¿Reemplazará la IA a los geoquímicos? La IA puede analizar la espectrometría, pero alguien todavía tiene que caminar hasta el afloramiento

Hay un momento particular en el trabajo del geoquímico que ningún algoritmo puede replicar. Has caminado cuatro horas por una cresta de Nevada con una mochila de 15 kg llena de bolsas para muestras. El afloramiento que viniste a buscar resulta estar más erosionado de lo que sugería la imagen satelital. La veta que querías muestrear está en una cara que se desmenuza bajo tu martillo. Tienes que decidir, en los próximos diez minutos, si tomar muestras de la superficie erosionada, traversar hasta un afloramiento menos prometedor a dos horas de distancia, o tomar un tipo de muestra completamente diferente. Esa decisión, y otras diez mil similares a lo largo de la carrera de un geoquímico, es lo que un modelo de IA no puede hacer. Los geoquímicos enfrentan un 41% de exposición a la IA y solo un 18% de riesgo de automatización en nuestros datos —entre los perfiles más resilientes en las ciencias. Aquí está el porqué. [Estimación]

Lo que los geoquímicos hacen realmente —y por qué la parte del laboratorio es la menor

La geoquímica es, en términos generales, el estudio de la composición química de la Tierra —rocas, minerales, agua, sedimentos, atmósfera y las interacciones entre ellos. Los geoquímicos trabajan en una amplia gama de entornos: exploración minera, petróleo y gas, remediación ambiental, investigación académica, encuestas geológicas gubernamentales y, cada vez más, ciencias del clima.

El trabajo se divide en tres fases aproximadas:

Fase uno: recolección. Ir al lugar donde están las muestras. Esto incluye trabajo de campo en terreno remoto, programas de perforación, muestreo de sitios ambientales y expediciones en aguas profundas. Es físicamente exigente, depende del clima y requiere mucho criterio. El geoquímico en el lugar decide qué muestrear, dónde y con qué densidad. Estas decisiones no pueden tomarse desde un satélite o un modelo.

Fase dos: análisis. Procesar las muestras a través de instrumentos analíticos —espectrómetros de masas, fluorescencia de rayos X, cromatógrafos de gases, microsondas electrónicas. Esta es la parte del trabajo que ha sido más transformada por la IA en la última década. La interpretación espectral, la identificación de picos, las curvas de calibración y el control de calidad están todos cada vez más automatizados. Un geoquímico que antes dedicaba la mitad de su semana laboral a interpretar espectros brutos ahora dedica una fracción de ese tiempo.

Fase tres: interpretación. Traducir los resultados analíticos en comprensión geológica. ¿Qué nos dice esta relación isotópica sobre la edad de esta roca? ¿Qué nos indica esta firma de elementos traza sobre los procesos de formación del yacimiento? ¿Es la señal de contaminación ambiental de este sitio coherente con la fuente sospechada? Este es un trabajo de alta intensidad de criterio que integra datos analíticos con contexto geológico, literatura previa y la comprensión del geoquímico del sistema bajo estudio.

La IA ha penetrado profundamente en la fase dos. Apenas ha tocado la fase uno o la fase tres. Esa asimetría es lo que produce el bajo número de riesgo de automatización.

Este patrón no es exclusivo de la geoquímica; refleja cómo funciona la adopción de IA en toda la economía. Según el Anthropic Economic Index (2026), el uso medido de IA se inclina hacia la potenciación (57% de las interacciones de tareas) en lugar de la automatización completa (43%), y la IA tiende a aplicarse al nivel de tareas específicas en lugar de ocupaciones enteras [Hecho]. La geoquímica es un caso paradigmático: la IA ha absorbido casi por completo una fase del trabajo mientras deja las fases de campo e interpretación —las partes que definen la profesión— en gran medida intactas.

El número de exposición del 41%, desglosado

La exposición del 41% mide cuánto del trabajo cotidiano se intersecta con herramientas de IA. Así es como se ve en la práctica.

Muy asistido por IA hoy:

• Identificación de picos en espectros de masas y cromatogramas
• Calibración y control de calidad para análisis de muestras
• Búsquedas en bases de datos geoquímicas (literatura, bases de datos minerales)
• Reconocimiento inicial de patrones en grandes conjuntos de datos (detección de anomalías en datos de exploración, por ejemplo)
• Digitalización de mapas geológicos y extracción de características
• Algunas formas de graficación y visualización

Resistente a la automatización:

• Selección de sitios de campo y estrategia de muestreo
• Preparación de muestras que requiere criterio físico
• Interpretación petrográfica bajo el microscopio
• Integración de datos analíticos con contexto geológico
• Interpretación de resultados inusuales o inesperados
• Comunicación con no especialistas (ejecutivos mineros, reguladores, el público)
• Diseño de campañas analíticas para preguntas novedosas
• Redacción de informes y artículos
• Revisión por pares y debate científico

El 18% de riesgo de automatización captura la proporción de estas tareas que podría ser razonablemente realizada por IA sola, suficientemente bien como para desplazar a un trabajador. Ese número es bajo por la misma razón que el de los genetistas es bajo: la ciencia requiere mucho criterio, las consecuencias de equivocarse son significativas, y el trabajo integra múltiples tipos de conocimiento que ningún modelo posee a la vez. [Estimación]

Por qué el trabajo de campo no va a desaparecer

Una pregunta habitual de quienes no trabajan en ciencias de la tierra: ¿no pueden los drones hacer la mayor parte del trabajo de campo ahora? Pueden hacer algo, y el impacto ha sido real. Las imágenes hiperespectrales con drones han cambiado cómo se realiza la exploración mineral en muchos lugares. Los estudios Lidar revelan características geológicas bajo la vegetación que ningún equipo de campo habría visto. Los sensores satelitales devuelven enormes volúmenes de datos de teledetección.

Pero hay una diferencia entre el rastreo a escala y el muestreo para la verificación en terreno. La teledetección puede señalar una región como anómala. Para saber qué es la anomalía, alguien aún tiene que ir allí con un martillo de roca, un cuaderno y un juego de bolsas de muestras. La cadena de confianza analítica —desde la firma satelital hasta el cuerpo de mineral y la viabilidad minera— todavía pasa por el geoquímico en el lugar.

Una segunda razón: el valor económico de las decisiones en este campo es enorme, y esas decisiones necesitan rendición de cuentas. Una compañía minera no va a iniciar un proyecto de 500 millones de dólares con la fortaleza de una evaluación solo de IA. Un regulador no va a aprobar la remediación de un sitio basándose únicamente en interpretación algorítmica. Alguien —una persona, con licencia y reputación profesional— tiene que dar el visto bueno. Eso no es una restricción tecnológica. Es una restricción estructural en cómo se paga el trabajo de ciencias de la tierra.

Una tercera razón: los sistemas terrestres son complicados. La relación señal-ruido en los datos geoquímicos es variable, y los casos complicados son exactamente los que más importan. Los modelos entrenados en conjuntos de datos limpios fallan con los datos reales con los que tiene que lidiar el geoquímico. Un humano en el bucle, que puede reconocer cuándo el modelo está equivocado y anularlo, es actualmente irremplazable.

Donde el trabajo está cambiando

Aunque los números generales sugieren resiliencia, la textura del trabajo del geoquímico está cambiando de maneras importantes.

Conjuntos de datos más grandes, fracción más pequeña interpretada manualmente. Un programa de exploración típico en 2015 podría haber producido unos miles de análisis de muestras. El mismo programa hoy podría producir diez veces esa cantidad, con presupuestos comparables. El trabajo del geoquímico ya no es interpretar cada uno —eso está automatizado. El trabajo es diseñar qué se muestrea, decidir en cuáles resultados automatizados confiar e integrar los resultados en un modelo del sistema.

Mayor integración con campos adyacentes. La geoquímica está cada vez más entrelazada con la hidrología, las ciencias del clima, la ingeniería ambiental y la teledetección. Los geoquímicos que prosperan son los que pueden hablar múltiples subdisciplinas con fluidez.

Las habilidades de ciencia de datos son ahora un nivel base. Programar en Python, trabajar con modelos estadísticos, construir pipelines analíticos reproducibles —estas solían ser habilidades marginales en geoquímica. Ahora se espera de la mayoría de los nuevos contratados en la industria y cada vez más en la academia.

Las campañas de campo son más específicas. Como la teledetección identifica sitios de alta prioridad con mayor confianza, la temporada de campo promedio hoy implica trabajo más enfocado en menos sitios, con mayor profundidad analítica en cada uno. Este cambio hace que la parte de criterio de campo del trabajo sea más importante por hora, no menos.

Donde están las presiones reales

Me estaría engañando si sugiriese que la geoquímica es inmune a la disrupción. Las presiones son reales, y vale la pena entenderlas.

Para una perspectiva sobre la trayectoria general: la Oficina de Estadísticas Laborales de EE.UU. (2025) proyecta que el empleo de geoscientíficos crezca un 3% de 2024 a 2034 —aproximadamente al mismo ritmo que el promedio de todas las ocupaciones— con unas 2.000 vacantes proyectadas cada año durante la década y un salario anual mediano de 99.240 $ a mayo de 2024 [Hecho]. Eso es estable, no en auge, y muchas de esas vacantes provienen de reemplazar trabajadores que se jubilan o se van. El titular es estabilidad con rotación, no desplazamiento. Dentro de ese entorno estable, tres presiones específicas están remodelando el trabajo.

Presión uno: consolidación industrial en minería y petróleo. A medida que las empresas mineras y energéticas se consolidan, el número total de geoquímicos internos por unidad de producción ha estado cayendo durante dos décadas. Esto no es directamente una historia de IA —es una historia de estrategia corporativa. Pero la IA acelera la tendencia al hacer más productivos a equipos de geoquímicos más pequeños.

Presión dos: el mercado laboral académico. Las posiciones de titularidad en geoquímica han sido planas o declinantes durante muchos años. La IA es un factor pequeño en esto; el factor más grande es la misma compresión de financiamiento que ha afectado a la mayoría de las ciencias naturales. Si tu plan de carrera depende de la colocación académica, ese mercado sigue siendo ajustado y competitivo.

Presión tres: el muestreo ambiental rutinario. El rincón más automatizable de la geoquímica es el muestreo de cumplimiento ambiental rutinario —ejecutar conjuntos estándar contra límites regulatorios conocidos. Este trabajo puede ser realizado por técnicos con menos credenciales usando herramientas apoyadas por IA. Si tu carrera se ha construido principalmente sobre este trabajo, vale la pena diversificar.

Qué significa esto para tu carrera

Si eres geoquímico o te estás formando para serlo, los datos y la imagen estructural sugieren lo siguiente.

• Apóyate en el trabajo de campo y la interpretación. Las partes del trabajo que te anclan fuera de la automatización son las que están en el campo y en la fase de integración. Asegúrate de que tu portafolio demuestre ambas.
• Desarrolla fluidez en ciencia de datos. No necesitas ser un ingeniero de software, pero el geoquímico que puede escribir un script Python para manipular un conjunto de datos, construir un modelo y producir visualizaciones de calidad para publicaciones es dramáticamente más empleable que el que depende completamente del software comercial.
• Especialízate en problemas complicados. Los casos que confunden a la IA son aquellos donde la relación señal-ruido es deficiente, donde la geología es compleja, donde las respuestas importan. Estos son los casos que requieren humanos y se pagan en consecuencia.
• Desarrolla alcance interdisciplinario. Los geoquímicos que pueden hacer puente con las ciencias del clima, la hidrología o la ingeniería ambiental están en mayor demanda. Los especialistas analíticos puros son más vulnerables.
• Cultiva la regulación y el lado de la comunicación pública. Informes, testimonios públicos, publicaciones revisadas por pares, trabajo de testigos expertos —estas son las partes del trabajo más aisladas de la automatización. También suelen ser las partes que te dan ascensos hacia el liderazgo.
• Si trabajas en cumplimiento ambiental rutinario, amplía tu campo. Oriéntate hacia la gestión de proyectos, la consultoría regulatoria o el desarrollo de métodos. Los análisis de muestras puramente rutinarios son el nicho más presionado.

Hay algo poético en la resistencia de la geoquímica a la automatización. El campo existe porque las personas quisieron entender la química del planeta a escala. La IA ha reducido dramáticamente el coste de generar datos sobre esa química. La pregunta de qué significan los datos —qué nos dicen sobre cómo funciona la Tierra, qué hacer con un sitio contaminado, dónde perforar para el próximo descubrimiento— sigue siendo una pregunta profundamente humana. El trabajo del geoquímico es hacer, y responder, esas preguntas. Ese trabajo no va a ninguna parte.

Para el desglose a nivel de tarea, consulta la página de ocupación de geoquímico. Para roles relacionados en ciencias de la tierra, nuestra página de categoría de ciencias rastrea cómo está cambiando la exposición a la IA en el campo más amplio.

Historial de actualizaciones

• 2026-05-16: Análisis ampliado con descomposición del trabajo en tres fases, marco de irreemplazabilidad del trabajo de campo y análisis de presiones. Se añadió orientación profesional.
• 2025-09-12: Publicación inicial.

_Este artículo fue preparado con asistencia de IA y revisado por el equipo editorial. Las tendencias de la fuerza laboral se extrajeron de los informes anuales del American Geosciences Institute._