La IA puede hacer el 96% de las tareas de programación. ¿Por qué, entonces, los programadores siguen trabajando?
Anthropic midió la brecha entre lo que la IA puede hacer y lo que realmente está haciendo. Los resultados cambian el enfoque de la conversación.
Un número circuló silenciosamente entre investigadores la semana pasada: 96%. Esa es la proporción de tareas en ocupaciones de Computación y Matemáticas que la IA es capaz de realizar en teoría, según el propio análisis de Anthropic.
Suena a una sentencia de muerte para la industria del software. No lo es. Y la razón explica mejor que cualquier predicción de 2023 cómo funciona realmente la disrupción tecnológica.
Dos números que cuentan historias distintas
La investigación de Anthropic introdujo una métrica llamada exposición observada: la combinación entre la capacidad teórica de la IA y los datos reales de uso de Claude. La brecha entre las dos columnas es donde vive la historia interesante.
Categoría ocupacional Teórico Observado
──────────────────────────────────────────────────
Computación y Matemáticas 96% 32%
Negocios y Finanzas 94% 28%
Administración y Oficina 94% 42%
Gestión 92% 25%
Legal 88% 15%
Arte y Medios 85% 20%
Ciencias de la Vida 80% 12%
Ventas 72% 18%
Educación 68% 12%
Salud y Medicina 58% 5%
Transporte 28% 6%
Construcción 18% 3%
Agricultura 15% 2%
Gastronomía y Servicio 12% 2%
──────────────────────────────────────────────────
La columna teórica refleja capacidad. La columna observada refleja despliegue real. La brecha entre ambas es enorme en casi todas las categorías, y no es un retraso temporal. Es estructural.
Por qué existe la brecha
El instinto es leer la columna observada como algo que “alcanzará” a la columna teórica con el tiempo. Puede ser cierto en algunos dominios. Pero ese razonamiento ignora qué está bloqueando realmente el despliegue.
Capacidad teórica de la IA
│
│ Bloqueada por:
▼
┌───────────────────────────────────┐
│ Responsabilidad legal │ ← Legal: 88% → 15%
├───────────────────────────────────┤
│ Requisitos de verificación │ ← Salud: 58% → 5%
├───────────────────────────────────┤
│ Inercia corporativa │ ← La mayoría de categorías
├───────────────────────────────────┤
│ Vacíos de confianza y rendición │ ← Donde las decisiones tienen
│ de cuentas │ consecuencias reales
└───────────────────────────────────┘
│
▼
Uso real de la IA
El sector legal es el ejemplo más claro. La IA puede manejar teóricamente el 88% de las tareas legales. Se está usando para el 15%. No es una brecha de habilidades: los abogados conocen las herramientas. Es responsabilidad civil. Nadie quiere firmar trabajo legal generado por IA cuando el costo de un error puede ser existencial.
Salud muestra el mismo patrón. 58% teórico. 5% observado. La responsabilidad clínica no desaparece porque un modelo pueda leer una ficha médica.
La paradoja del programador
La ocupación más expuesta es la que más activamente está construyendo las herramientas que la exponen.
class IngenieroSoftware:
cobertura_ia_tareas = 0.75 # 75% de tareas teóricamente automatizables
tasa_adopcion_ia = "la más alta" # Los mayores usuarios de IA entre todas las profesiones
situacion_laboral = "estable" # Sin aumento significativo en desempleo post-ChatGPT
def explicar_paradoja(self):
# Los programadores usan IA para manejar el 75% automatizable
# Esto libera capacidad para asumir MÁS trabajo, no menos
# El output por ingeniero aumenta → se contratan menos nuevos
# Pero los ingenieros existentes no son desplazados
return "absorción de productividad, no desplazamiento"
Los programadores han integrado la IA más rápido que cualquier otra profesión. La usan para manejar código repetitivo, generar pruebas, revisar código y acelerar el debugging. Lo que eso ha producido no son despidos masivos, sino una desaceleración en la contratación en el extremo junior.
Dónde está apareciendo realmente la disrupción
Esta es la parte que la cobertura mainstream generalmente omite.
Narrativa esperada de disrupción:
Capacidad IA → Pérdida de empleos → Pico de desempleo
Patrón real (datos post-ChatGPT):
Capacidad IA → Absorción de productividad → Congelamiento de contratación
Desempleo en roles de alta exposición a IA: sin aumento significativo
Contratación de trabajadores de 22 a 25 años en roles expuestos: -14%
Contratación de trabajadores mayores de 25 en los mismos roles: sin variación equivalente
La disrupción está cayendo sobre quienes aún no han comenzado sus carreras, no sobre quienes ya están en sus roles. Eso es un tipo de daño diferente: menos visible, más difícil de medir, y casi completamente ausente en la conversación sobre IA y empleo.
El 30% que no aparece en estos gráficos
Enterrado en los datos hay una categoría que vale la pena nombrar: los roles que la IA simplemente no puede tocar.
Exposición casi nula a la IA:
Cocineros, bartenders, mecánicos, electricistas,
trabajadores de construcción, salvavidas, plomeros,
técnicos HVAC, asistentes de cuidado a domicilio
Razón: presencia física, destreza manual,
adaptación a entornos impredecibles en tiempo real
Exposición a la IA: 2–10%
Las ocupaciones con menor exposición a la IA son casi enteramente definidas por la presencia física. Un modelo que puede redactar un brief legal no puede reparar una tubería, leer el ambiente en un bar, ni responder a una situación impredecible en un sitio de construcción.
Los trabajadores más vulnerables a la IA, por el contrario, tienden a ser de mayor edad, con más educación y mejor remunerados —ganando en promedio un 47% más que los trabajadores en roles no expuestos. Los titulados de posgrado están representados casi 4 veces más en el grupo de mayor exposición. La prima de productividad que hacía rentables esos roles es exactamente lo que los convirtió en objetivos atractivos para la automatización.
La brecha es la historia
Donde la disrupción ya ocurrió:
Cobertura teórica → Cobertura observada
La brecha es pequeña (el trabajo físico nunca tuvo alta exposición teórica)
Donde la disrupción está por llegar:
Cobertura teórica → Cobertura observada
La brecha es grande (legal, salud, gestión)
La brecha se cerrará cuando se resuelvan los problemas de
responsabilidad, verificación y confianza
La brecha de 64 puntos entre la cobertura teórica de Computación y Matemáticas (96%) y la observada (32%) no es permanente. Se cerrará. La pregunta es a qué velocidad, y qué fricciones específicas —regulación, estructuras de rendición de cuentas, ciclos de procurement corporativo— están frenando ese cierre.
Contar con una medición en vivo de ambos números, y observar cómo se estrecha la brecha en el tiempo, es más informativo que cualquier predicción puntual sobre qué trabajos eliminará la IA. La brecha es donde vive la próxima ola. Cuando la exposición observada en el sector legal pase del 15% hacia el 88%, eso es una señal que vale la pena monitorear.
La conclusión real
El 96% de capacidad teórica es un número impactante. El 32% de despliegue observado es el número honesto.
Entre ambos vive todo lo que importa: responsabilidad legal, confianza, inercia institucional, procurement, regulación, y la distancia entre lo que un modelo puede hacer en un benchmark controlado y lo que una organización realmente le permitirá hacer cuando hay consecuencias reales de por medio.
La IA no está reemplazando a los trabajadores del conocimiento a escala todavía. Pero está redefiniendo silenciosamente quién consigue ser contratado —y esa es una disrupción que aparece en las estadísticas laborales años después de haber comenzado.
¿Cómo ves la brecha entre teórico y observado en tu propio campo? ¿El despliegue es más lento de lo esperado, o más rápido? Vale la pena discutirlo aquí abajo.