La inteligencia artificial no está eliminando trabajos en bloque: está desarmando trabajos en tareas y reasignando esas tareas. El efecto neto proyectado es de creación —alrededor de 170 millones de roles nuevos frente a 92 millones desplazados hacia 2030, según el análisis del World Economic Forum sobre el impacto de la IA en el mercado laboral—, pero el dato que más importa a nivel individual es otro: entre el 36% y el 44% de las habilidades centrales de un trabajador actual quedarán obsoletas en ese mismo período.

Traducido: la pregunta útil no es "¿me va a reemplazar la IA?" sino "¿qué parte de lo que hago hoy va a valer menos, y qué estoy construyendo en su lugar?".

Este artículo separa tres cosas que suelen mezclarse: qué está cambiando de verdad, qué habilidades ganan y pierden peso, y qué se puede hacer en los próximos seis meses con un esfuerzo razonable.

Qué está cambiando realmente en el trabajo

La adopción ya es masiva, pero desigual. El informe global de McKinsey sobre el estado de la IA muestra un contraste llamativo: el 88% de las organizaciones usa IA de forma habitual en al menos una función, pero solo cerca de un tercio empezó a escalarla, y apenas un 6% atribuye un impacto significativo en resultados. Al mismo tiempo, alrededor del 80% de los trabajadores individuales reporta mejoras de productividad.

Ese desfase explica bastante de lo que se siente en el día a día: la IA ya cambió cómo trabaja la gente, pero todavía no cambió cómo están organizadas la mayoría de las empresas. Y ahí hay una oportunidad concreta para quien sepa cerrar el hueco.

El patrón: se automatizan tareas, no oficios

Mirado de cerca, lo que la IA absorbe bien son tareas con estas características: alto volumen, criterio acotado, entrada y salida en texto o datos estructurados, y tolerancia a una revisión humana posterior. Redactar un primer borrador, resumir documentación, clasificar tickets, generar variantes de una pieza, escribir una consulta SQL sencilla, documentar código.

Lo que no absorbe bien: decidir con información incompleta, negociar entre intereses en conflicto, asumir responsabilidad por un resultado, entender el contexto político de una organización y detectar que la pregunta que le hicieron está mal formulada.

Casi ningún puesto es 100% de un tipo. Por eso el efecto real es una recomposición: los roles conservan el nombre y cambian el contenido.

Qué habilidades se consolidan

• Criterio de dominio. Saber si una salida de la IA es correcta requiere entender el tema. La IA sube el valor del experto que la supervisa y baja el del ejecutor que solo producía.

• Diseño de problemas. Traducir un objetivo difuso en un problema resoluble. Es la habilidad que más se subestima y la que más se paga: quien formula bien la pregunta obtiene resultados de otra categoría.

• Orquestación de herramientas. Encadenar modelos, datos y sistemas en un flujo que funcione sin supervisión constante. Es la habilidad detrás de los roles de automatización.

• Lectura de datos. No hace falta ser científico de datos, pero sí poder mirar una métrica y saber si tiene sentido. La IA facilita generar números; validar que signifiquen algo sigue siendo humano.

• Comunicación y negociación. Cuanto más se abarata producir contenido, más valen la claridad, la síntesis y la capacidad de sostener una conversación difícil.

Qué habilidades pierden peso relativo

Conviene decirlo sin dramatismo: pierden peso relativo, no valor absoluto. Siguen siendo útiles, pero ya no diferencian.

• Producción de primeras versiones. Redactar un borrador, armar una plantilla, escribir código boilerplate. La velocidad manual dejó de ser una ventaja.

• Memorización de sintaxis y procedimientos. Recordar la función exacta o el paso exacto tiene menos valor que saber qué se quiere lograr.

• Tareas de intermediación pura. Roles cuya función principal era mover información de un lado a otro, sin agregar criterio, son los más expuestos.

• Trabajo repetitivo de baja variabilidad. Cuanto más estable y predecible el proceso, más fácil de automatizar.

Los nuevos roles que están emergiendo

El detalle importante de esta tabla es la última columna: casi ninguno de estos roles se llena con gente que estudió IA desde cero. Se llenan con profesionales de un dominio que agregaron la capa de IA. Esa es la ruta más corta y la que más se repite.

Los agentes autónomos son la próxima capa

Hasta hace poco, usar IA en el trabajo significaba pedirle algo y recibir un texto. Ahora los sistemas empezaron a ejecutar: navegan, completan formularios, consultan sistemas internos y encadenan pasos. McKinsey reporta que un 23% de las organizaciones ya está escalando algún sistema agéntico. Para quien trabaja, eso significa que la habilidad relevante se corre de "escribir buenos prompts" a "diseñar procesos que un agente pueda ejecutar de forma confiable". Si querés entender la mecánica desde cero, revisá qué son los agentes de IA y cómo empezar a usarlos en tu trabajo.

Qué hacer hoy: un plan de seis meses

Un plan realista, con carga de 5 a 8 horas semanales, ordenado por retorno.

Mes 1 — Auditar tu propio trabajo

Listá las tareas de tu semana y clasificá cada una: automatizable ya, asistible por IA, o irremplazable por ahora. Es un ejercicio de una hora que suele ser incómodo y clarificador. El objetivo no es angustiarse: es identificar dónde estás invirtiendo tiempo que pronto valdrá menos.

Meses 2 y 3 — Fluidez operativa

Incorporar IA a las tareas asistibles hasta que sea automático. La meta concreta: recuperar entre 3 y 5 horas semanales. Ese tiempo liberado es el capital con el que financiás el resto del plan.

Meses 3 y 4 — Automatizar un proceso real

Elegí un proceso repetitivo de tu trabajo y automatizalo de punta a punta con una herramienta de flujos. No un ejercicio de práctica: algo que use de verdad. Este es el hito que separa a quien "sabe de IA" de quien la aplica, y es lo que se puede mostrar en una entrevista.

Meses 5 y 6 — Profundizar en una dirección

Con el diagnóstico y una automatización hecha, ya tenés información para elegir: automatización, datos, producto de IA o gobernanza. Recién acá conviene comprometerse con una formación más larga, porque la elección se apoya en experiencia propia y no en supuestos.

El error a evitar

Estudiar IA en abstracto sin aplicarla a un dominio. Es el equivalente a aprender un idioma sin tener con quién hablarlo: el conocimiento no se consolida y no genera evidencia. La demanda no es de "gente que sabe IA": es de analistas, especialistas en marketing, desarrolladores y perfiles de gestión que la usan para producir resultados distintos.

Cursos recomendados de Coderhouse

Según en qué punto del plan estés, estas son las opciones más útiles:

• Si estás empezando: el Curso de Introducción a la Inteligencia Artificial te da el marco conceptual para entender qué puede y qué no puede hacer un modelo. Corto, transversal y aplicable a cualquier vertical.

• Para automatizar procesos reales: el Curso de AI Automation es el que cubre el hito del mes 3 y 4, que es el de mayor retorno práctico inmediato.

• Para dar el salto a agentes: el Curso de AI Agents profundiza en el diseño de sistemas que ejecutan tareas de forma autónoma, la capa que está creciendo más rápido.

• Para un recorrido completo: la Carrera de AI Automation o la Diplomatura en Inteligencia Artificial ordenan todo el trayecto con proyectos integradores, útiles cuando ya decidiste la dirección.

La secuencia que mejor funciona: fundamentos primero para no perder tiempo con expectativas equivocadas, automatización después para generar resultado visible, y especialización al final, cuando ya sabés qué te interesa.

Preguntas frecuentes

¿La inteligencia artificial va a eliminar más trabajos de los que crea?

Las proyecciones actuales indican lo contrario a nivel agregado: más creación que destrucción hacia 2030. Pero el saldo neto positivo no garantiza continuidad individual, porque los puestos que se crean no son los mismos que se destruyen ni están en los mismos lugares. El riesgo real es de transición, no de desaparición del empleo.

¿Qué trabajos están más expuestos a la automatización?

Los que concentran tareas de alto volumen, criterio acotado y salida en texto o datos: soporte de primer nivel, entrada de datos, producción de contenido genérico, tareas administrativas repetitivas y partes del análisis básico. La exposición se mide por tarea, no por título del puesto.

¿Necesito aprender a programar para trabajar con IA?

Para la mayoría de los roles de automatización, producto y gobernanza, no. Herramientas visuales de flujos cubren buena parte de los casos. Programación básica en Python amplía bastante el techo, pero no es requisito de entrada en la mayoría de las posiciones que están abriéndose.

¿Cuánto tiempo lleva reconvertirse hacia un rol de IA?

Si ya tenés un dominio profesional, entre 4 y 8 meses para llegar a un perfil empleable en automatización o análisis asistido por IA. Desde cero, sin base profesional previa, el rango se estira a 10 o 14 meses porque hay que construir dominio y herramienta a la vez.

¿Sirve certificarse en IA o es mejor tener proyectos?

Los proyectos pesan más, y por un motivo concreto: en un campo que cambia rápido, la evidencia de haber resuelto algo demuestra capacidad de aprendizaje continuo. Un certificado acompañado de dos automatizaciones funcionando vale mucho más que tres certificados sin nada aplicado.

¿Qué hago si mi empresa todavía no usa IA?

Es una ventaja, no un problema. Aplicarla a tu propio trabajo y mostrar el resultado te posiciona como la persona que trajo la capacidad, y eso suele traducirse en visibilidad y responsabilidad nueva. Empezá por un proceso propio, medí el tiempo ahorrado y presentalo con números.