Si has llegado hasta aquí buscando “la lista de trabajos que la IA va a destruir”, te voy a fastidiar un poco el plan (para bien). El debate sobre los trabajos afectados por la IA suele estar mal planteado: o nos cuentan que la IA va a arrasar con el empleo, o nos venden que solo será una herramienta para trabajar mejor. Y la realidad que se está viendo en empresas es bastante más incómoda: la IA no entra de golpe a sustituir un puesto entero… entra a comerse trozos del puesto. Trozos que antes justificaban horas, equipos junior, presupuesto y, en muchos casos, carrera profesional.
Un estudio de Anthropic (la empresa detrás de Claude) permite enfocar esto con más seriedad porque no se queda en “en teoría la IA podría…”, sino que intenta medir qué está pasando de verdad en contextos profesionales. A partir de ahí, podemos hablar con nombres y apellidos de las profesiones que ya están cambiando, por qué justo esas, y cuál es el riesgo real que se asoma (spoiler: no siempre es el despido inmediato).
Fuentes por si quieres ir al documento original y a una lectura divulgativa: informe de Anthropic (PDF) y este análisis en Xataka.
La idea clave: no se trata de “la IA destruye empleos”, sino de “qué tareas del empleo se devalúan”
Cuando pensamos en automatización, mucha gente imagina fábricas, robots, almacenes, trabajos manuales… pero lo que está pasando con la IA generativa va por otro camino. Los trabajos afectados por la IA no son necesariamente los más físicos ni los peor pagados: son muchos de los que viven de procesar información, redactar, resumir, documentar, programar, analizar incidencias o responder consultas relativamente estructuradas.
Esto cambia el mapa mental. Porque si el “núcleo de valor” de tu día a día era producir borradores, clasificar información, transformar datos en texto o resolver tickets repetitivos, la IA puede entrar sin pedir permiso. No reemplaza tu puesto completo… pero sí puede reducir el peso económico de una parte del trabajo que antes se pagaba y se necesitaba.
Qué mide Anthropic y por qué “exposición observada” importa más que las predicciones
Una de las cosas más valiosas del enfoque de Anthropic es que separa el humo del suelo. En vez de limitarse a “la IA podría hacer X”, construyen una métrica de observed exposure (en castellano, algo así como exposición observada): cuánto se está usando un modelo (Claude) para tareas vinculadas a ocupaciones reales.
Dicho en simple: no es lo mismo decir “un modelo podría ayudar a un abogado” que ver “la gente está usando IA para redactar, resumir, clasificar y preparar documentos que encajan con tareas típicas de perfiles legales”. La exposición observada pone más peso en el uso profesional, automatizado y presente en el mercado, en lugar de quedarse en la promesa.
Este matiz es importante por dos motivos:
- Evita el futurismo barato: no te habla de una IA hipotética, sino de adopción real.
- Señala dónde está entrando ya: aunque la tecnología pueda hacer más, lo relevante para el empleo es qué parte se integra en herramientas, procesos y decisiones de empresa.
Trabajos afectados por la IA hoy: las ocupaciones que ya aparecen en primera línea
Según el estudio, entre las ocupaciones con mayor exposición observada aparecen perfiles muy reconocibles en cualquier empresa moderna. No es ciencia ficción. Es oficina, tecnología y operaciones.
En el grupo de los más expuestos destacan, entre otros:
- Programadores y perfiles de desarrollo de software
- Representantes de atención al cliente
- Grabadores de datos / data entry
- Especialistas en historiales médicos (gestión y codificación de información clínica)
- Analistas de investigación de mercados y marketing
- Determinados perfiles comerciales (sobre todo los más “de proceso”)
- Analistas financieros
- Perfiles de QA (calidad y pruebas)
- Analistas de seguridad informática
- Especialistas en soporte a usuarios (helpdesk, soporte IT)
Si algo deja claro esta lista es que los trabajos afectados por la IA no están “esperando” a entrar en el mercado laboral: ya está dentro, y lo está haciendo en trabajos donde la materia prima es texto, datos, documentación, incidencias y conocimiento codificable.
Por qué justo estas profesiones: la IA no entiende el negocio, pero sí devora patrones
La explicación no es que la IA sea mágica o que “sepa más que tú”. El motivo es más simple y más peligroso: muchas tareas de esos puestos se apoyan en patrones repetibles. Es precisamente por eso que ciertos trabajos afectados por la IA aparecen con mayor frecuencia en las listas de exposición.
Algunas de las tareas que más fácilmente entran en el radio de acción de la IA generativa:
- Redactar correos, respuestas y comunicaciones “tipo” (con variaciones).
- Resumir reuniones, tickets, documentos o hilos largos.
- Transformar datos en texto: informes, explicaciones, notas, “executive summaries”.
- Revisar documentación y proponer mejoras (consistencia, estructura, claridad).
- Contestar preguntas frecuentes (FAQ) o consultas con estructura repetitiva.
- Generar primeras versiones de código (boilerplate), tests o scripts auxiliares.
- Clasificar incidencias, proponer causas probables y pasos de diagnóstico.
- Preparar borradores de presentaciones, propuestas y argumentarios comerciales.
Fíjate en el patrón: en la mayoría de casos, la IA no hace “el trabajo completo”. Lo que hace es adelantar trabajo: genera una primera versión, reduce la fricción y elimina parte de la ejecución repetitiva.
¿Resultado? La empresa puede necesitar menos horas para producir lo mismo… o producir más con el mismo equipo. Y eso impacta directamente en contratación, en presupuesto y en cómo se diseñan los roles.
La parte inquietante: el riesgo no es perder el puesto, es perder “tareas” que sostenían el puesto
Aquí está el giro incómodo. El debate “la IA me quitará el trabajo” suele ser demasiado binario. Lo que empieza a pasar, más a menudo, es esto:
- Tu puesto sigue existiendo…
- …pero algunas tareas se automatizan o se aceleran tanto que dejan de justificar el mismo número de personas.
- Y, especialmente, dejan de justificar la existencia de capas junior dedicadas a ejecución repetitiva.
Esto es clave para entender por qué hay profesiones “de despacho” en el punto de mira. Muchas carreras se construían con una escalera lógica: empiezas haciendo tareas más mecánicas, aprendes el negocio, subes a tareas de más criterio. Si la base de esa escalera se automatiza, la pregunta pasa a ser: ¿cómo entra la gente nueva? Y aquí es donde los trabajos afectados por la IA cambian la arquitectura del talento.
La IA aún está muy por debajo de su capacidad teórica, pero la dirección ya está marcada
Otra aportación interesante del estudio es la comparación entre:
- Exposición potencial: lo que, en teoría, los modelos podrían cubrir en tareas de una ocupación.
- Exposición observada: lo que se está usando realmente ahora.
La brecha entre ambas es enorme. En categorías como Computer & Math (informática y matemáticas), Anthropic muestra que existe una capacidad potencial muy alta, pero la cobertura real observada es bastante menor. En el propio ejemplo del informe, se menciona que Claude cubre aproximadamente un 33% de las tareas de esa categoría en la medición observada, lejos de su techo teórico.
Traducción a lenguaje de empresa: incluso si hoy “solo” cubre un tercio, queda muchísimo espacio para que el impacto crezca a medida que:
- mejoren los modelos (más precisión, menos errores, mejor contexto),
- se integren en software corporativo (CRMs, ERPs, herramientas internas),
- las compañías pierdan miedo a cambiar procesos (y no solo a usar prompts sueltos),
- se estandaricen flujos de validación (human-in-the-loop: humano supervisando lo que hace la IA).
Y esto es lo que mucha gente no está mirando: el impacto fuerte no viene solo de lo que la IA hace hoy, sino del terreno que todavía puede conquistar cuando deje de ser “una pestaña aparte” y pase a estar embebida en cada sistema de trabajo.
¿Entonces por qué no vemos paro masivo? La señal puede estar en la puerta de entrada: los juniors
Aquí conviene ser honestos y no caer en el apocalipsis fácil. Tanto el informe como lecturas divulgativas (como la de Xataka) apuntan a que, desde finales de 2022, no se observa un aumento sistemático del desempleo asociado a las ocupaciones más expuestas.
Pero eso no significa “no pasa nada”. El estudio detecta indicios de algo más sutil: ralentización en la contratación de trabajadores jóvenes en ocupaciones expuestas. Y esta es una señal con mucha mala leche, porque cambia el mercado sin necesidad de titulares dramáticos.
Dicho de forma directa: puede que el primer golpe no sea “te despiden”, sino “no te contratan”. Y eso afecta sobre todo a:
- personas que intentan entrar al sector (primer empleo),
- perfiles junior que hacían tareas de ejecución repetitiva,
- becarios y prácticas que antes eran mano de obra de aprendizaje (y de producción).
En un mercado así, los perfiles consolidados aguantan más (porque tienen contexto, relaciones, criterio, responsabilidad), mientras que la base se estrecha. Y cuando la base se estrecha, la estructura entera del sector cambia con el tiempo.
Cómo puede cambiar la empresa por dentro: equipos más pequeños, más senior y más centrados en supervisar
Este es un efecto secundario que se entiende muy bien si has trabajado en proyectos digitales. Si una parte del trabajo de redacción, análisis, soporte o documentación pasa a resolverse con IA, muchas organizaciones tenderán a:
- operar con equipos más pequeños,
- priorizar perfiles más senior (porque hacen de filtro y de responsables),
- orientar roles a supervisar, validar y coordinar sistemas, no solo a ejecutar.
Esto puede sonar “bien” (“más valor del criterio humano”), pero también rompe una lógica clásica: la construcción de carrera basada en hacer primero lo repetitivo y, con el tiempo, subir a lo estratégico.
Si la IA se queda con una parte importante de lo repetitivo, esa escalera puede romperse por la base. Y entonces la pregunta para muchas empresas será: ¿cómo formo seniors si reduzco el espacio donde se formaban los juniors?
Ejemplo rápido de trabajos afectados por la IA en software
Antes, en un equipo de desarrollo, un junior podía aportar mucho haciendo tareas como:
- escribir código repetitivo,
- documentar funciones,
- hacer tests sencillos,
- analizar logs y tickets básicos,
- arreglar bugs pequeños guiados por un senior.
Con IA, parte de eso se acelera. No desaparece la necesidad de un junior, pero sí se reduce el “volumen” de tareas que justificaban tener varios. La empresa puede pensar: “con menos gente y buenas herramientas, sacamos lo mismo”. Y ahí empieza el cambio estructural.
Qué tipo de trabajador aparece más expuesto (y por qué esto rompe otro mito)
Otro punto que desmonta ideas simplistas: la exposición no se concentra solo en empleos precarios o de baja cualificación. Anthropic observa que, comparados con trabajadores sin exposición, los más expuestos tienden a ser:
- de mayor edad,
- con mayor frecuencia, mujeres,
- con mayor nivel educativo,
- y con salarios más altos.
Además, se destaca una diferencia fuerte en formación: el peso de personas con estudios de posgrado es mucho mayor entre los grupos más expuestos.
Esto no significa “la IA va a eliminar a los titulados” (sería una lectura floja). Significa algo más concreto: la IA está entrando con fuerza en trabajos donde hay mucho texto, mucha documentación, mucha síntesis y mucho proceso. Y esos trabajos suelen estar en entornos cualificados.
Qué seguirá siendo humano (y qué tareas perderán valor, aunque “sigan existiendo”)
Es tentador cerrar con “la creatividad humana siempre gana”, pero eso se queda corto. Mucha creatividad profesional de bajo nivel (la de “hacer un borrador correcto”, “proponer 10 ideas”, “redactar una versión 1”) ya es terreno fértil para la IA.
Lo que probablemente mantendrá valor (y tenderá a pagarse mejor) es:
- Criterio: decidir qué es correcto, útil y relevante en un contexto real.
- Responsabilidad: firmar decisiones, asumir consecuencias, responder ante cliente o dirección.
- Validación final: detectar errores sutiles, incoherencias, riesgos legales o de seguridad.
- Visión estratégica: conectar acciones con objetivos, prioridades y trade-offs (renuncias).
- Relación humana en contextos complejos: negociación, conflictos, confianza, venta consultiva.
- Decisiones con contexto imperfecto: cuando faltan datos, hay incertidumbre o cambian las reglas.
En cambio, es razonable esperar pérdida de valor relativo en tareas que durante años se facturaron como “trabajo experto”, pero en la práctica consistían en:
- reordenar información y darle forma,
- producir borradores “aceptables”,
- seguir plantillas y procedimientos,
- responder consultas repetitivas,
- hacer análisis descriptivo básico (más “contar lo que pasó” que decidir qué hacer).
Esto no sale como una frase literal del estudio, pero encaja con su lectura por tareas: la exposición no es una bomba que cae sobre un puesto entero; es un mordisco continuo a partes concretas del trabajo. Por eso los trabajos afectados por la IA suelen cambiar por fases, no de un día para otro.
Cómo prepararte (sin postureo): habilidades “anti-devaluación” para los próximos 12-24 meses
No hay una receta universal, pero sí una idea práctica: en tu rol, identifica qué entregables son “borrador” y cuáles son “decisión”. La IA se mete mejor en lo primero que en lo segundo. Algunas acciones sensatas:
1) Convierte la IA en tu línea de montaje, no en tu sustituto
Usa IA para generar versiones 1, clasificar, resumir o preparar documentación, pero aprende a auditar lo que produce. Auditar aquí significa: comprobar hechos, detectar omisiones, validar con datos y adaptar al contexto real de tu empresa.
2) Sube un nivel: de “hacer” a “diseñar cómo se hace”
En muchas áreas (soporte, QA, marketing, análisis), quien más valor aportará será quien sepa definir procesos, métricas, criterios de calidad y flujos de validación. La IA puede ejecutar, pero alguien tiene que decidir qué significa “bien”.
3) Aprende a trabajar con herramientas, no solo con prompts
El salto grande ocurre cuando la IA se integra con tus sistemas: CRM, base de conocimiento, repositorios, tickets, analítica. Si solo la usas en un chat, te quedas a medias. Si entiendes cómo meterla en el flujo, multiplicas impacto.
Un ejemplo muy simple (para entender la diferencia) sería estructurar incidencias y extraer campos para un sistema de tickets. Esto, por ejemplo, se puede representar con un JSON. No es “programar por programar”: es convertir texto libre en datos accionables.
{
"resumen": "El usuario no puede iniciar sesi\u00f3n desde la app m\u00f3vil",
"producto": "App iOS",
"severidad": "alta",
"impacto": "bloquea el acceso",
"posible_causa": "token caducado o error en el flujo de autenticaci\u00f3n",
"pasos_sugeridos": [
"Revisar logs del endpoint /auth/login",
"Comprobar expiraci\u00f3n de tokens",
"Validar versi\u00f3n de la app y reproducibilidad"
]
}Si tu trabajo se parece a convertir caos (emails, tickets, notas, documentos) en estructura (datos, decisiones, planes), entender este puente te coloca en un sitio más defendible.
La pregunta incómoda que ya toca hacerse
Visto lo anterior, la pregunta ya no es si habrá trabajos afectados por la IA. Los hay, ahora mismo, y en ocupaciones que mucha gente daba por “seguras” porque eran cualificadas y de oficina.
La pregunta más incómoda (y más útil) es otra: ¿qué parte del valor humano dentro de tu puesto seguirá siendo económicamente defendible? Porque el problema no es solo “seguir empleado”, sino si ese empleo mantendrá salario, recorrido, volumen de contratación y puerta de entrada para nuevas generaciones.
El estudio de Anthropic todavía no muestra un golpe masivo en desempleo. Pero sí dibuja un mapa claro de por dónde está entrando la IA, y deja señales suficientes como para no confundir “no ha explotado nada aún” con “no hay riesgo real”. La transformación, simplemente, ha empezado por dentro: por tareas, por procesos y por cómo se decide contratar. Los trabajos afectados por la IA están cambiando ahora mismo; la pregunta es qué parte de tu puesto seguirá siendo esencial.
