Nueva medida expone el impacto laboral de la IA | Keryc
La investigación publicada por Anthropic el 5 de marzo de 2026 propone una forma más directa de medir cuándo y dónde la IA empieza a desplazar trabajo real. ¿La idea central? No basta con saber qué puede hacer un modelo en teoría; hay que ver qué se usa de verdad en contextos laborales y cómo se automatiza.
Qué propone el estudio
Los autores crean una medida llamada observed exposure que combina tres elementos: tareas descritas en O*NET, estimaciones teóricas de capacidad de LLM (la métrica β de Eloundou et al. 2023) y datos reales de uso profesional desde el Anthropic Economic Index.
La intuición es clara: una tarea puede ser teóricamente automatizable por un LLM, pero si nadie la ejecuta con la IA en un entorno de trabajo o si solo se usa como ayuda (augmentative), el efecto en el empleo será limitado. Por eso la medida pondera más los usos automatizados y los que aparecen en tráfico de API o flujos de trabajo productivos.
Cómo se calcula, en términos técnicos
β toma valores {0, 0.5, 1} según si un LLM solo, un LLM con herramientas, o ninguno puede duplicar la velocidad de una tarea.
Se declara un task "cubierto" si aparece con suficiente frecuencia en tráfico laboral de Claude en el Anthropic Economic Index.
Los usos totalmente automatizados reciben peso completo; los usos augmentativos reciben la mitad de peso.
Las coberturas a nivel de tarea se agregan a nivel ocupación usando el share de tiempo que cada tarea ocupa en el trabajo (la medida de tiempo en O*NET).
Si te gustan las formas, en el apéndice del reporte están los detalles matemáticos, pero la idea práctica es: medir no solo capacidad sino adopción y forma de uso.
Hallazgos principales (resumen técnico)
La brecha entre capacidad teórica y uso real es grande. Por ejemplo, en "Computer & Math" β sugiere 94% de tareas potencialmente afectables, pero Claude cubre solo 33% actualmente.
Ocupaciones con mayor observed exposure muestran proyecciones de crecimiento laboral algo más débiles según las proyecciones de la BLS. El resultado: cada 10 puntos porcentuales adicionales en cobertura se asocia con una caída de 0.6 puntos porcentuales en la proyección de crecimiento 2024-2034.
Perfil de trabajadores en ocupaciones más expuestas: son más propensos a ser mayores, mujeres, con mayor educación y con salarios más altos. Esto rompe el estereotipo de que solo los empleos peor pagados están en riesgo.
No se observa hasta ahora un incremento sistemático del desempleo entre los más expuestos desde finales de 2022. Sin embargo, hay evidencia sugerente de que la contratación de trabajadores jóvenes (22-25 años) en ocupaciones expuestas se redujo cerca de 14% en la era post-ChatGPT. Esto apunta a una caída en la tasa de entrada a esos empleos más que a más despidos.
Metodología y contrafactuales: por qué importa la claridad
Los autores insisten en prudencia metodológica. Si el efecto de la IA fuera repentino y masivo sería fácil detectarlo, como ocurrió con la pandemia. Pero si la IA actúa como internet o el comercio exterior, su huella puede ser gradual y confundirse con ciclos económicos o cambios en la demanda.
Por eso usan comparaciones entre trabajadores más y menos expuestos y aplican un enfoque de difference-in-differences enfocándose en el cuartil superior de exposición. También exploran robustez variando el umbral desde la mediana hasta el percentil 95.
Un punto técnico interesante: modelos tipo O-ring sugieren que la pérdida de empleo puede aparecer solo si muchas tareas de una ocupación se ven afectadas simultáneamente, no por pequeñas coberturas parciales. Esto complica la traducción de cobertura en efectos de empleo.
Señales tempranas y límites detectables
Con los datos actuales, el trabajo estima que un aumento diferencial en desempleo del orden de 1 punto porcentual sería detectable con su diseño. Escenarios extremos (p. ej. que el 100% del top 10% de trabajadores pierda el empleo) serían obvios; escenarios moderados requieren observación continua.
La posible caída en la contratación de jóvenes es un ejemplo de efecto que no necesariamente aparece como aumento de desempleo inmediato: los jóvenes pueden permanecer en sus trabajos actuales, salir de la fuerza laboral o volver a estudiar, lo que complica la interpretación.
Robustez, limitaciones y próximos pasos (técnicos)
Los datos de uso vienen de Claude y el Anthropic Economic Index. Eso es valioso pero implica sesgo de plataforma. Incorporar más fuentes (otras API, sitios de anuncios de empleo) fortalecerá la medida.
La métrica β está basada en capacidades de LLMs a inicios de 2023. Si las capacidades cambian rápido, β debe actualizarse.
Existen juicios importantes: qué contar como "uso significativo", cuánto pesa la automatización vs augmentación, y cómo asignar tareas raras pero similares. Aun así, las correlaciones rank-rank de exposición bajo muchas variantes resultan altas, lo que da confianza en la señal.
Futuras extensiones útiles: aplicar la metodología a otros países, seguir cohortes de graduados en campos expuestos, y vincular adopción de IA a cambios en oferta laboral por industria.
¿Qué nos dice esto en términos prácticos?
Si trabajas en programación, servicio al cliente o entrada de datos, la probabilidad de ver tareas automatizadas es alta. Si eres responsable de políticas o de formación universitaria, la historia dice: monitorea contrataciones y vías de entrada para jóvenes, y diseña programas que faciliten la reespecialización.
No hay una señal masiva de desempleo hoy, pero sí hay pistas de reconfiguración en la demanda por talento joven en ocupaciones expuestas. Es el tipo de cambio que podemos anticipar si medimos bien y actuamos temprano.
