En la lección anterior aprendimos a auditar nuestros propios modelos: sesgo, explicabilidad, privacidad, contenido sintético. Pero el equipo de TecnoMarket no opera en el vacío. Cada modelo que despliega participa de una transformación mucho mayor: el deep learning está cambiando qué trabajos existen, quién puede permitirse esta tecnología, cómo funcionan sectores enteros y cuánta energía consume la industria digital. Esta lección hace zoom out: del modelo individual a la sociedad y la economía. No para filosofar en abstracto, sino porque un profesional de deep learning toma mejores decisiones —y responde mejor en una entrevista, en un comité de dirección o ante un periodista— cuando entiende el contexto en el que trabaja.

1. Transformación del empleo: tareas, no puestos
2. El caso TecnoMarket: qué automatizan sus modelos y qué crean
3. Reskilling: la respuesta razonable
4. Concentración vs. democratización del deep learning
5. Impacto por sectores: beneficios y riesgos
6. La brecha digital y el acceso desigual
7. El coste ambiental del deep learning
8. La responsabilidad del profesional individual

El debate público suele plantearse mal: "¿la IA destruirá X millones de empleos?". El marco que usan los economistas es más útil: la automatización opera sobre tareas, no sobre puestos. Un puesto de trabajo es un paquete de tareas; el deep learning automatiza algunas de ellas —normalmente las repetitivas y perceptivas— y deja las demás. Esto produce tres escenarios distintos:

• Aumento: el modelo hace la parte mecánica y la persona hace más de lo demás (criterio, trato, excepciones). El puesto cambia, no desaparece. Es el escenario más frecuente.
• Sustitución parcial: si el modelo automatiza la mayoría de las tareas de un puesto, se necesitan menos personas para el mismo volumen. El puesto no desaparece, pero encoge.
• Sustitución completa: rara en la práctica, ocurre cuando el puesto era esencialmente una única tarea automatizable.

A la vez, la automatización crea tareas nuevas que antes no existían: preparar datos, etiquetar, supervisar modelos, revisar sus salidas, mantener la infraestructura. La historia de la tecnología repite este patrón (los cajeros automáticos redujeron tareas de caja pero los bancos abrieron más oficinas con empleados haciendo otras cosas); lo que no garantiza nadie es que las personas desplazadas de las tareas viejas sean las mismas que ocupen las nuevas, ni que la transición sea indolora. Ahí está el problema real: no en el saldo neto de empleos, sino en la transición y en quién la paga.

Apliquemos el marco tarea-a-tarea a nuestro propio portfolio. Esta tabla es el ejercicio que cualquier empresa debería hacer antes de hablar de "ahorro de personal":

Tres observaciones honestas sobre la tabla:

1. Ningún puesto de TecnoMarket desaparece entero, pero varios encogen: si el generador redacta el 80 % de los borradores, quizá hagan falta 2 redactores donde había 4.
2. Los roles nuevos no son simétricos a los viejos: "etiquetador de datos" suele estar peor pagado que "redactor"; "ingeniero de ML" mejor. La automatización tiende a polarizar: crece lo muy cualificado y lo poco cualificado, y se estrecha el medio.
3. La cola de revisión humana no es un residuo: es un rol nuevo con criterio propio (03-04, 07-02, 07-03). Diseñarlo bien —volumen razonable, herramientas, capacidad de corregir al modelo— es diseño de puestos de trabajo, no solo de software.

Si el problema es la transición, la herramienta principal es la recualificación (reskilling) y su prima menor, el upskilling (profundizar en el propio rol con nuevas herramientas). Qué sabemos de lo que funciona:

• Reciclar desde el conocimiento del dominio: el mejor revisor de la cola de fraude es alguien del equipo antifraude, no un recién llegado. El conocimiento del negocio no se automatiza; conviene construir los roles nuevos sobre él.
• Formación con práctica real, no solo cursos: etiquetar datos reales, revisar salidas reales del modelo. (Este curso ha seguido esa filosofía: cada concepto aterrizó en un proyecto.)
• Anticipación: reciclar a la gente antes de desplegar el modelo que cambia su trabajo, no después. En TecnoMarket, los redactores deberían formarse como editores de contenido IA mientras el generador de 07-02 está aún en pruebas.
• Responsabilidad compartida: empresas (formar a su plantilla en vez de rotar personas), administraciones (formación pública, redes de seguridad) e individuos (asumir que la formación continua ya no es opcional en carreras técnicas... como demuestra que estés haciendo este curso).

Hay una tensión económica central en el campo, y TecnoMarket la ha vivido en primera persona:

Fuerzas de concentración. Entrenar un modelo fundacional puntero (los LLMs de 05-05) cuesta decenas o cientos de millones de euros en computación, además de datos a escala de internet y talento escasísimo. Eso solo está al alcance de un puñado de grandes tecnológicas y laboratorios. Quien controla los mejores modelos, los chips y la nube captura una parte creciente del valor: riesgo de oligopolio tecnológico.

Fuerzas de democratización. A la vez, nunca fue tan barato usar deep learning de primer nivel:

• Transfer learning (05-03): TecnoMarket batió a su propia CNN con MobileNetV2 afinado (07-05, ~91 % frente a ~82-85 %) en una tarde y con una GPU modesta. No entrenó desde cero: se subió a hombros de un modelo preentrenado por otros.
• Modelos y pesos abiertos: arquitecturas, pesos preentrenados y bibliotecas (TensorFlow, PyTorch, módulo 6) publicados gratuitamente.
• APIs: acceder a un LLM puntero cuesta céntimos por consulta, sin infraestructura propia.
• Formación abierta: el conocimiento del campo está en papers, cursos y documentación pública.

La síntesis honesta: el uso se democratiza; la creación de modelos de frontera se concentra. Un equipo pequeño como TecnoMarket puede construir productos excelentes (lo hemos demostrado durante siete módulos), pero depende estructuralmente de modelos base, nubes y herramientas que producen unos pocos actores. Esa dependencia es una decisión estratégica que las empresas deben tomar con los ojos abiertos: ¿qué pasa con mi producto si el proveedor del modelo sube precios, cambia condiciones o discontinúa la API?

El deep learning no impacta igual en todas partes. Una panorámica de cuatro sectores, con la honestidad de poner riesgos junto a beneficios:

El patrón transversal: los beneficios son de escala y acceso (hacer llegar capacidades caras a más gente) y los riesgos son de calidad, equidad y poder (quién sufre los errores, quién queda fuera, quién controla la herramienta).

La transformación anterior no se reparte uniformemente:

• Entre países: la investigación, los chips y los centros de datos se concentran en pocas regiones; muchos países participan solo como consumidores de tecnología (y a veces como proveedores de etiquetado barato: gran parte del etiquetado de datos mundial se hace en países de renta baja con condiciones laborales discutibles — los datasets "mágicos" del curso los etiquetaron personas).
• Entre empresas: una gran plataforma tiene datos, talento e infraestructura; el pequeño comercio de barrio compite contra la personalización de TecnoMarket sin poder replicarla.
• Entre personas: el acceso a la formación (idioma inglés, conexión, tiempo) determina quién ocupa los roles nuevos bien pagados de la tabla anterior. Los modelos, además, funcionan mejor en las lenguas y culturas mayoritarias de sus datos: un LLM entiende peor las lenguas minorizadas, lo que refuerza la ventaja de quien ya la tenía.

Para el profesional, la implicación práctica es doble: ser consciente de a quién deja fuera su producto (¿la web de TecnoMarket con IA funciona para clientes mayores, con poca banda ancha, en otras lenguas?) y valorar el efecto democratizador real de las herramientas abiertas que él mismo usa.

Entrenar y servir modelos consume energía, y conviene manejar órdenes de magnitud honestos en lugar de titulares alarmistas o negacionismo:

• Entrenamiento: entrenar un modelo fundacional grande consume del orden de gigavatios-hora — comparable al consumo anual de cientos o miles de hogares — y ocurre pocas veces. Entrenar los modelos de TecnoMarket (horas de una GPU) consume del orden de lo que una casa gasta en un día o dos: la escala lo es todo.
• Inferencia: es el coste silencioso. Una consulta individual consume poco (del orden de milésimas de kWh en modelos grandes), pero multiplicada por miles de millones de consultas diarias, la inferencia agregada supera al entrenamiento en el total del sector. Para TecnoMarket: el clasificador se entrena una vez al mes, pero clasifica fotos todo el día, todos los días.
• El contexto: los centros de datos (todos, no solo IA) rondan una fracción de pocos puntos porcentuales de la electricidad mundial, con la IA como componente de crecimiento más rápido. Ni "la IA va a fundir el planeta" ni "es despreciable": es un coste real, creciente y gestionable.

La buena noticia es que la eficiencia ya es una tendencia técnica dominante, y el curso la ha practicado sin llamarla así:

• Arquitecturas eficientes: elegimos MobileNetV2 en 07-05 precisamente porque está diseñada para hacer más con menos cómputo.
• Transfer learning (05-03): reutilizar un preentrenamiento existente evita repetir su coste energético miles de veces.
• Cuantización y compresión (mencionadas en 06-05 al desplegar): pesos en menos bits ⇒ menos energía por inferencia.
• Decisiones operativas: no reentrenar sin necesidad (que lo decida la monitorización de deriva de 06-05, no el calendario), dimensionar el modelo al problema (el baseline de 04-04 a veces basta), y elegir proveedores de nube con energía renovable.

¿Qué puede hacer una sola persona ante fuerzas de esta escala? Más de lo que parece, porque las decisiones macro se ejecutan en decisiones micro que alguien como tú toma cada semana:

• Elegir el modelo proporcional al problema (¿de verdad hace falta un modelo gigante para esto?): decisión económica, ambiental y de mantenibilidad a la vez.
• Diseñar los roles humanos con dignidad: una cola de revisión bien diseñada (volumen humano, herramientas, autoridad para corregir) es una decisión tuya de diseño, no de recursos humanos.
• Hacer la tabla tarea-a-tarea antes de prometer ahorros: da a la dirección una imagen realista de qué se automatiza y qué roles nuevos hay que crear y formar.
• Documentar dependencias: qué modelos base, APIs y nubes sostienen el producto, y qué plan B existe.
• Informar honestamente: ni vender magia ("la IA lo resolverá") ni sembrar pánico; los números de esta lección son un buen antídoto contra ambos.
• Usar tu posición: los profesionales técnicos escasean; eso da margen real para negarse a construir lo que no pasa la checklist de 08-01 y para elevar los problemas de esta lección a quien decide.

• Pensar en "puestos destruidos" en vez de "tareas transformadas". Conduce a parálisis o a promesas falsas. La tabla tarea-a-tarea de TecnoMarket es el ejercicio correcto y puedes replicarla en cualquier organización.
• Ignorar los roles nuevos al calcular el "ahorro". El coste del etiquetado, la revisión humana y el mantenimiento del modelo (lo veremos más en 08-04) reduce mucho el ahorro neto aparente. Presentar solo la mitad de la ecuación acaba en proyectos fallidos y despidos injustificados.
• Confundir "usar IA barata" con "no depender de nadie". El transfer learning y las APIs democratizan el uso, pero crean dependencia estructural del proveedor. Documenta siempre el plan B.
• Citar cifras ambientales sin distinguir entrenamiento de inferencia. Son regímenes distintos: el entrenamiento es puntual y enorme; la inferencia es diminuta y constante. En un producto en producción, la inferencia suele dominar.
• Consejo: cuando te pidan opinión sobre "el impacto de la IA", baja siempre a un caso concreto (un puesto, un sector, un modelo). Las discusiones abstractas no se pueden resolver; las concretas sí.
• Consejo: guarda la tabla de sectores y la tarea-a-tarea como plantillas. Son de los pocos artefactos de esta lección directamente reutilizables en un comité de dirección.

La dirección de TecnoMarket propone: "con el generador de descripciones y el clasificador, podemos reducir el equipo de catálogo de 6 a 2 personas y ahorrar 160 000 €/año". Te piden informe. Usando el marco tarea-a-tarea y la tabla del portfolio: (a) descompón el trabajo del equipo de catálogo en tareas y clasifícalas (automatizada / aumentada / no automatizable); (b) identifica los costes nuevos que la propuesta omite; (c) formula una contrapropuesta realista con número de personas y roles.

TecnoMarket estudia sustituir su generador de descripciones propio (07-02) por la API de un LLM comercial: calidad muy superior, coste de ~0,002 € por descripción, cero mantenimiento propio. Analiza la decisión con los marcos de esta lección: beneficios, riesgos de concentración/dependencia, impacto en los roles internos y coste ambiental relativo. ¿Qué condiciones pondrías para aprobar el cambio?

El equipo debate dos políticas de reentrenamiento del clasificador de fotos: (A) reentrenar cada noche "para estar siempre al día"; (B) reentrenar solo cuando la monitorización de deriva de 06-05 supere un umbral, con un mínimo trimestral. Compara ambas en coste energético/económico, riesgo de degradación del modelo y carga de trabajo del equipo, y elige justificadamente.

Solución 1. (a) Tareas típicas del equipo de catálogo: categorizar fotos (automatizada por 07-05, con cola de revisión para dudosos), redactar descripciones (aumentada: el generador de 07-02 hace borradores, la persona edita y verifica — la revisión es obligatoria según nuestra propia política), verificar veracidad de fichas (no automatizable: el generador puede inventar características), gestionar la taxonomía de categorías (no automatizable), atender a vendedores con productos mal clasificados (no automatizable), control de calidad global (aumentada). (b) Costes omitidos: revisores de la cola humana (el volumen de fotos caseras de 08-01 la llena), etiquetado periódico para reentrenos, edición de todos los borradores generados, mantenimiento y auditoría de los dos modelos, y el coste de transición (formación). Además, el riesgo reputacional de publicar descripciones inventadas sin revisar tiene coste esperado no nulo. (c) Contrapropuesta razonable: de 6 a 4 personas, con roles redefinidos: 2 editores-revisores de contenido IA (antiguos redactores, formados antes del despliegue), 1 responsable de taxonomía y calidad que además audita sesgo por subgrupos (08-01), 1 gestor de vendedores que atiende los casos de la cola. Ahorro menor que el prometido (~80 000 €/año) pero sostenible, sin riesgo de catálogo inventado y con la transición pagada con reskilling interno, no con despidos y contrataciones externas.

Solución 2. Beneficios: calidad superior inmediata, cero mantenimiento del modelo propio, coste marginal bajísimo (a 0,002 €, incluso 1 millón de descripciones/año son 2 000 €, muy por debajo del coste de mantener el modelo propio). Riesgos de dependencia: el proveedor puede subir precios, cambiar términos, degradar el modelo o discontinuarlo; las descripciones (datos de producto, quizá datos de clientes en los prompts) salen a un tercero — revisar con legal (08-01, punto 9 de la checklist); dependencia difícil de revertir una vez desmantelado el conocimiento interno. Roles internos: el editor-revisor sigue siendo necesario (el LLM también inventa); el conocimiento de ML del equipo se atrofia si se externaliza todo — conviene mantener el modelo propio como fallback documentado. Ambiental: la inferencia en un LLM grande consume más por consulta que el modelo pequeño propio, pero se evita el reentrenamiento propio; a este volumen, la diferencia es menor frente al resto de factores. Condiciones razonables: contrato con garantías de precio y versión; prohibición de enviar datos personales en los prompts; mantener el generador propio como plan B; revisión humana intacta; métricas comparativas (calidad y coste) evaluadas a los 3 meses sobre un conjunto congelado, como en 06-05.

Solución 3. Política A: coste energético y económico ~90 reentrenos/trimestre frente a ~1-3 de la política B (dos órdenes de magnitud más), sin beneficio proporcional: los datos de catálogo no cambian tan rápido, y cada reentreno introduce riesgo de regresión (hay que revalidar sobre el conjunto congelado y re-auditar sesgo por subgrupos cada vez, 08-01 — con reentrenos diarios, esa auditoría se saltará en la práctica, que es el verdadero peligro). Política B: alinea el gasto con la necesidad real medida (la deriva de 06-05 es exactamente la señal diseñada para esto), mantiene las auditorías viables y deja el mínimo trimestral como red de seguridad contra derivas lentas que el umbral no capte. Elección: B, con una mejora: revisar el umbral de deriva tras el primer trimestre. La lección general: "siempre al día" suena a rigor pero aquí es despilfarro energético y de equipo sin ganancia medible; el rigor real es reentrenar cuando los datos lo piden.

Hemos situado el trabajo de TecnoMarket en su contexto real: la automatización opera tarea a tarea —y la tabla del portfolio muestra que crea revisores, etiquetadores e ingenieros a la vez que encoge otros roles—, la respuesta sensata a la transición es el reskilling anticipado, el campo vive la tensión entre concentración (crear modelos de frontera) y democratización (usarlos, como hicimos con transfer learning en 05-03/07-05), cada sector recibe beneficios de escala junto a riesgos de equidad, la brecha digital decide quién participa, y el coste ambiental es real pero gestionable con la eficiencia que ya practicamos. Y sobre todo: las fuerzas macro se ejecutan en decisiones micro que toma gente como tú. Con la dimensión ética (08-01) y la social (esta lección) cubiertas, toca mirar hacia delante: ¿hacia dónde va técnicamente el deep learning y qué significan esas tendencias para un equipo como el de TecnoMarket? Ese es el tema de la próxima lección: las tendencias futuras del campo.