Trabajar con IA: qué cambia y qué prometen
La automatización puede ayudar a empezar un oficio y también cambiar sus puertas de entrada. Qué muestran los estudios, qué queda fuera de los anuncios y qué lugar ocupa América Latina.
Aprender a trabajar incluye tareas que parecen menores: buscar antecedentes, ordenar información, preparar una primera versión, recibir una corrección y volver a probar. En esos pasos se forma una parte del criterio profesional. Si una herramienta resuelve el borrador en segundos, el resultado aparece antes. Pero la persona que empieza sigue necesitando entender qué está bien, qué está mal y por qué. Esa distancia entre producir y aprender atraviesa la discusión sobre inteligencia artificial y empleo.
Para alguien que busca su primer trabajo, la promesa tiene dos caras. Un asistente puede acercarle conocimientos que antes requerían más experiencia o ayuda de un compañero. También puede permitir que una organización reorganice las tareas que ofrecía a quienes recién ingresaban. La posibilidad de hacer más cosas desde el comienzo convive con una pregunta por las oportunidades de practicar, equivocarse con acompañamiento y construir una trayectoria.
Una revisión publicada por la Organización Internacional del Trabajo el 1 de junio de 2026 coloca ese problema junto a la desigualdad y la calidad del empleo. Reúne experimentos, estudios empresariales, plataformas y encuestas. Su balance identifica mejoras heterogéneas y un desplazamiento masivo todavía limitado en la evidencia examinada. El debate ya no se agota en cuántos puestos podrían desaparecer: también incluye cómo se reorganiza el trabajo y qué oportunidades quedan para los más jóvenes. Revisión de la OIT, 2026.
La lectura conjunta de investigaciones permite seguir varias piezas de ese cambio: herramientas que ayudan a principiantes, fricciones entre automatización y experiencia, barreras digitales en América Latina y trabajadores que sostienen los sistemas desde tareas de datos. El recorrido muestra una disputa por la formación y la responsabilidad. Poder generar una respuesta no equivale a saber cuándo confiar en ella.
1. Un empleo contiene más de una tarea
Hablar de un oficio como si fuera una operación única facilita los anuncios sobre reemplazo. Sin embargo, una tarea de escritura puede contener la búsqueda de información, una conversación para aclarar el encargo, la elaboración del texto, su revisión y la decisión de enviarlo. Automatizar una de esas partes cambia el recorrido. Para saber qué ocurre con el puesto completo hace falta mirar las demás y observar cómo se conectan.
La revisión académica de Maria del Rio-Chanona y sus colegas, publicada en septiembre de 2025, compara estudios de exposición a la IA con investigaciones sobre efectos observados. Encuentra resultados dependientes del contexto y señala límites de los indicadores centrados en capacidades técnicas. La exposición de una ocupación no describe por sí sola cómo se adoptará una herramienta ni si servirá para complementar o sustituir trabajo. AI and jobs: revisión de teoría y evidencia.
La diferencia puede explicarse con una secuencia. Primero, un sistema es capaz de ejecutar cierta tarea. Después, una organización decide incorporarlo, compra o habilita acceso, adapta procesos y establece responsabilidades. Finalmente pueden observarse cambios en tiempos, calidad, contratación o condiciones de trabajo. Entre una etapa y otra intervienen decisiones. Saltar directamente de la primera a la última transforma una posibilidad tecnológica en un resultado que todavía habría que comprobar.
De la capacidad al resultado
Esta distinción también ayuda a leer un aviso de empleo. Pedir manejo de IA expresa un requisito de contratación; no informa cuánto de la jornada se realizará con ella. Una demostración de producto muestra capacidades; no revela necesariamente el costo de revisar sus respuestas en un equipo real. Un anuncio empresarial comunica una decisión o una expectativa. Cada documento responde preguntas distintas y conviene exigirle la evidencia que corresponde.
Para quien empieza, el cambio puede ubicarse en un lugar inesperado: la tarea inicial sigue existiendo, pero se espera que la haga más rápido y que además controle el resultado automático. En ese escenario hipotético, la responsabilidad aumenta antes que la experiencia. Una política de formación tendría que resolver cómo acompañar esa revisión, en lugar de dar por adquirido el criterio porque el texto o el código ya están terminados.
2. Cuando el asistente acerca experiencia
Un caso estudiado permite ver una oportunidad concreta. Erik Brynjolfsson, Danielle Li y Lindsey Raymond analizaron la introducción de un asistente generativo en atención al cliente. La versión revisada en noviembre de 2024 incluye 5.172 agentes y registra una mejora promedio del 15% en problemas resueltos por hora. Las ganancias fueron mayores entre trabajadores con menos experiencia y menores habilidades iniciales; entre los más experimentados, los resultados fueron diferentes, con mejoras reducidas de velocidad y pequeños descensos de calidad. Generative AI at Work, versión revisada.
La herramienta ofrecía sugerencias durante las conversaciones. Los autores interpretan los resultados como una difusión de prácticas de trabajadores más capaces que podía ayudar a quienes empezaban. El estudio abre una discusión sobre cómo compartir conocimiento dentro de una organización. Un asistente puede funcionar como apoyo cuando la persona todavía no sabe qué respuesta buscar o cómo organizar una conversación difícil.
Desde el punto de vista de la formación, hay varias maneras de usar ese apoyo. Una consiste en recibir la respuesta y repetirla. Otra, en contrastarla con el problema, preguntar por su fundamento y discutirla con alguien que conoce el trabajo. Ambas pueden terminar con un mensaje enviado, pero ofrecen experiencias de aprendizaje distintas. El resultado de producción y la construcción de criterio merecen ser observados por separado.
Un diseño de capacitación podría reservar momentos para explicar decisiones, revisar errores y comparar soluciones. Esa es una propuesta de organización del trabajo, no una garantía que venga incluida en el modelo. Para evaluarla habría que observar si la persona puede resolver situaciones nuevas, reconocer una sugerencia inadecuada y actuar cuando el asistente no está disponible. La calidad de la ayuda se juega también en la autonomía que permite desarrollar.
El mismo criterio sirve para evitar que el conocimiento de compañeros experimentados quede reducido a una colección de respuestas. Compartir una práctica implica entender el contexto en el que funciona. Una buena solución a un reclamo puede ser inadecuada para otro. La tarea del aprendiz incluye reconocer esa diferencia; la de la organización, darle tiempo y acompañamiento para hacerlo.
3. La experiencia también puede encontrar fricción
El software ofrece un contraste. En un experimento de METR publicado en 2025, 16 desarrolladores experimentados trabajaron sobre 246 tareas en proyectos de código abierto que conocían bien. El acceso a herramientas de IA de comienzos de ese año aumentó el tiempo de resolución un 19%. Antes del ensayo esperaban ahorrar tiempo y, después, seguían percibiendo una mejora. El tiempo medido contó otra historia. Experimento de Becker y colaboradores.
El tamaño y las condiciones del ensayo importan: se trataba de especialistas trabajando en proyectos familiares, con herramientas de un período específico. Su interés está en mostrar que la sensación de velocidad puede diferir del trabajo completado. Escribir menos líneas a mano no alcanza para evaluar una tarea si después hace falta leer, corregir e integrar lo generado.
La actualización de METR del 24 de febrero de 2026 agrega otra capa. Sus investigadores explican que un nuevo experimento encontró problemas de selección: algunos desarrolladores evitaban participar o enviar tareas si podían tener que resolverlas sin IA. También identificaron dificultades para medir tiempo cuando se usaban agentes en paralelo. Consideran posible que las herramientas aceleren más que antes, pero describen sus nuevos datos como evidencia débil para precisar cuánto. Actualización metodológica de METR, 2026.
“Una señal poco fiable del efecto actual de las herramientas de IA sobre la productividad”.METR, febrero de 2026. Traducción de un fragmento de su actualización metodológica.
El contraste entre atención al cliente y desarrollo de software invita a cambiar la pregunta de evaluación. En lugar de buscar un porcentaje que describa todas las profesiones, conviene preguntar qué tarea se hizo, quién la realizó, cuánto conocía el contexto y cómo se comprobó la calidad. La respuesta puede variar dentro de un mismo equipo y cambiar con nuevas herramientas.
También plantea un problema cotidiano para quienes supervisan. Si una persona entrega más borradores, el volumen puede parecer una mejora inmediata. Pero revisar esos borradores consume atención. Una evaluación que sólo cuente entregas puede perder de vista el trabajo de quien recibe, corrige o integra. Medir la cadena completa permite distinguir una reducción del esfuerzo total de un traslado del esfuerzo hacia otra persona.
4. El primer empleo y el lugar para aprender
La discusión sobre puestos iniciales tiene una dimensión que las proyecciones agregadas pueden dejar fuera. Un primer empleo aporta ingresos, pero también acceso a personas, rutinas, herramientas y situaciones que ayudan a entender una actividad. Si una organización cambia las tareas de entrada, cambia parte del espacio donde se construye esa experiencia. Aunque mantenga la cantidad total de trabajadores, puede alterar el recorrido para llegar a ser uno de ellos.
La revisión de 2025 encuentra señales de menor demanda para principiantes en algunos estudios, junto a sustitución de tareas de escritura y traducción en plataformas digitales. Los autores también destacan las limitaciones de una literatura que suele examinar tareas simples y un conjunto acotado de modelos. Son señales para investigar con mayor detalle, no una descripción uniforme de todos los mercados laborales. Revisión de Del Rio-Chanona y colaboradores.
La implicación editorial es concreta: mirar sólo despidos puede pasar por alto una transformación en la contratación. La pregunta sobre oportunidades iniciales requiere seguir vacantes, requisitos de experiencia, tareas asignadas y posibilidades de promoción. Si una empresa afirma que conserva puestos, eso todavía deja abierta la pregunta por las personas que antes habrían podido ingresar.
Se puede imaginar una alternativa organizativa: usar el asistente para ampliar lo que un principiante puede intentar, conservando revisión y explicación de parte de un tutor. Otra alternativa sería concentrar todo el trabajo en personas experimentadas que supervisan sistemas. Son decisiones diferentes, con consecuencias distintas para la formación. Su comparación exige observar resultados y oportunidades a lo largo del tiempo.
Para alguien de veinte años, la recomendación de “aprender IA” puede ser demasiado amplia. ¿Qué herramienta? ¿Para qué tarea? ¿Con qué posibilidades de practicar? ¿Quién revisa lo que hace? Una formación útil tendría que responder esas preguntas y vincularlas con un oficio concreto. Acumular instrucciones para un chatbot no reemplaza el conocimiento de la actividad en la que se pretende trabajar.
También importa cómo se demuestra lo aprendido. Una pieza terminada puede mostrar capacidad de producción, pero una entrevista o una evaluación puede explorar el razonamiento: qué alternativas se descartaron, cómo se verificó un dato, dónde apareció un error. Dar lugar a esas explicaciones permite reconocer el trabajo de la persona detrás de una salida que puede parecer similar a muchas otras.
5. América Latina: acceso y trabajo detrás de la pantalla
Un estudio del Banco Mundial y la OIT sobre América Latina y el Caribe, difundido en 2024, identifica una distribución desigual del potencial de transformación. Las oportunidades se concentran más en empleos formales, urbanos y entre personas con mayor educación e ingresos. El acceso y la infraestructura digitales pueden bloquear parte de esos beneficios. El documento analiza exposición y escenarios potenciales; sus categorías permiten estudiar desigualdad sin tratarlas como un recuento de empleos ya eliminados. Estudio regional del Banco Mundial y la OIT.
Esto cambia el sentido de la discusión sobre capacitación. Si una oportunidad depende de una computadora adecuada, conexión y tiempo para practicar, ofrecer contenidos no resuelve todo el problema. Una política de acceso tendría que considerar los medios necesarios para usarlos. La pregunta por la formación incluye quién paga las herramientas y cómo se sostiene ese aprendizaje dentro de la jornada.
La región también participa en otra parte de la cadena. Paola Tubaro, Antonio Casilli y sus colegas investigaron trabajo de datos en Argentina, Brasil y Venezuela. El artículo, publicado en 2025, se basa en cuestionarios y entrevistas con 220 trabajadores en Argentina, 477 en Brasil y 214 en Venezuela, recogidos en distintos años entre 2021 y 2023. Describe precariedad y bajos ingresos, incluso entre personas con elevada formación, con diferencias entre países. The digital labour of artificial intelligence in Latin America.
Las personas estudiadas preparan, prueban o revisan datos que sostienen sistemas de IA. Esa investigación permite ampliar la mirada sobre el empleo tecnológico: además de quienes usan una interfaz, existen quienes contribuyen a construirla mediante trabajo menos visible. La muestra documenta experiencias de esas actividades; no representa a todos los trabajadores latinoamericanos.
Desde una lectura de la cadena productiva, conviene preguntar por ambas posiciones. Una organización puede beneficiarse de una herramienta y, al mismo tiempo, depender de tareas realizadas lejos de su oficina. Comprender el futuro del trabajo exige observar cómo se remunera y organiza ese esfuerzo, además de evaluar las nuevas funciones que aparecen frente al usuario final.
El tema también invita a discutir qué se entiende por trabajo calificado. Una credencial educativa no garantiza capacidad de negociación cuando el acceso a encargos, el precio y los criterios de aceptación dependen de una plataforma. La investigación latinoamericana muestra que educación y desventaja pueden coexistir. Pensar la formación como única respuesta deja pendiente la discusión sobre las condiciones en que ese conocimiento se convierte en ingreso.
6. Quién revisa, quién decide, quién responde
La incorporación de un asistente obliga a repartir funciones. Alguien formula el pedido, alguien recibe una salida y alguien decide que está lista para usarse. Esas funciones pueden concentrarse en una persona o distribuirse en un equipo. La responsabilidad tiene que quedar clara precisamente porque la producción de una respuesta se vuelve más fácil.
Una forma de evaluar una incorporación sería seguir el recorrido del trabajo antes y después: qué se hacía, cuánto tiempo demandaba, quién corregía y qué ocurría cuando había un error. Después habría que mirar aprendizaje, autonomía y oportunidades de ingreso. Así se pueden discutir beneficios concretos sin reducir la conversación al volumen de resultados generados.
Preguntas para mirar una implementación
El tiempo para revisar merece atención propia. Si se agrega una obligación de control sin reconocerla en la carga de trabajo, la aparente mejora puede esconder una exigencia adicional. En cambio, una implementación que asigna tiempos y criterios de revisión permite discutir su costo real. Esa comparación es una herramienta de análisis para trabajadores y organizaciones, no una conclusión automática sobre cualquier sistema.
La evidencia reunida deja abiertas distintas posibilidades. Hay asistencia capaz de acercar conocimiento a principiantes. Hay situaciones en las que la herramienta agrega fricción. Hay barreras de acceso y trabajadores de datos cuyo aporte no aparece en la pantalla. La pregunta sobre empleo se vuelve más precisa cuando reúne esas partes y observa las decisiones que las conectan.
Para las nuevas generaciones, el desafío incluye conseguir un lugar desde el cual aprender a decidir. Un futuro laboral con más respuestas automáticas puede necesitar más oportunidades para examinar esas respuestas, discutirlas y construir experiencia. Crear esas oportunidades es una decisión sobre cómo se organiza el trabajo. Su importancia empieza mucho antes del anuncio de un puesto reemplazado.
La investigación en nueve placas
Deslizá para recorrer las ideas centrales.
De dónde sale esta nota
- OIT u00b7 revisiu00f3n de evidencia, 1 de junio de 2026 ↗
- Del Rio-Chanona y colaboradores u00b7 revisiu00f3n, septiembre de 2025 ↗
- Brynjolfsson, Li y Raymond u00b7 estudio revisado, noviembre de 2024 ↗
- Becker y colaboradores, METR u00b7 experimento, julio de 2025 ↗
- METR u00b7 actualizaciu00f3n metodolu00f3gica, febrero de 2026 ↗
- Banco Mundial y OIT u00b7 estudio regional, 2024 ↗
- Tubaro y colaboradores u00b7 trabajo de datos en Amu00e9rica Latina, 2025 ↗
Investigación documental · Fuentes primarias enlazadas en el texto.
