Observatorio de Impacto Laboral de la IA

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.

Índice editorialIILE-IA v0.2Experimental — v0.1

IILE-IA — Índice de Impacto Laboral Exponencial de la IA

El IILE-IA combina seis vectores en una sola lectura comparable. Su valor no es predecir destrucción de empleo: es señalar dónde la presión de transformación es alta y la capacidad de absorberla es baja.

Cobertura del IILE-IA

Cobertura por dimensión IILE-IA

Cuántos claims verificados informan ya cada dimensión. Las barras NO son un score: son recuento de claims enlazados.

1. EExposición técnica

   Peso 0.20

   • 2 claims enlazados
   • Con evidencia inicial

2. AAdopción real

   Peso 0.15

   • 0 claims enlazados
   • Lectura editorial

3. TTransformación de tareas

   Peso 0.20

   • 2 claims enlazados
   • Con evidencia inicial

4. SVelocidad de skills

   Peso 0.15

   • 1 claims enlazados
   • Con evidencia inicial

5. MSeñal de mercado laboral

   Peso 0.15

   • 2 claims enlazados
   • Con evidencia inicial

6. BBrecha de adaptación

   Peso 0.15

   • 0 claims enlazados
   • Lectura editorial

Índice no calibrado todavía.

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

      World Economic Forum — Future of Jobs Report 2025 www.weforum.org

   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

      IMF — Gen-AI: Artificial Intelligence and the Future of Work www.imf.org

   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

      ILO — Generative AI and Jobs: A Refined Global Index of Occupational Exposure webapps.ilo.org

   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

      Stanford HAI — AI Index 2025 Economy chapter hai.stanford.edu

   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.