IA y trabajo: cómo analizar tus tareas y decidir qué aprender

Cuando una herramienta de inteligencia artificial empieza a resolver parte de tu trabajo, la pregunta inmediata suele ser si tu puesto desaparecerá. Es comprensible, pero demasiado amplia para ayudarte a decidir qué aprender o cómo prepararte.

Una ocupación reúne tareas distintas. Algunas pueden automatizarse, otras hacerse más deprisa con ayuda, y otras dependen de comprobar, interpretar o responder por el resultado. La misma herramienta puede cambiar una parte del trabajo sin sustituir el conjunto del puesto. Por eso, una decisión profesional útil empieza con una tarea concreta.

Qué dicen los datos — y qué no

La Organización Internacional del Trabajo estima que una de cada cuatro personas trabaja en una ocupación con algún grado de exposición a la IA generativa. “Exposición” describe tareas que podrían verse afectadas según el método del estudio; no significa que una de cada cuatro personas vaya a perder su empleo. La OIT considera más probable que la mayoría de esos puestos se transforme antes que desaparezca.

Las medidas de adopción tampoco cuentan todas lo mismo. Eurostat informó de que el 20,0% de las empresas de la Unión Europea con diez o más empleados utilizó tecnologías de IA en 2025; el dato para España fue del 20,3%. Por otra parte, la encuesta de hogares del INE para 2025 recoge que el 17,9% de la población de 16 a 74 años declaró usar IA generativa con fines profesionales. Son preguntas, poblaciones y tipos de tecnología distintos: no se pueden restar ni usar como dos versiones del mismo indicador.

Un estudio de Anthropic, basado en su propia medida de uso de Claude y datos laborales de Estados Unidos, no encontró un aumento sistemático del desempleo en las ocupaciones más expuestas desde finales de 2022. Sí detectó una señal tentativa de menor entrada de personas de 22 a 25 años en ocupaciones expuestas; los propios autores subrayan que el resultado es apenas significativo, admite otras explicaciones y puede verse afectado por errores de medición. No describe España ni permite atribuir causalidad a la IA.

La lectura prudente no es que “nada está cambiando” ni que “todo desaparecerá”. Es que las cifras actuales no sustituyen el análisis de tu puesto, tu sector y las decisiones concretas de las organizaciones.

Mapea una tarea, no un titular

Elige una tarea que hagas con cierta frecuencia —por ejemplo, preparar un primer borrador, clasificar solicitudes, revisar una hoja de cálculo o responder preguntas— y contesta estas preguntas:

1. ¿Qué resultado debe producir y quién lo utilizará?
2. ¿Qué información necesita? ¿Es pública, sensible o confidencial?
3. ¿Qué partes son repetibles y cuáles requieren contexto, criterio o conversación?
4. ¿Cómo comprobarías un error y cuál sería su coste?
5. ¿Qué aprendes al hacerla tú, sobre el problema, las excepciones o las personas afectadas?

Después ubica cada parte en una categoría. “Automatizar” puede tener sentido cuando el proceso es repetible, el resultado es comprobable y el riesgo de error está acotado. “Asistir” suele ser más adecuado cuando una herramienta propone, resume o compara, pero alguien debe revisar el resultado y responder por él. “Decidir” incluye las elecciones que afectan a clientes, compañeros, candidatos o recursos: la recomendación de una herramienta no transfiere la responsabilidad. Y “aprender” recuerda que algunas tareas también sirven para practicar antes de asumir casos más complejos.

Las categorías se pueden solapar. Una herramienta puede preparar una primera versión de un informe y, al mismo tiempo, hacer más importante que alguien revise las fuentes, entienda las limitaciones y explique las conclusiones.

No confundas ahorro de tiempo con mejor trabajo

Una automatización puede reducir el tiempo de producción y aun así empeorar el resultado: por ejemplo, si genera más documentos de los que alguien puede revisar o si acelera una respuesta sin resolver la necesidad. Antes de adoptar una herramienta, decide qué resultado quieres mejorar. Puede ser reducir errores, responder antes, liberar tiempo para una tarea de mayor valor o facilitar una explicación más clara.

Prueba primero con una tarea de bajo riesgo y datos que tengas permiso para usar. Registra cómo se hace ahora, qué parte hará la herramienta y quién revisará el resultado. Compara después el tiempo, la calidad, los errores y el esfuerzo de corrección. Si el resultado solo parece mejor porque se ha producido más material, la prueba no ha demostrado una mejora útil.

No introduzcas datos personales, información de clientes ni documentos internos en un servicio externo sin autorización y sin entender sus condiciones. Comprueba hechos, cálculos, referencias y supuestos antes de utilizar una respuesta. En decisiones que afecten a personas, una salida fluida no es evidencia suficiente.

Protege el aprendizaje, sin idealizar el trabajo repetitivo

Una tarea lenta o rutinaria no es valiosa automáticamente. Pero algunas tareas de entrada permiten ver casos reales, aprender cómo se detecta una excepción y entender por qué un resultado importa. Si una herramienta elimina ese primer paso, conviene preguntar qué práctica lo reemplaza.

Para quien empieza, una alternativa puede ser revisar un caso ya resuelto, comparar una propuesta automática con una solución explicada por una persona experta, o completar una tarea con supervisión antes de delegar sus partes repetibles. Para quien ya tiene experiencia, puede ser conservar un espacio para investigar casos atípicos y enseñar cómo se valida una decisión. Son opciones de diseño del aprendizaje, no una receta universal para todos los equipos.

La señal que importa no es cuántas herramientas aparecen en tu CV. Es si puedes explicar qué problema abordaste, qué evidencia revisaste, qué decisión tomaste, qué resultado observaste y qué aprendiste. Practica esa secuencia con tareas reales y autorizadas; no atribuyas a la IA resultados que no puedes verificar.

Un experimento profesional de dos semanas

No necesitas predecir el futuro de toda tu profesión para dar un siguiente paso. Elige una tarea, describe el proceso actual y prueba una sola ayuda de IA con material de bajo riesgo. Pide una salida acotada, revísala línea por línea y anota dónde te ahorra tiempo, dónde añade trabajo y qué error habría pasado inadvertido sin tu revisión.

Al terminar, decide si quieres incorporar la herramienta, limitarla a una parte o dejar de usarla. Guarda un ejemplo verificable del proceso o del resultado —sin revelar datos confidenciales— y el aprendizaje que obtuviste. Así conviertes una conversación abstracta sobre “habilidades del futuro” en una evidencia pequeña que puedes comentar en una entrevista, una evaluación o una conversación de carrera.

Lista rápida

• ¿He separado capacidad técnica, uso real y efecto en el empleo?
• ¿Sé quién revisa el resultado y quién asume la responsabilidad?
• ¿Puedo demostrar que la prueba mejora algo que importa?
• ¿He protegido los datos personales y confidenciales?
• Si se automatiza esta tarea, ¿qué otra práctica desarrolla el criterio necesario?
• ¿Puedo explicar mi contribución sin atribuirme lo que produjo la herramienta?

Los indicadores disponibles ayudan a formular mejores preguntas, pero no predicen por sí solos tu trayectoria. Observa las tareas de tu trabajo, conversa sobre cómo se toman las decisiones en tu organización y revisa periódicamente qué habilidades te permiten producir y comprobar un resultado útil.

Fuentes y límites

International Labour Organization, “Generative AI and jobs: A 2025 update” (20 May 2025). Fuente. Estima exposición ocupacional global por tareas; exposición no equivale a pérdida del empleo.

Eurostat, “20% of EU enterprises use AI technologies” (11 December 2025). Noticia y contexto. Encuesta a empresas con diez o más empleados; el dato español de 20,3% procede de la tabla por país y tamaño. No mide el uso de cada trabajador ni el desplazamiento de puestos.

Instituto Nacional de Estadística, “Survey on Equipment and Use of ICT in Households. Year 2025”. Fuente. El 17,9% se refiere a personas de 16 a 74 años que declaran usar IA generativa con fines profesionales; no es una estimación de productividad o adopción empresarial.

Anthropic, Maxim Massenkoff y Peter McCrory, “Labor market impacts of AI: A new measure and early evidence” (5 March 2026). Fuente. Medida de exposición ligada al uso de Claude y análisis de Estados Unidos; es una señal inicial, no una previsión para España ni una conclusión causal.

Procedencia

Esta pieza reinterpreta y desarrolla una idea publicada originalmente por David Garrote Yáñez en Quincemil / EL ESPAÑOL el 23 de mayo de 2026: “La IA iba a acabar con los trabajos de mierda, pero está creando otros nuevos”. La nueva edición transforma la cuestión en un método para analizar tareas, aprendizaje y evidencia profesional; no reproduce el argumento, las metáforas ni las cifras del artículo original. Leer la fuente original.