Qué es la exposición observada y por qué cambia las reglas del juego
La Inteligencia Artificial y el mercado laboral forman una dupla que no sale del centro de las discusiones desde hace algunos años, pero la verdad es que buena parte de lo que escuchamos sobre automatización todavía se basa en proyecciones teóricas. Son modelos que intentan predecir lo que la IA podría hacer con determinadas tareas profesionales, sin necesariamente mirar lo que ya está ocurriendo en la práctica. Anthropic, creadora del asistente Claude, decidió atacar exactamente ese vacío y desarrolló un concepto llamado exposición observada. En lugar de estimar escenarios hipotéticos, esta métrica cruza datos reales de uso de la IA con la clasificación oficial de tareas profesionales en Estados Unidos, ofreciendo un panorama mucho más concreto sobre qué profesiones ya están siendo impactadas por la automatización y con qué intensidad esto ocurre en el día a día de quienes trabajan.
La nueva medida combina información de tres fuentes distintas: la base de datos O*NET, que lista las tareas asociadas a cerca de 800 ocupaciones en EE.UU.; los datos propietarios de uso de Claude, compilados a través del Anthropic Economic Index; y las estimaciones de exposición teórica desarrolladas por Eloundou y colegas en 2023. Esta última fuente clasifica cada tarea profesional en una escala simple — puntuación 1 si un modelo de lenguaje por sí solo consigue duplicar la velocidad de la tarea, 0,5 si eso requiere herramientas adicionales construidas sobre el modelo, y 0 si no es viable. La combinación de estas capas de datos es lo que permite ir más allá del ejercicio puramente teórico y ver el impacto real de la Inteligencia Artificial en el día a día profesional.
El gran acierto de este enfoque es justamente el hecho de que parte de la realidad y no de suposiciones. Cuando los investigadores analizan conversaciones reales entre usuarios y Claude, consiguen identificar patrones de uso que revelan qué actividades profesionales ya están siendo delegadas, complementadas o transformadas por la Inteligencia Artificial. Esto permite construir un mapa de ocupaciones automatizadas que no depende de conjeturas ni de proyecciones exageradas. El resultado es un retrato mucho más realista, que muestra tanto las áreas que ya sienten los efectos de la automatización como aquellas que siguen prácticamente intactas por la tecnología. Es un tipo de evidencia que faltaba en el debate público y que ayuda a separar lo que es alarma infundada de lo que merece atención real por parte de trabajadores, empresas y gobiernos.
Otro punto importante es que la exposición observada no mide solo si una profesión está siendo afectada, sino también el grado de esa exposición. El cálculo tiene en cuenta varios factores cualitativos que los investigadores consideran predictivos del impacto real sobre los empleos. La exposición de una ocupación es mayor cuando:
- Sus tareas son teóricamente viables con IA
- Sus tareas presentan un uso significativo en los datos del Anthropic Economic Index
- Las interacciones ocurren en contextos relacionados con el trabajo
- Existe una proporción mayor de uso automatizado o implementación vía API, en lugar de uso solo para complementar el trabajo humano
- Las tareas impactadas por la IA representan una porción relevante del rol profesional en su conjunto
Esa granularidad marca toda la diferencia a la hora de entender el escenario real del mercado laboral, porque evita generalizaciones peligrosas como decir que toda una categoría profesional está amenazada cuando, en la práctica, solo una porción específica de sus tareas es la que está siendo automatizada. Las implementaciones totalmente automatizadas reciben peso completo en la métrica, mientras que el uso de complementación — aquel en el que el profesional usa la IA como asistente, pero mantiene el control — recibe la mitad del peso. Es una distinción sutil, pero que cambia completamente la lectura de los datos.
Quiénes están más expuestos — y la sorpresa en los datos
Uno de los hallazgos más contraintuitivos del estudio de Anthropic es el perfil de los trabajadores que más aparecen en el radar de la exposición observada. Al contrario de lo que mucha gente imagina, no son los profesionales menos cualificados o de bajos ingresos los que lideran la lista de ocupaciones automatizadas. Los datos, extraídos de la encuesta Current Population Survey en los tres meses anteriores al lanzamiento de ChatGPT (agosto a octubre de 2022), muestran que los trabajadores más expuestos a la Inteligencia Artificial son justamente los más escolarizados, con salarios más altos y, en su mayoría, mujeres. El grupo más expuesto tiene 16 puntos porcentuales más de probabilidad de ser femenino, 11 puntos porcentuales más de ser blanco y casi el doble de posibilidades de ser asiático, comparado con el grupo sin exposición. En términos de remuneración, ganan en promedio un 47% más. Las personas con posgrado representan el 17,4% del grupo más expuesto, frente a solo el 4,5% del grupo no expuesto — una diferencia de casi cuatro veces.
Reciba el mejor contenido sobre innovación en su correo electrónico.
Todas las noticias, consejos, tendencias y recursos que buscas, directamente en tu bandeja de entrada.
Al suscribirte al boletín informativo, aceptas recibir comunicaciones de Método Viral. Nos comprometemos a proteger y respetar siempre tu privacidad.
Esto desafía completamente la narrativa popular de que la automatización va a sustituir primero los trabajos manuales y repetitivos. Lo que está ocurriendo, en realidad, es que la IA generativa tiene una afinidad natural con tareas cognitivas, como redacción, análisis de datos, programación, atención especializada y producción de contenido — actividades que históricamente requieren formación universitaria y están concentradas en franjas salariales más elevadas.
El estudio presenta un ranking de las diez ocupaciones con mayor exposición observada, y los resultados son reveladores. En lo más alto de la lista están los Programadores Informáticos, con un impresionante 75% de cobertura de tareas — lo que tiene todo el sentido dado el uso extensivo de Claude para programación. Justo después aparecen los Representantes de Atención al Cliente, cuyas tareas principales están cada vez más presentes en el tráfico de API. Y en tercer lugar vienen los Digitadores de Datos, cuya tarea primaria de leer documentos fuente e cargar información presenta una automatización significativa, con un 67% de cobertura.
En el otro extremo del espectro, el 30% de los trabajadores estadounidenses tienen exposición cero, porque sus tareas aparecieron con frecuencia insuficiente en los datos como para alcanzar el umbral mínimo de detección. Este grupo incluye profesiones como cocineros, mecánicos de motocicletas, socorristas, bartenders, lavaplatos y encargados de vestuarios — ocupaciones que involucran trabajo físico e interacción presencial, terrenos donde la IA generativa simplemente no opera.
La cuestión de género también llama la atención. La mayor concentración de mujeres entre los profesionales más expuestos refleja la composición demográfica de áreas como educación, comunicación, recursos humanos y administración sanitaria — sectores donde las tareas cognitivas y textuales dominan el día a día. Este dato es relevante porque las políticas públicas de recualificación profesional y adaptación al nuevo escenario del mercado laboral necesitan tener en cuenta estos matices demográficos para ser realmente eficaces. Ignorar quiénes son las personas más impactadas vuelve cualquier plan de acción demasiado genérico para funcionar en la práctica.
Automatización teórica versus automatización real — el abismo que pocos ven
Quizás el dato más importante de todo el estudio sea la enorme distancia entre el potencial teórico de automatización y lo que ya está ocurriendo de hecho. Según el análisis de Anthropic, la Inteligencia Artificial actual ya tendría capacidad técnica para impactar una porción significativa de las tareas profesionales, pero el uso real todavía representa una fracción pequeña de ese potencial. Para dar una dimensión concreta, el 97% de las tareas observadas en los cuatro informes anteriores del Economic Index caen en categorías clasificadas como teóricamente viables por Eloundou y colegas. Es decir, la correlación entre lo que es posible y lo que se está usando es alta, pero el volumen de uso real todavía queda muy por detrás de lo que la teoría permitiría.
El ejemplo de la categoría de Computación y Matemáticas ilustra bien este punto. La medida teórica indica que el 94% de las tareas en esta área podrían ser aceleradas por modelos de lenguaje. Sin embargo, la exposición observada muestra que Claude cubre actualmente solo el 33% de esas tareas. La misma lógica se aplica a ocupaciones administrativas, donde la capacidad teórica es del 90%, pero la cobertura práctica es considerablemente menor. Esta brecha existe por una serie de razones prácticas: no todas las empresas han adoptado herramientas de IA, muchos profesionales todavía están aprendiendo a usar estas tecnologías, existen barreras regulatorias y culturales, y hay tareas que, aunque sean técnicamente automatizables, dependen de contexto humano, juicio ético o interacción social que la IA todavía no consigue replicar de forma satisfactoria.
El artículo original trae un ejemplo muy didáctico de esta distancia. La clasificación teórica de Eloundou y colegas marca la tarea de autorizar recetas médicas y proporcionar información de prescripción a farmacias como totalmente expuesta, con puntuación máxima. Sin embargo, los investigadores de Anthropic simplemente no observaron a Claude realizando esa tarea en la práctica. La evaluación teórica hasta parece correcta — un modelo de lenguaje probablemente podría acelerar ese proceso — pero las barreras regulatorias, los requisitos de verificación humana y las limitaciones prácticas de implementación mantienen esa posibilidad en el campo de la teoría por ahora.
Esta brecha entre teoría y práctica es una buena noticia para quienes temen un escenario de desempleo masivo a corto plazo. Y aquí vale mencionar que el propio estudio reconoce un historial de predicciones exageradas en este campo. Los investigadores recuerdan que un intento prominente de medir la vulnerabilidad de empleos a la externalización internacional identificó cerca de un cuarto de los puestos de trabajo estadounidenses como vulnerables, pero una década después la mayoría de esas ocupaciones mantuvo un crecimiento saludable del empleo. Las propias proyecciones gubernamentales de crecimiento ocupacional, aunque direccionalmente correctas, añadieron poca capacidad predictiva más allá de la simple extrapolación lineal de tendencias pasadas. Incluso los efectos de los robots industriales sobre el empleo generan conclusiones opuestas entre diferentes estudios. Esa dosis de humildad permea todo el trabajo y es uno de sus puntos más fuertes.
Las proyecciones del mercado estadounidense confirman la tendencia
Un dato interesante que refuerza la validez de la métrica de exposición observada es su correlación con las proyecciones oficiales de empleo del Bureau of Labor Statistics (BLS) estadounidense para el período de 2024 a 2034. El estudio encontró que, por cada aumento de 10 puntos porcentuales en la cobertura observada, la proyección de crecimiento de empleo del BLS cae 0,6 puntos porcentuales. La relación es modesta, pero estadísticamente relevante, y funciona como una especie de validación independiente — analistas del mercado laboral que no tienen acceso a los datos de uso de Claude llegaron a conclusiones que apuntan en la misma dirección. Curiosamente, esta correlación no aparece cuando se usa solo la medida teórica de Eloundou y colegas, lo que sugiere que la exposición observada captura algo que la teoría sola no consigue.
También existe un gran territorio que permanece completamente fuera del alcance de la IA. Muchas tareas, como el trabajo agrícola físico de podar árboles y operar maquinaria, o tareas legales como representar a clientes en un tribunal, siguen siendo dominio exclusivamente humano. Este recordatorio es importante para mantener las expectativas calibradas y evitar el tipo de alarmismo que dominó debates tecnológicos anteriores.
Qué dicen los datos sobre el desempleo y el futuro del trabajo
Y aquí viene probablemente la pregunta del millón: al fin y al cabo, ¿la IA ya está causando desempleo? La respuesta corta, al menos hasta ahora, es no de forma detectable. Los investigadores eligieron enfocarse en el desempleo como indicador principal porque captura de manera más directa el potencial de daño económico — un trabajador desempleado es alguien que quiere trabajar y todavía no ha encontrado una posición. Comparando a los trabajadores en el cuartil más expuesto con aquellos sin exposición alguna, el estudio no encontró un aumento sistemático en el desempleo de los grupos más expuestos desde finales de 2022.
El artículo original detalla que el análisis usó un modelo de diferencias en diferencias, comparando las tendencias de desempleo antes y después del lanzamiento de ChatGPT entre los grupos más y menos expuestos. El cambio medio en la brecha entre los dos grupos desde noviembre de 2022 fue pequeño y estadísticamente insignificante. Es decir, el desempleo del grupo más expuesto puede haber subido levemente, pero el efecto es indistinguible de cero en los datos.
Herramientas que usamos a diario
Sin embargo, el estudio encuentra evidencias sugerentes de que la contratación de trabajadores más jóvenes puede haberse desacelerado en ocupaciones con alta exposición. Esta es una señal sutil, pero potencialmente significativa. Si las empresas están usando IA para realizar tareas que antes se asignarían a profesionales en inicio de carrera, el impacto puede no aparecer como despidos, sino como una reducción en el flujo de nuevas contrataciones. Es el tipo de efecto que tarda en materializarse en las estadísticas tradicionales de desempleo y que merece un seguimiento atento en los próximos años.
Mirando el conjunto de las informaciones reveladas por el estudio, lo que emerge es un cuadro de transición — no de ruptura. El mercado laboral sí está siendo modificado por la Inteligencia Artificial, pero de una forma que todavía permite adaptación por parte de profesionales y organizaciones. Las profesiones con mayor exposición observada son aquellas cuyos trabajadores ya están, en gran parte, incorporando la IA en su rutina como herramienta de productividad. Esto sugiere que la habilidad de trabajar con la IA, y no contra ella, puede convertirse en un diferencial competitivo decisivo en los próximos años. Los profesionales que aprenden a usar estas herramientas para ampliar sus capacidades tienden a valorizarse en el mercado, mientras que aquellos que se resisten al cambio pueden enfrentar dificultades más adelante, no por culpa de la tecnología en sí, sino por la falta de adaptación a un entorno que ya está en movimiento.
La importancia de medir antes de reaccionar
Un aspecto metodológico que merece destaque es la decisión deliberada de los investigadores de establecer este sistema de medición ahora, antes de que efectos significativos se hayan materializado. La idea es que, al construir esta línea base con datos concretos, futuros análisis consigan identificar disrupciones económicas de forma más confiable que estudios hechos a posteriori. Es una postura poco común en un campo dominado por predicciones grandiosas y que demuestra madurez analítica. El compromiso de revisitar estos análisis periódicamente transforma el estudio de un retrato estático en una herramienta de monitoreo continuo.
Los investigadores también reconocen que su enfoque no captura todos los canales por los cuales la IA puede remodelar el mercado laboral. Existen efectos indirectos, cambios en cadenas de valor, creación de nuevas ocupaciones y transformaciones organizacionales que no aparecen en el análisis de tareas individuales. Pero la elección de enfocarse en lo que es medible y verificable, en lugar de intentar abarcar todo el fenómeno, es justamente lo que da credibilidad a los resultados.
La contribución más valiosa de esta investigación de Anthropic quizás sea justamente el cambio de perspectiva que propone. En lugar de alimentar el debate con predicciones grandiosas sobre un futuro distante, la exposición observada sitúa la conversación en el presente y usa evidencias concretas para mostrar dónde estamos de verdad. Y donde estamos es en un punto donde la Inteligencia Artificial ya forma parte del día a día de muchas profesiones, pero todavía lejos de representar una amenaza existencial al empleo tal como lo conocemos. El desafío real no es si la IA va a transformar el mercado laboral — eso ya está ocurriendo. El desafío es garantizar que esta transformación sea acompañada de cerca, con datos reales y respuestas proporcionales, para que el mayor número posible de personas consiga navegar esta transición sin quedarse atrás 🚀
