Metodologia

Nuestro analisis integra multiples fuentes de datos autorizadas para proporcionar una vision integral del impacto de la IA en las ocupaciones. Monitoreamos continuamente nuevas investigaciones.

• Massenkoff & McCrory (2026) - Impactos de la IA en el mercado laboral: metrica de exposicion observada a partir de datos reales de uso de ClaudePrincipal
• Eloundou et al. (2023) - GPTs are GPTs: marco de exposicion teorica de tareas (puntuaciones beta 0, 0.5, 1)
• Brynjolfsson et al. (2025) - Canarios en la mina: efectos de empleo observados usando microdatos de nomina ADP
• Oficina de Estadisticas Laborales de EE.UU. (2024) - Proyecciones de empleo 2024-2034 con tasas de crecimiento por ocupacion
• Sistema de clasificacion O*NET SOC - taxonomia estandarizada de ocupaciones y tareas utilizada en todas las evaluaciones

Utilizamos cuatro metricas principales para cuantificar el impacto de la IA en cada ocupacion. Cada metrica captura una dimension diferente de como la IA interactua con las tareas laborales.

Exposicion general

Una metrica combinada que sintetiza datos de exposicion teorica y observada para proporcionar una puntuacion resumida unica (0-100) de cuanto se superponen las tareas de una ocupacion con las capacidades actuales de IA.

Exposicion teorica

Mide lo que la IA podria potencialmente automatizar basandose en investigacion academica y evaluaciones de capacidad. Derivada principalmente de las puntuaciones beta de exposicion de tareas de Eloundou et al. (2023).

Exposicion observada

Mide lo que la IA realmente hace en la practica basandose en datos de uso real. Derivada del analisis de Anthropic de millones de conversaciones de Claude mapeadas a tareas ocupacionales O*NET.

Riesgo de automatizacion

La probabilidad de desplazamiento significativo de empleo dentro del marco temporal evaluado. Combina metricas de exposicion con datos de tendencias de empleo, niveles salariales y sustituibilidad de tareas.

Descomponemos cada ocupacion en tareas individuales y evaluamos el grado de automatizacion posible por sistemas de IA actuales y futuros. Este enfoque a nivel de tarea proporciona perspectivas mas matizadas que las estimaciones de ocupacion completa.

Descomposicion a nivel de tarea

Cada ocupacion se descompone en sus tareas constituyentes usando las Actividades de Trabajo Detalladas (DWA) de O*NET. Evaluamos cada tarea independientemente en lugar de hacer juicios generales sobre ocupaciones completas.

Metodologia de puntuacion beta

Siguiendo a Eloundou et al. (2023), cada tarea recibe una puntuacion beta: 0 (sin exposicion), 0.5 (exposicion parcial con supervision humana) o 1 (exposicion completa a automatizacion por IA). Estas puntuaciones se agregan para producir metricas a nivel de ocupacion.

Construccion de series temporales (2023-2028)

Construimos datos de series temporales usando mediciones reales para 2023-2025 y proyecciones estimadas para 2026-2028. Los datos reales se distinguen claramente de las estimaciones en todas las visualizaciones.

Metodologia de proyeccion

Las estimaciones prospectivas (2026-2028) se basan en tasas de tendencia observadas, mejoras anunciadas en capacidades de IA y proyecciones de empleo del BLS. Todos los valores proyectados estan claramente marcados como estimaciones.

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

Tamanos de muestra

Nuestros datos de exposicion observada se basan en millones de conversaciones de Claude, proporcionando cobertura estadistica robusta para ocupaciones de alto uso. Sin embargo, ocupaciones menos comunes pueden tener muestras mas pequenas.

Cobertura geografica y ocupacional

Actualmente cubrimos 55 ocupaciones con planes de expandir a 200+. Los datos reflejan principalmente el mercado laboral de EE.UU. e interacciones de IA en ingles, lo que puede no representar completamente los patrones globales.

Frecuencia de actualizacion

Las metricas principales se actualizan cuando hay nuevas publicaciones de investigacion o lanzamientos de datos disponibles. Las proyecciones del BLS se actualizan anualmente. Los datos de exposicion observada se actualizan con nuevos analisis de Anthropic.

Brecha teorica vs. observada

A menudo existe una brecha significativa entre la exposicion teorica (lo que la IA podria hacer) y la exposicion observada (lo que la IA realmente hace). Las barreras de adopcion, restricciones regulatorias e inercia organizacional significan que el impacto real de la IA tipicamente va detras de las capacidades tecnicas.

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

Todos los puntos de datos estan vinculados a sus fuentes originales. Proporcionamos informacion completa de citas para transparencia. Vea la lista completa de referencias a continuacion.