La ficha
- Qué es: The AI Jobs Transition Framework: Mapping AI’s Near-Term Impact on Jobs, un reporte del equipo de investigación económica de OpenAI.
- Quiénes: Alex Martin Richmond, autor del reporte, con una nota de apertura de Ronnie Chatterji, economista jefe de la empresa.
- Dónde: publicado por OpenAI Economic Research en abril de 2026. No es un paper con revisión de pares ni tiene DOI: es un reporte de la propia empresa. openai.com/index/modeling-ai-jobs-transition
- Tipo: un marco teórico construido sobre 921 ocupaciones (el 99,7% del empleo de Estados Unidos) y contrastado con datos de uso real de ChatGPT.
Primera lectura: qué hace y qué encuentra
Conviene partir por el problema que el reporte dice venir a resolver, porque ordena todo lo demás. La mayoría de los análisis del impacto de la IA en el empleo arrancan de una sola pregunta: ¿qué tan expuesto está un trabajo a la IA, es decir, cuántas de sus tareas podría hacer un modelo? El reporte sostiene que esa medida, la exposición, es demasiado tosca. Saber que la IA puede hacer muchas tareas de un empleo no dice si ese empleo se va a automatizar, se va a rediseñar o incluso va a crecer.
La propuesta es sumarle a la exposición otras dos capas. La primera es la necesidad humana: aunque la IA pueda hacer el trabajo cognitivo, ¿sigue haciendo falta una persona por razones físicas, de trato o de responsabilidad? El reporte distingue tres tipos. La necesidad regulatoria o de responsabilidad, cuando alguien con licencia tiene que firmar o responder, como jueces y abogados. La relacional, cuando el valor depende del trato, el cuidado o la enseñanza, como profesores y enfermeras. Y la física, cuando hay que actuar en el mundo real, como gásfiteres y kinesiólogos. La segunda capa es la elasticidad de la demanda: si la IA abarata un servicio, ¿la gente compra tanto más que hace falta el mismo personal o incluso más? Es la vieja paradoja de Jevons, cuando algo baja de precio a veces se consume tanto más que el empleo del sector sube en vez de bajar.
Con esas tres capas, más una cuarta pregunta sobre si la IA ya se está usando hoy para esas tareas, el reporte ordena las ocupaciones en cuatro grupos. El resultado que da el titular: un 18% de los empleos tiene riesgo alto de automatización en el corto plazo, un 24% se va a reorganizar (siguen haciendo falta trabajadores, pero podrían ser menos), un 12% podría crecer gracias a la IA y un 46% verá pocos cambios inmediatos. La lectura de fondo es que muchos empleos muy expuestos no están camino a la automatización, sino al rediseño o a la expansión.
El dato que usan para validar el marco viene de su propia casa: el uso de ChatGPT. Cruzan las conversaciones de trabajo de la versión de consumo, agregadas y anonimizadas y tomadas de la segunda mitad de 2025, con las tareas de cada ocupación, sin observar quién es cada usuario. Ahí aparece un hallazgo nítido: en los empleos que el marco marca como de mayor riesgo de automatización, ChatGPT se usa cerca de tres veces más que en los de menor presión. Y en todas partes el uso real va muy por detrás de lo que la IA técnicamente podría hacer. A esa brecha la llaman capability overhang: capacidad técnica disponible que todavía no se usa. En los empleos de más riesgo, la exposición teórica llega al 90% mientras la realizada apenas al 24%, una brecha de 66 puntos. Que sea justo ahí donde más se usa, y a la vez donde más margen queda, es el corazón del argumento: la capacidad, por sí sola, no dice dónde está cambiando el mercado laboral.
Hay un hallazgo que el propio reporte trata con cautela y conviene no saltarse. Cuando miran el desempleo real desde principios de 2024, el grupo que más subió no es el de mayor riesgo, sino el de “menos cambios inmediatos”, con +0,6 puntos, contra +0,3 en los de riesgo alto y en los que se reorganizan. Los autores lo dicen así: todavía cuesta vincular con claridad la IA y el mercado laboral agregado, eso podría cambiar rápido y por eso estas ocupaciones ameritan seguimiento cercano.
Un punto técnico que pesa: dos de las tres capas no se miden, se estiman con un modelo de la propia OpenAI. La necesidad humana la clasifica GPT-5.4; la elasticidad de la demanda la calcula GPT-5.4-mini a partir de un escenario hipotético de baja de precios. Los autores son explícitos en que la elasticidad es lo menos observado del marco y que son aproximaciones, no evidencia causal.
Segunda lectura: desde América Latina
El reporte es sobre Estados Unidos y no separa a América Latina, así que casi todo lo que sigue es lectura mía, no del documento. Con esa advertencia por delante, hay algo que se traduce bien a la región.
La idea más útil no es el 18%, es el método. Separar exposición de necesidad humana y de elasticidad ayuda a no confundir “la IA puede hacer esto” con “este trabajo va a desaparecer”. En buena parte de la región, donde el empleo público, el cuidado y los servicios de trato son enormes, esa distinción importa: un profesor o una enfermera pueden ver cómo la IA les redacta materiales o resúmenes sin que por eso deje de hacer falta la persona frente al curso o al lado de la cama. El reporte diría que esos empleos se reorganizan, no que se automatizan.
Pero el mismo marco trae una advertencia que en la región pesa distinto. Un empleo puede seguir necesitando personas y aun así emplear a menos: si cada trabajador rinde mucho más y la demanda no crece lo suficiente para absorberlo, sobran manos. En economías con más informalidad y con menos colchón para reconvertirse, ese ajuste puede doler más y más rápido que en Estados Unidos. Esto ya es hipótesis mía: el reporte no estudió estos países y lo dejo como tal.
Y hay una razón de fondo para leerlo con pinzas desde acá, que es la parte que no conviene omitir. La letra chica de abajo detalla de quién es el reporte y con qué datos está hecho; lo que agrego desde la región es qué hacer con eso. La empresa tiene interés en que la historia salga en clave de transición manejable y no de ola de despidos, y esa elección de encuadre no es neutral. Antes de que un ministerio de la región lo cite para justificar una política, conviene pedir lo que este reporte no tiene: mediciones locales y evidencia de resultados en el mundo real.
La pregunta que deja sirve para cualquier país que esté pensando su política de empleo. Si la exposición no alcanza para saber dónde va a doler, la tarea no es hacer listas de empleos condenados, sino construir la capacidad de medir a tiempo dónde aparece la presión. El propio reporte lo pide para Estados Unidos: mejor medición ocupacional. En América Latina, donde esa medición suele ser más débil, el consejo se vuelve más urgente todavía.
La letra chica
- Es un reporte de OpenAI que mide el impacto de la IA con datos de uso de ChatGPT y con estimaciones hechas por sus propios modelos, GPT-5.4 y GPT-5.4-mini. Conviene leerlo como evidencia interna y no como auditoría independiente: la empresa tiene interés en el tema y elige qué medir y cómo contarlo.
- Las cuatro categorías no son pronósticos de pérdida de empleo. Los autores insisten en que son un mapa de dónde podría aparecer primero la presión, no una predicción de cuántos puestos se pierden.
- La elasticidad de la demanda es, en palabras de los autores, lo menos observado del marco: aproximaciones generadas por un modelo, no medidas causales. El reporte tampoco captura efectos de equilibrio general, salarios ni encadenamientos entre ocupaciones.
Palabras clave del paper: AI exposure, human necessity, demand elasticity, labor market transition, occupational automation
Lectura automática. Este texto lo generó Claude (IA) a partir de la fuente original, sin revisión humana línea por línea. Puede contener errores o interpretaciones discutibles; para validar cualquier punto, revisa la fuente original.