¿Qué Empleos Puede la IA Realmente Aprender? Un Nuevo Índice Reescribe la Lista de Riesgo

Aquí hay un número que debería detenerte en seco: las dos formas líderes en que los investigadores miden el riesgo laboral de la IA coinciden solo 15% de las veces en los empleos que realmente importan. No 95%. Quince. Durante años, las "listas de riesgo" de automatización que has visto en los titulares han estado calladamente ubicando a las ocupaciones equivocadas cerca de la cima — y un nuevo estudio acaba de mostrar exactamente dónde se equivocaron.

El estudio, "What Jobs Can AI Learn? Measuring Exposure by Reinforcement Learning" ("¿Qué empleos puede aprender la IA? Midiendo la exposición mediante aprendizaje por refuerzo"), de Philip Moreira Tomei y Bouke Klein Teeselink (mayo de 2026), introduce algo que le hacía falta al campo. En vez de preguntar "¿qué puede hacer la IA hoy?", pregunta algo más agudo: "¿qué se le puede entrenar a la IA para hacer?" Ese solo cambio voltea la lista de riesgo de cabeza — y si tu empleo está en ella, mereces saber de qué lado caes.

El problema con cada lista de riesgo de IA que has visto

La mayoría de las medidas de exposición a la IA — incluyendo el ampliamente citado trabajo de Eloundou et al. detrás de tantas noticias — califican los empleos según cuánto se traslapan los modelos de lenguaje grandes actuales con las tareas de un empleo. Eso suena razonable hasta que notas la falla: [Hecho] los modelos de lenguaje grandes se entrenan principalmente en predicción de texto, así que parecen "capaces" en cualquier cosa que se lea como escritura e "incapaces" en todo lo demás.

Tomei y Klein Teeselink argumentan que esto confunde la capacidad actual con la aprendibilidad. Los sistemas de IA modernos cada vez más mejoran no leyendo más texto, sino mediante aprendizaje por refuerzo — siendo recompensados por alcanzar una meta verificable, una y otra vez, hasta dominarla. La pregunta real para tu carrera no es si un chatbot ya puede hacer tu empleo. Es si tu empleo produce el tipo de señal de retroalimentación clara y verificable que le permite a un sistema de IA aprender a hacerlo. [Afirmación] Esas son cosas muy distintas.

Cómo funciona el RL Feasibility Index

Los investigadores construyeron el RL Feasibility Index, o RLFI, y pasaron las 17,951 tareas de O*NET a través de él, en 894 ocupaciones. [Hecho] Cada tarea primero pasa por un filtro de viabilidad física: si requiere manos, un cuerpo, o presencia en el mundo físico, puntúa cero. Ese solo filtro anula 40.7% de todas las tareas — un recordatorio contundente de cuánto trabajo todavía vive fuera de un centro de datos.

Las tareas que sobreviven el filtro se califican de uno a diez en ocho dimensiones ligadas a qué tan bien el aprendizaje por refuerzo podría aprenderlas — principalmente, si el éxito es claramente verificable y si existe una señal de recompensa. Los puntajes se reescalan a un rango limpio de 0 a 100. [Hecho] Las ocupaciones que encabezan la lista son poco glamorosas pero reveladoras: capturistas de datos con 71%, oficinistas de correspondencia con 69%, y correctores de pruebas con 69%. Hasta el fondo, con puntaje plano de cero, están los lavaplatos, los canteros y los instaladores de pisos — oficios físicos que la IA simplemente no puede alcanzar.

La divergencia que lo cambia todo

Aquí es donde el estudio se gana su lugar. En general, el RLFI correlaciona fuertemente — 0.88 — con la medida de exposición más antigua de Eloundou. Eso parece coincidencia. Pero una vez que filtras solo a los empleos digitalmente viables, aquellos donde realmente ocurre la pelea por la automatización, la correlación colapsa a 0.15. [Hecho] En términos simples: los dos índices coinciden en qué empleos la IA no puede tocar, y difieren profundamente en cuáles empleos alcanzables la IA puede aprender.

Esa discrepancia produce algunos resultados genuinamente contraintuitivos. Considera tres empleos que las medidas antiguas califican como de baja exposición pero que el RLFI marca como altamente aprendibles: operadores de plantas de energía, conductores de ferrocarril, y supervisores de manejo de carga aérea. Estos son roles estructurados, regidos por reglas, fuertemente monitoreados, donde el éxito es inequívoco y cada acción deja un rastro verificable — exactamente las condiciones en las que prospera el aprendizaje por refuerzo. Si operas una sala de control de una planta de energía, la suposición cómoda de que tu empleo es "demasiado especializado para la IA" podría no sobrevivir a estos datos. [Estimación] La estructura de tareas que hace que estos empleos estén a salvo de un chatbot que predice texto es precisamente lo que los hace aprendibles por un sistema impulsado por recompensas. Puedes ver el desglose completo en nuestra página de operadores de plantas de energía y la página de conductores de ferrocarril.

Ahora al revés. Los músicos, médicos y gerentes de ciencias naturales puntúan alto en los índices de exposición antiguos pero bajo en viabilidad de RL. ¿Por qué? Porque su trabajo real resiste una señal de recompensa limpia. [Afirmación] No hay un puntaje simple y verificable para una interpretación conmovedora, un diagnóstico correcto bajo ambigüedad, o el criterio para dirigir un equipo de investigación. Una IA puede generar una melodía plausible o un diagnóstico que suene plausible, pero "plausible" no es lo mismo que "verificablemente correcto", y el aprendizaje por refuerzo necesita esto último para mejorar. El panorama detallado para estos roles vive en nuestra página de músicos y la página de gerentes de ciencias naturales.

Quién está realmente en la zona de impacto

El RLFI también se mapea claramente sobre el salario y la experiencia de una forma que debería preocupar más al centro del mercado laboral. [Hecho] La exposición a RL tiene forma de joroba a lo largo de la distribución salarial — no alcanza su pico ni en el fondo ni en la cima, sino en los deciles medio-altos, con los autores estimando que un aumento de un punto logarítmico en el salario se asocia con un incremento de 12.2 puntos en viabilidad de RL. Por antigüedad forma una U invertida, con su pico a mitad de carrera. [Afirmación] Los roles de nivel de entrada y ejecutivo están relativamente más seguros; el profesional de mitad de carrera sólidamente establecido en un empleo estructurado y medible es el más expuesto.

Y no es solo teoría. Un análisis de diferencias en diferencias de vacantes de empleo después del lanzamiento de ChatGPT encontró que un aumento de una desviación estándar en la exposición a RL se asoció con una caída de 2.9% en las vacantes de empleo — aunque los autores tienen cuidado de señalar que esto es solo marginalmente significativo (p=0.085). [Estimación] La señal es temprana y ruidosa, pero apunta en la dirección que predice el índice.

Qué significa esto para tu carrera

Si te llevas una cosa de esta investigación, que sea esta: deja de preguntar si la IA puede hacer tu empleo hoy, y empieza a preguntar si tu empleo genera un resultado limpio, repetible y verificable. Esa es la propiedad de la que se alimenta el aprendizaje por refuerzo. Los empleos llenos de criterio ambiguo, presencia física, o responsabilidad que no se puede reducir a un puntaje son, contraintuitivamente, los más defendibles.

Para los trabajadores en roles estructurados y medibles — captura de datos, administración de registros, monitoreo y despacho rutinario — el movimiento práctico es inclinarte hacia las partes de tu trabajo que sí son ambiguas: manejo de excepciones, comunicación con las partes interesadas, decisiones de criterio que ninguna función de recompensa capta limpiamente. Para quienes están en roles creativos, clínicos, o de liderazgo que las listas antiguas marcaban como de alto riesgo, este estudio es un consuelo silencioso, pero no un pase libre — el límite de lo "verificable" se sigue moviendo.

La lección más profunda es sobre las listas mismas. Cuando la próxima gráfica viral de "estos empleos serán automatizados" aterrice en tu feed, pregunta qué es lo que realmente midió. Si calificó los empleos según lo que la IA puede hacer hoy en vez de lo que la IA puede ser entrenada para aprender, trata sus rankings con sospecha. El riesgo más importante podría ser el que las medidas antiguas nunca vieron venir.

Fuentes

• Philip Moreira Tomei y Bouke Klein Teeselink, "What Jobs Can AI Learn? Measuring Exposure by Reinforcement Learning," arXiv:2605.02598 (mayo de 2026). https://arxiv.org/abs/2605.02598

Historial de actualizaciones

• 2026-07-04: Publicación inicial analizando el RL Feasibility Index (RLFI) y su divergencia respecto a las medidas de exposición a la IA basadas en LLM existentes, a lo largo de 17,951 tareas de O*NET.

---

Análisis asistido por IA. Este artículo fue redactado con asistencia de IA y revisado para verificar su precisión contra la fuente primaria citada. Las cifras de riesgo a nivel ocupacional enlazan a nuestras páginas de datos detallados, que se basan en la investigación de mercado laboral de Anthropic y datos de tareas de ONET.*