Bill Gates ha vuelto a tocar una de las preguntas más incómodas de la revolución de la inteligencia artificial: qué trabajos seguirán teniendo sentido cuando los modelos sean capaces de escribir, resumir, razonar, programar, analizar datos y ejecutar tareas digitales con cada vez menos intervención humana. Su respuesta ha llamado la atención porque no habla de una lista larga de profesiones protegidas, sino de unos pocos ámbitos con más capacidad de resistencia: programación, biología, energía y deporte profesional.
La lectura fácil sería pensar que casi todo lo demás queda condenado. Pero esa interpretación es demasiado simple. La IA no elimina profesiones de golpe; primero automatiza tareas, cambia flujos de trabajo, reduce la demanda de perfiles repetitivos y eleva el listón para quienes siguen dentro. Lo que Gates está señalando no es una frontera perfecta entre empleos seguros y empleos muertos, sino una diferencia más útil: hay trabajos donde el valor no está solo en producir una respuesta, sino en entender sistemas complejos, operar sobre el mundo físico o generar interés humano.
Para un medio tecnológico, el caso más interesante es el de los programadores. Porque la programación es, al mismo tiempo, una de las áreas más afectadas por la IA y una de las que Gates considera más resistentes.
El código será más barato; entender sistemas será más valioso
Los asistentes de programación ya pueden escribir funciones, generar pruebas, revisar errores, explicar logs, documentar APIs, convertir código entre lenguajes y levantar prototipos a partir de una descripción. Lo que antes podía ocupar horas de trabajo de un desarrollador junior ahora puede resolverse en minutos con una herramienta bien usada.
Eso no significa que el programador desaparezca. Significa que cambia el centro del oficio.
En proyectos reales, el problema rara vez es escribir una función aislada. El problema es saber si esa función encaja en una arquitectura, si escala, si introduce deuda técnica, si abre un fallo de seguridad, si rompe una dependencia, si complica el mantenimiento o si resuelve el problema equivocado. La IA puede producir código con facilidad, pero no siempre entiende el contexto empresarial, el histórico del producto, las decisiones técnicas previas o las consecuencias de tocar una pieza en un sistema grande.
En videojuegos esto se ve con especial claridad. Un juego moderno no es solo código. Es motor gráfico, físicas, IA de enemigos, audio, red, herramientas internas, optimización, animación, servidores, parches, telemetría, monetización y experiencia de usuario. Una IA puede ayudar a generar scripts, prototipos, comportamientos o utilidades para el equipo. Pero convertir todo eso en un producto estable, divertido y eficiente exige criterio humano.
| Área de programación | Qué puede hacer la IA | Qué seguirá necesitando criterio humano |
|---|---|---|
| Código repetitivo | Generar funciones, tests y documentación | Validar arquitectura y mantenibilidad |
| Depuración | Sugerir causas de errores | Entender contexto, logs y efectos secundarios |
| Videojuegos | Crear scripts, prototipos y herramientas | Ajustar jugabilidad, rendimiento y experiencia |
| Seguridad | Revisar patrones vulnerables | Priorizar riesgos y evitar falsos positivos |
| Software empresarial | Acelerar integraciones | Decidir procesos, datos y cumplimiento |
El programador que solo traduce instrucciones simples en código tendrá más presión. El que entiende producto, arquitectura, datos, seguridad, rendimiento y experiencia de usuario tendrá más valor. La IA no reduce la importancia del software; reduce el valor del código producido sin criterio.
Biología y energía: cuando la IA toca el mundo físico
Gates también menciona a los biólogos. Tiene sentido en plena explosión de IA aplicada a ciencia, fármacos, proteínas, genética y salud. Los modelos pueden analizar grandes volúmenes de datos, encontrar relaciones, proponer moléculas, acelerar experimentos o detectar patrones que un equipo humano tardaría mucho más en ver.
Pero la biología no es una hoja de cálculo. Los organismos vivos tienen variabilidad, contexto, efectos secundarios, límites éticos y resultados que deben reproducirse en laboratorio o en ensayos. La IA puede generar hipótesis, pero la ciencia exige validarlas. Un modelo puede sugerir un camino, pero alguien debe diseñar el experimento, interpretar resultados, detectar sesgos y asumir responsabilidad sobre decisiones que afectan a salud, medicamentos o ecosistemas.
El sector energético es otro ejemplo de resistencia por complejidad física. La IA puede optimizar redes eléctricas, predecir demanda, ajustar mantenimiento o mejorar la operación de plantas. Pero la energía depende de infraestructuras reales: generación, transporte, distribución, almacenamiento, regulación, seguridad industrial y respuesta ante fallos.
Este punto será todavía más importante por la propia IA. Los centros de datos están elevando la demanda eléctrica en muchos países. Los modelos avanzados necesitan chips, refrigeración, red y potencia continua. Eso convierte a los expertos en energía en una pieza técnica y estratégica. No basta con tener algoritmos que optimicen consumo; hacen falta personas capaces de planificar infraestructuras, negociar capacidad, gestionar riesgos y mantener sistemas críticos funcionando.
Deportes, eSports y la parte humana que no se automatiza
La mención al deporte profesional es la más llamativa, pero quizá también la más sencilla de entender. Una IA puede analizar mejor que un humano millones de jugadas, simular estrategias o jugar de forma óptima a determinados videojuegos. Pero el público no ve deporte solo para observar eficiencia. Lo ve para ver personas.
La gente quiere ver presión, errores, remontadas, rivalidad, talento, cansancio, decisiones imposibles y gestos humanos. Esa lógica se aplica también a los eSports. Un bot podría jugar mejor que muchos profesionales, pero no genera el mismo vínculo que un equipo humano compitiendo en directo. El valor no está solo en la ejecución, sino en la narrativa.
Esta diferencia será importante en más sectores de los que parece. Hay trabajos donde la IA puede hacer una tarea, pero no reemplazar el valor social de que la haga una persona. El entretenimiento, la educación, la salud, la consultoría o la comunicación seguirán teniendo espacios donde la confianza, la empatía, la responsabilidad y la presencia humana importen.
La frontera real: tareas automatizables frente a responsabilidad
El debate sobre empleo e IA suele plantearse como una pregunta binaria: qué profesiones desaparecen y cuáles sobreviven. La realidad será más desigual. Dentro de una misma profesión habrá tareas muy automatizadas y otras más valiosas. Un abogado, un periodista, un profesor, un diseñador o un programador no perderán el mismo porcentaje de trabajo. Dependerá de cuánto valor aporten más allá de producir texto, código, presentaciones o análisis genéricos.
La lista atribuida a Gates funciona como una advertencia para el sector tecnológico. Los perfiles que más resistirán serán los que combinen IA con conocimiento profundo del dominio. No bastará con saber usar herramientas. Habrá que entender el problema que se intenta resolver.
En programación, eso significa pasar de escribir código a diseñar sistemas. En biología, de analizar datos a validar conocimiento. En energía, de optimizar modelos a operar infraestructuras. En deporte y videojuegos competitivos, de ejecutar movimientos a generar una experiencia humana que el público quiera seguir.
La IA hará que muchas tareas sean más baratas. También hará que el criterio sea más caro.
Preguntas frecuentes
¿Qué empleos ha señalado Bill Gates como más resistentes a la IA?
Ha citado programación, biología, energía y deporte profesional como ámbitos donde la sustitución completa será más difícil.
¿La IA reemplazará a los programadores?
No de forma completa. Automatizará muchas tareas de código, pero seguirá haciendo falta gente capaz de diseñar sistemas, revisar arquitectura, entender producto y asumir responsabilidad técnica.
¿Por qué la programación de videojuegos puede resistir mejor?
Porque un videojuego combina código, rendimiento, diseño, experiencia, red, herramientas internas y creatividad. La IA puede ayudar, pero no sustituye todo el proceso de creación y ajuste.
¿Qué perfiles tecnológicos serán más vulnerables?
Los que se limiten a tareas repetitivas, código simple, contenido genérico o soporte básico sin comprensión profunda del sistema o del negocio.
¿Qué debería aprender un profesional tech para adaptarse?
Arquitectura, seguridad, datos, automatización, criterio de producto y uso avanzado de herramientas de IA. La ventaja estará en combinar conocimiento técnico con capacidad de decisión.
