Saltar al contenido
VTE
Iniciar sesiónCrear cuenta

Dashboard vivo

Observatorio de Talento y Habilidades Aumentadas

El trabajo no desaparece tan deprisa como cambian las habilidades que exige. Para 2030 dos de cada cinco competencias clave habrán cambiado y casi seis de cada diez trabajadores necesitarán formarse; quien combine su oficio con la IA cobra una prima salarial medible. La pregunta ya no es si te reemplazarán, sino si tendrás acceso real a reaprender.

El trabajo no desaparece tan deprisa como cambian las habilidades que exige. Para 2030 dos de cada cinco competencias clave habrán cambiado y casi seis de cada diez trabajadores necesitarán formarse; quien combine su oficio con la IA cobra una prima salarial medible. La pregunta ya no es si te reemplazarán, sino si tendrás acceso real a reaprender.
  • Sin índice editorial
  • Curado mensualmente
  • Watcher semanal de fuentes
  • Experimental

Método

Cómo medimos — y dónde no llegamos

Esta sección publica, en cuatro bloques, la honestidad metodológica del observatorio: qué medimos, cómo, qué NO medimos y qué podría estar mal. Es la pieza que más nos importa que leas si vas a citar el IILE-IA.

Qué medimos — y de dónde sale cada dimensión

Las seis dimensiones del IILE-IA no son originales nuestras. Cada una está anclada a una fuente pública con metodología abierta. Lo que SÍ es nuestro es la composición editorial — los pesos, la lectura cualitativa y la cadencia.

  • E · Exposición técnica

    Qué porcentaje de las tareas de una ocupación pueden hoy realizarse con IA generativa.

    Anclada en

    Felten et al. (AI Occupational Exposure) · ILO–NASK Refined Index · Anthropic Economic Index.

  • A · Adopción real

    Qué porcentaje de empresas y profesionales usan IA en producción, no en titular.

    Anclada en

    Eurostat AI by enterprise · Funcas (España) · Microsoft Work Trend Index.

  • T · Transformación de tareas

    Qué fracción de las tareas, no de los empleos, está cambiando — el indicador realmente observable.

    Anclada en

    Anthropic Economic Index (mapeo a O*NET) · MIT Project Iceberg.

  • S · Velocidad de skills

    A qué ritmo cambian las habilidades demandadas y la prima salarial asociada.

    Anclada en

    LinkedIn Economic Graph · Lightcast Disruption Matrix · PwC AI Jobs Barometer.

  • M · Señal de mercado laboral

    Qué se observa REALMENTE en empleo, salarios, vacantes y rotación — el contrapeso al hype.

    Anclada en

    Yale Budget Lab · BLS · Eurostat · Brookings · Indeed Hiring Lab (CSV abierto).

  • B · Brecha de adaptación

    Qué distancia hay entre la transformación que viene y la capacidad organizativa para absorberla.

    Anclada en

    OECD AI Policy Observatory · McKinsey (1% empresas maduras) · Microsoft (33% líderes considera reducir plantilla).

Cómo lo medimos

  • Pesos editoriales explícitos: IILE-IA = 0.20·E + 0.15·A + 0.20·T + 0.15·S + 0.15·M + 0.15·B. Los pesos son una decisión editorial sujeta a revisión.
  • Escala 0–100 con cinco bandas cualitativas (baja presión, cambio emergente, transformación activa, disrupción alta, fractura crítica) — la banda manda sobre el número.
  • Lectura provisional con confidence: low en v0.2. Los números son una lectura editorial, no una calibración estadística.
  • Snapshot mensual con fecha pública. Cada snapshot deja rastro en `evolución` y la comparación entre snapshots es la lectura honesta del cambio.
  • Cada claim que alimenta una dimensión declara su fuente, su métrica, su geografía y su nivel de confianza. Si la fuente no es trazable, el claim no entra.

Qué NO medimos

  • Empleo informal y autónomos sin registro estadístico — geografías donde el grueso del empleo no aparece en estadísticas oficiales.
  • Sectores con telemetría escasa (construcción, hostelería, manual cualificado) — están sub-representados en LinkedIn/Indeed/Anthropic.
  • Efectos de segundo orden: cómo cambia el consumo, cómo cambia la educación, cómo cambia la política fiscal. El observatorio mira al mercado laboral, no a su entorno.
  • Geografías fuera de UE / EE.UU. / España como anclaje. Latinoamérica, Asia y África están sub-representadas en el corpus de fuentes — lo declaramos para que el lector no extrapole sin red.
  • Calidad subjetiva del trabajo: el observatorio mide volumen / velocidad / valor, no satisfacción ni sentido. Esa dimensión vive en otro tablero.

Qué podría estar mal

  • Confundir correlación con causalidad: que la adopción suba al mismo tiempo que cae una métrica laboral NO prueba que una cause la otra.
  • Telemetría privada no auditable: Anthropic, Microsoft, LinkedIn publican datos sin metodología completamente abierta. Triangulamos con ≥2 fuentes pero no podemos reproducirlas.
  • Sesgo de medios y consultoras: Tier 4 (PwC, McKinsey) tiende a empaquetar para PR. Los usamos como señal de adopción corporativa, no como lectura macro.
  • Pesos editoriales arbitrarios: 0.20 vs 0.15 es una decisión nuestra. Una calibración estadística real (Fase 6) revisará los pesos cuando haya ≥3 snapshots reales.
  • Encuadre español: nuestro lector principal es ES, lo que sesga qué fuentes priorizamos. Funcas + Randstad pesan más editorialmente que sus equivalentes en otras geografías.

Próxima revisión editorial: 2026-06-15.

Para discutir una lectura concreta o aportar una fuente Tier 1 que falta, escribe al editor — la cadencia mensual está pensada para incorporarlo.

De fuente a decisión

Cómo viaja una cifra desde la fuente oficial hasta la decisión editorial. Cada paso es un filtro: si una etapa falla, la decisión no se sostiene.

  1. 01S — Velocidad de skills

    1. Fuente verificada

      —

    2. Claim trazable

      WEF: 39 % de las habilidades clave cambian a 2030.

    3. Dimensión IILE

      S — Velocidad de skills

    4. Insight editorial

      El umbral mínimo de empleabilidad se mueve más rápido que el ciclo formativo tradicional.

    5. Decisión sugerida

      Priorizar reskilling continuo antes de que la prima salarial se convierta en barrera de entrada.

  2. 02E — Exposición técnica

    1. Fuente verificada

      —

    2. Claim trazable

      IMF: ~40 % del empleo global está expuesto a la IA.

    3. Dimensión IILE

      E — Exposición técnica

    4. Insight editorial

      Exposición mide potencial de impacto, no sustitución automática.

    5. Decisión sugerida

      No confundir exposición con destrucción de empleo: parte del trabajo será aumentado.

  3. 03T — Transformación de tareas

    1. Fuente verificada

      —

    2. Claim trazable

      ILO: índice refinado con 52.558 puntos de datos a nivel de tarea.

    3. Dimensión IILE

      T — Transformación de tareas

    4. Insight editorial

      La unidad relevante para medir impacto laboral es la tarea, no el puesto.

    5. Decisión sugerida

      Analizar carteras de tareas dentro de cada rol antes de tomar decisiones de plantilla.

  4. 04M — Señal de mercado laboral

    1. Fuente verificada

      —

    2. Claim trazable

      Stanford HAI: AI Index 2025 — capítulo de economía como fuente prioritaria.

    3. Dimensión IILE

      M — Señal de mercado laboral

    4. Insight editorial

      Las señales operativas (vacantes, salarios) preceden a los efectos agregados.

    5. Decisión sugerida

      Seguir la demanda de habilidades IA como indicador adelantado, sin esperar al dato observado.

El flujo no implica que cada decisión sea automática: cada paso requiere lectura editorial.

Lecturas por audiencia

Cuatro lecturas editoriales del tablero, una por audiencia. No son recomendaciones automáticas: son puntos de partida que cada audiencia debe contrastar con su contexto.

  • Empresas y directivos

    Qué vigilar
    Adopción real (A·45) y transformación de tareas (T·70): T ya está alto — las tareas dentro de cada rol están migrando con velocidad. A·45 dice que la adopción organizativa todavía no se ha generalizado en producción.
    Qué decidir
    Mapear tareas, no solo puestos: rediseñar carteras de tareas antes de cualquier decisión de plantilla. El gap A→T es la oportunidad de capturar productividad antes que la competencia.
    Qué no sobreinterpretar
    T·70 mide transformación de tareas en ocupaciones expuestas, no destrucción de empleos. El 22% de disrupción a 2030 es proyección de empleadores (WEF), no previsión de despidos.

  • Profesionales (perfiles cognitivos)

    Qué vigilar
    Velocidad de skills (S·72) y señal de mercado (M·42): S es el score más alto del observatorio — las habilidades cambian rápido. M·42 dice que esa transformación AÚN no se ha traducido en disrupción agregada de empleo (Yale Budget Lab).
    Qué decidir
    Actualizar la cartera de habilidades de forma continua, priorizando las complementarias a IA. La prima salarial por skills IA (+28% según Lightcast) hoy es ventana abierta, no permanente.
    Qué no sobreinterpretar
    Exposición técnica (E·65) no equivale a sustitución: muchas tareas se aumentan, no se eliminan (Anthropic Economic Index: ~49% de empleos ya usan IA en ≥1/4 de tareas).

  • Educación y talento

    Qué vigilar
    Velocidad de skills (S·72) y brecha de adaptación (B·52): S marca el ritmo del mercado; B·52 dice que las organizaciones aún no están maduras para absorberlo (McKinsey: solo el 1% se considera maduro en despliegue IA).
    Qué decidir
    Acelerar los ciclos de reskilling para no quedar detrás del mercado de habilidades. El currículo necesita ciclos más cortos que su revisión anual habitual.
    Qué no sobreinterpretar
    El cambio del 39% en habilidades clave a 2030 es expectativa empresarial (WEF), no currículo prescrito. Y B·52 es lectura editorial, no medida directa de capacidad organizativa.

  • Política pública / instituciones

    Qué vigilar
    Brecha de adaptación (B·52) y exposición técnica (E·65): E·65 es el segundo score más alto — alta exposición de tareas, especialmente en economías avanzadas (IMF: ~60% del empleo expuesto en economías desarrolladas).
    Qué decidir
    Vigilar la brecha B antes de la exposición E: la población vulnerable no es la expuesta, sino la que no tiene red para absorber la transformación. Priorizar redes de protección y políticas activas de empleo.
    Qué no sobreinterpretar
    El 60% de exposición en economías avanzadas (IMF) es metodológico, no un censo de empleos perdidos. ILO 2025 desagrega por género: 9.6% empleo femenino vs 3.5% masculino en alta exposición.

Cada lectura ancla los scores IILE-IA v0.2 (confidence: low, lectura editorial provisional) a una recomendación accionable. Próxima revisión: 2026-06-15. Ninguna lectura es predicción estadística.

Otras lecturas

IILE-IA v0.2 en el ecosistema de índices

Cuatro lecturas externas que el observatorio sigue, cada una con su headline, su alcance y nuestra posición editorial respecto al IILE-IA. No competimos con ellas — las usamos como anclas.

  • Fondo Monetario Internacional · imf.org

    IMF AI Preparedness Index (AIPI)

    ~60 %

    Alcance
    174 economías · global · anual
    Mide
    Empleo expuesto a IA en economías avanzadas. Índice compuesto 0-1 sobre 4 pilares: infraestructura digital, capital humano + políticas laborales, innovación + integración económica, marco regulatorio + ético.
    Vs. IILE-IA
    El AIPI es composite y comparable entre países; el IILE-IA NO lo es por diseño — es una lectura editorial multi-señal con caveats inline. Si necesitas una nota de un solo número para comparar España con Alemania, el AIPI es la herramienta. Si quieres entender qué cambió este mes y por qué importa para tu rol, el IILE-IA es la lectura.

  • Stanford HAI · hai.stanford.edu

    Stanford AI Index 2026 — Economy

    Capítulo dedicado

    Alcance
    Global · síntesis macro · anual
    Mide
    Inversión IA, adopción empresarial, productividad y labour-market signals. El estándar dorado en narrativa + chart-per-claim. Hype-vs-evidence side-by-side por defecto.
    Vs. IILE-IA
    El AI Index es el corpus de evidencia más amplio del año, pero llega en PDF anual. El IILE-IA toma sus claims más relevantes (Anthropic Economic Index, adopción empresarial) y los reactualiza mensualmente con el resto de fuentes Tier 1-3.

  • PwC · pwc.com

    PwC AI Jobs Barometer 2025

    +56 %

    Alcance
    ~1.000M ofertas · 6 continentes · anual
    Mide
    Prima salarial por habilidades IA en ocupaciones expuestas, según análisis de mil millones de ofertas. También 66 % de aceleración en cambio de skills (vs IA-no expuestas).
    Vs. IILE-IA
    PwC es señal de mercado pura (M en IILE-IA) y la mejor referencia para la 'prima IA'. El sesgo Tier 4 (consultora con paquetización para PR) está declarado en el método; usamos la cifra pero la triangulamos con Lightcast Disruption Matrix.

  • OIT · NASK · ilo.org

    ILO 2025-NASK Refined Index

    9,6 % vs 3,5 %

    Alcance
    Global · ocupacional · por género
    Mide
    Exposición ocupacional a GenAI refinada por tarea, desagregada por género y país. 9,6 % del empleo femenino vs 3,5 % del masculino en ocupaciones de alta exposición.
    Vs. IILE-IA
    El ILO 2025 es nuestro ancla canónica para la dimensión E (exposición técnica · 65) del IILE-IA. La desagregación por género es metodología que el IILE-IA actualmente NO replica — es uno de los gaps que la sección Método declara explícitamente.

Cuando un titular dice 'la IA destruirá X empleos', cruzar con al menos dos de estos cuatro. Si los cuatro discrepan del titular, casi siempre es overclaim.

Guía de lectura

Cómo leer este tablero

Para qué sirve

Para reconocer la presión de transformación laboral por sector, ocupación y perfil — y la capacidad de absorberla. Es una lectura editorial curada, no una predicción.

Para qué NO sirve

No predice destrucción de empleo. No es un índice estadístico oficial. No reemplaza a las fuentes Tier 1–3; las pondera con pesos editoriales explícitos.

Cómo usarlo al leer el libro

Vuelve aquí cuando un capítulo cite un vector concreto (exposición, adopción, brecha) para situarlo en el cuadro completo y comparar el ritmo entre sectores.

Cómo evolucionará

Las próximas iteraciones añadirán señales reales por fuente, una cadencia editorial declarada y un watcher automatizado para Tier 1–3. La calibración del IILE-IA seguirá siendo editorial.