El mercado laboral como campo de batalla algorítmica
En septiembre de 2025, Annie Lowrey publicó en The Atlantic un retrato del mercado laboral estadounidense. Un graduado de UC Davis con experiencia de campo, un expediente académico casi perfecto y disposición para mudarse a cualquier punto de la costa oeste envió 200 solicitudes de empleo. Fue rechazado 200 veces. O, mejor dicho, ni siquiera fue rechazado: la mayoría de las empresas ni siquiera se molestaron en responder. Su caso no es aislado. Millones de candidatos se encuentran atrapados en lo que Lowrey denomina un «infierno laboral tinderizado»: plataformas en línea que facilitan encontrar vacantes pero dificultan enormemente conseguirlas.
Lo que estamos viendo es una transformación del mecanismo mediante el cual candidatos y empleadores comunican y evalúan valor. Del lado del candidato, herramientas como ChatGPT reducen drásticamente el coste de postular: permiten ajustar el CV a una oferta en minutos y contestar cuestionarios de filtrado con una rapidez antes impensable. Del lado de la empresa, esa misma aceleración obliga a automatizar la lectura, el ranking y, cada vez más, el primer contacto mediante cribados y asistentes virtuales.
Katie Tanner, consultora de RR. HH. en Utah, publicó en LinkedIn una vacante remota con solo tres años de experiencia requerida y recibió 400 solicitudes en 12 horas, 600 en 24, y más de 1.200 en pocos días. Terminó retirando el anuncio y, tres meses después, seguía «cribando» candidaturas.
El resultado es un ciclo de retroalimentación: la avalancha de solicitudes empuja a las empresas a endurecer los filtros automatizados, lo que, a su vez, incentiva a los candidatos a enviar todavía más candidaturas. Algunos utilizan agentes de IA para automatizar el proceso. The New York Times reporta que las solicitudes en LinkedIn han aumentado más de 45% interanual y que la plataforma procesa, en promedio, alrededor de 11.000 solicitudes por minuto.
La teoría de señalización: por qué funcionaban las credenciales
En 1973, Michael Spence publicó su modelo de señalización en el mercado laboral, trabajo por el que recibiría el Premio Nobel de Economía en 2001 junto con George Akerlof y Joseph Stiglitz. La pregunta que Spence se planteó es la siguiente: cuando un empleador no puede observar directamente la capacidad productiva de un candidato, ¿cómo puede el mercado evitar el colapso?
El modelo de Spence
La señal funciona porque su coste está inversamente correlacionado con la cualidad que representa: a un candidato de alta capacidad le resulta más fácil y menos costoso obtener un título universitario que a uno de baja capacidad. Esta diferencia de costes genera un equilibrio separador: un mecanismo por el cual los candidatos de alta calidad se distinguen de los de baja calidad, y los empleadores pueden interpretar racionalmente la señal.
George Akerlof, en su célebre artículo «The Market for Lemons» de 1970, había establecido las consecuencias de lo que ocurre cuando las señales fallan. En su modelo del mercado de automóviles usados, compradores y vendedores se encuentran en un mercado en el que la calidad varía, pero solo el vendedor la conoce. Los compradores, incapaces de distinguir un buen coche de uno malo (en EE. UU. se les conoce coloquialmente como «limones»), fijan un precio basado en la calidad media esperada. Los vendedores de coches genuinamente buenos, al no poder obtener un precio que refleje su verdadero valor, se retiran del mercado. La calidad media cae, lo que a su vez reduce aún más el precio que los compradores están dispuestos a pagar, y así sucesivamente hasta que, en el límite, no se produce ninguna transacción.
Este equilibrio ha funcionado razonablemente bien en los mercados laborales. El currículum vitae, la carta de presentación, el portafolio de trabajo, las certificaciones profesionales y las evaluaciones de competencias operaban como señales spencianas: eran suficientemente costosas de producir como para que su posesión correlacionara con la competencia real del candidato… hasta ahora.
El colapso: cómo la IA generativa destruye las señales
La IA generativa está alterando la estructura de costes de estas señales. Investigadores de Dartmouth y Princeton analizaron datos de Freelancer.com y encontraron que, tras la llegada de ChatGPT, la longitud mediana de las cartas de presentación aumentó de 79 a 104 palabras. Cuando los candidatos usaron herramientas de IA integradas en la propia plataforma, la mediana subió hasta 159 palabras, aproximadamente el doble que en una carta escrita sin asistencia de IA.
Los investigadores evaluaron cada carta en nueve dimensiones, desde si el candidato había leído realmente el anuncio hasta la claridad del inglés escrito. Antes de la irrupción de los modelos de lenguaje, la puntuación mediana era de 3,9 sobre un máximo de 18; después de la llegada de la IA, casi se duplicó. Y aquí aparece la consecuencia que Spence habría anticipado: cuando todas las cartas «parecen» mostrar esfuerzo, deja de tener sentido leerlas. La señal se banaliza y, con ello, se degrada la capacidad de las empresas para distinguir entre candidatos fuertes y débiles.
En términos de Spence, lo que ha ocurrido es el colapso del diferencial de costes. Una carta de presentación bien escrita solía ser cara de producir: requería leer el anuncio, reflexionar sobre la adecuación del candidato, articular argumentos coherentes. Ese coste era proporcionalmente mayor para un candidato poco cualificado. La IA ha comprimido este diferencial hasta hacerlo irrelevante. Cualquiera puede generar una carta impecable con un clic.
Cuando todos los coches usados lucen igualmente pulidos, el comprador pierde la capacidad de distinguir calidad y la respuesta racional es reducir el precio ofrecido por todos los coches. En el mercado laboral, el equivalente es exactamente lo que documentaron los investigadores de Dartmouth y Princeton: cuando las cartas generadas por IA duplicaron la puntuación mediana de calidad, los empleadores respondieron recortando salarios de forma generalizada y, paradójicamente, contratando peores candidatos con mayor frecuencia.
Los títulos universitarios y los diplomas siguen siendo, en términos generales, señales relativamente robustas, pero resultan insuficientes. Acreditan conocimiento formal, pero informan poco sobre actitudes, motivación, criterio profesional o competencias observables en el desempeño. Además, proliferan credenciales de menor fricción, como microcredenciales y certificaciones cursadas en MOOCs, cuya obtención puede estar cada vez más mediada por herramientas de IA e, incluso, por agentes automatizados.
Servicios de pago como LazyApply y aiApply permiten a los candidatos enviar solicitudes mientras duermen, personalizando currículos y cartas para cada vacante. La IA ha facilitado incluso que espías y defraudadores se infiltren en empresas: Amazon bloqueó recientemente 1.800 solicitudes de norcoreanos que aspiraban a puestos de TI remotos.
El valor de la señal humana
Una nota de agradecimiento escrita a mano es más valiosa que un email precisamente porque es inconveniente: alguien ha invertido tiempo en encontrar bolígrafo y papel, redactar el mensaje. El coste que la escritura manual impone al remitente produce una señal inequívoca de que realmente está agradecido. Lo mismo ocurre con prestar atención completa en una reunión cuando podrías estar respondiendo correos.
Todo el sentido es que lleva 45 minutos. Estoy quemando mi tiempo como señal de que me importa un estudiante.
— Ethan Mollick, Wharton School, sobre por qué escribe cartas de recomendación a mano
Mollick pregunta a sus estudiantes si preferirían que él escribiese su carta de recomendación o que una IA produjera una mejor. Todos eligen la versión de IA. Pero Mollick señala que hay un sentido profundo en escribirla a mano: el coste en tiempo propio es la señal.
En un entorno donde la IA puede generar contenido a un coste cercano a cero, solo conservan valor informativo aquellas señales cuyo coste depende irreductiblemente de tiempo y atención humanos. No el coste de redactar un documento, sino el de coordinar a personas reales que han observado de primera mano el desempeño de alguien. El testimonio de quienes han trabajado contigo —supervisores, colegas, subordinados— implica tiempo, reputación y responsabilidad compartida; su coste social lo hace resistente a la automatización.
No se trata de volver a las cartas manuscritas, sino de reintroducir fricción significativa en los procesos de selección: incorporar mecanismos de validación humana que complementen, y corrijan, las autoevaluaciones tradicionales como el CV o la carta de presentación.
Conclusión
El mercado laboral de 2026 se parece cada vez más al «mercado de los limones» que describió Akerlof en 1970. En ese marco, los mercados afectados por información asimétrica sobreviven gracias a instituciones que hacen legible la calidad: cuando las señales se vuelven baratas de falsificar, el mercado debe construir nuevas instituciones contrarrestantes o colapsar.
La IA generativa ha colapsado el diferencial de costes que antes permitía a las señales funcionar como mecanismos de discriminación entre candidatos. Y lo ha hecho con una asimetría estructural que agrava el problema: los candidatos pueden incorporar nuevas herramientas de inmediato, sin aprobaciones ni restricciones legales, mientras que los empleadores deben verificar el cumplimiento de leyes antidiscriminación y de protección de datos, consultar con sus departamentos de TI y legal, entre otros procesos de implementación corporativos.
La consecuencia que Spence habría predicho se está materializando: cuando todas las cartas muestran evidencia de «esfuerzo», deja de haber beneficio en leer ninguna. Las empresas están perdiendo progresivamente la capacidad de distinguir entre candidatos fuertes y débiles, lo que puede resultar en una reducción de salarios ofrecidos en nuevas contrataciones y en un aumento en la probabilidad de seleccionar candidatos mediocres.
El reto es diseñar procesos y sistemas que capturen el valor de forma estructurada, confiable y escalable. Para ello se requieren instituciones que produzcan señales con un diferencial real de coste. Hoy, las que hacen valer el tiempo humano invertido en validar son las más confiables: referencias y evaluaciones en las que supervisores, colegas y subordinados que conocen al candidato dedican atención. Esto debe ser algo más parecido al «feedback 360°» que al filtrado de CVs por palabras clave. El problema es que estos mecanismos no escalan fácilmente, pero esa fricción es, precisamente, su virtud epistémica.
