Reemplazar, aumentar, apoyar: una medida anidada de la exposición a la IA generativa tarea a tarea

Este trabajo propone un método para medir la exposición potencial a la IA generativa de cada tarea de O*NET, la base de datos ocupacional de Estados Unidos. El resultado son tres niveles de exposición anidados, que pueden usarse en trabajo aplicado sobre el mercado laboral. Cada tarea se lee en el contexto de su ocupación. Preguntamos primero si la IA puede reemplazar su resultado con la calidad de un trabajador típico (Re). Si no puede, preguntamos si puede aumentar al trabajador lo bastante como para reducir a la mitad el tiempo que lleva la tarea o llevar su calidad al cuartil superior (Au) y, si tampoco, si puede al menos apoyar la tarea con alguna aportación aprovechable (Su).

Tres modelos de lenguaje de frontera puntúan los 24.087 pares tarea-actividad de O*NET 31.0 (923 ocupaciones) a partir de un inventario fechado de 33 benchmarks de capacidades, y una ronda Delphi resuelve sus desacuerdos. Ponderando por tiempo, la ocupación media del catálogo tiene un 37,8 % de su tiempo de trabajo reemplazable, un 48,4 % aumentable y un 79,2 % apoyable.

Medimos además tres factores de anclaje humano (nexo relacional, responsabilidad organizativa y autoría) que mantienen las tareas de un puesto ligadas a la persona que las hace, así como la parte del tiempo de trabajo en la que la IA ayuda a un experto sin reemplazarlo.