Economía y la IA: estudiar en tiempos de cambio tecnológico

La inteligencia artificial ya no es una promesa de laboratorio: es una tecnología de propósito general que está reorganizando tareas en casi todas las profesiones, y la economía no es la excepción. Para quien estudia o está por estudiar economía, la pregunta relevante no es si la IA va a cambiar el oficio —ya lo está haciendo—, sino qué tipo de formación sigue siendo valiosa cuando gran parte del cálculo, la limpieza de datos y hasta la redacción de primeros borradores puede delegarse a un modelo.

De las tareas rutinarias a las tareas de juicio

Un marco útil para pensar esto es el enfoque de tareas que popularizaron economistas como Autor, Levy y Murnane, y que luego extendieron autores como Acemoglu y Restrepo al analizar automatización y creación de nuevas tareas. La idea central es simple: la tecnología no sustituye profesiones completas, sustituye tareas específicas dentro de ellas. Las tareas rutinarias y codificables —correr una regresión estándar, construir una base de datos, resumir un documento— son las primeras en automatizarse. Las tareas de juicio —decidir qué pregunta de investigación importa, evaluar si un supuesto identificador es creíble, interpretar un resultado a la luz del contexto institucional— son mucho más difíciles de delegar.

Esto no es exclusivo de la IA generativa: es la misma lógica que ya vivió la profesión con la calculadora, la hoja de cálculo y los paquetes estadísticos. Cada ola de automatización desplaza el valor agregado del economista hacia arriba en la cadena de juicio.

Qué cambia (y qué no) en la formación del economista

Lo que no cambia es la necesidad de entender teoría económica y los fundamentos de identificación causal. Un modelo de lenguaje puede escribir código de econometría razonablemente bien, pero no puede decidir si una estrategia de variables instrumentales es válida en un contexto particular, ni detectar cuándo un resultado estadísticamente significativo no tiene sentido económico. Esa capacidad de auditoría —de revisar críticamente lo que produce una herramienta automatizada— se vuelve, paradójicamente, más importante cuanto más se usa la IA como asistente de trabajo.

Lo que sí cambia es la proporción del tiempo de estudio dedicada a cada habilidad. Programar sigue siendo relevante, pero cada vez menos como acto de escritura de código línea por línea y más como capacidad de especificar problemas con precisión, depurar resultados y validar supuestos. En proyectos de investigación aplicada —por ejemplo, el análisis econométrico del mercado laboral con microdatos de la Encuesta Nacional de Empleo, Desempleo y Subempleo (ENEMDU) en el que participo actualmente—, las herramientas de IA aceleran tareas de procesamiento y documentación, pero el diseño metodológico y la interpretación de resultados siguen exigiendo criterio humano formado en teoría y en conocimiento del contexto local.

Recomendaciones prácticas para quien estudia economía hoy

• Dominar los fundamentos de microeconomía, macroeconomía y econometría antes de apoyarse en herramientas que automatizan el cálculo: sin ese criterio, es imposible evaluar si un resultado generado por IA es razonable.
• Desarrollar pensamiento causal (diseño de experimentos, variables instrumentales, diferencias en diferencias, regresión discontinua) como diferenciador frente a tareas puramente predictivas.
• Aprender a auditar salidas de modelos de IA: verificar fuentes, replicar cálculos clave y contrastar resultados con la teoría y con los datos originales.
• Combinar habilidades técnicas (Python, R, Stata) con capacidad de comunicar hallazgos a audiencias no técnicas, especialmente en contextos de política pública.
• Asumir la formación continua como parte del oficio: las herramientas cambian rápido, pero los fundamentos económicos y estadísticos son la base que permite adaptarse a cada nueva herramienta.

Una oportunidad, no solo un riesgo

El cambio tecnológico ha reconfigurado el mercado laboral de los economistas antes, y en cada ocasión la profesión terminó ocupando un lugar distinto en la cadena de valor de la producción de conocimiento: menos calculadora, más intérprete. La IA generativa acelera ese desplazamiento, pero no elimina la necesidad de criterio económico. Estudiar economía en tiempos de cambio tecnológico significa, sobre todo, invertir en aquello que sigue siendo escaso: la capacidad de plantear las preguntas correctas y de leer los resultados con rigor.