¿Reemplazará la IA a los economistas? Los resúmenes de IPC, PIB y empleo ya se automatizan; explicar por qué reaccionó el mercado, no.
La necesidad de economistas no va a desaparecer. Al contrario, cuanto más fácil sea generar resúmenes rutinarios, más se juzgará a la profesión por la calidad de su interpretación.
Los economistas interpretan el entorno macroeconómico —el crecimiento, la inflación, los tipos de interés, el empleo y los tipos de cambio— y lo traducen a formas que las empresas y los inversores pueden usar para tomar decisiones. Hacen algo más que presentar estadísticas: conectan múltiples indicadores y explican cómo es probable que los cambios actuales afecten a los mercados y a los resultados empresariales.
A medida que mejore la IA, resumir estadísticas, redactar informes periódicos y comparar datos históricos será mucho más eficiente. Pero decidir qué indicadores importan más, interpretar los cambios estructurales que hay detrás de las cifras y comparar escenarios contrapuestos probablemente seguirá siendo trabajo humano. De hecho, las diferencias de interpretación pueden hacerse aún más visibles.
Calculado por ai-job-risk.net a partir de cuatro conjuntos de datos públicos, en una escala de 0–100 relativa a las 188 profesiones que analizamos. Una cifra más alta significa que una mayor parte de las tareas del empleo son del tipo que la IA generativa puede hacer o para el que ya se usa. No es la probabilidad de perder el empleo.
Análisis de tareas realizado por investigadores (Eloundou et al.; OIT). Se muestra como percentil entre todas las profesiones que evalúan.
Uso observado de Microsoft Copilot y Anthropic Claude en las tareas de esta profesión. Se muestra como percentil entre todas las profesiones que evalúan.
La BLS no indica ningún factor específico para esta ocupación, así que la proyección sigue sobre todo el crecimiento o la contracción de los sectores que la emplean.
Cifras de EE. UU. para la profesión del BLS «Economists». Las proyecciones del BLS suponen que la tecnología sigue avanzando a su ritmo histórico; no son un pronóstico del efecto de la IA por sí sola.
Fuentes
Índice de exposición calculado por ai-job-risk.net a partir de los conjuntos de datos siguientes (datos a 15 de octubre de 2026). Las cifras laborales de EE. UU. proceden del BLS, sin cambios.
Los editores de los datos no han elaborado, revisado ni respaldado este sitio. Citas completas, licencias y método
Al pensar en el riesgo que supone la IA para los economistas, la pregunta clave es si se ve el trabajo como resumir estadísticas o como formarse una visión de la economía. La IA generativa ya puede resumir muy bien publicaciones como el IPC, el PIB o los datos de empleo. Pero entender por qué esta vez el mercado reaccionó de forma distinta ante el mismo tipo de cifra, qué se parece al pasado y qué no, y cómo se propagarán los efectos entre distintos sectores sigue dependiendo en gran medida del razonamiento humano.
A medida que este trabajo evolucione, los economistas serán valorados menos por difundir información con rapidez y más por producir interpretaciones capaces de respaldar decisiones reales. Cuanto más asuma la IA los resúmenes estandarizados, más importante será decidir qué hipótesis utilizar, qué incertidumbres dejar abiertas y hasta qué punto hacer afirmaciones categóricas. Dicho de otro modo, los economistas centrados en procesos se enfrentarán a más presión, mientras que los que saben leer la estructura tienen más probabilidades de seguir siendo valiosos.
Incluso en economía, las tareas más expuestas a la IA son las que recopilan datos rutinarios y los encajan en formatos estándar. El trabajo que compite principalmente por la rapidez de publicación será cada vez más difícil de diferenciar.
La IA generativa encaja muy bien con la tarea de extraer las cifras clave de publicaciones como los datos de empleo o los índices de inflación y resumir brevemente la variación respecto al período anterior o a las expectativas del mercado. Es posible que el valor de una cobertura rápida se mantenga, pero los puestos centrados solo en producir resúmenes en masa perderán peso.
Los informes de perspectivas semanales o mensuales suelen seguir estructuras similares, y la IA puede mejorar mucho la eficiencia al redactarlos. Dar formato al lenguaje y reutilizar expresiones habituales son tareas que la IA hace bien, lo que reduce la necesidad de que una persona escriba esos informes desde cero.
Las herramientas de análisis y el apoyo de la IA permiten construir rápidamente tablas con tendencias plurianuales, correlaciones o comparaciones internacionales. El valor de crear la comparación en sí disminuirá, mientras que aumentará la importancia de interpretar lo que significa.
Las listas de escenarios de manual, como qué ocurre si el crecimiento se desacelera o si se recortan los tipos, pueden producirse fácilmente con IA. Limitarse a alinear opiniones que cualquiera podría formular ya no generará mucho valor profesional.
El núcleo de la economía no es ordenar cifras, sino formarse una visión de lo que ocurre detrás de ellas. Leer las contradicciones entre indicadores o juzgar si las reacciones del mercado son excesivas sigue siendo difícil de sustituir solo con resúmenes automatizados.
Incluso en el mismo entorno macroeconómico, el indicador más importante puede pasar de los salarios a los precios de los servicios, la inversión en bienes de equipo o la confianza de los hogares. Decidir qué señal es fundamental y cuál es simple ruido requiere experiencia y un pensamiento basado en hipótesis.
Los cambios en los datos pueden reflejar subvenciones, cambios regulatorios, el comportamiento de las empresas o cambios en la psicología de los consumidores. Si solo se miran las cifras en bruto, es más probable que las conclusiones no den en el blanco. Cuanto mejor sabe alguien leer la estructura de fondo, más convincentes resultan sus perspectivas.
Una misma visión macroeconómica significa cosas distintas para los directivos, los inversores y los equipos comerciales. Es probable que la función de traducir una visión económica en implicaciones relevantes para las decisiones de un público concreto siga siendo una fortaleza humana.
El trabajo de un economista no consiste solo en acertar. También consiste en explicar qué supuestos fallaron cuando una previsión no se cumple. La capacidad de organizar el rango y el grado de confianza de los escenarios y presentarlos de manera que el lector pueda decidir cómo posicionarse seguirá siendo importante.
Para los economistas, el valor a largo plazo dependerá menos de resumir bien y más de construir hipótesis y traducirlas con eficacia. La clave está en usar las herramientas para agilizar la recopilación de información y dedicar más tiempo al tipo de juicio que solo pueden aportar las personas.
Los economistas necesitan ver no cifras aisladas, sino las relaciones entre el empleo, los salarios, los precios, los tipos de interés y los beneficios empresariales. Las personas capaces de construir por sí mismas un relato causal, y no solo de consumir materiales estructurados por la IA, tendrán más valor en el mercado.
No basta con seguir solo la política de los bancos centrales y de los gobiernos. El valor práctico del análisis macroeconómico aumenta cuando también se sabe leer el comportamiento de las empresas en materia de precios, sus planes de inversión y sus ajustes de plantilla. La capacidad de conectar las instituciones con el comportamiento real de las empresas importará todavía más con el tiempo.
Incluso un análisis económico profundo tiene un valor limitado si no lo entiende quien lo va a usar. Los economistas capaces de adaptar su enfoque a directivos, inversores y equipos operativos tienen más probabilidades de seguir siendo valiosos como especialistas.
El enfoque adecuado es dejar que la IA se encargue de la agregación periódica y del formato de los documentos, y usar el tiempo ahorrado para contrastar hipótesis. Las personas que usan las herramientas tanto para ganar eficiencia como para profundizar en el análisis saldrán fortalecidas.
La experiencia como economista puede trasladarse mucho más allá de la previsión económica pura. Esto es especialmente cierto para quienes no solo han resumido cifras, sino que también las han traducido en implicaciones para la toma de decisiones.
La experiencia en leer las condiciones macroeconómicas y traducir el significado de las cifras en implicaciones de inversión o de gestión se traslada de forma natural al análisis de empresas y mercados. Este camino encaja con quienes quieren pasar de una visión de la economía en su conjunto a un juicio más específico sobre cada empresa.
Índice de exposición 91/100 · Empleo en EE. UU. 2025–35 +7,2%
La capacidad de conectar múltiples datos y leer las razones estructurales que hay detrás de los cambios también es valiosa en la investigación de mercados y el análisis de la demanda. Es una opción sólida para quienes quieren aplicar el pensamiento macroeconómico a un trabajo más cercano a los clientes y a los sectores.
Índice de exposición 94/100 · Empleo en EE. UU. 2025–35 +7,0%
La experiencia en encontrar el verdadero problema dentro de un conjunto de cifras y organizar los puntos clave para la toma de decisiones también se aplica a la mejora de procesos de negocio y al análisis de requisitos. Encaja con quienes quieren llevar el pensamiento económico al apoyo a las decisiones operativas.
Índice de exposición 88/100 · Empleo en EE. UU. 2025–35 +10,1%
La experiencia en leer estadísticas, formular hipótesis y traducirlas en implicaciones significativas también genera valor en el análisis de datos empresariales. Este camino encaja con quienes quieren pasar de los indicadores macroeconómicos a interpretar los datos internos de una empresa.
Índice de exposición 95/100 · Empleo en EE. UU. 2025–35 +34,6%
La experiencia en leer los cambios de política a largo plazo y las transformaciones estructurales de los sectores también es útil en el asesoramiento sobre descarbonización y regulación. Tiene sentido para quienes quieren conectar las grandes tendencias sociales con el apoyo a la estrategia empresarial.
Índice de exposición 80/100 · Empleo en EE. UU. 2025–35 +3,9%
La necesidad de economistas no va a desaparecer. Al contrario, cuanto más fácil sea generar resúmenes rutinarios, más se juzgará a la profesión por la calidad de su interpretación. Los puestos que se limitan a alinear cifras se enfrentarán a más presión, pero las personas capaces de leer los cambios estructurales, organizar múltiples escenarios y traducirlos en implicaciones significativas para quienes toman decisiones seguirán siendo necesarias. En los próximos años, la verdadera fortaleza que conviene desarrollar no es redactar actualizaciones económicas con rapidez, sino explicar la lógica de la propia economía.
Estas profesiones pertenecen al mismo sector que Economista. No son el mismo trabajo, pero ayudan a comparar mejor la exposición a la IA y la cercanía entre trayectorias.
Economista obtiene 92 sobre 100 en nuestro índice de exposición a la IA generativa (puesto 25 de 188). Eso mide qué parte del trabajo puede hacer la IA o para qué parte se usa, no si el empleo va a desaparecer. La BLS prevé que el empleo de Economista en EE. UU. cambie un +4,7% entre 2025 y 2035.
Incluso en economía, las tareas más expuestas a la IA son las que recopilan datos rutinarios y los encajan en formatos estándar. El trabajo que compite principalmente por la rapidez de publicación será cada vez más difícil de diferenciar. Por ejemplo: Resúmenes rápidos de publicaciones estadísticas; Primeros borradores de informes periódicos; Elaboración de tablas comparativas históricas; Enumerar patrones genéricos de escenarios.
El núcleo de la economía no es ordenar cifras, sino formarse una visión de lo que ocurre detrás de ellas. Leer las contradicciones entre indicadores o juzgar si las reacciones del mercado son excesivas sigue siendo difícil de sustituir solo con resúmenes automatizados. Por ejemplo: Priorizar indicadores y leer la estructura subyacente; Interpretar las políticas y los comportamientos detrás de las cifras; Traducir una misma perspectiva en implicaciones distintas para cada lector; Explicar la incertidumbre de forma que siga sirviendo para decidir.
Para los economistas, el valor a largo plazo dependerá menos de resumir bien y más de construir hipótesis y traducirlas con eficacia. La clave está en usar las herramientas para agilizar la recopilación de información y dedicar más tiempo al tipo de juicio que solo pueden aportar las personas. Por ejemplo: Capacidad de formular hipótesis a partir de múltiples indicadores; Capacidad de leer a la vez las políticas y el comportamiento empresarial; Explicar implicaciones distintas a públicos distintos; Diseñar el análisis en torno a la IA y las herramientas de datos.
