Anthropic acaba de publicar el mapa más detallado hasta la fecha de qué trabajos está automatizando la IA — y lo que encontraron es al mismo tiempo tranquilizador y alarmante. La IA puede hacer mucho más de lo que actualmente hace, pero todavía no lo está haciendo. Eso puede cambiar.
El estudio, titulado “Labor market impacts of AI: A new measure and early evidence”, fue publicado el 5 de marzo de 2026 por los investigadores Maxim Massenkoff y Peter McCrory. La clave es una métrica nueva que llaman exposición observada: combina lo que la IA es teóricamente capaz de hacer con lo que realmente hace en contextos de trabajo real, usando datos directos de uso de Claude.
¿Qué es la “exposición observada” y por qué importa?
Hasta ahora, los estudios de impacto laboral de la IA usaban dos enfoques: medir lo que la IA podría hacer teóricamente (exposición teórica), o comparar tendencias de empleo entre industrias. Ambos tienen problemas: el primero sobreestima, el segundo llega demasiado tarde.
La exposición observada combina tres fuentes:
- La base de datos O*NET: enumera las tareas asociadas a ~800 ocupaciones en EE.UU.
- Datos de uso de Claude: qué tareas reales hace Claude en contextos laborales (del Anthropic Economic Index)
- Estimaciones de Eloundou et al. (2023): si un LLM puede acelerar al menos 2x una tarea
El resultado es una métrica que pondera más el uso automatizado (no el aumentativo), el uso en contextos laborales reales, y la proporción del trabajo total que una tarea representa dentro de un puesto. No basta con que Claude pueda hacer algo — tiene que estar haciéndolo realmente, en entornos de trabajo, de forma automatizada.
La brecha que lo cambia todo
Los números más llamativos del estudio son las brechas entre capacidad teórica y uso real:
- Trabajadores de computación y matemáticas: la IA puede hacer teóricamente el 94% de sus tareas. En la práctica, solo cubre el 33% de forma observada.
- Administración de oficinas: 90% de exposición teórica, una fracción en uso real.
- 30% de los trabajadores tienen exposición cero — cocineros, mecánicos, bartenders, lavaplatos — trabajos que requieren presencia física que ningún LLM puede replicar.
¿Por qué esa brecha? Los investigadores identifican varias causas: restricciones legales, necesidad de software adicional, pasos de verificación humana, y simplemente que muchas empresas no han implementado estas herramientas todavía. El ejemplo que dan: autorizar recetas médicas en farmacias es teóricamente 100% realizable por un LLM, pero nunca han visto a Claude hacerlo.
¿Quiénes están más en riesgo?
Aquí viene la sorpresa: los trabajadores más expuestos no son los que la mayoría imagina. El grupo con mayor exposición observada:
- Tiene un 16% más de probabilidad de ser mujer
- Gana 47% más en promedio
- Tiene 4 veces más probabilidad de tener un posgrado
Estamos hablando de abogados, analistas financieros, desarrolladores de software, programadores, representantes de servicio al cliente y operadores de entrada de datos. No del trabajador de almacén.
En cuanto a impacto ya observable: los investigadores no encontraron un aumento sistemático de desempleo en los grupos más expuestos desde finales de 2022. Sin embargo, sí hay “evidencia sugestiva” de que la contratación de trabajadores jóvenes ha desacelerado en ocupaciones expuestas. Hay señales tempranas, no catástrofe todavía.
Además, las proyecciones del Bureau of Labor Statistics (BLS) para 2024–2034 muestran que las ocupaciones con mayor exposición observada se proyectan a crecer menos en los próximos años.
Por qué importa
Este estudio es importante por lo que no es: no es otro paper diciendo “la IA va a destruir X millones de trabajos”. Es un intento serio de construir un sistema de alerta temprana que pueda detectar disrupciones laborales antes de que sean visibles en los datos de desempleo.
La analogía que usan los autores es clave: el COVID causó un shock tan obvio que ni siquiera necesitabas estadísticas sofisticadas para verlo. El impacto de la IA será más parecido al internet o a la globalización — gradual, con efectos que se confunden con otras variables, potencialmente invisible hasta que es irreversible.
El hecho de que exista una brecha enorme entre lo que la IA podría hacer y lo que hace hoy no es una señal de que no va a pasar. Es una señal de que hay presión acumulada. Y que cuando los obstáculos legales, técnicos y organizacionales caigan — y están cayendo — ese gap se cerrará rápido.
Para quienes trabajan en tech, finanzas, derecho o servicios profesionales en América Latina: este estudio debería ser lectura obligatoria. No para entrar en pánico, sino para entender en qué punto estamos. La destrucción de empleo en startups de EE.UU. en febrero 2026 ya está mostrando patrones preocupantes. Y esto recién empieza.
El equipo de Anthropic promete actualizar estas métricas periódicamente — construyendo precisamente el tipo de observatorio que la economía necesita para navegar esta transición con más inteligencia y menos sorpresas.
