La base de datos de Lightcast abarca más de 2.500 millones de ofertas de empleo, 400 millones de perfiles profesionales y más de cien fuentes gubernamentales en más de 150 países (Lightcast, 2025). Casi todos los paneles de benchmarking salarial, las pantallas de talent intelligence y las vistas de «quién más está contratando este puesto» que abre tu equipo están construidos sobre esa capa de datos de ofertas de empleo extraídos de la web.
Un nuevo documento de trabajo del NBER emparejó las ofertas de Burning Glass, prácticamente universales, con la representativa Job Openings and Labor Turnover Survey y halló que las ofertas del establecimiento medio deben multiplicarse por 6,2 para coincidir con las vacantes reales — y que las medidas de concentración basadas en ofertas sobrestiman casi al triple lo escasos que son los empleadores que compiten por un mismo trabajador (Dalton, Kahn y Mueller, NBER, 2026).
Dos conclusiones, no una. El nivel y la ciclicidad de la demanda de competencias sobreviven intactos a la corrección. La lectura sobre el número de empleadores, no. Y la razón es que las empresas ausentes de los datos tienen el tamaño de la tuya.
Lo que vale realmente una oferta
El diseño importa aquí, porque es la primera vez que alguien tiene ambos lados del registro. Michael Dalton (BLS), Lisa Kahn y Andreas Mueller vincularon las ofertas de Burning Glass con JOLTS a nivel de establecimiento — los mismos establecimientos, los mismos meses — lo que permite medir la brecha entre lo que se publica en línea y las vacantes que realmente existen.
Descomponen esa brecha en tres piezas multiplicativas:
- El margen extensivo — si un establecimiento con una vacante la publica en línea o no. Aquí se concentró casi toda la mejora histórica y, al final del periodo, sigue en torno a 3.
- El margen intensivo — cuántas vacantes representa una oferta. Estable en torno a 2 en todo el periodo.
- Una cuota de ruido — ofertas que no corresponden a ninguna vacante en JOLTS. Estable alrededor de 0,6, lo que significa que aproximadamente el 40 por ciento de las ofertas proviene de establecimientos-mes sin ninguna vacante correspondiente en la encuesta.
En 2011-2019, la ventana que cubre la mayor parte de la investigación publicada con estos datos, el factor de ajuste agregado promedia 6,2. Era de unos 10 en 2011 y cayó a cerca de 4 en 2019. Las ofertas en línea se volvieron más representativas con el tiempo — los autores lo dicen explícitamente — pero nunca llegaron a ser un censo.
El hallazgo estructural es el que hay que retener: Burning Glass representa bien la distribución de las vacantes y mal la distribución de los empleadores que contratan. Los grandes empleadores publican la mayoría de las vacantes y están bien cubiertos. La mayoría de los empleadores, sin embargo, son pequeños y medianos, y no lo están.
La única lectura que los datos de ofertas de empleo fallan gravemente
La concentración del mercado laboral se mide con el índice de Herfindahl-Hirschman — la suma de los cuadrados de las cuotas de los empleadores en un mercado ocupacional local, donde 10.000 significa un único empleador y los valores más bajos indican más competencia por el mismo trabajador. Azar, Marinescu, Steinbaum y Taska usaron Burning Glass para mostrar que los mercados laborales locales de EE. UU. parecen sorprendentemente concentrados, con el índice típico por encima de 2.500 (Azar et al., Labour Economics, 2020) — un trabajo que desplazó el debate académico y antimonopolio hacia el poder de mercado de los empleadores.
Aplica el factor de ajuste y el cuadro cambia en más de la mitad (Dalton, Kahn y Mueller, NBER, 2026):
| Concentración de mercado, 2011-19 | Medida desde las ofertas | Corregida por representatividad |
|---|---|---|
| HHI medio (mercados ponderados por igual) | 6.289 | 2.327 |
| HHI mediano (mercados ponderados por igual) | 5.927 | 1.937 |
| Proporción de mercados «muy concentrados» | 80 % | 38 % |
| HHI medio (ponderado por empleo) | 2.666 | 1.133 |
| Proporción «muy concentrados» (ponderada por empleo) | 35 % | 13 % |
Son reducciones del 63 y del 57 por ciento respectivamente. Los umbrales son los estándar de las Horizontal Merger Guidelines del DOJ/FTC de 2010, donde por encima de 2.500 es altamente concentrado y 1.500-2.500 moderadamente concentrado (DOJ y FTC, 2010).
La pendiente es la forma más limpia de decirlo: un aumento de una unidad en la concentración medida desde las ofertas corresponde a un aumento de solo un tercio de unidad una vez corregida la composición. El HHI eleva al cuadrado las cuotas de mercado, lo que lo vuelve agudamente sensible a la larga cola de empleadores pequeños y medianos — exactamente la cola que no publica en línea. El resultado se sostiene al excluir establecimientos de menos de 10 empleados, al ponderar los mercados por empleo y al mantener constante el tamaño de mercado por cuartil.
Un Head of Operations que lee «somos uno de los pocos empleadores que contratan este puesto en esta área metropolitana» en un panel derivado de ofertas está leyendo una cifra unas tres veces demasiado concentrada.
Las empresas que faltan son las de 50 a 250 empleados
El gradiente de tamaño es la parte que debería tocar de cerca, porque no es monótono en la dirección que casi todo el mundo supone.
El factor de ajuste por tamaño de establecimiento es de alrededor de 6,0 para 2-9 empleados, 6,3 para 10-49, 7,7 para 50-249, 6,0 para 250-999 y 4,2 para 1.000-4.999, bajando a cerca de 3,6 en los establecimientos más grandes (Dalton, Kahn y Mueller, NBER, 2026). La banda intermedia necesita un factor de escala aproximadamente del doble que las más grandes. Los establecimientos peor representados de toda la distribución de tamaños no son los más pequeños. Son los de 50 a 250 empleados.
La razón es mecánica más que misteriosa. Los establecimientos más pequeños publican en línea con menos frecuencia, pero una parte importante de las ofertas que producen no corresponde a ninguna vacante de JOLTS, de modo que los dos errores se compensan en parte. Los establecimientos medianos no tienen ninguna compensación de ese tipo.
Otros dos gradientes son aún más pronunciados y agravan el problema:
- Salarios. El quintil de establecimientos que paga menos tiene un factor de ajuste de 17,5; el que paga más, 2,4. Una brecha de alrededor de seis veces.
- Urbanidad. Las áreas no-core requieren un factor de cerca de 15,9 frente a 4,4 de las grandes áreas metropolitanas centrales — un gradiente de 3,5 veces que resiste los controles por nivel de competencias local y salud económica del territorio.
Si eres un empleador de 150 FTE, que paga a mercado y no en la parte alta del mercado, fuera de un gran área metropolitana, estás en la intersección de los tres. Eres casi invisible en el conjunto de datos sobre el que se construyen los benchmarks salariales de tus competidores — y también lo son los empleadores a los que realmente estás perdiendo candidatos.
Lo que sobrevive, y por qué eso también importa
No es un documento que invalide los datos de ofertas, y leerlo así sería un error en sí mismo.
Dado que los grandes establecimientos generan la mayoría de las vacantes y están bien representados, el nivel y la ciclicidad de la demanda de competencias se sostienen tras la reponderación (Dalton, Kahn y Mueller, NBER, 2026). Los requisitos de competencias medidos bajan de forma modesta, no sustancial. Los autores también replican el hallazgo de Hershbein y Kahn de que los requisitos de competencias vinculados a la automatización aumentaron después de la Gran Recesión, y sobrevive al ajuste a pesar de estar anclado en 2007, cuando la representatividad cambiaba más rápido.
Las clasificaciones también sobreviven. En una comparación rango-rango entre mercados, la pendiente entre los percentiles de concentración basada en ofertas y la corregida es de 0,9 — y de 1,0 cuando los mercados se ponderan por empleo. Los datos de ofertas te dicen de forma fiable qué mercados están más concentrados que otros. Te dicen de forma no fiable cuán concentrado está cada uno.
Esa distinción es toda la carga operativa. Tendencia y ordenación: utilizables. Nivel: no sin corrección.
Los límites, dichos con honestidad
Cuatro, planteados con claridad.
Es un documento de trabajo. Los documentos de trabajo del NBER circulan antes de la revisión por pares, y los autores lo indican en la portada. El resultado sobre el HHI es robusto en todas las comprobaciones que realizaron, pero aún no ha pasado por una revista.
La ventana es 2011-2019. La representatividad seguía mejorando en ese periodo y el factor de ajuste había caído a cerca de 4 en 2019. Nadie ha medido cuánto es hoy. Las ofertas remotas posteriores a 2020, los anuncios redactados con IA y la consolidación de los agregadores lo han movido plausiblemente — en direcciones desconocidas.
Establecimiento no es empresa. El análisis es a nivel de establecimiento. Si tu pregunta competitiva es sobre empleadores con muchos centros, la correspondencia con tu situación es más laxa de lo que sugiere el titular.
La mayoría de los trabajadores nunca estuvo en mercados muy concentrados. Al ponderar por empleo, la concentración es sustancialmente menor incluso antes del ajuste, en línea con hallazgos previos sobre poder de mercado laboral. La sobrestimación al triple es real; lo que se sobrestimaba era más pequeño de lo que implicaban las estadísticas sin ponderar.
También merece mencionarse: el desajuste entre ofertas y vacantes de encuesta es grande en ambas direcciones — muchas vacantes sin ofertas, muchas ofertas sin vacantes. Los autores lo atribuyen a error de medición y a brechas de definición concentradas en empresas pequeñas, no a una señal limpia con un sesgo conocido.
Qué cambiar antes de que cierre tu próxima banda salarial
Cuatro movimientos, ninguno de los cuales requiere comprar un producto de datos distinto.
- Degrada toda lectura de «número de empleadores» y «concentración» a meramente direccional. Si un panel te dice cuántos empleadores compiten por un puesto, trata el nivel como inutilizable y el orden como utilizable. Compara esta área metropolitana con aquella; no fijes precio sobre el absoluto.
- Deja de permitir que las lecturas de concentración justifiquen una banda más baja. «No hay muchos otros empleadores para este puesto aquí» es la conclusión inflada, y es la que con más probabilidad está financiando en silencio una oferta por debajo de mercado — y una contraoferta perdida que registrarás como un problema de calidad de candidatos.
- Reconstruye tu verdadero conjunto de competidores desde la realidad local. Los destinos recogidos en entrevistas de salida, los motivos de rechazo de oferta y las empresas citadas en las trayectorias de tus propios candidatos harán aparecer empleadores medianos que ningún feed extraído de la web contiene.
- Sigue usando los datos de ofertas de empleo para lo que sí miden. Qué competencias aparecen en los requisitos, y a qué velocidad — ese es el hallazgo que el ajuste dejó en pie. Apunta la herramienta a la demanda de competencias, no a la estructura del mercado.
La disciplina de fondo es saber qué parte de una cifra soporta el peso y qué parte es un artefacto de cómo se recogió. Es la misma razón por la que el modelo de scoring de Scovai separa la mitad calculada aritméticamente a partir de los requisitos declarados del puesto — cobertura de competencias ponderada por criticidad, ajuste de seniority, realismo retributivo — de la mitad devuelta como juicio del modelo, etiquetada como tal, en lugar de publicar una única cifra mezclada. Una cifra que no puedes descomponer es una cifra que no puedes auditar.
Abre la última banda salarial que aprobaste. Encuentra la frase que la justificaba con lo pocos que eran los otros empleadores contratando ese puesto. Esa frase está soportando tres veces más peso del que los datos que hay detrás pueden sostener.
