La IA agéntica rompe el supuesto detrás de cada pronóstico de exposición por tareas

Los pronósticos del mercado laboral han asumido que la automatización elimina tareas una a una y deja en pie la ocupación. La IA agéntica, que completa flujos de trabajo enteros, invalida ese supuesto, y una nueva puntuación compuesta, la Exposición Agéntica de Tareas (ATE), se ha diseñado para medir lo que los antiguos marcos no pueden.

Resumen ejecutivo

Los pronósticos anteriores sobre la automatización, incluidos los construidos sobre el marco de tareas de Autor-Levy-Murnane, comparten un supuesto: la ocupación sobrevive como un caparazón de coordinación en torno al trabajo humano restante.

Los sistemas de IA agéntica satisfacen cuatro criterios: reciben una especificación de objetivo, seleccionan e invocan herramientas de forma autónoma, mantienen el estado a través de pasos de inferencia y producen un trabajo completo sin intervención humana en los pasos intermedios.

La puntuación ATE combina puntuaciones de capacidad de IA, factores de cobertura de flujos de trabajo y velocidad logística de adopción. Los analistas de crédito, los jueces y los especialistas en sostenibilidad alcanzan puntuaciones ATE de entre 0,43 y 0,47.

El estudio aplica la ATE a 236 códigos SOC en seis grandes grupos ocupacionales a través de cinco regiones tecnológicas de Estados Unidos, y se describe como la primera aplicación empírica multirregional del marco de exposición por tareas dirigida específicamente a los sistemas de IA agéntica.

Junto al desplazamiento, el artículo identifica diecisiete categorías ocupacionales emergentes, concentradas en la colaboración humano-IA, la gobernanza de IA y las operaciones de IA específicas de cada dominio.

Los pronósticos que se pasaron de frenada #

Los robots industriales sí desplazaron a trabajadores manufactureros. No lo hicieron en el plazo ni a la escala que implicaban los pronósticos iniciales. Esa frase debería hacer que cualquiera que lea predicciones del mercado laboral por oficio sea un poco cauteloso, porque describe un patrón: la dirección era correcta y la magnitud falló.

La cifra de titular más conocida de esta literatura proviene de Frey y Osborne, quienes pidieron a expertos que puntuaran 702 ocupaciones estadounidenses según su "computarización" general. Su resultado fue que el 47 % de las ocupaciones corrían un alto riesgo. Es una cifra llamativa, y llegó muy lejos.

Arntz, Gregory y Zierahn mostraron después lo que ocurre cuando el análisis desciende al nivel de las tareas y tiene en cuenta la heterogeneidad de tareas dentro de ocupaciones nominalmente expuestas. Las estimaciones de alto riesgo caen al 9-14 % en los países de la OCDE. La distancia entre el 47 % y el 9-14 % no es una discrepancia de redondeo. Refleja una elección sobre la unidad de análisis, y esa elección mueve la respuesta por un factor de tres o más.

La fuente es franca al señalar que el debate entre las estimaciones a nivel de ocupación y a nivel de tarea sigue sin resolverse. Lo que el campo sí alcanzó es un consenso práctico: la descomposición a nivel de tarea es necesaria, y las etiquetas a nivel de ocupación son demasiado gruesas. Ese consenso es el cimiento sobre el que descansa el resto del argumento. También es el cimiento que la IA agéntica pone bajo tensión.

Cómo funcionan los marcos de tareas #

Para ver de dónde procede la tensión, conviene precisar qué afirma la tradición basada en tareas.

Autor, Levy y Murnane dividieron las tareas ocupacionales a lo largo de dos ejes: rutinarias frente a no rutinarias, y cognitivas frente a manuales. Su argumento era que la automatización sustituye lo rutinario mientras complementa lo no rutinario. Es una idea nítida, y dio a los trabajos posteriores un vocabulario para hablar de qué partes de un empleo podía absorber una máquina.

Acemoglu y Restrepo construyeron una estructura formal sobre esa base. Modelan la producción como el resultado de un continuo de tareas asignadas entre el capital y el trabajo. En su planteamiento, la participación del trabajo sube o baja dependiendo de si la creación de nuevas tareas, a la que llaman canal de reinstauración, supera al desplazamiento de tareas. Siguiendo su formulación, la participación del trabajo en el valor añadido se escribe sL = W * L / Y = f(|NL| / |N|), donde W es la tasa salarial, L es el empleo e Y es la producción. Dos fuerzas tiran en sentidos opuestos, y cuál de ellas gane determina quién captura las ganancias.

Otros dos esfuerzos de medición importan aquí porque convirtieron el marco en cifras a nivel de ocupación. Felten, Raj y Seamans construyeron la puntuación de Exposición Ocupacional a la IA (AIOE) vinculando los avances publicados en capacidades de IA con la taxonomía de habilidades de O*NET. Eloundou et al. construyeron una medida paralela centrada en GPT-4, combinando anotaciones de trabajadores colaborativos con autoevaluaciones de GPT-4 a nivel de tarea.

Su hallazgo principal fue que el 80 % de los trabajadores estadounidenses ocupan puestos en los que al menos el 10 % de las tareas están expuestas a los LLM. La mayor exposición se concentraba entre las ocupaciones de altos salarios que exigen titulación universitaria. Ese resultado va en contra de la vieja intuición de que la automatización golpea primero al trabajo rutinario y peor remunerado, y explica por qué la cuestión de los trabajadores de cuello blanco se ha vuelto urgente.

El punto ciego que comparten todos los marcos #

La fuente formula una afirmación directa sobre todo este cuerpo de trabajo. Todos los marcos citados comparten un punto ciego arquitectónico: modelan la automatización como la eliminación de tareas individuales mientras la ocupación permanece intacta. Casi todos los pronósticos, incluidos los basados en el marco de tareas de Autor-Levy-Murnane, comparten el supuesto de que la automatización va absorbiendo tareas una por una y la ocupación sobrevive como un caparazón de coordinación alrededor del trabajo humano restante.

Ese es un supuesto sobre la estructura, no sobre la tecnología. No dice nada respecto a cuán capaz es la máquina. Dice que, por muchas tareas que asuma la máquina, alguien tiene que seguir manteniendo unido el resto.

El caso del asistente jurídico (paralegal) hace concreto el argumento. Un análisis de exposición por tareas podría marcar el 80 % de las tareas de un asistente jurídico como expuestas a los LLM y, sin embargo, concluir que la ocupación está a salvo, porque coordinar esas tareas exige juicio humano. La conclusión se desprende del supuesto del caparazón. Las tareas están expuestas, pero la costura entre ellas no lo está, así que el empleo se mantiene.

Y aquí entra el movimiento clave de la fuente: el cuello de botella de coordinación que protegía el puesto de asistente jurídico se encuentra ahora dentro del módulo de planificación del agente. Si eso se cumple, el razonamiento que mantenía a salvo al asistente jurídico deja de funcionar. La protección provenía de la coordinación. La coordinación es exactamente lo que hace un sistema agéntico.

Creo que esta es la idea más útil del artículo, y merece ser tomada en sus propios términos. Los marcos más antiguos no se equivocan respecto a las tareas. Se equivocan respecto a lo que queda después de que las tareas desaparecen. Una métrica que puntúa tareas una por una no puede ver un sistema que maneja la secuencia como una unidad.

Qué se considera agéntico #

Si el argumento depende de una distinción, esa distinción necesita una definición. La fuente ofrece una con cuatro criterios. Un sistema de IA agéntica es aquel que:

recibe una especificación de objetivo en lugar de una especificación de tarea;
selecciona e invoca herramientas de forma autónoma para perseguir el objetivo;
mantiene el estado a través de múltiples pasos de inferencia; y
produce un producto de trabajo terminado sin intervención humana en los pasos intermedios.

Esta es una lista que vale la pena conservar como tal, porque los criterios son discretos y cada uno puede verificarse. Un sistema que responde a un prompt falla en el primero. Un sistema que necesita que una persona apruebe cada paso intermedio falla en el cuarto.

En términos más llanos, un agente recibe un objetivo, selecciona herramientas, ejecuta un plan de varios pasos, comprueba su propio resultado y entrega un producto de trabajo terminado. Los sistemas agénticos encadenan llamadas a herramientas, mantienen memoria persistente entre pasos, planifican secuencias de múltiples acciones y se autocorrigen cuando los resultados intermedios no superan los controles de calidad.

El detalle de la autocorrección importa más de lo que parece a primera vista. Una tubería de procesamiento que se rompe cuando falla un paso sigue necesitando a un humano cerca. Un sistema que detecta un control de calidad fallido y vuelve a intentarlo ha absorbido parte de la supervisión que antes justificaba la presencia humana.

El artículo define su objeto de estudio de este modo: agentes de IA autónomos capaces de completar flujos de trabajo ocupacionales enteros en lugar de tareas discretas. La palabra "enteros" lleva todo el peso. Todo el argumento gira en torno a la brecha entre una tarea discreta y un flujo de trabajo completo.

Por qué el momento es ahora #

La fuente ofrece dos tipos de evidencia de que la cuestión no es hipotética. La primera concierne a la capacidad. Los modelos de la clase GPT-4 alcanzaron o superaron los umbrales de aprobado en el examen de abogacía (bar exam) y en el Examen de Licencia Médica de Estados Unidos, y se quedaron a pocos puntos porcentuales de aprobar el Nivel I del CFA. Esos son exámenes de acreditación para profesiones que restringen el acceso precisamente porque el trabajo es difícil.

La segunda concierne al despliegue. Grandes proveedores de tecnología empresarial, entre ellos Amazon, Microsoft, Salesforce, ServiceNow y Workday, revelaron despliegues agénticos en producción que afectan a flujos de trabajo de cuello blanco en sus llamadas de resultados de 2024 y presentaciones ante inversores. Se trata de despliegues en producción, no de demostraciones de investigación, y se anunciaron ante inversores en lugar de ante académicos.

La fuente interpreta esas revelaciones como el tipo de anuncios que las empresas solo hacen cuando los despliegues ya están afectando a la planificación de plantillas. La fuente plantea eso como una interpretación, no como una medición, y debe mantenerse como tal. Nada en el registro que se me ha facilitado informa directamente sobre cifras de plantilla. Pero la inferencia es razonable: las empresas no suelen presentar un despliegue ante los inversores a menos que importe para la base de costes.

Si se juntan ambas cosas, el argumento a favor de una nueva medida resulta directo. La capacidad por sí sola no forzaría la cuestión, y tampoco lo harían unos pocos proyectos piloto. La capacidad que ya está cruzando umbrales profesionales, en sistemas que ya están en producción, sí lo hace.

La puntuación ATE: qué mide y qué no mide #

La respuesta del estudio es la puntuación de Exposición Agéntica de Tareas (ATE). Es una métrica compuesta que amplía el marco de desplazamiento de tareas de Acemoglu-Restrepo para incorporar la cobertura de flujos de trabajo de extremo a extremo, las referencias actuales de capacidad de la IA agéntica y la velocidad de adopción empresarial. La puntuación mide el grado en que una ocupación o está expuesta al desplazamiento de extremo a extremo por parte de los sistemas actuales de IA agéntica.

Entran en juego tres ingredientes: puntuaciones de capacidad de IA, factores de cobertura de flujos de trabajo y velocidad logística de adopción. El factor de cobertura de flujos de trabajo es la pieza que aborda directamente el punto ciego. La fuente afirma que lo que falta en los trabajos anteriores es una medida de si la composición completa del flujo de trabajo de una ocupación cabe dentro de la envolvente operativa de la IA agéntica, y formaliza eso como el factor de cobertura de flujos de trabajo. Las puntuaciones anteriores preguntan si una tarea está expuesta. Esta pregunta si todo el flujo de trabajo encaja dentro de lo que puede hacer un agente.

Se especifican otras dos piezas de la construcción. El término wo,t es la relevancia ponderada por importancia de la tarea t en la ocupación o, extraída de las calificaciones de importancia de tareas de O*NET. Y CAP(t), el término de capacidad, se estima a partir de la literatura sobre pruebas de referencia (benchmarks) de IA y de informes de despliegue de profesionales del sector. Así pues, la importancia de las tareas procede de una base de datos ocupacional estándar, mientras que la capacidad proviene de dos fuentes: pruebas de referencia e informes de campo.

El artículo es explícito respecto al método, y el lector debe atenerse a ello. Las puntuaciones ATE se calculan algorítmicamente a partir de datos de tareas de O*NET utilizando parámetros de adopción calibrados; no son estimaciones de regresión. Eso tiene consecuencias prácticas. Una estimación de regresión viene acompañada del aparato habitual de errores estándar y argumentos de identificación. Un compuesto algorítmico calibrado no lo tiene, y sus resultados son proyecciones derivadas del modelo, una expresión que el propio estudio utiliza para sus cifras de desplazamiento. Describen lo que implica el modelo bajo sus parámetros. No informan de lo que ya ha ocurrido.

Yo diría que ese es un planteamiento honesto, y es el adecuado para un problema de pronóstico en el que aquello que se pronostica aún no ha sucedido. Un indicador compuesto construido a partir de entradas declaradas puede inspeccionarse, cuestionarse y recalibrarse. Si alguien discrepa sobre la velocidad de adopción, sabe qué dial debe mover.

Dónde lo aplica el modelo #

La aplicación empírica es amplia. El artículo aplica el marco ATE a 236 códigos de la Clasificación Ocupacional Estándar (SOC) que abarcan seis grandes grupos ocupacionales, generando proyecciones de desplazamiento derivadas del modelo en cinco grandes regiones tecnológicas de Estados Unidos para el periodo 2025-2030. Las cinco regiones son el Área de la Bahía de San Francisco, Seattle-Tacoma-Bellevue, Austin-Round Rock, Nueva York-Newark y Boston-Cambridge.

El estudio describe esto como la primera aplicación empírica multirregional del marco de exposición por tareas dirigida específicamente a sistemas de IA agéntica. Esa es una afirmación de prioridad hecha por los autores, y no puedo verificarla a partir del material que tengo delante. Lo que sí puedo decir es que el diseño regional es una respuesta sensata a un problema que comparten los estudios a escala nacional: la exposición es una propiedad de las ocupaciones, pero la adopción es una propiedad de los lugares y las empresas.

Según los resultados que ofrece la fuente, los analistas de crédito, los jueces y los especialistas en sostenibilidad alcanzan puntuaciones ATE de 0,43-0,47. La agrupación merece una segunda mirada. Un analista de crédito, un juez y un especialista en sostenibilidad no se parecen entre sí en formación, remuneración ni trabajo cotidiano. Lo que tienen en común, según el estudio, es una puntuación en el mismo rango. Yo leería eso como un punto en contra de cualquier clasificación perezosa de los empleos en "seguros" y "en riesgo" por sector o por creatividad percibida.

También me resistiría a leer en la cifra más de lo que respalda la fuente. El material del que dispongo ofrece el rango para estas tres ocupaciones y no dice cómo se compara con el resto de los 236 códigos. Por tanto, el número muestra que estos puestos están sustancialmente expuestos en la escala del artículo. No demuestra que sean los más expuestos.

Los hallazgos regionales vienen con un matiz que vale la pena repetir. El artículo afirma que los efectos sobre la fuerza laboral de Seattle en 2026-2027 anticipan lo que experimentará la fuerza laboral no técnica nacional más amplia en 2028-2030. Esa es una predicción con un desfase temporal declarado, y está formulada con cautela. Se lee como una hipótesis que produce el modelo, y no debe tomarse como un hecho establecido. Pero es un tipo de afirmación útil, porque es lo bastante específica como para poder equivocarse. Si el patrón temprano de Seattle no se traslada a la fuerza laboral no técnica nacional para 2028, el modelo tendrá un problema que no podrá justificar fácilmente.

El lado de la reinstauración en el balance #

Una puntuación de desplazamiento por sí sola cuenta la mitad de la historia de Acemoglu-Restrepo. En su marco, la participación del trabajo depende de si la creación de nuevas tareas supera al desplazamiento. Un estudio que ampliara el marco y midiera únicamente el desplazamiento habría abandonado la parte que dota de tensión al propio marco.

El artículo no lo hace. Identifica categorías ocupacionales en las que la IA agéntica genera efectos de reinstauración: nuevos puestos que no existían antes de que el despliegue agéntico creara demanda de supervisión humana, gobernanza y colaboración a escala. En total, identifica diecisiete categorías ocupacionales emergentes que se benefician de efectos de reinstauración. Se concentran en funciones de colaboración humano-IA, gobernanza de IA y operaciones de IA específicas de cada dominio.

El mecanismo es fácil de seguir. Si los agentes ejecutan flujos de trabajo de principio a fin, alguien tiene que supervisarlos, fijar las reglas bajo las que operan y trabajar junto a ellos. Esas necesidades no habían existido como empleos porque aún no había nada que supervisar.

La fuente no me dice cuántas personas emplearían estas diecisiete categorías, ni si su crecimiento compensaría el desplazamiento que implican las puntuaciones ATE. Así que los datos que puedo utilizar dejan abierta la pregunta central: si la reinstauración supera al desplazamiento. Cualquiera que escriba con total seguridad que sí lo hace, o que no lo hace, está yendo más allá de las afirmaciones verificadas. La contribución del artículo consiste en situar ambos lados del balance dentro del mismo marco y señalar dónde aparecen los nuevos puestos.

Qué conclusiones extraer #

Hay una lección metodológica y otra práctica.

La lección metodológica es que la unidad de análisis decide la respuesta. El salto del 47 % al 9-14 % provino de pasar de las ocupaciones a las tareas. El artículo sostiene que ahora es necesario un paso más, de las tareas a los flujos de trabajo, porque lo que se automatiza ya no es una tarea. Cada vez que cambió la unidad, cambiaron las estimaciones, y la historia de este campo sugiere que la elección de la unidad merece tanto escrutinio como la elección de los datos.

La lección práctica es para cualquiera que planifique plantillas, formación o productos de cara a los próximos cinco años. Una puntuación que te dice que el 80 % de las tareas de un puesto están expuestas no basta, porque no dice si el 20 % restante es un núcleo humano duradero o simplemente el pegamento que el módulo de planificación de un agente puede suministrar ahora. El factor de cobertura de flujos de trabajo existe para formular esa pregunta directamente.

La puntuación ATE es un compuesto con parámetros calibrados, y sus proyecciones se derivan del modelo. Son un argumento estructurado sobre el periodo 2025-2030, no un registro histórico del mismo. Esa es una razón para ponerlas a prueba en lugar de ignorarlas. La hipótesis de Seattle ofrece una prueba temprana: si los efectos de 2026-2027 allí se parecen a lo que implica el modelo, el desfase hacia la fuerza laboral no técnica nacional en 2028-2030 se convierte en lo siguiente que habrá que vigilar. Y las diecisiete categorías de reinstauración plantean la pregunta que las afirmaciones actuales no pueden zanjar: si los puestos creados para supervisar a los agentes llegarán en cantidades que importen para la participación del trabajo.

Preguntas frecuentes #

¿Por qué los marcos anteriores de exposición por tareas subestiman el impacto de la IA agéntica?

Los marcos anteriores construidos sobre la tradición de Autor-Levy-Murnane asumen que la automatización elimina tareas individuales mientras la ocupación sobrevive como un caparazón de coordinación humana. Los sistemas de IA agéntica absorben la planificación, la invocación de herramientas, la gestión del estado y los controles de calidad intermedios que antes requerían un coordinador humano, exponiendo flujos de trabajo enteros en lugar de tareas aisladas.

¿Cómo se calcula la puntuación de Exposición Agéntica de Tareas (ATE)?

La ATE es un compuesto algorítmico construido a partir de las calificaciones de importancia de tareas de O*NET (wo,t), pruebas de referencia de capacidad de IA e informes de despliegue de profesionales (CAP(t)), un factor de cobertura de flujos de trabajo que mide si el flujo de trabajo completo de una ocupación cabe dentro de la envolvente operativa de un agente, y parámetros calibrados de velocidad logística de adopción a través de 236 códigos SOC.

¿Qué concluye el estudio respecto a la creación de nuevos empleos (efectos de reinstauración)?

Ampliando el canal de reinstauración de Acemoglu-Restrepo, el estudio identifica diecisiete categorías ocupacionales emergentes concentradas en la colaboración humano-IA, la gobernanza de IA y las operaciones de IA específicas de cada dominio. Si el crecimiento en esas categorías compensa el desplazamiento a nivel de flujo de trabajo sigue siendo una cuestión empírica abierta.

References #

Ravish Gupta and Saket Kumar, (2026). Agentic AI and Occupational Displacement: A Multi-Regional Task Exposure Analysis of Emerging Labor Market Disruption ⧉. arXiv.
Tyna Eloundou, Sam Manning, Pamela Mishkin, and Daniel Rock, (2023). GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models ⧉. arXiv.
Daron Acemoglu and Pascual Restrepo, (2019). Automation and New Tasks: How Technology Displaces and Reinstates Labor ⧉. Journal of Economic Perspectives.
National Center for O*NET Development, (2025). O*NET Resource Center ⧉. US Department of Labor.

Última revisión 2026-11-01.

Volver a publicar este artículo

La IA agéntica rompe el supuesto detrás de cada pronóstico de exposición por tareas — Sebastien Rousseau

Los marcos de exposición por tareas tratan una ocupación como un caparazón que sobrevive alrededor de lo que los humanos siguen haciendo. Los sistemas agénticos persiguen un objetivo y entregan un...

Este artículo se publica bajo Creative Commons Attribution 4.0 International. La republicación requiere atribución a la URL canónica.

La IA agéntica rompe el supuesto detrás de cada pronóstico de exposición por tareas — Sebastien Rousseau

Los marcos de exposición por tareas tratan una ocupación como un caparazón que sobrevive alrededor de lo que los humanos siguen haciendo. Los sistemas agénticos persiguen un objetivo y entregan un...

Originally published at https://sebastienrousseau.com/es/2026-10-25-agentica-rompe-supuesto-detras-cada-pronostico/ by Sebastien Rousseau.
Licensed under CC-BY-4.0.

SEBASTIEN ROUSSEAU FOUNDER · ENGINEER