342 profesiones bajo el microscopio de un LLM
Diario de Innovación #315
Hace unos días Andrej Karpathy publicó un experimento curioso.
No es un paper.
No es un informe de consultoría.
Ni siquiera pretende ser un estudio económico serio.
Es simplemente un experimento.
Pero como suele ocurrir con las buenas ideas, ese experimento dice más sobre el futuro del trabajo que muchos informes de cien páginas.
Karpathy ha construido un visualizador del mercado laboral de Estados Unidos donde un modelo de lenguaje analiza 342 profesiones distintas y puntúa cada una según su exposición a la inteligencia artificial.
De 0 a 10.
El resultado es un mapa interactivo del empleo donde cada profesión aparece como un rectángulo proporcional al número de personas que trabajan en ella.
Y cada rectángulo tiene un color.
Ese color indica algo incómodo.
Cuánto de ese trabajo está expuesto a la IA.
La intuición detrás del proyecto es sorprendentemente simple.
Karpathy propone una especie de regla heurística:
cuanto más digital, estructurado y basado en pantalla sea un trabajo, mayor es su exposición a la inteligencia artificial.
No habla de robots humanoides.
Ni de ciencia ficción.
Habla de algo mucho más cotidiano.
Pantallas.
Si tu trabajo ocurre principalmente delante de un ordenador, probablemente ya esté en la zona de impacto de la IA.
Si ocurre en el mundo físico, probablemente esté bastante más protegido.
No porque sea más complejo.
Sino porque el mundo físico es mucho más caótico para las máquinas.
Cómo funciona el experimento
El proyecto utiliza datos reales del Bureau of Labor Statistics (BLS) de Estados Unidos.
En concreto, las 342 ocupaciones que recoge el Occupational Outlook Handbook, que representan aproximadamente 143 millones de empleos.
El pipeline es bastante elegante.
Primero, un scraper descarga todas las páginas de profesiones del BLS.
Cada página contiene descripciones detalladas del trabajo:
qué tareas se realizan
en qué entorno
qué herramientas se usan
qué formación se requiere
Después, ese texto se limpia y se envía a un modelo de lenguaje junto con una rúbrica bastante clara.
El modelo analiza la descripción y devuelve dos cosas:
una puntuación de 0 a 10 de exposición a IA
una breve explicación justificando la puntuación
Ese resultado se utiliza para colorear el treemap.
Más rojo, más exposición.
Más verde, menos.
Lo interesante no es la precisión exacta.
Lo interesante es el patrón que aparece cuando miras el conjunto.
Qué trabajos salen más expuestos
Cuando empiezas a explorar el mapa aparecen algunas sorpresas.
En el extremo alto de la escala encontramos trabajos muy digitales.
Por ejemplo:
desarrolladores de software
analistas de datos
contables
redactores técnicos
trabajadores de data entry
Todos ellos comparten algo.
Gran parte de su trabajo ocurre dentro de una pantalla.
Documentos.
Tablas.
Texto.
Código.
El tipo de información que los modelos de lenguaje manejan mejor.
En muchos casos la puntuación está entre 8 y 10.
Pero eso no significa que esos trabajos vayan a desaparecer.
Significa algo distinto.
Significa que su forma de trabajar ya está cambiando.
Los trabajos que resisten mejor
En el otro extremo aparecen profesiones mucho más físicas.
Por ejemplo:
techadores
jardineros
trabajadores de mantenimiento
instaladores
limpiadores
fontaneros
Estos trabajos suelen puntuar entre 0 y 2.
No porque sean simples.
Sino porque implican:
entornos impredecibles
manipulación física
coordinación motora
adaptación constante
Cosas que las máquinas todavía hacen mal.
Curiosamente, esto conecta con algo que la informática conoce desde hace décadas.
La paradoja de Moravec. Las tareas que para los humanos son fáciles —moverse en el mundo físico, manipular objetos, adaptarse a situaciones cambiantes— son extremadamente difíciles para las máquinas.
Mientras que tareas cognitivas muy complejas pueden automatizarse con relativa facilidad.
La media del sistema
Cuando se analizan las 342 profesiones aparece un dato interesante.
La media de exposición se sitúa aproximadamente en 5,3 sobre 10.
Es decir: ni destrucción masiva inmediata, ni inmunidad total
Más bien una zona gris.
La mayoría de trabajos contienen una mezcla de tareas digitales y físicas.
Y ahí es donde la IA empieza a cambiar el juego.
No sustituyendo profesiones completas.
Sino transformando partes del trabajo.
El verdadero valor del proyecto
Karpathy insiste en algo importante.
Esto no es un modelo econométrico.
No predice desempleo.
No modela creación de nuevos roles.
No tiene en cuenta regulación, salarios o preferencias sociales.
Es simplemente una herramienta exploratoria.
Un mapa.
Y aquí aparece una analogía histórica interesante.
En el siglo XIX, Dmitri Mendeléyev creó la primera tabla periódica de los elementos.
No era perfecta.
Había huecos.
Errores.
Elementos mal clasificados.
Pero aun así permitió ver algo fundamental.
La estructura del sistema.
El experimento de Karpathy hace algo parecido con el trabajo.
No predice el futuro.
Pero revela la estructura oculta del mercado laboral en la era de la IA.
Un experimento que se puede rehacer
Otra cosa interesante es que el pipeline es completamente adaptable.
Puedes cambiar el prompt del modelo y recalcular el mapa según otros criterios.
Por ejemplo:
exposición a robots humanoides
riesgo de offshoring
impacto del cambio climático
automatización industrial
dependencia de datos
Con el mismo dataset puedes generar múltiples mapas del trabajo.
Cada uno mostrando una dimensión distinta del sistema.
Es una forma bastante nueva de analizar el mundo.
Usar modelos de lenguaje como instrumentos de exploración social.
Food for thought
Pero quizá lo más interesante del proyecto no es el mapa.
Es la pregunta que deja en el aire.
Porque en el fondo el experimento plantea algo muy simple.
Un pequeño test mental.
Piensa en tu trabajo.
Ahora pregúntate: ¿Cuánto de lo que haces ocurre en una pantalla?
Responder a esa pregunta probablemente dice más sobre tu exposición a la inteligencia artificial que cualquier informe de consultoría.
Quizá la conclusión más interesante del experimento de Karpathy sea esta:
La variable crítica del trabajo en la era de la inteligencia artificial no es el salario. Ni el nivel educativo. Ni siquiera el sector. Es algo mucho más simple. Cuánto de tu trabajo es digital.
Porque cuando el trabajo se vuelve completamente digital, la inteligencia artificial puede empezar a participar.
Y cuando eso ocurre, el trabajo deja de ser una actividad exclusivamente humana.
Pasa a convertirse en algo nuevo.
Un sistema híbrido.
Humano + máquina.
🌍 El eco del mercado
🤖 NVIDIA acelera la carrera de la infraestructura de IA. La conferencia GTC vuelve a confirmar algo que ya es evidente: el cuello de botella de la inteligencia artificial ya no está en los modelos, sino en la infraestructura capaz de ejecutarlos a escala. GPUs, interconexión, energía y software especializado se convierten en el verdadero campo de batalla. Esperamos ver los principales anuncios a lo largo de estos días.
☁️ La economía de la IA empuja al cloud a una nueva fase. El crecimiento de modelos generativos y aplicaciones inteligentes está provocando una nueva ola de inversión en infraestructura cloud. No se trata solo de capacidad de cómputo: también de plataformas capaces de orquestar datos, agentes y modelos en entornos productivos.
🧪 Científicos de Anthropic lanzan una startup de IA para investigación científica valorada en 1.000 millones. Un grupo de antiguos investigadores de Anthropic está buscando financiación para una nueva empresa de inteligencia artificial centrada en acelerar descubrimientos científicos. El movimiento refleja una tendencia creciente: aplicar modelos avanzados no solo al software, sino también al descubrimiento científico.
🤝 Anthropic explora una alianza con Blackstone para impulsar consultoría en IA. Anthropic estaría en conversaciones con Blackstone y otros fondos para crear una empresa conjunta de consultoría centrada en inteligencia artificial. La estrategia refleja cómo los grandes laboratorios de IA empiezan a expandirse más allá de los modelos hacia servicios y transformación empresarial.
📈 Las expectativas de salida a bolsa de OpenAI generan dudas entre inversores. Aunque el crecimiento de OpenAI ha sido explosivo, parte de la comunidad inversora mantiene cautela ante una posible salida a bolsa. El desafío no es solo tecnológico: también financiero y estratégico en un mercado de IA cada vez más competitivo.
🧠 Computación biológica: cuando el datacenter se parece más a un laboratorio. Algunos centros de computación experimental están explorando sistemas biológicos capaces de procesar información. El resultado es una mezcla extraña de biología y computación donde mantener vivo el sistema forma parte de la operación del datacenter.
🐳 NanoClaw busca hacer más seguros los agentes de IA en entornos Docker. Una nueva herramienta de seguridad conecta agentes de IA con contenedores Docker aislados para reducir riesgos al ejecutar código generado por modelos. El objetivo: evitar que los agentes puedan comprometer sistemas reales.
🧨 Un agente de IA hackea otro agente de IA en solo dos horas. Un experimento de seguridad demostró que un agente automatizado pudo comprometer el chatbot interno de McKinsey y obtener acceso completo de lectura y escritura. Un recordatorio de que los agentes de IA también introducen nuevas superficies de ataque.
🧠 Cuando la ciencia ficción falla al imaginar la IA. Durante décadas la cultura popular imaginó robots conscientes o máquinas rebeldes. La realidad está siendo distinta: una inteligencia distribuida, silenciosa y profundamente integrada en el software cotidiano.
⚛️ Manipular un átomo ya es posible. Un grupo de investigadores ha logrado controlar individualmente un átomo mediante interferencia cuántica. Puede parecer un experimento de laboratorio, pero este tipo de avances son la base de futuras tecnologías cuánticas.
Déjame recordarte que si te gusta la tecnología, el podcast de Código Abierto también puede ser una buena opción.
Si algo de lo que has leído te ha removido, dímelo.
Ya sabes que estoy al otro lado si quieres comentar, discrepar o simplemente saludar.
Que nunca te falten ideas, ni ganas de probarlas.
A.
PD: Si te interesa entender mejor cómo cambia el trabajo cuando aparecen nuevas tecnologías, estos libros merecen mucho la pena:
Working in Public de Nadia Eghbal. Analiza cómo el trabajo digital —especialmente en software— se ha vuelto abierto, visible y colaborativo, anticipando muchas de las dinámicas que ahora la IA está acelerando.
Máquinas Predictivas de Ajay Agrawal. Un marco muy claro para entender cómo la IA impacta en las empresas: reduce el coste de la predicción y obliga a rediseñar cómo se toman decisiones.
De la EGB a la IA de Mundos Posibles. Un recorrido generacional que conecta cómo hemos aprendido, trabajado y entendido la tecnología desde la educación tradicional hasta la inteligencia artificial, poniendo el foco en la adaptación constante y en cómo cambia nuestra forma de pensar, no solo de trabajar.
Todos exploran, desde ángulos distintos, cómo la tecnología redefine el valor del trabajo… y, sobre todo, cómo nos obliga a redefinirnos a nosotros mismos.