Este trabajo construye una medida de la exposici\u00f3n potencial a la IA generativa tarea a tarea, en tres capas anidadas. Para cada tarea, le\u00edda en el contexto de su ocupaci\u00f3n, preguntamos primero si la IA puede reemplazar su resultado con la calidad de un trabajador t\u00edpico (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 aportaci\u00f3n aprovechable (Su).<\/p>\n
Tres modelos de lenguaje de frontera punt\u00faan 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 ocupaci\u00f3n media tiene un 37,8 % de su tiempo de trabajo reemplazable, un 48,4 % aumentable y un 79,2 % apoyable.<\/strong> Los evaluadores coinciden m\u00e1s en el reemplazo y menos en los umbrales de aumento.<\/p>\n Medimos adem\u00e1s tres factores de vinculaci\u00f3n (nexo relacional, responsabilidad organizativa y autor\u00eda) que mantienen las tareas de un puesto ligadas a la persona que las hace, as\u00ed como la parte del tiempo de trabajo en la que la IA ayuda a un experto sin reemplazarlo. Todo se traslada a las clasificaciones europeas mediante tablas de correspondencia oficiales, con la CNO-11 espa\u00f1ola como aplicaci\u00f3n.<\/p>\n","protected":false},"excerpt":{"rendered":" Este trabajo construye una medida de la exposici\u00f3n potencial a la IA generativa tarea a tarea, en tres capas anidadas. Para cada tarea, le\u00edda en el contexto de su ocupaci\u00f3n, preguntamos primero si la IA puede reemplazar su resultado con la calidad de un trabajador t\u00edpico (Re). Si no puede, preguntamos si puede aumentar al […]<\/p>\n","protected":false},"featured_media":14643,"template":"","acf":[],"yoast_head":"\n