Anthropic busca señales tempranas de IA en empleo y contratación

El 5 de marzo de 2026, Anthropic publicó un estudio sobre exposición a la IA y mercado laboral. Su resultado no identifica causalmente cuántos empleos creó o destruyó la tecnología. Compara ocupaciones según una medida de uso de Claude: no detecta un aumento diferencial del desempleo en las más expuestas y encuentra una señal apenas significativa de menor entrada de jóvenes de 22 a 25 años en ellas.

El trabajo, Labor market impacts of AI: A new measure and early evidence, propone un método para observar señales tempranas. Los autores dicen que no capta todos los canales por los que la IA puede transformar el empleo y que resulta más útil cuando los efectos son ambiguos. Esa limitación debe leerse antes que los porcentajes: ausencia de una diferencia detectable no significa ausencia de efecto.

Por qué las predicciones anteriores fallaron

El estudio comienza revisando por qué una capacidad técnica o una exposición estimada no se convierten automáticamente en empleo perdido.

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 llamada exposición observada (observed exposure). La exposición teórica pregunta qué tareas podría acelerar un modelo; la nueva medida añade cuáles aparecen en el tráfico de Claude, en contextos clasificados como laborales y con mayor peso cuando el uso parece automatizar en vez de asistir. «Observada» significa observada en esa plataforma y muestra, no en toda la economía.

Para construirla combina tres fuentes:

• O*NET, la base de datos ocupacional estadounidense que descompone unas 800 ocupaciones en tareas.
• Datos de uso de Claude de las muestras de agosto y noviembre de 2025 del Anthropic Economic Index; no son una medición de ChatGPT, Gemini ni del software interno que no pasa por Claude.
• Las estimaciones de Eloundou et al. (2023), que puntúan si un LLM de aquella época podría reducir al menos a la mitad el tiempo de una tarea, solo o con herramientas.

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.

La brecha entre capacidad y uso es central. Eloundou et al. asignan β=1 a «autorizar renovaciones de recetas e informar a farmacias», mientras Anthropic dice no haber observado a Claude realizarla. El artículo enumera posibles motivos —limitaciones del modelo, ley, software o verificación humana—, pero no identifica cuál explica ese caso. Por tanto, el ejemplo demuestra una ausencia en la muestra, no que la tarea ya sea automatizable en la práctica.

Aun así, el 97% del uso de Claude observado cae en tareas que Eloundou et al. clasificaron como teóricamente factibles. La coincidencia valida que ambas medidas se relacionan; no demuestra que el 97% de todos los empleos pueda automatizarse.

La IA está lejos de su techo

En Informática y Matemáticas, la medida teórica cubre el 94% de las tareas, mientras la cobertura observada de Claude alcanza el 33%. En Oficina y Administración, la teoría llega al 90% y la cobertura observada queda muy por debajo. Son porcentajes ponderados por tareas dentro de la metodología, no proporciones de trabajadores reemplazados ni de horas ya automatizadas.

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 construido con esa medida coloca arriba estas ocupaciones:

• 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

Al enlazar su medida con la Current Population Survey, el estudio encuentra que el grupo más expuesto es, en promedio, mayor, con más mujeres, más formación y salarios superiores al grupo de exposición cero. Es una descripción de grupos con composiciones ocupacionales distintas; no significa que edad, sexo, estudios o salario causen la exposición.

La comparación necesita una línea base. El grupo más expuesto incluye más trabajo de oficina y el no expuesto más tareas físicas o presenciales. Separar composición de efecto evita convertir una correlación entre ocupación y exposición en una afirmación sobre el riesgo individual de cada trabajador.

¿Y el empleo? De momento, aguanta

Anthropic cruzó su medida con las proyecciones ocupacionales 2024-2034 del BLS. Esas proyecciones son otra estimación, no empleo ya observado, y el propio programa del BLS ofrece supuestos y datos por ocupación para revisarlas.

En la regresión ponderada, diez puntos porcentuales más de cobertura se asocian con 0,6 puntos menos de crecimiento proyectado. El artículo califica la relación de pequeña y señala que no aparece con la medida teórica sola. Es una correlación entre dos medidas construidas; no prueba que el uso de Claude cause la previsión del BLS ni que la métrica ya haya predicho crecimiento futuro.

Con datos de la CPS desde 2016, el cambio medio de la brecha de desempleo entre el cuartil más expuesto y el grupo de exposición cero después de 2022 es pequeño e indistinguible de cero. Los autores calculan que su diseño detectaría aproximadamente un aumento diferencial de un punto porcentual. No detectar menos que eso no permite afirmar que el efecto sea exactamente cero.

Para jóvenes de 22 a 25 años, el estudio estima una caída del 14% frente a 2022 en la tasa de inicio de trabajos expuestos, apenas significativa estadísticamente. Los autores advierten que esas personas podrían seguir en su empleo, entrar en otra ocupación, estudiar o salir de la población activa, y que las transiciones pueden medirse mal en encuestas. Además, el 8 de marzo corrigieron la figura 7 porque sus etiquetas estaban invertidas. Es una señal para replicar, no una atribución causal cerrada.

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 metodológica. El apéndice explicita decisiones sobre qué uso cuenta como suficiente, cómo agrupar tareas similares y cuánto peso dar a automatización frente a asistencia. La ordenación de ocupaciones resiste varias alternativas, pero cada elección define qué significa «exposición» y debe conservarse al comparar futuras ediciones.

El resultado queda entre dos afirmaciones que los datos no sostienen: ni demuestra un apocalipsis laboral ni prueba que el empleo agregado esté protegido. Muestra una brecha entre capacidad teórica y uso de Claude, ninguna diferencia de desempleo detectable con este diseño y una señal frágil en contratación juvenil. Cada conclusión pertenece a una variable y una población concretas.

La capacidad transferible es leer una afirmación laboral en cuatro capas: qué capacidad técnica se supone, qué uso se observa, qué resultado laboral se mide y qué contrafactual permitiría atribuirlo. La exposición puede orientar dónde mirar, pero no sustituye desempleo, contratación, salarios ni causalidad. Una actualización útil deberá conservar definiciones, mostrar intervalos, registrar correcciones y contrastar Claude con otras herramientas y fuentes laborales.