En resumen. El profesional en forma de T, con profundidad en una disciplina y la amplitud suficiente para colaborar con otras, descansaba sobre dos precios: la profundidad era escasa y adquirir amplitud era caro. La IA generativa ha cambiado ambos. En un experimento de campo con profesionales de Procter & Gamble, las personas que trabajaban con IA mejoraron la calidad de sus soluciones en 0,37 desviaciones estándar, lo que igualó a los equipos de dos personas que trabajaban sin IA, y produjeron soluciones equilibradas entre lo técnico y lo comercial con independencia de su propia formación. La barra horizontal de la T ahora puede tomarse prestada. La barra vertical también está cambiando: en un estudio publicado sobre 5.172 agentes de atención al cliente, la asistencia de IA elevó la productividad un 15 % de media, y los trabajadores con menos experiencia fueron los que más mejoraron. Nuestro propio análisis cruza las valoraciones de habilidades de O*NET 31.0 con puntuaciones publicadas de exposición a la IA para 372 ocupaciones estadounidenses que suelen requerir un título universitario. Las ocupaciones con mucha intensidad de habilidades analíticas pero poca de habilidades interpersonales tienen la exposición media más alta (0,52); combinar esa misma intensidad analítica con sólidas habilidades interpersonales se asocia con una exposición un 16 % menor. La nueva forma que proponemos es el Árbol: una copa de amplitud extendida por la IA que usted toma prestada, un tronco de profundidad de juicio que le pertenece, raíces de relaciones y contexto que las máquinas no pueden aportar, y anillos de crecimiento que registran a qué ritmo sigue aprendiendo.
Este artículo forma parte de nuestra serie sobre estrategia profesional en la era de la IA. Se apoya en del especialista al orquestador, el apilamiento de habilidades en la era de la IA y el capital profesional: qué se acumula y qué se deprecia.
De dónde viene la T y las dos apuestas que hizo
La T es más antigua que la mayoría de quienes la usan. El primer uso que los investigadores suelen citar es un breve artículo de 1991 de David Guest en The Independent, titulado “The hunt is on for the Renaissance Man of computing”. Harvard Business Review llevó la idea al público directivo en 2001 con “Introducing T-shaped managers”, de Morten Hansen y Bettina von Oetinger. El director ejecutivo de IDEO, Tim Brown, dio la definición que hoy repite la mayoría en una entrevista de 2010 con la revista Chief Executive: el trazo vertical es “una profundidad de habilidad que les permite contribuir al proceso creativo”, y el trazo horizontal es la disposición a colaborar entre disciplinas.
Detrás de la letra había dos apuestas económicas:
- La profundidad es el activo escaso. Se le contrata por la barra vertical. Los años de estudio y práctica en un campo son difíciles de copiar, así que obtienen una prima.
- La amplitud es cara, así que basta con un poco. Si es usted ingeniero, no necesita saber marketing; necesita saber lo suficiente para hablar con el responsable de marketing. La barra horizontal es una interfaz de colaboración, no una segunda habilidad.
Ambas apuestas fueron razonables durante treinta años. La IA generativa cambia el precio de cada una.
Qué hace la IA con la barra horizontal
La evidencia más clara procede de “The Cybernetic Teammate”, un experimento de campo prerregistrado en Procter & Gamble a cargo de Fabrizio Dell’Acqua, Karim Lakhani y colegas, publicado en Organization Science en 2026. Los profesionales trabajaron en retos reales de innovación de producto, solos o en equipos de dos personas formados por un profesional de I+D y uno comercial, con o sin una herramienta basada en GPT-4.
En la versión de documento de trabajo, los equipos sin IA mejoraron la calidad de sus soluciones en 0,24 desviaciones estándar respecto a las personas que trabajaban solas. Las personas con IA mejoraron en 0,37 desviaciones estándar, y los equipos con IA, en 0,39. El resumen publicado lo expresa con claridad: las personas con IA igualaron el desempeño de los equipos sin IA.
El hallazgo que más importa para la T tiene que ver con los silos. Sin IA, los profesionales de I+D tendían a proponer soluciones técnicas y los comerciales, soluciones comerciales. En palabras de los autores, los profesionales que usaban IA produjeron soluciones más equilibradas, “con independencia de su trayectoria profesional”. Esa es la barra horizontal, servida a demanda.
Hay un detalle importante en el mismo estudio, y volverá a importar más adelante. Las ideas de mayor calidad seguían surgiendo de personas que trabajaban juntas: los equipos con IA tenían 9,2 puntos porcentuales más de probabilidad que el grupo de control (media del 5,8 %) de producir una solución situada en el 10 % superior, mientras que el efecto para las personas con IA no fue estadísticamente significativo. La IA aporta amplitud de conocimiento. No sustituyó el valor de otro ser humano en la sala.
Qué hace la IA con la barra vertical
La profundidad también está cambiando de precio, pero de forma desigual.
En “Generative AI at Work”, publicado en el Quarterly Journal of Economics en 2025, Erik Brynjolfsson, Danielle Li y Lindsey Raymond estudiaron a 5.172 agentes de atención al cliente que recibieron un asistente de IA. La productividad, medida como incidencias resueltas por hora, aumentó un 15 % de media. Los trabajadores con menos experiencia y menor cualificación mejoraron tanto en rapidez como en calidad, mientras que los más experimentados y cualificados registraron pequeñas mejoras de rapidez y pequeños descensos de calidad. Un saber hacer que había costado años construir pasó a estar parcialmente al alcance de los recién llegados a través de la herramienta.
Al mismo tiempo, la profundidad es lo que le indica cuándo se equivoca la herramienta. En el experimento de Boston Consulting Group con 758 consultores, publicado en Organization Science en 2026 (“Navigating the Jagged Technological Frontier”), quienes recibieron GPT-4 completaron un 12,2 % más de tareas y trabajaron un 25,1 % más rápido en las tareas situadas dentro de la frontera de la IA. En una tarea elegida deliberadamente para quedar fuera de ella, los consultores sin IA acertaron alrededor del 84,5 % de las veces, mientras que los que usaron IA obtuvieron un 60 % y un 70,6 %, una caída media de 19 puntos porcentuales. Usar la IA en una tarea que supera sus capacidades hizo que las personas fueran menos precisas, y la profundidad en el dominio es lo que le permite darse cuenta de que está ante una tarea así.
El estudio original GPTs-are-GPTs de Tyna Eloundou, Sam Manning, Pamela Mishkin y Daniel Rock apunta en la misma dirección en el plano de las habilidades: en el conjunto de las ocupaciones, la importancia de las habilidades de programación y de redacción se asoció de forma fuerte y positiva con la exposición a los grandes modelos de lenguaje, mientras que las habilidades científicas y de pensamiento crítico se asociaron de forma fuerte y negativa.
Así, la barra vertical se está partiendo en dos. La profundidad codificada, la parte de la experiencia que puede ponerse por escrito y reconocerse por patrones, se está abaratando. La profundidad de juicio, la parte que le permite verificar, decidir y asumir la responsabilidad, se está convirtiendo en la razón por la que alguien le necesita.
Nuestro análisis: qué perfiles de habilidades están más expuestos
Para contrastarlo con datos actuales, cruzamos dos conjuntos de datos públicos que no suelen combinarse:
- O*NET 31.0 (Departamento de Trabajo de EE. UU., agosto de 2026): valoraciones de importancia, en una escala de 1 a 5, de 35 habilidades en cada una de 910 ocupaciones.
- Puntuaciones de exposición por ocupación publicadas por Eloundou y colegas junto con su estudio. Usamos su medida beta: la proporción de tareas de una ocupación en las que el acceso a un gran modelo de lenguaje, directamente o a través de software construido sobre él, podría reducir al menos a la mitad el tiempo necesario (la segunda vía se pondera con 0,5). El conjunto de datos incluye dos versiones de la puntuación, una de anotadores humanos y otra de GPT-4.
En el conjunto de las 910 ocupaciones, casi todas las habilidades cognitivas se correlacionan positivamente con la exposición, porque la exposición separa sobre todo el trabajo de oficina del trabajo físico. Esa comparación dice poco sobre las decisiones de un trabajador del conocimiento. Por eso acotamos el análisis a las 372 ocupaciones de las Job Zone 4 y 5 de O*NET (los dos niveles superiores de preparación de su clasificación), donde la mayoría de los empleos exige un título de grado o de posgrado. Dentro de ese grupo, el panorama se divide.
Tabla 1. Cómo se relaciona la importancia de cada habilidad con la exposición a la IA en ocupaciones de nivel universitario (cálculo de CEOtudent, datos de O*NET 31.0 y de exposición de Eloundou et al.)
| Habilidad | Correlación con la exposición, valoración humana | Correlación con la exposición, valoración de GPT-4 | Para comparar: las 910 ocupaciones, valoración humana |
|---|---|---|---|
| Programación | +0,35 | +0,46 | +0,57 |
| Análisis de sistemas | +0,21 | +0,13 | +0,58 |
| Matemáticas | +0,19 | +0,21 | +0,45 |
| Redacción | +0,12 | 0,00 | +0,74 |
| Pensamiento crítico | -0,07 | -0,13 | +0,59 |
| Juicio y toma de decisiones | -0,12 | -0,21 | +0,55 |
| Ciencia | -0,17 | -0,20 | +0,20 |
| Instrucción | -0,23 | -0,39 | +0,45 |
| Coordinación | -0,28 | -0,37 | +0,36 |
| Orientación al servicio | -0,35 | -0,48 | +0,41 |
| Percepción social | -0,36 | -0,51 | +0,48 |
| Supervisión | -0,36 | -0,46 | +0,31 |
Correlaciones de rangos de Spearman en 372 ocupaciones de las Job Zone 4 y 5, salvo en la última columna. Los valores positivos indican que las ocupaciones que consideran más importante la habilidad tienden a tener una exposición más alta.
Destacan dos patrones. Entre los empleos de nivel universitario, las habilidades analíticas de producción que suelen formar la barra vertical de una T técnica (programación, análisis de sistemas y matemáticas) van asociadas a una exposición más alta. Las habilidades interpersonales que la T trataba como una fina interfaz de colaboración (percepción social, coordinación, instrucción y orientación al servicio) van asociadas a una exposición más baja. La misma dirección aparece tanto en las puntuaciones valoradas por humanos como en las valoradas por GPT-4.
Para ver qué significa esto para un perfil y no para una sola habilidad, construimos dos índices compuestos sencillos. Un índice analítico promedia programación, análisis de sistemas, evaluación de sistemas, matemáticas y análisis de operaciones. Un índice interpersonal promedia percepción social, coordinación, instrucción, orientación al servicio, persuasión y negociación. Dividimos las 372 ocupaciones por la mediana de cada uno.
Tabla 2. Exposición media a la IA por perfil de habilidades, ocupaciones de nivel universitario (cálculo de CEOtudent)
| Perfil | Ocupaciones | Exposición media, valoración humana | Exposición media, valoración de GPT-4 |
|---|---|---|---|
| Analítico alto, interpersonal bajo (la T técnica clásica) | 123 | 0,52 | 0,57 |
| Analítico alto, interpersonal alto | 63 | 0,43 | 0,46 |
| Analítico bajo, interpersonal alto | 123 | 0,41 | 0,42 |
| Analítico bajo, interpersonal bajo | 63 | 0,44 | 0,51 |
| Las 372 ocupaciones de nivel universitario | 372 | 0,45 | 0,49 |
La T técnica clásica, con una habilidad analítica profunda y una capa interpersonal fina, es el perfil más expuesto del grupo. Las ocupaciones que combinan la misma intensidad analítica con sólidas habilidades interpersonales promedian 0,43 en lugar de 0,52 en la puntuación valorada por humanos, un 16 % menos, y un 19 % menos en la valorada por GPT-4. Si se ordenan solo por el índice interpersonal, el cuartil superior de las ocupaciones de nivel universitario promedia 0,40 frente a 0,50 del cuartil inferior.
Cuatro advertencias antes de actuar en consecuencia. Exposición no es pérdida de empleo: mide dónde la IA podría acelerar tareas, y el estudio Canaries que se analiza más abajo muestra que el efecto en el mercado laboral depende de si la IA sustituye a los trabajadores o los complementa. Las puntuaciones de exposición se elaboraron en 2023 con las capacidades de la época de GPT-4. Se trata de promedios por ocupación, y una persona puede tener un perfil muy distinto del titular típico de su puesto. Y correlación no implica causalidad: las ocupaciones con mayor peso interpersonal podrían estar menos expuestas por razones distintas de las propias habilidades interpersonales. Aun así, la dirección es coherente con los experimentos de P&G y BCG, y con el hallazgo de David Deming de 2017 en el Quarterly Journal of Economics según el cual, entre 1980 y 2012, los empleos que requieren altos niveles de interacción social crecieron casi 12 puntos porcentuales como proporción de la fuerza laboral de EE. UU., mientras que los empleos intensivos en matemáticas pero menos sociales se redujeron 3,3 puntos porcentuales, con el mayor crecimiento en los empleos que requieren ambas cosas.
Por qué la T está obsoleta, y no solo desfasada
Una forma de letra es un modelo, y un modelo queda obsoleto cuando sus supuestos ya no describen el mundo. Las dos barras de la T escondían dos cosas distintas bajo un mismo trazo.
- La barra horizontal mezclaba la amplitud de conocimiento (saber suficiente marketing, finanzas o derecho para seguir la conversación) con la amplitud de relaciones (contar con la confianza de las personas de esas funciones y poder coordinarse con ellas). La IA ya aporta buena parte de lo primero. No aporta lo segundo.
- La barra vertical mezclaba la profundidad codificada (procedimientos, sintaxis, análisis estándar) con la profundidad de juicio (saber cómo es un buen resultado, detectar el error presentado con aplomo, asumir la decisión). La IA comprime lo primero. Eleva el valor de lo segundo.
Una forma que no distingue entre estas cosas da malos consejos. Le dice a un analista que profundice en la parte más expuesta de su conjunto de habilidades, y les dice a todos que basta con una capa fina de habilidades de colaboración.
La nueva forma: el Árbol
El marco que sigue es nuestra síntesis editorial. Lo llamamos el Árbol (the Tree), en parte porque una T con los añadidos adecuados se convierte en uno, y en parte porque los árboles crecen cada año.
Tabla 3. De la T al Árbol (marco editorial de CEOtudent)
| Parte del Árbol | Qué es | Qué suponía la T | Qué cambió y la evidencia | Qué construir |
|---|---|---|---|---|
| Copa | Amplitud de conocimiento entre funciones, extendida por la IA | La amplitud es cara; basta con una barra fina | La IA da a cada persona amplitud transversal; los profesionales de P&G que usaron IA produjeron soluciones equilibradas con independencia de su formación | Soltura para usar la IA y entrar rápido en dominios adyacentes, más la alfabetización suficiente para plantear allí buenas preguntas |
| Tronco | Profundidad de juicio en un dominio: la capacidad de verificar, decidir y rendir cuentas | Profundidad significa experiencia codificada | El saber hacer codificado se difunde a los novatos (mejora media del 15 %, mayor en los agentes con menos experiencia); fuera de la frontera de la IA, los usuarios sin profundidad tuvieron 19 puntos menos de probabilidad de acertar | Profundidad orientada a la evaluación: conocer los modos de fallo, los estándares de calidad y dónde suele equivocarse la IA en su campo |
| Raíces | Relaciones, confianza y contexto: coordinación, percepción social, instrucción, conocimiento de cómo funcionan realmente su organización y su mercado | La colaboración es una habilidad de interfaz | En nuestro análisis, las habilidades interpersonales van asociadas a una menor exposición en los empleos de nivel universitario; las ideas del 10 % superior en P&G surgieron de equipos, no de personas solas con IA | Inversión deliberada en las personas y los entornos donde aterriza su trabajo |
| Anillos de crecimiento | Ritmo de aprendizaje: la rapidez con que reconstruye cada parte a medida que cambian las herramientas | Las habilidades, una vez construidas, duran toda una carrera | Los empleadores prevén que dos quintas partes (39 %) de las habilidades actuales de los trabajadores se transformen o queden desfasadas entre 2025 y 2030 (WEF) | Una cadencia de renovación: una revisión programada de lo que sabe, lo que se ha deteriorado y lo que debe volver a aprender |
Conviene explicitar tres diferencias con respecto a la T.
La copa se toma prestada, y no pasa nada. No necesita ser dueño del conocimiento de la copa, pero sí saber cómo alcanzarlo y juzgarlo. Una copa amplia sin tronco es exactamente el perfil contra el que advertía el experimento de BCG: resultados presentados con aplomo en áreas donde no se sabe distinguir lo correcto de lo incorrecto.
El tronco trata de evaluar, no de producir. La pregunta ya no es “¿puede hacer el trabajo más rápido que nadie?”, sino “¿puede saber si el trabajo es correcto, y está dispuesto a firmarlo?”. Esa es también la capacidad que ocupa el centro de nuestro marco del orquestador y de la brecha de discernimiento.
Las raíces son invisibles, y por eso la T las ignoró. Las relaciones, la confianza y el contexto organizativo no aparecen en una lista de habilidades, pero deciden si un buen análisis se convierte en acción. Son también la parte de una carrera más difícil de copiar con una suscripción.
El problema del inicio de carrera: hacer crecer un tronco cuando escasean los primeros peldaños
El Árbol plantea una pregunta difícil a quienes empiezan. La profundidad de juicio se ha construido tradicionalmente a base de años de trabajo codificado, el mismo trabajo que la IA hace ahora con rapidez. Si ese trabajo desaparece, ¿cómo puede alguien hacer crecer un tronco?
Los primeros datos son una advertencia. En la versión de agosto de 2026 de “Canaries in the Coal Mine?”, Erik Brynjolfsson, Bharat Chandar y Ruyu Chen utilizaron datos de nóminas de ADP que abarcan a millones de trabajadores estadounidenses hasta junio de 2026. No encontraron indicios de un desplazamiento de empleo generalizado en el conjunto de la economía, pero el empleo de los trabajadores de 22 a 25 años en ocupaciones expuestas a la IA se situaba un 19 % por debajo del nivel que habría alcanzado si hubiera seguido el ritmo de sus pares menos expuestos, sin una brecha comparable para los trabajadores con experiencia. Los descensos se concentraron allí donde el uso de la IA sustituye principalmente tareas humanas; donde el uso principalmente complementa a los trabajadores, el empleo se mantuvo estable o creció. Los autores los describen como indicadores tempranos y descriptivos, no como estimaciones causales.
Un estudio danés apunta en sentido contrario en cuanto al tamaño del efecto hasta ahora. Anders Humlum y Emilie Vestergaard, en el NBER Working Paper 33777 (revisado en marzo de 2026), utilizaron registros administrativos y hallaron efectos nulos precisos sobre los ingresos y las horas registradas, lo que descarta efectos superiores al 2 % dos años después del lanzamiento de ChatGPT. Lo que cambió, según explican, fue la estructura del trabajo: los empleadores absorbieron la IA reorganizando las tareas.
Leídos en conjunto: el choque agregado sigue siendo pequeño, pero la escalera está cambiando de forma en su parte baja. Para los lectores que empiezan su carrera, eso significa buscar deliberadamente trabajo que construya juicio y no solo producción: revisar, decidir, explicar decisiones a otros, gestionar las excepciones en las que la IA se equivoca. Para los directivos, significa diseñar puestos en los que los perfiles júnior sigan tomando decisiones de criterio bajo supervisión, o la organización no tendrá troncos dentro de diez años.
Cómo auditar su propia forma
La auditoría que sigue convierte el Árbol en preguntas. Puntúe cada una de 1 (no es cierto) a 5 (claramente cierto). Es una herramienta de autorreflexión, no un instrumento validado.
Tabla 4. La auditoría del Árbol (marco editorial de CEOtudent)
| Parte | Pregunta | Señal de alarma si puntúa 1 o 2 | Primer paso |
|---|---|---|---|
| Copa | ¿Puedo usar la IA para adquirir en una semana una comprensión práctica de una función adyacente? | Evita los problemas que quedan fuera de su especialidad | Elija una función adyacente y haga un sprint de aprendizaje de dos semanas asistido por IA con preguntas reales de su trabajo |
| Copa | ¿Sé cuándo mi conocimiento prestado es demasiado superficial para actuar? | Repite resúmenes de la IA que no sabe defender | Antes de actuar fuera de su campo, pida a un experto que revise la respuesta de la IA |
| Tronco | ¿Detecto de forma fiable cuándo se equivoca la IA en mi campo? | Revisa los resultados de la IA solo en busca de erratas y de tono | Lleve un registro de los errores de la IA que detecta; revíselo cada mes |
| Tronco | ¿Asumo decisiones, y no solo entregables? | Su trabajo termina cuando lo entrega | Redacte un breve memorando de decisión para su próxima recomendación importante |
| Raíces | ¿Me llamarían primero a mí personas de otras dos funciones ante un problema? | Toda su red está en su propia disciplina | Programe una sesión de trabajo al mes con una función distinta |
| Raíces | ¿Entiendo cómo se toman realmente las decisiones allí donde aterriza mi trabajo? | Sus buenos análisis a menudo no se utilizan | Trace quién decide, quién influye y quién ejecuta en un proyecto actual |
| Anillos | ¿He reconstruido una parte significativa de mis habilidades en los últimos 12 meses? | Sus métodos son los mismos que hace tres años | Establezca una revisión trimestral: qué aprendí, qué se deterioró, qué debo volver a aprender |
Si la mayoría de sus puntuaciones bajas están en el tronco, profundice en su capacidad de evaluar antes de ampliar. Si están en las raíces, su fortaleza analítica probablemente se sitúa en el cuadrante más expuesto de la Tabla 2. Si están en la copa, está infrautilizando el recurso más barato del que dispone. Nuestra guía para desarrollar un buen juicio profundiza en el tronco.
Esta es la lente CEO y estudiante en una sola forma. La mitad CEO es dueña del tronco y cuida las raíces: decisiones, responsabilidad, relaciones. La mitad estudiante mantiene la copa en crecimiento y añade un anillo cada año.
Cuándo la T sigue siendo la forma adecuada
El Árbol es una opción por defecto para el trabajo del conocimiento, no una ley.
- Donde el uso de la IA está restringido. En entornos donde la regulación, la seguridad o la confidencialidad limitan las herramientas de IA, la amplitud sigue siendo cara y la T clásica sigue rindiendo.
- En el trabajo técnico de frontera. Los investigadores que hacen avanzar un campo siguen necesitando una profundidad codificada extrema; la frontera de la IA a menudo va por detrás de ellos.
- Donde lo escaso es realmente la ejecución. Algunos puestos se valoran por la velocidad de producción con estándares exigentes, y un perfil estrecho y profundo encaja con ellos.
- Al principio de una carrera, durante un tiempo. Cierta profundidad codificada es la vía por la que se construye el juicio. El objetivo no es saltársela, sino no quedarse ahí.
El resumen honesto de la evidencia es que la forma está cambiando más deprisa que el mercado laboral, no que las carreras construidas sobre la T se estén derrumbando. Es una razón para empezar a hacer crecer el Árbol ahora, mientras el coste del cambio es bajo.
Preguntas frecuentes
¿Qué es un profesional en forma de T?
Un profesional en forma de T tiene una experiencia profunda en una disciplina (el trazo vertical) y una capacidad más amplia para colaborar con otras disciplinas (el trazo horizontal). El término apareció impreso al menos ya en 1991 y lo popularizaron en el ámbito de la gestión Harvard Business Review en 2001 y Tim Brown, de IDEO.
¿Sigue siendo relevante el modelo en forma de T en la era de la IA?
En parte. Su idea central, combinar profundidad y amplitud, sigue siendo válida, pero sus supuestos no. La IA ya aporta buena parte de la amplitud de conocimiento que representaba la barra horizontal y comprime la profundidad codificada. Lo que sigue siendo escaso es la profundidad de juicio y las relaciones y el contexto que convierten el análisis en acción.
¿Qué es el profesional con perfil en árbol?
Es nuestro marco para las carreras en la era de la IA: una copa de amplitud extendida por la IA que puede tomar prestada, un tronco de profundidad de juicio que le pertenece, raíces de relaciones y contexto organizativo, y anillos de crecimiento que reflejan su ritmo de aprendizaje.
¿Qué habilidades están menos expuestas a la IA en los empleos profesionales?
En nuestro análisis de 372 ocupaciones estadounidenses que suelen requerir un título universitario, las ocupaciones que consideran importantes la percepción social, la supervisión, la orientación al servicio, la coordinación y la instrucción tendían a tener una menor exposición a la IA, mientras que la programación, el análisis de sistemas y las matemáticas iban asociadas a una exposición más alta.
¿Debería dejar de profundizar en mi especialidad?
No. Oriente su profundidad a la evaluación y no a la producción: la capacidad de saber cuándo un trabajo es correcto, de detectar los errores de la IA y de asumir la responsabilidad de las decisiones. En un experimento de BCG, los consultores que usaron IA en una tarea fuera de sus capacidades tuvieron 19 puntos porcentuales menos de probabilidad de acertar que quienes no la usaron.
¿Cómo construyen juicio los profesionales que empiezan su carrera si la IA hace el trabajo de nivel inicial?
Busque trabajo que implique revisar, decidir y explicar, no solo producir. Los primeros datos de nóminas muestran que el empleo de las personas de 22 a 25 años en ocupaciones expuestas a la IA se está quedando rezagado respecto al de sus pares menos expuestos, con el retroceso concentrado donde la IA sustituye a los trabajadores, así que importa elegir puestos en los que la IA complemente su trabajo.
Fuentes
Dell’Acqua, F., Ayoubi, C., Lifshitz, H., Sadun, R., Mollick, E., Mollick, L., Han, Y., Goldman, J., Nair, H., Taub, S., y Lakhani, K. R. The Cybernetic Teammate: A Field Experiment on Generative AI and Teamwork. Organization Science, 2026, volumen 37, número 4, páginas 1217 a 1242; versión como documento de trabajo: NBER Working Paper 33641, 2025.
Dell’Acqua, F., McFowland, E., Mollick, E., Lifshitz, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., y Lakhani, K. R. Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science, 2026, volumen 37, número 2, páginas 403 a 423.
Brynjolfsson, E., Li, D., y Raymond, L. Generative AI at Work. The Quarterly Journal of Economics, 2025, volumen 140, número 2, páginas 889 a 942.
Eloundou, T., Manning, S., Mishkin, P., y Rock, D. GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models. Documento de trabajo, arXiv 2303.10130; publicado en Science, 2024; datos de exposición por ocupación publicados por los autores.
National Center for ONET Development. ONET 31.0 Database, agosto de 2026: archivos Essential Skills, Transferable Skills y Job Zones.
Deming, D. J. The Growing Importance of Social Skills in the Labor Market. The Quarterly Journal of Economics, 2017, volumen 132, número 4, páginas 1593 a 1640.
Brynjolfsson, E., Chandar, B., y Chen, R. Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Documento de trabajo del Stanford Digital Economy Lab, versión de agosto de 2026.
Humlum, A., y Vestergaard, E. Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI. NBER Working Paper 33777, 2025, revisado en marzo de 2026.
World Economic Forum. The Future of Jobs Report 2025. Enero de 2025.
Hansen, M. T., y von Oetinger, B. Introducing T-shaped managers: knowledge management’s next generation. Harvard Business Review, 2001, volumen 79, número 3, páginas 106 a 116.
Guest, D. Managers in focus as the skills gap closes: the hunt is on for the Renaissance Man of computing. The Independent, 17 de septiembre de 1991, según lo documentado en Neeley, K. A., y Steffensen, B., The T-shaped engineer as an ideal in technology entrepreneurship: its origins, history, and significance for engineering education, American Society for Engineering Education Annual Conference, 2018.
Brown, T. Entrevista sobre las personas en forma de T (T-shaped people), revista Chief Executive, enero de 2010.
Las tablas 1 y 2 las calculamos nosotros cruzando las valoraciones de importancia de habilidades de O*NET 31.0 con las puntuaciones de exposición beta por ocupación publicadas por Eloundou et al.; los índices compuestos de habilidades, la restricción a las Job Zone 4 y 5 y las divisiones por la mediana son decisiones analíticas nuestras. Las tablas 3 y 4 son marcos editoriales de CEOtudent.
Este contenido fue recopilado con el apoyo de la IA tras una investigación exhaustiva, y luego redactado y preparado para su publicación por el equipo editorial de CEOtudent.
This post is also available in:
