El experimento viral del mercado laboral de la IA

En el panorama de la inteligencia artificial, que evoluciona rápidamente, pocas figuras atraen tanta atención como Andrej Karpathy. Cofundador de OpenAI y exdirector de IA en Tesla, Karpathy ha sido durante mucho tiempo un referente de la dirección de la industria. Durante el fin de semana del 15 de marzo de 2026, encendió a la comunidad tecnológica —y luego buscó apagar las llamas con la misma rapidez— con un proyecto que denominó un análisis del mercado laboral de IA "vibe-coded" (codificado por vibras).

El proyecto, que estuvo alojado brevemente en línea antes de ser retirado, era un experimento de visualización de datos diseñado para mapear la exposición de 342 ocupaciones de EE. UU. a la automatización de IA. Utilizando datos del Manual de Perspectivas Ocupacionales de la Oficina de Estadísticas Laborales (BLS) de EE. UU., Karpathy introdujo las descripciones de los puestos en un modelo de lenguaje extenso (LLM) para calificar cada ocupación en una escala de "exposición a la IA" de cero a 10. Los resultados, visualizados en un colorido mapa de árbol (treemap), se volvieron virales de inmediato, debido en gran medida a un hallazgo sorprendente y contraintuitivo: las profesiones de cuello blanco y salarios altos están significativamente más expuestas a la disrupción de la IA que los roles de mano de obra manual y bajos salarios.

Metodología: El enfoque "Vibe-Coded"

El término "vibe-coding" —una frase que Karpathy ayudó a popularizar en meses anteriores— se refiere a una metodología de desarrollo en la que el programador confía en gran medida en los LLM para generar código, a menudo sin revisión manual o depuración profunda, priorizando las "vibras" (vibes) o la dirección general del resultado sobre los rigurosos estándares de la ingeniería de software.

En este análisis específico del mercado laboral, Karpathy aplicó este enfoque de alto nivel asistido por IA a los datos de las ciencias sociales. Al extraer 342 categorías de trabajo distintas, encargó a la IA la tarea de analizar las responsabilidades principales de cada rol para determinar qué parte de ese trabajo podría, teóricamente, ser remodelada o realizada por sistemas automatizados.

La metodología se basó en una premisa sencilla:

• Datos de entrada: El exhaustivo Manual de Perspectivas Ocupacionales de la BLS.
• Mecanismo de puntuación: Un modelo de lenguaje extenso evaluó cada descripción de trabajo frente a las capacidades de la IA.
• La métrica: Una escala de cero a 10 donde 10 representaba la máxima exposición a la automatización impulsada por IA.

Si bien los críticos de la comunidad de ciencia de datos señalaron rápidamente que esta metodología carece del rigor académico de un estudio revisado por pares, logró crear una visualización de "verdad fundamental" que resonó en el público. Fue más allá de los debates teóricos y proporcionó una mirada concreta, aunque imperfecta, de cómo la transición de la IA podría impactar a la fuerza laboral moderna.

Hallazgos clave: La brecha de exposición a la automatización

El resultado principal del análisis de Karpathy desafió la suposición común de que la automatización de la IA se dirigiría primero a las tareas manuales rutinarias o de nivel inicial. En cambio, los datos sugirieron que los profesionales altamente cualificados y de altos ingresos enfrentan las puntuaciones de exposición más altas.

El análisis reveló un patrón constante: los trabajos que producen artefactos digitales —código, texto, informes o datos administrativos— obtuvieron puntuaciones significativamente más altas en la escala de exposición. Por el contrario, los trabajos que requieren destreza física e interacción con el entorno del mundo real, como el techado o el mantenimiento, permanecieron en gran medida aislados.

La siguiente tabla resume la distribución de la exposición a través de los niveles de ingresos basada en los datos del proyecto:

Estos datos pintan un panorama de una "crisis de cuello blanco" en ciernes, donde el valor otorgado al trabajo intelectual está siendo erosionado por las mismas herramientas diseñadas para mejorar la productividad. Mientras que los desarrolladores de software, analistas legales y gerentes administrativos vieron puntuaciones que oscilaban entre 8 y 9, los roles que requieren presencia física se situaron sistemáticamente en el grupo de baja exposición.

Por qué se retiró el proyecto

Poco después de que la visualización interactiva ganara tracción viral, Karpathy eliminó el sitio web y el repositorio de GitHub asociado. En comentarios posteriores, aclaró que el proyecto era un "experimento rápido", no un estudio científico formal. Explicó que el proyecto nació del deseo de explorar una pregunta específica utilizando las herramientas que tenía a mano, en lugar de proporcionar un marco de políticas definitivo para el gobierno de los EE. UU. o las organizaciones laborales.

La retractación resalta una tensión creciente en la comunidad de investigación de IA: la velocidad a la que los influencers de la IA pueden generar y distribuir conocimientos basados en datos frente al tiempo requerido para la verificación tradicional. Si bien el mapa fue influyente, el matiz a menudo se perdió en la rápida difusión de los resultados en plataformas sociales como X (anteriormente Twitter) y Reddit, donde los hallazgos se citaron con frecuencia como hechos absolutos en lugar de una exploración "vibe-coded".

Contextualización con la investigación institucional

Es importante señalar que el experimento de Karpathy no existió en el vacío. Surgió durante la misma semana en que investigadores de Anthropic publicaron un importante estudio del mercado laboral revisado por pares. El estudio de Anthropic se centró en la "exposición observada": lo que la IA está haciendo realmente en los flujos de trabajo profesionales, en lugar de lo que teóricamente podría hacer.

El estudio de Anthropic proporcionó un efecto de enfriamiento muy necesario sobre la narrativa de un desplazamiento inminente a gran escala. Al rastrear los datos de uso reales de Claude, los investigadores encontraron que, si bien la IA es técnicamente capaz de realizar muchas tareas, el despliegue real en entornos empresariales sigue siendo limitado. La "brecha" no es una advertencia de pérdida inmediata de empleos, sino más bien una "lista de tareas pendientes" para las empresas que aún navegan por los desafíos de la integración, la gestión del cambio y la adaptación cultural.

El futuro del trabajo: Un panorama cambiante

A pesar de la retractación del proyecto de Karpathy, la conversación que inició sigue siendo fundamental. La conclusión principal tanto del mapa viral "vibe-coded" como de la investigación más formal de Anthropic es coherente: la fuerza laboral no se enfrenta a una sustitución total de la noche a la mañana por la IA. En cambio, estamos entrando en un período de evolución fundamental de los roles.

Para los profesionales que ganan más de $100,000 anuales, las puntuaciones de exposición sirven como una llamada de atención sobre la naturaleza de sus tareas diarias. El cambio se está alejando del trabajo basado puramente en la ejecución hacia la curaduría, la gestión y la supervisión estratégica. Las herramientas de IA que son capaces de reemplazar las tareas de nivel inicial se están convirtiendo simultáneamente en las principales palancas de productividad para los roles que permanecen.

A medida que la IA continúe madurando, la distinción entre "altamente expuesto" y "seguro" probablemente se difuminará. Los trabajadores más exitosos en la próxima década no serán aquellos que ignoren estas tendencias, sino aquellos que adopten la IA como un copiloto, tratando sus propios conjuntos de habilidades como variables dinámicas en una economía cada vez más automatizada. El experimento de Karpathy, aunque fugaz, destacó con éxito la realidad de que el futuro del trabajo no se trata solo de la tecnología que construimos, sino de cómo elegimos integrarla en el tejido del mercado laboral global.