El futuro de la inteligencia artificial no está escrito: trabajo, poder y democracia

La inteligencia artificial puede ayudarnos a trabajar mejor, también puede desplazar tareas, vigilar a quienes trabajan, concentrar riqueza y alterar la política, todo al mismo tiempo. Por eso, la pregunta no es si estamos a favor o en contra, sino quién decide cómo se usa y cómo se reparten sus costos y beneficios.

Figura creada por la autora de esta nota con GPT 5.6 Sol. 

El futuro de la inteligencia artificial (IA) no está escrito. Esa es la idea central de mi agenda de investigación, que desarrollé en el capítulo que escribí con Carles Boix, Michael Becher y Daniel Stegmueller, como integrante de la Task Force sobre Inteligencia Artificial y Ciencia Política de la American Political Science Association (APSA). El trabajo de la Task Force forma parte de un libro que se publicará por Cambridge University Press.^[1]

En esta nota quiero traer esa discusión a Uruguay. Voy a recorrer qué sabemos —y qué todavía no— sobre las tareas expuestas; cómo la IA puede complementar, desplazar, vigilar y acelerar el trabajo; por qué las instituciones laborales cambian esos resultados; y qué implican la concentración del capital, los centros de datos y, en general, la IA para la democracia.

Uruguay esta empezando a debatir sobre IA. Eso es una buena noticia, y es razonable que algunos actores identifiquen cierta urgencia. Pero no debemos permitir que esa urgencia nos lleva a pensar la tecnología como una carrera con un recorrido ya definido. Se puede llegar temprano (es decir incorporar la technologia) y hacerlo mal: usar la IA para vigilar a los trabajadores, imponer ritmos insostenibles, sustituir tareas sin acompañar la transición, entregar datos públicos a unos pocos proveedores o concentrar todavía más los beneficios. La velocidad importa, pero no responde las preguntas fundamentales: para qué usamos la IA, qué usos estamos dispuestos a aceptar, quién se beneficia y quién paga los costos.

La capacitación es necesaria, pero por sí sola no resuelve un conflicto distributivo. Ningún curso garantiza que una ganancia de productividad se reparta, limita el monitoreo o permite impugnar una decisión automatizada. La concentración del ingreso, el poder en el trabajo y la democracia no son efectos secundarios de la IA: son parte del problema desde el comienzo. Por eso la conversación debe incluir empleo y educación, pero también competencia, impuestos, energía, datos, compras públicas y desarrollo territorial. Y debe sentar a la mesa a trabajadores, sindicatos, empresas, universidades, organizaciones sociales y partidos políticos. Si hablan únicamente quienes venden, compran o programan los sistemas, sabremos mucho sobre cómo funcionan y bastante menos sobre para quiénes.

Uruguay tiene buenas condiciones para sostener esa discusión. La Estrategia Nacional de Inteligencia Artificial 2024-2030 ubica al país en el puesto 3 en América Latina en el índice regional de IA; en 2022, el 90% de las personas de 14 años o más usaba internet y el 83% lo hacía a diario. Tenemos conectividad, un Estado digitalizado y una historia de diálogo social.^[2]

A continuacion planteo algunos puntos que debriamos tener en cuenta cuando pensamos en IA:

Primero: la IA afecta tareas

Cuando preguntamos “¿La IA me va a sacar el trabajo?”, metemos demasiadas cosas en una sola bolsa. Un empleo combina tareas: escribir, calcular, explicar, persuadir, cuidar, decidir, mover objetos, coordinar personas y asistir a reuniones. Una tecnología puede reemplazar algunas y complementar otras.

Las estimaciones muestran que el impacto de la IA puede ser de gran magnitud: cerca del 80% de los trabajadores tendrían al menos un 10% de sus tareas expuestas a los grandes modelos de lenguaje; entre una quinta parte y un tercio podrían ver afectada la mitad o más de sus tareas. Otra proyección estima que la IA generativa podría automatizar hasta el 8% de las horas trabajadas en 2030.^[3]

Pero la exposición no implica un despido. Indica lo que la tecnología podría hacer si una organización rediseñara sus procesos, no lo que ya hace ni la velocidad con la que lo hará. Por ejemplo, que un LLM apruebe un examen profesional tampoco significa que mañana le confiaremos, sin supervisión, una sentencia judicial, una cirugía o el sistema que paga los sueldos. Pasar un examen y sobrevivir en una oficina siguen siendo habilidades distintas. 

En pocas palabras, la exposición potencial a la IA no equivale a su incorporación efectiva. Además, incluso cuando se incorpora, sus consecuencias no se limitan al desplazamiento: también puede complementar el trabajo y generar otros riesgos, como veremos a continuación.

Segundo: si ni siquiera los expertos nos ponemos de acuerdo, ¿qué podemos esperar de los trabajadores y los gobiernos?

En el capítulo comparamos tres índices muy utilizados de exposición a la IA en 775 ocupaciones de Estados Unidos. Si midieran básicamente lo mismo, deberían ordenar los trabajos de manera similar. No ocurre: sus correlaciones de rango van de −0,05 a 0,17, valores muy cercanos a cero. Dos índices ubican a finanzas y seguros como el sector más expuesto; el tercero lo coloca séptimo. Dos sitúan a la agricultura en último lugar; el tercero la pone en primer lugar.^[4]

Figura 1. Comparación de tres índices de exposición a la IA en 775 ocupaciones. Creada por los autores de mi capitulo. La nube de puntos sin una dirección clara muestra que las mediciones no identifican de la misma manera quién está más expuesto. Elaboración propia para el capítulo a partir de Brynjolfsson, Mitchell y Rock; Webb; y Felten, Raj y Seamans.^[4]

Esto no es una discusión reservada a especialistas. Si ni quienes construimos los índices coincidimos en quién está más expuesto, ¿qué claridad podemos exigirle a una trabajadora que intenta anticipar su futuro? ¿Y con qué certeza puede un gobierno decidir qué sectores capacitar, proteger o regular primero?

La incertidumbre dificulta pensar sobre respuestas de politica publica. No sabemos con precisión qué tareas desaparecerán, cuáles ganarán valor ni si estamos formándonos para una reorganización duradera o para la herramienta de moda del semestre. Planificar con índices que apuntan en direcciones opuestas se parece a armar una valija sin saber si vamos a Atlántida o a la Antártida.

La respuesta no es esperar a que llegue la certeza. Es aceptar que habrá ensayo y error: probar políticas, evaluarlas y corregirlas. Ademas, Uruguay necesita evidencia propia sobre tareas, adopción, salarios y sectores. Y mientras aprendemos, el riesgo no puede recaer íntegramente sobre cada trabajador.

Tercero: la IA nos puede hacer trabajar mejor, pero también puede hacernos sentir más reemplazables

La evidencia temprana no cuenta una sola historia. En atención al cliente, un estudia muestra que la assistencia de IA elevó la productividad en torno al 15%, con mayores beneficios para quienes tenían menos experiencia. En la escritura, permitió producir textos mejores en menos tiempo. En programación, algunos experimentos hallan ventajas y otros muestran que los desarrolladores experimentados trabajan más lentamente. En casi cien casos empresariales de ocho países de la OCDE, la reorganización del trabajo fue mucho más frecuente que la pérdida de empleos.^[5]

La foto se parece menos a una ola que borra ocupaciones enteras y más a una reorganización desigual. Para algunas personas, la IA es tutora; para otras, asistente, supervisora, competidora o un mecanismo de vigilancia. Puede ser todo eso en una misma jornada.

Esta tensión aparece en un working paper que escribí con Shir Raviv. Reclutamos a 1.800 trabajadores en una plataforma laboral en línea y variamos su acceso a la IA, el desempeño de la herramienta y la información sobre sus posibles efectos futuros. Quienes accedieron a la IA terminaron más rápido y redactaron textos de mayor calidad. Pero también tendieron a asumir que los demás la estaban usando y pidieron salarios menores para futuras tareas.^[6] En otras palabras, el acceso a la herramienta puede aumentar la productividad y, al mismo tiempo, bajar la vara con la que valoramos nuestro aporte. No medimos directamente la organización colectiva, pero el resultado plantea una preocupación: sentirnos más reemplazables podría debilitar nuestra posición antes de negociar.

Tampoco encontramos una reacción política adversa atribuible a la mera experiencia cotidiana con la IA. Solo cuando explicamos que usar nuestra herramienta contribuía a entrenarla para automatizar la tarea en el futuro aumentó la demanda de políticas de recapacitación. Sin embargo, no creció el apoyo a frenar o regular la IA. Es decir, el malestar, por sí solo, no parece traducirse en una demanda clara de política pública. Por eso importa quién llega primero a nombrarlo y organizarlo —los sindicatos, los partidos, los empleadores o las propias empresas tecnológicas— y qué soluciones pone sobre la mesa.

Cuarto: las instituciones laborales cambian el resultado

¿La IA va a debilitar a los sindicatos? La respuesta más honesta —y menos atractiva para un titular— es: depende.

Puede debilitarlos si sustituye tareas con fuerte presencia sindical, amplía las diferencias entre quienes ganan y quienes pierden con la tecnología, o facilita la fragmentación del trabajo mediante tercerizaciones, subcontratación y empleos temporales. En esos casos, la IA no solo reduce la cantidad de trabajadores: también puede dificultar que se reconozcan como parte de un mismo colectivo y negocien juntos.

Pero la relación también puede funcionar en la dirección contraria. Si la exposición alcanza a trabajadores altamente calificados, puede ampliar el interés por la negociación colectiva. Además, algunas inversiones en automatización —robots, sistemas especializados o centros de datos— son costosas y difíciles de trasladar. Cuando su productividad depende de las habilidades de quienes continúan trabajando, la amenaza empresarial de llevarse la producción a otro país pierde credibilidad y el poder de negociación de los trabajadores puede aumentar.

La evidencia disponible todavía es escasa y no apunta en una única dirección. Un estudio de 21 países de la OCDE entre 1970 y 2019 encuentra que el cambio tecnológico concentrado en tareas rutinarias está asociado con una menor densidad sindical. Otros trabajos muestran que la robotización redujo la sindicalización en Europa y Estados Unidos. Pero los robots no son toda la IA. La evidencia más reciente sugiere que las herramientas de plataforma están asociadas con una menor sindicalización, mientras que la exposición al aprendizaje automático y a los sistemas integrados aparece vinculada con una mayor sindicalización.^[7][8]

Esta incertidumbre no es una razón para esperar. Al contrario: indica que las instituciones pueden modificar el resultado. La pregunta no es solamente qué les hará la IA a los sindicatos, sino también qué pueden hacer los sindicatos —y la negociación colectiva— con la IA.

Figura creada por la autora de esta nota con GPT 5.6 Sol. 

El desplazamiento suele llevarse todos los titulares, pero es solo una dimensión. También están la complementación, cuando la IA amplía lo que una persona puede hacer; el monitoreo, cuando algoritmos observan, puntúan y disciplinan; y la hiperproductividad, cuando una ganancia de eficiencia se convierte de inmediato en un nuevo mínimo exigible. 

Entre la complementación y la hiperproductividad aparece algo que llamo la augmentation trap, o trampa de la complementación. Me ocurre en mi propio trabajo: con IA puedo hacer más y más rápido, pero también paso a responder por muchas más cosas a la vez. La herramienta reduce el tiempo de producción; no elimina la responsabilidad de revisar, coordinar ni explicar. La productividad crece. La rendición de cuentas también. El día, curiosamente, conserva sus 24 horas.

Figura creada por la autora de esta nota usando GPT 5.6 Sol. 
Una visual de qué es para mí el Augmentation trap. 

Pensemos en una persona que gestiona proyectos. Si antes acompañaba a uno por semana y ahora puede preparar cinco, quizá termine siendo responsable de cinco plazos, cinco equipos y cinco conjuntos de errores. La promesa de ayuda puede traducirse en un menor control y una mayor carga. Por eso hay que preguntar si el tiempo liberado se traduce en mejores salarios, jornadas más cortas o tareas más interesantes, o solo en más entregas.

Cada mecanismo requiere reglas diferentes: transición y compensación frente al desplazamiento; capacitación y reparto de las ganancias frente a la complementación; privacidad, transparencia y revisión humana frente al monitoreo; límites de carga, salud laboral y derecho a la desconexión frente a la hiperproductividad. La negociación colectiva ya está interviniendo en estas decisiones en distintos países.^[7]

En un working paper, escrito con Paolo Agnolin, combinamos encuestas de trabajadores de 15 países con más de 40.000 convenios colectivos canadienses firmados entre 1993 y 2025. La complementación y el monitoreo aparecen asociados con mayor sindicalización; el desplazamiento, con menor sindicalización. Los convenios también responden de manera distinta: capacitación y gobernanza conjunta frente a la complementación; aviso, transparencia y límites a la vigilancia frente al monitoreo; y protecciones más débiles donde predomina el desplazamiento.^[8]

Quinto: la opinión pública todavía se está formando

No solo los índices discrepan. Las personas también sostienen ideas ambivalentes sobre la IA: pueden ser optimistas sobre la tecnología en general y temer por su propio empleo. Entre los jóvenes de Estados Unidos, el 44% esperaba que la IA redujera sus oportunidades, mientras que menos del 20% anticipaba beneficios. En otro estudio, el público apoyaba automatizar el 30% de las ocupaciones; el apoyo subía al 58% cuando se decía que la IA rendía mejor que los humanos a menor costo.^[9]

Las preferencias todavía dependen mucho de cómo se formula la pregunta y de las experiencias que tienen las personas. Eso abre espacio para informar, pero también para manipular. Quien defina primero si la IA es “progreso”, “amenaza”, “ayuda” o “inevitabilidad” tendrá ventaja para determinar qué políticas parecen razonables.

Sexto: mientras mirábamos el empleo, el capital se concentró

La IA no es solo software. Los modelos más avanzados requieren chips, datos, talento, electricidad y centros de cómputo. Desde 2020, la capacidad de cómputo usada para entrenar modelos de frontera creció aproximadamente entre cuatro y cinco veces por año; la energía necesaria para esos entrenamientos aumentó con enorme rapidez. El capítulo recoge estimaciones según las cuales entrenar los modelos más grandes podría costar más de mil millones de dólares en 2027.^[10]

Esta concentración está en manos de pocas empresas. Microsoft, AWS y Google concentran alrededor de tres cuartas partes del mercado combinado de software, plataformas de gestión y servicios de IA generativa relevado en el capítulo; NVIDIA supera el 90% de las ventas de GPU para centros de datos. ^[10]

Figura 2. Inversión de capital de las cinco mayores empresas tecnológicas, 2015-2025. Pasó de unos 36 mil millones de dólares en 2015 a alrededor de 400 mil millones en 2025. Elaboración propia para el capítulo; fuente principal: FinanceCharts.^[11]

La figura muestra el giro material de la industria: la inversión de capital de las cinco principales tecnológicas pasó de unos 36 mil millones de dólares en 2015 a alrededor de 400 mil millones en 2025. La nube dejó de ser una metáfora liviana: ahora tiene hormigón, transformadores y una factura eléctrica considerable.

La nube también tiene territorio.

Figura creada por la autora de esta nota usando GPT 5.6 Sol.

Esto ya es algo tangible en Uruguay. Antel anunció una inversión de 70 millones de dólares para construir en Canelones un centro de datos especializado en IA. La obra comenzaría en 2027, entraría en funcionamiento entre 2028 y 2029 y generaría unos 250 empleos directos.^[12] Puede aportar capacidad de cómputo, actividad, servicios públicos y mayor soberanía sobre infraestructura y datos. Que lo lidere una empresa pública también permite discutir retornos colectivos.

Pero un centro de datos necesita suelo, red eléctrica, transmisión y, según su sistema de refrigeración, agua. Un estudio reciente del NBER encuentra que la expansión de centros de datos en municipios de Estados Unidos aumenta el empleo, la construcción, los ingresos y los salarios, pero también los precios de la vivienda y la electricidad. Otro estima costos ambientales relevantes por contaminación y emisiones. El Lawrence Berkeley National Laboratory calcula que el consumo directo de agua de los centros estadounidenses fue de unos 65 mil millones de litros en 2023 y podría ubicarse entre 145 y 275 mil millones en 2028.^[13]

Esos números no predicen lo que ocurrirá aquí: Estados Unidos tiene otra escala y otra matriz energética. La alta proporción de renovables es una ventaja uruguaya, pero renovable no significa ilimitada ni gratuita. Antes de multiplicar estos proyectos, conviene acordar transparencia en el consumo de agua y energía, evaluación ambiental, costos de ampliar la red, tarifas, empleo, acceso local al cómputo y control de los datos. Llegar temprano debería permitirnos fijar mejores condiciones, no saltearnos las preguntas.

Séptimo: la democracia no es un efecto secundario

Si la IA eleva la productividad, complementa a los trabajadores y distribuye ampliamente sus beneficios, puede reducir los conflictos distributivos. Si, en cambio, desplaza trabajo, concentra ingresos y fortalece a unas pocas empresas capaces de influir en sus reguladores, puede profundizarlos. El control de chips, nube y modelos no es solo poder de mercado: puede convertirse en capacidad para escribir las reglas (las empresas pueden movilizarse para influir en la política pública).^[14]

Este mecanismo no es abstracto. La experiencia de la automatización y la globalización muestra que, cuando una transformación económica no encuentra respuestas políticas, puede aumentar la desconfianza, alejar a los votantes de los partidos tradicionales y abrir espacio para quienes convierten la frustración en rechazo a las instituciones. La IA podría modificar ese mapa: si reduce los salarios de profesionales que invirtieron años en adquirir determinadas credenciales, la pérdida de estatus y las expectativas frustradas pueden generar polarización incluso si disminuyen algunas brechas salariales. Y si afecta especialmente a quienes recién ingresan al mercado laboral, puede agregar un conflicto generacional. La tecnología modifica los intereses; los partidos y otros actores políticos deciden cómo se organizan.

Existe, además, otro riesgo: la captura regulatoria. Cuando un sector queda en manos de pocas empresas, coordinarse para influir en el gobierno resulta más fácil. Y cuando esas empresas invierten fortunas en activos que no pueden trasladarse rápidamente —centros de datos, redes y capacidad de cómputo— tienen todavía más incentivos para moldear las decisiones sobre competencia, impuestos, energía y regulación. El problema democrático no es que las empresas expresen sus intereses, sino que su capacidad para definir la agenda sea muy superior a la de trabajadores, consumidores y organizaciones sociales. Por eso, las instituciones que generan contrapesos forman parte de la política de IA; no son un asunto que pueda discutirse después.

Para el Sur Global aparece otra tensión. La IA puede ampliar capacidades y abrir oportunidades para prestar servicios de forma remota en las economías del Norte, pero también puede reducir los incentivos para contratar trabajadores en el extranjero. Aunque los salarios en el Sur Global sean comparativamente más bajos, siempre serán más altos que el costo de una IA capaz de trabajar las 24 horas sin descanso. Para los robots industriales, ya existe evidencia de una relocalización hacia economías ricas (por ejemplo, uno de mis working papers analiza el caso de México). En el caso de la IA generativa, la evidencia internacional sigue siendo limitada. La tecnología podría favorecer la relocalización de servicios de atención al cliente y call centers, así como de tareas administrativas, de traducción, de contabilidad y de partes del desarrollo de software: precisamente, algunas de las actividades en las que muchos países buscaban nuevas oportunidades de exportación.[15]

Una agenda uruguaya: cinco preguntas

1. ¿Qué ocurre realmente en nuestros lugares de trabajo? Necesitamos datos uruguayos sobre tareas, adopción, salarios, productividad, empleo joven y gestión algorítmica.
2. ¿Quién decide la adopción? La negociación colectiva puede acordar capacitación, privacidad, supervisión humana, evaluación y reparto de las ganancias antes de que lleguen los hechos consumados.
3. ¿Qué capacidades queremos construir? Importan la educación general, el conocimiento especializado y la formación continua. No alcanza con que unas pocas personas sepan crear IA y el resto aprenda a pedirle un resumen.
4. ¿Cómo evitamos que la innovación sea sinónimo de concentración? Competencia, impuestos, compras públicas, energía, datos y condiciones para los centros de cómputo también son política de IA.
5. ¿Cómo compartimos los beneficios? Además de seguros y capacitación, vale la pena discutir mecanismos de propiedad colectiva —por ejemplo, cooperativas o iniciativas como el capital básico universal— que permitan participar de los retornos de una economía más automatizada.

Uruguay es pequeño frente a empresas cuya inversión anual supera el producto de muchas economías. Pero tiene instituciones públicas, experiencia de negociación, conectividad y una tradición de discutir colectivamente asuntos distributivos. Esa puede ser nuestra ventaja.

El futuro de la IA no es exógeno ni predeterminado: se negocia. Se decide en las empresas, los sindicatos, el Estado y la democracia, mediante reglas sobre el trabajo, la propiedad, la infraestructura y los datos. La democracia no debería simplemente llegar después para repartir las consecuencias; puede moldear qué tecnologías se desarrollan, cómo se adoptan y quién se beneficia. Para Uruguay, la tarea no es adivinar el futuro, sino construir la capacidad colectiva para decidirlo.

---

Referencias

1. Boix, Carles; Michael Becher; Valentina González-Rostani; y Daniel Stegmueller. “AI’s Economy and Its Political and Institutional Consequences”. Capítulo de la APSA Presidential Task Force on AI, Politics, and Political Science, 2026. La versión citada es un preprint no revisado por pares. El volumen colectivo, editado por Nathaniel Persily y Joshua A. Tucker, figura en Cambridge University Press como de próxima publicación. ↩
2. Agencia de Gobierno Electrónico y Sociedad de la Información y del Conocimiento (Agesic). “Estrategia Nacional de Inteligencia Artificial 2024-2030” y “Contexto país”, 2024. ↩
3. Eloundou, Tyna et al. “GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models”, 2023; Kinder, Molly et al. “Generative AI, the American Worker, and the Future of Work”. Brookings, 2024; Ellingrud, Kweilin et al. “Generative AI and the Future of Work in America”. McKinsey Global Institute, 2023. ↩
4. Brynjolfsson, Erik; Tom Mitchell; y Daniel Rock. “Machine Learning and Occupational Change”, 2019; Webb, Michael. “The Impact of Artificial Intelligence on the Labor Market”, 2020; Felten, Edward W.; Manav Raj; y Robert Seamans. “Occupational, Industry, and Geographic Exposure to Artificial Intelligence”. Strategic Management Journal 42, n.º 12 (2021): 2195-2217. Las correlaciones y comparaciones sectoriales son cálculos del capítulo a partir de estos índices. ↩︎1 ↩︎2
5. Brynjolfsson, Erik; Danielle Li; y Lindsey Raymond. “Generative AI at Work”. The Quarterly Journal of Economics 140 (2025): 889-942; Noy, Shakked, y Whitney Zhang. “Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence”. Science 381 (2023): 187-192; Peng, Sida et al. “The Impact of AI on Developer Productivity”, 2023; Becker, Joel et al. “Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity”, 2025; Milanez, Anna. “The Impact of AI on the Workplace”. OECD Working Paper 289, 2023. ↩
6. González-Rostani, Valentina, y Shir Raviv. “The Political Ramifications of AI-Augmented Work”. Working paper, 2026. DOI: 10.2139/ssrn.7142460. ↩
7. Meyer, Brett. “Financialization, Technological Change, and Trade Union Decline”. Socio-Economic Review 17, n.º 3 (2019): 477-502; Agnolin, Paolo; Massimo Anelli; Italo Colantone; y Piero Stanig. “Robots Replacing Trade Unions: Novel Data and Evidence from Western Europe”. IZA Discussion Paper n.º 17864, 2025; Balcázar, Carlos Felipe. “Globalization, Unions and Robots: The Effects of Automation on the Power of Labor and Policymaking”. Working paper, 2023; Becher, Michael, y Daniel Stegmueller. “Machines Against Workers? The Heterogeneous Impact of Robots on Union Strength”, 2025; Doellgast, Virginia et al. “Global Case Studies of Social Dialogue on AI and Algorithmic Management”. OIT Working Paper 144, 2025. ↩︎1 ↩︎2
8. Agnolin, Paolo, y Valentina González-Rostani. “When Technology Manages: Workers, Unions, and Collective Bargaining in the Age of AI”. Working paper, 2026. DOI: 10.2139/ssrn.6761358. ↩︎1 ↩︎2
9. Institute of Politics, Harvard Kennedy School. “Harvard Youth Poll, 51st Edition, Fall 2025”; Friis, Simon, y James W. Riley. “Performance or Principle: Resistance to Artificial Intelligence in the U.S. Labor Market”. Harvard Business School Working Paper 26-017, 2025. ↩
10. Epoch AI. “Key Trends and Figures in Machine Learning”, “Training Compute of Frontier AI Models Grows by 4-5x per Year” y “How Much Does It Cost to Train Frontier AI Models?”; Kaplan, Jared et al. “Scaling Laws for Neural Language Models”, 2020; IoT Analytics. “The Leading Generative AI Companies”, 2025. ↩︎1 ↩︎2
11. FinanceCharts, series históricas recopiladas por los autores; U.S. Bureau of Economic Analysis, “Private Fixed Investment in Information Processing Equipment and Software”, reproducida por FRED. ↩
12. Presidencia de la República Oriental del Uruguay. “Antel invertirá 70 millones de dólares para construir centro de datos de inteligencia artificial en Canelones”, 11 de agosto de 2026. ↩
13. Alvarez, Fernando E. et al. “Data Centers and Local Economies in the Age of AI”. NBER Working Paper 35194, 2026; Muller, Nicholas Z. “Measuring the Impact of Data Centers in the United States Economy”. NBER Working Paper 35100, 2026; Shehabi, Arman et al. “2024 United States Data Center Energy Usage Report”. Lawrence Berkeley National Laboratory, 2024. ↩
14. Tan, Jason, y Kathleen Thelen. “Cloud Capitalism and the AI Transition”. Politics & Society, 2026; Korinek, Anton, y Jai Vipra. “Concentrating Intelligence: Scaling and Market Structure in Artificial Intelligence”. Economic Policy 40 (2025): 225-256; Boix, Carles. Democracy and Redistribution. Cambridge University Press, 2003. ↩
15. Baldwin, Richard, y Rikard Forslid. “Globotics and Development”. World Trade Review 22 (2023): 302-311; Cazzaniga, Mauro et al. “Gen-AI: Artificial Intelligence and the Future of Work”. FMI, 2024; Gmyrek, Paweł; Janine Berg; y David Bescond. “Generative AI and Jobs”. OIT Working Paper 96, 2023; Faber, Marius. “Robots and Reshoring: Evidence from Mexican Labor Markets”. Journal of International Economics 127 (2020): 103384. ↩