Entre noviembre de 2022 y septiembre de 2025, la tasa de recolocación del segmento más firmemente vinculado al mercado laboral estadounidense cayó 13 puntos porcentuales. Para el segmento de alta rotación, el que normalmente absorbe los shocks cíclicos, cayó 2 (Federal Reserve Bank of Richmond, 2026). Esa brecha no tiene precedente en los datos que las autoras examinaron: ni en la Gran Recesión ni en ninguna expansión. Y las caídas más pronunciadas desde 2023 se concentran en el cuartil ocupacional más expuesto a la IA: programadores, analistas financieros, ingenieros.
Si tu plan de plantilla para 2026 asume que la parte frágil es el pipeline de entrada y que tu banquillo de experimentados es reemplazable a precio de mercado, el plan descansa sobre una premisa invertida.
El desplome del nivel de entrada es real. Pero no es ahí donde está el daño.
El Economic Brief 26-26, publicado el 12 de agosto por Katarína Borovičková y Claudia Macaluso, hace algo que la mayor parte del comentario laboral se salta: desagrega. El aumento reciente del desempleo, ya lo habían establecido las autoras, es casi enteramente una historia de salidas: la gente no pierde el empleo a un ritmo anómalo, no logra encontrar uno nuevo. La pregunta abierta era qué personas.
El primer corte es el familiar. La Current Population Survey separa a quienes perdieron el empleo, quienes lo dejaron y quienes entran al mercado. La narrativa dominante de los últimos dos años —que la IA está cerrando el primer peldaño de la escalera profesional— predice que los entrantes se llevan la peor parte. Los datos dicen otra cosa. La tasa de recolocación de los nuevos entrantes ha caído, pero las autoras describen ese descenso como modesto frente a las caídas entre quienes perdieron o dejaron el empleo, y apartan explícitamente a los entrantes del resto del análisis (Richmond Fed, 2026).
Es un hallazgo acotado y conviene enunciarlo con precisión: no significa que la contratación de perfiles júnior esté sana. Significa que los entrantes no son el margen que explica el desplome agregado. La acción está en otro sitio.
Vinculación, no antigüedad: qué mide realmente el "tipo primario"
El segundo corte es el que debería cambiar cómo lees tu propio panel de rotación.
Las autoras aplican un marco de tipos latentes tomado de "The Dual U.S. Labor Market Uncovered", de Hie Joo Ahn, Bart Hobijn y Ayşegül Şahin (NBER, 2023), que ordena a los trabajadores según su grado de vinculación al mercado laboral y no según ninguna credencial observable:
- Tipo primario — cerca del 55 % de la población, casi siempre empleado, estable y de larga permanencia
- Tipo secundario — cerca del 14 %, fuertemente vinculado pero desempleado con más frecuencia
- Tipo terciario — cerca del 31 %, débilmente vinculado, a menudo fuera de la población activa
En cualquier ciclo ordinario, es el tipo secundario el que carga con el ajuste. Representa el grueso del desempleo prácticamente en todos los años de la serie, pese a ser la porción menor de la población. Las recesiones golpean con más fuerza al tipo primario en términos de tasa —en la Gran Recesión su recolocación cayó 19 puntos de pico a valle frente a 10 del secundario—, pero la proporción se mantuvo dentro de límites reconocibles.
El episodio actual rompió esa proporción. Trece puntos contra dos. Las personas que casi nunca necesitan buscar trabajo son hoy las que no lo encuentran.
Una cautela de lectura: "tipo primario" es una clasificación estadística de estabilidad laboral, no un sinónimo de antigüedad. Correlaciona con el perfil de tus analistas, ingenieros y personal financiero de larga permanencia, pero no los mide directamente. Trata el hallazgo como una señal direccional fuerte sobre esa capa, no como un coeficiente aplicable a una plantilla concreta.
La divergencia por exposición a la IA tiene fecha de inicio: 2023
El tercer corte es donde el mecanismo recibe un nombre. Siguiendo el método de Michael Webb, que puntúa ocupaciones según cuánto se solapa su contenido de tareas con las capacidades técnicas descritas en las patentes de IA (Webb, 2019), las autoras ordenan a los trabajadores en cuartiles de exposición a la IA.
Históricamente, las tasas de salida de esos cuartiles se movían juntas con el ciclo económico, separadas solo por pequeñas diferencias de nivel. Desde 2023 han divergido, y los trabajadores de las ocupaciones más expuestas muestran las mayores caídas en las tasas de recolocación.
La composición de ese cuartil superior es la parte en la que los responsables de operaciones del mid-market deberían detenerse. Entre las ocupaciones altamente expuestas están los programadores, los analistas financieros y los ingenieros. Las menos expuestas: construcción, hostelería, cuidado personal. No es una historia sobre la periferia de tu organigrama. Es una historia sobre los roles que sostienen tus sistemas, tu cierre contable y tu producto.
Existe literatura previa que anticipa esta forma. El trabajo de Acemoglu y Restrepo sobre robots industriales encontró un desplazamiento concentrado en las ocupaciones expuestas junto con una reasignación hacia el trabajo menos expuesto: un patrón en el que la cifra agregada de empleo sigue siendo legible mientras la composición subyacente se desplaza con fuerza (Acemoglu y Restrepo, 2020). Lo que añaden los datos de la Richmond Fed es que el episodio actual aparece en el margen de las salidas y no en el de las separaciones. Las empresas no están expulsando a estos trabajadores a un ritmo inusual. Simplemente no los reabsorben una vez fuera.
Esa distinción importa operativamente, porque significa que la señal no aparecerá en tu registro de despidos ni en los anuncios de plantilla de tu sector. Aparece solo en cuánto tarda una persona competente y experimentada en recolocarse: una métrica que casi ningún equipo de operaciones mide, y que describe tus propias condiciones de recontratación tanto como las ajenas.
Las autoras son cautas con la causalidad, y nosotros deberíamos serlo también. El patrón es coherente con una automatización que desplaza ocupaciones expuestas, y coherente con evidencia de campo según la cual la IA generativa eleva la productividad a nivel de tarea —sobre todo en trabajadores menos experimentados— de formas que podrían reconfigurar la composición de las contrataciones (Brynjolfsson, Li y Raymond, 2025). Si la caída la impulsa la IA específicamente o unas condiciones agregadas que recaen sobre las mismas ocupaciones es el objeto explícito del próximo brief de la serie. La correlación está documentada; la descomposición, pendiente.
La objeción: "Esto son datos macro. Mi rotación está bien."
Probablemente lo esté. Ese es justamente el problema.
Aquí operan dos mecánicas, y ambas invierten la lectura estándar.
Una rotación plana en tu capa sénior es una alternativa externa débil, no una victoria de engagement
Si tu personal experimentado y expuesto a la IA se queda, la tasa base ofrece ahora una segunda explicación junto a la halagadora: no puede irse. Una caída de 13 puntos en la probabilidad de recolocación para trabajadores fuertemente vinculados significa que el mercado externo que normalmente valida tu retención no está funcionando. Tu encuesta de engagement no distinguirá entre "comprometido" y "atrapado". Tu cifra de rotación lamentada se verá excelente justo hasta que las tasas de recolocación se recuperen, y entonces dejará de serlo.
No es motivo para desconfiar de tu gente. Es motivo para dejar de usar la rotación como prueba principal de que la capa sénior está sana, y leer en su lugar algo con señal independiente: las candidaturas de movilidad interna, el riesgo de salida reportado por los managers o la proporción de ofertas externas que tu gente menciona.
La indemnización hoy cuesta más de lo que se valora
El modelo estándar de reestructuración trata un puesto como readquirible: recorta ahora, recontrata a precio de mercado cuando cambien las condiciones. Ese modelo valora la readquisición con las dinámicas históricas de recolocación, que es exactamente lo que este brief dice que se ha roto. Un trabajador difícil de recontratar fuera es, simétricamente, difícil de readquirir: la misma fricción que lo atrapa atrapa también tu capacidad de reconstituir esa competencia más tarde, porque el pool del que recontratarías es el pool que no se mueve.
Para un rol sénior expuesto a la IA en una empresa de 200 FTE, la pregunta de este trimestre no es "¿podemos operar sin este puesto?". Es "si necesitamos esta capacidad dentro de dieciocho meses, ¿cómo estará el mercado entonces y cuánto pagamos por averiguarlo?". La recolocación interna —mover a la persona a un proceso adyacente, una función de gobierno del dato o un rol de supervisión de IA— gana a la indemnización en ese cálculo mucho más a menudo de lo que sugiere la hoja de cálculo, porque la hoja lleva dentro un coste de readquisición caducado.
Tres decisiones disponibles antes del cierre del trimestre
- Revalora el coste de readquisición en cada salida de un rol expuesto a la IA. No es un giro filosófico: es un número. Si tu modelo asume una cobertura a precio de mercado en 60 días para un analista o ingeniero sénior, pregunta qué evidencia sostiene ese supuesto ante una caída de 13 puntos en la recolocación de ese perfil. Donde no se sostenga, la recolocación interna se adelanta a la separación solo por coste. Aplícalo a los dos o tres puestos que ya has marcado para revisión; no necesitas una política, necesitas un número corregido en los casos que ya tienes delante.
- Deja de leer una rotación sénior plana como desempeño de retención. Añade una pregunta a tu revisión trimestral: ¿qué evidencia independiente tenemos de que esta capa se queda por elección? Si la respuesta es solo "no se han ido", no tienes evidencia, tienes una condición de mercado.
- Audita qué roles caen en el cuartil expuesto antes de planificar plantilla, no después. La clasificación de Webb es pública y de nivel ocupacional. Mapear tu organigrama contra ella lleva una tarde y te dice qué partes de tu plan de plantilla están expuestas a un mercado de recontratación que no funciona con normalidad.
Ninguna de estas exige tomar postura sobre si la IA causa la divergencia. Solo exigen aceptar que la divergencia existe y que se concentra en la capa que la mayoría de los planes trata como fungible.
La ventana es el hallazgo
La característica incómoda de estos datos es que son temporales de un modo que castiga la espera. Una tasa de recolocación deprimida para trabajadores expuestos a la IA te da un poder de retención inusual sobre exactamente las personas más difíciles de sustituir, y te lo da gratis, de forma invisible, sin ninguna decisión por tu parte. También caduca. Cuando las tasas de salida se normalicen, la retención que creías haberte ganado volverá a ser un mercado, y lo hará más rápido en el cuartil que menos preparado estás para perder.
La decisión de este trimestre no es si recortar. Es si los roles que estás tratando como fungibles son precisamente los que el mercado laboral ha dejado de suministrar en silencio, y si prefieres descubrirlo ahora, al coste de una tarde de mapeo, o dentro de dieciocho meses, al coste de una búsqueda.
