Metodologia

Las obras siguientes se cuentan entre las que respaldan las cifras mostradas en este sitio, junto con la literatura que consultamos al explicar la exposición a la IA. Los valores se presentan con el valor que asignó cada editor. La presentación se localiza: por ejemplo, cuando un editor expresa un valor como categoría en palabras y no como número, la redacción mostrada es esa categoría traducida al idioma de la página. La localización cambia cómo se escribe un valor, no qué valor le asignó su editor. La página Créditos y fuentes recoge las atribuciones de los conjuntos de datos y sus licencias.

• Massenkoff & McCrory (2026) - Impactos de la IA en el mercado laboralReferencia
• Eloundou et al. (2023) - GPTs are GPTs: marco teórico de exposición de tareas
• Brynjolfsson et al. (2025) - Canaries in the Coal Mine: efectos en el empleo medidos con microdatos de nóminas de ADP
• Oficina de Estadísticas Laborales de EE. UU. (U.S. Bureau of Labor Statistics) - Proyecciones de empleo 2025-2035
• Sistema de clasificación O*NET SOC - taxonomía estandarizada de ocupaciones y tareas

Las cifras definidas a continuación se reproducen de editores externos, y cada una indica su fuente allí donde aparece. Cuando una página de ocupación muestra un rango, una participación o una posición dentro de un intervalo publicado, ese valor enuncia una relación entre los valores propios del editor y no una nueva medición: AI Changing Work no publica mediciones propias. Esta sección define las métricas siguientes tal como las definen sus editores.

OpenAI "GPTs are GPTs" — beta (β)

β = exposición directa (E1) + 0,5 × exposición con herramientas disponibles (E2), según la definición del repositorio de origen. La mostramos a nivel de ocupación bajo los dos regímenes de evaluación que publicaron los autores —evaluadores humanos y evaluadores GPT-4— y a nivel de tarea como la proporción de tareas evaluadas con β ≥ 0,5. Los valores son 0–1 tal como se publican; solo los convertimos a porcentaje para mostrarlos.

Anthropic Economic Index — exposición observada

Un índice de exposición teórica ponderado por el uso medido de Claude, según la definición del informe original. Describe el uso observado en el momento en que se publicó el conjunto de datos. También mostramos la penetración por tarea: cuántas tareas de una ocupación presentan algún uso observado, y su media. Los valores son 0–1 tal como se publican.

Oficina de Estadísticas Laborales de EE. UU. — Proyecciones de Empleo 2025–35

El empleo, el salario medio y el cambio proyectado se transcriben de las Proyecciones de Empleo 2025–35 del BLS (Table 1.2), una publicación federal de dominio público. Estas cifras describen el grupo ocupacional SOC, no el puesto concreto, por lo que las ocupaciones que comparten un código SOC las comparten. El empleo se publica en miles de puestos.

Oficina de Estadísticas Laborales de EE. UU. — bandas de exposición relativa a la IA

La Oficina de Estadísticas Laborales de EE. UU. sitúa cada ocupación de su National Employment Matrix en una de cuatro bandas relativas — Low, Moderate, High, Very high — publicadas junto con las Proyecciones de Empleo 2025–35. La banda es una posición de rango entre las ocupaciones de esa tabla; no es un nivel, ni una probabilidad de adopción, ni una previsión de empleo, y no separa la automatización de la asistencia. Tampoco es una medición propia de la Oficina: toma los rangos percentiles de cada ocupación de varios estudios publicados antes y los agrupa en cuatro bandas. Dos de esos estudios pertenecen a la misma serie que conjuntos de datos que este sitio ya recoge, de modo que la banda y esas cifras no son independientes entre sí. Publicamos la etiqueta de la banda tal como la escribió la Oficina, traducida al idioma de la página; el número de orden que la Oficina no publica nunca se muestra. La banda se asigna por código de la National Employment Matrix (NEM) y no por denominación del puesto, y un código NEM puede abarcar más de una ocupación de este sitio, de modo que las ocupaciones que comparten un código NEM reciben la misma banda.

AI Changing Work no calcula ninguna puntuación propia de exposición, riesgo o automatización. Cuando un conjunto de datos de origen no cubre una ocupación, mostramos esa ausencia en lugar de sustituirla por una cifra.

Las ocupaciones se describen a nivel de tareas individuales, porque los propios conjuntos de datos de exposición publicados evalúan tareas y no puestos completos. Esta sección expone cómo se vinculan esas valoraciones externas a las ocupaciones de este sitio.

Descomposicion a nivel de tarea

Cada ocupación se descompone en sus tareas constitutivas para poder vincularle las valoraciones por tarea de los conjuntos de datos de origen. Las listas de tareas proceden de O*NET; las valoraciones vinculadas proceden de los conjuntos de datos externos y no se modifican.

Índices de exposición externos

Los valores de exposición por ocupación y tarea se reproducen de conjuntos de datos de investigación publicados: Anthropic Economic Index (CC BY 4.0), OpenAI "GPTs are GPTs" exposure rubric (MIT License), ILO Working Paper 140 (CC BY 4.0) y BLS AI exposure categories (Public domain (17 U.S.C. §105)). Los valores de origen se presentan con el valor que asignó cada editor. AI Changing Work no los reescala, repondera, reclasifica ni mezcla, y no calcula ninguna puntuación de exposición propia. Nuestra aportación es la correspondencia con los códigos de ocupación y tarea de O*NET; las ocupaciones ausentes de un conjunto de datos se declaran ausentes en lugar de puntuarse. La presentación se localiza: por ejemplo, cuando un editor expresa un valor como categoría en palabras y no como número, la redacción mostrada es esa categoría traducida al idioma de la página. La localización cambia cómo se escribe un valor, no qué valor le asignó su editor.

Proyecciones de empleo

Las cifras de empleo, salario y cambio proyectado se transcriben de las Proyecciones de Empleo 2025–35 de la Oficina de Estadísticas Laborales de EE. UU. (Table 1.2), una publicación federal de dominio público. Describen el grupo ocupacional SOC, por lo que las ocupaciones que comparten un código SOC comparten estas cifras. No publicamos proyecciones de empleo propias.

La transparencia sobre nuestras limitaciones es esencial para un analisis responsable. Los usuarios deben considerar estos factores al interpretar nuestros datos.

Sin muestra subyacente

Nuestras cifras no se derivan de una muestra medida. No hay ninguna encuesta, telemetría ni panel detrás de ellas, por lo que no puede indicarse ningún intervalo de confianza. Trate cada número de este sitio como una estimación no validada.

Cobertura geografica y ocupacional

La cobertura está limitada por los conjuntos de datos de origen: de 1010 ocupaciones publicadas, algunas no figuran en uno o más de los conjuntos de exposición y se muestran como no cubiertas en lugar de puntuarse. Los datos subyacentes reflejan sobre todo el mercado laboral estadounidense y las interacciones con IA en inglés, que pueden no representar patrones globales.

Frecuencia de actualizacion

Las métricas se revisan cuando volvemos a ejecutar nuestro propio análisis. No recibimos actualizaciones automáticas de ningún proveedor de datos externo.

Brecha teorica vs. observada

Exposición no es adopción. Los conjuntos de datos de origen miden cuán expuestas están las tareas, o cuánto uso se observó cuando se compilaron; las barreras de adopción, las restricciones regulatorias y la inercia organizativa hacen que el cambio real suela ir por detrás de la capacidad técnica. Las cifras describen además el momento en que se publicó cada conjunto de datos, no el presente.

Mantenemos un registro transparente de las principales actualizaciones de datos y cambios metodologicos.

Las obras aquí listadas se cuentan entre las fuentes y la literatura de apoyo detrás de las cifras de este sitio. Cada cifra en una página de ocupación indica el conjunto de datos del que procede.