Andrej Karpathy, a co-founder of OpenAI, spent a Saturday morning in March 2026 on a small side project: he had an LLM score how "digitally exposed" a few hundred U.S. occupations are, on a 0-to-10 scale. Software developers landed at 9 out of 10. The story spread fast, and by the next morning Karpathy had taken it down (it has since been restored with added disclaimers). He said it had been "wildly misinterpreted," even though the project notes explicitly warned that a high score did not mean a job would disappear.
Cómo se calculan las puntuaciones de riesgo laboral por IA importa más que la cifra del titular. El proyecto de Karpathy, Goldman Sachs, el Fondo Monetario Internacional (FMI) y Anthropic usan construcciones distintas de la «exposición», así que sus porcentajes no son intercambiables.
Una misma ocupación puede obtener puntuaciones muy distintas según el método que haya detrás, y ninguna de estas medidas, por sí sola, te dice si vas a perder tu empleo.
TL;DR
- Las cifras públicas de «riesgo laboral por IA» no son una única métrica. Muchas parten de la exposición teórica basada en las habilidades o tareas del puesto, mientras que Anthropic también mide el uso observado de la IA; las encuestas a empleadores, como la del Foro Económico Mundial, usan un instrumento distinto.
- Las medidas teóricas y las de uso observado pueden discrepar mucho para la misma ocupación. En la comparación de Anthropic de marzo de 2026, la medida teórica de Eloundou et al. situaba las tareas de informática y matemáticas en un 94 % de exposición, mientras que la medida de exposición observada de Anthropic llegaba al 33 %.
- Un estudio revisado por pares publicado en 2025 en PNAS Nexus comparó doce puntuaciones de exposición con el riesgo de desempleo y halló que la mejor puntuación individual explicaba por sí sola el 10,7 % de la variación; combinar las doce elevaba esa cifra al 29,8 %.
- Antes de fiarte de la próxima cifra de «riesgo laboral por IA» que veas, la pregunta útil es qué método la produjo, no solo qué dice el número.
Lo que este artículo no cubre
Este artículo explica un mecanismo, no dicta un veredicto sobre ningún empleo concreto, así que algunas preguntas cercanas quedan fuera de su alcance:
- No clasifica qué ocupaciones son las más seguras o las de mayor riesgo. Eso es otro tipo de artículo.
- No analiza las tendencias actuales de contratación por edad o antigüedad; esos resultados del mercado laboral necesitan una base de evidencia distinta de las puntuaciones de exposición.
- No pronostica hacia dónde irá la capacidad de la IA. La cuestión metodológica se mantiene sea cual sea la calidad de los futuros modelos.
Cómo funciona la puntuación de exposición teórica: O*NET, AIOE, Goldman Sachs y el FMI
El índice AI Occupational Exposure, conocido como AIOE, cruza diez categorías de aplicaciones de IA con 52 habilidades ocupacionales de O*NET. Una matriz elaborada por crowdsourcing valora cuánto se relaciona cada aplicación de IA con cada habilidad humana, y la puntuación se pondera después por la prevalencia e importancia de esas habilidades en una ocupación dada. Los economistas Edward Felten, Manav Raj y Robert Seamans publicaron el método en el Strategic Management Journal en 2021. Se convirtió en una de las bases más influyentes de los intentos posteriores de medir la exposición ocupacional a la IA.
Lo importante del AIOE es que mide exposición, no adopción. Estima cuánto se solapan los avances en aplicaciones de IA con las habilidades que exige una ocupación; no dice si los empleadores usan IA ahí, si la adopción es rentable ni si el empleo va a caer.
El FMI adaptó la medida de exposición de Felten, Raj y Seamans en una nota de debate del personal técnico de enero de 2024 y la combinó con un índice de complementariedad aparte, que recoge cuánto protege a una ocupación de la sustitución directa factores como el juicio humano, el contexto social y la presencia física. Con ese marco, el FMI estimó que casi el 40 % del empleo mundial está en ocupaciones de alta exposición, cifra que sube hasta cerca del 60 % en las economías avanzadas.
El análisis de Goldman Sachs de abril de 2026 da un paso similar: combina una puntuación previa de desplazamiento por IA con el índice de complementariedad de los economistas del FMI para separar la sustitución probable de la ampliación. Goldman estima un lastre neto de unos 16.000 empleos al mes sobre el crecimiento de las nóminas de Estados Unidos durante el último año, mientras que las ocupaciones con potencial de ampliación por IA sumaron unos 9.000 empleos al mes.
Nota: El informe Future of Jobs del Foro Económico Mundial proyecta 92 millones de empleos desplazados y 170 millones creados de aquí a 2030, pero no está construido en absoluto de la misma manera. Procede de una encuesta a más de 1.000 empleadores que declaran los cambios de plantilla que esperan: una autodeclaración de los empleadores, no una puntuación por descomposición de tareas. Dos instrumentos estructuralmente distintos acaban citados en la misma frase de «X millones de empleos».
Cómo mide Anthropic la «exposición observada» de otra manera
El Economic Index de Anthropic, publicado por primera vez en febrero de 2025, parte de un tipo de datos completamente distinto: cerca de un millón de conversaciones reales de Claude.ai, procesadas con una herramienta interna llamada Clio que asigna cada conversación a una tarea concreta de la misma base de datos O*NET de la que beben las puntuaciones por descomposición de tareas, sin que ningún investigador lea el chat subyacente. Donde el AIOE pregunta si la IA podría hacer plausiblemente una tarea, el Index pregunta qué le pide la gente que haga. Ese primer informe repartía las conversaciones en un 57,4 % de ampliación, donde Claude ayuda mientras una persona sigue dirigiendo el trabajo, frente a un 42,6 % de automatización, donde Claude hace en la práctica la tarea de principio a fin.
En su seguimiento de marzo de 2026, Anthropic convirtió esos datos de uso en una nueva medida de «exposición observada». Parte de las tareas de O*NET y de las estimaciones teóricas de exposición por tarea de Eloundou et al. (2023), y solo cuenta una tarea como cubierta cuando aparece con suficiente frecuencia en el uso laboral de Claude. Los usos totalmente automatizados reciben peso completo, los de ampliación medio peso, y la cobertura de tareas se pondera por la proporción de tiempo que los trabajadores dedican a cada tarea. En las ocupaciones de informática y matemáticas, la medida teórica β de Eloundou et al. alcanza el 94 % de las tareas, mientras que la medida de exposición observada de Anthropic llega al 33 %. La brecha no es una contradicción: una mide la viabilidad técnica y la otra añade la adopción y el uso observados.
No todo el mundo que lee los propios informes de Anthropic se ha tomado la comparación al pie de la letra. En reacción a un informe relacionado de enero de 2026, un comentarista de Hacker News escribió: «Esperaba ver medidas de la productividad económica generada como resultado del uso de la inteligencia artificial. En cambio, lo que veo son medidas del uso de la inteligencia artificial». Es una distinción que conviene retener: el volumen de uso y la productividad económica no son lo mismo, y ninguno de los dos equivale a pérdida de empleo.
Ese informe de enero de 2026, la propia actualización sobre primitivas económicas de Anthropic, muestra que el reparto entre ampliación y automatización había vuelto a moverse: la ampliación por delante con el 52 % de las conversaciones frente al 45 % de automatización, junto a un marco nuevo de cinco partes que sigue la complejidad de la tarea, las habilidades, el caso de uso, la autonomía de la IA y el éxito de la tarea. Tómalo como una nueva instantánea de un índice en evolución, no como una contradicción de las cifras de febrero de 2025. Los patrones de uso cambian a medida que la gente encuentra cosas nuevas que vale la pena delegar.
Una cifra de exposición teórica del 94 % y una cifra de exposición observada del 33 % pueden describir la misma categoría ocupacional sin contradecirse, porque miden cosas distintas.
Por qué «exposición» no es lo mismo que «pérdida de empleo»
«Los indicadores de exposición revelan susceptibilidad tecnológica, no resultados del mercado laboral».
Organización Internacional del Trabajo, abril de 2026
Una puntuación de exposición teórica y una de exposición observada captan ambas algo real sobre la relación de un empleo con la capacidad de la IA. Ninguna te dice si ese empleo seguirá existiendo el año que viene.
En 2025, Morgan Frank, Yong-Yeol Ahn y Esteban Moro pusieron a prueba esa brecha con datos de desempleo de Estados Unidos. Compararon doce puntuaciones de exposición publicadas con el riesgo mensual de desempleo por ocupación y estado, construido a partir de los registros estatales del seguro de desempleo. La mejor puntuación individual explicaba el 10,7 % de la variación del riesgo de desempleo entre ocupaciones, estados y meses; el conjunto de las doce explicaba el 29,8 %. Un modelo base con los requisitos de habilidades de la ocupación, la educación, el estado, el año y la estacionalidad explicaba el 57,4 %, y añadir el conjunto de puntuaciones de exposición lo elevaba al 75,5 %.
Dicho sin rodeos, una puntuación de exposición aislada es un predictor débil del riesgo de desempleo. Una parte mucho mayor de la variación se asocia a la estructura del mercado laboral que la puntuación no contiene, incluidos los requisitos de habilidades, la educación, la geografía y la estacionalidad.
| Dimensión | Exposición teórica / basada en tareas | Exposición observada (Anthropic) |
|---|---|---|
| Qué mide | Qué parte de un empleo podría la IA afectar o acelerar potencialmente | Qué tareas teóricamente viables aparecen en el uso laboral de Claude |
| Quién lo usa | Se usa en varios marcos de exposición académicos e institucionales | Anthropic, para el uso de su propio Claude.ai |
| Fuente de datos | Componentes del puesto de O*NET más valoraciones de capacidad de IA propias de cada método | Uso de Claude más tareas de O*NET y viabilidad teórica |
| Qué capta bien | Dónde la capacidad de la IA podría afectar potencialmente al trabajo | La adopción observada y cómo se delega el trabajo en Claude |
| Qué se le escapa | La demanda, el coste, la regulación y si alguien se molesta en hacerlo | El uso fuera de Claude; refleja a los usuarios de un solo producto |
| Cifra de ejemplo | Informática y matemáticas: 94 % teórico (Eloundou et al.) | Informática y matemáticas: 33 % observado |
Publicado en abril de 2026, el AI Jobs Transition Framework de OpenAI plantea lo mismo desde otro ángulo. En lugar de tratar la exposición técnica como un pronóstico de desplazamiento, hace tres preguntas: ¿puede la IA realizar una parte significativa de las tareas de una ocupación?, ¿sigue siendo una persona central para entregar o supervisar el trabajo? y ¿podrían unos costes más bajos aumentar la demanda lo suficiente para absorber la ganancia de productividad? Aplicado a 921 ocupaciones que cubren unos 148 millones de empleos de Estados Unidos, el marco sitúa cerca del 18 % de los empleos en la categoría de mayor riesgo de automatización, el 24 % en empleos que probablemente se reorganizarán, el 12 % en empleos que podrían crecer con la IA y el 46 % en empleos que previsiblemente verán menos cambios inmediatos.
En el estudio de PNAS Nexus, la puntuación de exposición individual más fuerte explicaba por sí sola el 10,7 % de la variación del riesgo de desempleo.
Así que cuando la próxima cifra de «riesgo laboral por IA» aparezca en tu feed, lo útil es averiguar cuál de estos métodos la produjo antes de decidir si preocuparte. Una puntuación de exposición teórica te dice dónde se solapa la capacidad de la IA con los componentes de un empleo. Una puntuación de exposición observada añade evidencia sobre dónde la gente ya usa la IA en la práctica. Ninguna, por sí sola, te dice si el empleo en esa ocupación subirá o bajará; eso requiere evidencia del mercado laboral sobre contratación, demanda, salarios y plantillas.
Preguntas frecuentes
¿La exposición laboral a la IA es lo mismo que la pérdida de empleo?
No. La exposición teórica describe dónde se solapa la capacidad de la IA con el trabajo de un empleo, mientras que la exposición observada añade evidencia sobre dónde se está usando la IA en la práctica. Ninguna es una medida directa de la pérdida de empleo. Un estudio revisado por pares de 2025 lo probó directamente contrastando doce puntuaciones de exposición con datos reales de solicitudes del seguro de desempleo de Estados Unidos: la mejor puntuación individual explicaba por sí sola el 10,7 % de la variación del riesgo de desempleo.
¿Cómo se calcula realmente el riesgo laboral por IA?
Detrás de las cifras etiquetadas como «riesgo laboral por IA» hay varios métodos. Los métodos de exposición teórica descomponen las ocupaciones en habilidades o tareas de O*NET y puntúan cuánto se solapan con ellas las capacidades de la IA; el método exacto de puntuación varía según el estudio. El enfoque de exposición observada de Anthropic combina la viabilidad teórica de las tareas con el uso real de Claude, el contexto de trabajo y el grado de automatización. Las cifras resultantes difieren porque miden etapas distintas entre la posibilidad técnica y la adopción real.
¿Por qué distintos rankings de riesgo laboral por IA discrepan sobre el mismo empleo?
En parte porque se basan en métodos estructuralmente distintos (la descomposición de tareas, la encuesta a empleadores y el uso observado responden a preguntas diferentes), y en parte porque incluso un mismo método cambia con el tiempo. El propio Economic Index de Anthropic situó la ampliación en el 57,4 % de las conversaciones de Claude en febrero de 2025 y en el 52 % en su informe de enero de 2026, con la automatización moviéndose en consecuencia. Una instantánea de una fecha concreta no es una ley fija.
¿Una puntuación alta de exposición a la IA significa que mi empleo está desapareciendo?
No por sí sola. Andrej Karpathy, que retiró su propio proyecto viral de exposición a la IA en marzo de 2026, escribió directamente en su propio README que las puntuaciones son «estimaciones aproximadas de un LLM… no predicciones rigurosas» y que los empleos de alta exposición serán más a menudo «remodelados, no reemplazados». La comparación de Anthropic hace visible la distinción: en informática y matemáticas, la medida teórica de Eloundou et al. alcanza el 94 %, mientras que la medida de exposición observada de Anthropic llega al 33 %. Una cifra alta en una escala de capacidad no es lo mismo que un empleo absorbido por la máquina.
Debate
Comentarios
Inicia sesión para unirte al debate.