Cuando una empresa evalúa incorporar inteligencia artificial, la conversación suele empezar por una pregunta incómoda: ¿cuántos puestos de trabajo puede reemplazar? Los grandes números ofrecen una respuesta rápida, pero dicen poco sobre lo que sucede dentro de un equipo. Entre un modelo que redacta un correo y un sistema que resuelve un proceso completo hay decisiones, excepciones y responsabilidades que alguien tiene que asumir.
Para una pyme argentina, conviene mirar ese recorrido antes de sacar conclusiones sobre su personal. Una herramienta puede ahorrar tiempo en una tarea, trasladar trabajo a quien revisa sus respuestas o permitir atender una demanda que antes quedaba pendiente. Entender cuál de esas cosas está ocurriendo exige separar las proyecciones sobre el mercado laboral de las pruebas que una empresa puede hacer con su propia operación.
De dónde salen los 85 millones de empleos
El WEF estimó 85 millones de puestos desplazados hacia 2025 en su informe de 2020. La cifra correspondía a cambios en la distribución del trabajo entre personas y máquinas, dentro de las 15 industrias y 26 economías estudiadas. El mismo análisis contemplaba la aparición de 97 millones de nuevos roles. Presentarla como una predicción de empleos que la IA eliminaría en Argentina durante 2026 cambia tanto su fecha como su alcance. La referencia original está en el Future of Jobs Report 2020.
La edición de 2025 trabaja con otro horizonte: proyecta 170 millones de puestos creados y 92 millones desplazados hacia 2030, con un saldo de 78 millones. Son estimaciones asociadas a varias transformaciones —tecnológicas, económicas, demográficas y ambientales—, no un conteo de despidos causados exclusivamente por la IA. El informe de 2025 también aclara que sus datos cubren un segmento del empleo mundial y no deben tratarse como una descripción exhaustiva.
Un saldo global positivo tampoco garantiza una transición sencilla para cada trabajador. Que crezca la demanda en una actividad no significa que una persona desplazada pueda acceder a ese puesto de inmediato, en su ciudad y con las habilidades que tiene. Las cifras sirven para discutir la dirección del cambio; no alcanzan para anticipar el destino de un equipo argentino ni para calcular una tasa local de desempleo.
Un puesto reúne tareas distintas
Pensá en alguien que administra pedidos de un negocio. Puede pasar parte del día copiando datos, otra parte detectando inconsistencias y otra hablando con clientes para resolver entregas que salieron mal. Aunque una herramienta permita automatizar la carga inicial, siguen abiertas las preguntas sobre quién comprueba los datos, quién atiende una excepción y quién responde por un error. Medir solo la velocidad de la primera tarea deja fuera buena parte del trabajo.
La investigación de la OIT publicada en mayo de 2025 ayuda a distinguir esos planos. Estima que uno de cada cuatro trabajadores del mundo está en una ocupación con algún grado de exposición a la IA generativa. Exposición significa que parte de sus tareas podría verse afectada; no equivale a una previsión de despido. El estudio encuentra mayor exposición en ocupaciones administrativas y considera más probable la transformación de los puestos que su automatización completa, porque la mayoría combina tareas que requieren intervención humana.
Eso tampoco convierte a ninguna profesión en inmune. La pregunta útil es qué parte del trabajo puede cambiar, qué calidad necesita el resultado y qué consecuencias tendría un fallo. Elaborar un borrador que otra persona revisa exige controles diferentes de enviar una respuesta definitiva a un cliente o modificar un registro sin supervisión.
La revisión de un proceso empieza por las personas que conocen sus tareas y excepciones. Foto ilustrativa de RDNE Stock project en Pexels.
Qué puede evaluar una empresa argentina
Bajar la discusión a una operación concreta permite reemplazar la ansiedad por preguntas que tienen respuesta. Antes de elegir una herramienta, reuní algunos casos reales del proceso que querés mejorar: un pedido sencillo, uno incompleto, una corrección y una excepción. Reconstruí qué información necesita cada paso, dónde está guardada y qué hace hoy la persona responsable cuando no encuentra una respuesta clara.
Por ejemplo, una distribuidora podría recibir solicitudes por correo y cargarlas en una planilla. En una prueba acotada, la IA podría proponer una clasificación o preparar un borrador del pedido. La empresa tendría que comprobar que los productos existen, que las cantidades son correctas y que las condiciones coinciden con lo acordado. El primer objetivo sería mejorar esa secuencia, con revisión humana y sin habilitar compras, envíos o cambios de precio automáticos.
La viabilidad también depende de lo que rodea al modelo: acceso al catálogo, calidad de los datos, conexión con el sistema de gestión y tiempo de quien supervisa. Si una persona termina conciliando a mano tres fuentes desactualizadas, una respuesta bien redactada aporta poco. Conviene resolver esos problemas junto con la prueba y dejar claro qué parte sigue siendo manual. Una evaluación de agentes de IA para empresas debería empezar por ese alcance concreto.
Un ejemplo para medir el trabajo completo
Supongamos, solo para ilustrar el cálculo, que un equipo procesa 200 pedidos por semana y tarda seis minutos en cada uno. La carga actual demanda 1.200 minutos, es decir, 20 horas semanales. En una prueba, preparar y revisar los pedidos con asistencia de IA lleva tres minutos por caso, pero resolver las excepciones y mantener el proceso agrega dos horas por semana.
| Parte del trabajo | Proceso actual | Prueba con asistencia de IA |
|---|---|---|
| Procesar 200 pedidos | 20 horas | 10 horas |
| Atender excepciones y mantener la herramienta | Incluido en el tiempo actual | 2 horas adicionales |
| Tiempo total semanal | 20 horas | 12 horas |
En ese escenario, la diferencia sería de ocho horas semanales. Es un ejemplo hipotético, no un resultado medido ni una promesa de ahorro. Para evaluar una prueba real habría que registrar también los errores, las correcciones y los costos de la herramienta y de su integración. Un proceso más rápido que duplica pedidos o aplica condiciones equivocadas puede salir más caro que el trabajo que reemplaza.
Incluso si la mejora se confirma, ocho horas recuperadas no equivalen automáticamente a un puesto eliminado. Pueden destinarse a responder antes, atender más pedidos o reducir tareas acumuladas. Esa decisión depende de la demanda y de cómo se organice el equipo. Por eso el resultado del piloto debería expresarse primero en tiempo, calidad y capacidad de atención, antes de traducirse en conclusiones sobre la dotación.
Medir el tiempo y revisar los resultados permite evaluar una prueba concreta. Foto ilustrativa de ANTONI SHKRABA production en Pexels.
Cómo acompañar al equipo durante el cambio
Las personas que conocen una operación suelen ser quienes pueden señalar los casos que una demostración deja afuera. Incluirlas desde el principio ayuda a definir qué significa una respuesta correcta, qué información falta y cuándo conviene frenar. También permite explicar con precisión qué se está probando, quién revisará los resultados y qué decisiones todavía no se tomaron.
La capacitación puede partir de ese mismo trabajo. En lugar de pedirle al equipo que aprenda “IA” en abstracto, elegí una tarea y practicá cómo preparar sus datos, evaluar una respuesta y corregir un error. Conservar ejemplos de casos bien resueltos y casos fallidos permite construir un criterio compartido. Saber reconocer cuándo una herramienta no está funcionando es tan relevante como aprender a usarla.
Para quien trabaja por su cuenta, el enfoque es parecido: identificar una tarea recurrente, probar una ayuda y comprobar si mejora el resultado que entrega. La experiencia del oficio sigue siendo necesaria para juzgar la salida y explicar sus límites. Aprender una herramienta tiene más valor cuando se conecta con un problema real de los clientes que cuando se acumulan funciones sin un uso definido.
Una primera decisión que sí se puede tomar
No hace falta resolver hoy qué ocurrirá con todo el mercado laboral para mejorar un proceso esta semana. Elegí una tarea repetitiva, describí cómo funciona, medí su tiempo y sus errores, y diseñá una prueba con una persona responsable de revisar cada resultado. Acordá de antemano qué mejora justificaría continuar y qué problema obligaría a detenerla.
Al terminar, vas a tener algo más útil que una cifra global aplicada fuera de contexto: evidencia de cómo trabaja tu equipo con esa herramienta. Si el piloto aporta valor, habrá una base para ampliarlo y capacitar a quienes lo usan. Si no lo aporta, también habrá un aprendizaje concreto sobre los datos, la integración o la tarea elegida. Esa es una forma razonable de prepararse para el cambio sin convertir una proyección en una certeza sobre el futuro de las personas.