Hay una cifra que ya has oído: el 47% de los puestos de trabajo está en riesgo de automatización. Hay una segunda cifra, mucho menos citada, que estima el mismo fenómeno en los mismos años: el 9%.
No es que una de las dos se equivoque en las cuentas. Miden dos cosas distintas, y entender cuál es la diferencia es la vía más rápida para responder de verdad a la pregunta “¿desaparecerá mi trabajo?”. Esta guía reconstruye qué dicen los estudios, qué muestran los experimentos de campo y qué se puede sacar de todo ello.
El 47% y el 9%: la diferencia es la unidad de medida
El 47% viene de Frey y Osborne, The Future of Employment (2013, publicado después en Technological Forecasting and Social Change, 2017). Los autores clasificaron las ocupaciones según su probabilidad de ser automatizadas, concluyendo que en torno al 47% del empleo estadounidense caía en la categoría de alto riesgo.
El 9% viene de Arntz, Gregory y Zierahn para la OCDE (2016). Mismo periodo, misma pregunta, un cambio metodológico decisivo: en lugar de clasificar ocupaciones, descompusieron cada trabajo en las tareas que lo componen, usando los datos de la encuesta PIAAC sobre lo que la gente hace realmente cada día. Resultado: de media, en los países de la OCDE, solo el 9% de los trabajadores realiza un conjunto de tareas automatizable casi por completo.
La razón de la diferencia es simple y conviene tenerla presente:
Un trabajo no es un bloque único. Es una colección de tareas, algunas automatizables y otras no. Quien cuenta ocupaciones obtiene cifras catastróficas; quien cuenta tareas obtiene cifras mucho más bajas y un cuadro mucho más útil.
Un trabajo posterior de la OCDE (Nedelkoska y Quintini, 2018) situó la estimación en torno al 14% de alto riesgo, añadiendo que otro 32% aproximadamente sufrirá una transformación sustancial sin desaparecer. Esa última categoría es, estadísticamente, donde estás tú.
Qué dicen los experimentos de campo
Las estimaciones de riesgo son previsiones. En los últimos años han llegado medidas directas sobre trabajadores reales con IA generativa, y son más informativas.
Atención al cliente. Brynjolfsson, Li y Raymond (Quarterly Journal of Economics, 2025) siguieron a 5.179 agentes de soporte equipados con un asistente basado en modelos de lenguaje. Aumento medio de productividad: +14%. Pero el dato interesante es la distribución: +34% para los trabajadores menos expertos, efecto cercano a cero para los más expertos.
Escritura profesional. Noy y Zhang (Science, 2023) asignaron tareas de escritura a 453 profesionales: tiempo de realización reducido en torno al 40%, calidad valorada al alza en torno al 18%, y reducción de la brecha entre quienes partían fuertes y quienes partían débiles.
Consultoría. Dell’Acqua y colegas (Harvard Business School, 2023) trabajaron con consultores del Boston Consulting Group. En las tareas dentro del alcance de la herramienta: +12% de tareas completadas, +25% de velocidad, calidad claramente superior. En las tareas fuera de ese alcance —que parecían similares pero exigían información que el modelo no tenía— quienes usaban la IA tenían una probabilidad 19 puntos porcentuales menor de producir una respuesta correcta.
Tres estudios, una conclusión coherente:
| Qué hace la IA | Efecto medido |
|---|---|
| Comprime la brecha entre novatos y expertos | Ganancias concentradas en quien sabe menos |
| Acelera las tareas estandarizables | Tiempo −40%, calidad +18% en escritura |
| Empeora las tareas fuera de su alcance | −19 puntos porcentuales de respuestas correctas |
Ese tercer efecto es el riesgo profesional real, y rara vez se discute: no es que la IA te sustituya, es que te hace equivocarte con más seguridad.
La pieza macroeconómica que enfría el entusiasmo
Sobre los efectos agregados, merece la pena leer la estimación más escéptica que circula, porque viene de un economista que estudia la automatización desde hace veinte años.
Daron Acemoglu (The Simple Macroeconomics of AI, 2024) calculó el efecto plausible de la IA sobre la productividad total de los factores partiendo de la proporción de tareas realmente expuestas y de los ahorros de coste documentados. Resultado: un aumento del orden de menos del 1% en diez años, muy lejos de las previsiones de transformación radical.
No es una previsión de irrelevancia: es un recordatorio de que entre “esta tecnología funciona” y “esta tecnología cambia la economía” median tiempos de adopción, costes de reorganización y fricciones que se miden en años.
En el lado opuesto, el Future of Jobs Report 2025 del Foro Económico Mundial —basado en encuestas a empleadores, es decir en expectativas y no en mediciones— estima para 2030 alrededor de 170 millones de puestos creados y 92 millones desplazados, con saldo neto positivo, e indica que en torno al 39% de las competencias clave cambiará.
Las dos fuentes no se contradicen realmente: una mide el efecto económico agregado, la otra la recomposición del empleo. El cuadro combinado es “mucho movimiento, poco crecimiento neto inmediato”, que es exactamente el escenario en el que cuenta lo que sabes hacer tú.
Qué tareas están expuestas (y cuáles no)
El análisis de la OIT (Gmyrek, Berg y Bescond, 2023) es el más útil en este punto, porque distingue explícitamente entre automatización y aumento.
Las tareas más expuestas en sentido sustitutivo comparten tres propiedades: son predominantemente textuales, tienen un resultado verificable con rapidez y no implican responsabilidad legal. El trabajo administrativo de oficina es la categoría más afectada, y el estudio señala que en los países de renta alta esto implica una exposición mayor para las trabajadoras, dado que esa categoría está ocupada mayoritariamente por mujeres.
Las tareas menos expuestas, en cambio:
- las que exigen responsabilidad sobre una decisión: alguien tiene que firmar;
- las que exigen contexto no escrito, es decir información que solo existe en la cabeza de las personas o en las relaciones;
- las físicas y no estandarizadas, desde las instalaciones hasta los cuidados;
- las que consisten en verificar la salida de un sistema automático, una categoría que, previsiblemente, está creciendo.
Cuatro pasos para medir cuánto está expuesto tu trabajo
1. Descompón tu trabajo en tareas. Durante una semana, anota lo que haces en bloques de media hora. Después marca cada bloque: automatizable, aumentable, insustituible. Es el ejercicio de Arntz y Gregory aplicado a tu caso concreto, y da un resultado más preciso que cualquier ranking de profesiones.
2. Desplaza el tiempo hacia la tercera categoría. No hace falta cambiar de oficio: en la mayoría de los puestos basta con cambiar la distribución. Pasar del 10% al 30% del tiempo en decisiones y relaciones reduce la exposición más que hacer un curso.
3. Aprende a usar las herramientas antes de tener que hacerlo. Las ganancias medidas son reales, y son mayores precisamente para quien parte de una posición más débil. Las bases operativas están en cómo usar ChatGPT en el trabajo y en cómo escribir prompts eficaces.
4. Construye tu mecanismo de verificación. El estudio de BCG dice que el daño llega cuando te fías fuera del alcance de la herramienta. La contramedida es trivial y nadie la aplica: decidir de antemano qué afirmaciones vas a comprobar en la fuente, siempre, con independencia de lo convincentes que suenen.
5. Mira dónde se desplaza la demanda, no dónde desaparece. Las competencias que los empleadores declaran buscar cambian más deprisa que los oficios: las hemos recogido en competencias más demandadas y trabajos más demandados.
Mi opinión: no te sustituye la IA, sino quien la usa
Creo que la pregunta “¿la IA sustituirá mi trabajo?” está mal planteada no porque la respuesta sea tranquilizadora, sino porque la sustitución rara vez viene de la tecnología: viene de una persona que la usa.
El dato de Brynjolfsson lo sugiere de forma indirecta: si la ventaja es máxima para quien parte con menos experiencia, la consecuencia es que la distancia entre un profesional mediocre y uno bueno se reduce, y por tanto la posición más incómoda es la de quien vive de una ventaja de competencia media.
No lo he medido, así que lo etiqueto por lo que es: una inferencia mía a partir de los datos citados, no un resultado de los estudios.
Preguntas frecuentes
¿Entonces el 47% estaba mal? Mal no: responde a otra pregunta. Estima la proporción de ocupaciones técnicamente automatizables en su conjunto, no la proporción de trabajadores que perderán el empleo. La estimación de la OCDE del 9%, basada en tareas reales, está más cerca de la pregunta que te interesa.
¿Qué trabajos están más expuestos? Según el análisis de la OIT, los puestos administrativos con alto componente textual y baja responsabilidad decisoria. Menos expuestos, los trabajos físicos no estandarizados y aquellos en los que alguien debe responder legalmente de una decisión.
Si la IA ayuda más a los principiantes, ¿sigue mereciendo la pena especializarse? Sí, pero el valor se desplaza: de producir el resultado a saber juzgarlo. En todos los estudios citados, la parte que sigue siendo humana es reconocer cuándo el resultado está mal.
¿Tengo que aprender a programar para no quedarme atrás? No, y aquí los datos son claros: las ganancias medidas afectan a tareas de escritura, atención y análisis, no al desarrollo de software. Si aun así te interesa, lo tratamos en cómo aprender a programar.
¿Cuánto tiempo tengo? Las estimaciones macroeconómicas más prudentes apuntan a efectos agregados contenidos en la próxima década; las encuestas a empleadores apuntan a cambios de competencias mucho más rápidos. La lectura práctica es que el riesgo inmediato no es el despido, sino la obsolescencia gradual del perfil.
Fuentes
- C. B. Frey, M. A. Osborne, The Future of Employment: How Susceptible Are Jobs to Computerisation?, Technological Forecasting and Social Change, 2017 (versión de trabajo de 2013). Estimación del 47% del empleo estadounidense en alto riesgo, con base ocupacional.
- M. Arntz, T. Gregory, U. Zierahn, The Risk of Automation for Jobs in OECD Countries: A Comparative Analysis, OECD Social, Employment and Migration Working Papers, 2016. Estimación del 9% con enfoque basado en tareas.
- L. Nedelkoska, G. Quintini, Automation, Skills Use and Training, OECD, 2018. Alrededor del 14% en alto riesgo y en torno al 32% con transformación sustancial.
- E. Brynjolfsson, D. Li, L. R. Raymond, Generative AI at Work, Quarterly Journal of Economics, 2025. 5.179 agentes de soporte; +14% de media, +34% para los menos expertos.
- S. Noy, W. Zhang, Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence, Science, 2023. 453 profesionales; tiempo −40%, calidad +18%.
- F. Dell’Acqua et al., Navigating the Jagged Technological Frontier, Harvard Business School Working Paper, 2023. Ganancias dentro de la frontera y −19 puntos porcentuales de respuestas correctas fuera de ella.
- D. Acemoglu, The Simple Macroeconomics of AI, 2024. Estimación de un efecto agregado sobre la productividad inferior al 1% en una década.
- P. Gmyrek, J. Berg, D. Bescond, Generative AI and Jobs: A Global Analysis of Potential Effects on Job Quantity and Quality, ILO Working Paper, 2023. Distinción entre automatización y aumento; exposición del trabajo administrativo.
- Foro Económico Mundial, Future of Jobs Report 2025. Proyecciones a 2030 sobre puestos creados y desplazados y sobre el cambio de competencias requeridas.
- D. Autor, Why Are There Still So Many Jobs? The History and Future of Workplace Automation, Journal of Economic Perspectives, 2015. Complementariedad entre automatización y trabajo humano.


