Una empresa puede comprar el mismo asistente de inteligencia artificial para dos equipos y obtener resultados distintos. Uno encuentra tareas que puede delegar; el otro dedica buena parte del tiempo a revisar respuestas. Antes de convertir una promesa tecnológica en un plan de contratación o capacitación, hace falta saber qué se está midiendo.
La distancia entre lo que esperamos de la IA y lo que comprobamos en el trabajo merece una evaluación propia. Una encuesta reciente ofrece un punto de partida, pero las decisiones de una organización necesitan evidencia sobre sus tareas, sus datos y sus criterios de calidad.
Una encuesta sobre expectativas, no sobre empleos eliminados
Anthropic publicó The AI expectations gap el 16 de octubre de 2026. Consultó en agosto a 10.980 adultos estadounidenses y 1.334 empleados de la compañía. Entre quienes trabajan, el público estima que la IA podrá realizar, en promedio, el 28% de sus horas actuales de trabajo en 2030; el personal de Anthropic estima un 75%.
La comparación describe creencias. No demuestra cuántas horas se automatizarán ni cuántos puestos desaparecerán. Tampoco compara dos muestras equivalentes: trabajar en un laboratorio de IA supone una exposición profesional particular. Además, los empleados respondieron mediante un deslizador y el público eligió intervalos, cuyos puntos medios se usaron en el cálculo.
La encuesta también pregunta por tareas adecuadas para la IA: el 59% del personal y el 26% de usuarios laborales estadounidenses afirman que requieren un cuarto del tiempo o menos, incluida la revisión. Son percepciones, no un experimento de productividad. Estos porcentajes no representan a Chile.
Medir cambia la conversación
Un antecedente ayuda a comprender por qué conviene separar experiencia y medición. En un experimento de METR con herramientas de comienzos de 2025, 16 desarrolladores experimentados realizaron 246 tareas en proyectos que conocían. Con acceso a IA tardaron un 19% más, aunque después estimaron haber trabajado más rápido. El resultado pertenece a ese entorno y a aquellas herramientas; no permite afirmar que la IA actual ralentice a todos los programadores.
La propia organización explicó en su actualización del 24 de febrero de 2026 que su siguiente estudio tenía problemas de selección y medición. Algunos desarrolladores no querían participar si debían trabajar sin IA, y el uso simultáneo de agentes dificultaba registrar tiempos. METR consideró probable una mejora respecto de 2025, pero reconoció evidencia débil para cuantificarla.
La lección metodológica es útil fuera del software: una impresión favorable puede justificar una prueba, pero no sustituye su resultado. También importa quién acepta participar y qué trabajos quedan fuera de la comparación.
Del puesto completo a una tarea comprobable
Para evaluar una adopción, proponemos empezar por una unidad pequeña y reconocible. “Automatizar administración” es demasiado amplio. “Preparar un borrador del informe semanal a partir de estas tres fuentes” permite definir entradas, resultado esperado y revisión.
La siguiente matriz es una propuesta editorial para organizar esa prueba. No asigna probabilidades de automatización ni pretende sustituir una evaluación profesional del proceso.
| Pregunta | Qué registrar | Decisión que permite |
|---|---|---|
| ¿Qué debe entregar la tarea? | Un ejemplo aceptado y una lista breve de requisitos. | Definir qué cuenta como resultado terminado. |
| ¿Qué información necesita? | Fuentes disponibles, permisos y datos que no deben compartirse. | Determinar si la prueba es viable con la herramienta elegida. |
| ¿Cuánto trabajo humano exige? | Preparación, instrucciones, revisión y correcciones. | Comparar el esfuerzo total con el procedimiento habitual. |
| ¿Qué ocurre si se equivoca? | Errores detectables, consecuencias y responsable de aprobación. | Elegir dónde conservar revisión obligatoria. |
| ¿El resultado se repite? | Varios casos comparables, incluidos los difíciles. | Decidir si ampliar, ajustar o detener el ensayo. |
Conviene fijar estos criterios antes de ver la primera respuesta. Si se cambian después para acomodar un resultado vistoso, la prueba deja de responder la pregunta original. Puede seguir siendo una exploración útil, pero habrá que reconocer ese cambio.
El ahorro empieza cuando el resultado queda aceptado
Imaginemos un caso hipotético: preparar un informe tarda 90 minutos con el método habitual. Con IA, organizar los archivos requiere 15 minutos, generar el borrador otros 10 y revisarlo y corregirlo 35. El trabajo humano suma 60 minutos: el ahorro sería de 30 minutos, siempre que la calidad sea comparable. Cronometrar solo la generación produciría una conclusión muy distinta.
También conviene distinguir esfuerzo humano y tiempo de entrega. Un sistema puede trabajar mientras la persona hace otra tarea, pero dejar una revisión pendiente hasta el día siguiente. Para un equipo con fechas de cierre, ambos tiempos importan.
Si la revisión descubre cifras inventadas o fuentes ausentes, ese caso debe quedar registrado. Excluirlo porque “el asistente normalmente funciona” elimina precisamente la información que permite diseñar una supervisión adecuada. Una prueba útil conserva tanto los aciertos como el costo de reparar los fallos.
Formación y capacidad antes de comprometer resultados
Para una persona, proponemos elegir una tarea recurrente, documentar cómo la resuelve y ensayar una mejora que pueda comprobar. El aprendizaje debe incluir cómo verificar el resultado, no solamente cómo pedirlo. Nuestra guía sobre habilidades de IA para trabajar profundiza en esa preparación.
Para una empresa, el ensayo debería terminar con una decisión explícita sobre el tiempo liberado: atender demanda pendiente, mejorar un servicio, reducir una espera o dedicar más esfuerzo a revisar. Si no hay una necesidad concreta, una reducción del tiempo por tarea puede quedarse en una cifra sin traducción operativa.
La formación también puede revelar un problema anterior a la herramienta. Cuando nadie logra explicar qué hace bueno un informe, resulta difícil evaluar tanto a una persona como a un asistente. Acordar el criterio de aceptación ya es un avance, aunque la automatización posterior sea limitada.
Preguntas frecuentes
¿La encuesta demuestra que desaparecerá el 75% de los empleos?
No. Ese porcentaje expresa expectativas del personal de Anthropic sobre sus horas de trabajo, no una previsión de puestos eliminados.
¿Cómo puedo comprobar si una tarea mejora con IA?
Compara casos similares con y sin la herramienta, registra preparación y revisión, y exige el mismo nivel de calidad antes de considerar terminado el trabajo.
¿Qué hago si el borrador sale rápido pero corregirlo tarda mucho?
Incluye las correcciones en el costo total. Prueba una tarea más acotada o mejores fuentes y detén el ensayo si no aporta una mejora comprobable.
¿Qué formación debería acompañar una prueba de automatización?
La necesaria para definir el resultado, manejar datos permitidos, detectar errores y decidir cuándo escalar el caso a una persona responsable.
La Tesis de El Ciclo
Nuestra interpretación es que la ventaja más duradera puede estar en la capacidad de aprender del propio trabajo. Una organización que sabe describir sus tareas, medir sus resultados y corregir sus decisiones tiene una base para aprovechar herramientas que todavía cambiarán.
Las expectativas sirven para imaginar posibilidades. Convertirlas en compromisos requiere un paso adicional: demostrar qué mejora, para quién y bajo qué condiciones. Ese paso puede parecer menos espectacular que una previsión sobre 2030, pero ofrece algo más útil para decidir hoy.
Editor | El Ciclo Tomás Carmona es especialista en crecimiento de negocios, transformación digital y sistemas CRM. En El Ciclo investiga y explica cómo los cambios en tecnología, inteligencia artificial, negocios, finanzas y salud impactan la vida de las personas y las empresas. Su trabajo combina análisis, investigación y experiencia práctica para transformar noticias, estudios y tendencias en contenido claro, basado en evidencia y orientado a la toma de mejores decisiones. Su objetivo es ayudar a los lectores a comprender qué está cambiando, por qué es relevante y cómo esos cambios pueden influir en su trabajo, sus finanzas, su salud o su vida cotidiana.