Qué empleos cambia la IA en lugar de reemplazarlos

Por Victor Hoang · Actualizado el 22 de septiembre de 2026

La IA no reemplaza empleos. Reemplaza tareas dentro de los empleos, deja otras intactas y añade unas pocas nuevas, como revisar su propio trabajo, que antes no existían. Un puesto cambia de forma cuando se desplazan suficientes tareas, pero el empleo en sí rara vez se esfuma de una sola pieza. Esa distinción, tarea frente a empleo, es la diferencia entre planificar bien y leer un titular alarmante.

Cada cifra del tipo "el X% de los empleos se automatizará" que ha visto desde 2013 mide algo distinto de lo que la mayoría supone. Algunas cuentan ocupaciones, otras cuentan tareas, otras cuentan la exposición teórica y otras cuentan lo que los trabajadores hacen realmente hoy con la IA. Ninguna responde lo que necesita un líder: qué pasará con este organigrama en dieciocho meses. Este artículo nombra los pronósticos y a sus autores para que usted mismo pueda juzgarlos, y expone qué ocurre realmente cuando se desplaza un tercio de las tareas de un puesto. Para la evidencia más amplia de estudios controlados sobre la IA y el trabajo en general, y no solo los pronósticos de empleos, consulte cómo está cambiando la IA el trabajo y qué muestra la evidencia.

Por qué "¿la IA me quitará el empleo?" es la pregunta equivocada

Un cargo es un conjunto de tareas. "Analista financiero" agrupa extracciones de datos, construcción de modelos y la presentación de una cifra a un vicepresidente nervioso. "Representante de servicio al cliente" agrupa leer un correo furioso, buscar un pedido, decidir si se flexibiliza una política y escribir una respuesta que no suene a carta modelo. No hay dos tareas que tengan la misma relación con la IA. Algunas son reconocimiento de patrones que un modelo hoy resuelve bien. Otras exigen sopesar el historial de un cliente frente a una política que nadie dejó por escrito, un juicio, no una consulta.

Tratar "analista financiero" como una unidad indivisible y preguntar si la IA lo "quitará" produce un sí o un no a una pregunta que nunca fue de sí o no. La pregunta honesta es qué tareas se desplazan, cuáles se quedan y qué se añade una vez que las desplazadas se han ido. Ese es el enfoque que los economistas laborales llevan dos décadas usando, y es el que este artículo emplea de principio a fin, porque predice lo que viene después.

La tarea, no el empleo, es la unidad que importa

El economista del MIT David Autor construyó el marco de modelización que la mayoría de los economistas laborales sigue usando para esto, en un artículo de 2013 titulado "The Task Approach to Labor Markets". Su tesis central: la tecnología no compite con las ocupaciones, compite con las tareas que hay dentro de ellas. Un ordenador o un modelo sustituye las tareas que siguen reglas explícitas y codificables (lo que Autor llama tareas rutinarias) y complementa a los trabajadores en las tareas que exigen juicio flexible o una comunicación que depende de un contexto que una regla no puede capturar.

Ese marco explica algo que los titulares del "47% de los empleos en riesgo" nunca pudieron explicar: por qué los cajeros de banco no desaparecieron cuando llegaron los cajeros automáticos, y por qué los asistentes jurídicos no desaparecieron cuando el software de revisión de documentos se volvió bueno. La tecnología absorbió una porción rutinaria del empleo y dejó para un humano las tareas que exigían juicio, relación o responsabilidad. Cambió la mezcla de tareas del empleo. El cargo, en su mayor parte, no.

El artículo más reciente de Autor, de 2024, "Applying AI to Rebuild Middle Class Jobs", añade una segunda pieza: la automatización tiene un efecto de desplazamiento, en el que la tecnología asume tareas que antes hacía una persona, y un efecto de reincorporación, en el que crea tareas nuevas que solo una persona, o una persona que supervisa a una máquina, puede hacer. Las olas de automatización anteriores reincorporaron aproximadamente tantas tareas como desplazaron, aunque rara vez para los mismos trabajadores ni en el mismo plazo, y por eso la transición resulta disruptiva incluso cuando el recuento de empleo a largo plazo se sostiene. El argumento de Autor para la IA es todavía más optimista: como puede codificar una porción del juicio experto y ponerla en manos de trabajadores con menos credenciales, podría ampliar quién puede tomar decisiones de más alto riesgo, y no solo automatizarlas. Eso es un potencial declarado, no un resultado asentado.

Qué tipos de tareas están realmente expuestas

No todas las tareas de un puesto tienen la misma relación con la capacidad de la IA. Agrupar las tareas por tipo, y no por cargo, es lo que hace que un pronóstico sea útil y no vago.

Tareas rutinarias y basadas en reglas: muy expuestas

Las tareas con una entrada clara, una salida clara y una regla que las conecta son la categoría más expuesta, y lo han sido desde mucho antes de la IA generativa. La captura de datos, la revisión de documentos en formato estándar, la programación de agendas y la generación de informes con plantilla caen aquí. La IA (y la RPA antes que ella) no necesita entender el trabajo, solo necesita que la regla sea explícita y que las excepciones sean escasas.

Síntesis de información y primeros borradores: muy expuestos, pero más aumentados que eliminados

Resumir un documento, redactar un correo o reunir investigación de varias fuentes es justamente lo que hace bien la IA generativa actual. La tarea no desaparece del empleo. Pasa de "dedicar dos horas a escribir" a "dedicar quince minutos a editar", lo que cambia la habilidad que exige el puesto, de producir a juzgar, sin eliminarlo.

Juicios en situaciones ambiguas: resistentes

Decidir si se hace una excepción a una política, sopesar prioridades en conflicto con información incompleta o tomar una decisión que implica responsabilidad si sale mal sigue siendo resistente, no porque un modelo no pueda producir una respuesta, sino porque alguien tiene que asumir las consecuencias de una respuesta equivocada. Aquí es donde el diseño human-in-the-loop hace honor a su nombre: el modelo propone, una persona decide y responde por ello.

Presencia física, relaciones y confianza de alto riesgo: resistentes

Las tareas que exigen presencia física, construir una relación con el tiempo o ser la persona en quien un cliente confía algo que no le contaría a un chatbot siguen siendo resistentes por una razón distinta: el valor viene en parte de quién lo hace, y no solo de lo que se produce. Una negociación, una conversación difícil sobre desempeño o el trabajo de cuidados en persona se ubican aquí. La prima humana explica por qué algunas empresas dotan de una persona, a propósito, estos puntos de contacto específicos, como estrategia y no como decisión de costos.

Tareas nuevas que crea la IA: verificación, orquestación, gestión de excepciones

Esta es la categoría que la mayoría de los pronósticos de pérdida de empleo pasa por alto, porque no existía cuando se escribieron. A medida que la IA asume más trabajo rutinario y de redacción, alguien tiene que verificar sus resultados, decidir qué herramienta o agente debe atender una solicitud determinada y detectar los casos en que el modelo produce con seguridad algo equivocado. Son tareas nuevas, no versiones reducidas de las antiguas, y tienden a recaer en las mismas personas cuyas tareas rutinarias acaban de automatizarse, parte de la razón por la que "el empleo desapareció" rara vez coincide con lo que realmente ocurrió.

Qué le ocurre a un empleo cuando cambia el 30% de sus tareas

Imagine un equipo de soporte en el que un tercio del volumen de tickets eran preguntas simples y repetibles: restablecer contraseñas, estado de pedidos, reembolsos estándar. La IA ahora atiende esa porción de principio a fin, ya sea totalmente automatizada o con una persona que aprueba en segundos una respuesta sugerida. Nadie del equipo perdió su empleo ese día. Lo que cambió es la composición de lo que queda.

Los dos tercios restantes se inclinan hacia lo más difícil: casos ambiguos, clientes enfadados, excepciones que no encajan en el guion. Un representante que antes pasaba la mayor parte del turno con tickets fáciles ahora lo pasa con difíciles, además de una tarea nueva que no existía hace un año: revisar por muestreo las respuestas automáticas de la IA en busca de errores de tono o de datos. El puesto sigue existiendo. La habilidad que premia pasó de "atender volumen con rapidez" a "manejar la ambigüedad y detectar los errores de la IA", un perfil de contratación distinto y a menudo una plantilla más pequeña, aunque ningún empleo individual se haya eliminado por completo.

Ese es el patrón en torno al cual conviene planificar, no el binario "¿existirá este empleo dentro de cinco años?". Un puesto puede sobrevivir a la transición y aun así necesitar menos personas y habilidades distintas de las que figuran en la descripción del cargo archivada. Preguntar "qué tareas se están desplazando y qué exige el conjunto que queda" da la respuesta correcta meses antes que "qué empleos se automatizan".

Datos clave

• La tecnología sustituye las tareas rutinarias y codificables y complementa a los trabajadores en las tareas que exigen juicio o resolución de problemas no estructurados; históricamente, la automatización tanto desplaza como reincorpora tareas con el tiempo. Fuente: Autor, "The Task Approach to Labor Markets" (NBER, 2013)
• La oportunidad distintiva de la IA, según Autor, es extender la toma de decisiones de nivel experto a más trabajadores, y no solo automatizar tareas, aunque esto es un potencial declarado, todavía no un resultado medido a escala. Fuente: Autor, "Applying AI to Rebuild Middle Class Jobs" (NBER, 2024)
• La estimación de Frey y Osborne de 2013, muy citada, según la cual el 47% del empleo en EE. UU. tenía un alto riesgo de computarización fue un juicio a nivel de ocupación, no una medición a nivel de tarea, y no podía representar a una ocupación que cambia en lugar de desaparecer entera. Fuente: Frey y Osborne, "The Future of Employment" (Oxford Martin School, 2013)
• Con un método basado en tareas, la OCDE halló que solo cerca del 9% de los empleos en 21 países tenía un alto riesgo de automatización, aproximadamente una quinta parte de la cifra de Frey y Osborne. Fuente: Arntz, Gregory y Zierahn, "The Risk of Automation for Jobs in OECD Countries" (OECD, 2016)
• Casi una década después de publicarse la cifra del 47%, el empleo en EE. UU. en las ocupaciones que esta señalaba como de mayor riesgo no se había desplomado como implicaba el pronóstico. Fuente: ITIF, "Oops: The Predicted 47 Percent of Job Loss From AI Didn't Happen" (2022)
• En 2025, el 47% de las tareas laborales las realizan principalmente personas, el 22% principalmente la tecnología y el 30% una combinación de ambas, una distribución que el WEF espera que se acerque más a un reparto parejo para 2030. Fuente: World Economic Forum, Future of Jobs Report 2025
• El mismo informe del WEF proyecta 170 millones de empleos nuevos creados y 92 millones desplazados en todo el mundo de aquí a 2030, una ganancia neta de 78 millones, junto con un cambio de casi el 40% de las habilidades básicas de los puestos. Fuente: Comunicado de prensa del World Economic Forum, enero de 2025
• El BLS asigna ahora a cada ocupación detallada una calificación de exposición a la IA baja, moderada, alta o "muy alta", pero no distingue explícitamente si esa exposición significa que una tarea se automatiza o se aumenta. Fuente: BLS, "Artificial Intelligence (AI) Exposure Categories"

Los pronósticos, nombrados y verificados

Toda cifra importante de automatización en una presentación de la sala de juntas tiene un autor, un método y una limitación declarada, y casi nunca aparecen los tres en la diapositiva. Nombrarlos permite distinguir un pronóstico útil de uno alarmista.

El 47% de Frey y Osborne (2013): qué midió realmente

Frey y Osborne, ambos de Oxford, etiquetaron a mano 70 ocupaciones como automatizables o no según el criterio de expertos, y luego entrenaron un modelo de machine learning para extender esas etiquetas a toda la base de datos O*NET. El resultado fue una puntuación de riesgo por ocupación, no por tarea, así que no podía representar una ocupación en la que algunas tareas fueran automatizables y otras no, que es lo que describe a la mayoría de las ocupaciones. Los críticos también señalaron que clasificaba ocupaciones como modelo de moda o conductor de autobús escolar como de alto riesgo de formas que no coinciden con cómo están estructurados esos empleos. La cifra del 47% es una estimación genuina, revisada por pares, del potencial de computarización bajo decisiones de modelización específicas. Nunca fue una predicción de que el 47% de los trabajadores estaría desempleado en veinte años, y hoy la mejor práctica son los métodos basados en tareas, no este.

La corrección basada en tareas de la OCDE

Cuando Arntz, Gregory y Zierahn volvieron a plantear una pregunta similar usando la composición de tareas en lugar de etiquetas de ocupaciones completas, la estimación para toda la OCDE bajó a cerca del 9%, con un rango de entre el 6% en Corea y el 12% en Austria. La misma pregunta general, una respuesta radicalmente distinta, porque la unidad de análisis pasó de "empleo" a "mezcla real de tareas del empleo". Esa diferencia de casi diez veces es el mejor argumento para leer más allá de la cifra del titular y fijarse en el método que hay debajo.

Lo que mostró realmente la década siguiente

En 2022, la Information Technology and Innovation Foundation examinó qué había pasado con las ocupaciones que Frey y Osborne señalaron como de mayor riesgo. La pérdida masiva de empleo a esa escala no se había materializado. Eso no significa que la automatización no tuviera efecto, sino que el efecto apareció como cambios de tareas y habilidades dentro de las ocupaciones que sobrevivieron, exactamente lo que predice el marco basado en tareas y lo que el basado en ocupaciones no puede ver.

Future of Jobs 2025 del WEF: la distribución mejor documentada hoy

El WEF encuestó a más de 1,000 empleadores que representan a 14 millones de trabajadores en 55 economías para su informe de 2025, los datos más actuales sobre cómo se reparte realmente el trabajo entre la ejecución humana y la de las máquinas. Su base de 2025, 47% solo humanos, 22% solo tecnología, 30% combinado, es en sí misma evidencia a favor de la visión a nivel de tarea: la mayor parte del trabajo no es limpiamente "automatizado" o "no", sino que se reparte dentro de los puestos.

Categorías de exposición a la IA del BLS: útiles, pero lea la letra pequeña

Las calificaciones de exposición más recientes del BLS son los datos más granulares del gobierno de EE. UU., pero el BLS aclara que la "exposición" mide si la IA puede tocar una gran parte de las tareas de una ocupación, no si reemplazará el empleo o solo hará que las personas sean más rápidas en el mismo trabajo. Una calificación de "exposición muy alta" para los asesores financieros personales encaja con el patrón de aumentación que se describe aquí: el asesor sigue existiendo, cambia la mezcla de tareas.

Cómo leer el próximo pronóstico que le presenten a su equipo directivo

Antes de que una cifra de pérdida o creación de empleo entre en una presentación al consejo, haga tres preguntas. ¿Cuál es la unidad de análisis, una ocupación o una tarea? Las cifras a nivel de ocupación exageran tanto el riesgo como la seguridad, porque no pueden ver el cambio parcial dentro de un puesto. ¿Cuál es el método: criterio de expertos, un modelo que extrapola el criterio de expertos o datos de uso observado? El uso observado, cada vez más disponible a través de proveedores de IA y del trabajo más reciente de exposición del BLS, es lo más cercano a la realidad. Y ¿el pronóstico declara sus propias limitaciones, como hacen Autor, el WEF y el BLS? Uno que no declara ninguna es uno cuyas limitaciones usted aún no ha encontrado.

Qué significa esto para los puestos sobre los que usted decide realmente

Nada de esto sostiene que los efectos laborales de la IA sean pequeños o lejanos. Las propias cifras del WEF proyectan que casi el 40% de las habilidades básicas cambiará de aquí a 2030, una disrupción real por cualquier medida. El argumento es más acotado: planifique en función de la mezcla de tareas dentro de sus puestos, no del cargo que figura en el organigrama. Audite qué tareas son rutinarias y codificables, cuáles exigen juicio o confianza que todavía no se pueden delegar y qué nuevas tareas de verificación u orquestación están apareciendo en silencio. Esa auditoría le dice dónde contratar, recualificar y reducir plantilla, incluso cuando técnicamente ningún puesto individual "desapareció", meses antes de que un pronóstico por cargos le dijera algo útil.

La visión a nivel de tarea también explica por qué el lado humano necesita atención deliberada, y no solo una hoja de cálculo. Cuando cambia la mezcla de tareas de un puesto, cambia también lo que significa "hacer un buen trabajo" y cuánto confía una persona en un modelo que ahora debe revisar, cuestiones que se tratan en cómo es realmente una cultura AI-native y en cómo los equipos humano-agente reajustan la confianza.

Conviene nombrar algunos riesgos. La verificación y la orquestación no aparecen automáticamente solo porque una empresa haya desplegado agentes de IA o copilots; alguien tiene que asumir la tarea de detectar el error de un modelo, o la empresa descubre el vacío a través de un resultado erróneo que salió con el nombre de alguien, el fallo que esta biblioteca llama workslop. También conviene distinguir un cambio genuino de capacidad del marketing disfrazado de uno, un patrón que se trata en qué es el agent washing. Y como los cambios en la mezcla de tareas se acumulan como deuda técnica, invisibles hasta que llega la factura, tratar esto como una revisión puntual en lugar de una auditoría continua es un riesgo en sí mismo, uno que un proceso básico de gobernanza de la IA está diseñado para detectar.

El cargo del organigrama es el lugar menos útil donde buscar lo que la IA está haciendo con su fuerza laboral. La lista de tareas que hay debajo es donde ocurre el cambio real, tarea por tarea, en ambas direcciones.

La próxima vez que alguien le diga que un empleo está a salvo o condenado, pregúntele a qué tareas se refiere.