En resumen
Un método que puntúa cada tarea de una empresa, no cada puesto, en cuatro escalas separadas: si la IA puede hacerla, si esta empresa puede implementarla, si la IA puede ayudar a la persona y cuánto depende la tarea de una persona.
Para quien dirija la evaluación: una persona responsable de RR. HH. u operaciones, un equipo de proyecto interno o una consultoría externa.
Qué mide
TPAH mira un puesto en una empresa concreta y lo divide en tareas. Cada tarea recibe cuatro puntuaciones de 0 a 10:
- T, viabilidad técnica. ¿Podría la IA hacer la tarea, con unas entradas claras y un resultado esperado claro?
- P, implementabilidad práctica. ¿Podría esta organización ponerlo en marcha y mantenerlo funcionando? Depende de sus datos, sus procesos, sus controles de calidad y el costo de un error.
- A, apoyo a la persona. ¿Cuánto podría ayudar la IA a la persona que hace la tarea, sin quitársela?
- H, dependencia de una persona. ¿Cuánto descansa la tarea en el criterio, las relaciones, la responsabilidad, la presencia física y el conocimiento difícil de poner por escrito?
Las cuatro puntuaciones nunca se juntan en un solo número. Cada una responde a una pregunta distinta, y las lecturas útiles salen de las combinaciones:
- T alta y P baja: la tecnología podría hacerlo, pero la organización no está preparada.
- A alta y H alta: la IA es un buen asistente para un experto, no un sustituto.
- T alta y H baja: candidata a la automatización, si la implementación lo permite.
El método también enumera el trabajo nuevo que trae la IA, como revisar resultados y llevar registros, y dice quién tendría que hacerse cargo de él.
Cómo usarlo
- Trate el resultado como una lista corta de pilotos, no como una decisión.
- Pida a la persona responsable de cada proceso que revise las puntuaciones de las tareas que piensa cambiar.
- Empiece con unas pocas tareas que puntúen alto en P y tengan un resultado fácil de comprobar.
- Cree asistentes para expertos donde A y H sean altas.
- Nombre a quién se hará cargo del nuevo trabajo de revisión y de mantenimiento de las herramientas antes de extender el uso.
- Mida el tiempo y la calidad frente a una medición de partida. Vea mida el tiempo ahorrado por tarea frente a una medición de partida.
El ejemplo práctico muestra estos pasos en una empresa ficticia.
Qué no mide
- Los resultados. Una puntuación no es un ahorro, ni un rendimiento, ni una proporción del personal que se puede sustituir.
- Lo que piensa o hace el personal. No se encuesta ni se observa a nadie. Para las actitudes, la confianza o la seguridad psicológica, use las evaluaciones hechas para eso.
Cómo se probó
Ha pasado una revisión de expertos, publicada en el informe del proyecto. Los autores lo llaman un prototipo que necesita más pruebas.
- Revisión de expertos de 50 puestos. En un taller, personas de empresas, del servicio público de empleo y de la educación leyeron los informes de los puestos y dijeron si cada parte coincidía con su experiencia. Respuestas “yes” o “rather yes” [“sí” o “más bien sí”]:
| Qué se revisó | Respuestas positivas |
|---|---|
| El diagnóstico general | 24 de 28 |
| La división entre automatización y apoyo a la persona | 23 de 23 |
| La puntuación de dependencia de una persona | 19 de 24 |
| Las diferencias entre lo que es posible y lo que se puede implementar | 19 de 29 |
- Lo que corrigieron los revisores. Tareas asignadas al puesto equivocado, diferencias de implementación que restaban importancia a la protección de datos y la seguridad, y el peso dado a algunas tareas humanas. El informe dice que la dirección de los resultados es sólida, y que las cifras exactas de tareas sueltas son menos seguras.
- Un método documentado. Los pasos, las escalas y las fórmulas están por escrito, y cada puntuación se puede rastrear hasta el material en que se basó.
- Puntuaciones de un modelo de IA. En las aplicaciones actuales, un modelo de IA produce las puntuaciones principales, siguiendo instrucciones fijas y los documentos asignados a cada tarea. Se usan un solo modelo y una sola configuración.
- Una puntuación de dependencia de una persona construida con doce preguntas. La documentación del método la llama una forma práctica de convertir la idea en preguntas, no una escala probada del todo.
- Sin datos de resultados. Las puntuaciones no se han comparado con lo que pasó en empresas reales que implementaron IA.
Licencia y acceso
La página del proveedor no indica licencia ni precio. La fundación Human for Future vende el análisis como servicio, y sus materiales están en polaco. Si quiere reutilizar las escalas o el método en su propio trabajo, pregunte al proveedor.
Alternativas
Otras evaluaciones con un fin parecido, y cuándo conviene cada una.
- ¿En qué puestos podría la IA generativa asumir tareas, y en cuáles podría ayudar? ILO index of occupational exposure to generative AI Prefiérala cuando baste con una puntuación pública y gratuita de ocupaciones típicas para elegir dónde mirar. No se encuesta a nadie · Usted hace corresponder sus puestos con una lista estándar de ocupaciones Uso y adaptación libres
- ¿Cuáles de nuestros puestos podría tocar más la IA? AI Occupational Exposure measure (AIOE) Prefiérala cuando quiera una medida revisada por pares y pueda trabajar con los códigos de ocupación de Estados Unidos. No se encuesta a nadie · Usted hace corresponder sus puestos con los códigos de ocupación de Estados Unidos Uso libre; pregunte antes de modificarla
- ¿Qué hace difícil este proyecto tecnológico? NASSS-CAT: complexity assessment tools for technology projects Prefiérala cuando la pregunta sea por qué es difícil un proyecto tecnológico, y quiera una lista de comprobación y una guía de entrevista ya probadas. El equipo del proyecto, y el personal en entrevistas · Dos listas de comprobación, un formulario de 35 preguntas y una guía de entrevista Uso libre; pregunte antes de modificarla
Véala aplicada
Prácticas que la usan
Los detalles
- Pruebas
- Expertos de empresas, del servicio público de empleo y de la educación revisaron en un taller los informes de 50 puestos. La mayoría de las respuestas confirmaron el resultado: 24 de 28 sobre el diagnóstico general, 23 de 23 sobre la división entre automatización y apoyo a la persona. Ningún estudio ha comparado aún las puntuaciones con los resultados.
- Qué examina
- Puesto y sus tareas
- Cómo se recogen las respuestas
- Un modelo de IA puntúa cada tarea a partir de documentos sobre el puesto y la empresa, siguiendo instrucciones fijas. Unas personas tienen que revisar las puntuaciones.
- Duración
- Sin encuesta al personal. El análisis parte de una descripción de la empresa y de sus puestos. Después, los responsables de cada proceso necesitan tiempo para revisar los resultados.
- Costo
- Servicio de pago. El precio no está publicado.
- Licencia
- No indicadaEl proveedor no indica ninguna licencia. El análisis se ofrece como servicio. Pregunte al proveedor qué puede reutilizar.
- Idiomas
- Polaco. No hay materiales en inglés.
- Autores
- Research team at Rzeszów University of Technology and the Human for Future foundation
- Proveedor
- Human for Future foundation: TPAH La página del proveedor está en polaco.
Fuentes
- Rzeszów University of Technology and Human for Future foundation (2026). Research report, part I: the state of AI and robotics, with the task analysis of 50 roles and its expert review (in Polish). aits.kia.prz.edu.pl
- Human for Future foundation. TPAH: description of the method (in Polish). human4future.org
Estudios relacionados en este sitio
- ¿Qué tareas pueden aprender las máquinas? 18.156 tareas puntuadas Brynjolfsson, Mitchell and Rock (2018). What Can Machines Learn and What Does It Mean for Occupations and the Economy?. AEA Papers and Proceedings, 108, 43–47.
- Exposición no es adopción: lo que la IA podría hacer frente a aquello para lo que se usa Sedai (2026). Exposure Is Not Adoption: Measuring Generative AI and Labor Demand. SSRN working paper.
- Cuándo una persona con IA supera a cada una por separado: 106 experimentos Vaccaro, Almaatouq and Malone (2024). When combinations of humans and AI are useful: A systematic review and meta-analysis. Nature Human Behaviour, 8(12), 2293–2303.