El 29 de marzo de 2026, la presidente de Meta, Dina Powell McCormick, subió al escenario del Axios AI Summit en Washington y dijo algo que no sonaba a discurso corporativo de IA: Estados Unidos necesita 500,000 electricistas nuevos en los próximos dos años para poder construir lo que la industria de IA ya prometió.

Cuatro meses después, el 21 de julio, Ford, Google, BlackRock y Carhartt confirmaron que le creyeron. Pusieron 450 millones de dólares combinados detrás del problema.

El cuello de botella de la próxima fase de la IA es de manos, no de chips

Durante dos años, cada conversación sobre los límites de la IA giró alrededor de lo mismo: cuántas GPUs puedes conseguir, cuánto cuesta el cómputo, qué tan rápido puedes entrenar el siguiente modelo. Ese marco tiene un problema que recién se está haciendo visible: puedes comprar más capacidad de cómputo con suficiente capital, casi de inmediato. No puedes comprar un electricista certificado de la misma forma.

Formar a un electricista que pueda conectar con seguridad una subestación o cablear un centro de datos de nueva generación toma años de aprendizaje regulado, exámenes de certificación y horas supervisadas en campo. Ese proceso no se acelera poniendo más dinero encima, de la misma forma que no se acelera un embarazo pagándole más a nueve mujeres distintas. Es un cuello de botella estructural, no uno que el capital resuelva por sí solo, y es exactamente el tipo de restricción que la conversación pública sobre IA ha ignorado casi por completo.

Los números detrás de la alerta

Según MachineBrief, McCormick fue directa sobre la magnitud del problema: Estados Unidos necesitará 500,000 electricistas nuevos en dos años para sostener la infraestructura física detrás de la expansión de IA, desde centros de datos hasta subestaciones y redes de carga.

La respuesta corporativa llegó rápido. Según un reporte que desglosa los compromisos, Ford puso 300 millones de dólares como parte de su iniciativa “Essential Economy”, BlackRock comprometió 100 millones para conectar a 50,000 trabajadores con entrenamiento en cinco años, y Google destinó 50 millones para preparar a más de 300,000 trabajadores en más de 20 estados, en asocio con 14 sindicatos y cuatro asociaciones de oficios y contratistas. Carhartt suma su programa existente “For the Love of Labor”. Juntas, las cuatro empresas lanzaron la “Alliance for America’s Skilled Trades” el 21 de julio de 2026.

El CEO de Ford, Jim Farley, puso el problema en términos concretos para su propia industria, según Allwork.Space: “para 2029, vamos a necesitar más de 350,000 técnicos automotrices nuevos en todo el país.” Y añadió la parte que más me interesa de toda la iniciativa: “ninguna persona ni organización va a resolver sola la escasez de oficios especializados.”

La escala del problema no es exclusiva de la IA. El sector de construcción registraba 298,000 posiciones abiertas en mayo de 2026, y el Manufacturing Institute proyecta 2.1 millones de puestos de oficios especializados sin llenar para 2030. Lo que cambió es que la demanda de electricistas, técnicos de HVAC y linieros para conectar centros de datos de IA se sumó, de golpe, a una escasez que ya venía acumulándose desde antes.

Por qué esto no se resuelve con más capital

Ya escribimos sobre por qué la IA es infraestructura, no una herramienta, y este es el ejemplo más literal de esa idea que he visto hasta ahora. Una herramienta se instala. La infraestructura se construye, se conecta a una red eléctrica real, y necesita gente calificada para mantenerla funcionando durante décadas. Ninguna cantidad de dinero adicional reduce el tiempo que toma certificar a un electricista, de la misma forma que ninguna cantidad de dinero reduce el tiempo que le toma a un modelo de lenguaje aprender física básica sin haberla visto antes.

Esto conecta con algo que ya documentamos en la economía del instalador que Silicon Valley redescubrió: el software se puede escalar copiando código. El trabajo físico calificado no se escala copiando nada, se escala formando personas, una a la vez, con años de por medio. Y como ya vimos en la paradoja de Jevons y los empleos que se duplicaron cuando la fábrica se apagó, la automatización no siempre reduce la demanda de trabajo humano. A veces la mueve hacia otro tipo de trabajo, uno que resulta ser mucho más difícil de escalar rápido que el que reemplazó.

Qué significa esto para cualquier empresa construyendo sobre IA

Si tu empresa depende de infraestructura de IA, sea porque estás construyendo centros de datos, expandiendo capacidad de cómputo, o simplemente planeando cuánto va a costar y cuándo va a estar lista la próxima generación de modelos, este anuncio deja una lección concreta: los cronogramas de infraestructura física, no solo los anuncios de modelos, deberían ser parte de cualquier plan de IA a gran escala.

Un roadmap que asume que la energía, la conectividad y el mantenimiento estarán listos exactamente cuando el modelo lo esté, está ignorando el cuello de botella real que Meta, Ford y Google ya identificaron en público, con cifras y con 450 millones de dólares detrás. En IQ Source, cuando ayudamos a una empresa a planear su adopción de IA a escala, la pregunta de discovery no es solo qué tan capaz es el modelo que vas a usar. Es si la infraestructura física detrás de ese modelo, y la gente calificada para mantenerla, va a estar lista cuando la necesites, o si vas a descubrir la escasez cuando ya sea demasiado tarde para resolverla con presupuesto.