Agentes de IA, robots y nosotros: alianzas tecnológicas en la era de la IA

• El trabajo del futuro se reconfigurará como una alianza entre personas, agentes y robots; con la tecnología actual se puede automatizar alrededor del 57% del tiempo laboral, pero esto es solo un potencial técnico y no una predicción de reducción de empleos
• Más del 70% de las habilidades que hoy exigen los empleadores se usan tanto en tareas automatizables como en las que no lo son, por lo que la mayoría de las habilidades siguen siendo válidas, aunque cambie la forma de aplicarlas
• La demanda de fluidez en IA (capacidad para usar y gestionar herramientas de IA) creció 7 veces en dos años y se perfila como la habilidad de más rápido crecimiento en las ofertas de empleo
• Para 2030, solo en Estados Unidos podrían generarse cerca de 2.9 billones de dólares en valor económico, pero para lograrlo hay que rediseñar flujos de trabajo completos, no solo tareas individuales
• Según el Skill Change Index, las habilidades digitales y de procesamiento de información son las que atravesarán los mayores cambios, mientras que las relacionadas con cuidado y apoyo son las que menos cambios experimentarían

---

Resumen clave

• El trabajo del futuro está pasando a una alianza impulsada por IA entre personas, agentes y robots
• Con la tecnología actual, alrededor del 57% del tiempo laboral en Estados Unidos puede automatizarse en teoría, pero esto es potencial técnico y se prevé que la adopción real tome décadas
• Algunos roles se reducirán, otros crecerán o cambiarán, y surgirán nuevos roles
• Más del 70% de las habilidades que exigen los empleadores se usan tanto en tareas automatizables como no automatizables, por lo que la mayoría sigue siendo válida, aunque cambie el contexto de aplicación
• El Skill Change Index mide la exposición de cada habilidad a la automatización en los próximos cinco años; las habilidades digitales y de procesamiento de información serán las más afectadas, y las de cuidado sufrirán cambios mínimos
• La demanda de fluidez en IA aumentó casi 7 veces en dos años, registrando el crecimiento más rápido en las ofertas de empleo en Estados Unidos
• Para 2030, podrían generarse cerca de 2.9 billones de dólares en valor económico en Estados Unidos, pero para ello las organizaciones deben preparar a su fuerza laboral y rediseñar flujos de trabajo completos, no tareas individuales

La IA redefine los límites del trabajo

• Mayor autonomía y capacidades de agentes y robots

  • En el pasado, las máquinas se diseñaban para seguir reglas y operar solo de la forma previamente definida
  • Con la llegada de la IA, los agentes y robots que realizan tareas cognitivas y físicas han adquirido más capacidades al aprender de conjuntos de datos masivos
  • Pueden responder a diversos tipos de entrada, incluido el lenguaje natural, y adaptarse al contexto en lugar de depender de reglas predefinidas
  • Con la tecnología actual, alrededor del 57% del tiempo laboral en Estados Unidos puede automatizarse en teoría, pero la adopción real depende de políticas, costo laboral, costo de implementación, tiempo de desarrollo y otros factores
  • La electrificación tardó más de 30 años en difundirse, y los robots industriales siguieron una trayectoria similar de varias décadas; en 2023, solo cerca de una quinta parte de las empresas operaban la mayoría de sus aplicaciones en la nube

• La IA afecta todo tipo de trabajo

  • El trabajo no físico representa alrededor de dos tercios del tiempo laboral en Estados Unidos
  • Aproximadamente un tercio del trabajo no físico requiere habilidades sociales y emocionales a las que la IA aún no llega
  • El resto consiste en tareas aptas para automatización, como razonamiento y procesamiento de información, y representa cerca del 40% de los salarios totales en Estados Unidos
  • El trabajo físico representa alrededor del 35% del tiempo laboral en Estados Unidos; aunque la robótica ha avanzado, la mayoría de las tareas físicas todavía requieren motricidad fina, destreza y conciencia situacional que la tecnología aún no puede reproducir de forma confiable
  • En cerca del 40% de la fuerza laboral de Estados Unidos, las tareas físicas representan más de la mitad del tiempo de trabajo (conductores, obreros de construcción, cocineros, asistentes médicos y otros)
  • Con el avance de los robots, se prevén cambios en ocupaciones como producción y preparación de alimentos, incluidas algunas funciones de bajos salarios
  • Los robots también seguirán realizando tareas peligrosas o imposibles para las personas, como trabajo submarino, búsqueda y rescate, e inspección en entornos peligrosos

• Las personas siguen siendo indispensables

  • Con el nivel actual de capacidades, los agentes pueden realizar el 44% del tiempo laboral en Estados Unidos y los robots el 13%
  • Para ampliar más la automatización se necesitan capacidades que hoy solo tienen los humanos, como interpretar intenciones y emociones (agentes) o el control fino del movimiento (robots)
  • A medida que avance la tecnología, se espera que algunos roles se reduzcan, otros se expandan o cambien de enfoque, y se creen nuevos roles
  • Caso de la radiología: entre 2017 y 2024, el empleo de radiólogos creció alrededor de 3% anual pese al avance de la IA, ya que esta mejoró precisión y eficiencia mientras los médicos se enfocaban en decisiones complejas y atención al paciente
    • Mayo Clinic ha ampliado en más del 50% a su personal de radiología desde 2016, mientras desplegó cientos de modelos de IA
  • La IA ya está creando nuevos tipos de trabajo y roles (ingenieros de software que generan y mejoran agentes, diseñadores y creadores que producen nuevo contenido con herramientas generativas, entre otros)

Siete tipos de trabajo

• Se analizaron unas 800 ocupaciones según su potencial de automatización física y no física, y se clasificaron en siete tipos
• Las ocupaciones con menor potencial de automatización se clasifican como centradas en las personas (people-centric), mientras que las que tienen una alta proporción de tareas automatizables se clasifican como centradas en agentes (agent-centric) o centradas en robots (robot-centric)
• Los roles donde se combinan de forma equilibrada dos o tres elementos se clasifican como tipos mixtos o híbridos

• Roles centrados en las personas

  • Se encuentran en salud, edificios y mantenimiento, entre otros, y representan cerca de un tercio del empleo en Estados Unidos
  • Salario anual promedio de alrededor de 71,000 dólares
  • Cerca de la mitad del tiempo de trabajo corresponde a actividades físicas que no pueden replicarse con la tecnología actual

• Roles centrados en agentes y centrados en robots

  • Son los roles con mayor potencial de automatización y representan alrededor del 40% del total de empleos
  • La mayoría son roles centrados en agentes en servicios legales y administrativos, con salario anual promedio de alrededor de 70,000 dólares, e incluyen grandes volúmenes de trabajo cognitivo que los sistemas de IA pueden procesar técnicamente, como redacción de documentos
  • Los roles centrados en robots (conductores, operadores de maquinaria y otros) exigen mucho físicamente y a veces son riesgosos, con salario anual promedio de alrededor de 42,000 dólares
  • Los roles agente-robot representan cerca del 2% de los trabajadores, con salario anual promedio de alrededor de 49,000 dólares; el 53% del tiempo de trabajo es físico, y se encuentran principalmente en entornos productivos como manufactura automatizada y operaciones logísticas donde la inteligencia de software dirige sistemas físicos

• Roles híbridos

  • Incluyen diversas ocupaciones que combinan personas, agentes y robots, y emplean a cerca de un tercio de la fuerza laboral
  • El salario, la intensidad física y el potencial de automatización varían mucho, pero en todos los entornos las personas siguen siendo esenciales
  • Roles persona-agente: docentes, ingenieros, profesionales financieros y otros, cuyo trabajo puede potenciarse con herramientas digitales y de IA; salario anual promedio de 74,000 dólares y representan cerca de una quinta parte de los trabajadores en Estados Unidos
  • Roles persona-robot: presentes en mantenimiento y construcción, donde las máquinas aportan fuerza y precisión al esfuerzo humano; el trabajo físico representa cerca del 81% del tiempo laboral, el salario anual promedio es de 54,000 dólares, y corresponden a menos del 1% de los trabajadores en Estados Unidos
  • Roles persona-agente-robot: presentes en transporte, agricultura y servicios de alimentos, donde las tres formas de trabajo se combinan casi por igual; el trabajo físico representa cerca del 43% del tiempo laboral, el salario anual promedio es de 60,000 dólares, y corresponden a alrededor del 5% de los trabajadores en Estados Unidos

Cambios en los requisitos de habilidades

• El análisis de ofertas de empleo muestra que se mencionan con frecuencia unas 6,800 habilidades en más de 11 millones de anuncios de trabajo
• En casi todas las ocupaciones existe al menos una habilidad altamente transformada que se ubica en el cuartil superior para 2030
• En un tercio de las ocupaciones, se prevé que más del 10% de las habilidades cambien de forma importante

• Mayor especificidad y especialización de los requisitos de habilidades

  • La cantidad de habilidades únicas asociadas con cada ocupación aumentó en promedio de 54 a 64 en la última década, lo que indica que los empleadores describen los puestos de manera más específica
  • Los campos mejor pagados tienden a requerir más habilidades y mayor especialización
    • Las ofertas para científicos de datos y economistas enumeran más de 90 habilidades únicas
    • Las de conductores de automóvil enumeran menos de 10
  • Las ocupaciones con salarios altos enfatizan habilidades de gestión, información y tecnología digital
  • Los puestos con salarios bajos se enfocan en trabajo práctico, operación de equipos y provisión de cuidado y apoyo

• Habilidades transferibles y 8 habilidades de alta frecuencia

  • Cada ola de cambio tecnológico ha modificado la forma en que trabajan las personas, pero la diferencia actual es la velocidad
  • Hasta 2023, la demanda de habilidades relacionadas con IA crecía a un ritmo similar al de otras habilidades digitales como computación en la nube y ciberseguridad
  • Tras el auge de la IA generativa, se aceleró con fuerza: en los últimos 2 años aparecieron cerca de 600 habilidades nuevas en anuncios de empleo, alrededor de un tercio del total agregado en la última década, y muchas están vinculadas con la IA y tecnologías relacionadas
  • El cambio acelerado eleva el valor de las habilidades transferibles
  • Aun con el aumento de la especialización, 8 habilidades de alta frecuencia —comunicación, relación con clientes, redacción, resolución de problemas, liderazgo, gestión, operaciones y atención al detalle— siguen siendo válidas en todas las industrias y niveles salariales
  • Estas habilidades forman el tejido conectivo del mercado laboral y son clave para el desarrollo de talento
  • Muchas otras habilidades también pueden transferirse entre ocupaciones: por ejemplo, más de la mitad de las habilidades requeridas para un Account Executive también aparecen en 175 ocupaciones distintas

• Crecimiento acelerado de la demanda de fluidez en IA (AI Fluency)

  • La demanda de fluidez en IA —capacidad para usar y gestionar herramientas de IA— se disparó casi 7 veces en dos años hasta mediados de 2025
  • Hoy ya se perfila como requisito en ocupaciones que emplean a cerca de 7 millones de personas
  • La demanda de habilidades técnicas de IA —crear e implementar sistemas de IA— también crece, pero a un ritmo más lento
  • El 75% de la demanda de habilidades de IA se concentra en tres grupos ocupacionales: computación y matemáticas, gestión, y negocios y finanzas
  • El resto proviene de 10 otros grupos ocupacionales, como arquitectura e ingeniería, instalación, mantenimiento y reparación, y educación
  • En 9 grupos ocupacionales —como construcción, transporte y servicio de alimentos— la demanda de habilidades relacionadas con IA es limitada; allí se concentra cerca del 40% de la fuerza laboral y los ingresos están por debajo de la mediana
  • Los empleadores también están aumentando la demanda de capacidades adyacentes a la IA, como optimización de procesos, aseguramiento de la calidad y capacitación
  • En cambio, disminuyen las menciones en ofertas de empleo de áreas que las máquinas ya realizan bien o mejoran mucho —investigación, redacción y matemáticas simples— aunque estas habilidades siguen siendo esenciales para la mayoría de la fuerza laboral

• La mayoría de las habilidades humanas siguen siendo vigentes, pero cambia su forma de uso

  • Aproximadamente el 72% de las habilidades se requieren tanto para tareas que la IA puede realizar como para tareas que deben hacer las personas
  • Se espera que una minoría de habilidades siga siendo exclusivamente humana, arraigada en empatía, creatividad y comprensión contextual, como la resolución de conflictos interpersonales y el design thinking
  • En el extremo opuesto del espectro, hay habilidades con alta probabilidad de volverse principalmente impulsadas por IA, como entrada de datos, procesamiento financiero y control de equipos
    • En estas áreas, las personas dejarán la ejecución práctica para concentrarse en diseño, validación de resultados y manejo de excepciones
  • En la amplia zona intermedia entre ambos extremos, personas e IA colaborarán lado a lado
    • Se forma una alianza tecnológica: las máquinas se encargan de tareas rutinarias, mientras las personas enmarcan los problemas, dan instrucciones a agentes de IA y robots, interpretan resultados y toman decisiones
    • Las personas aportan juicio y comprensión contextual que aún les faltan a las máquinas, combinando colaboración y supervisión

Skill Change Index (SCI)

• El SCI es un indicador ponderado en el tiempo que mide la exposición potencial de cada habilidad a la automatización en distintos escenarios de adopción
• Entre las 100 habilidades más demandadas, el efecto de la IA varía mucho
  • Las habilidades centradas en las personas, como coaching, tienen la menor exposición a la automatización
  • Las habilidades manuales y rutinarias, como procesamiento de facturas, tienen la mayor exposición
  • Habilidades como aseguramiento de la calidad se ubican en la mitad de la distribución: son áreas donde la IA cambia la forma de usar la habilidad más que reemplazarla

• Exposición de 7,000 habilidades

  • Las habilidades digitales y de procesamiento de información ocupan los puestos más altos en el SCI, reflejando la mejora de la IA en procesamiento y análisis de datos
  • Las habilidades de cuidado y apoyo son las que menos cambios probablemente experimenten

• Tres trayectorias de evolución de habilidades

  • Habilidades de alta exposición (cuartil superior): tienen alta probabilidad de ver caer su demanda; aquí se incluyen sobre todo habilidades especializadas que la IA ya realiza bien, como procesos contables y programación en ciertos lenguajes
  • Habilidades del cuartil medio: es más probable que evolucionen en su naturaleza y forma de aplicación que en su nivel de demanda; aquí predominan habilidades transferibles que combinan juicio humano y herramientas digitales, y también se incluye la fluidez en IA; las personas aplicarán de nuevas maneras habilidades como redacción e investigación
  • Habilidades de baja exposición (cuartil inferior): tienen alta probabilidad de permanecer; aquí predominan habilidades basadas en la conexión humana y el cuidado, como liderazgo y habilidades de salud

Valor económico y rediseño de workflows

• La automatización basada en IA podría generar en Estados Unidos cerca de 2.9 billones de dólares al año en valor económico para 2030 bajo un escenario de adopción intermedia
• Para materializar esas ganancias, no basta con automatizar tareas individuales: hay que rediseñar workflows completos para que personas, agentes y robots colaboren de manera efectiva

• La mayoría de las empresas aún no alcanza beneficios sustanciales

  • Cerca del 90% de las empresas dice haber invertido en IA, pero menos del 40% reporta beneficios medibles
  • La brecha se explica porque muchos proyectos siguen en fase piloto o de prueba, o porque las organizaciones aplican IA a tareas individuales en vez de rediseñar workflows completos
  • Ejemplo: hay una gran diferencia entre dar a empleados de un banco un chatbot de uso temporal y desplegar agentes personalizados dentro de un proceso replanteado junto con personas para aprobación, procesamiento y gestión de préstamos

• Distribución de las ganancias de productividad

  • Se analizaron 190 procesos de negocio en toda la economía estadounidense
  • Cerca del 60% de las ganancias potenciales de productividad se concentra en workflows relacionados con dominios específicos de cada sector —las actividades centrales de cada industria—
    • Manufactura: gestión de cadena de suministro
    • Salud: diagnóstico clínico y atención al paciente
    • Finanzas: cumplimiento regulatorio y gestión de riesgos
  • Las ganancias adicionales provienen de funciones transversales que apoyan a todos los sectores, como TI, finanzas y servicios administrativos

Estudio de caso: workflows integrados con IA

• Revisión de 80 casos de implementación que rediseñan los flujos de trabajo en torno a la IA
• Los gerentes y especialistas están pasando cada vez más a funciones de orquestadores y validadores, en lugar de ejecutores
• Especialistas de dominio como analistas de datos, underwriters e ingenieros se asocian con agentes que realizan el análisis inicial o generan borradores preliminares
• Las habilidades humanas más valiosas se están desplazando hacia la fluidez en IA, la adaptabilidad y la evaluación crítica de resultados, lo que permite que las personas se concentren en tareas de mayor valor

• Caso de ventas: empresa tecnológica global

  • Busca ampliar el alcance y profundizar la relación con los clientes
  • En el modelo anterior, el equipo humano de ventas usaba métodos de priorización inconsistentes, tenía capacidad limitada para enfoques personalizados sobre miles de cuentas pequeñas, y solo los principales prospectos recibían atención personalizada
  • Introdujo múltiples agentes de IA para automatizar las primeras etapas del proceso comercial
    • Agente de priorización: puntúa y clasifica cuentas con base en datos públicos y propietarios
    • Agente de contacto: se comunica con clientes
    • Agente de respuesta al cliente: gestiona seguimientos y clasifica leads como interesados, no interesados o inciertos
    • Agente de programación: agenda llamadas y recordatorios para leads de alto potencial
    • Agente de handoff: transfiere el expediente a especialistas cuando se requiere juicio humano
  • Resultado: se proyecta un aumento de 7~12% en ingresos anuales por mayores ventas nuevas, ventas cruzadas y retención, además de un ahorro de 30~50% del tiempo en distintas funciones de ventas
  • Los especialistas en desarrollo de negocios pueden dedicar más tiempo a la participación estratégica, como redactar propuestas, negociar alianzas y construir relaciones
  • A futuro podrían añadirse un agente de coaching (retroalimentación en tiempo real para el equipo comercial) y un agente de gestión (asistente para tareas administrativas rutinarias)

• Caso de operaciones de atención al cliente: gran empresa de servicios públicos

  • Atiende más de 7 millones de llamadas de soporte al año, pese a contar con varias opciones de autoservicio en app y sitio web
  • El sistema anterior de respuesta de voz interactiva resolvía solo alrededor del 10% de las consultas; el resto se transfería a agentes humanos de atención al cliente
  • Desplegó IA conversacional agéntica para toda su base de clientes
    • Agente de llamadas entrantes: autentica al cliente
    • Agente de identificación de intención: determina el motivo de la llamada
    • Agente de programación de llamadas: administra citas
    • Agente de autoservicio: se integra con los sistemas backend
  • Resultado: actualmente atiende cerca del 40% de todas las llamadas y resuelve más del 80% de ellas sin intervención humana
    • Cuando se requiere escalamiento, transfiere la llamada junto con detalles de cuenta verificados y el historial de la conversación para asegurar un handoff fluido
    • El costo promedio por llamada se redujo en alrededor de 50%
    • La puntuación de satisfacción del cliente subió 6 puntos porcentuales gracias a menores tiempos de espera, procesamiento más consistente y resolución más rápida
    • Los agentes humanos gestionan problemas más complejos, emocionalmente delicados y de mayor valor
  • A futuro podrían añadirse un agente de identificación de problemas del cliente (detecta interrupciones del servicio y monitorea el contacto proactivo con clientes) y un agente de coaching (proporciona orientación en tiempo real a los agentes humanos durante la llamada)
  • Se prevé que agentes de IA avanzados eventualmente puedan manejar 80~90% de las consultas de clientes

• Caso de redacción médica: empresa biofarmacéutica global

  • Busca mejorar el proceso de elaboración de informes de estudios clínicos que documentan datos de seguridad y eficacia de nuevos medicamentos
  • En el modelo anterior, los redactores médicos recopilaban manualmente los datos del estudio, redactaban informes extensos y coordinaban múltiples ciclos de revisión
  • La capacidad limitada y los largos tiempos de ejecución restringían la posibilidad de satisfacer la creciente demanda de presentaciones
  • Desarrolló una plataforma de IA que reconfigura el flujo de trabajo de redacción de informes
    • Sintetiza datos estructurados y no estructurados de investigación, genera borradores integrales en minutos, aplica plantillas de estilo corporativo y cumplimiento normativo, y revisa errores por sí misma
  • El rol del redactor médico pasó de la redacción manual de borradores a colaborar con el sistema de IA y aplicar criterio clínico
  • Resultado: el tiempo de intervención sobre el primer borrador revisado por humanos se redujo en alrededor de 60%, y los errores en aproximadamente 50%
    • Combinado con otros cambios relacionados en procesos y tecnología, el esfuerzo para salir al mercado se acortó en varias semanas, con mejoras adicionales previstas
  • A futuro podrían usarse agentes para apoyar etapas clave desde la planificación del estudio clínico hasta la presentación: agente de planificación de estudios clínicos (arma protocolos de ensayo), agente de mapeo de datos (analiza y sintetiza datos), agente de redacción de informes (genera el borrador completo), agente de validación (verifica cumplimiento), agente de revisión (escanea errores), agente de borrador para presentación (genera documentos para presentar ante entes reguladores)
  • Si se aplica a lo largo de todo el ciclo de investigación, el cronograma podría acortarse en varios meses

• Caso de modernización de TI: banco regional

  • Usa agentes de IA para modernizar una aplicación bancaria para pequeñas y medianas empresas
  • Su objetivo es actualizar diversos lenguajes de programación para acelerar el desarrollo interno
  • Método anterior: la documentación manual, el refactor de código y las pruebas sobre millones de líneas de código requerían meses de trabajo, grandes presupuestos y amplias capacidades de ingeniería
  • Inició un piloto que usa agentes de IA en varias tareas de modernización
    • Agente de evaluación: escanea la base de código heredada para identificar dependencias
    • Agente funcional: genera la arquitectura objetivo
    • Agente de codificación: migra el código al nuevo framework y ejecuta pruebas automáticas
  • Los desarrolladores colaboran con 15~20 agentes para validar y mejorar resultados en términos de integridad arquitectónica, cumplimiento y precisión funcional
  • Durante la modernización, la aplicación pasó de escritorio a móvil, de on-premise a la nube, y de una arquitectura monolítica a una de microservicios
  • A medida que los agentes de IA asumen la mayor parte de la ejecución repetitiva, el foco del trabajo humano se desplaza hacia la planificación, la orquestación y las pruebas
  • Resultados iniciales: hasta 70% de precisión del código
  • Tras el módulo piloto, el banco planea ampliar el uso de agentes a todo el esfuerzo de modernización y estima una reducción de hasta 50% en el tiempo humano necesario
  • A futuro podrían apoyar un agente de planificación de modernización (coordina el proceso), un agente de aseguramiento de calidad y un agente de pruebas

• La IA reconfigura el trabajo y las habilidades de gestión

  • A medida que la IA asume más tareas de análisis y apoyo a la toma de decisiones, la naturaleza del trabajo gerencial cambia de la supervisión de personas a la orquestación de sistemas en los que colaboran personas, agentes de IA y robots
  • Los gerentes pueden reasignar tiempo a tareas de mayor valor, como ejercer influencia y mentoría, pero también se requiere una mayor fluidez técnica
    • Ejemplo: un gerente de ventas puede dedicar más tiempo a entrenar al equipo para usar insights basados en IA y fortalecer relaciones
    • Ejemplo: un gerente de servicio al cliente puede supervisar una fuerza laboral híbrida de personas y agentes de IA, y entrenar tanto a los sistemas de IA como al personal para mejorar el servicio

Preguntas clave para líderes empresariales

• Reimaginar el negocio para crear valor futuro

  • Los esfuerzos iniciales de IA suelen centrarse en mejorar lo existente, en lugar de replantear los flujos de trabajo
  • Los mayores beneficios provienen del rediseño integral de procesos
  • Para construir valor futuro, es necesario mirar varios años hacia adelante y trabajar en reversa para identificar qué roles, habilidades y estructuras deben cambiar en relación con la IA
  • Los líderes deben decidir ahora dónde invertir en rediseños importantes y dónde mejorar el modelo actual para obtener beneficios de corto plazo

• Impulsar la IA como una transformación central del negocio

  • La IA afecta a casi todas las funciones
  • Los líderes pueden abordarla como un proyecto tecnológico o como una transformación empresarial más amplia
  • Delegar la responsabilidad al departamento de TI puede acelerar la implementación, pero el cambio sostenido y una ventaja estratégica real dependen del compromiso visible del liderazgo senior y de una atención continua al impacto de la IA en las personas y el negocio en toda la organización

• Construir una cultura de experimentación y aprendizaje

  • La implementación de IA implica incertidumbre, especialmente al inicio
  • Las organizaciones que prueban rápido y se adaptan tienden a aprender más rápido
  • Esto depende de una cultura que apoye la curiosidad, la toma de riesgos, el aprendizaje a partir del fracaso y la colaboración
  • Cambiar la cultura es difícil, pero es esencial para la magnitud de transformación que probablemente exigirá la IA

• Generar confianza y garantizar la seguridad

  • La IA está cambiando la forma en que las empresas mantienen la responsabilidad y la supervisión
  • El enfoque pasa de revisar resultados individuales a establecer políticas claras, validar la lógica de la IA, gestionar excepciones y determinar cuándo es más necesaria la intervención humana
  • El desafío es mantener el equilibrio correcto entre conservar suficiente supervisión para gestionar riesgos y garantizar la seguridad, sin limitar la innovación y la eficiencia

• Dotar a los gerentes de capacidades para liderar equipos híbridos

  • La IA está redefiniendo lo que significa gestionar
  • Al automatizar la supervisión rutinaria, los gerentes pueden concentrarse en el coaching, la influencia y la orquestación de equipos híbridos de personas, agentes y robots
  • Los gerentes también desempeñan un papel clave en probar sesgos, verificar el desempeño y mantener la integridad
  • A medida que la automatización reduce el control directo, puede volverse más difícil mantener la responsabilidad sobre los resultados
  • Se necesitan nuevas métricas de desempeño y sistemas de retroalimentación para evaluar las contribuciones e interacciones entre humanos y máquinas

• Decidir cómo aprovechar la capacidad liberada por la IA

  • Las empresas deben decidir cómo usar la capacidad que la IA libera: reinvertir en desarrollo de talento y trabajo de mayor valor, o enfocarse en una mayor eficiencia y reducción de costos
  • La mayoría hará algo de ambas cosas
  • Gestionar esta transición requiere identificar qué roles pueden evolucionar y ofrecer a los empleados trayectorias de crecimiento claras basadas en habilidades
  • Con la IA, el aprendizaje y la capacitación continuos se vuelven aún más importantes para la fortaleza organizacional
  • A medida que los cambios ocupacionales y las necesidades de habilidades evolucionan más rápido, ayudar a los trabajadores a entender cómo sus habilidades pueden transferirse a nuevos tipos de trabajo contribuye a fortalecer la resiliencia tanto de las personas como de las empresas
  • La fluidez en IA debe ampliarse a todos los niveles de la organización
  • Las empresas pueden desarrollar estas habilidades mediante herramientas digitales, proyectos prácticos y coaching, y también pueden ampliar el acceso al aprendizaje y abrir nuevas oportunidades a través de alianzas con otras organizaciones e instituciones

Preguntas clave para las instituciones

• Evolución de la educación y la capacitación

  • A medida que evolucionan las necesidades de habilidades, la educación cumple un papel clave
  • Es necesario desarrollar desde la escuela primaria las bases de la fluidez en IA —como pensamiento crítico, cuestionamiento de resultados, desafío de supuestos y reconocimiento de sesgos y errores— para que las personas aprendan a usar y guiar estas tecnologías de forma efectiva
  • Es posible rediseñar los planes de estudio para combinar conocimiento técnico con habilidades humanas transferibles como adaptabilidad, pensamiento analítico y colaboración
  • Las universidades pueden integrar la IA en todas las disciplinas, y los institutos técnicos y community colleges pueden ampliar la formación en oficios especializados
  • La IA puede apoyar un aprendizaje más personalizado y continuo
  • A medida que aumenta la demanda de reskilling, se necesita invertir en aprendizaje a lo largo de la vida
  • Los sistemas educativos y los empleadores deben colaborar más estrechamente mediante programas compartidos, modelos flexibles, aprendizajes remunerados y certificaciones rápidas para apoyar la movilidad de las personas entre empleos e industrias

• Sistemas que conecten las habilidades transferibles con nuevas oportunidades

  • A medida que la IA transforma el trabajo, muchas personas necesitarán pasar a ocupaciones completamente nuevas
  • Las habilidades transferibles son esenciales para esas transiciones, pero solo tienen valor si el mercado laboral puede reconocerlas y recompensarlas
  • Esto puede lograrse con definiciones claras de habilidades, métodos confiables para demostrar competencias —como pruebas o credenciales verificadas— y mejores plataformas de matching
  • Construir conexiones entre empleadores, escuelas y organismos de certificación puede ampliar el acceso al trabajo y a las oportunidades

• Respuesta de las economías regionales y las comunidades

  • El impacto de la IA varía mucho según la industria y la región
  • Entender esas diferencias con datos es el primer paso para tomar medidas efectivas
  • Con una visión clara de dónde se están produciendo los cambios, los grupos industriales, educadores, agencias laborales y sindicatos pueden colaborar en estrategias de capacitación y transición laboral adaptadas a las necesidades locales

Definiciones de términos

• Adopción (Adoption): despliegue de tecnologías de IA y automatización en actividades laborales y flujos de trabajo reales dentro del contexto de una organización o fuerza laboral; determina cuánto, qué tan rápido y con qué amplitud se captura el potencial de automatización
• Agentes (Agents): máquinas que realizan actividades de trabajo en el mundo digital, ampliando o sustituyendo capacidades no físicas de las personas (como generación de lenguaje natural, razonamiento social y emocional, creatividad, etc.)
• Agentes impulsados por IA (AI-powered agents): agentes con IA integrada que pueden actuar con mayor autonomía y orquestar flujos de trabajo; también se les llama IA agéntica
• Robots impulsados por IA (AI-powered robots): robots con IA integrada que pueden actuar con mayor autonomía y orquestar flujos de trabajo
• Inteligencia artificial (Artificial Intelligence, AI): capacidad del software para realizar tareas que tradicionalmente requieren inteligencia humana, con el potencial de ampliar o sustituir capacidades humanas
• Capacidades (Capabilities): habilidades físicas o no físicas que permiten aplicar una tecnología, evaluadas según el desempeño de nivel humano necesario para ejecutar actividades laborales; las capacidades no físicas incluyen capacidades cognitivas (lenguaje natural, razonamiento lógico, creatividad, navegación, etc.) y capacidades sociales y emocionales
• IA generativa (Generative AI): aplicaciones de IA que toman datos no estructurados como entrada y generan datos no estructurados mediante modelos fundacionales (grandes redes neuronales artificiales entrenadas con enormes volúmenes de datos diversos)
• Trabajo no físico (Nonphysical work): trabajo que involucra capacidades cognitivas o sociales/emocionales en lugar de movimiento físico (como resolver problemas, procesar información, crear o colaborar con otros)
• Ocupaciones (Occupations): conjuntos de empleos que comparten trabajos o actividades laborales similares y que pueden describirse en términos de habilidades, contexto de trabajo y otras cualificaciones; en Estados Unidos se usa el sistema de Clasificación Ocupacional Estándar mantenido por la Oficina de Estadísticas Laborales
• Trabajo físico (Physical work): trabajo que implica interacción directa con el mundo físico y requiere capacidades basadas en el movimiento, como motricidad gruesa, motricidad fina y movilidad; por lo general incluye manipular o mover objetos, herramientas o máquinas, ensamblar o posicionar materiales, o realizar acciones que dependen de la fuerza o destreza humanas
• Robots (Robots): máquinas que realizan actividades laborales en el mundo físico, ampliando o sustituyendo capacidades físicas de las personas (motricidad gruesa, motricidad fina, movilidad)
• Habilidades (Skills): conocimientos, capacidades y atributos que una persona aplica para realizar actividades laborales, a menudo adquiridos mediante educación formal, capacitación y experiencia laboral; Lightcast y ESCO ofrecen sistemas de clasificación de habilidades impulsados por el mercado
• Potencial técnico de automatización (Technical automation potential): proporción de horas de trabajo que teóricamente podrían automatizarse con un determinado nivel de capacidad tecnológica; el potencial técnico de automatización en toda la economía de Estados Unidos se evalúa mediante el análisis detallado de actividades laborales de cada ocupación; se utilizan bases de datos publicadas por la Oficina de Estadísticas Laborales de EE. UU. y O*NET para descomponer cerca de 800 ocupaciones en aproximadamente 2,000 actividades y determinar las capacidades necesarias para cada una según la forma en que hoy las realizan los humanos en el trabajo
• Actividades laborales (Work activities): conductas laborales observables que representan lo que hacen las personas para alcanzar los objetivos de una ocupación; en Estados Unidos, O*NET las clasifica oficialmente como actividades laborales detalladas (DWA)
• Flujos de trabajo (Workflows): secuencias estructuradas de actividades laborales que hacen avanzar colectivamente el trabajo hacia un objetivo definido, guiadas por procesos (reglas, dependencias, flujos de información, etc.) e integradas por personas y tecnología