El Último 10%: Por Qué la 'Exposición a la IA' Es un Punto de Partida, No un Pronóstico de Despidos

Todo el mundo le está haciendo la pregunta equivocada a la IA sobre tu empleo. El titular dice que tu puesto es "90% automatizable" — y se te cae el estómago. Pero esto es lo que los datos realmente implican: si una máquina hace el 90% de tu trabajo, alguien todavía tiene que hacer el último 10%. Y esa última rebanada podría ser la parte más valiosa, más humana y más segura de toda tu carrera.

Ese es el argumento central de un nuevo ensayo del economista Joshua Gans, de la Escuela Rotman de la Universidad de Toronto, publicado en julio de 2026 por el Economic Innovation Group. [Hecho] Gans toma la ahora famosa frase — que la IA podría automatizar el 90% de lo que hacemos — y la convierte de un titular apocalíptico en una pregunta económica que vale la pena responder.

La tecnología cambia tareas, no títulos de puesto

Empecemos con una corrección que lo cambia todo. [Afirmación] La tecnología rara vez elimina toda una ocupación de un solo golpe. Cambia quién — o qué — realiza actividades particulares dentro de esa ocupación. Tu empleo es un paquete de tareas, y la IA llega tarea por tarea, no título por título.

Por eso "¿Está seguro mi empleo?" es casi la pregunta equivocada. [Hecho] Gans, apoyándose en el marco basado en tareas de los economistas Daron Acemoglu y Pascal Restrepo, argumenta que la pregunta útil es más específica: cuáles tareas se automatizan, y qué pasa con las que quedan en pie. Dos trabajadores con el mismo título de puesto pueden enfrentar futuros completamente distintos dependiendo de cómo se distribuyan las tareas automatizables a lo largo de su semana.

Piensa en un contador. Si la IA absorbe la contabilidad rutinaria y las conciliaciones, lo que queda es el manejo de excepciones, las decisiones de criterio y las conversaciones con clientes — el 10% experto. Si en cambio la IA se llevara el trabajo de relación con clientes y dejara la captura de datos, la historia se invertiría. Mismo título, resultado opuesto.

La misma lógica reconfigura el día de un asistente legal. Automatiza la búsqueda de documentos y la verificación de citas, y lo que queda es la estrategia del caso, la recepción de clientes, y el criterio sobre lo que realmente importa — trabajo que es más difícil, no más fácil, de entregarle a una máquina. Un número alto de exposición, en otras palabras, no te dice nada sobre cuál de estos dos futuros estás caminando.

Cuando el 90% se va, ¿quién hace el último 10%?

Aquí está el giro. [Hecho] Gans replantea la afirmación del 90% como una pregunta genuina: ¿bajo qué condiciones el último 10% se vuelve más valioso, en vez de simplemente significar que se necesita menos gente?

Hay al menos cuatro razones por las que el último 10% puede expandirse en lugar de desaparecer.

Efectos de enfoque. [Estimación] Cuando el trabajo rutinario desaparece, la atención liberada fluye hacia las partes difíciles. Un radiólogo liberado del triaje rutinario puede dedicar más tiempo a los casos genuinamente difíciles y ambiguos — esos donde una llamada equivocada le cambia la vida a alguien. El trabajo restante no solo sobrevive; mejora.

Recalibración de la experticia. [Afirmación] Si la automatización elimina tareas rutinarias o tareas expertas lo decide todo. Quita lo rutinario, y la barra de experticia sube — menos trabajadores, pero mejor pagados y más difíciles de reemplazar. Quita el cuello de botella experto, y la barra baja, abriendo el campo a más gente. La dirección no está predeterminada.

Rediseño organizacional. [Estimación] Las empresas reempaquetan. Las tareas que sobreviven se recombinan en roles más amplios, o se separan en nuevos puestos especializados — piensa en la "gobernanza de modelos de IA" como una rebanada emergente del trabajo clínico y legal que simplemente no existía como empleo antes.

Elasticidad de la demanda. [Hecho] Cuando un servicio se vuelve más barato y mejor, la gente compra más de él. Los cajeros bancarios son el caso clásico: los cajeros automáticos automatizaron el manejo rutinario de efectivo, y sin embargo el empleo de cajeros no colapsó — los bancos abrieron más sucursales y reconfiguraron el rol. Un costo menor expandió la demanda, y la demanda expandió el trabajo.

Pero Gans es honesto sobre el otro camino. [Hecho] Un abogado cuya revisión de documentos está 90% automatizada podría simplemente terminar con menos trabajo legal que hacer — y los despachos necesitando menos abogados para hacerlo. El último 10% solo te protege si la demanda, el reempaquetamiento y la experticia se alinean a tu favor. El resultado es genuinamente incierto, y esa incertidumbre es justamente el punto.

Un puntaje de exposición es un punto de partida, no un pronóstico

Esta es la idea más útil del ensayo para cualquiera que esté leyendo una estadística aterradora sobre su profesión. [Hecho] Un puntaje de "exposición" o "aplicabilidad" de IA te dice dónde una tecnología puede tocar un empleo. No te dice cuánta gente estará empleada, con qué salario, haciendo qué.

[Afirmación] Convertir un número de exposición en un resultado de empleo real requiere investigar cosas que los datos de nómina esconden:

• ¿Las tareas expuestas son periféricas, expertas, o cuellos de botella genuinos?
• ¿La automatización sube o baja la barrera de entrada?
• ¿La atención liberada mejorará la calidad de lo que queda?
• ¿Las empresas reempaquetarán las tareas en roles amplios o especialidades estrechas?
• ¿Un servicio más barato y mejor expandirá la demanda lo suficiente para seguir contratando?

[Estimación] Gans advierte que la exposición promedio puede esconder la arquitectura de un empleo. Dos ocupaciones con puntajes de exposición idénticos pueden tener destinos completamente distintos porque la exposición se ubica en lugares diferentes dentro del paquete de tareas. Y los registros de nómina no captan los cambios silenciosos: un desarrollador de software cuyo asistente de IA recorta el tiempo de documentación puede no mostrar ningún cambio salarial, mientras la textura, intensidad y composición real del trabajo se han transformado.

Su conclusión vale la pena pegarla en tu monitor: "Una medida de exposición es un punto de partida para estas preguntas, no la respuesta."

Qué significa esto para tu carrera

Si te llevas una sola cosa de Gans, que sea esta: un puntaje de exposición alto es una invitación a investigar, no una sentencia que aceptar.

Mira tu propia semana como un paquete de tareas. ¿Qué partes son lo suficientemente rutinarias para que la IA se las lleve? ¿Qué quedaría? ¿Lo que queda es el 10% experto que se vuelve más valioso cuando lo rutinario desaparece — el criterio, las relaciones, las decisiones ambiguas — o es trabajo que también se reduce cuando baja el volumen? Esa auditoría honesta te dice más de lo que cualquier porcentaje de titular jamás te dirá.

Y nota el timing escondido en todo esto. [Afirmación] La ventana de recapacitación se abre antes que la ventana de despidos. La naturaleza tarea por tarea de la IA significa que el cambio llega gradualmente, una actividad a la vez — que es precisamente el margen que tienes para moverte hacia el 10% experto mientras todavía se está formando. En nuestras páginas de ocupación puedes ver qué tareas específicas en tu campo cargan la mayor exposición a la IA — y ese mapa es exactamente donde empieza la estrategia del último 10%.

El número en la gráfica no es tu destino. Es la primera línea de una pregunta que solo tú puedes terminar de responder — con valentía en vez de pavor.

Fuentes

• Joshua Gans, "The Last Ten Per Cent: How task-level AI exposure fits into a jobs forecast," Economic Innovation Group, julio de 2026. Working paper (PDF) · Análisis: agglomerations.eig.org/p/the-last-ten-per-cent

Historial de actualizaciones

• 2026-07-21 — Publicación inicial. Resumen y análisis del marco de exposición a nivel de tarea de Joshua Gans y la tesis del "último 10%".

---

Análisis asistido por IA. Este artículo fue redactado con asistencia de IA y revisado por un editor humano. El planteamiento 90%/10% y las seis dimensiones de investigación provienen del ensayo de julio de 2026 de Joshua Gans para el Economic Innovation Group; la interpretación para los trabajadores es nuestra.