¿Qué es el futuro del trabajo? Una definición basada en la evidencia, no en profecías

Por Victor Hoang · Actualizado el 22 de septiembre de 2026

El futuro del trabajo es el cambio continuo y medible en las tareas que realizan las personas, las habilidades que esas tareas exigen, la forma en que se estructuran las organizaciones y el modo en que se produce el resultado, impulsado hoy principalmente por la IA. No es un evento único, una fecha fija ni un veredicto definitivo sobre qué empleos desaparecen. Es un conjunto de tendencias que ya se ven en los datos laborales, en las encuestas de adopción y en los organigramas, la mayoría parciales y algunas contradictorias.

Esa definición es más acotada que lo que se vende en las conferencias. Pregunte a diez consultores qué significa "el futuro del trabajo" y obtendrá diez pronósticos, casi todos extrapolados de la hoja de ruta de un solo proveedor. Esta colección trata la expresión de otra manera: como una afirmación que necesita una fuente, un método y una fecha, no como una consigna que solo necesita una diapositiva.

Qué significa realmente "el futuro del trabajo"

Si se deja de lado el marketing, hay cuatro cosas en movimiento, cada una con su propia base de evidencia y su propio calendario.

Composición de las tareas. Dentro de los empleos existentes, está cambiando a qué tareas específicas dedica su tiempo una persona. Un reclutador sigue reclutando, pero redactar el primer mensaje de contacto, filtrar un currículum o resumir una llamada ocurre cada vez más primero a través de una herramienta de IA. El cargo es estable. La lista de tareas que hay debajo no lo es.

Requisitos de habilidades. Lo que cuenta como experiencia valiosa dentro de un puesto cambia cuando una máquina puede hacer las partes rutinarias. Juzgar el resultado de la IA, detectar una respuesta equivocada y saber cuándo no confiar en la herramienta se convierten en habilidades por derecho propio, además de todo lo que el puesto ya exigía.

Estructura organizacional. Quién supervisa a quién, a cuántas personas dirige un gerente y cuántos niveles hay entre un trabajador de primera línea y un ejecutivo están sometidos a una presión silenciosa, aunque mucho más lenta y desigual de lo que sugeriría cualquier organigrama dibujado en una pizarra.

Cómo se produce el trabajo. La mezcla de esfuerzo humano, software y ahora agentes de IA que se combina para producir un resultado (un ticket de soporte cerrado, una funcionalidad lanzada, un contrato firmado) está cambiando dentro de cada workflow antes de que cambie nada visible a nivel de plantilla.

Ninguna de estas cuatro cosas requiere que "la IA reemplaza empleos" sea cierto. Las cuatro ya son medibles sin esa afirmación, y por eso resultan más útiles para un líder que toma decisiones reales que un titular sobre un desempleo masivo que no ha ocurrido. Para el recorrido completo por los estudios medidos detrás de estos cuatro cambios, incluidas las afirmaciones que se sostienen y las que todavía no, consulte cómo está cambiando la IA el trabajo y qué muestra la evidencia.

La brecha entre adopción e impacto

El dato más importante para cualquier ejecutivo que lea contenido sobre el futuro del trabajo en 2026 es este: la adopción de la IA y su impacto en el negocio no siguen la misma curva, y la brecha entre ambas es hoy enorme.

La encuesta State of AI 2025 de McKinsey, con casi 2,000 organizaciones, halló que el 88% ya usa IA en al menos una función del negocio. Eso es casi una adopción universal. Pero solo el 39% de esas organizaciones atribuye algún impacto medible en el EBIT al uso de la IA, y la mayoría de ese grupo afirma que el impacto es inferior al 5% de las ganancias. Solo el 6% cumple los requisitos de lo que McKinsey llama "AI high performers", con valor significativo y una contribución relevante al EBIT. El factor que distinguía a ese grupo superior no fue el modelo que usaban. Fue que habían rediseñado de verdad el workflow de fondo, en lugar de acoplar un chatbot a un proceso sin cambios.

El Project NANDA del MIT estudió esa misma brecha desde otro ángulo en su investigación "State of AI in Business" de 2025, basada en más de 300 iniciativas, decenas de entrevistas con ejecutivos y una encuesta a líderes de negocio. Su conclusión fue más tajante: aproximadamente el 95% de los pilotos de IA generativa no mostró ningún efecto medible en el estado de resultados. Los pilotos que sí funcionaron compartían un patrón: eran procesos de back-office acotados, con un responsable claro y un ciclo de retroalimentación corto, no despliegues amplios y ambiciosos anunciados en un comunicado de prensa.

Gartner ha pronosticado en qué termina buena parte de la ola actual de ambición: espera que más del 40% de los proyectos de IA agéntica se cancelen antes de que termine 2027, por una combinación de costos crecientes, valor de negocio poco claro y controles de riesgo que nunca se construyeron.

Por qué existe la brecha

Nada de esto significa que la IA no funcione. Significa que la mayoría de las organizaciones se quedó en la etapa de piloto, ejecutando la IA junto a un proceso sin cambios en lugar de rediseñar el proceso en torno a ella. Un workflow pensado para que una persona haga cada paso en secuencia no se acelera solo porque un paso sea más rápido: el cuello de botella se desplaza al siguiente traspaso sin rediseñar. Eso es un fallo de diseño del workflow, no una prueba de que la tecnología esté sobrevalorada, y es la razón más común por la que un piloto prometedor nunca llega al estado de resultados. La misma desigualdad aparece también dentro de una sola empresa, no solo entre empresas: consulte la brecha de adopción de la IA para ver qué separa realmente a los empleados que han reconstruido su workflow en torno a la IA de los que ni la han tocado.

Cambio a nivel de tarea, no reemplazo total de empleos

El hallazgo más duradero de todo este campo, y el que más se omite en los titulares, es que el cambio ocurre a nivel de la tarea, no del empleo.

El economista del MIT David Autor y el científico de la computación del MIT Neil Thompson plantearon este argumento de forma directa en su investigación sobre experiencia y automatización. Su tesis: cuando una tarea se automatiza, que eso beneficie o perjudique a los trabajadores que siguen en el puesto depende de si la tarea automatizada era relativamente experta o poco experta dentro de esa ocupación específica. La misma tarea, redactar un correo rutinario frente a redactar un escrito legal, puede ser de baja cualificación en un empleo y de alta cualificación en otro, de modo que automatizar "la misma" actividad puede subir los salarios y reducir la reserva de mano de obra cualificada en una ocupación, y bajar los salarios y ampliarla en otra. Lo que predice el resultado es el detalle a nivel de tarea, no una cifra genérica del tipo "la IA reemplaza el X% de los empleos".

El Future of Jobs Report 2025 del Foro Económico Mundial cuantifica la escala de esta rotación sin predecir un colapso neto. Con una encuesta a empleadores que representan a más de mil millones de empleos en todo el mundo, proyecta que 92 millones de empleos existentes serán desplazados de aquí a 2030 mientras se crean 170 millones nuevos, una ganancia neta de 78 millones de empleos, pero con una rotación estructural equivalente a cerca del 22% del empleo formal total actual. Si se leen las dos cifras juntas, la conclusión honesta no es "la IA es segura" ni "la IA es un apocalipsis laboral". Es que una quinta parte de la combinación de tareas del mercado laboral se está reordenando a la vez, lo cual es disruptivo para cualquier trabajador o equipo individual aunque el cálculo agregado salga positivo.

Lo que la evidencia no demuestra

Como gran parte de este ámbito se apoya en inferencias y no en mediciones, conviene ser explícito sobre los límites de lo que realmente se sabe.

La evidencia no demuestra que ya haya ocurrido una destrucción de empleo a gran escala en toda la economía. No demuestra que la adopción de la IA a nivel de empresa produzca de forma fiable beneficios a nivel de empresa; los propios datos de McKinsey sostienen lo contrario para la gran mayoría de quienes la adoptan. No demuestra que ningún pronóstico del tipo "el X% de las tareas será automatizable para el año Y" tenga un historial de precisión; esas cifras son resultados de modelos de investigadores concretos que parten de supuestos específicos, no resultados medidos, y siempre deben leerse con el método a la vista. Y tampoco demuestra que el aplanamiento de los organigramas, las semanas laborales de cuatro días o los programas masivos de reasignación sean hoy la norma y no la excepción, aunque cada uno se discuta como si ya lo fuera.

Datos clave

• WEF Future of Jobs Report 2025: los empleadores proyectan 92 millones de empleos desplazados y 170 millones creados de aquí a 2030, una ganancia neta de 78 millones, equivalente a una rotación estructural de cerca del 22% de los aproximadamente 1.2 mil millones de empleos formales encuestados. Fuente: World Economic Forum
• McKinsey State of AI, 2025: el 88% de las organizaciones usa IA en al menos una función del negocio, pero solo el 39% atribuye algún impacto en el EBIT a ella, y apenas el 6% cumple los requisitos de "AI high performers" con un impacto en el EBIT del 5% o más. Fuente: McKinsey
• MIT Project NANDA, "State of AI in Business 2025": cerca del 5% de los pilotos de IA generativa logra un impacto medible en ingresos; el resto no muestra ningún efecto medible en el estado de resultados. Fuente: Fortune
• Pronóstico de Gartner, 2025: se espera que más del 40% de los proyectos de IA agéntica se cancelen antes de que termine 2027 por costos, valor poco claro y controles de riesgo débiles. Fuente: Pronóstico de Gartner, según RCR Wireless
• Stanford Digital Economy Lab, "Canaries in the Coal Mine?" (2026): el empleo de las personas de 22 a 25 años en las ocupaciones más expuestas a la IA se sitúa cerca de un 19% por debajo de donde estaría si hubiera seguido el ritmo de sus pares menos expuestos, aunque los investigadores no encuentran un desplazamiento generalizado en toda la economía. Fuente: Stanford Digital Economy Lab
• Microsoft Work Trend Index 2025: el 82% de los líderes afirma que este es un año decisivo para repensar la estrategia y las operaciones; los trabajadores de las llamadas "Frontier Firms" dicen que su empresa prospera a un ritmo aproximadamente doble que el global. Fuente: Microsoft WorkLab
• Autor y Thompson (MIT), "Expertise": automatizar una tarea sube los salarios y reduce la reserva de trabajadores cualificados cuando la tarea era de nivel experto, y hace lo contrario cuando no lo era; la misma actividad puede ser una cosa u otra según la ocupación. Fuente: MIT FutureTech

La rotación de habilidades que nadie puede evitar

El cambio a nivel de tarea descrito arriba tiene una consecuencia directa en las habilidades, y es posiblemente la parte más disruptiva de todo este panorama para una carrera individual, incluso cuando el cálculo agregado de empleos se ve bien.

La misma encuesta de 2025 del Foro Económico Mundial halló que los empleadores esperan que casi el 40% de las habilidades básicas de los puestos cambie de aquí a 2030, y citó la brecha de competencias resultante como su mayor obstáculo para ejecutar cualquier transformación relacionada con la IA. No es un pronóstico lejano. Describe el conjunto de habilidades que una persona necesita para el empleo que ya tiene, no solo para el que podría ocupar después.

La primera víctima visible aparece en el nivel inicial. El Digital Economy Lab de Stanford, que siguió datos de nómina hasta 2026, halló que el empleo de las personas de 22 a 25 años en las ocupaciones más expuestas a la IA se sitúa de forma notable por debajo de donde estaría si hubiera seguido el ritmo de sus pares de la misma edad menos expuestos, mientras que el empleo total de los trabajadores con experiencia en esas mismas ocupaciones se mantuvo estable o creció. El mecanismo importa más que el titular: la caída se concentra específicamente en los puestos donde la IA sustituye el tipo de trabajo rutinario, formativo, que antes se asignaba primero a los empleados junior. Es un problema de cantera antes que un problema de plantilla, y no aparecerá en una tasa de desempleo agregada durante años.

La estructura organizacional cambia, más despacio que el relato

El lenguaje de Microsoft para este momento, la "Frontier Firm" construida en torno a una fuerza laboral humana combinada con agentes de IA, se ha convertido en una forma abreviada en todo el sector de nombrar una tendencia genuinamente real: se pide a más trabajadores que dirijan, revisen y corrijan el resultado de la IA como parte central de su trabajo, un rol que la propia investigación de Microsoft llama "agent boss". Nuestra colección hermana cubre con más profundidad esa identidad y las normas que genera en la Frontier Firm y el agent boss y en equipos humano-agente y cultura.

Lo que los datos aún no respaldan es la versión más dramática, en la que los niveles de gestión desaparecen por completo y los organigramas se aplanan en todos los ámbitos. Algunas funciones con alta automatización de tareas se están aplanando, la mayoría no, y todavía no a la escala que sugieren los artículos de tendencias. El diseño organizacional es una de las palancas de movimiento más lento en este terreno, frenada por estructuras legales, líneas de reporte y simple inercia organizacional, de formas en que la adopción de la IA a nivel de tarea no lo está.

La mayor parte de lo que en una conversación informal se llama "la IA quitando empleos" es en realidad la primera fila, la aumentación, malinterpretada como la tercera. Confundir ambas causa mucho pánico evitable y mucha complacencia evitable. La fila intermedia, la automatización con una persona que sigue a cargo de las excepciones, es la que más conviene vigilar: es donde un human in the loop sigue siendo significativo o se convierte, sin que nadie lo note, en un mero sello de aprobación.

Dónde los humanos siguen siendo centrales

Todos los estudios creíbles citados arriba, incluso los escépticos, coinciden en una cosa: nada de esta evidencia apunta a un futuro cercano sin trabajadores humanos en el centro. Lo que señala, en cambio, es una redistribución de aquello para lo que sirven los humanos.

Los juicios en la ambigüedad, las partes de una decisión que no se reducen a un patrón en datos pasados, siguen siendo humanos porque los sistemas de IA están construidos para extender patrones existentes, no para originar patrones genuinamente nuevos. La responsabilidad sigue siendo humana porque alguien tiene que responder por un resultado de una manera que un sistema no puede, algo en lo que reguladores, tribunales y consejos de administración coinciden hoy, sin importar lo capaz que sea el modelo subyacente. Y la confianza, la que un cliente o un colaborador directo deposita en una persona concreta con el tiempo, no es algo que un agente pueda acumular en nombre de un humano, solo junto a él.

Construir ese núcleo humano preparado para la IA es una disciplina en sí misma, y esta colección remite a nuestra biblioteca de cultura empresarial para el lado de las normas y el comportamiento: consulte cómo es realmente una cultura AI-native, cómo construir una cultura preparada para la IA, cómo liderar la cultura en la era de la IA y la seguridad psicológica en los equipos de IA. Si la deuda de normas omitidas y comportamientos sin definir se acumula, más adelante aparece como lo que esa biblioteca llama deuda cultural de la IA, un costo que esta colección trata como el reflejo estructural de las cuestiones de habilidades y roles que se abordan aquí.

Cómo leer cualquier afirmación sobre el futuro del trabajo

Dado que gran parte de este ámbito se sostiene con pronósticos disfrazados de hallazgos, conviene tener una lista de verificación breve antes de repetir una estadística en una presentación al consejo o en un memorando de estrategia.

Qué significa esto para los líderes hoy

Nada de la investigación anterior aboga por quedarse quieto. Aboga por poner el esfuerzo donde la evidencia rinde: rediseñar el workflow en lugar de apilar IA sobre uno sin cambios, reconstruir la cantera de nivel inicial que antes proporcionaban los puestos junior y ser explícito con su fuerza laboral sobre cuál de los cuatro cambios (tareas, habilidades, estructura o resultado) está usted realmente planificando.

Parte de ese trabajo es un problema de datos antes que un problema de estrategia: saber qué roles, habilidades y workflows existen hoy en su organización es la base sobre la que se construye cada una de estas decisiones, el tipo de cimiento de datos de la fuerza laboral que una plataforma de People está pensada para ofrecer. Estandarizar el traspaso entre una persona y un agente de IA dentro de un workflow es un problema de Work Ops, una vez que el proceso se ha rediseñado y no solo automatizado tal como estaba.

El resto de esta colección retoma cada hilo por separado: desde la paradoja de la productividad detrás de la brecha entre adopción e impacto y quién captura realmente el tiempo que se libera, pasando por las carreras de nivel inicial y el cambio en la gerencia media, hasta cómo se ve una estrategia de fuerza laboral construida en torno a tareas y no a metas de plantilla para un equipo ejecutivo que la arma este año.