¿Qué trabajos reemplazará la IA? Datos y plan para 2026

La IA no está haciendo tu trabajo completo. Lo que sí está ocurriendo es más incómodo y más real: ya automatiza, acelera o abarata partes valiosas del trabajo digital — escribir, programar, analizar, resumir, documentar, clasificar y atender consultas repetitivas. El riesgo inmediato no es un paro masivo instantáneo, sino una combinación de tres efectos: compresión de tareas estandarizables, menos necesidad de perfiles junior para trabajo mecánico y equipos que esperan más producción con la misma plantilla.

Este artículo cruza seis fuentes independientes — con metodologías distintas — para construir una imagen honesta de qué está pasando, qué puede pasar y qué puedes hacer al respecto. Si varias fuentes coinciden en una tendencia, la señal es fuerte.

TL;DR

• La unidad de riesgo no es el puesto, sino la tarea. La IA entra antes por el trabajo digital y repetible.
• 9,3 millones de empleos en EE.UU. son vulnerables a la automatización en los próximos 2-5 años, con pérdidas de ingresos estimadas entre 200.000 millones y 1,5 billones de dólares (Tufts Digital Planet).
• No hay destrucción masiva de empleo agregado todavía, pero sí señales de ralentización en contratación junior en ocupaciones expuestas — un descenso del 14% en la tasa de acceso al empleo para trabajadores de 22-25 años (Anthropic).
• Exposición alta no significa desempleo: el 97% de las tareas de Claude son teóricamente automatizables, pero solo el 33% se ejecutan realmente. Esa brecha es tu ventana de preparación.
• Los escenarios más agresivos existen, Dario Amodei (CEO de Anthropic) predice que la IA podría desplazar la mitad de los empleos de oficina de nivel de entrada en 1-5 años, más rápido y de forma más amplia que cualquier disrupción tecnológica anterior, pero conviene tratarlos como proyecciones, no como hechos consumados.
• La mejor respuesta no es cambiar de carrera, sino aprender a trabajar con IA antes de que lo haga tu competencia.

No todas las fuentes dicen lo mismo y cómo leer los datos

El debate se ha vuelto ruidoso porque mezcla tres tipos de evidencia diferentes. Antes de entrar en los datos, conviene saber qué tipo de afirmación estás leyendo.

La lectura seria no es elegir una sola capa y convertirla en dogma. Es aceptar tres cosas a la vez: la exposición ya es visible en tareas reales, la traducción a empleo neto todavía es parcial y desigual, y las proyecciones más duras son plausibles pero siguen siendo proyecciones.

Lo que ya sabemos con datos de uso real

La IA entra primero por el trabajo de información

El estudio de Microsoft Research, basado en 200.000 conversaciones anonimizadas de Bing Copilot, concluye que los usos más frecuentes giran en torno al trabajo de información: crear, procesar y comunicar información. Los grupos ocupacionales con mayor aplicabilidad son medios y comunicación (0,38), representantes de ventas (0,35), administrativos de información (0,33) y ocupaciones matemáticas (0,32). Los más bajos: trabajadores forestales (0,03), mantenimiento de jardines (0,04), auxiliares de salud a domicilio (0,04).

Un hallazgo importante: en el 40% de las conversaciones, los objetivos del usuario y las acciones de la IA no coinciden. La IA muchas veces no hace exactamente tu trabajo; actúa como capa de apoyo, borrador o ejecución parcial.

La adopción real va por detrás de la capacidad teórica

Anthropic introduce el concepto de «exposición observada»: no solo mide lo que la IA puede hacer en teoría, sino lo que realmente está haciendo con datos de uso de Claude. El 97% del uso observado cae en categorías teóricamente automatizables, y el 68% en tareas plenamente factibles para un LLM. Pero la cobertura real es una fracción de lo posible: en ocupaciones de informática y matemáticas, la capacidad teórica alcanza el 94%, pero el uso real cubre solo el 33%.

Los programadores tienen un 75% de cobertura real. Los operadores de entrada de datos, un 67%. Un 30% de los trabajadores tienen exposición cero: cocineros, mecánicos de motos, socorristas, camareros. Y los trabajadores más expuestos ganan un 47% más que los no expuestos — la IA afecta primero al trabajo cognitivo de alto valor, no al manual.

La adopción empresarial confirma la dirección. OpenAI reporta más de 1 millón de clientes de negocio, con un volumen de mensajes Enterprise que creció 8x y un consumo de tokens de razonamiento por organización que se multiplicó por 320x interanual. El 75% de los trabajadores encuestados percibe mejora en velocidad o calidad, con un ahorro atribuido de 40-60 minutos por día activo. Eso significa que la IA ya no vive en pruebas piloto: está integrada en flujos de trabajo reales, y la brecha entre empresas que la adoptan y las que no se amplía cada trimestre.

El empleo no se ha roto, pero la puerta junior se estrecha

Anthropic no encuentra un aumento sistemático del desempleo en los trabajos más expuestos desde finales de 2022. Pero sí ve evidencia de menor contratación en ocupaciones expuestas entre trabajadores de 22 a 25 años, con una caída aproximada del 14% en el ritmo de incorporación a nuevos puestos para ese grupo.

Esta es probablemente la señal más importante para leer 2026: el primer golpe no llega como despido masivo, sino como menos puertas de entrada para perfiles junior cuyo trabajo consistía en producir un primer borrador, documentar, resumir o ejecutar tareas estándar. Si tu valor era producir la primera versión de algo predecible, ese valor se está abaratando rápido.

Lo que proyectan los modelos de riesgo

Tufts Digital Planet: 9,3 millones de empleos vulnerables

El AI Jobs Risk Index de Tufts University es el estudio más granular disponible a fecha de 2026. Evalúa tres dimensiones: exposición (cuántas tareas puede alcanzar la IA), vulnerabilidad (probabilidad de que esa exposición se traduzca en pérdida real) e impacto económico (pérdida de ingresos).

Datos clave del escenario mediano de adopción:

• 9,3 millones de empleos vulnerables en EE.UU. en un horizonte de 2-5 años (rango: 2,7 a 19,5 millones).
• Pérdidas de ingresos: entre 200.000 millones y 1,5 billones de dólares anuales.
• 4,9 millones de trabajadores en 33 ocupaciones llegarán a un «punto de inflexión»: pasarán de <10% a >40% de desplazamiento.
• El 38% de los trabajadores que Tufts considera «a prueba de IA» son, en su mayoría, los peor pagados. Estar protegido no es, por sí solo, una buena noticia económica.

Entre las ocupaciones más vulnerables: writers and authors (57%), computer programmers (55%) y web and digital interface designers (55%). Los sectores más expuestos: Información (18% de vulnerabilidad media), Finanzas y Seguros (16%) y Servicios Profesionales (16%).

Un dato que rompe la intuición geográfica: varios grandes hubs urbanos — Nueva York, Los Ángeles, San Francisco, Washington DC — están entre los más expuestos en pérdida potencial de renta. Los «wired belts» pueden convertirse en los nuevos «rust belts».

Karpathy: si es digital, estás expuesto

Karpathy propone un marco simple: si tu trabajo se puede hacer entero desde casa con un ordenador, estás expuesto. No porque la IA vaya a eliminarlo mañana, sino porque todas las tareas que realizas — escribir, programar, analizar, diseñar, comunicar — están en dominios donde la IA mejora cada trimestre.

Su escala de exposición (de 0 a 10) cubre 342 ocupaciones que representan 143 millones de empleos en EE.UU. Pero el propio Karpathy advierte: puntuación alta no significa eliminación del empleo. Si la IA abarata la programación 10x, la demanda de software puede crecer 20x. La elasticidad de la demanda es el factor que la mayoría de análisis ignoran. Su herramienta es exploratoria, no un forecast económico cerrado.

Lo que dicen las proyecciones más agresivas

Amodei: la mitad de los empleos de oficina de entrada en 1-5 años

En The Adolescence of Technology, el CEO de Anthropic es el más directo: la IA podría desplazar «la mitad de todos los empleos de oficina de nivel de entrada en los próximos 1-5 años», incluso mientras acelera el crecimiento económico global.

Lo que diferencia esta predicción:

• Las disrupciones anteriores (globalización, automatización industrial) afectaban «solo una pequeña fracción del rango completo de capacidades humanas».
• La IA es más amplia (afecta a casi todo el trabajo cognitivo) y más rápida (meses, no décadas).
• Amodei proyecta un crecimiento del PIB sostenido del 10-20% anual, pero advierte que las ganancias pueden concentrarse en quienes controlan los sistemas de IA.

Hay que leer estas cifras como proyección desde la frontera tecnológica, no como hecho observado. Pero sirven para entender por qué el debate se ha endurecido.

La velocidad de mejora de los modelos explica la urgencia

El desfase entre «poco impacto macro hoy» y «riesgo serio a 2-5 años» tiene una explicación técnica concreta. METR, uno de los referentes en medición de capacidades agénticas, mide el «horizonte de tareas»: el tiempo que tardaría un experto humano en una tarea que un agente de IA resuelve con fiabilidad dada. Su trayectoria histórica muestra una duplicación del horizonte cada ~7 meses, y desde 2024 la pendiente se ha acelerado en tareas de software.

Traducido: los modelos no solo responden mejor a preguntas puntuales — están ganando capacidad para completar tareas largas y complejas de forma autónoma. Cuando esa curva se cruce con la de adopción empresarial, la brecha que Anthropic mide hoy (entre capacidad teórica y uso real) se cerrará mucho más rápido de lo que sugiere la experiencia histórica con otras tecnologías.

Qué trabajos están más expuestos ahora mismo

Los datos convergen en un patrón claro: las profesiones cuyas tareas principales son procesar, generar o comunicar información digital están en la zona de mayor riesgo.

La investigación de Anthropic subraya algo contraintuitivo: esta ola no golpea primero a los trabajos peor pagados. Los trabajadores del cuartil más expuesto ganan de media un 47% más que los del grupo no expuesto. La IA afecta primero al trabajo cognitivo de alto valor — lo que rompe la intuición clásica de que toda automatización empieza por lo más manual. Los modelos más recientes de IA para código ya muestran esta tendencia: más autonomía del modelo, más supervisión del desarrollador.

Qué trabajos resisten mejor por ahora

El patrón inverso es igual de claro: los empleos que requieren presencia física en entornos impredecibles, destreza manual especializada o relaciones humanas profundas son los más resistentes.

Karpathy asigna 2-3/10 de exposición a electricistas, fontaneros, bomberos, techadores y paisajistas. Microsoft Research mide la aplicabilidad más baja en trabajadores forestales (0,03), mantenimiento de jardines (0,04) y trabajadores de extracción (0,05). Anthropic registra exposición cero en cocineros, mecánicos de motos, socorristas y camareros.

La razón común: estos empleos se desarrollan en entornos donde cada situación es diferente. Un electricista que diagnostica un cortocircuito en una vivienda antigua opera con variables que ningún modelo puede procesar: textura de cables, olor a quemado, disposición física del espacio.

Las tres capacidades que protegen un empleo hoy:

1. Destreza física en entornos no estructurados: reparar, construir, etc.
2. Empatía profunda y relaciones de confianza: cuidado personal, terapia, enseñanza personalizada.
3. Resolución de problemas impredecibles en tiempo real: emergencias, situaciones donde cada caso es único.

Pero hay un matiz incómodo: «resistir mejor» no significa inmune. Y el 38% de los trabajadores que Tufts considera «a prueba de IA» son, en su mayoría, los peor pagados. Protegido de la automatización no es sinónimo de bien pagado.

Exposición no es eliminación, el matiz crítico

Aquí es donde la mayoría de artículos sobre IA y empleo fallan: confunden exposición con eliminación. Los datos cuentan una historia más compleja.

La elasticidad de la demanda

Karpathy lo explica con claridad, un programador tiene 9/10 de exposición porque la IA está transformando su trabajo — pero la demanda de software podría crecer exponencialmente si programar se vuelve más barato. Los cajeros automáticos no eliminaron a los cajeros de banco: hicieron que las sucursales fueran más baratas de operar, así que los bancos abrieron más y contrataron más personal para funciones diferentes.

La pregunta correcta no es «¿puede la IA hacer esta tarea?» sino «¿qué pasa con la demanda total del servicio cuando la IA abarata la producción?». En sectores con alta elasticidad (software, contenido, diseño), la automatización puede aumentar el empleo total aunque transforme cada puesto individual.

Tufts mide el potencial de aumentación — cuando la IA mejora al profesional en vez de sustituirlo: historiadores (42%), escritores (38%), físicos (34%), editores (34%). Las mismas profesiones con alta exposición tienen alto potencial de mejora con IA.

La brecha entre teoría y realidad

El dato más revelador de Anthropic: en ocupaciones de informática y matemáticas, la capacidad teórica alcanza el 94%, pero el uso real cubre solo el 33%. Esa brecha — entre lo que la IA puede hacer y lo que está haciendo — es la ventana de oportunidad para los profesionales.

Se cerrará a medida que las capacidades avancen y la adopción se profundice, pero hoy sigue abierta. La pregunta práctica es: ¿qué estás haciendo con esa ventana?

Qué pasa en España

Los estudios analizados se basan en datos de EE.UU. Trasladarlos directamente a España sería un error, pero la estructura de riesgo por tipo de tarea (digital vs. física, rutinaria vs. creativa) es transferible: un programador en Madrid tiene la misma exposición que uno en San Francisco; un electricista en Elche tiene la misma protección que uno en Dallas.

España tiene menor penetración de IA empresarial y un marco regulatorio diferente bajo el Reglamento Europeo de IA, lo que significa más tiempo de preparación pero también riesgo competitivo para las empresas que retrasen la adopción. Si necesitas evaluar herramientas que cumplan con la regulación europea, hemos analizado las mejores alternativas europeas a ChatGPT.

Sectores a vigilar: turismo y hostelería (bajo riesgo presencial, alto en gestión y pricing), administración pública (candidato natural para automatización, frenado por rigidez institucional), construcción y oficios (protegidos por la barrera física), y marketing digital donde los protocolos de comercio agéntico ya están redefiniendo cómo operan las agencias y las tiendas online.

Audita tu propio puesto

La forma correcta de evaluar tu riesgo no es preguntar «¿mi cargo desaparece?», sino auditar tu mezcla de tareas.

Hazte estas 4 preguntas:

1. ¿Tu trabajo es casi todo ordenador, texto, hojas de cálculo o elaboración de informes?
2. ¿La mayor parte de tus entregables siguen una plantilla o formato predecible?
3. ¿Tu día a día consiste más en producir un primer borrador que en validar una decisión crítica?
4. ¿Tu valor diferencial depende poco de contexto humano, negociación o conocimiento tácito del negocio?

Cuantos más «síes» acumules, más conviene tratar tu rol como un rol expuesto. Divide tu trabajo en tres bloques: tareas que la IA ya hace bien (resumir, clasificar, redactar borradores), tareas que la IA acelera pero no cierra sola (análisis con juicio, control de calidad), y tareas donde sigues teniendo ventaja humana clara (negociación, liderazgo, criterio final).

Para hacer este análisis con más estructura, pega este prompt en tu asistente de IA favorito — o pruébalo en ilisai para trabajar con más contexto. Si prefieres adaptar el prompt a otro modelo, nuestra biblioteca de prompts para Gemini te da una base sólida para empezar:

Actúa como analista de tareas, productividad y automatización.

Voy a pegar la descripción real de mi puesto, mis tareas semanales y ejemplos de entregables.
Tu objetivo es evaluar qué parte de mi trabajo está:

1. Expuesta a automatización directa
2. Expuesta a aceleración con copilotos
3. Relativamente protegida por criterio humano, contexto o relación

Quiero la salida en una tabla con estas columnas:
- tarea
- frecuencia
- nivel de estandarización
- necesidad de contexto humano
- riesgo de automatización (alto/medio/bajo)
- cómo usar IA sin perder valor profesional
- habilidad que debería desarrollar para seguir siendo diferencial

Después, resume:
- mis 3 riesgos principales
- mis 3 ventajas humanas más defendibles
- un plan de 30 días para volverme más productivo trabajando con IA

Aquí tienes mi contexto:
[pega aquí tu puesto, tareas y ejemplos reales]

Cómo volverte menos sustituible

La salida no es competir contra la IA en velocidad de borrador. Ahí vas a perder. La salida es moverte hacia capas donde la IA todavía depende de ti.

Prioriza estas cinco:

1. Definir mejor el problema: la IA responde mejor cuando alguien sabe qué pedir y qué restricción importa.
2. Verificar y corregir: quien valida calidad, riesgo y coherencia gana más peso.
3. Aportar contexto de negocio: sector, cliente, política interna, prioridades y trade-offs.
4. Orquestar flujos: unir herramientas, personas y procesos vale más que ejecutar una microtarea aislada.
5. Relacionarte y decidir: confianza, negociación, liderazgo y responsabilidad siguen siendo difíciles de automatizar.

La IA abarata la ejecución estándar; tú debes moverte hacia dirección, criterio y control de calidad. Experimenta con prompts para marketing y ecommerce o con nuestra biblioteca de prompts Nano Banana Pro para empezar a integrar IA en tu trabajo diario.

Si diriges un equipo, lee esto antes de recortar

Para directivos y responsables de operaciones, la pregunta no debería ser «¿a quién sustituyo?», sino «¿qué tareas rediseño sin destruir mi cantera de talento?».

Si eliminas demasiado pronto el trabajo junior, puedes ganar eficiencia hoy y perder capacidad mañana:

• Menos cantera para formar perfiles senior.
• Más dependencia de herramientas externas.
• Más riesgo de errores invisibles si nadie aprende el trabajo base.
• Más fragilidad organizativa si nadie entiende el proceso completo.

La respuesta suele ser una mezcla de: mapa de tareas por rol, automatización selectiva de lo repetitivo, formación para que el equipo use IA con criterio, y rediseño de roles alrededor de revisión, contexto y responsabilidad final.

Preguntas frecuentes

¿Va a reemplazar la IA profesiones enteras en 2026?

No de forma uniforme ni inmediata. La evidencia más sólida apunta a sustitución parcial de tareas, aumento de productividad y menos necesidad de trabajo estándar en algunos flujos. Los escenarios de destrucción masiva existen como proyecciones, pero no como hechos observados a día de hoy.

¿Qué trabajos corren más riesgo hoy?

Los que viven sobre todo en texto, código, elaboración de informes, documentación, atención repetitiva y procesamiento de información. En los estudios revisados aparecen con frecuencia: programación, redacción, análisis, diseño web, gestión documental y soporte de primer nivel.

¿Qué trabajos nunca podrá hacer la IA?

"Nunca" es una palabra peligrosa en tecnología. Hoy, los empleos más protegidos requieren destreza física en entornos impredecibles (bomberos, cirujanos, electricistas) o relaciones humanas de confianza profunda (terapeutas, cuidadores). Pero las capacidades de la IA (no solo los LLMs) avanzan — lo que es seguro hoy puede no serlo en 2030.

¿El riesgo es mayor para perfiles junior?

Sí, como hipótesis fuerte. Anthropic detecta señales de menor contratación en trabajadores de 22-25 años en ocupaciones expuestas. La señal más repetida no es «despidos generales» sino menos necesidad de tareas de entrada que antes servían para aprender el oficio.

¿Es mejor cambiar de carrera o aprender IA?

Para la mayoría de profesionales, aprender IA es más rentable. Los datos de aumentación de Tufts (38% para escritores, 42% para historiadores, 34% para editores) muestran que la IA amplifica a los profesionales cualificados más de lo que los sustituye. El mayor riesgo no es que la IA haga tu trabajo — es que un profesional de tu mismo campo que sí use IA lo haga mejor y más rápido que tú.

¿Cuánto tiempo tengo antes de que la IA afecte a mi trabajo?

Depende de tu sector. Amodei proyecta 1-5 años para empleos de oficina de entrada. Tufts identifica 33 ocupaciones que llegarán a un punto de inflexión en 2-5 años. METR muestra que la capacidad de los modelos para completar tareas largas se duplica cada ~7 meses. El mensaje consistente: meses, no décadas.

Fuentes: Tufts Digital Planet — AI Jobs Risk Index · Anthropic — Labor Market Impacts · Microsoft Research — arXiv:2507.07935 · OpenAI — Enterprise AI 2025 Report · Karpathy — AI and Jobs · Dario Amodei — The Adolescence of Technology · METR — Task Completion Horizons