14 de agosto de 2026 · [[El Abismo de Máquina/Ecos|¿qué es un eco?]] # Eco: ¿Funcionan los programas de reciclaje profesional? - El informe Anthropic-Roodman-Massenkoff  > [!entradilla] > Anthropic revisa 50 años de ensayos sobre reciclaje laboral. Aquí el informe entero procesado apartado por apartado, con el prompt que lo ha procesado. > [!tip]+ Por qué vale la pena > > Cuando se habla de IA y empleo, la respuesta que da todo el mundo es la misma: reciclamos a la gente. Gobiernos, empresas y comités de dirección. Nadie la discute, y casi nadie se ha parado a mirar si funciona. Eso es exactamente lo que ha encargado Anthropic a David Roodman, investigador independiente, y a Maxim Massenkoff, de su equipo de investigación económica. Les han salido 123 páginas con un meta-análisis nuevo: 146 estimaciones de impacto de 56 ensayos aleatorizados en Estados Unidos desde 1973, más lo que hay en Europa. > > Tiene sustancia de sobra. Es de las pocas áreas de política pública donde llevan medio siglo midiendo con grupo de control y datos de la Seguridad Social, así que aquí no se opina: se sabe lo que pasó. Y el resultado es que la formación funciona, y funciona poco. Dos puntos y pico de empleo, unos 1.000 dólares al año, 13.000 de coste. Los tres grandes programas federales dieron entre poco y nada. Solo un puñado de programas privados multiplica esos números, y esos rechazan a más del 80% de quien se presenta y no se han dejado copiar. > > Me parece interesante por dos motivos. El primero es de dónde viene: es uno de los laboratorios que están construyendo esta tecnología pagando un estudio que dice que la solución que todo el mundo propone no está probada. Eso no se lee todos los días. El segundo es la frase del resumen que me ha llamado la atención, y que aparece al analizar los programas que sí funcionan: > > > [!cite] [...] los programas de formación que prometen empleabilidad sin implicar activamente a empleadores reales en el diseño y en el compromiso de contratación probablemente están vendiendo humo, por bien diseñado que esté el contenido. > > Ahí está la lectura útil para una empresa, y va justo al revés de lo que se suele hacer. Eso lo cuento aparte en la newsletter; aquí dejo el informe. > > La pega: toda la evidencia viene de programas de meses dirigidos a gente de rentas bajas, y si la IA golpea primero a perfiles cualificados, esa no es la población. Los autores lo dicen ellos mismos en la primera página, que tiene mérito, pero deja el informe contestando una pregunta parecida a la nuestra y no la nuestra. > > El original: [How well do job retraining programs work?](https://www.anthropic.com/research/reviewing-the-evidence-on-worker-retraining-programs) · [el informe en PDF](https://www-cdn.anthropic.com/4ef47f859bc67be739a14f5d40b43927eecacdb6/WorkerRetraining.pdf) > [!info]- De dónde sale este análisis > > Lo que va debajo no lo he escrito yo ni es un resumen al uso. Son 123 páginas pasadas por el prompt que uso para esto, [[El Abismo de Máquina/Prompts/Texto/Analista-estructurado-de-documentos|el analista estructurado de documentos]], en su versión larga para documentos complejos. Va apartado por apartado y de cada uno saca cuatro cosas: el índice del documento, un resumen global, un resumen conciso, las ideas en lista estructurada con sus cifras, y una reflexión crítica propia. > > Esa cuarta parte es la que hace que procesar no sea lo mismo que resumir. Un resumen te da menos del texto; esto te puede dar más, porque interpreta y conecta con la práctica. Conté el método entero, con los dos prompts, en [[Newsletter/2026/90-procesar-en-vez-de-leer|el método para no ahogarte en contenido]]. > > Los párrafos marcados como **Reflexión de Máquina** son de la IA, no míos. Las cifras y los resúmenes salen del informe. Lo he repasado y corregido lo justo, pero es material procesado: si un dato te va a servir para decidir algo, contrástalo con el PDF original. > [!warning]+ Por dónde empezar > > Esto es denso. Son 123 páginas de economía laboral y aquí abajo va el informe entero, apartado por apartado, con las cifras de cada estudio. > > El motivo de que esté aquí es la IA: si desplaza trabajadores a escala, formarlos es la respuesta por defecto de todos los planes públicos y de casi todos los planes de empresa. Los apartados 1 a 7 son la evidencia de cincuenta años, que hace falta para saber por qué se puede uno fiar de la conclusión. Pero si no quieres todo ese contexto, **vete directo al [[#8. De la evidencia pasada a un futuro disrumpido por la IA|apartado 8]]**, que es donde los autores trasladan lo aprendido a la disrupción por IA y donde está lo que a nosotros nos afecta. El [[#9. Discusión|9]] cierra en dos párrafos. ## Índice del informe **An evidence review of worker retraining** (David Roodman y Maxim Massenkoff, Anthropic Economic Index, agosto 2026) - Resumen ejecutivo - Overview (introducción) - 2. Background - 2.1 Tipos de formación - 3. Temas críticos - 3.1 La importancia de la aleatorización - 3.2 Cumplimiento imperfecto - 3.3 Attrition (pérdida de sujetos) - 3.4 Publicación académica vs. no académica - 3.5 El éxito es efímero - 4. Grandes evaluaciones aleatorizadas en EE.UU. - 4.1 National Supported Work Demonstration (4.1.1-4.1.4) - 4.2 Job Training Partnership Act - 4.3 National Job Corps Study - 4.4 Workforce Investment Act Gold Standard - 4.5 Resumen - 5. Estudios de "aleatorización por juez" - 5.1 Hyman (2018), Trade Adjustment Assistance (EE.UU.) - 5.2 Humlum, Munch y Rasmussen (2025), caseworkers (Dinamarca) - 6. Meta-análisis - 6.1 Smedslund et al. (2006) - 6.2 Haelermans y Borghans (2012) - 6.3 Card, Kluve y Weber (2018) - 6.4 Peck et al. (2021) - 6.5 Meta-análisis propio de experimentos aleatorizados en EE.UU. (6.5.1-6.5.5) - 7. Foco en programas sectoriales - 7.1 Historia (CET, Project QUEST, Year Up, WorkAdvance, Katz et al.) - 7.2 Lecciones de esa historia - 7.3 Revisión de la muestra de Katz et al. (2022) - 7.4 Resumen - 8. De la evidencia pasada a un futuro disrumpido por la IA (8.1-8.4) - 9. Discusión - Referencias - Apéndices A-G (temas complementarios, figuras extra, experimentos europeos, estudios de discontinuidad, preliminares conceptuales del meta-análisis, meta-análisis con persistencia, análisis coste-beneficio) --- ## Resumen global El informe revisa 50 años de evidencia experimental en EE.UU. sobre programas de recualificación laboral para valorar si servirían frente a una disrupción del empleo causada por la IA. Sobre 146 estimaciones de 56 ensayos aleatorizados, encuentra que el efecto medio es pequeño: unos 2 puntos porcentuales de empleo y 700-1.100 dólares anuales de ingresos, aunque los beneficios cubren aproximadamente los costes. Los grandes programas federales (JTPA, Job Corps, WIA) apenas movieron la aguja, mientras que un pequeño grupo de "programas sectoriales" muy selectivos, vinculados de cerca a empleadores, multiplican esos efectos por 5-10. Los autores advierten que esos programas sectoriales filtran a más del 80% de los candidatos y enseñan destrezas de pocos meses, por lo que no encajan bien con una eventual disrupción de profesiones cualificadas. La conclusión es escéptica pero no derrotista: no hay hoy un sistema capaz de responder a una crisis de empleo masiva, y se propone escalar y evaluar con rigor los programas sectoriales más prometedores como "simulacro de incendio" ante la incertidumbre de la IA. --- ## Resumen ejecutivo **Resumen conciso:** Entre expertos y público, la recualificación es la política más popular contra la disrupción laboral por IA. El informe examina si funciona, basándose en 146 estimaciones de 56 ensayos aleatorizados en EE.UU. desde 1973. Concluye que el efecto medio es modesto, que los grandes programas federales han decepcionado, y que solo algunos programas sectoriales muy selectivos logran resultados notablemente mejores. **Resumen estructurado:** - Muestra: 146 estimaciones / 56 ensayos aleatorizados (1973-hoy), programas de ~6 meses y ~13.000 dólares por persona. - Hallazgos principales: - Empleo: +1,7 puntos porcentuales (base de control: 63%) - Ingresos: +800 dólares/año de media - Estas cifras son por persona a la que se ofreció el programa (no solo a quien lo completó), lo cual importa porque el cumplimiento suele ser bajo - Los programas superan el análisis coste-beneficio, aunque con supuestos inciertos sobre la duración de los efectos - Programas a gran escala (JTPA de los 80, su sucesor y el Job Corps): resultados discretos o nulos. - Programas sectoriales selectos: elevan ingresos 5-10 veces más (5.000-10.000 dólares/año) gracias a selección intensiva, colaboración con empleadores y seguimiento de la demanda local de destrezas. - Limitaciones de los programas sectoriales: - Rechazan a más del 80% de los solicitantes - Enseñan destrezas de meses, no de años (no aptos para profesionales muy cualificados) - Difíciles de replicar y escalar sin perder su esencia - Recomendación: escalar y evaluar de forma aleatorizada los programas más prometedores como respuesta rápida ante una eventual crisis por IA. **Reflexión de Máquina:** Este resumen funciona casi como un aviso a navegantes para gobiernos que, ante el miedo a la IA, tienden a repetir el gesto reflejo de "vamos a formar a la gente". La evidencia dice que ese gesto, tal como se ha ejecutado durante medio siglo, apenas roza el problema. Lo interesante es que el informe no rechaza la formación como herramienta, sino que identifica con precisión quirúrgica el único modelo que sí funciona (el sectorial) y advierte que ese modelo depende de ingredientes difíciles de fabricar por decreto: selección agresiva, confianza acumulada con empresas locales y ciclos cortos de enseñanza. Para una empresa, un gobierno regional o un sindicato que hoy piense en programas de reskilling frente a la IA, la lección práctica es doble: desconfiar de soluciones genéricas y masivas, y en cambio invertir en relaciones profundas y sostenidas con empleadores concretos, aunque eso implique servir a mucha menos gente. --- ## Overview **Resumen conciso:** La principal preocupación de los estadounidenses sobre la IA es la pérdida de empleo, y los datos actuales sugieren que los más expuestos son trabajadores de cuello blanco con estudios universitarios, aunque la incertidumbre es alta. El informe recupera la extensa tradición estadounidense de formación laboral (14.000 millones de dólares anuales, 10,7 millones de personas atendidas en 2017) para valorar su utilidad ante una futura disrupción por IA. Advierte, sin embargo, que la población y duración de esta crisis podrían diferir mucho de las estudiadas hasta ahora. **Resumen estructurado:** - Principal miedo ciudadano ante la IA: perder el empleo. - Perfil más expuesto según datos actuales: trabajadores cualificados de cuello blanco (desarrolladores, paralegales, contables); pero la robótica y los vehículos autónomos podrían golpear a otros perfiles, y trabajadores de cuello blanco poco cualificados (atención al cliente, entrada de datos) podrían verse afectados antes. - Historial de gasto público en EE.UU.: desde la administración Kennedy, miles de millones anuales; en 2017, 14.000 millones de dólares y 10,7 millones de personas atendidas. - Valoración oficial previa: un informe de la Casa Blanca (2019) calificó estos programas de "en gran medida ineficaces". - Excepción: algunos programas privados, validados con estudios aleatorizados rigurosos, han logrado resultados notables al trabajar de cerca con empleadores. - Advertencia central: si la disrupción afecta sobre todo a cuello blanco, la nueva población de desempleados de larga duración sería la más educada y mejor pagada de la historia, con más ahorro líquido y más facilidad para navegar el mercado laboral; la evidencia disponible, en cambio, procede de programas de semanas o meses dirigidos a personas de bajos ingresos. **Reflexión de Máquina:** Aquí aparece el desajuste de fondo de todo el informe: la evidencia disponible describe un mundo -el de trabajadores de bajos ingresos, con historiales de desempleo largo- que probablemente no es el que la IA va a crear. Es como tener un manual muy detallado de primeros auxilios para fracturas de tobillo cuando lo que se avecina son conmociones cerebrales. Los autores son francos con esta discrepancia desde la primera página, lo cual es poco habitual y valioso: en vez de forzar la evidencia para que encaje con el problema de moda, avisan de que hará falta investigación nueva, específicamente sobre cómo reconvertir a profesionales de alta cualificación, algo que hoy se parece más a un máster comprimido que a un curso de soldadura de seis meses. --- ## 2. Background **Resumen conciso:** El apartado clasifica las técnicas de apoyo al empleo en tres familias -orientación laboral, formación directa y aprendizaje en el puesto- y explica que el informe se centra en las categorías 3-6 (destrezas blandas, educación básica, formación vocacional y formación en el puesto). Reconoce que la línea entre formación en el puesto y subsidio de empleo es borrosa, y que muchos programas mezclan enfoques. **Resumen estructurado:** - Nueve técnicas identificadas, agrupadas en: - Orientación laboral (listados de empleo, ayuda en la búsqueda) - Formación directa (destrezas blandas, educación básica de adultos, formación vocacional) - Aprendizaje en el trabajo (formación en el puesto, aprendizajes reglados, subsidios al empleo privado, empleo público directo) - El informe se limita a los puntos 3-6. - Complicaciones señaladas: - La formación "en el puesto" a menudo carece de currículo formal real - La mayoría de programas mezclan búsqueda de empleo con pago de formación - Fuera del alcance del informe: aprendizaje reglado (678.014 aprendices activos en EE.UU. en 2025) por falta de evidencia de calidad suficiente. **Reflexión de Máquina:** Esta sección funciona como delimitación metodológica, pero también revela un punto ciego importante: el aprendizaje reglado (apprenticeships), que en países como Alemania es central en la formación profesional, queda fuera simplemente porque no hay estudios aleatorizados de calidad. Esto no significa que no funcione, solo que no ha sido evaluado con el rigor que los autores exigen. Para cualquier decisor de políticas públicas, esta ausencia de evidencia no debería traducirse en ausencia de inversión; más bien es una llamada a generar esa evidencia, porque el modelo de aprendizaje reglado combina precisamente los dos ingredientes que el informe identificará más adelante como clave del éxito: vínculo con empleadores reales y duración suficiente para un aprendizaje profundo. --- ## 3. Temas críticos **Resumen conciso:** Antes de revisar los estudios individuales, el informe repasa cinco trampas metodológicas transversales: la necesidad de aleatorización para medir impacto real, el problema del cumplimiento imperfecto (no todos los que reciben la oferta participan), el sesgo de attrition o pérdida de sujetos en el seguimiento, los sesgos de publicación académica frente a informes gubernamentales, y la fragilidad de replicar el éxito al escalar programas. **Resumen estructurado:** _3.1 Importancia de la aleatorización_ - Comparar ingresos antes/después es engañoso ("Ashenfelter's dip"): la gente suele apuntarse justo tras una caída de ingresos, y se recupera aunque no reciba formación. - Ejemplos de fracasos de estudios no aleatorizados: la vitamina E y la salud cardíaca, la renta básica garantizada, y un programa sectorial que reportó ganancias salariales 8 veces mayores en sus informes anuales que en su ensayo aleatorizado. - Postura del informe: dar prioridad casi absoluta a estudios aleatorizados o cuasi-aleatorizados creíbles. _3.2 Cumplimiento imperfecto_ - Distinción entre ITT (intention-to-treat, diferencia simple entre grupos, independiente de si participaron) y LATE (local average treatment effect, dividiendo el ITT entre la diferencia de participación). - El informe usa por defecto el ITT, pero reporta también la tasa de participación para permitir estimar el LATE. _3.3 Attrition_ - La desaparición selectiva de sujetos en encuestas de seguimiento puede sesgar los resultados en cualquier dirección. - Remedio principal: vincular a bases de datos administrativas (Seguridad Social, agencias estatales de desempleo), que reducen mucho el problema, aunque no capturan trabajo informal o autónomo. _3.4 Publicación académica vs. no académica_ - La mayoría de estudios revisados proceden de encargos gubernamentales o fundaciones, no de journals académicos, lo que reduce (aunque no elimina) el sesgo de publicación y el p-hacking. _3.5 El éxito es efímero_ - Replicar un programa exitoso a mayor escala tiende a diluir sus resultados: ejemplo del Center for Employment Training (CET), que fracasó en casi todas sus 14 réplicas, y de WorkAdvance, cuyas nuevas sedes rindieron peor que la original. - Solo Year Up mantuvo ganancias consistentes al escalar. - Ejemplo histórico de incentivos perversos: la Job Training Partnership Act de 1982 generó "creaming" (seleccionar a los candidatos más fáciles de colocar) porque las agencias locales eran evaluadas por resultados administrativos, no por impacto real. **Reflexión de Máquina:** Este bloque es, en cierto sentido, el corazón epistemológico de todo el informe: antes de contar ninguna historia de éxito o fracaso, los autores blindan al lector contra el optimismo fácil. El ejemplo del programa sectorial que infló sus resultados 8 veces en sus informes anuales pesa mucho, porque muestra que incluso organizaciones con buena intención y datos reales pueden estar autoengañándose sistemáticamente si no se someten a la disciplina de un grupo de control aleatorio. La lección de "el éxito es efímero" también debería ser una advertencia para cualquier consultoría o gobierno que presente un piloto exitoso como garantía de que escalarlo funcionará igual de bien: la historia de CET demuestra que copiar la forma sin capturar la esencia (relaciones humanas construidas durante veinte años, liderazgo comprometido) puede producir un fracaso casi total pese a parecer, sobre el papel, el mismo programa. --- ## 4. Grandes evaluaciones aleatorizadas en EE.UU. **Resumen conciso:** El apartado repasa las cuatro grandes evaluaciones aleatorizadas de programas federales en 50 años: el National Supported Work Demonstration (NSWD), la Job Training Partnership Act (JTPA), el Job Corps y la Workforce Investment Act (WIA). En conjunto, ninguno de estos programas de escala nacional produjo beneficios grandes y duraderos, salvo efectos modestos en adultos. **Resumen estructurado:** _4.1 National Supported Work Demonstration (1975-1978)_ - 82,4 millones de dólares (financiación Ford Foundation + gobierno federal), 6.616 personas en 10 sedes. - Población: mujeres en ayudas familiares de larga duración, exadictos, exconvictos y jóvenes sin graduar. - Resultado: +7,1 puntos de empleo y +900 dólares/año en mujeres beneficiarias de ayudas; efectos más tardíos y menos claros en exadictos y exconvictos; sin efecto claro en jóvenes. - Seguimiento posterior con datos de Seguridad Social (Couch 1992): el efecto persistió pero se redujo a la mitad (441 dólares/año). - El programa "fracasó" en el sentido de que ayudó a poca gente en términos absolutos (mucha deserción), aunque "funcionó" como generador de conocimiento causal fiable. - Sirvió de base empírica para la "revolución de la credibilidad" en economía: estudios no aleatorizados posteriores (LaLonde 1986) demostraron ser muy poco fiables al comparar sus estimaciones con las del NSWD. _4.2 Job Training Partnership Act (JTPA, finales años 80)_ - Estructura descentralizada: estados, áreas de servicio locales (SDA) y consejos con mayoría empresarial. - 15.981 sujetos, asignación 2:1 tratamiento/control. - Resultados oficiales: +539 y +550 dólares en mujeres y hombres adultos a 18 meses; resultados negativos o nulos para jóvenes. - Datos de la Oficina de Contabilidad Gubernamental (más fiables, vía Seguridad Social): +3 puntos de empleo, +500-600 dólares/año en adultos, sin efecto claro en jóvenes. - Coste: unos 1.000 dólares por inscrito (frente a 8.000 del NSWD). - Causa clave del bajo impacto: baja diferencia de participación entre tratamiento y control (mucha gente del grupo control encontró formación similar por otra vía). _4.3 National Job Corps Study (años 90)_ - Estudio nacionalmente representativo, ~81.000 solicitantes, seguimiento de hasta 20 años vía IRS. - Resultado global: prácticamente sin impacto en empleo o ingresos según fuentes oficiales, pese a que los autoinformes mostraban ganancias mucho mayores (sesgo de attrition/sobreestimación). - Controversia sobre el informe de seguimiento a 20 años (Schochet 2021), acusado de resaltar selectivamente un resultado positivo en el grupo de mayor edad (20-24 años) sin mencionar los resultados nulos del conjunto. - Conclusión de los autores: la señal dominante es la ausencia de impacto global. _4.4 Workforce Investment Act Gold Standard (2010-2012)_ - 28 sedes elegidas aleatoriamente, tres brazos de tratamiento (servicios básicos, intensivos, formación completa). - Diferencial de participación en formación modesto (16 puntos), coste bajo (2.409 dólares por sujeto). - Resultado: sin impacto claro y estadísticamente distinguible de cero en ninguno de los cuatro paneles analizados. _4.5 Resumen_ - Ningún gran programa federal produjo beneficios grandes y sostenidos; solo la JTPA mostró algún efecto positivo en adultos. - La baja participación efectiva (mucha gente del grupo control accede a formación por otras vías) es en sí misma un problema a tener en cuenta, no solo una limitación estadística a descartar. **Reflexión de Máquina:** Leídos en conjunto, estos cuatro grandes experimentos son casi un estudio de caso sobre los límites del Estado como ejecutor directo de programas complejos y personalizados. No es que el gobierno estadounidense no invirtiera recursos ni rigor: invirtió cientos de millones de dólares y produjo algunas de las evaluaciones aleatorizadas más ambiciosas jamás realizadas en ciencias sociales. El problema parece estructural: cuando un programa se diseña para operar a escala nacional, con administración descentralizada y métricas de desempeño fáciles de manipular, pierde exactamente los ingredientes -selección cuidadosa, relación estrecha con empleadores concretos- que hacen funcionar a los programas pequeños que se verán en el apartado 7. Para cualquier gobierno que hoy planee una respuesta de gran escala frente a la IA, la lección es que el tamaño y el éxito pueden ir en direcciones contrarias: cuanto más grande y uniforme se vuelve el programa, más difícil es mantener la calidad artesanal que produce resultados. --- ## 5. Estudios de "aleatorización por juez" **Resumen conciso:** El apartado revisa dos estudios cuasi-experimentales que aprovechan la asignación arbitraria de casos a distintos trabajadores de caso (en lugar de jueces) como sustituto de la aleatorización real. Ambos encuentran efectos positivos de la formación, mayores que los de los ensayos aleatorizados clásicos, aunque con más incertidumbre metodológica. **Resumen estructurado:** _5.1 Hyman (2018), Trade Adjustment Assistance en EE.UU._ - Aprovecha que distintos investigadores del Departamento de Trabajo tenían distinta propensión a aprobar ayudas TAA (asistencia a trabajadores desplazados por competencia extranjera). - Muestra: peticiones de TAA de 1974-2016, vinculadas a datos de empleo (LEHD). - Resultado: la disponibilidad de TAA generó, a 10 años, unos 20 meses adicionales de trabajo y 50.000 dólares más de ingresos por trabajador; también aumentó 20-40 puntos la probabilidad de cambiar de zona geográfica o de industria. - Limitación clave: como la extensión del seguro de desempleo depende de estar en formación, no se puede aislar el efecto de la formación del efecto del propio colchón económico. _5.2 Humlum, Munch y Rasmussen (2025), Dinamarca_ - Aprovecha que en algunas oficinas de empleo danesas la asignación de caseworker depende del día de nacimiento del cliente. - Muestra: 167.222 episodios de desempleo, 127.713 personas, 536 caseworkers (2012-2017). - Hallazgo principal: la formación en aula aumenta el empleo en torno a un 16% (unos 26 horas/mes) a los dos años; la formación en el puesto de trabajo no muestra efecto claro y estadísticamente distinguible. - La formación en aula ayudó sobre todo a encontrar trabajo en una ocupación nueva, no en la anterior. - Resultado sorprendente: quienes abandonaron el curso antes de acabarlo obtuvieron beneficios similares a quienes lo completaron, lo que complica la interpretación de "por qué" funciona. **Reflexión de Máquina:** Estos dos estudios son el contrapunto más interesante a la sección anterior: sin la aleatorización perfecta de un ensayo clásico, logran capturar situaciones del mundo real -desempleo por comercio internacional, sistemas públicos daneses- que los experimentos tradicionales rara vez cubren. El hallazgo danés de que abandonar el curso produce beneficios similares a completarlo es desconcertante y merece más atención de la que probablemente recibirá: sugiere que parte del efecto de la formación podría no venir del contenido aprendido, sino de la señal que envía el simple hecho de intentarlo, o de la reorganización temporal que impone en la búsqueda de empleo. Para quien diseñe políticas de reskilling frente a la IA, esto invita a no asumir automáticamente que "más horas de curso completado" es sinónimo de "más empleabilidad". --- ## 6. Meta-análisis **Resumen conciso:** El apartado sintetiza cinco meta-análisis (cuatro previos y uno propio) que agregan cientos de estimaciones de impacto de programas de formación laboral en distintos países. Todos coinciden en encontrar efectos positivos pero modestos sobre empleo e ingresos, con poco consenso sobre qué características de diseño explican el éxito. **Resumen estructurado:** _6.1 Smedslund et al. (2006)_ - programas de welfare-to-work, mayoritariamente EE.UU.: empleo +9,7% el primer año, decayendo a +3,7% al quinto año. _6.2 Haelermans y Borghans (2012)_ - formación en el puesto, mayoritariamente Europa, estudios no aleatorizados: impacto salarial +3,9% bruto, pero cae a +2,6% al corregir el sesgo de publicación detectado (inflación del 50% en los resultados publicados). _6.3 Card, Kluve y Weber (2018)_ ("CKW") - el meta-análisis más amplio, 857 estimaciones de 207 estudios internacionales: la formación eleva el empleo 1,4-2 puntos el primer año y 4-4,6 puntos más a partir del segundo; efectos mayores en desempleados de larga duración, mujeres, jóvenes y en épocas de recesión. _6.4 Peck et al. (2021)_ - 46 estudios de "career pathways" en EE.UU.: empleo +6 puntos de media; rasgos asociados a mejores resultados incluyen no estar liderado por un community college, exigir requisitos mínimos de ingreso, y sobre todo la implicación de empleadores en el diseño del currículo. _6.5 Meta-análisis propio (56 estudios, 146 estimaciones, con apoyo de Claude Opus para extraer datos)_ - Muestra: media de 6 meses de duración, 13.046 dólares por persona ofrecida el tratamiento (dólares de 2025). - Resultados agregados: - Empleo: +2,5-2,9 puntos a medio plazo (año 2), +1,7-1,8 puntos a largo plazo (años 3-5) - Ingresos: +7,8% (1.000-1.100 dólares/año) a medio plazo, +4,9% (700-800 dólares/año) a largo plazo - Participación en el programa evaluado: 75% en tratamiento vs. 9% en control; participación en cualquier formación: solo 28 puntos de diferencia - LATE (ajustado por participación real): hasta 4 veces el efecto ITT - Análisis coste-beneficio: ratio beneficio-coste de 1,44 (estrecho) a 1,80 (amplio); cubre el 76% de su coste vía ahorro fiscal; retorno interno del 5,97%. - Correlatos de impacto: los programas con compromiso de contratación por parte del empleador multiplican los ingresos por un orden de magnitud (impulsado por pocos casos: Wildcat/NSWD, Year Up, Wisconsin Regional Training Partnership); el desempleo regional alto se asocia con más impacto a medio plazo (probablemente porque reduce las alternativas del grupo control). **Reflexión de Máquina:** La convergencia entre cinco meta-análisis independientes, realizados por equipos distintos, con metodologías distintas y en países distintos, en torno a la misma conclusión -"funciona, pero poco"- es en sí misma un dato robusto que merece más peso del que a veces se le da en el debate público. Lo más provocador de esta sección, sin embargo, es metodológico: el uso de un modelo de lenguaje (Claude Opus) para extraer y sistematizar datos de cientos de páginas de informes históricos. Es un ejemplo temprano de cómo la propia IA que genera la disrupción laboral que preocupa al informe puede, al mismo tiempo, acelerar la investigación sobre cómo responder a ella. También aparece aquí, de forma discreta pero contundente, el hallazgo del compromiso de contratación por parte del empleador como el correlato más potente de éxito, algo que anticipa directamente la sección 7: el peso no está en la enseñanza en sí, sino en la garantía de una puerta de salida real hacia un empleo concreto. --- ## 7. Foco en programas sectoriales **Resumen conciso:** Esta es la parte más optimista del informe: revisa la historia de un puñado de programas privados ("sectoriales") que trabajan de cerca con empleadores, seleccionan intensamente a sus candidatos y han logrado ganancias salariales varias veces superiores a la media. Sin embargo, esos mismos programas rechazan a la mayoría de solicitantes, enseñan destrezas de corta duración y son difíciles de replicar sin perder su efectividad. **Resumen estructurado:** _7.1 Historia_ - Origen: Center for Employment Training (CET) en San José, años 80; destacó en dos demostraciones (Minority Female Single Parent y JOBSTART), pero sus 14 réplicas nacionales fracasaron casi todas. - Project QUEST (San Antonio): trabajó con empleadores de sanidad y colegios comunitarios; ingresos pasaron de 5.367 a 24.907 dólares/año en estudios no aleatorizados. - Cuatro programas evaluados por Public/Private Ventures (QUEST, Wisconsin Regional Training Partnership, Jewish Vocational Service Boston, Per Scholas): todos elevaron ingresos entre 2.000 y 5.000 dólares/año. - Year Up: en el estudio PACE, elevó ingresos en 8.000 dólares/año, sin decaimiento a los 7 años, aunque con un coste de 30.000 dólares por participante. - WorkAdvance: Per Scholas volvió a destacar; St. Nicks Alliance mostró efecto tardío (8.000 dólares/año a los 7-10 años). - Katz et al. (2022): síntesis académica de referencia sobre por qué funcionan estos programas. _7.2 Lecciones de esa historia_ - Los "programas estrella" se descubren, no se fabrican: suelen ser evaluados varias veces precisamente porque ya destacaban. - Escalar (CET, WorkAdvance) tiende a diluir resultados; Year Up es la excepción más clara. - La selección de qué se evalúa no es aleatoria (managers comprometidos con el método científico), lo cual limita la representatividad de la muestra. _7.3 Revisión de la muestra de Katz et al. (2022)_ - Los autores amplían la muestra de Katz et al. (8 programas) a 18, añadiendo CET y sus réplicas y otros programas con implicación de empleadores en el currículo. - Definición de trabajo de "programa sectorial": implicación de empleadores en el diseño del currículo. - Resultados de esta muestra ampliada: empleo +3 puntos, ingresos +3.000-4.000 dólares/año (dólares 2025), con significancia estadística en casi todos los paneles. - LATE (ajustado por participación real): aproximadamente el doble del ITT. - Coste: 11.602 dólares por persona (similar al promedio general). - Ratio beneficio-coste: 7,18 (frente a 1,44 del conjunto general); el gobierno recupera el coste dos veces. _7.4 Resumen_ - Componentes comunes de los programas exitosos: selectividad intensa (Per Scholas acepta ~7% de solicitantes), formación en destrezas blandas y vocacionales, coaching individualizado, y sobre todo un puente real hacia el empleo (compromiso de contratación de empleadores). - Límites estructurales: dependen de empresas dispuestas a invertir y comprometerse, cuyo número es limitado en cada ciudad; las instituciones públicas, al no poder ser tan selectivas, lo tienen más difícil para replicar el modelo. **Reflexión de Máquina:** Esta sección es, en mi lectura, la más útil para cualquier organización -pública o privada- que hoy quiera diseñar programas de reconversión frente a la IA. El mensaje de fondo es casi contraintuitivo: el ingrediente decisivo no es la calidad pedagógica del curso, sino la existencia de un compromiso real y verificable de contratación por parte de un empleador concreto. Eso convierte a estos programas en algo más parecido a agencias de colocación con un componente formativo intensivo que a escuelas tradicionales. La pega es que este modelo, precisamente por depender de relaciones profundas y selección agresiva, es estructuralmente antitético a la escala masiva que necesitaría una respuesta gubernamental ante una crisis de desempleo por IA. Cualquiera que diseñe formación puede extraer de aquí una lección directa: los programas de formación que prometen empleabilidad sin implicar activamente a empleadores reales en el diseño y en el compromiso de contratación probablemente están vendiendo humo, por bien diseñado que esté el contenido. --- ## 8. De la evidencia pasada a un futuro disrumpido por la IA **Resumen conciso:** El informe traslada sus hallazgos a un escenario de disrupción por IA, distinguiendo entre trabajadores de baja cualificación (a quienes los programas actuales sí podrían ayudar) y profesionales muy cualificados (para quienes estos programas son claramente insuficientes). Propone la asistencia por ajuste comercial (TAA) como modelo de referencia para despidos claramente atribuibles a la IA, y pide una inversión decidida en escalar y evaluar programas sectoriales. **Resumen estructurado:** - Limitación general: toda la evidencia proviene de programas cortos (semanas o meses), dirigidos mayoritariamente a personas de bajos ingresos, mientras que la IA podría golpear primero a perfiles de cuello blanco cualificados. - Referencia: Manning y Aguirre (2026) cruzan exposición a la IA con "capacidad adaptativa" (riqueza líquida, edad, densidad de empleos, proximidad a profesiones afines) en 356 profesiones. Grupos de riesgo alto: secretarios/as y administrativos/as (59% de exposición, 14% de capacidad adaptativa). **8.1 Programas de corta duración podrían ayudar a trabajadores "de baja cualificación"** desplazados, como conductores, si las destrezas requeridas son enseñables en meses; el LATE (impacto por persona que realmente participa) es el doble del ITT, por lo que un aumento de demanda de formación podría elevar el impacto medio observado. **8.2 Los programas de corta duración no encajan con trabajadores muy cualificados**, por tres razones: solo ayudan a quien tiene motivación pero aún necesita el empuje; la reconversión profunda toma años (ejemplo danés: trabajadores con lesión laboral grave que volvieron a la universidad ganaron un 25% más, pero tras cuatro años de estudios); y los ciclos de formación largos rompen el modelo sectorial, que depende de anticipar demandas de destrezas a corto plazo. **8.3 El modelo TAA merece consideración** para quienes pierdan su empleo de forma demostrable por causa de la IA, porque extiende el seguro de desempleo de medio año a tres años mientras financia la reconversión; su limitación es que solo funciona con despidos claros, no con la falta de nuevas contrataciones. **8.4 Recomendación**: financiadores públicos y privados deberían invertir agresivamente en demostraciones y evaluaciones de programas sectoriales, incluyendo un posible "simulacro de incendio" para escalar rápidamente uno de estos programas. **Reflexión de Máquina:** Esta sección es donde el informe se atreve, con prudencia, a hacer política pública basada en evidencia incompleta, algo que exige franqueza. El cruce entre exposición a la IA y capacidad adaptativa dice bastante: no es casualidad que los perfiles más vulnerables (administrativos, auxiliares) combinen alta exposición con baja capacidad de reacción, mientras que perfiles de alta cualificación, aunque expuestos, tienen colchón para adaptarse. Esto sugiere que la política pública debería priorizar recursos hacia el primer grupo, no hacia el segundo, aunque el segundo genere más titulares mediáticos. La propuesta del "simulacro de incendio" es interesante como ejercicio de gestión de riesgo: en vez de esperar a una crisis para improvisar un programa, proponen practicar hoy el escalado rápido de un modelo ya validado, algo parecido a un simulacro de evacuación antes de que haya un incendio real. --- ## 9. Discusión **Resumen conciso:** El cierre recuerda que los cambios ocupacionales masivos no son nuevos en la historia económica, pero que la combinación de gran capacidad y velocidad comprimida que trae la IA es la variable inédita. Los autores concluyen que la formación laboral actual tiene efectos positivos pero pequeños, insuficientes para compensar un repunte grande y sostenido del desempleo, y que la mejor respuesta es una combinación de políticas exploradas en paralelo. **Resumen estructurado:** - Precedentes históricos de disrupción ocupacional: los cocheros de caballos vieron subir sus salarios pese a la caída del empleo del sector (transición gradual); operadores de ascensor, proyeccionistas de cine y operadores de centralita telefónica sí sufrieron periodos comprimidos de desempleo. - Aún no hay evidencia clara de grandes impactos de la IA sobre el empleo, pero la incertidumbre justifica tener listas las opciones de política. - Balance final: el sistema actual de formación es un gasto público defendible (se autofinancia a largo plazo), pero insuficiente ante un desempleo persistente y elevado; los programas sectoriales son la señal más prometedora, aunque no probada a escala. - Recomendación final: explorar múltiples respuestas en paralelo (formación, especialmente sectorial, entre otras), ya que buena parte de esa investigación es valiosa "siempre", independientemente de si la IA finalmente causa una crisis de empleo o no. **Reflexión de Máquina:** El cierre evita tanto el catastrofismo como la complacencia, algo poco frecuente en el discurso público sobre IA y empleo. La comparación entre los cocheros de caballos y los ascensoristas viene a decir que el sufrimiento social lo marca menos la magnitud del cambio que su velocidad, y eso es precisamente lo que hace a la IA distinta de automatizaciones anteriores. La frase final, sobre que investigar cómo ayudar a los trabajadores a adaptarse es valioso independientemente del desenlace, es en el fondo una defensa de la inversión en evidencia como seguro barato frente a la incertidumbre: cueste lo que cueste, aprender ahora cómo funciona (o no funciona) la recualificación es una apuesta de bajo riesgo y alto valor esperado. --- ## Referencias y Apéndices A-G **Resumen conciso:** Las referencias recogen la bibliografía completa citada. Los apéndices amplían, con menor densidad narrativa, temas técnicos: historia legislativa de EE.UU. (A.1), la "dip de Ashenfelter" y la revolución de la credibilidad (A.2), efectos de observador y externalidades/desplazamiento (A.3-A.4), el sesgo de qué estudios llegan a evaluarse (A.5), el debate señalización vs. capital humano (A.6), experimentos europeos con resultados poco concluyentes en Noruega, Dinamarca, Países Bajos y Reino Unido (Apéndice C), dos estudios de discontinuidad en Turín y en Países Bajos (Apéndice D), y detalles técnicos del meta-análisis y del análisis coste-beneficio (Apéndices E-G). **Puntos estructurados destacables:** - Historia legislativa: desde la Manpower Development and Training Act de 1962 hasta hoy, con un tira y afloja constante entre fragmentar y unificar programas. - Externalidades: un experimento francés (Crépon et al. 2013) mostró que la ayuda intensiva en la búsqueda de empleo desplazaba a otros candidatos no tratados, anulando gran parte del beneficio neto; el informe cree que este riesgo de desplazamiento es menor en formación que aumenta destrezas reales, sobre todo si se orienta a ocupaciones con demanda insatisfecha. - Señalización vs. capital humano: incluso críticos de la educación como Bryan Caplan (que atribuye el 80% del valor de un título universitario a señalización pura) conceden que la formación vocacional es mayoritariamente productiva (solo 40% señalización). - Experimentos europeos: en general, más débiles metodológicamente que los estadounidenses, con problemas de aleatorización imperfecta o muestras pequeñas; una excepción parcial es el estudio ERA en Reino Unido, donde el grupo más difícil de ayudar (desempleados de larga duración) mostró el mayor beneficio sostenido. **Reflexión de Máquina:** Los apéndices, aunque menos vistosos, son donde está buena parte del rigor metodológico del informe. El hallazgo francés sobre desplazamiento es una advertencia que rara vez llega al debate político: ayudar a alguien a conseguir un empleo puede simplemente estar quitándoselo a otra persona que no forma parte del estudio, y por tanto el beneficio social neto podría ser mucho menor de lo que sugieren los titulares sobre "programas que funcionan". El giro de Caplan, el crítico más feroz de la educación como señalización pura, reconociendo el valor real de la formación vocacional, es un argumento de autoridad inesperado a favor de la idea central del informe: no toda la formación es placebo social, aunque buena parte de la educación superior sí podría estarlo en gran medida. --- # Contenido original: How well do job retraining programs work? Fuente: [How well do job retraining programs work?](https://www.anthropic.com/research/reviewing-the-evidence-on-worker-retraining-programs) ## Reviewing the evidence on worker retraining programs 12 ago 2026 [Download the report](https://www-cdn.anthropic.com/4ef47f859bc67be739a14f5d40b43927eecacdb6/WorkerRetraining.pdf) We're sharing a review of the evidence on worker retraining programs, coauthored by independent researcher David Roodman and Anthropic's Maxim Massenkoff. Retraining workers is the most popular policy option for mitigating labor market disruption from AI. In this report, the authors investigate whether these programs would work in the face of significant labor market disruption. The review is part of our Economic Research team's work on AI's effects on the economy. Our [Economic Index](https://www.anthropic.com/economic-index) tracks how AI is being used across occupations and industries. Earlier this year, we published a [framework](https://www.anthropic.com/research/labor-market-impacts) for measuring AI's effects on the labor market and identifying the jobs most likely to be affected. Our [Economic Policy Framework](https://www.anthropic.com/policy-on-the-ai-exponential/epf) sets out possible policy responses, including worker retraining, across a range of scenarios. We want to understand the evidence behind each of these policy responses. The review draws on 56 randomized US studies, combined in a new meta-analysis, along with experimental evidence from Europe. On average, job training programs produce positive but modest effects: for each person offered a training slot, employment rises by two to three percentage points and earnings by roughly $1,000 a year, against a cost of about $13,000. Counting the added tax revenue and reduced benefit payments, the government recovers more than half of what it spends, and programs roughly break even overall. A small set of “sector programs”—programs that partner with employers in a high-demand industry and place people directly into jobs in that field—produce gains several times larger. But attempts to replicate them have often failed. The authors conclude that if AI displaces workers at scale, existing retraining programs would likely fall short. Their central recommendation is to invest now in demonstrating, evaluating, and scaling the most promising programs, including through an effort to rapidly expand a leading program for a specific group of workers and rigorously measure the results. Our [Economic Futures Research Fund](https://www.anthropic.com/news/economic-futures-research-fund-agenda) is designed to fund investigations into questions like these.