Análisis de empleos de nivel inicial en IA: la Generación Z pierde el primer peldaño

La hoja de cálculo que nadie quería solía formar parte del currículo. También la primera cola de soporte, la muestra básica de auditoría y el ticket de error con la ambigüedad justa para hacer que una persona recién contratada hiciera mejores preguntas. La lectura más precisa del temor al trabajo con IA no es que todas las personas con experiencia estén a punto de ser reemplazadas. Es que parte del trabajo donde los principiantes aprendían a trabajar se está automatizando, comprimiendo o entregando a herramientas antes de que alguien rediseñe el aprendizaje práctico a su alrededor. Eso importa porque los puestos junior no son solo capacidad barata. Son la forma en que las personas aprenden el vocabulario de una empresa, los modos de fallo de un flujo de trabajo y la diferencia entre terminar una tarea y entender un sistema. Cuando esas tareas desaparecen, el viejo consejo de entrar donde sea y aprender por ósmosis se vuelve menos fiable. Los estudiantes necesitan una prueba distinta para cursos, portafolios y primeros puestos: ¿esto me ayudará a practicar un criterio real, o solo a ensayar nombres de herramientas?

La señal está apareciendo en el primer peldaño Según Lawrence Lundy Bryan

en State of the Future, los economistas de Stanford Erik Brynjolfsson, Bharat Chandar y Ruyu Chen analizaron datos de nómina de ADP que siguen mensualmente a millones de trabajadores en Estados Unidos. Su resumen dice que los investigadores combinaron la edad con el nivel de exposición a la IA del puesto, y luego encontraron una caída del 13 por ciento en el empleo entre trabajadores de 22 a 25 años en roles altamente expuestos a la IA. Los roles mencionados en el resumen incluyen desarrolladores de software, atención al cliente y auditores junior. Eso no demuestra que todas las trayectorias de graduados se estén derrumbando, pero sí ejerce presión sobre el primer peldaño del trabajo de oficina. Dominika Borna, en The Workforce Lens, hace la distinción más útil. Su revisión sostiene que la imagen emergente no es una simple caída, sino un cambio estructural, con algunos roles que desaparecen y muchos que evolucionan hacia la colaboración entre humanos e IA desde el inicio de la carrera. Esa distinción importa para los estudiantes porque el pánico produce malas decisiones de formación. Si el trabajo está cambiando de forma, el objetivo no es coleccionar todas las insignias de IA disponibles, sino entender qué flujos de trabajo todavía necesitan criterio humano y cómo encajan las herramientas dentro de ellos.

El aprendizaje práctico estaba hecho de trabajo

de baja complejidad Lotis Blue Consulting describe con claridad el antiguo modelo de talento junior: durante décadas, los trabajadores junior absorbían trabajo de menor complejidad mientras ganaban exposición, práctica, mentoría y contexto. En su análisis del 5 de junio de 2026, Donncha Carroll sostiene que la IA está cambiando esa ecuación a medida que las tareas rutinarias se automatizan y las organizaciones replantean qué deberían hacer los roles junior. La palabra clave no es rutinario. La palabra clave es contexto, porque el trabajo rutinario a menudo llevaba las primeras lecciones sobre cómo funciona realmente un negocio. Lotis Blue también advierte que eliminar el trabajo de nivel inicial sin rediseñar el sistema de talento más amplio crea riesgo a largo plazo. La firma dice que las empresas pueden obtener eficiencia a corto plazo mientras debilitan las vías que construyen futuros gerentes, expertos técnicos, líderes empresariales, conocimiento institucional y capacidad. Esa es la parte de la historia de la IA que no encaja limpiamente en un gráfico de plantilla. Una empresa puede automatizar los tickets fáciles y aun así necesitar más adelante personas que entiendan por qué los tickets difíciles son difíciles.

Los cursos no pueden reemplazar el contexto por sí solos IntuitionLabs, en su

análisis actualizado el 17/7/2026, describe el panorama de contratación de graduados como un sector que atraviesa un cambio profundo a medida que las tecnologías de IA se extienden por distintas industrias. Dice que estudios y encuestas de 2024 y 2025 reportan fuertes descensos en las oportunidades tradicionales de empleo de nivel inicial. Leído con cuidado, eso no es una lista de certificados para comprar. Es una advertencia de que los estudiantes deberían evaluar la formación por lo que pueden construir, explicar y mejorar después. Un curso útil de IA debería hacerte practicar un flujo de trabajo, no solo nombrar un modelo. Para un rol de soporte, eso podría significar clasificar solicitudes desordenadas de clientes, escribir criterios de escalamiento y mostrar dónde un borrador de IA necesita corrección humana. Para un rol de analista, podría significar documentar cómo limpiaste datos, verificaste resultados y decidiste qué no automatizar. Si un programa no deja claros el costo, el tiempo, la retroalimentación y los entregables del proyecto, trata esa ausencia como parte del producto.

Qué deberían hacer ahora estudiantes y gerentes

The Workforce Lens señala que el trabajo de inicio de carrera exige cada vez más nuevos conjuntos de habilidades y colaboración humano-IA desde el principio. Eso es una vara más alta para principiantes, pero no es lo mismo que exigir que cada graduado se convierta en ingeniero de ML. La expansión confusa de títulos ya está dificultando esto: Ingeniero de IA puede significar integración de modelos, infraestructura de datos, automatización de productos o algo más cercano a operaciones muy centradas en prompts. Los estudiantes deberían preguntar dentro de qué sistema trabajarán, qué decisiones serán suyas y quién revisará su criterio. Lotis Blue Consulting plantea el lado del empleador con la misma claridad: el talento junior sigue importando si las organizaciones quieren una cantera de talento duradera. Para quienes deciden dónde invertir tiempo, el movimiento práctico es buscar entornos de aprendizaje con mentoría, revisión y exposición repetida a trabajo imperfecto. Un portafolio debería mostrar el antes y el después de un proceso, no solo el resultado final pulido. Observa el próximo ciclo de contratación para ver si los empleadores reconstruyen los roles junior alrededor de flujos de trabajo de IA supervisados, o si siguen pidiendo a los principiantes que lleguen ya formados por un sistema que ya no los forma.