Pongo a disposición de los lectores y lectoras del blog los resúmenes de tres importantes informes recientemente publicados que tratan sobre el impacto de la inteligencia artificial en el mundo del trabajo, una temática cada vez más difícil de controlar por el muy abundante número de publicaciones existentes sobre esta materia. Se trata de informes publicados por la OCDE, UE y Eurofound.
Buena lectura.
1. OCDE Inteligenciaartificial y organización del trabajo.
Resumen ejecutivo
La organización del trabajo se
refiere a cómo se estructura y gestiona el trabajo dentro de un lugar de
trabajo para alcanzar los objetivos de la organización.
Se refiere a cómo se dividen,
asignan y ejecutan las tareas, quién toma las decisiones, así como las
interdependencias entre los trabajadores.
La organización del trabajo es
importante porque impacta tanto en los resultados de los trabajadores como de
la empresa. Para las empresas, ciertos aspectos de la organización del trabajo
están vinculados a la productividad y la innovación. La organización del
trabajo también puede afectar el compromiso y el bienestar de los trabajadores,
así como su salud.
Históricamente, la organización
del trabajo se ha visto moldeada por sucesivas oleadas de innovación
tecnológica. Cada revolución industrial —desde la mecanización y la
electricidad hasta la digitalización— ha provocado cambios en la forma en que
se realiza y gestiona el trabajo.
Ya existen indicios de que la IA
está cambiando las tareas que realizan los trabajadores, cómo las realizan y
las habilidades que requieren para ello. También hay indicios de que la IA
ayuda en la toma de decisiones y está cambiando la forma en que se gestiona a
los trabajadores, incluidas las relaciones que mantienen con sus gerentes. Sin
embargo, hasta la fecha, se sabe poco sobre la magnitud y el alcance de estos
cambios.
Este documento de trabajo
profundiza en la relación entre la IA y la organización del trabajo, revisando
la literatura reciente y presentando nuevas evidencias de la Encuesta de
Competencias de Adultos (PIAAC) y la Encuesta Europea de Condiciones de Trabajo
(EWCS). Más específicamente, el documento analiza la relación entre la
exposición a la IA y los cambios en la organización del trabajo a nivel
ocupacional durante un período de aproximadamente diez años, que abarca la
introducción de la IA generativa (de 2011-2012 a 2022-2023 para la PIAAC y de
2015 a 2024 para la EWCS). La organización del trabajo ha cambiado durante este
período. Se ha observado una disminución del trabajo físico y manual, mientras
que las tareas monótonas y administrativas han aumentado. Además, los
trabajadores dedican más tiempo a resolver problemas en el trabajo. Quizás uno
de los cambios más significativos sea el aumento de las tareas de procesamiento
de información. Algunos aspectos de la discreción, la autonomía y la toma de decisiones
de los trabajadores parecen haber mejorado, y el trabajo en equipo y la
comunicación se han vuelto más comunes. La IA podría haber influido en estos
cambios. Tal vez como se esperaba, los cambios en las tareas físicas y manuales
no guardan correlación con la exposición a las tecnologías de IA actuales. Sin
embargo, la exposición a la IA parece estar asociada con un mayor aumento en
ciertas tareas de procesamiento de información, como escribir y leer
memorandos, correos electrónicos e instrucciones. Si bien la exposición a la IA
parece estar asociada con la frecuencia de resolución de problemas sencillos,
no existe relación con la frecuencia de realización de tareas complejas ni con
la resolución de problemas complejos.
Al mismo tiempo, la evidencia no
respalda la preocupación de que la IA esté dando paso a una nueva era de
taylorismo.
De hecho, hay poca evidencia de
que, a partir de 2025, la exposición a la IA esté asociada con cambios
significativos en la discreción y autonomía de los trabajadores, ya sean
positivos o negativos. En todo caso, la exposición a la IA parece estar asociada
con un menor aumento en las tareas monótonas y con un aumento en la
satisfacción laboral.
Una limitación del estudio es que
analiza la exposición a la IA en lugar de su adopción real, de la cual,
lamentablemente, no se dispone de buenas medidas a nivel ocupacional para el
período estudiado. Además, el período cubierto por el análisis abarca los
primeros años de la introducción de la IA generativa. Por lo tanto, es posible
que se detecten impactos más significativos en la organización del trabajo en
los próximos años, a medida que la tecnología continúe avanzando y aumente su
adopción. También es posible que en ciertos sectores y ocupaciones, la IA ya
haya tenido un impacto más significativo en la organización del trabajo que no
se refleje a nivel agregado. Sin embargo, los hallazgos del estudio pueden
ayudar a explicar por qué, al menos hasta la fecha, el impacto de la IA aún no
se ha reflejado claramente en las estadísticas agregadas de productividad. Para
que esto ocurra, las empresas que utilizan IA podrían necesitar rediseñar sus
procesos y flujos de trabajo de manera más sustancial, de modo que se logre una
integración más efectiva de la tecnología en las operaciones de las empresas.
De hecho, la evidencia hasta la fecha sugiere que, si bien la IA tiene un
amplio alcance de aplicación (es decir, afecta a muchas ocupaciones), su
profundidad sigue siendo limitada, ya que solo afecta a una pequeña parte de
las tareas en la mayoría de las ocupaciones.
Por último, cabe destacar que, al
menos durante el período que abarca este estudio, algunos cambios, como la
reducción del trabajo manual y el aumento de la capacidad de resolución de
problemas y la autonomía de los trabajadores, se han relacionado mucho más con
los cambios en el nivel educativo de la fuerza laboral que con la exposición a
la IA.
Si bien no se puede determinar la
causalidad de este hallazgo, sí subraya la continua importancia de invertir en
educación, formación y desarrollo de habilidades.
ASPECTOS
DESTACADOS:
La exposición
a la IA ha aumentado en todo el espectro ocupacional, pero su uso no ha seguido
el mismo ritmo. En 2024-2025, el 30 % de los trabajadores de la UE declararon
utilizar la IA en su puesto de trabajo. Para 2025, el 20 % de las empresas
habían adoptado tecnologías de IA.
‣ La adopción
de la IA es desigual. El uso por parte de los trabajadores oscila entre cerca
del 40 % en el caso de los trabajadores de oficina y profesionales
cualificados, y el 6 % en las ocupaciones elementales. La adopción empresarial
se concentra en grandes empresas, en unos pocos sectores con una alta
intensidad digital y, mayoritariamente, en los Estados miembros del norte de la
UE.
‣ La
exposición a la IA es mayor en los trabajos de oficina que requieren una alta
cualificación. Según los siete indicadores de exposición, los directivos,
profesionales, técnicos y personal de apoyo administrativo se sitúan por encima
de la media. Entre los trabajadores con estudios superiores, el 77,6 % se
encuentra en los dos quintiles de mayor exposición. Las mujeres están
sobrerrepresentadas en el tramo inmediatamente inferior al de mayor exposición,
principalmente en funciones administrativas y de secretariado.
‣ Exposición
no equivale a sustitución. Que la IA potencie o desplace a los trabajadores
depende de la complementariedad; es decir, de hasta qué punto el criterio, la
responsabilidad y la interacción humana siguen siendo fundamentales para el
puesto. Una alta exposición combinada con una alta complementariedad sugiere la
necesidad de mejorar las competencias (upskilling) para el uso de la IA dentro
de la misma ocupación; por el contrario, una alta exposición con baja
complementariedad apunta a un riesgo de sustitución por la IA y a la necesidad
de recualificación (reskilling) para otras ocupaciones.
‣ Todavía no
hay señales claras de una disrupción en el mercado laboral. En 2024-2025, los
datos sobre empleo y ofertas de trabajo en línea muestran una escasa relación
con la exposición a la IA. Algunos estudios recientes señalan un impacto
negativo en la contratación de perfiles de nivel inicial, mientras que otros
atribuyen este fenómeno al efecto del teletrabajo. Ante la ausencia de señales
claras de impacto en el mercado, resulta difícil diseñar medidas como
itinerarios específicos de recualificación.
‣
Consolidación de la base empírica. Identificar a los trabajadores a los que
dirigir las iniciativas de formación requerirá más tiempo y datos nuevos y más
detallados. A medida que la adopción se intensifique, será necesario realizar
un seguimiento pormenorizado y una monitorización exhaustiva de las señales del
mercado laboral.
‣ Por el lado
de la oferta, nuevos datos apuntan a un desajuste con las necesidades reales.
La oferta de educación y formación relacionada con la IA en la enseñanza
superior de la UE se centra principalmente en los programas de máster. Los
formatos breves y flexibles de recualificación (*reskilling*) y
perfeccionamiento profesional (*upskilling*) —los más necesarios para una mano
de obra ya empleada y expuesta a estos cambios— siguen estando comparativamente
poco desarrollados. Fuera del ámbito de las TIC, la IA suele integrarse en
programas de máster ya existentes, en lugar de impartirse como una asignatura
independiente. Esto permite extender las competencias en IA a los negocios, la
ingeniería y otras disciplinas no técnicas, lo que contribuye a impulsar la
adopción de la IA en toda la economía.
‣ La
alfabetización en IA debería servir de base para potenciar competencias
transversales y centradas en el ser humano, como el pensamiento crítico, la
resolución de problemas, la creatividad y el trabajo en equipo. Estas
competencias cobran cada vez más importancia a medida que la IA transforma la
forma en que se organizan y ejecutan las tareas, permitiendo a los estudiantes
no solo utilizar herramientas de IA, sino también trabajar eficazmente junto a
ellas.
‣ La IA tiene
un impacto significativo tanto en los estudiantes como en el profesorado. El
uso de la IA y las competencias de los estudiantes deben supervisarse
minuciosamente mediante fuentes de datos de alta calidad. Los docentes
desempeñan un papel fundamental en la configuración de los resultados de
aprendizaje de los estudiantes; no obstante, pueden encontrar dificultades a la
hora de transmitir la alfabetización en IA o de adaptar sus prácticas
pedagógicas y de evaluación. Estas adaptaciones requieren un sólido respaldo
político.
‣ La
integración de la IA en la Formación Profesional (FP) supone una transformación
del sistema, no una mera adquisición de tecnología. Este proceso debe combinar
la capacitación docente, la infraestructura, la colaboración con los
empleadores, el apoyo de entidades intermedias y el reconocimiento flexible de
competencias. Asimismo, es necesario ampliar modelos de formación regionales y
sectoriales que hayan demostrado su eficacia, como los respaldados por el
«Pacto por las Capacidades» (*Pact for Skills*). Ya existen ejemplos prácticos:
en el caso de los adultos, iniciativas como la asociación ARISA (en el marco
del Pacto por las Capacidades), la «AI Skills Academy» y la «Iniciativa
Nacional de Perfeccionamiento en IA» de Finlandia demuestran cómo se aplica en
la práctica el marco de competencias de la UE.
Conclusiones
La evidencia
recopilada en este informe abarca el periodo hasta 2025 y, hasta la fecha, no
muestra un desplazamiento generalizado de trabajadores por parte de la IA en el
conjunto de la economía. Lo que ocurra a medida que la adopción se intensifique
es una cuestión distinta, y la evidencia aquí presentada no ofrece una
respuesta definitiva en ningún sentido. El informe sí identifica, no obstante,
una serie de brechas: entre el uso potencial de la IA (exposición) y lo que los
trabajadores y las empresas ya están haciendo con ella (adopción); entre las
ocupaciones protegidas por el juicio humano y la interacción interpersonal, y
aquellas que quedan expuestas con escasa complementariedad; entre el marco
normativo y su implementación real; y entre el ritmo de difusión de la IA y la
velocidad a la que se adaptan los sistemas de educación y formación. Cada una
de estas brechas define un ámbito específico para la intervención política.
Cerrar la
brecha de adopción. Unas medidas políticas bien diseñadas podrían ayudar a
mitigar los obstáculos que enfrentan las empresas al invertir en IA,
permitiendo que las pymes amplíen sus esfuerzos de adopción más allá de la
simple experimentación con herramientas ya existentes en el mercado. Una mayor
difusión de ejemplos de buenas prácticas podría mejorar la comprensión de lo
que la IA puede ofrecer, mientras que la formación práctica —dirigida a
directivos, personal y profesionales de TI— dotaría a las empresas de las
competencias necesarias para un despliegue exitoso y seguro de la IA. Asimismo,
fomentar la autonomía de los trabajadores podría incentivar un mayor uso de
herramientas de IA en el entorno laboral.
Aunque existen
proveedores de IA con sede en la UE, el mercado sigue concentrado en manos de
empresas estadounidenses y chinas. Si los proveedores europeos no logran una
mayor adopción, las políticas orientadas a impulsar el uso de la IA podrían, en
realidad, acentuar esta dependencia.
Ajustar la
respuesta al tipo de exposición. La exposición por sí sola no determina qué
tipo de respuesta es necesaria; lo que la define es la complementariedad.
Cuando la exposición y la complementariedad son elevadas, la composición de las
tareas cambia, pero la ocupación se mantiene. En este caso, la respuesta
adecuada es la mejora de las competencias (*upskilling*) dentro de la propia
ocupación, de modo que los trabajadores aprendan a aplicar la IA en su
profesión actual. Por el contrario, cuando la exposición es alta pero la
complementariedad es baja, resulta más pertinente la recualificación
(*reskilling*) para otras ocupaciones, dado que el trabajo cuenta con pocos
elementos que lo protejan frente a la sustitución. Esta distinción es
fundamental para el diseño de políticas, ya que cada escenario requiere
enfoques, plazos y mecanismos de financiación diferentes; tratar a todos los
trabajadores expuestos como un grupo homogéneo conlleva el riesgo de ofrecer
una respuesta inadecuada. La falta de claridad sobre el impacto en el mercado
laboral a nivel ocupacional dificulta la implementación de políticas
específicas —como itinerarios concretos de recualificación o medidas de
protección social—, debido a la complejidad de identificar qué puestos de
trabajo corren riesgo de ser desplazados.
Consolidar la
base empírica. Se requieren métodos analíticos y datos adicionales para mejorar
la identificación de los trabajadores a quienes deben dirigirse las iniciativas
de formación. A medida que se intensifique la adopción de la IA, será necesario
realizar un seguimiento continuo de la contratación, los salarios, las ofertas
de empleo y la escasez de competencias según el grado de exposición a esta
tecnología; esto permitirá ajustar las respuestas políticas basándose en
pruebas sólidas.
Alinear la
educación y la formación con la demanda de competencias impulsada por la IA. La
UE debe seguir apoyando a los sistemas educativos y de formación para que
respondan a la IA de una manera ética, intencionada y centrada en el ser
humano, garantizando al mismo tiempo la adquisición de competencias digitales,
incluida la alfabetización en IA. Si bien la IA puede enriquecer la enseñanza y
el aprendizaje, su uso acrítico o inadecuado podría perjudicar el desarrollo
cognitivo de los jóvenes, la adquisición de competencias fundamentales y sus
perspectivas laborales futuras. Los docentes desempeñan un papel central en el
uso eficaz de la IA en las aulas; por ello, requieren un apoyo sólido para
integrarla adecuadamente en su práctica pedagógica. Esto exige políticas e
inversiones que refuercen la formación inicial docente de alta calidad y el
desarrollo profesional continuo, promoviendo a su vez el uso de herramientas de
IA pedagógicamente adecuadas y fundamentadas.
Los
responsables políticos deberían evaluar si el equilibrio actual entre los
programas de máster y los cursos de corta duración es suficiente para
satisfacer las necesidades de la mano de obra y de la sociedad. Cabe señalar
que la recualificación de los trabajadores en activo depende en gran medida de
una oferta de formación breve, la cual sigue estando comparativamente poco
desarrollada en Europa.
La integración
de la IA en la educación y formación profesional (EFP) debe abordarse como una
transformación sistémica, y no simplemente como un proceso de adquisición de
tecnología. Este enfoque requiere combinar la capacitación docente, la
infraestructura, la colaboración con los empleadores, el apoyo de entidades
intermedias y el reconocimiento flexible de competencias; asimismo, implica
promover modelos de impartición —ya validados a escala regional o sectorial—,
tomando como referencia las buenas prácticas nacionales y regionales, tal como
ejemplifica la iniciativa «Pacto por las Capacidades» (Pact for Skills).
3. Gestión algorítmica en los centros de trabajo
europeos: un reportaje digital.
Introducción.
La gestión algorítmica consiste en el uso de
tecnologías digitales para automatizar total o parcialmente las funciones de
gestión, incluyendo la organización, coordinación, seguimiento, supervisión y
evaluación del trabajo. Si bien originalmente se asociaba con las plataformas
digitales de trabajo, el término ahora se entiende como aplicable a un ámbito
laboral más amplio.
Aunque la gestión algorítmica puede mejorar la
eficiencia y la gestión de riesgos y, en algunos sectores, como los servicios
financieros y el transporte, puede estar impulsada por el cumplimiento
normativo, también presenta desafíos y posibles inconvenientes. Si bien la
evidencia cuantitativa basada en encuestas representativas es relativamente
limitada, existe un creciente número de investigaciones —principalmente
estudios cualitativos— que vinculan la gestión algorítmica con la
intensificación del trabajo, el aumento de la presión de tiempo y la reducción
de la autonomía de los trabajadores. La evidencia existente también sugiere que
los efectos dependen de los recursos laborales disponibles para los
trabajadores, como la autonomía, el apoyo organizacional y el uso de
habilidades, que pueden mitigar los posibles impactos adversos.
Este informe contribuye al debate político actual
presentando los resultados del análisis de los datos de la Encuesta Europea
sobre Condiciones de Trabajo 2024, con especial atención a la gestión
algorítmica en los centros de trabajo europeos. En este informe, la gestión
algorítmica se mide según si los empleados informan que se utilizan programas
informáticos en el trabajo para asignar sus tareas, determinar sus horarios
(planificación) o supervisar su desempeño. Esta operacionalización simplificada
abarca tres funciones básicas de la gestión algorítmica, pero no proporciona
una definición exhaustiva del concepto. El análisis se limita a los empleados,
examinando tanto la prevalencia de la gestión algorítmica como su relación con
las condiciones laborales y la salud y el bienestar de los empleados.
Para investigar la asociación combinada de la gestión
algorítmica, los recursos laborales y las exigencias laborales con los
resultados de salud y bienestar, este informe se basa en el concepto de estrés
laboral, definido como una situación en la que las exigencias laborales superan
los recursos laborales. Los empleados se distribuyen en una gama de perfiles de
calidad laboral, desde trabajos con alto estrés, caracterizados por altas
exigencias y recursos limitados, hasta trabajos con abundantes recursos, caracterizados
por un equilibrio más favorable entre exigencias y recursos.
Principales conclusiones:
La gestión algorítmica es más frecuente entre los
empleados administrativos, técnicos y operarios de maquinaria y plantas
industriales. En estas ocupaciones, la asignación automatizada de tareas y la
supervisión del rendimiento son las funciones de gestión algorítmica más
comunes, mientras que la planificación automatizada es considerablemente menos
frecuente. Los directivos, profesionales, trabajadores de servicios y ventas,
artesanos, trabajadores de ocupaciones elementales y, especialmente, los trabajadores
agrícolas cualificados, informan de niveles más bajos de gestión algorítmica en
general. La planificación automatizada también se distribuye de forma más
uniforme entre las distintas ocupaciones que las otras dos funciones.
En los sectores con mayor prevalencia de gestión
algorítmica —finanzas e inmobiliario, información y comunicaciones, y
transporte y almacenamiento—, la monitorización del rendimiento y la asignación
automatizada de tareas son las funciones más frecuentemente reportadas,
mientras que la planificación automatizada está menos extendida. Por el
contrario, estas tres funciones son relativamente poco comunes en educación,
agricultura y minería, y construcción.
De las tres funciones de gestión algorítmica, la
asignación automatizada de tareas es el predictor más sólido de la
transformación laboral, incluyendo la creación de nuevas tareas, la eliminación
de otras y una mayor interacción con los compañeros. La planificación
automatizada y la monitorización del rendimiento muestran asociaciones
similares, aunque más moderadas, con la transformación laboral.
El uso de las tres funciones de gestión algorítmica se
asocia con mayores exigencias laborales, especialmente cuantitativas (que miden
la intensidad del trabajo). Los empleados sujetos a gestión algorítmica también
tienen más probabilidades de experimentar estrés laboral que aquellos que no lo
están. Entre las tres funciones analizadas, la monitorización del rendimiento
destaca como la que se asocia de forma más consistente con peores resultados en
salud y bienestar, y parece amplificar, en cierta medida, los efectos adversos
del estrés laboral existente en trabajos ya exigentes.
Que la gestión algorítmica mitigue o agrave estos
resultados negativos depende de la función algorítmica específica: la
asignación automatizada de tareas no alivia ni agrava la tensión laboral; la
planificación automatizada tiene un efecto atenuante marginalmente
significativo para los empleados con trabajos estresantes; y la monitorización
del rendimiento agrava significativamente los efectos negativos de la tensión
laboral, aumentando aún más el agotamiento y el conflicto entre el trabajo y la
familia, y reduciendo la implicación laboral.
Recomendaciones políticas
La gestión algorítmica no está distribuida de manera
uniforme entre los sectores, las ocupaciones y los Estados miembros de la UE,
ni constituye un conjunto uniforme de prácticas; más bien, abarca una amplia
gama de funciones de gestión y aplicaciones organizativas. Si bien es
fundamental contar con protecciones básicas comunes, su implementación puede
apoyarse mediante el diálogo social, la negociación colectiva, la orientación
práctica y ejemplos de buenas prácticas que reflejen las diferentes formas en que
se utiliza la gestión algorítmica.
El seguimiento continuo y las comparaciones entre los
Estados miembros pueden contribuir a fortalecer la formulación de políticas
basadas en la evidencia. Al mismo tiempo, se necesita una mayor inversión en el
análisis de las prácticas empresariales para comprender mejor cómo se
implementan e integran las funciones de gestión algorítmica en la organización
del trabajo, incluyendo cómo interactúan y se combinan las diferentes
herramientas y prácticas para influir en los resultados laborales.
La gestión algorítmica forma parte de la
transformación digital del trabajo. En este análisis, se asocia con mayores
exigencias laborales, especialmente cuantitativas, y una mayor tensión laboral,
mientras que su relación con el acceso a los recursos laborales es más
compleja. A medida que se expande su adopción, se debe prestar atención a las
implicaciones para la calidad del empleo, asegurando que su implementación vaya
acompañada de recursos laborales adecuados, apoyo a los empleados y garantías
para unas condiciones de trabajo saludables.
El seguimiento del rendimiento es la forma más
extendida de gestión algorítmica y está vinculado a mayores exigencias, menos
recursos y peores resultados en materia de salud y bienestar, especialmente
para los trabajadores que ya están sometidos a estrés. Las garantías deben
asegurar la transparencia sobre qué se supervisa, cómo se utilizan los datos y
cómo se toman las decisiones. La aplicación rigurosa de las leyes laborales y
de protección de datos, junto con la implementación efectiva de los derechos existentes
a la información, la consulta y la negociación colectiva, es esencial para
garantizar que el monitoreo del desempeño algorítmico sea justo y
proporcionado.
Es fundamental asegurar la implementación e
integración responsables de las funciones de gestión algorítmica dentro de los
procesos organizacionales y los sistemas digitales mediante marcos de
gobernanza, evaluaciones de impacto y la participación de los empleados. Cuando
se identifiquen riesgos relevantes, las organizaciones deben implementar
salvaguardias apropiadas en consonancia con la legislación vigente en materia
laboral, de protección de datos y de IA. La gestión algorítmica puede
reconfigurar las tareas y la organización del trabajo, lo que requiere un
rediseño de los puestos centrado en las personas para alinear las ganancias de
productividad con el bienestar de los empleados, con el apoyo de directrices
políticas y mecanismos de consulta.