Revisión bibliográfica

¿Puede la inteligencia artificial sustituir profesiones? Revisión sistemática cuantitativa de la evidencia sobre exposición, desplazamiento y aumento laboral (2016–2026)

Can artificial intelligence replace professions? A quantitative systematic review of the evidence on occupational exposure, displacement and augmentation (2016–2026)

1. Introducción

La pregunta de si las máquinas reemplazarán el trabajo humano acompaña a cada ola tecnológica, desde la mecanización textil hasta la informatización de oficinas. Lo novedoso del ciclo actual es su objetivo: los grandes modelos de lenguaje (LLM, por sus siglas en inglés) y la IA generativa no automatizan tareas físicas rutinarias, sino capacidades cognitivas —redactar, programar, traducir, resumir, analizar—que durante décadas protegieron a los trabajadores con mayor escolaridad (Eloundou et al., 2024; Felten et al., 2021; Webb, 2020). Esta inversión del sesgo tradicional de la automatización coloca a profesiones de cuello blanco en el centro del debate y explica la ansiedad social que acompaña a la difusión de estas herramientas.

La literatura económica ofrece un marco para ordenar esta discusión. El enfoque basado en tareas (Acemoglu y Restrepo, 2019) descompone cada ocupación en actividades y distingue tres fuerzas: el efecto desplazamiento, cuando el capital asume tareas antes humanas; el efecto productividad, que abarata la producción y eleva la demanda de las tareas complementarias; y el efecto de reinstalación, por el cual la tecnología crea tareas nuevas. Autor et al. (2024) estiman que cerca del 60 % del empleo estadounidense de 2018 se encontraba en especialidades ocupacionales inexistentes en 1940, lo que ilustra la potencia histórica de la reinstalación. La cuestión abierta es si la IA generativa, por su velocidad de difusión y su alcance cognitivo, altera ese equilibrio.

Las primeras estimaciones cuantitativas fueron alarmantes: Frey y Osborne (2017) calcularon que el 47 % del empleo de Estados Unidos estaba en ocupaciones con alta probabilidad de automatización. Trabajos posteriores que midieron tareas y no ocupaciones redujeron esa cifra al 9 % (Arntz et al., 2016) y al 14 % en 32 países de la OCDE (Nedelkoska y Quintini, 2018). Con la llegada de la IA generativa, las métricas cambiaron de naturaleza: ya no se pregunta solo qué ocupaciones pueden automatizarse, sino qué proporción de sus tareas está expuesta y si esa exposición conduce a sustitución o a aumento (complementariedad) del trabajador (Cazzaniga et al., 2024; Gmyrek et al., 2025). Además, desde 2023 existe evidencia ex post —datos de nóminas, plataformas de trabajo independiente y registros administrativos— que permite contrastar las proyecciones con efectos observados (Brynjolfsson et al., 2025b; Humlum y Vestergaard, 2025).

A pesar del volumen de publicaciones, la evidencia está dispersa en disciplinas (economía, gestión, ciencias de la computación), en tipos de documentos (artículos revisados por pares, documentos de trabajo, informes institucionales) y en métricas no comparables entre sí. Revisiones previas han abordado el tema de forma narrativa o sectorial (Lane y Saint-Martin, 2021), o se han concentrado en el desplazamiento observado (Dehouche, 2026). Para América Latina, y para Ecuador en particular, los datos son escasos y suelen difundirse sin distinguir entre exposición y pérdida efectiva de empleo (Gmyrek, Winkler y Garganta, 2024).

En este contexto, el objetivo de la presente revisión sistemática es cuantificar la magnitud esperada y observada de la sustitución laboral por IA y determinar qué profesiones presentan mayor y menor probabilidad de ser sustituidas, en la actualidad y a mediano plazo. Se plantean tres preguntas de investigación: (PI1) ¿qué proporción del empleo se estima en riesgo de sustitución total frente a exposición parcial, y cómo han cambiado estas estimaciones con la IA generativa?; (PI2) ¿qué efectos sobre el empleo, los ingresos y la productividad se han observado empíricamente?; y (PI3) ¿qué profesiones concentran la evidencia de alta exposición y cuáles la de baja exposición?

2. Método

2.1 Diseño y protocolo

Se realizó una revisión sistemática con síntesis cuantitativa descriptiva, conforme a la declaración PRISMA 2020 (Page et al., 2021). La heterogeneidad de las métricas (porcentaje de empleo expuesto, probabilidad de automatización, cambios porcentuales en avisos, empleo o productividad) impidió un metaanálisis de efectos combinados; por ello se optó por síntesis estructurada con estadísticos descriptivos (mediana, intervalo y rango intercuartílico) por familia de métricas, siguiendo la recomendación de agrupar resultados comparables. El protocolo no se registró previamente (véase Limitaciones).

2.2 Criterios de elegibilidad

Los criterios se definieron mediante la estructura PICOS adaptada a estudios económicos (Tabla 1).

2.3 Fuentes de información y estrategia de búsqueda

La búsqueda se ejecutó el 22 de septiembre de 2026 mediante un motor de búsqueda académico de la web que indexa revistas de Scopus y Web of Science, así como repositorios de documentos de trabajo (NBER, SSRN, arXiv, RePEc/IDEAS) y repositorios institucionales (OIT, FMI, OCDE, Banco Mundial, Foro Económico Mundial). Se lanzaron 20 consultas que combinaron términos de tecnología (artificial intelligence, generative AI, large language models, ChatGPT), de resultado (employment, occupations, exposure, displacement, automation, productivity) y de ámbito (América Latina, Ecuador, profesiones específicas: traductores, abogados, programadores, atención al cliente). Se complementó con búsqueda de citas hacia atrás en dos documentos semilla aportados por el autor y en los estudios incluidos. La ecuación booleana general, recomendada para replicar la búsqueda en Scopus y Web of Science, fue:

TITLE-ABS-KEY(("artificial intelligence" OR
"generative AI" OR "large language model*" OR
ChatGPT) AND (occupation* OR employment OR job* OR
"labo*r market") AND (exposure OR automation OR
substitut* OR displac* OR replac* OR productivity))
AND PUBYEAR > 2015

2.4 Selección de estudios

Los registros se deduplicaron por título, autores y año; se consideraron duplicados las versiones del mismo trabajo (preprint, documento de trabajo y artículo publicado), conservándose la versión más reciente o la revisada por pares. El cribado por título y resumen y la evaluación a texto completo aplicaron los criterios de la Tabla 1. El proceso se resume en el diagrama de flujo PRISMA 2020 (Fig. 1).

2.5 Extracción de datos

Para cada estudio se extrajeron: autoría, año, tipo de evidencia, ámbito geográfico, fuente de datos, métrica principal, valor estimado y ocupaciones identificadas como de alta o baja exposición. Los estudios se clasificaron en cinco tipos: (i) exposición/probabilidad (índices técnicos ex ante); (ii) uso observado (registros reales de uso de asistentes de IA); (iii) efecto observado (cambios ex post en empleo, ingresos o avisos); (iv) experimento de productividad (ensayos controlados); y (v) proyección/encuesta (escenarios macroeconómicos o encuestas a empleadores).

2.6 Evaluación de la calidad

Dada la diversidad de diseños, se aplicó una lista de verificación de cinco criterios binarios (0–5 puntos): C1, revisión por pares o revisión institucional formal; C2, fuente de datos identificada y accesible; C3, método explícito y replicable; C4, cobertura amplia (muestra grande o multipaís); y C5, estrategia de identificación causal o validación externa de la métrica. Se consideró alta calidad una puntuación ≥ 4.

2.7 Síntesis de datos

Las estimaciones se agruparon en cuatro familias: (a) porcentaje del empleo en alto riesgo de sustitución total; (b) porcentaje del empleo expuesto (parcial); (c) efectos observados sobre empleo, avisos e ingresos; y (d) efectos experimentales sobre productividad. Para cada familia se calcularon mediana, intervalo y, cuando el número de valores lo permitió, rango intercuartílico. La frecuencia con que cada grupo profesional fue identificado como de alta o baja exposición se representó en una matriz de calor. Los cálculos y gráficos se realizaron en Python 3 (numpy, matplotlib).

3. Desarrollo del tema

3.1 Selección y características de los estudios

Se identificaron 191 registros en la búsqueda principal y 20 por otros métodos. Tras eliminar 107 duplicados, se cribaron 84 registros, de los cuales 60 se excluyeron (principalmente noticias y blogs, n = 41). Se evaluaron a texto completo 23 informes de la búsqueda principal (uno no pudo recuperarse) y 20 por otros métodos; finalmente se incluyeron 34 estudios (19 de la búsqueda principal y 15 por búsqueda de citas) (Fig. 1).

La producción científica se aceleró tras el lanzamiento de ChatGPT en noviembre de 2022: 27 de los 34 estudios (79,4 %) se publicaron entre 2023 y 2026 (Fig. 2). Por tipo de evidencia, predominaron los índices de exposición (n = 12; 35,3 %) y los estudios de efectos observados (n = 10; 29,4 %), seguidos de experimentos de productividad (n = 5), proyecciones o encuestas (n = 4) y estudios de uso observado (n = 3). Estados Unidos fue el ámbito más frecuente; ocho estudios tuvieron cobertura global o multipaís y uno se centró en América Latina e incluyó a Ecuador. La calidad media fue de 3,94 ± 1,01 puntos (mediana 4); 24 estudios (70,6 %) alcanzaron alta calidad. Las puntuaciones más bajas correspondieron a proyecciones de consultoras y encuestas empresariales, cuyo método no es plenamente replicable (Tabla 2).

3.2 Magnitud estimada de la sustitución total frente a la exposición parcial (PI1)

Las estimaciones de empleo en alto riesgo de sustitución total mostraron una caída marcada según el enfoque metodológico (Fig. 3). Los tres estudios previos a la IA generativa arrojaron una mediana de 14 % (intervalo 9–47 %), con el valor extremo de Frey y Osborne (2017), que asignó probabilidades a ocupaciones completas. Los seis valores de los estudios de 2023–2025, basados en tareas y en IA generativa, presentaron una mediana de 4,5 % (intervalo 0,4–8 %; RIC 3,4– 6,6 %). El valor más alto de este grupo corresponde a la proyección del Foro Económico Mundial (2025): 92 millones de puestos desplazados hacia 2030, equivalentes al 8 % del empleo cubierto, compensados por 170 millones de puestos nuevos.

En contraste, la exposición parcial —ocupaciones en las que una fracción relevante de tareas puede ser realizada o acelerada por IA— es amplia (Tabla 3). Eloundou et al. (2024) estimaron que el 80 % de los trabajadores estadounidenses tiene al menos el 10 % de sus tareas expuestas a los LLM y el 19 % al menos la mitad. A escala mundial, el FMI situó la exposición en 40 % (Cazzaniga et al., 2024) y la OIT en 25 % (Gmyrek et al., 2025); la diferencia obedece a que el FMI utiliza un índice amplio de IA y la OIT uno específico de IA generativa. Ambos coinciden en un gradiente por nivel de desarrollo: la exposición es mayor en economías avanzadas (60 % FMI; 34 % OIT) que en países de ingreso bajo (26 % y 11 %) (Fig. 4). Solo una fracción de esa exposición implica riesgo de sustitución: en las economías avanzadas, el 27 % del empleo combina alta exposición con alta complementariedad (probable aumento) y el 33 % alta exposición con baja complementariedad (posible desplazamiento).

Para América Latina, la exposición total oscila entre 26–27 % (Barbados, Ecuador, Bolivia) y 37–38 % (Uruguay, Costa Rica); el potencial de automatización es de 2–5 % y el de aumento de 8–14 %. Un hallazgo relevante para la región es que casi la mitad de los empleos con potencial de aumento no puede aprovecharlo por la brecha digital, lo que afecta a unos 17 millones de puestos en los 16 países con microdatos (Gmyrek, Winkler y Garganta, 2024). En la región, los trabajadores más expuestos son urbanos, formales, con educación superior e ingresos altos, y el riesgo de automatización se concentra en finanzas, seguros y administración pública.

3.3 Efectos observados sobre el empleo, los ingresos y la productividad (PI2)

De los nueve indicadores de efectos ex post extraídos, siete fueron negativos, con una mediana de −14 % (Fig. 5). Los efectos más intensos se localizan en mercados de trabajo independiente: tras el lanzamiento de ChatGPT, los avisos para tareas de escritura y programación automatizables cayeron 21 % y los de creación de imágenes 17 % (Demirci et al., 2025); los trabajadores independientes de ocupaciones expuestas redujeron 2 % sus trabajos y 5,2 % sus ingresos mensuales (Hui et al., 2024). En el empleo asalariado, el efecto se concentra en la puerta de entrada: los trabajadores de 22 a 25 años en ocupaciones expuestas registraron una caída relativa de empleo de 13 % (Brynjolfsson et al., 2025b), ampliada a 19 % con datos hasta junio de 2026, explicada por menos contrataciones y no por despidos; de forma independiente, Massenkoff y McCrory (2026) hallaron una caída de 14 % en la tasa de hallazgo de empleo de jóvenes en ocupaciones expuestas, sin aumento del desempleo general.

La evidencia agregada, sin embargo, es mayoritariamente nula o positiva. Con registros administrativos de Dinamarca, Humlum y Vestergaard (2025) descartaron efectos superiores al 2 % sobre ingresos y horas dos años después de ChatGPT, pese a una adopción extendida. En Estados Unidos, las empresas expuestas reorganizaron su demanda de habilidades sin efectos detectables en el empleo total (Acemoglu et al., 2022), y en 23 países de la OCDE no se observó relación clara entre exposición y crecimiento del empleo (Georgieff y Hyee, 2022); en Europa la relación fue incluso positiva (Albanesi et al., 2023). El barómetro de PwC (2026), basado en más de mil millones de avisos, reporta que las empresas más expuestas aumentaron sus plantillas un 52 % entre 2018 y 2025, frente a un 36 % de las menos expuestas, y que los perfiles con habilidades de IA perciben una prima salarial media de 62 %. A nivel de ocupación, el caso mejor documentado de sustitución es el de los traductores: por cada punto porcentual de aumento en el uso de traducción automática, el crecimiento del empleo de traductores se redujo 0,7 puntos, equivalente a unos 28 000 puestos no creados entre 2010 y 2023 (Frey y Llanos-Paredes, 2025).

Los experimentos controlados muestran de forma consistente que la IA aumenta la productividad del trabajador en lugar de reemplazarlo (Fig. 6). La mediana de las mejoras positivas fue de +25,1 % (intervalo 12,2–55,8 %): programadores con GitHub Copilot completaron una tarea 55,8 % más rápido (Peng et al., 2023); profesionales de la escritura redujeron 40 % su tiempo y elevaron 18 % la calidad (Noy y Zhang, 2023); consultores de BCG completaron 12,2 % más tareas, 25,1 % más rápido y con más de 40 % de mejora en calidad (Dell'Acqua et al., 2023); y agentes de soporte resolvieron 15 % más casos por hora (Brynjolfsson et al., 2025a). Dos regularidades destacan: las ganancias son mayores en los trabajadores menos experimentados, y el rendimiento empeora cuando la tarea está fuera de la «frontera» de capacidades de la IA (−19 puntos porcentuales en exactitud).

En el plano macroeconómico, la proyección más conservadora estima un aumento de la productividad total de los factores no mayor al 0,66 % en diez años, y menor al 0,53 % si se consideran tareas difíciles de aprender (Acemoglu, 2025); las estimaciones de consultoras son más altas y suponen la automatización técnica de actividades que absorben 60–70 % del tiempo laboral (Chui et al., 2023), aunque con menor calidad metodológica.

3.4 Profesiones con mayor y menor probabilidad de sustitución (PI3)

La matriz de concordancia entre 12 estudios con información ocupacional (Fig. 7) muestra que los grupos identificados con mayor frecuencia como de alta exposición o con efectos negativos observados fueron programadores y desarrolladores web, oficinistas y digitadores, teleoperadores y personal de atención al cliente, y redactores y correctores (cinco estudios cada uno), seguidos de contables y analistas financieros (cuatro), traductores e intérpretes y diseñadores gráficos (tres). En el extremo opuesto, los oficios manuales y de construcción (cuatro estudios) y el cuidado directo y la enfermería (dos) aparecieron sistemáticamente como de baja exposición, en línea con la paradoja de Moravec: las tareas sensoriomotoras en entornos no estructurados siguen siendo difíciles de automatizar.

Integrando exposición técnica, efectos observados y evidencia experimental, la Tabla 4 clasifica las profesiones según la probabilidad de sustitución. Ninguna profesión presentó evidencia de desaparición total; la sustitución observada ocurre en segmentos (tareas estandarizadas, puestos de entrada, trabajo independiente por encargo).

4. Discusión

La síntesis cuantitativa responde de manera matizada a la pregunta de si la IA sustituirá profesiones. El resultado central es la brecha entre exposición y sustitución: mientras entre una cuarta parte y dos quintas partes del empleo mundial está expuesto, la fracción en riesgo de sustitución total en los estudios recientes ronda el 4–5 %, y los efectos agregados observados sobre ingresos y horas son estadísticamente nulos. Este patrón coincide con el marco basado en tareas (Acemoglu y Restrepo, 2019): la IA automatiza tareas dentro de las ocupaciones, pero los efectos productividad y reinstalación han compensado hasta ahora el desplazamiento en el agregado. La reducción de las estimaciones de riesgo, desde el 47 % de Frey y Osborne (2017) hasta el 3,3 % del gradiente más alto de la OIT (Gmyrek et al., 2025), no indica que la tecnología sea menos capaz, sino que medir tareas en lugar de ocupaciones completas revela la heterogeneidad interna del trabajo, tal como advirtieron Arntz et al. (2016).

No obstante, interpretar la ausencia de efectos agregados como ausencia de riesgo sería un error. La evidencia más reciente converge en que el ajuste ocurre por el margen de contratación y no por despidos: los trabajadores jóvenes en ocupaciones expuestas encuentran menos empleo (Brynjolfsson et al., 2025b; Massenkoff y McCrory, 2026), y los mercados de trabajo independiente —donde los encargos se ajustan con rapidez— muestran las caídas más pronunciadas (Demirci et al., 2025; Hui et al., 2024). Este hallazgo tiene implicaciones profundas para la formación profesional: si las tareas repetitivas con las que tradicionalmente se capacitaba a los principiantes son las primeras en automatizarse, las organizaciones podrían erosionar su propia cantera de expertos. Paradójicamente, los experimentos muestran que los menos experimentados son quienes más ganan en productividad con IA (Brynjolfsson et al., 2025a; Dell'Acqua et al., 2023), lo que sugiere que el desplazamiento juvenil responde más a decisiones de contratación que a limitaciones técnicas del trabajador asistido.

En cuanto a las profesiones, la evidencia desmiente la intuición de que la IA afecta principalmente al trabajo poco calificado. Los grupos más expuestos —programadores, redactores, traductores, analistas financieros, docentes universitarios— requieren alta escolaridad y perciben salarios superiores a la media (Kochhar, 2023; Webb, 2020). Sin embargo, exposición alta no equivale a sustitución: en derecho y consultoría los experimentos indican complementariedad, mientras que en traducción y redacción estandarizada ya se observa sustitución parcial medible. Los determinantes que separan ambos destinos son, según los estudios revisados, el grado de estandarización del producto, la verificabilidad del resultado, la necesidad de juicio y responsabilidad legal, y la interacción humana directa. Por el contrario, la baja exposición de los oficios manuales y del cuidado, reconocida desde Frey y Osborne (2017) para las ocupaciones de salud, refleja los límites de la robótica en entornos físicos no estructurados.

Para América Latina y Ecuador, los resultados sugieren un riesgo inmediato menor que en economías avanzadas — exposición de 26–27 % frente a 34–60 %—, pero también un beneficio potencial menor, porque la brecha digital impide que casi la mitad de los empleos con potencial de aumento lo aprovechen (Gmyrek, Winkler y Garganta, 2024). La informalidad, que predomina en ocupaciones manuales y de servicios personales, amortigua la exposición, pero no protege a los segmentos formales, urbanos y con educación superior, que concentran el riesgo en finanzas, seguros y administración pública. En consecuencia, las políticas pertinentes para la región no son solo de protección ante la sustitución, sino de conectividad, alfabetización digital y reconversión de las carreras universitarias más expuestas. Para las instituciones de educación superior, esto implica rediseñar los currículos hacia competencias que la IA complementa (juicio experto, verificación, comunicación, trabajo con datos) y no hacia aquellas que automatiza.

Los resultados deben leerse con cautela por varias razones. Primero, los índices de exposición miden factibilidad técnica, no adopción: una tarea automatizable puede seguir realizándose por personas por costos, regulación o preferencias (Acemoglu, 2025). Segundo, la evidencia ex post cubre apenas tres a cuatro años desde la difusión de la IA generativa y se concentra en Estados Unidos y Europa; la IA agéntica, capaz de encadenar tareas de forma autónoma, podría acelerar la sustitución de flujos de trabajo completos, algo que los estudios incluidos todavía no capturan. Tercero, las proyecciones de consultoras y foros empresariales obtuvieron las puntuaciones de calidad más bajas y suelen difundirse más que la evidencia rigurosa.

4.1 Limitaciones

Esta revisión presenta limitaciones metodológicas. La búsqueda se realizó mediante un motor académico de la web y repositorios institucionales, no directamente en las interfaces de Scopus o Web of Science, por lo que el número de registros identificados es menor que el que produciría la ecuación booleana en esas bases; se recomienda replicarla para ampliar la cobertura. El protocolo no se registró en PROSPERO ni en OSF, el cribado fue realizado por un solo revisor y la heterogeneidad de las métricas impidió un metaanálisis con ponderación por varianza. La inclusión de literatura gris (documentos de trabajo e informes institucionales) fue deliberada, dado que gran parte de la evidencia sobre IA generativa aún no ha completado la revisión por pares, pero introduce heterogeneidad en la calidad. Finalmente, la escasez de estudios específicos para Ecuador obliga a extrapolar desde estimaciones regionales.

5. Conclusiones

La IA sustituye tareas antes que profesiones. En los estudios recientes basados en tareas, la mediana del empleo en alto riesgo de sustitución total es de 4,5 %, muy inferior al 14–47 % de las estimaciones previas a la IA generativa, mientras que la exposición parcial alcanza al 25–40 % del empleo mundial.

La sustitución ya es observable, pero es focalizada: afecta principalmente a los puestos de entrada (−13 % a −19 % de empleo relativo en jóvenes de 22–25 años en ocupaciones expuestas) y al trabajo independiente de escritura, programación, imagen y traducción (−17 % a −21 % en avisos), sin efectos agregados detectables sobre ingresos u horas.

Los experimentos controlados muestran que la IA aumenta la productividad de los trabajadores (mediana +25,1 %), con mayores beneficios para los menos experimentados y con pérdidas cuando se usa fuera de su frontera de capacidades.

Las profesiones con mayor probabilidad de sustitución parcial son oficinistas y digitadores, teleoperadores y atención al cliente, redactores, traductores y programadores junior; las de menor probabilidad, los oficios manuales y el cuidado directo. Derecho, consultoría y docencia muestran un perfil de complementariedad.

En Ecuador, la exposición (26–27 %) es inferior a la de economías avanzadas, pero la brecha digital limita el aprovechamiento del aumento de productividad. Se recomienda a las universidades y a los formuladores de política priorizar la alfabetización digital, la reconversión curricular de las carreras más expuestas y el monitoreo del empleo juvenil profesional.

Se requieren estudios con datos administrativos latinoamericanos, seguimiento de la IA agéntica y revisiones con búsqueda directa en Scopus y Web of Science y doble revisor para confirmar estas tendencias.

Agradecimientos

Quiero agradecer a mi compañero doctor Richard Ramos por ayudarme en este camino de rigor academico