Se lanza el Maryland AI Economic Impact Tracker mientras crece la contratación y aumentan los riesgos de desplazamiento
La contralora de Maryland, Brooke E. Lierman, lanzó el Maryland AI Economic Impact Tracker el 5 de noviembre, situando el crecimiento de la contratación junto a las previsiones de desplazamiento de la fuerza laboral. El panel público reúne evidencia que responde a preguntas distintas: dónde buscan los empleadores experiencia en IA, cómo esperan las empresas que cambie su plantilla y qué ocupaciones enfrentan riesgos de automatización.
Estas preguntas importan a personas diferentes. Un desarrollador que busca empleo necesita evidencia de demanda de contratación. Un propietario de negocio necesita comprender los costes de implementación y las decisiones de plantilla. Los funcionarios estatales necesitan evaluar si los cambios en los patrones de empleo afectarán los ingresos de los hogares y las finanzas públicas.
La tensión central se encuentra entre la actividad observada y la disrupción proyectada. La Universidad de Tufts modela el posible desplazamiento, mientras que investigadores de la Universidad de Maryland rastrean la demanda anunciada de competencias en IA. Ninguna de las dos medidas, por sí sola, establece si la fuerza laboral de Maryland está ganando o perdiendo con la adopción. El nuevo panel hace que esa distinción sea esencial para interpretar sus conclusiones.
El Maryland AI Economic Impact Tracker establece un punto de partida compartido
El lanzamiento ofrece a Maryland una referencia pública sobre los efectos económicos de la IA, sin convertir cada indicador en un resultado laboral ya resuelto.
El rastreador económico de IA de la contraloría combina investigación universitaria, datos gubernamentales de empleo y resultados de encuestas empresariales. Prevé actualizaciones trimestrales, con revisiones adicionales a medida que haya nueva evidencia disponible. Para 2027 están previstos informes de investigación que examinen escenarios económicos y fiscales.
Sus cifras iniciales incluyen 3.600 ofertas únicas en Maryland que requerían competencias técnicas de IA hasta septiembre de 2026. Por separado, un escenario modelado proyecta un posible desplazamiento equivalente al 7,2 % del empleo estatal durante un período de dos a cinco años. Estas cifras describen poblaciones, períodos y tipos de evidencia diferentes.
Una oferta registra el interés anunciado de un empleador por contratar. Una estimación de desplazamiento describe un posible futuro bajo supuestos específicos. Restar una cifra de la otra produciría una evaluación engañosa del efecto neto de la IA sobre el empleo.
Esta distinción debe orientar cómo los funcionarios hablan del panel. Una previsión puede ayudar a identificar dónde merece atención la preparación antes de que se materialicen las pérdidas. No puede establecer que las pérdidas proyectadas ya hayan ocurrido ni que cada trabajador expuesto necesite otra ocupación.
La misma cautela se aplica a la evidencia de contratación. Los anuncios pueden revelar cambios en los requisitos antes de que las contrataciones completadas aparezcan en las estadísticas de empleo. No pueden establecer cuántos solicitantes recibieron ofertas, si las vacantes permanecieron abiertas o si la contratación sustituyó a empleados que se marcharon.
El formato público del panel ofrece a los lectores una forma de cuestionar esas interpretaciones. Empleadores, investigadores y trabajadores pueden examinar las definiciones subyacentes en lugar de depender por completo de una estadística de titular. Ese acceso hace que los desacuerdos sean más específicos y potencialmente más útiles.
Por ejemplo, una organización laboral puede preguntar si las oportunidades de contratación técnica se ajustan a la experiencia de los trabajadores que enfrentan disrupción. Una demanda creciente de desarrolladores especializados no crea automáticamente alternativas accesibles para el personal administrativo. Las cualificaciones, la ubicación y los requisitos de experiencia merecen un examen separado.
La rendición de cuentas pública también depende de conservar los cambios a lo largo del tiempo. Si cambian los supuestos, los lectores deben entender por qué se movieron las estimaciones. De lo contrario, una previsión que mejora podría reflejar una metodología revisada en lugar de mejores condiciones para los trabajadores.
Por lo tanto, el Maryland AI Economic Impact Tracker establece un punto de partida para el escrutinio. Su valor práctico dependerá de si las publicaciones posteriores ayudan a los lectores a seguir la relación entre la adopción, las decisiones empresariales y los resultados laborales.
La demanda de contratación revela oportunidades sin resolver el equilibrio del empleo
La demanda de personas que construyen sistemas de IA no puede representar a cada trabajador cuyo empleo cambia por el uso de la IA.
El proyecto de mapeo de empleos de IA, dirigido por investigadores de la Universidad de Maryland junto con LinkUp, examina las ofertas de empleo de los empleadores. Sus investigadores utilizan un modelo lingüístico especializado de gran tamaño, software entrenado para interpretar y generar lenguaje, para clasificar los puestos anunciados.
El enfoque del proyecto busca distinguir los requisitos técnicos sustantivos de las referencias casuales a la IA. Sus investigadores sostienen que las búsquedas por palabras clave, por sí solas, pueden clasificar erróneamente los anuncios. Esa decisión metodológica importa porque el cambio de lenguaje en las descripciones de puestos puede parecerse, de otro modo, a un cambio en la demanda económica.
Una oferta que menciona un producto de IA no necesariamente describe un puesto que construye la tecnología. A la inversa, un empleador podría requerir conocimientos técnicos relevantes sin usar los nombres de productos más reconocibles. La clasificación determina cuáles de esos anuncios entran en el recuento resultante.
Para quienes buscan empleo, la implicación es práctica. Un titular sobre la expansión del empleo en IA no establece que una familiaridad general con un chatbot cumpla los requisitos de los empleadores. Los lectores deben examinar las responsabilidades y cualificaciones reales que hay detrás de la categoría.
La distinción también afecta a la política laboral. Formar a alguien para evaluar trabajo generado por IA atiende una necesidad distinta de formar a alguien para desarrollar un modelo. Ambas formas de aprendizaje pueden ser útiles, pero preparan a las personas para responsabilidades diferentes.
Consideremos un equipo de software ilustrativo que decide cómo incorporar asistencia de IA. Podría contratar a un especialista para conectar herramientas con sistemas internos y, al mismo tiempo, pedir a los desarrolladores existentes que revisen código generado. Esa estructura crea demanda especializada y modifica puestos ya establecidos al mismo tiempo.
El ejemplo representa una posible decisión organizativa, no un resultado documentado de contratación en Maryland. Muestra por qué el crecimiento de la contratación técnica no puede resolver la cuestión laboral más amplia. La nueva experiencia puede respaldar flujos de trabajo que aumentan la producción, redefinen responsabilidades o reducen la contratación futura.
Las comparaciones regionales requieren una cautela similar. Una zona que anuncia más puestos de IA podría tener una base de empleadores mayor o una combinación industrial diferente. Los totales brutos no revelan si un trabajador individual tiene mejores perspectivas allí.
Las proporciones sobre el total de anuncios ofrecen otra perspectiva, pero también tienen limitaciones. Una proporción creciente de IA puede reflejar una expansión de la contratación técnica, una disminución de la contratación en otros ámbitos o ambas cosas. Los lectores necesitan los recuentos subyacentes antes de interpretar el porcentaje como una fortaleza general del mercado laboral.
Las comparaciones más útiles mantienen coherentes las definiciones y los períodos. Comparar anuncios de un año parcial con un año completo puede describir el impulso, siempre que la diferencia siga siendo explícita. No debe convertirse silenciosamente en una comparación convencional de crecimiento anual.
Para los empleadores, estas distinciones generan presión para describir con claridad los planes de plantilla. Una empresa que celebra la contratación en IA debe explicar si está ampliando capacidad, sustituyendo servicios externos o modificando responsabilidades existentes. Las consecuencias laborales dependen de esas decisiones.
El panel hace visible la contratación técnica. La siguiente tarea analítica consiste en conectar esa demanda con trayectorias profesionales accesibles, contrataciones completadas y cambios en ocupaciones que nunca reciben una etiqueta de IA.
Los planes de los empleadores someten a trabajadores actuales y nuevos aspirantes a presiones diferentes
Una plantilla estable puede coexistir con menos oportunidades para incorporarse a una organización.
El referente empresarial de IA de Maryland encuestó a casi 300 responsables de alto nivel entre junio y julio de 2026. La oficina del gobernador informó que el 91 % utilizaba IA de alguna forma, mientras que el 58 % seguía siendo usuario básico.
El mismo comunicado indicó que el 64 % planeaba que los empleados actuales lograran más con IA en lugar de contratar personal adicional. Solo el 4 % esperaba que la IA redujera la plantilla. La mayoría de los usuarios habituales describió las mejoras de productividad como leves.
Estas son las experiencias y expectativas declaradas por los encuestados. No establecen que todos los empleadores de Maryland utilicen IA ni que las decisiones previstas de plantilla vayan a producirse. La encuesta ofrece una visión del pensamiento empresarial, con límites sobre cuán ampliamente deben generalizar los lectores.
No obstante, sus hallazgos sobre plantilla identifican una distinción importante. Una organización puede retener a sus empleados actuales mientras decide no cubrir una vacante prevista. Los trabajadores existentes experimentan continuidad, mientras que los solicitantes se enfrentan a una oportunidad ausente.
Esa posibilidad cambia lo que los responsables de políticas deben supervisar. Los anuncios de despidos captan reducciones visibles, pero no pueden captar cada decisión de no contratar. Una respuesta laboral centrada exclusivamente en empleados desplazados pasaría por alto a las personas que luchan por conseguir su puesto inicial.
La presión sobre los empleadores es igualmente específica. Pedir al personal que produzca más crea una responsabilidad de gestión para establecer si la capacidad adicional es real. Redactar más rápido no significa necesariamente entregar más rápido si la revisión y la corrección absorben el tiempo ahorrado.
Un equipo de consultoría ilustrativo muestra el problema. La asistencia de IA podría acortar la preparación de un documento inicial para un cliente. El personal experimentado aún tendría que verificar la evidencia, comprender las circunstancias del cliente y asumir la responsabilidad de la recomendación.
Si el equipo reduce la contratación de personal junior porque la redacción inicial requiere menos tiempo, debe considerar cómo los futuros empleados desarrollarán criterio. Las tareas que parecen rutinarias también pueden proporcionar práctica supervisada. Eliminarlas sin reemplazar la oportunidad de aprendizaje crea un problema organizativo independiente.
Se trata de una implicación analítica, más que de evidencia de que las empresas de consultoría de Maryland ya hayan adoptado este enfoque. Explica por qué las expectativas de los empleadores merecen preguntas de seguimiento sobre formación, supervisión y promoción.
El referente también presiona a los proveedores que venden promesas de productividad. Los compradores deben distinguir entre una impresión favorable del usuario y una mejora operativa documentada. Una herramienta puede parecer útil sin cambiar el tiempo necesario para completar un entregable aprobado.
Para los trabajadores del conocimiento, la cuestión inmediata es cómo las organizaciones definen el uso exitoso de la IA. El volumen de producción por sí solo puede fomentar conclusiones prematuras. La carga de revisión, la precisión, la calidad del servicio y las oportunidades de aprendizaje deben formar parte de la evaluación.
Mantener un registro recuperable de las decisiones sobre flujos de trabajo respalda esa evaluación. Una base de conocimiento de IA organizada puede aportar contexto para revisar qué cambió, aunque la documentación por sí sola no puede establecer efectos sobre la productividad o el empleo.
La encuesta deja claro por qué el análisis de la fuerza laboral debe examinar las decisiones dentro de las organizaciones. Que la adopción produzca oportunidades más amplias depende en parte de cómo los empleadores distribuyan la capacidad adicional entre crecimiento, carga de trabajo, contratación y desarrollo de empleados.
Las previsiones de desplazamiento dependen de supuestos sobre la adopción
Un riesgo modelado merece preparación, pero debe seguir siendo distinto de una predicción sobre el futuro de cualquier trabajador individual.
El índice de vulnerabilidad laboral de Tufts University estima el posible desplazamiento en distintos empleos y ubicaciones. Su escenario nacional central identifica aproximadamente 9,3 millones de puestos vulnerables en un plazo de dos a cinco años. Los escenarios alternativos de adopción abarcan entre 2,7 millones y 19,5 millones.
La universidad señala que la evaluación excluye la creación de empleo porque no hay evidencia suficientemente fiable disponible. Esa limitación importa al interpretar el índice como una perspectiva económica. Evalúa un canal de desplazamiento sin ofrecer un balance completo entre ganancias y pérdidas de empleo.
El rango también sitúa los supuestos de adopción en el centro del resultado. La capacidad técnica por sí sola no determina cuándo un empleador modifica su plantilla. Las organizaciones deben decidir si un sistema es útil, asequible de implementar, suficientemente fiable y adecuado para sus responsabilidades.
Un flujo de trabajo ilustrativo en el sector sanitario muestra por qué importa la distinción. La asistencia de software para la documentación podría reducir el tiempo dedicado a preparar un registro. Que después cambie la dotación de personal depende de la demanda clínica, los requisitos de revisión, las decisiones organizativas y las tareas que realizan los empleados más allá de la documentación.
El ejemplo no establece un resultado para el empleo sanitario en Maryland. Explica por qué una estimación a nivel ocupacional no puede sustituir el análisis de cómo se realiza el trabajo en una organización concreta.
La exposición a la IA, es decir, el grado en que las tareas de un empleo se solapan con las capacidades de la IA, es un paso analítico anterior. El desplazamiento requiere supuestos adicionales sobre si las organizaciones sustituyen mano de obra por software. Los resultados reales de empleo requieren observación después de esas decisiones.
Las diferencias cobran importancia cuando una previsión circula en el debate público. Una afirmación de que el trabajo está técnicamente expuesto puede convertirse gradualmente en la afirmación de que el empleo desaparecerá. Cada cambio elimina una incertidumbre que la evidencia subyacente aún contiene.
También hay una diferencia entre un puesto vulnerable y un trabajador sin alternativas. Algunos empleados pueden pasar a responsabilidades relacionadas. Otros enfrentan limitaciones que dificultan la adaptación, incluso cuando el riesgo medio de su ocupación parece similar.
La investigación sobre la capacidad de adaptación de los trabajadores hace explícita esa distinción. Investigadores de Brookings y sus colaboradores examinan los ahorros, la edad, las habilidades transferibles y las oportunidades locales junto con la exposición. Su análisis identifica una vulnerabilidad concentrada entre trabajadores con medios limitados para adaptarse.
Esa perspectiva sugiere una prioridad de política distinta a simplemente clasificar ocupaciones según la exposición técnica. Los responsables que evalúan apoyo para la formación deberían preguntar quién puede utilizarlo de forma realista. La disponibilidad de cursos no resuelve las limitaciones de horario, la presión financiera ni las escasas opciones de empleo cercanas.
Por tanto, una respuesta útil conecta una estimación de riesgo con las condiciones necesarias para una transición. Los trabajadores necesitan un destino alcanzable y un camino práctico hacia él. El consejo general de sentirse más cómodo con la IA deja esas preguntas sin respuesta.
La previsión sigue siendo valiosa como herramienta de preparación. Su uso responsable exige indicar el escenario, reconocer los efectos excluidos y comprobar si la evidencia emergente respalda el ritmo de cambio supuesto.
La evidencia independiente sobre empleo complica una narrativa laboral simplista
Distintos métodos de investigación pueden producir hallazgos diferentes sin describir la misma pregunta subyacente.
Un documento de trabajo de Stanford sobre los efectos tempranos en el empleo examina registros de nóminas de ADP hasta junio de 2026. Sus autores informan de que no encontraron evidencia de desplazamiento generalizado en toda la economía.
También detectan resultados laborales más débiles para trabajadores jóvenes en ocupaciones expuestas a la IA, principalmente a través de una menor contratación. Los autores describen sus hallazgos como indicadores tempranos y descriptivos, no como estimaciones causales. Reconocen diferencias entre conjuntos de datos y sensibilidad a las decisiones analíticas.
Esa combinación cuestiona una interpretación de todo o nada. La ausencia de un desplazamiento amplio no demuestra que todos los grupos enfrenten perspectivas sin cambios. Un resultado más débil para un grupo concreto no demuestra que toda la economía esté perdiendo empleos a causa de la IA.
Los registros de nóminas y los anuncios también capturan etapas distintas del empleo. Un anuncio describe una intención de contratar. Un registro de nómina describe una relación laboral dentro del conjunto de datos. Ninguno ofrece la secuencia completa que conecta la demanda empresarial, la selección, la contratación y la salida.
La previsión introduce otra perspectiva al preguntar qué sucede bajo condiciones futuras asumidas. Por eso, comparar un escenario prospectivo con un hallazgo actual de nóminas requiere cautela. La diferencia puede reflejar el momento y el alcance, más que una contradicción directa.
Para los lectores de Maryland, la comparación útil es metodológica. El proyecto de la University of Maryland ofrece evidencia sobre la demanda anunciada. Tufts examina la vulnerabilidad potencial. Stanford analiza patrones de empleo observados dentro de su muestra de nóminas.
El Maryland AI Economic Impact Tracker reúne este tipo de preguntas en un debate de política estatal. Los lectores deberían resistirse a convertir su coexistencia en una competición por una única respuesta definitiva. La cuestión pertinente es qué evidencia se ajusta a la decisión considerada.
Un proveedor de formación que decide qué curso técnico ofrecer necesita información sobre contratación. Una agencia que prepara apoyo para trabajadores vulnerables necesita evidencia sobre riesgos y transiciones. Un investigador que evalúa si la contratación cambió necesita observaciones consistentes a lo largo del tiempo y una comparación creíble.
La atribución sigue siendo el paso más difícil. Los tipos de interés, la demanda de los clientes, la reestructuración organizativa y otras condiciones pueden modificar la contratación junto con la adopción de la IA. Un indicador laboral que cambia después de la adopción no demuestra, por sí solo, que la adopción haya causado ese cambio.
Esa incertidumbre debería influir en el lenguaje público. Los funcionarios pueden describir un patrón como coherente con un posible mecanismo mientras explican alternativas. Deberían reservar afirmaciones causales más contundentes para investigaciones diseñadas para separar esas explicaciones.
Las experiencias de los trabajadores pueden ayudar a identificar preguntas que las cifras agregadas no captan. Los informes sobre menos tareas para perfiles junior o mayores responsabilidades de revisión merecen ser examinados. Sin embargo, los relatos individuales no pueden establecer cuán comunes son esos cambios en Maryland.
El mismo criterio se aplica a los ejemplos optimistas. Una empresa que se expande tras adoptar IA ofrece un caso útil para investigar. No demuestra que empresas comparables vayan a expandirse ni que la IA por sí sola explique su desempeño.
La interpretación más sólida preserva el desacuerdo allí donde la evidencia sigue siendo incompleta. Maryland ahora cuenta con un lugar para organizar esa evidencia. Establecer la conexión entre la capacidad técnica y los resultados de empleo todavía requiere mediciones repetidas y comparaciones cuidadosas.
Las próximas actualizaciones deberían conectar contratación, decisiones de plantilla y exposición fiscal
El seguimiento más informativo mostrará si distintos indicadores comienzan a moverse conjuntamente.
La primera señal que observar es la evidencia de contratación. Las publicaciones posteriores deberían permitir comparar la contratación técnica utilizando definiciones coherentes y períodos equivalentes. Los lectores deberían examinar si los cambios se extienden entre empleadores y ocupaciones o permanecen concentrados.
Un aumento más amplio y sostenido reforzaría el argumento de que la demanda técnica se expande más allá de un conjunto limitado de oportunidades. Un aumento concentrado respaldaría una conclusión más limitada. Ninguno de los dos resultados establecería por sí solo el efecto global sobre el empleo.
La evidencia sobre contrataciones completadas añadiría otra dimensión si llega a estar disponible. Los anuncios que permanecen sin cubrir plantearían preguntas distintas de las de puestos ocupados por solicitantes locales. Esas distinciones importan al traducir la actividad de contratación en afirmaciones sobre oportunidades económicas.
La segunda señal es si las expectativas de los empleadores se convierten en decisiones observables sobre la plantilla. Los seguimientos mediante encuestas pueden preguntar qué cambiaron realmente las empresas tras adoptar IA, en vez de basarse por completo en efectos anticipados. La contratación, las salidas, los traslados internos y la formación merecen atención por separado.
Si los empleadores informan de una mayor producción mientras mantienen oportunidades de entrada, ello respaldaría una explicación más inclusiva de las ganancias de productividad. Si la contratación se debilita pese a que la plantilla se mantiene estable, reforzaría las preocupaciones sobre el acceso para nuevos participantes.
Son condiciones que deben examinarse, no predicciones de que las empresas de Maryland seguirán uno u otro camino. La utilidad del panel crecerá si ayuda a distinguirlas. Los totales agregados de empleo por sí solos no pueden explicar cómo cambian las oportunidades dentro de las organizaciones.
La tercera señal es la conexión entre los resultados laborales y las finanzas estatales. Los informes de investigación previstos por el interventor ofrecen una vía para examinar esa relación. Los lectores deberían buscar supuestos claramente expuestos y escenarios alternativos, en lugar de una única estimación destacada.
Un análisis fiscal debería distinguir entre una reducción de contrataciones y el desplazamiento, así como entre una interrupción temporal y cambios duraderos en los ingresos. También debería explicar cómo se incorporan las posibles ganancias a la evaluación. De lo contrario, un modelo detallado de empleo puede seguir produciendo una imagen fiscal incompleta.
La transparencia sobre las revisiones importará en todas estas señales. Una previsión modificada necesita explicar si cambiaron la evidencia subyacente, los supuestos de adopción o el método analítico. Sin esa explicación, los lectores no pueden evaluar si las condiciones mejoraron o si el modelo simplemente evolucionó.
Por ello, los próximos meses son un período para verificar la línea de base y seguir las publicaciones programadas, en lugar de esperar un veredicto definitivo. La evidencia económica se desarrolla de forma desigual. Una actualización responsable puede acotar una pregunta sin resolver todas las incertidumbres que la rodean.
Para los empleadores, eso significa documentar las decisiones antes de proclamar el éxito. Registren qué responsabilidades cambiaron, cómo se revisó el trabajo y si los planes de contratación se modificaron. Esos detalles hacen que las comparaciones posteriores sean más creíbles que una afirmación general de que el personal se volvió más productivo.
Para los trabajadores, la respuesta práctica consiste en examinar las responsabilidades que hay detrás tanto de las oportunidades como de los riesgos. Observen qué exigen los empleadores, dónde sigue siendo necesario el criterio humano y qué habilidades se transfieren a trabajos afines. Eviten tratar una categoría ocupacional como una previsión individual de carrera.
Comience por las definiciones del Maryland AI Economic Impact Tracker y, después, siga en ese orden la evidencia sobre contratación, plantilla y finanzas públicas. Cuando un titular afirme que la IA está creando o eliminando empleos, compruebe si describe anuncios, expectativas de los empleadores, riesgos modelizados o empleo observado. Pregunte si la comparación utiliza períodos y poblaciones equivalentes. Para una decisión en el lugar de trabajo, conserve los supuestos detrás de cualquier ganancia de productividad prometida y revíselos después de la implementación. Para una decisión de política pública, pregunte qué trabajadores pueden acceder al apoyo propuesto y qué resultados se medirán. La pregunta útil para la próxima actualización de Maryland es concreta: ¿la nueva evidencia muestra quién ganó oportunidades, quién enfrentó limitaciones y qué decisiones empresariales explican la diferencia?
