💻 computer science

The Jagged Global Economy: Frontier AI Unevenly Exposes National Economies

Este artículo introduce una métrica nacional de exposición a la IA para 141 países, revelando que las naciones de ingresos altos y las mujeres enfrentan una exposición directa significativamente mayor a la IA de vanguardia que las naciones de bajos ingresos y los hombres, al tiempo que también descubre un mecanismo crítico de exposición indirecta a través de dependencias de ingresos entre países, como las remesas, que requiere respuestas de política personalizadas y no generalizables.

Autores originales: Arul Murugan, Tomás Aguirre, Abhishek Nagaraj, Rishi Bommasani

Publicado 2026-07-08

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Arul Murugan, Tomás Aguirre, Abhishek Nagaraj, Rishi Bommasani

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El panorama general: Una ola "dentada"

Imagine una enorme e irregular ola de nueva tecnología (IA de frontera) desplazándose por el mundo. Los autores sostienen que esta ola no golpea a todos los países con la misma fuerza. En cambio, la ola es "dentada" (o irregular).

Piense en las capacidades de la IA como una cordillera dentada. Algunos picos son muy altos (la IA es excelente escribiendo código o analizando contratos legales), mientras que algunos valles son muy bajos (la IA es mala reparando una tubería que gotea o cosechando cultivos).

Debido a que los diferentes países tienen diferentes "paisajes" de empleos, esta ola dentada los golpea de manera distinta:

Los países ricos (como EE. UU. o Luxemburgo) tienen economías construidas sobre empleos de "cuello blanco" (oficinas, finanzas, tecnología). Estos empleos se encuentran justo en los picos altos de la montaña de la IA. La ola choca con fuerza aquí.
Los países más pobres (como Burundi o Mozambique) tienen economías construidas sobre la agricultura y el trabajo manual. Estos empleos se encuentran en los valles bajos donde la ola de la IA apenas llega.

La herramienta principal: Medir la "exposición"

Los investigadores crearon una nueva regla llamada "Exposición Nacional a la IA".

Imagine que es un pronosticador del tiempo, pero en lugar de predecir lluvia, está prediciendo cuánto de la fuerza laboral de un país será tocada por la IA. No necesita saber si la IA se usará realmente mañana; solo mide qué tanto del trabajo de un país podría ser realizado por la IA en este momento.

Cómo lo hicieron: Analizaron el "menú de empleos" de 141 países. Se preguntaron: "¿Qué porcentaje de las personas en este país realizan trabajos que la IA puede hacer bien actualmente?".
El resultado: La diferencia es enorme. El país más expuesto (Luxemburgo) es 2.6 veces más expuesto que el país menos expuesto (Burundi).

Hallazgos clave en lenguaje sencillo

1. Los ricos quedan más "expuestos" (por ahora)

Existe un fuerte vínculo entre la riqueza de un país y cuánto puede la IA afectar a sus trabajadores.

La analogía: Piense en la IA como un tren de alta velocidad. Los países con muchos trabajadores de oficina (empleos de cuello blanco) están parados justo al lado de las vías. Los países con la mayoría de agricultores están parados en un campo a kilómetros de distancia.
Los datos: Los países de ingresos altos están mucho más expuestos. Europa y Asia Central están un 50% más expuestos que el África subsahariana.

2. La brecha de género: Las mujeres están más cerca de las vías

En el 91% de los países estudiados, las mujeres están más expuestas a la IA que los hombres.

¿Por qué? En muchos lugares, las mujeres están concentradas en empleos de oficina, ventas y roles de servicio, que son precisamente los trabajos en los que la IA es buena. Los hombres suelen estar más concentrados en la agricultura o el trabajo manual, donde la IA es menos útil.
La excepción: En países como Pakistán o la India, donde el trabajo de las mujeres todavía se centra fuertemente en la agricultura o empresas domésticas, los hombres están en realidad más expuestos porque sus trabajos tienen más probabilidades de ser de oficina.
La preocupación: Dado que las mujeres ya enfrentan barreras para encontrar trabajo y ganan menos, esta "exposición" añade otra capa de riesgo. Si la IA altera los empleos de oficina que ocupan las mujeres, estas podrían tener menos redes de seguridad.

3. El "Efecto Onda de las Remesas" (El golpe indirecto)

Este es el descubrimiento más único del artículo. A veces, un país no está expuesto directamente, pero recibe el golpe de todos modos debido a sus vecinos.

La analogía: Imagine un pequeño pueblo (Tayikistán) donde muchos jóvenes se han mudado a una gran ciudad (Rusia) para trabajar. El pueblo depende del dinero que estos trabajadores envían a casa (remesas) para sobrevivir.
El escenario: La gran ciudad (Rusia) tiene una economía de oficinas de alta tecnología. La IA llega y cambia la forma en que esos trabajadores de oficina realizan sus tareas. Incluso si el pequeño pueblo no tiene IA, el pueblo ahora está en problemas porque el dinero que fluye desde la ciudad podría secarse o cambiar.
Los datos: Tayikistán tiene una baja exposición directa a la IA, pero debido a que el 37% de su PIB proviene del dinero enviado por trabajadores en países altamente expuestos (como Rusia), su "exposición ajustada por remesas" se vuelve muy alta. El artículo llama a esto un efecto de segundo orden.

¿Funciona esta predicción?

Los autores probaron su "Regla de Exposición" para ver si realmente predice lo que está sucediendo en el mundo real.

Comprobaron los datos de tres gigantes de la IA: Anthropic, Microsoft y OpenAI.
El resultado: Su regla funcionó perfectamente. Los países con puntuaciones de "Exposición" altas fueron los que realmente utilizaron más herramientas de IA.
Las matemáticas: Un pequeño aumento en la puntuación de exposición de un país significó un salto masivo en cuántas personas estaban usando chatbots de IA allí.

La conclusión fundamental

El artículo concluye que una solución única no sirve para todos.
Los responsables de políticas en EE. UU. o Europa no pueden simplemente copiar y pegar sus reglas de IA y esperar que funcionen en África o Asia. La naturaleza "dentada" de la IA significa que:

Las naciones ricas enfrentan una interrupción inmediata para sus trabajadores de oficina.
Las naciones pobres podrían enfrentar choques económicos indirectos si sus socios comerciales ricos cambian su forma de trabajar.
Las mujeres en muchas naciones están paradas más cerca de la ola de la IA que los hombres.

El mundo no está siendo golpeado por un tsunami de IA uniforme; está siendo golpeado por una ola dentada e irregular que requiere diferentes estrategias de supervivencia para cada país.

Resumen Técnico: La economía global dentada: La IA de frontera expone de manera desigual a las economías nacionales

Planteamiento del problema
Si bien los efectos de la IA de frontera en el mercado laboral son una preocupación crítica para los trabajadores, las empresas y los responsables de políticas, la evidencia existente está fuertemente sesgada hacia un puñado de economías de ingresos altos. Las capacidades de la IA de frontera son "dentadas" (o irregulares), lo que significa que varían significamente según las distintas tareas laborales. Simultáneamente, las economías nacionales divergen sustancialmente en cómo asignan la mano de obra humana a través de las ocupaciones. En consecuencia, una comprensión uniforme del impacto de la IA es insuficiente; existe la necesidad de cuantificar cómo la composición específica del mercado laboral de una nación se alinea con las capacidades de la IA de frontera. Las respuestas de política actuales, calibradas para los mercados de EE. UU. o Europa, pueden no ser generalizables al diverso panorama global.

Metodología
Los autores introducen una Métrica de Exposición Nacional a la IA diseñada para capturar la heterogeneidad en 141 países. La metodología involucra dos fuentes de datos primarias:

Estimaciones de exposición ocupacional: El estudio utiliza puntuaciones de exposición para la Clasificación Internacional Estándar de Ocupaciones (ISCO-08) desarrolladas por Gmyrek et al. [2025a]. Estas puntuaciones se derivan de mapear las ocupaciones con tareas y estimar el potencial de la IA para ahorrar tiempo en dichas tareas preservando la calidad. Los autores agregan estas puntuaciones al nivel de 2 dígitos de la ISCO-08 (40 categorías ocupacionales).
Datos de empleo internacional: El estudio combina estas puntuaciones de exposición con estadísticas de empleo de la Organización Internacional del Trabajo (OIT). Estos datos proporcionan la proporción de la fuerza laboral empleada en cada categoría de 2 dígitos de la ISCO-08 para 141 países.

La Exposición Nacional a la IA ( $n_i$ ) para un país $i$ se calcula como el promedio ponderado por la participación en el empleo de las puntuaciones de exposición ( $e_j$ ) para cada ocupación $j$ :
$n_i = \frac{\sum_j c_{i,j} e_j}{\sum_j c_{i,j}}$
donde $c_{i,j}$ representa el conteo de empleo en la ocupación $j$ para la nación $i$ .

El estudio valida además estos cálculos prediciendo las estadísticas observadas de adopción de IA mediante datos de Anthropic (uso de Claude), OpenAI (rankings de uso de ChatGPT) y Microsoft (tasas de adopción de IA generativa). Adicionalmente, los autores modelan un mecanismo novedoso de exposición indirecta a través de remesas, utilizando matrices bilaterales de remesas de KNOMAD del Banco Mundial para calcular cómo la exposición en un país de origen (por ejemplo, Rusia o EE. UU.) se propaga a un país receptor (por ejemplo, Tayikistán o Honduras) a través de las dependencias de ingresos.

Resultos Clave

Sustancial variación transnacional: La exposición nacional a la IA varía ampliamente. La nación más expuesta, Luxemburgo ( $n=0.37$ ), es 2.6 veces más expuesta que la menos expuesta, Burundi ( $n=0.14$ ).
Disparidades regionales y de ingresos: Los países de ingresos altos están sustancialmente más expuestos que los países de bajos ingresos. Las regiones de América del Norte y Europa y Asia Central están aproximadamente un 50% más expuestas que el África Subsahariana.
Impulsores predictivos: La "participación de cuello blanco" de la fuerza laboral de un país es el predictor más fuerte de la exposición nacional a la IA ( $R^2 = 0.91$ ). El Ingreso Nacional Bruto (INB) también es predictivo, pero menos que la composición ocupacional ( $R^2 = 0.77$ ).
Brecha de género: En el 91% de los países estudiados (126 de 138), las mujeres están más expuestas a la IA de frontera que los hombres. Esto es impulsado por la concentración de mujeres en ocupaciones de cuello blanco y de ventas. En los países donde el empleo de las mujeres sigue concentrado en la agricultura y las empresas domésticas (por ejemplo, Pakistán, India), la brecha se revierte o se reduce.
Validación: La métrica de exposición predice fuertemente la adopción de IA observada. Un aumento de 0.10 en la exposición nacional se correlaciona con un aumento de 12 veces en el uso per cápita de Claude y un aumento de 19 puntos porcentuales en la tasa de adopción de IA generativa nacional. Sin embargo, una vez que se controlan la participación de cuello blanco y el INB, la métrica de exposición añade poco poder explicativo adicional, sugiriendo que la exposición sirve como un resumen estructural de estos factores económicos más amplios.
Exposición indirecta vía remesas: El estudio identifica un segundo canal de exposición de segundo orden. Para los países que dependen fuertemente de las remesas, la exposición a la IA del país de origen impacta significativamente al país receptor. Por ejemplo, Tayikistán tiene una exposición directa por debajo del promedio, pero debido a que el 37% de su PIB proviene de remesas (principalmente de la altamente expuesta Rusia), su "exposición contabilizada por remesas" aumenta a niveles por encima del promedio.

Significancia y Reivindicaciones
El artículo afirma proporcionar la primera medida integral y comparable de la exposición a la IA de frontera a nivel nacional para un amplio conjunto de 141 países. Su contribución principal es demostrar que el impacto económico de la IA de frontera no es uniforme; más bien, es "dentado" y depende altamente de las estructuras locales del mercado laboral.

Los autores argumentan que las respuestas de política deben considerar esta heterogeneidad. Las políticas diseñadas para economías avanzadas con altas participaciones de cuello blanco pueden ser irrelevantes o perjudiciales para economías donde la mano de obra se concentra en la agricultura o donde los ingresos dependen fuertemente de las remesas de naciones que adoptan la IA. Al identificar que las mujeres en la mayoría de las naciones están desproporcionadamente expuestas debido a la segregación ocupacional, el documento destaca un riesgo distributivo específico que requiere atención dada la existencia de barreras de mercado laboral para las mujeres. Finalmente, la identificación de canales de exposición indirecta sugiere que la planificación económica nacional debe considerar cómo la adopción de la IA en los mercados laborales extranjeros repercutirá a través de las dependencias de ingresos globales.