15 de septiembre de 2026
Inteligencia Artificial como Agente de Transformación en el Mercado Laboral
Maria Izabel Cardoso da Costa; Lidiane Mendes Barbosa
DOI: 10.22167/2675-6528-202602270
Artículo derivado de Trabajo de Conclusión de Curso (TCC), con contenido basado en el trabajo original del alumno y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege para síntesis y organización textual.
Resumen
El auge de la Cuarta Revolución Industrial, impulsado por la Inteligencia Artificial (IA) generativa, ha alterado profundamente la relación entre capital y trabajo al automatizar tareas cognitivas no rutinarias. El objetivo general consistió en analizar las percepciones de profesionales operativos de diferentes sectores sobre el impacto de la IA en el mercado laboral, identificando tendencias y desafíos. La metodología empleó investigación exploratoria y descriptiva, con un enfoque cuantitativo a través de una encuesta. El instrumento de recolección de datos fue un cuestionario estructurado, aplicado a 124 encuestados, utilizando escalas Likert y de opción múltiple. Los resultados demostraron un estado avanzado de adopción tecnológica (74,2%), caracterizando la muestra como “early adopters”. Se identificó que el aumento de la eficiencia liberó entre una y ocho horas semanales para la mayoría, aunque persisten barreras críticas como la falta de capacitación y preocupaciones éticas. Se observó una resistencia significativa a la gestión algorítmica y a la sustitución del juicio humano en decisiones críticas, como en el concepto de “Hospital Agente”. A pesar del optimismo sobre la productividad, la sostenibilidad de la fuerza laboral depende de políticas urgentes de “reskilling” y de la preservación de la agencia humana. La supervisión humana se mantuvo indispensable en áreas que requieren empatía y responsabilidad moral.
Palabras clave: Automatización; Competencias Digitales; Ética Tecnológica; Mercado Laboral.
1. Introducción
La historia de la humanidad está marcada por grandes avances tecnológicos que, desde la Revolución Industrial, plantean preocupaciones sobre el futuro del empleo y el impacto de la automatización. Sin embargo, estos progresos no solo han impulsado el crecimiento económico, sino que también han generado nuevas tareas y oportunidades de trabajo, como señalan Acemoglu y Restrepo (2018) y Brynjolfsson et al. (2018). Cada nueva ola tecnológica intensifica estos debates, como observado por Gmyrek et al. (2023).
Mientras que las tecnologías del siglo XX afectaron predominantemente a los trabajadores manuales, los avances a partir de 2010, especialmente en Machine Learning, se han centrado en la capacidad de las computadoras para ejecutar tareas cognitivas y no rutinarias. Este profundo cambio está remodelando la relación entre capital y trabajo, como lo discuten Acemoglu y Restrepo (2018), Agarwal et al. (2018), Acemoglu et al. (2022) y Gmyrek et al. (2023).
La trayectoria de las revoluciones industriales, desde la máquina de vapor (Primera Revolución Industrial) hasta el trabajo fordista (Segunda Revolución Industrial) y la era digital (Tercera Revolución Industrial), culminó en la actual Cuarta Revolución Industrial, o Industria 4.0 (Marx, 1996; Carvalho y Pinho, 2009; Pereira et al., 2023). Esta era se caracteriza por tecnologías como la Inteligencia Artificial, la robótica y la Internet (Schwab, 2016; Pereira et al., 2023), que rompen barreras entre los mundos físico y virtual, impactando el mercado laboral y presentando riesgos para empleos repetitivos o de baja cualificación (Quintela, 2018).
En el centro de esta nueva era, la Inteligencia Artificial (IA) emerge como un agente de transformación paradigmático. Impulsada por técnicas de aprendizaje automático y vastos conjuntos de datos (Acemoglu et al., 2022; Patil et al., 2024), la IA se establece como un nuevo factor de producción que amplifica tanto el trabajo como el capital (Acemoglu et al., 2022). Técnicamente, la IA se concibe como un sistema que percibe el entorno y actúa sobre él para alcanzar objetivos específicos (Russell et al., 2019; Felten et al., 2018; Felten et al., 2019). Este escenario genera visiones contrastantes: mientras algunos predicen un futuro con menos empleos, otros la ven como un medio para aumentar la productividad y mejorar la experiencia laboral (Agarwal et al., 2018; Acemoglu et al., 2022; Patil et al., 2024).
Aunque la automatización de tareas repetitivas ya generaba preocupaciones sobre el desplazamiento de empleos (Patil et al., 2024; Virgílio y López, 2021), el auge de la IA generativa expande la automatización a tareas cognitivas no rutinarias, creando eficiencias antes inalcanzables (Gmyrek et al., 2023; Patil et al., 2024). Esta innovación, sin embargo, plantea serias preocupaciones sobre el potencial de desplazamiento de mano de obra, la estabilidad económica y la equidad social (Russell et al., 2019; Occhipinti et al., 2025). Los impactos en la empleabilidad aún son inciertos (Zhang et al., 2021), y la creciente accesibilidad de la tecnología ha generado ansiedad en relación con la IA (Agarwal et al., 2018; Gmyrek et al., 2023; Lund et al., 2024; Patil et al., 2024).
Más allá de los impactos directos en el mercado laboral, el avance tecnológico intensifica la preocupación por el aumento de la desigualdad de ingresos (Zhang et al., 2021; Lohr, 2022; Patil et al., 2024). Se estima que, hasta 2030, la recualificación profesional será necesaria para una parte significativa de los trabajadores con el fin de atender las nuevas demandas del mercado (Manika et al., 2017; Russell et al., 2019; Zhang et al., 2021; Lohr, 2022; Patil et al., 2024). Los impactos de la IA en el empleo y los salarios a nivel de industria u ocupación aún son muy pequeños para ser detectados de forma concluyente (Felten et al., 2018; Felten et al., 2019), y las consecuencias socioeconómicas, como la profundización de la desigualdad de ingresos y el surgimiento de una “brecha digital” entre naciones, permanecen como cuestiones abiertas y críticas (Schwab, 2016; Lohr, 2022).
Ante este escenario de rápidas transformaciones e incertidumbres, se vuelve fundamental comprender cómo los profesionales perciben el impacto de la Inteligencia Artificial en sus rutinas y carreras. Esta investigación tiene el objetivo de analizar las percepciones de profesionales operativos de diferentes sectores sobre el impacto de la Inteligencia Artificial en el mercado laboral, identificando las principales tendencias, desafíos y transformaciones en las exigencias de cualificación profesional.
2. Material y Métodos
El estudio adoptó un enfoque cuantitativo, caracterizándose como una Encuesta (levantamiento) de naturaleza exploratoria y descriptiva. La dimensión exploratoria buscó familiarizarse con el fenómeno investigado, mientras que la descriptiva tuvo como objetivo identificar patrones, tendencias y percepciones de los profesionales en relación con el uso de la Inteligencia Artificial (IA) en el mercado laboral (Sampieri; Collado; Lucio, 2013; Marconi; Lakatos, 2017; Veiga et al., 2021; Gil, 2019; Mattar, 2022; Fink, 2003; Vergara, 2021).
El instrumento de recolección de datos fue un cuestionario estructurado (Apéndice I), compuesto por 21 preguntas y elaborado a partir de la adaptación de escalas e indicadores validados en estudios anteriores (Malhotra, 2012; Creswell, 2014; Schultz, 1961; Becker, 1965; Bandura, 1977; Frey y Osborne, 2013; Davenport, 2019; WEF, 2020). El cuestionario se dividió en tres ejes temáticos: Bloque 1 (Perfil del Respondiente), con 5 preguntas de opción múltiple para caracterización sociodemográfica y profesional; Bloque 2 (Percepciones sobre los Impactos de la IA), con 9 preguntas sobre transformaciones en la rutina y en el mercado laboral; y Bloque 3 (Preparación y Adaptación), con 7 preguntas sobre ajuste individual y prontitud organizacional.
La población objetivo comprendió profesionales operativos de sectores estratégicos, como salud, educación, tecnología y negocios. La estrategia de muestreo fue no probabilística por conveniencia, utilizando la técnica bola de nieve (Babbie, 1999; Duarte, 2010; Malhotra, 2012). La difusión del cuestionario se realizó en la red social LinkedIn y se complementó con contactos directos por correo electrónico con escuelas y asociaciones de negocios (Freitas et al., 2000). Para la medición de las variables, se empleó la Escala Likert de cinco puntos, preguntas de opción múltiple y preguntas de rango numérico (Likert, 1932; Dalmoro y Andrade, 2013).
Antes de la aplicación definitiva, el cuestionario fue sometido a una prueba preliminar con un pequeño grupo de 10 profesionales para verificar la claridad, objetividad, coherencia y adecuación de las escalas, además de estimar el tiempo de respuesta. Los datos de la prueba preliminar se utilizaron exclusivamente para ajustes finos en el instrumento.
El cuestionario fue anónimo y voluntario, asegurando la privacidad e integridad de la información de los participantes. La investigación fue dispensada de sumisión al Comité de Ética en Investigación (CEP), conforme a la Resolución CNS nº 510, de abril de 2016 (Párrafo único, Artículo 1º, Inciso I), por encuadrarse como investigación de opinión pública con participantes no identificados.
Los datos obtenidos fueron organizados y procesados utilizando Google Sheets y Microsoft Excel. El análisis consistió en la tabulación de las respuestas para la presentación de los resultados en términos porcentuales, identificando la distribución de las opiniones y percepciones de los participantes en cada bloque del cuestionario. Debido al muestreo no probabilístico, los resultados reflejan las respuestas del grupo investigado, proporcionando una comprensión preliminar sobre el impacto de la IA en el contexto investigado.
3. Resultados y Discusión
Se recolectaron 124 respuestas, con un 100% de adhesión de los encuestados a los términos de la investigación. Los datos del Bloque 1 revelaron un perfil de alta escolaridad, con un 41,13% de los participantes con posgrado (lato sensu o MBA), un 33,87% con grado y un 13,71% con maestría.
Figura 1. Nivel de escolaridad de los encuestados
Fuente: Resultados originales de la investigación
Según la Figura 1, la mayoría (56,45%) de los encuestados tiene posgrado o nivel superior, lo que es un predictor de menor ansiedad en relación con la IA y mayor recepción tecnológica (Lund et al., 2024; Patil, 2024). Estos profesionales, frecuentemente “trabajadores del conocimiento”, ven la IA como una oportunidad de innovación, demandando alfabetización digital y sentido crítico (Pereira et al., 2023; Patil, 2024; WEF, 2025).
La Figura 2 evidencia una distribución heterogénea de los encuestados por área de actuación, con predominio de Administración/Gestión (28,23%), seguida por Marketing/Ventas (11,29%) y Tecnología/TI/Datos (7,26%), además de un 33,06% en otras categorías. Este patrón refuerza el carácter transversal de la Inteligencia Artificial como tecnología de propósito general.
Figura 2. Área de actuación principal de los encuestados.
Fuente: Resultados originales de la investigación
El avance de la IA generativa traslada la automatización a actividades cognitivas no rutinarias (Occhipinti, 2025), ampliando la exposición de áreas como negocios, finanzas y marketing (Gmyrek et al., 2023; Mainardi et al., 2024; Occhipinti, 2025; WEF, 2025). Los profesionales en funciones intensivas en conocimiento, como financieros y programadores, muestran mayor susceptibilidad a la integración con IA debido a la naturaleza analítica y repetitiva de sus actividades (PIE, 2024; WEF, 2025). El impacto principal de la IA, sin embargo, reside en la ampliación de la productividad y eficiencia operativa, en un modelo de complementariedad entre humanos y máquinas (Gmyrek et al., 2023; McKinsey, 2023).
En términos jerárquicos, la muestra se concentra en Analistas/Especialistas (29,84%) y Propietarios/Socios/Autónomos (23,39%), con cargos de gestión sumando un 30,64%.
Figura 3. Nivel jerárquico actual de los encuestados.
Fuente: Resultados originales de la investigación
Esta composición, según la Figura 3, indica un público estratégico y técnico directamente involucrado en decisiones sobre automatización (Occhipinti, 2025; WEF, 2025). La evolución tecnológica tiende a sustituir tareas repetitivas, no ocupaciones integrales (Mainardi et al., 2024), exigiendo que los profesionales se dirijan a actividades de alta especialización que demandan competencias humanas como liderazgo y sentido crítico (Gmyrek et al., 2023). La predominancia de líderes y especialistas en la muestra sugiere que la gobernanza de la IA es una prioridad estratégica en las organizaciones analizadas (Occhipinti, 2025; WEF, 2025).
En cuanto al tamaño organizacional, la muestra presenta un equilibrio entre profesionales de Micro/Pequeñas empresas (40,32%) y de Gran tamaño (35,48%).
Figura 4. Tamaño de la organización donde actúan los encuestados.
Fuente: Resultados originales de la investigación
Los datos de la Figura 4 desafían el paradigma de que las tecnologías de vanguardia son exclusivas de las grandes corporaciones (IOE, 2024). La IA Generativa, con su alta accesibilidad y bajo costo (Patil, 2024), se ha vuelto vital para las PYMES optimicen procesos e innoven (IOE, 2024; Occhipinti, 2025; WEF, 2025), permitiendo que las pequeñas empresas la adopten en proporciones equivalentes a las grandes organizaciones (Agarwal et al., 2018; Gmyrek et al., 2023; Lund et al., 2024).
El análisis de la familiaridad con la Inteligencia Artificial revela una alta adopción: el 74,19% de los encuestados ya la utilizan en sus rutinas, mientras que el 21,77% aún no tiene contacto práctico con la tecnología.
Figura 5. Familiaridad con IA
Fuente: Resultados originales de la investigación
Según la Figura 5, los datos corroboran la rápida penetración de modelos de lenguaje en actividades corporativas (Gmyrek et al., 2023; IOE, 2024). Sin embargo, la adopción desigual puede ampliar las brechas de productividad, haciendo indispensable la alfabetización digital para evitar la obsolescencia de habilidades (Patil, 2024). Los programas de recualificación (reskilling y upskilling) son esenciales para la sostenibilidad de la fuerza laboral (Patil, 2024; IOE, 2024; Mainardi et al., 2024; Occhipinti, 2025).
El análisis de las actividades con mayor potencial de automatización destaca la creación de contenidos (35,48%) y el procesamiento de datos (32,26%), según se detalla en la Figura 6.
Figura 6. Función y automatización
Fuente: Resultados originales de la investigación
La Figura 6 evidencia la expansión de la IA generativa más allá de las tareas operativas, alcanzando dimensiones cognitivas y creativas del trabajo (IOE, 2024; Occhipinti, 2025). Esta transformación está asociada a una percepción optimista del futuro profesional, en la cual el 76,6% de los encuestados cree que la IA actuará como catalizadora de nuevas funciones.
Figura 7. IA como catalizador de nuevas funciones
Fuente: Resultados originales de la investigación
Los datos de la Figura 7 revelan un público predominantemente optimista, alineado con la literatura que predice nuevas demandas y ocupaciones emergentes, especialmente en supervisión, desarrollo y gobernanza de sistemas inteligentes (Gmyrek et al., 2023; IOE, 2024; McKinsey, 2023). En cuanto a las ganancias de eficiencia, el 41,13% de los encuestados reportan un ahorro de 1 a 3 horas semanales y el 23,39% ahorran entre 4 y 8 horas.
Figura 8. Reducción del tiempo dedicado a tareas rutinarias.
Fuente: Resultados originales de la investigación
Los resultados de la Figura 8 evidencian el fenómeno de “aumentación” del trabajo, donde la IA complementa capacidades humanas, automatizando tareas rutinarias y liberando tiempo para actividades estratégicas (Davenport y Kirby, 2016; IOE, 2024), consolidándose como vector de productividad y crecimiento económico (McKinsey, 2023; Goldman Sachs, 2023).
Sin embargo, la materialización de estos beneficios exige superar barreras estructurales, siendo las principales las Preocupaciones sobre Seguridad y Ética (33,87%) y la Falta de Capacitación (28,23%).
Figura 9. Barreras para adaptar la IA
Fuente: Resultados originales de la investigación
Según la Figura 9, la brecha de habilidades (skills gap) es el mayor obstáculo para la transformación del negocio (IOE, 2024), mientras que el uso corporativo de la tecnología plantea dilemas críticos sobre la privacidad y los sesgos algorítmicos. El potencial transformador de la IA depende de la capacidad organizacional para promover una “IA responsable”, fundamentada en la gobernanza y la transparencia (Gmyrek et al., 2023; Mainardi et al., 2024). La percepción de estos desafíos se refleja en la búsqueda de competitividad, con un 29,84% de los encuestados considerando el dominio de la IA esencial para la relevancia profesional.
Figura 10. Conocimiento y competitividad
Fuente: Resultados originales de la investigación
Según la Figura 10, la demanda de nuevas competencias es central, destacándose el Pensamiento Crítico (58,1%) y la Ingeniería de Prompts (41,1%) como habilidades vitales.
Ilustración 11. Competencias Críticas
Fuente: Resultados originales de la investigación
Los datos de la Figura 11 se alinean con las directrices del Foro Económico Mundial (WEF, 2025), que posiciona el pensamiento analítico como una competencia central para supervisar decisiones automatizadas. El Prompt Engineering refleja la urgencia de la alfabetización en IA, aunque la ventaja competitiva reside en la combinación de competencias técnicas con habilidades sociales e inteligencia emocional (Davenport, 2020; IOE, 2024; WEF, 2025). En cuanto a las perspectivas futuras, la mayor concentración de encuestados permanece neutral (28,23%), mientras que el 23,39% cree que la IA traerá más oportunidades que riesgos.
Figura 12. Perspectivas futuras
Fuente: Resultados originales de la investigación
Aunque la Figura 12 señala un optimismo moderado, esta percepción de la tecnología como aliada se alinea con la proyección de nuevos puestos en gobernanza y análisis de datos (Acemoglu y Restrepo, 2019). Esta ambivalencia encuentra respaldo en la identificación de las tareas más susceptibles de automatización, como la generación de informes y el análisis de datos (33,06%).
Figura 13. Tareas Rutinarias y sus automatizaciones
Fuente: Resultados originales de la investigación
Según la Figura 13, estas tareas técnicas son el foco inmediato de la automatización. Sin embargo, la percepción de riesgos revela una preocupación relevante por la ampliación de las desigualdades sociales (26,61%).
Figura 14. IA y la desigualdad social
Fuente: Resultados originales de la investigación
Los datos de la Figura 14 dialogan con la literatura clásica, que argumenta que las ganancias de productividad tecnológicas rara vez se distribuyen de manera equitativa (Frey y Osborne, 2013; Acemoglu y Restrepo, 2019). Para mitigar esta “brecha digital”, son indispensables políticas de recualificación continua de la fuerza laboral (Gmyrek et al., 2023; Mainardi et al., 2024; Occhipinti, 2025).
En el Bloque 3, centrado en el apoyo institucional y el desarrollo de competencias, se observa una brecha crítica: el 43,5% de los encuestados no dedicaron tiempo a la formación en IA en los últimos 12 meses, mientras que solo el 14,5% invirtieron más de tres días en formación.
Figura 15. Inversión individual en formación formal en IA
Fuente: Resultados originales de la investigación
Este bajo compromiso individual se correlaciona directamente con la carencia en el entorno corporativo, donde el 34,68% de los profesionales se sienten totalmente desamparados por sus organizaciones en cuanto al suministro de recursos y capacitación.
Figura 16. Recursos y capacitación proporcionados por la organización
Fuente: Resultados originales de la investigación
Según las Figuras 15 y 16, el escenario ilustra la brecha de habilidades (skills gap), señalada globalmente como la principal barrera para la transformación de los negocios (Drucker, 1954; IOE, 2024; WEF, 2025). La falta de competencias es citada por el 63% de los empleadores como el mayor obstáculo para los próximos años (WEF, 2025), y menos de la mitad de los trabajadores globales recibe orientación adecuada (IOE, 2024). Así, los datos confirman la necesidad apremiante de estrategias de reskilling y upskilling, bajo riesgo de obsolescencia tecnológica (Brynjolfsson y McAfee, 2014; Patil, 2024; Mainardi et al., 2024).
En cuanto a los riesgos, el 28,23% de los profesionales identifica fallos en la gestión del cambio — como falta de comunicación y capacitación — como el principal obstáculo institucional.
Figura 17. Riesgos en la adopción de la IA
Fuente: Resultados originales de la investigación
Por otro lado, se observa una tendencia moderada hacia la innovación: el 33,06% de los encuestados percibe un incentivo neutral y el 25,81% siente que la cultura organizacional estimula activamente la experimentación.
Figura 18. Incentivo a las herramientas de IA
Fuente: Resultados originales de la investigación
De acuerdo con las Figuras 17 y 18, la identificación de la gestión del cambio como cuello de botella refleja una barrera global, donde la resistencia cultural y estructural es uno de los mayores obstáculos, ya que la IA exige la reconfiguración de procesos y mentalidades (Schein, 1992; Kotter, 1996; Patil, 2024). El incentivo aún en transición refuerza la urgencia de promover una “cultura de innovación” para garantizar la competitividad en la era de la inteligencia artificial (WEF, 2025).
En cuanto a la disposición hacia nuevos modelos de trabajo, se observa una resistencia significativa a la pérdida de autonomía: el 31,5% de los encuestados rechaza categóricamente la supervisión integral por IA, mientras que solo el 7,3% muestra plena aceptación.
Figura 19. Aceptación de supervisión por IA
Fuente: Resultados originales de la investigación
En contrapartida, la percepción de preparación individual para las transformaciones en la carrera es más positiva: 30,6% se sitúan en un nivel intermedio y 29,8% se sienten considerablemente preparados.
Figura 20. Preparación para el futuro
Fuente: Resultados originales de la investigación
El análisis de las Figuras 19 y 20 evoca el debate sobre la “gestión algorítmica”, en la que los algoritmos asumen la asignación de tareas humanas (Davenport y Kirby, 2016; Gmyrek et al., 2023). El rechazo evidenciado corrobora que las ganancias de productividad no son aceptables cuando comprometen la agencia humana (IOE, 2024; WEF, 2025).
El concepto de “Hospital Agente” —sistemas de IA para decisiones clínicas sin intervención humana— reveló una barrera ética: el 38,71% de los participantes discrepa totalmente de esta autonomía, mientras que solo el 7,26% manifiesta plena confianza.
Figura 21. Nivel de confianza en diagnósticos y decisiones médicas por IA
Fuente: Resultados originales de la investigación
Según la Figura 21, aunque la muestra considera la tecnología como una oportunidad de innovación (Lund et al., 2024), el rechazo a este modelo establece la frontera final de la adopción: los profesionales aceptan la IA para la eficiencia, pero la rechazan cuando sustituye el juicio humano en decisiones críticas. Este escepticismo es explorado por el fenómeno de la “caja negra”, que genera desconfianza debido a la opacidad de los algoritmos. Para el WEF (2025), la supervisión humana sigue siendo indispensable en áreas que exigen empatía y juicio matizado, reafirmando que la tecnología debe servir como apoyo, y no como sustituta de la responsabilidad ética.
La Tabla 1 resume la correlación analítica de los datos obtenidos, revelando un escenario de autodesarrollo resiliente. Mientras que los Bloques 1 y 2 demuestran que los profesionales están obteniendo ganancias de productividad y dominando habilidades, el Bloque 3 expone la fragilidad de las organizaciones, donde la falta de apoyo y de formación formal crea un riesgo estratégico. En resumen, el avance de la IA en la muestra está liderado por el individuo, y no por la institución, lo que genera el temor ético y la resistencia a la supervisión totalmente automatizada identificados en las preguntas finales.
Tabla 1. Correlación Analítica (N=124)
| Dimensión de Análisis | Perfil Dominante (N=124) | Indicador Estratégico Asociado |
|---|---|---|
| Escolaridad | Alta (56,45% con posgrado o superior) | Menor ansiedad tecnológica / Mejor recepción de la IA. |
| Jerarquía de Cargos | Estratégica y Técnica (30,64% gestión; 29,84% Analistas/Especialistas) | Público con alto poder de decisión y exposición directa a la automatización. |
| Tamaño de la Empresa | Equilibrado (40,32% PYMEs vs. 35,48% Grandes Empresas) | Democratización tecnológica: la IA es viable y vital para la supervivencia de las PYMES. |
| Familiaridad con la IA | Alta Adopción (74,2% utilizan activamente) | Rápida penetración corporativa. El alfabetismo es indispensable para evitar la obsolescencia. |
| Áreas de Mayor Riesgo de Automatización | Creación de Contenidos (35,48%) y Procesamiento de Datos (32,26%) | Expansión de la IA a dimensiones cognitivas y creativas. Cambio estructural del trabajo intelectual. |
| Percepción de Ganancias de Eficiencia | Evidente (41,13% ahorran 1-3h/semana) | Fenómeno de “Aumentación” del trabajo: IA como complemento a las capacidades humanas. |
| Habilidades Vitales (Skills Gap) | Pensamiento Crítico (58,1%) y Prompt Engineering (41,1%) | Urgencia de alfabetización en IA. La ventaja competitiva es la unión de lo técnico y lo humano. |
| Compromiso en Entrenamiento | Bajo (43,5% no se capacitaron en los últimos 12 meses) | Se correlaciona con el sentimiento de desamparo institucional (brecha de habilidades). |
| Percepción de Riesgo Institucional | Fallos en la Gestión del Cambio (28,23% – comunicación/capacitación) | La resistencia cultural es el mayor cuello de botella. Necesidad de una ‘cultura de innovación’. |
| Disposición al Modelo de Trabajo | Rechazo a la supervisión automatizada integral (31,5% en desacuerdo) | Preocupación por la pérdida de la agencia humana y la “gestión algorítmica”. |
| Frontera Ética | Barrera insuperable: Autonomía para decisiones críticas (Ej: Hospital Agente – 38,71% rechazan) | Los profesionales aceptan la IA por su eficiencia, pero la rechazan como sustituta del juicio moral humano. |
Fuente: Resultados originales de la investigación
4. Conclusión
La presente investigación tuvo como objetivo analizar las percepciones de profesionales operativos de diferentes sectores sobre el impacto de la Inteligencia Artificial en el mercado laboral, identificando las principales tendencias y desafíos. Se verificó que la Inteligencia Artificial ya se encuentra ampliamente integrada al cotidiano de estos profesionales, con una alta tasa de adopción que los caracteriza como “early adopters”. Se observó que la automatización ha avanzado significativamente sobre tareas cognitivas, como la creación de contenidos y el procesamiento de datos, generando ganancias de productividad que liberaron entre una y ocho horas semanales para la mayoría de los encuestados. Sin embargo, esta transición reveló barreras críticas, como la falta de capacitación y preocupaciones éticas, evidenciando un desajuste entre la velocidad de la evolución tecnológica y la capacidad de cualificación de la fuerza de trabajo. La principal contribución del estudio reside en la reconfiguración del paradigma de cualificación profesional, que se desplaza de la ejecución técnica a la curaduría estratégica, supervisión y toma de decisiones, exigiendo la integración de la eficiencia de las máquinas con competencias humanas intrínsecamente no automatizables.
A pesar del optimismo sobre la productividad, se observó una resistencia significativa a la gestión algorítmica y a la sustitución del juicio humano en decisiones críticas, como lo ejemplifica el concepto de “Hospital Agente”, que establece una frontera ética para la adopción plena de la IA. La sostenibilidad de las carreras depende de la preservación de la agencia humana y la responsabilidad moral, y la supervisión humana sigue siendo indispensable en áreas que requieren empatía y discernimiento matizado. Como limitación, esta investigación se limitó al análisis de una muestra no probabilística y transversal, lo que impide la generalización de los resultados a la totalidad del mercado laboral brasileño y no permite seguir la evolución de las percepciones a lo largo del tiempo. Se sugiere que futuras investigaciones exploren recortes sectoriales específicos para identificar disparidades regionales o por área de actuación, además de realizar estudios longitudinales que sigan cómo el avance de la autonomía de la IA impactará la remuneración y la estabilidad de los puestos operativos a largo plazo.
Referencias Bibliográficas
Acemoglu D; Restrepo P. 2018. The Race between Man and Machine: Implications of Technology for Growth, Factor Shares, and Employment. American Economic Review, Vol. 108, No. 6.
Acemoglu, D.; Autor, D.; Hazell, J.; Restrepo, P.. 2022. “Artificial Intelligence and Jobs: Evidence from Online Vacancies.” Journal of Labor Economics 40 (S1): S293–340. https://doi.org/10.1086/718327.
Agarwal, A.; Gans, J.S.; Goldfarb, A. 2018. Prediction machines: The simple economics of artificial intelligence. Cambridge, MA: Harvard Business Review Press.
Brynjolfsson, E.; Mitchell, T.; Rock, D. 2018. “What can machines learn, and what does it mean for occupations and the economy?” AEA Papers and Proceedings 108:43–47.
Gmyrek, P., Berg, J., Bescond, D. (2023). Generative Al and jobs: A global analysis of potential effects on job quantity and quality. ILO Working Paper 96. Geneva: International Labour Office.
Marx, K. 1996. Maquinaria e grande indústria. In K. Marx. O Capital: crítica da economia política, Vol. 2, p. 7-133, São
Artículo originario del Trabajo de Conclusión de Curso de la Especialización en Gestión de Negocios del MBA USP/Esalq
Para saber más sobre el curso, haga clic aquí y acceda a la plataforma MBX Academy