AI-first company

Rediseño de procesos · Explorar

Haga un mapa de las tareas antes de decidir qué automatizar

Divida los puestos en tareas y examine cada una. Hay puntuaciones publicadas que miden cuánto de un puesto podría hacer la IA, su “exposición”. Trate una puntuación alta como un lugar donde mirar, no como una decisión de automatizar.

Autor
Última revisión
Correcciones
Avisar de un error
Cuándo Hacer primero. Antes de empezar con la IA, o al empezar.
Esfuerzo Bajo (días, una persona)
Evidencia Moderada Controvertida

Varios estudios, basados en grandes bases de datos de tareas, coinciden en que la IA afecta a tareas dentro de los puestos, y en que la exposición no predijo lo que les pasó a los puestos antes de los chats de IA actuales. Datos de nóminas más recientes de Estados Unidos sobre trabajadores jóvenes apuntan en la dirección contraria. Ningún estudio ha comprobado si las empresas que hacen primero un mapa de tareas obtienen mejores resultados.

Para
Sectores Todos los sectores
En la guía Medianas empresasHerramientas y sistemas según el tamaño

Qué es

Antes de decidir qué automatizar, haga una lista de las tareas de un puesto o de un proceso y valore cada una. Un puesto es un conjunto de tareas. La IA puede hacer algunas, ayudar en otras y no sirve para el resto. “Exposición” es el término de la investigación para cuánto de un puesto podría hacer la IA, en principio.

Qué muestra la evidencia

  • Pocos puestos se pueden automatizar por completo. Un estudio que puntuó 18.156 tareas encontró que la mayoría de las ocupaciones contiene algunas tareas que podría hacer el aprendizaje automático, y que pocas se podrían automatizar por completo. Obtener el beneficio suele exigir rediseñar el puesto.
  • Lo habitual es ayudar, no sustituir. Una estimación mundial de la Organización Internacional del Trabajo prevé que la IA generativa ayudará sobre todo a las personas en sus puestos. El trabajo administrativo es el más expuesto.
  • La exposición no predice pérdidas de empleo. En 23 países, las ocupaciones más expuestas a la IA no perdieron empleo en conjunto. Donde el uso de la informática en el trabajo era alto, más exposición iba unida a un crecimiento del empleo más rápido. Ese estudio usó datos de antes de los chats de IA actuales. Desde 2022, la evidencia es controvertida. En registros de nóminas de Estados Unidos, el empleo de las personas de 22 a 25 años en las ocupaciones más expuestas está alrededor de un 19 % por debajo de su tendencia. El seguimiento del Yale Budget Lab no encuentra una alteración clara en el conjunto de la economía de Estados Unidos.
  • Exposición no es uso. Las puntuaciones de exposición muestran lo que la IA podría hacer, no aquello para lo que se usa. Un documento de trabajo reciente lo dice directamente.

Existen puntuaciones públicas para ocupaciones enteras, como la AI Occupational Exposure measure. Describen un puesto típico. Su contable o su planificador puede hacer tareas distintas.

Cómo hacerlo

  1. Elija un puesto o un proceso para empezar.
  2. Haga la lista de sus tareas con las personas que las hacen. Las descripciones de puesto suelen estar desactualizadas. Pregunte a cada persona qué tareas quiere que se automaticen, y por qué. En un estudio en el que 1500 trabajadores de Estados Unidos valoraron 844 tareas, se mostraron a favor de automatizar el 46,1 % de ellas. Lo más frecuente fue que quisieran la IA como un socio en pie de igualdad. En el 47,5 % de las tareas querían más intervención humana de la que los expertos en IA consideraban necesaria. El estudio es una versión preliminar sin revisión por pares.
  3. Para cada tarea, anote con qué frecuencia se hace, cuánto tarda y qué sale mal cuando se hace mal.
  4. Valore por separado: ¿podría hacerla la IA? ¿Podría su empresa ponerlo en marcha y mantenerlo? ¿Necesita la tarea el criterio, las relaciones o la responsabilidad de una persona?
  5. Marque cada tarea: automatizar, ayudar o no tocar.
  6. Revise la lista de “automatizar” en busca de tareas con las que aprende el personal júnior.
  7. Antes de suprimir puestos, revise los rastros de cómo se hace de verdad el trabajo: horas extra, longitud de las colas y con qué frecuencia intervienen los jefes de equipo u otras personas. Vea el recuadro de abajo.
  8. Empiece con un número pequeño de tareas y mida.

Rastros que revisar antes de suprimir puestos

En Commonwealth Bank of Australia, el banco dijo que 45 puestos de atención al cliente se suprimirían y se sustituirían por un bot de voz con IA. El sindicato señaló el aumento del volumen de llamadas, las ofertas de horas extra y los jefes de equipo atendiendo llamadas. El banco dijo entonces que su evaluación había sido un “error” y que los puestos no se suprimían. Los registros de horas extra, de colas y de casos derivados muestran si el trabajo ha desaparecido de verdad. Revíselos antes de suprimir un puesto.

Qué medir

  • La proporción del tiempo de trabajo en cada grupo: automatizar, ayudar, no tocar.
  • En las tareas que cambie, el tiempo y la calidad antes y después.

Dónde falla

  • Leer la puntuación como una previsión. Una puntuación de exposición alta no significa que un puesto vaya a desaparecer. Tratarla así alarma al personal sin motivo.
  • Hacer mapas eternamente. Un mapa es útil cuando lleva a un primer cambio en cuestión de semanas.
  • Mapas desactualizados. Lo que la IA puede hacer cambia deprisa. Vuelva a valorar las tareas cuando cambien las herramientas.

Según el tamaño de la empresa

  • Micro y pequeña: una tarde con una pizarra basta para un puesto entero.
  • Mediana y mayores: haga el mapa de un proceso de principio a fin antes de hacer el de toda la empresa. Las puntuaciones públicas de exposición pueden ayudarle a elegir por dónde empezar.

Evaluaciones para esta práctica

Son cuestionarios, pruebas y guías ya existentes que puede usar. Cada tarjeta indica la pregunta que responde, quién la contesta y si puede usarla libremente. Todas las evaluaciones.

Véala aplicada

Casos de empresas

Empresas que lo hicieron

Qué pasó sin ella

Fuentes

  1. 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. Qué hizo y qué encontró este estudio
  2. Felten, Raj and Seamans (2021). Occupational, industry, and geographic exposure to artificial intelligence: A novel dataset and its potential uses. Strategic Management Journal, 42(12), 2195–2217. Qué hizo y qué encontró este estudio
  3. Gmyrek, Berg and Bescond (2023). Generative AI and jobs: A global analysis of potential effects on job quantity and quality. International Labour Organization. Qué hizo y qué encontró este estudio
  4. Georgieff and Hyee (2022). Artificial Intelligence and Employment: New Cross-Country Evidence. Frontiers in Artificial Intelligence, 5, 832736. Qué hizo y qué encontró este estudio
  5. Sedai (2026). Exposure Is Not Adoption: Measuring Generative AI and Labor Demand. SSRN working paper. Qué hizo y qué encontró este estudio
  6. Brynjolfsson, Chandar and Chen (2025). Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab working paper (revised 12 August 2026). Limita o contradice esta práctica. Qué hizo y qué encontró este estudio
  7. Shao, Zope, Jiang, Pei, Nguyen, Brynjolfsson and Yang (2026). Future of Work with AI Agents: Auditing Automation and Augmentation Potential across the U.S. Workforce. arXiv 2506.06576. Preprint, not peer-reviewed. arxiv.org
  8. The Budget Lab at Yale (updated September 2026). Tracking the Impact of AI on the Labor Market. budgetlab.yale.edu
  9. Information Age (21 August 2025). CBA reverses AI-driven job cuts, admits error. ia.acs.org.au