- A quien más amenaza la IA no es a los trabajadores de bajos ingresos, sino a los puestos con alta formación y altos salarios: el impacto de la IA no llega primero a los “empleos fáciles”, sino a los "buenos empleos"
- Los programadores encabezan la lista como la profesión más expuesta. Con una cobertura del 75%, están en la parte más alta entre todas las ocupaciones, pero paradójicamente quienes más usan agentes de codificación también son los propios desarrolladores
- Todavía no hay personas despedidas por la IA, pero la puerta de entrada para nuevas contrataciones se está cerrando silenciosamente: la IA reemplaza a personas no despidiendo al personal actual, sino dejando de contratar nuevo personal
- La mayoría de las tareas que en teoría la IA podría reemplazar todavía no han sido reemplazadas: en ocupaciones de computación y matemáticas, la cobertura teórica es del 94%, pero la real es de apenas 33%. Es una advertencia del gran espacio que aún queda por llenarse
- Las mujeres y las personas con mayor nivel educativo están más expuestas al riesgo de sustitución por IA, con una proporción femenina 16 puntos porcentuales más alta. A menudo se cree que la IA amenaza los “empleos manuales masculinos”, pero los datos apuntan exactamente a lo contrario
Hallazgos clave (Key Findings)
- La “exposición observada (observed exposure)” es un indicador que combina la capacidad teórica de los LLM con datos de uso real para medir el grado de uso laboral orientado a la automatización
- Da mayor peso al uso automatizado y al uso relacionado con el trabajo
- El uso real de la IA representa solo una parte de su potencial teórico, y la proporción de tareas que la IA puede realizar y que realmente se usan sigue siendo baja
- Cuanto mayor es la exposición de una ocupación, menor aparece la proyección de crecimiento del empleo hacia 2034 del Buró de Estadísticas Laborales de EE. UU. (BLS)
- Quienes trabajan en ocupaciones de alta exposición tienen, en promedio, mayor proporción de mujeres, mayor nivel educativo, salarios más altos y mayor edad
- Desde finales de 2022 no hay evidencia de un aumento sistemático del desempleo, pero sí se observa una desaceleración en la contratación de jóvenes
Contexto y objetivo del estudio
- Aunque han aumentado rápidamente los estudios que buscan medir y predecir el impacto de la IA en el mercado laboral, los enfoques anteriores tenían limitaciones en su precisión predictiva
- Un caso representativo es que alrededor del 25% de los empleos clasificados como vulnerables al offshoring mantuvieron un crecimiento sólido del empleo diez años después
- Los estudios sobre el impacto laboral de los robots industriales han llegado a conclusiones contradictorias, y el tamaño de la pérdida de empleos por el shock comercial con China sigue siendo tema de debate
- El objetivo de este estudio es establecer un enfoque para medir el impacto de la IA en el empleo y actualizar periódicamente el análisis a medida que aparezcan nuevos datos
- Al construir el marco antes de que el impacto de la IA sea completamente evidente, se pueden identificar con mayor confiabilidad las disrupciones económicas que con un análisis hecho a posteriori
Inferencia causal y contrafactuales (Counterfactuals)
- Cuando el efecto es grande y abrupto, como con COVID-19, la inferencia causal es más sencilla; pero el impacto de la IA podría no volverse visible de inmediato en los datos agregados, como ocurrió con la expansión de internet o el shock comercial con China
- El enfoque general consiste en comparar los resultados entre ocupaciones con alta exposición a la IA y ocupaciones con baja exposición, para aislar el efecto de la IA de variables de confusión
- Este estudio también sigue un enfoque basado en tareas, combinando mediciones de capacidad teórica de la IA con datos de uso real agregados por ocupación
Cómo se mide la exposición
- Se combinan tres fuentes de datos:
- Base de datos O*NET: lista de tareas laborales de unas 800 ocupaciones en Estados Unidos
- Datos reales de uso de Claude basados en el Anthropic Economic Index
- Estimaciones de exposición teórica por tarea (β) de Eloundou et al. (2023): si un LLM puede duplicar o más la velocidad de una tarea, se asigna 1; si requiere herramientas adicionales, 0.5; si no es posible, 0
- Entre las razones por las que tareas teóricamente posibles no aparecen en el uso real están las limitaciones del modelo, restricciones legales, requisitos de software y etapas de validación humana
- Ejemplo: “transmitir información de una receta a la farmacia y aprobar la renovación del medicamento” tiene exposición teórica β=1, pero no se observó en el uso real de Claude
- La exposición teórica y el uso real muestran una alta correlación, y el 97% de las tareas observadas en los cuatro informes previos del Economic Index pertenecían a las categorías β=0.5 o β=1
Indicador de exposición observada (Observed Exposure)
- La exposición observada cuantifica, entre las tareas que un LLM teóricamente puede acelerar, la proporción que realmente se usa de forma automatizada en entornos laborales
- Una ocupación aumenta su exposición cuando:
- la tarea es teóricamente posible con IA y muestra una frecuencia de uso significativa en el Anthropic Economic Index
- se usa en un contexto relacionado con el trabajo
- tiene una alta proporción de automatización o se implementa vía API (la automatización recibe ponderación completa; el uso aumentativo, media ponderación)
- las tareas impactadas por IA representan una parte importante del trabajo total
- La diferencia entre la cobertura teórica (azul) y la exposición observada real (rojo) es grande; la IA aún está muy por debajo de su capacidad teórica
- Ocupaciones de Computer & Math: cobertura teórica 94%, cobertura real 33%
- Ocupaciones de Office & Admin: cobertura teórica 90%
Ocupaciones con mayor exposición
- Entre las 10 ocupaciones con mayor exposición observada, las tres primeras son:
- Computer Programmers: cobertura del 75% (Claude se usa ampliamente para programación)
- Customer Service Representatives: las tareas principales muestran una tendencia de aumento en el tráfico de API de primera parte
- Data Entry Keyers: destaca la automatización en tareas clave de leer documentos fuente e ingresar datos, con una cobertura del 67%
- El 30% de todos los trabajadores tiene cobertura 0, porque sus tareas no alcanzan el umbral mínimo
- Ejemplos de este grupo: cocineros, mecánicos de motocicletas, salvavidas, bartenders, lavaplatos y personal de vestidores
Relación entre exposición y proyecciones de empleo del BLS
- Al comparar la exposición observada con la proyección de crecimiento del empleo del BLS por ocupación para 2024–2034, se observa que a mayor exposición, más débil es la proyección de crecimiento
- Por cada aumento de 10 puntos porcentuales en la cobertura, la proyección de crecimiento del BLS cae 0.6 puntos porcentuales (según una regresión ponderada por nivel de empleo)
- Esta correlación no aparece usando solo el indicador teórico β de Eloundou et al. → esto sugiere que la exposición observada es un indicador predictivo más útil de forma independiente
Características demográficas de quienes trabajan en ocupaciones de alta exposición
- Tomando como referencia el periodo justo antes del lanzamiento de ChatGPT (agosto–octubre de 2022), al comparar el 25% superior en exposición con el grupo de 0% de exposición:
- en el grupo de alta exposición, la probabilidad de ser mujer es 16 puntos porcentuales mayor
- la probabilidad de ser blanco es 11 puntos porcentuales mayor, y la de ser asiático es aproximadamente el doble
- el salario promedio es 47% más alto
- proporción con posgrado: 4.5% en el grupo no expuesto vs 17.4% en el grupo de alta exposición (casi 4 veces más)
Resultados del análisis de desempleo
- La razón para elegir la tasa de desempleo como indicador principal del análisis es que captura de la forma más directa la situación de quienes quieren trabajar pero no logran encontrar empleo
- Al observar la tendencia de desempleo desde 2016, durante COVID-19 la tasa de desempleo subió mucho más en el grupo no expuesto (con mayor proporción de ocupaciones presenciales)
- Después del lanzamiento de ChatGPT, el cambio en la tasa de desempleo del grupo de alta exposición no es estadísticamente significativo (hubo un leve aumento, pero en un nivel indistinguible de cero)
- Ejemplos de escenarios que este marco podría detectar:
- si el 10% superior fuera despedido por completo, la tasa de desempleo de ese grupo subiría de 3% a 43%, y la tasa general de 4% a 13%
- incluso un escenario de “gran recesión de cuello blanco” (si la tasa de desempleo del 25% superior se duplicara de 3% a 6%) también sería detectable con este análisis
Señales de desaceleración en la contratación de jóvenes
- Brynjolfsson et al. (2025) analizan que el empleo en ocupaciones de alta exposición entre trabajadores de 22 a 25 años cayó entre 6% y 16%, y que esto se debe principalmente a una reducción en la contratación más que a un aumento de despidos
- En este estudio, la tasa de desempleo de los jóvenes en ocupaciones de alta exposición en sí misma se mantiene estable
- una caída en la contratación puede no reflejarse en la tasa de desempleo: muchos jóvenes que entran por primera vez al mercado pueden no registrar una ocupación en la CPS o incluso salir del mercado laboral
- Usando datos de panel de la CPS, se siguió la tasa de nuevas incorporaciones laborales de personas de 22 a 25 años separando ocupaciones de alta y baja exposición
- desde 2024, la tasa de entrada a ocupaciones de alta exposición comenzó a caer visualmente
- la tasa mensual de empleo en ocupaciones de baja exposición se mantiene estable en 2%, mientras que la entrada a ocupaciones de alta exposición cayó alrededor de 0.5 puntos porcentuales
- estimación promedio para el periodo posterior a ChatGPT: la tasa de empleo en ocupaciones de alta exposición cayó 14% frente a 2022 (apenas significativa en términos estadísticos)
- no se observó una caída similar en trabajadores mayores de 25 años
- Aun así, también hay interpretaciones alternativas: los jóvenes que no fueron contratados podrían haberse quedado en sus trabajos anteriores, haber elegido otras ocupaciones o haber vuelto a estudiar
Limitaciones del estudio y planes futuros
- El indicador de Eloundou et al. utilizado actualmente necesita actualizarse con base en las capacidades de los LLM a inicios de 2023
- En adelante, planean actualizar la evolución de cobertura por tarea y ocupación incorporando continuamente los datos de uso de Claude
- Una tarea clave de seguimiento será rastrear cómo responden en el mercado laboral los recién graduados con títulos en áreas de alta exposición
- Este marco puede ampliarse y aplicarse a otros datos de uso y al contexto de otros países
1 comentarios
Opiniones de Hacker News
Trabajé en Big Tech durante los últimos 10 años y renuncié hace un mes
Trabajando fuera de una empresa siento que mi productividad aumentó unas 50 veces
Viendo el impacto de la IA en la productividad, los LLM son fuertes en (1) escribir código repetitivo, (2) convertir código entre lenguajes, (3) aprender y resumir conceptos nuevos, y (4) tareas simples como documentación
Pero en las grandes empresas este tipo de trabajo no ocurre tan seguido. La mayor parte del tiempo se va en reuniones e integración de sistemas
La IA solo fue de verdadera ayuda durante hackatones. Fuera de eso, más bien me generó más trabajo
En cambio, al trabajar de forma independiente sí noto una gran mejora de productividad en las cuatro áreas. También me preocupo menos por problemas legales o bugs en despliegue
Al final, según “quién la use”, la IA puede ser o no un cambio de juego
Pero si le das a la IA root access a tu vida, lo único que queda es decepción. La IA siempre necesita el control del arquitecto
Yo dejo que la IA redacte correos, pero yo mismo los envío. Le permito acceso a los datos, pero la decisión final la tomo yo
Gracias a las lecciones de la época de MongoDB, me acerco con cautela a las nuevas tecnologías. Ahora hice mi propio wrapper en Elixir y construí automatizaciones con Ash framework y Phoenix
Uso varios modelos en paralelo para que una sola empresa no pueda saberlo todo sobre mis datos. El verdadero reto es la privacidad
Pero en una gran empresa escribir código representa como el 20% del trabajo total, así que el otro 80% sigue siendo el cuello de botella
A quienes dicen que no sienten mejora de productividad con IA, me gustaría preguntarles: ¿dónde se atoran?
Expliqué mi flujo de trabajo en un comentario anterior, y hasta en una codebase legacy reduje a la mitad los pasos
Ahora casi ya no escribo código directamente; solo reviso los cambios que propone el LLM. El resultado da miedo de lo bueno que es
Si el trabajo se volvió más rápido, entonces hay que hacer más trabajo. Devolvemos los ingresos a la comunidad y generamos valor real
Pero en código complejo más bien terminan causando baja de calidad. Si quieres código mantenible, es mejor hacerlo tú mismo
La implementación inicial fue rápida, pero parece que la etapa de depuración va a tomar mucho más tiempo
Ignoró las instrucciones y dejó el ordenamiento del código hecho un desastre, así que el costo terminó siendo 5 veces mayor
Aun así, dicen que ha mejorado desde diciembre, así que pienso volver a intentarlo
Sigue estando al nivel de un reemplazo de Stack Overflow
Yo me encargo más de operación y mantenimiento que de escribir código
Hasta ahora la IA casi no ha tenido impacto en mi trabajo. Más bien Docker produjo un cambio muchísimo mayor
Incluso crea mal funciones básicas y comete errores lógicos con frecuencia
Tecnologías como cloud, Terraform y Ansible produjeron cambios mucho mayores
Como en el artículo de Wikipedia, es una etapa en la que la tecnología se ve, pero no aparece en las estadísticas
Ahora incluso estamos considerando reducir PMs y engineering managers. Es el cambio más grande de mis 35 años de carrera
Como somos una ONG pequeña, gracias a la IA hacemos más trabajo con el mismo presupuesto. Eso también mejoró la velocidad y calidad de aprendizaje
Pero la cantidad de trabajo no baja. Más bien terminamos haciendo todavía más
Como desarrollador, mi productividad se duplicó, pero la carga de trabajo sigue igual
Las expectativas también subieron, así que al final lo único que pasó es que se comprimió el calendario
El proyecto que estoy haciendo ahora es de una escala que ni siquiera habría intentado sin IA
Pero todavía no confío por completo en la salida de los LLM. Incluso me da miedo correr SwiftLint
Aun así, la velocidad del proyecto aumentó de forma brutal. Algo que antes tomaba 2 años, en un mes ya va más de la mitad
Creo que el impacto real de la IA no es tan grande
Quien la usa bien es apenas un poco más productivo, pero si eso se nota, le aumentan el trabajo 10 veces
El cambio verdadero está en los indie developers o freelancers
No confío en lo que dicen las empresas que venden productos de IA
Un colega del área de marketing, con el LLM aprobado por la empresa (Gemini), solo hace trabajo falso,
y el trabajo real lo resuelve con una cuenta personal de Claude
La razón es que teme que la empresa recolecte sus prompts para entrenar un modelo que lo reemplace
En la empresa dejaron de contratar juniors
Ahora es más eficiente asignarle a la IA el trabajo que hacían ellos
Pero esto es solo una etapa temporal de ajuste. Más adelante, cuando cambie la forma de la especialización, volverán a contratar
El problema no es la IA, sino factores macroeconómicos como la estructura de ingresos
Me pregunto si en los logs de Claude estimaron el impacto solo por frecuencia de exposición
Eso sería como si un vendedor de aceite de serpiente encuestara a sus propios clientes y dijera que “ya no necesitan médicos”
Toda la interpretación de los datos se sostiene sobre una premisa completamente distorsionada