La inteligencia artificial (IA) no está desplazando al trabajo humano en el sentido clásico en que lo hicieron otras tecnologías. Su operación es más sofisticada: reorganiza las condiciones bajo las cuales el conocimiento humano es producido, validado y capturado económicamente. En lugar de sustituir trabajadores, redefine el perímetro de lo que cuenta como trabajo y, más profundamente, de lo que cuenta como conocimiento valioso dentro del proceso productivo.

Este desplazamiento no es solo cuantitativo, sino también ontológico. No se trata de cuántos empleos desaparecen, sino de cómo se reconfigura la relación entre inteligencia humana y acumulación de capital. Este análisis se centra particularmente en la llamada inteligencia artificial generativa —modelos capaces de producir lenguaje, código e imágenes a partir de grandes volúmenes de datos y aprendizaje probabilístico—, cuya expansión reciente ha intensificado la intervención de la tecnología en tareas tradicionalmente asociadas al juicio humano. En este marco, proponemos entender la IA como una infraestructura de organización del trabajo cognitivo, cuya expansión implica un proceso de expropiación cognitiva: la apropiación sistemática de capacidades humanas de interpretación, decisión y creación, por parte de actores concentrados.

Este enfoque permite superar la dicotomía estéril entre “automatización” y “creación de empleo”. Como muestran datos recientes de la Organización Internacional del Trabajo, cerca del 25% del empleo global está expuesto a la IA generativa, pero sólo una fracción menor enfrenta automatización total¹. La clave, por tanto, no está en la desaparición del trabajo, sino en su reorganización interna. La IA descompone las ocupaciones en tareas, reordena su jerarquía y redefine qué partes del proceso productivo permanecen bajo control humano y cuáles son absorbidas por sistemas automatizados².

Sin embargo, esta reorganización no es neutral. Está estructurada por relaciones de poder que determinan qué tipo de conocimiento es capturado, quién lo controla y cómo se distribuyen sus beneficios. En este sentido, la IA no solo automatiza tareas, estandariza formas de pensar. La creciente dependencia de sistemas generativos en actividades como redacción, programación o análisis, introduce un fenómeno emergente: la producción de conocimiento dentro de marcos preconfigurados algorítmicamente³.

Este proceso tiene implicancias profundas. A medida que los trabajadores delegan funciones cognitivas en sistemas de IA, su rol se desplaza desde la producción hacia la supervisión, validación o corrección. Pero esta transición no implica necesariamente mayor autonomía o creatividad. Por el contrario, puede derivar en una subordinación epistémica, donde los márgenes de acción están delimitados por arquitecturas tecnológicas opacas.

Aquí se conecta con uno de los aportes centrales de la literatura crítica contemporánea: la necesidad de visibilizar el trabajo oculto que sostiene la IA⁴. Investigaciones recientes han demostrado que sistemas considerados “autónomos” dependen de grandes volúmenes de trabajo humano precarizado, desde el etiquetado de datos hasta la moderación de contenido⁵. Este trabajo no sólo es invisibilizado, sino también desvalorizado, a pesar de ser fundamental para el funcionamiento de la economía digital.

En este punto, la noción de expropiación cognitiva adquiere mayor densidad. No se trata únicamente de extraer datos, sino de capturar procesos de juicio humano y convertirlos en activos escalables. La inteligencia artificial no reemplaza la cognición humana; la descompone, la estandariza y la reincorpora como infraestructura productiva controlada por actores específicos.

Los desarrollos recientes en IA generativa refuerzan esta tendencia. Estudios empíricos muestran incrementos significativos de productividad en tareas cognitivas, pero también evidencian efectos de homogeneización en los outputs producidos⁶. La eficiencia se logra, en parte, mediante la reducción de la diversidad interpretativa. Esto plantea un dilema fundamental: ¿hasta qué punto la optimización productiva implica una pérdida de pluralidad cognitiva?

Este debate adquiere una dimensión aún más compleja cuando se analiza el uso de la IA en procesos de reestructuración empresarial. En los últimos años, múltiples corporaciones han implementado recortes de personal en paralelo a la adopción de sistemas de IA. Aunque estos procesos suelen justificarse en términos de eficiencia, revelan una lógica más profunda: la reconfiguración del trabajo en función de su compatibilidad con infraestructuras automatizadas.

En algunos casos, tareas completas han sido absorbidas por sistemas de IA, pero en muchos otros, lo que se observa es una intensificación del trabajo humano restante. Menos trabajadores, pero más integrados a sistemas de control algorítmico, con mayor presión por productividad y menor capacidad de negociación. Esto sugiere que la IA no solo reduce costos, sino que redefine las condiciones de disciplinamiento laboral.

Frente a este escenario, la narrativa dominante de la “adaptación” resulta insuficiente. La idea de que los trabajadores deben adquirir nuevas habilidades para integrarse a la economía de la IA omite un aspecto central: la adaptación ocurre dentro de estructuras profundamente desiguales. No todos los trabajadores tienen la misma capacidad de reconversión, ni todos los conocimientos tienen el mismo valor en el nuevo régimen tecnológico.

Más aún, la adaptación implica una redistribución de riesgos. En lugar de ser asumidos por empresas o Estados, los costos de la transición recaen crecientemente en los individuos. El trabajador contemporáneo se convierte en gestor de su propia obsolescencia, obligado a invertir continuamente en su actualización sin garantías de estabilidad. Esta dinámica transforma la incertidumbre en una condición estructural del trabajo.

Sin embargo, reducir la inteligencia artificial a una infraestructura de organización del trabajo cognitivo implica dejar fuera una dimensión igualmente decisiva: su materialidad. La IA no “flota” en una nube abstracta, sino que se sostiene sobre una red global de centros de datos, cables, sistemas de enfriamiento y consumo intensivo de energía y agua. En este sentido, toda transformación cognitiva del trabajo está anclada en una transformación simultánea de los territorios.

Esta dimensión se vuelve especialmente relevante al observar la expansión reciente de centros de datos en países como Perú, donde su crecimiento ocurre en un contexto de débil regulación y baja visibilidad pública. Investigaciones periodísticas⁷ han evidenciado que estas infraestructuras operan sin marcos normativos específicos, sin registros transparentes y con escasa supervisión sobre su impacto ambiental, particularmente en relación con el uso intensivo de agua y energía. Lejos de ser instalaciones neutrales, los centros de datos reconfiguran el uso de recursos locales, generan nuevas presiones sobre servicios básicos y producen conflictos potenciales con comunidades y ecosistemas.

A nivel global, esta tendencia es aún más marcada⁸. El desarrollo de la IA generativa ha incrementado exponencialmente la demanda de capacidad computacional, lo que se traduce en la proliferación de centros de datos de gran escala. Estas instalaciones requieren operación continua y sistemas de refrigeración que consumen volúmenes significativos de agua, lo que ha comenzado a generar tensiones en diversas regiones del mundo. De este modo, la expansión de la inteligencia artificial no solo reorganiza el trabajo humano, sino que también redefine la geografía del poder tecnológico, anclándola en territorios concretos.

Desde esta perspectiva, la noción de expropiación cognitiva debe ampliarse para incorporar una dimensión material: la inteligencia artificial no solo captura capacidades humanas de conocimiento, sino que también se apoya en la extracción intensiva de recursos naturales. Así, la economía de la IA articula una doble dinámica de apropiación —cognitiva y ecológica— que conecta el trabajo digital con formas contemporáneas de extractivismo.

También, evidencia reciente refuerza esta idea de transformación gradual más que disrupción inmediata. Un estudio de Anthropic⁹ introduce una medida innovadora de “exposición observada” que combina capacidades teóricas de la IA con su uso real en contextos laborales. Sus resultados muestran que, hasta el momento, no se observa evidencia estadísticamente significativa de un aumento en el desempleo en ocupaciones altamente expuestas a la IA desde la difusión de modelos generativos. Sin embargo, identifican señales más sutiles, pero potencialmente estructurales: una desaceleración en la contratación, particularmente entre trabajadores jóvenes que intentan ingresar a ocupaciones intensivas en tareas cognitivas.

Este hallazgo sugiere que el impacto de la IA no se manifiesta inicialmente como destrucción de empleo, sino como una reconfiguración de los puntos de entrada al mercado laboral. En lugar de expulsar trabajadores existentes, la IA podría estar redefiniendo quién logra insertarse en determinados sectores, anticipando así una transformación intergeneracional del trabajo. Este resultado sugiere que los efectos iniciales de la IA pueden manifestarse primero en los márgenes de entrada al empleo —como la contratación— antes que en indicadores agregados como el desempleo.

En América Latina, estas tendencias se manifiestan de manera particularmente aguda. La región se inserta en la economía global de la IA desde una posición de dependencia tecnológica, lo que limita su capacidad de capturar valor. Sin embargo, esta inserción no es pasiva. América Latina participa activamente en las capas operativas de la IA, especialmente a través de trabajo digital tercerizado.

Trabajadores de la región desempeñan roles clave en el entrenamiento de algoritmos, pero lo hacen en condiciones de precariedad y baja visibilidad. Este fenómeno revela una forma contemporánea de división internacional del trabajo, donde el sur global aporta trabajo cognitivo fragmentado, mientras el norte concentra la propiedad de las infraestructuras y los beneficios económicos.

El caso peruano ejemplifica estas tensiones. Con altos niveles de informalidad, el país enfrenta la transformación tecnológica sin mecanismos robustos de protección laboral. La IA no generará necesariamente desempleo masivo, pero sí una reconfiguración desigual del trabajo, donde algunos sectores logran integrarse a nuevas dinámicas productivas, mientras otros quedan excluidos.

El crecimiento del trabajo en plataformas anticipa esta trayectoria. En estos entornos, la IA no sustituye al trabajador, sino que organiza su actividad mediante sistemas algorítmicos que asignan tareas, evalúan desempeño y determinan ingresos. La subordinación ya no se ejerce únicamente a través de jerarquías visibles, sino mediante códigos y modelos predictivos.

Este tipo de gobernanza algorítmica plantea desafíos significativos para el derecho laboral y las políticas públicas. Las categorías tradicionales —empleador, trabajador, relación laboral— resultan insuficientes para capturar la complejidad de estas nuevas formas de organización del trabajo.

En este contexto, la discusión sobre la IA debe desplazarse desde la adaptación hacia la gobernanza. No se trata solo de preparar a los trabajadores para el cambio, sino de intervenir en las condiciones bajo las cuales ese cambio ocurre. Esto implica regular el uso de sistemas algorítmicos, garantizar transparencia y redistribuir los beneficios de la automatización.

En última instancia, la inteligencia artificial reabre una pregunta fundamental: ¿quién controla la producción de conocimiento en la economía contemporánea? La respuesta a esta pregunta definirá no solo el futuro del trabajo, sino también la forma en que se organiza el poder en las sociedades digitales.

En este sentido, la inteligencia artificial no solo transforma el trabajo: redefine las condiciones mismas bajo las cuales el trabajo puede ser concebido, medido y gobernado en el capitalismo contemporáneo.

Footnotes

1. Organización Internacional del Trabajo, 2025. Generative AI and jobs: A 2025 update. ↩

2. Organización Internacional del Trabajo. (2024). AI and jobs: A review of theory, estimates, and evidence. ↩

3. Del Rio-Chanona, R. M., Ernst, E., Merola, R., Samaan, D., and Teutloff, O. (2025). AI and jobs: A review of theory, estimates, and evidence. ↩

4. Miceli, M., and Posada, J. (2022). The data-production dispositif. ↩

5. Tubaro, P., Casilli, A., & Braz, M. (2024).Making data: The work behind artificial intelligence. ↩

6. Moon, K., Green, A. E., & Kushlev, K. (2025). Homogenizing effect of large language models (LLMs) on creative diversity: An empirical comparison of human and ChatGPT writing. ↩

7. La Encerrona. (2026, marzo 11). La industria de los centros de datos en Perú crece sin regulación ni control ambiental. ↩

8. Forbes México. (2025, agosto 24). Centros de datos consumen cantidades inmensas de agua, pero rara vez informan exactamente cuánta. ↩

9. Appel, R., Massenkoff, M., McCrory, P., McCain, M., Heller, R., Neylon, T., & Tamkin, A. (2026, 15 de enero). Anthropic Economic Index report: economic primitives. ↩