Anthropic mide el impacto real de la IA en el empleo: poco, por ahora

Anthropic ha publicado un estudio que intenta responder a una de las preguntas más repetidas de los últimos años: ¿está la inteligencia artificial destruyendo empleo? Su respuesta, con datos hasta principios de 2026, es matizada. La IA todavía funciona muy por debajo de su capacidad teórica, no se detecta un aumento sistemático del desempleo entre los trabajadores más expuestos, y el único indicio preocupante apunta a un frenazo en la contratación de jóvenes en las ocupaciones donde Claude ya se usa mucho.

El trabajo, titulado Labor market impacts of AI: A new measure and early evidence, no es una nota triunfalista ni catastrofista. Es un intento metodológico de sentar las bases para medir bien un fenómeno que, según reconocen los propios autores, la economía ha medido históricamente mal.

Por qué las predicciones anteriores fallaron

El estudio arranca con una dosis de humildad poco habitual. Anthropic recuerda que los intentos previos de anticipar disrupciones laborales suelen envejecer mal.

Cita el ejemplo de la deslocalización (offshoring): un análisis influyente estimó que una cuarta parte de los empleos estadounidenses eran vulnerables a ser enviados al extranjero. Una década después, la mayoría de esos puestos mantenían un crecimiento saludable del empleo. Las propias previsiones del gobierno estadounidense, admite el texto, apenas han aportado valor predictivo más allá de extrapolar linealmente las tendencias pasadas.

La lección es clara: distinguir el efecto de una tecnología del ruido del ciclo económico es endiabladamente difícil. Los estudios sobre el impacto de los robots industriales llegan a conclusiones opuestas, y el debate sobre cuántos empleos destruyó el shock comercial con China sigue abierto.

Anthropic sitúa la IA en esa categoría ambigua. No espera un golpe brusco y evidente como el de la pandemia —cuando el paro se disparó en semanas y no hacían falta estadísticas sofisticadas para ver la causa—, sino algo más parecido a internet o al comercio con China: un cambio de fondo, lento, difícil de aislar en las cifras agregadas.

La idea central: exposición observada

La aportación del estudio es una métrica nueva a la que llaman exposición observada (observed exposure). La mayoría de análisis previos miden la exposición teórica: qué tareas podría hacer un modelo de lenguaje si se le pidiera. Anthropic añade una segunda capa fundamental: qué tareas está haciendo de verdad la IA en contextos profesionales.

Para construirla combina tres fuentes:

• O*NET, la base de datos oficial estadounidense que descompone unas 800 ocupaciones en tareas concretas.
• Los datos de uso de Claude, recogidos en el Anthropic Economic Index, que muestran para qué usa la gente el modelo realmente.
• Las estimaciones de Eloundou et al. (2023), que puntúan cada tarea según si un modelo de lenguaje puede, al menos, duplicar la velocidad a la que se hace.

Esa puntuación teórica, llamada β, es sencilla: vale 1 si el modelo puede acelerar la tarea por sí solo, 0,5 si necesita herramientas adicionales construidas sobre él, y 0 si no puede.

El punto interesante es la brecha entre lo posible y lo real. Eloundou et al. marcan, por ejemplo, la tarea de "autorizar renovaciones de recetas médicas e informar a las farmacias" como plenamente automatizable (β=1). Anthropic reconoce que nunca ha visto a Claude hacerlo. Puede hacerse en teoría; no se hace en la práctica, frenado por barreras legales, requisitos de software o pasos de verificación humana.

Aun así, teoría y práctica van bastante de la mano: el 97% del uso observado de Claude cae en tareas que Eloundou et al. consideran teóricamente factibles.

La IA está lejos de su techo

El hallazgo más contundente es cuánto margen queda. En la categoría de ocupaciones de Informática y Matemáticas, la capacidad teórica cubre el 94% de las tareas, pero el uso real de Claude solo alcanza el 33%. En Oficina y Administración, la teoría llega al 90%, y el uso efectivo se queda muy por debajo.

Dicho de otro modo: aunque los titulares hablen de que "la IA puede hacer casi todo", su penetración real en el trabajo es una fracción de lo que sería técnicamente posible.

Los oficios más expuestos

El ranking de ocupaciones con mayor exposición observada confirma lo que ya intuíamos por el uso de estas herramientas:

• Programadores informáticos, en cabeza, con un 75% de cobertura de tareas.
• Representantes de atención al cliente, cuyas funciones aparecen cada vez más en el tráfico de la API de Claude.
• Operadores de entrada de datos, con un 67%, cuya tarea principal —leer documentos y volcarlos— se automatiza con facilidad.

En el extremo opuesto, un 30% de los trabajadores tiene cobertura cero: sus tareas apenas aparecen en los datos de Claude. Ahí están cocineros, mecánicos de motos, socorristas, camareros de barra o lavaplatos. Trabajos físicos o presenciales que, de momento, quedan fuera del alcance de un modelo de lenguaje.

Quién está en la línea de fuego

Uno de los datos que rompe estereotipos es el perfil del trabajador más expuesto. Según el estudio, tiende a ser mayor, mujer, con más formación y mejor pagado. No es el perfil de precariedad que suele asociarse a la automatización clásica de fábricas, sino más bien el del trabajo de oficina cualificado.

Esto tiene lógica: los modelos de lenguaje sobresalen precisamente en tareas cognitivas, documentales y de escritura, que son las que ocupan a profesionales cualificados.

¿Y el empleo? De momento, aguanta

Aquí está la parte que más discusión generará. Anthropic cruzó su medida de exposición con las proyecciones de empleo de la Oficina de Estadísticas Laborales estadounidense (BLS) para el período 2024-2034.

El resultado: las ocupaciones con más exposición observada tienen previsiones de crecimiento algo más débiles. Por cada 10 puntos porcentuales más de cobertura, la proyección de crecimiento del empleo baja 0,6 puntos. Es una relación real, pero pequeña. Y, de forma reveladora, esa correlación desaparece si se usa solo la medida teórica de Eloundou et al.: es la combinación con el uso real lo que aporta poder predictivo.

Más importante todavía: desde finales de 2022 —cuando ChatGPT popularizó estas herramientas— Anthropic no encuentra un aumento sistemático del desempleo entre los trabajadores más expuestos. El paro no se ha disparado en las profesiones que la IA más toca.

La única señal de alarma es sutil pero significativa: hay indicios de que la contratación de trabajadores jóvenes se ha ralentizado en las ocupaciones expuestas. Es decir, el efecto no aparecería (todavía) despidiendo a quien ya trabaja, sino cerrando la puerta a quien intenta entrar. Si se confirma, sería un cambio silencioso pero profundo, porque afecta a cómo se forman y se incorporan las nuevas generaciones al mercado laboral.

Qué significa este trabajo

Conviene leer el estudio con dos advertencias. La primera es de origen: lo publica Anthropic, empresa cuyo negocio es vender modelos de IA, y sus datos de uso provienen exclusivamente de Claude. Eso deja fuera a ChatGPT, Gemini y el resto del mercado, además de limitar la visión a lo que pasa por su plataforma.

La segunda es que los propios autores lo plantean como un punto de partida, no como una conclusión cerrada. Su objetivo declarado es establecer un método para medir el impacto antes de que sea evidente, y revisarlo periódicamente. Reconocen que su marco no capta todos los canales por los que la IA puede transformar el trabajo.

Aun con esas cautelas, el mensaje es útil precisamente por ir contra las dos narrativas dominantes. Frente a quienes anuncian un apocalipsis laboral inminente, los datos muestran que la IA opera aún muy por debajo de su potencial y que el empleo agregado aguanta. Frente a quienes descartan cualquier efecto, aparece esa señal en la contratación juvenil que merece vigilancia.

El valor real llegará con las siguientes entregas. Como reconoce el propio texto, esta metodología brilla cuando los efectos son ambiguos: sirve para detectar los empleos vulnerables antes de que el desplazamiento sea visible en las cifras. Si la brecha entre lo que la IA puede hacer y lo que realmente hace empieza a cerrarse —el área roja llenando el área azul, en la imagen del estudio—, este será el termómetro al que habrá que mirar.