Google mapeó 14.653.926 interacciones con Gemini desidentificadas sobre más de 800 ocupaciones y 4.000 tareas de O\*NET. La IA apareció en el 68 % de las ocupaciones detalladas — aproximadamente el 88 % de los trabajadores civiles empleados en Estados Unidos. Dentro de una de esas ocupaciones típicas, tocó el 21 % de las tareas (Google ATLAS v1.0, 2026).
Dos tercios de los puestos. Una quinta parte del trabajo.
Y donde el trabajo es no rutinario y cognitivo — criterio, análisis, resolución de problemas, la categoría por la que contratas a tu gente más cara — la automatización de extremo a extremo es la intención aparente de menos del 10 % de las conversaciones. El otro 90 % es redacción, revisión, búsqueda de información y pensar en voz alta.
Si tu business case de IA se sostiene sobre la eliminación de puestos, este es el número que lo rompe. No porque las herramientas sean débiles, sino porque la aritmética se construyó sobre la unidad equivocada. Una quinta parte de un puesto no es una quinta parte de una plantilla.
Qué midió ATLAS y por qué aterriza distinto
El AI & Economy ATLAS de Google (Activity, Task, Landscape, and Adoption Study) muestreó interacciones en Gemini App, AI Mode y la API de Gemini entre el 6 y el 19 de abril de 2026, y las mapeó sobre las taxonomías oficiales de ocupaciones y tareas en 150 países y 140 idiomas. Dame Diane Coyle (Cambridge) y el Dr. David Autor (MIT) contribuyeron al informe — Autor es el economista que ha pasado dos décadas argumentando que la tecnología remodela el trabajo tarea a tarea, no puesto a puesto (Google, 2026).
La mayoría de los datos de adopción de IA que has visto son autodeclarados. Una encuesta pregunta a un manager si su equipo usa IA, y el manager responde a la pregunta que le habría gustado que le hicieran. ATLAS es conductual: observa lo que la gente llevó realmente al modelo y después clasifica la tarea. Ese giro importa, porque adopción declarada y cobertura observada de tareas no son la misma medida y nunca han dado el mismo número.
La distribución es más asimétrica de lo que sugiere la mediana del 21 %. En el 29 % de las ocupaciones detalladas, ATLAS no observó saturación de tareas alguna — reponedores y preparadores de pedidos, personal de preparación de alimentos, recogedores de residuos, agentes de patrulla. En el otro extremo, solo el 3 % de las ocupaciones mostró uso de IA en tres cuartas partes o más de sus tareas: analistas y testers de QA de software, especialistas de recursos humanos y especialistas en gestión documental (PPC Land, 2026).
Tres ocupaciones de cada cien están cubiertas en profundidad. Esa es tu lista de candidatos a la automatización. Es más corta de lo que dice tu diapositiva.
Vale la pena señalar la comparación que hace la propia Google, a efectos de calibración: el Economic Index de Anthropic encontró que en torno al 36 % de las ocupaciones usaba IA para al menos una cuarta parte de sus tareas; la cifra equivalente de Google ronda el 30 %, una brecha que los autores atribuyen en buena medida a umbrales de privacidad más estrictos y no a un comportamiento realmente distinto (PPC Land, 2026). Dos conjuntos de datos independientes, dos proveedores distintos, la misma forma: ancha y superficial.
Por qué la automatización de extremo a extremo se queda por debajo del 10 %
ATLAS clasificó los clústeres de conversación en cinco intenciones: automatización de tareas, redacción y generación parcial, revisión y refinamiento, ideación y estrategia, y búsqueda de información y aprendizaje.
El resultado invierte el relato habitual del desplazamiento. Las tareas cognitivas analíticas no rutinarias suponen el 35 % de todas las tareas de la taxonomía O\*NET, pero el 65 % de las interacciones laborales con Gemini. La gente recurre a la IA sobre todo en las partes más difíciles y menos estandarizadas de su trabajo — y es justo ahí donde con menos frecuencia entrega el conjunto. Menos del 10 % de esas conversaciones muestra intención de automatización de extremo a extremo. En el trabajo cognitivo rutinario, más de una cuarta parte sí lo hace (Google ATLAS v1.0, 2026).
El mecanismo no es un misterio. Una tarea se delega por completo cuando el resultado es verificable de un vistazo y el coste de un error está acotado. Reformatear un conjunto de datos cumple. Decidir a qué proveedor dejas de comprar, no. El trabajo no rutinario es exactamente aquel cuya corrección no puede confirmarse sin rehacer la mayor parte del razonamiento — así que la persona sigue en el bucle y el tiempo ahorrado es real pero parcial.
Google plantea la implicación sin rodeos: los datos no respaldan la idea de que la IA esté a punto de provocar una automatización y un desplazamiento masivos del trabajo de oficina. Los autores también advierten de que la clasificación de intenciones es preliminar y de que el comportamiento puede cambiar a medida que avance la capacidad de los modelos. Las dos mitades de esa frase pertenecen a tus supuestos de planificación.
Tu aritmética de plantilla presupone una profundidad que no tienes
Aquí es donde esto pasa de ser un gráfico interesante a un problema de operaciones.
El business case de IA estándar en el mid-market multiplica un ahorro de tiempo por tarea por un volumen de tareas, convierte horas en FTE y contabiliza la diferencia. Aritméticamente solo funciona si las horas ahorradas son contiguas y pertenecen a un puesto cuyo trabajo restante puede absorberse en otro sitio. ATLAS dice que las horas ahorradas están dispersas por una quinta parte de una cartera de tareas, en las partes del puesto que nunca fueron el cuello de botella.
Toma el caso mediano al pie de la letra. La IA cubre el 21 % de las tareas de un puesto. Supón — con generosidad — una reducción de tiempo del 40 % en cada una. Eso es una reducción del 8 % del tiempo total de tareas del puesto. No has liberado a una persona. Has liberado un fragmento de todos, repartido por la semana en trozos demasiado pequeños para reasignar y demasiado pequeños para aparecer en un parte de horas.
Por eso tantos pilotos informan a la vez de usuarios entusiastas y costes operativos planos. Ambas cosas son ciertas. Los ahorros son reales y los ahorros no son cobrables, porque cobrarlos exige consolidación de tareas — mover el 79 % restante a un puesto rediseñado — y nadie tiene ese encargo.
La trampa más profunda es el 3 %. Cuando un business case se construye sobre una función faro — testing de QA, gestión documental de RR. HH., trabajo administrativo de alta cobertura — la tasa de cobertura observada allí se extrapola en silencio al resto de la organización. No se transfiere. Esas tres ocupaciones de cada cien son estructuralmente inusuales: alta estandarización de tareas, salidas nativamente textuales, verificabilidad inmediata. Tus analistas financieros y tus account managers no tienen ninguna de esas propiedades.
La inversión de expertise que nadie puso en el presupuesto
El hallazgo con más probabilidades de estar mal en tu plan actual tiene que ver con quién se beneficia.
El supuesto dominante es que la IA vacía a los junior y amplifica a los senior. ATLAS lo complica por ambos lados. La intensidad de uso sube con fuerza con la retribución — un aumento del 1 % en el salario mediano de una ocupación se asocia con un aumento de más del 2,5 % en la intensidad de uso, que baja al 1,86 % una vez controlado el nivel educativo. Ponderado por empleo, el salario anual mediano de la muestra es de 62.252 dólares; ponderado por conversaciones con Gemini, 82.919 dólares; ponderado por tokens, 86.157 dólares (PPC Land, 2026).
Así que los perfiles senior y bien pagados son los usuarios intensivos. Pero al puntuar el nivel de expertise de cada tarea con la metodología de Autor y Thompson — que valora la rareza y la especificidad de dominio del vocabulario del enunciado de la tarea — el uso está más sobrerrepresentado en las tareas cognitivas de expertise más baja. Reescribir un informe en otro idioma. Redactar una especificación de producto.
Los trabajadores de alta expertise le están llevando a la IA su trabajo de baja expertise.
Esa inversión es lo más accionable del estudio, y apunta en dirección contraria a la mayoría de los planes de despliegue. El valor no está concentrado en dar a tu gente senior un socio de pensamiento más inteligente para las decisiones difíciles; está concentrado en sacar el residuo de baja expertise de agendas caras. Si tu despliegue apunta a puestos junior con la teoría de que su trabajo es más automatizable, estás desplegando contra el gradiente observado. La adopción sigue a la discrecionalidad, no a la simplicidad de la tarea — la gente usa IA donde tiene autoridad para decidir cómo se hace su propio trabajo.
Dónde se detiene esta evidencia
Los límites honestos, porque un Head of Operations no debería actuar sobre la telemetría de un proveedor sin ponerlos en precio.
ATLAS es Google midiendo a Google. Observa solo superficies Gemini, así que una empresa estandarizada en otro asistente queda fuera de plano. Es una muestra de dos semanas en un mercado que se mueve rápido. Las plataformas empresariales — Workspace, Gemini Enterprise, herramientas de coding agéntico — quedan en gran medida fuera del conjunto de datos granular, y es precisamente ahí donde es más probable que esté ocurriendo la automatización profunda e incrustada en el flujo de trabajo. Más del 86 % de las interacciones no son de trabajo; las conversaciones laborales suponen alrededor del 13,5 % del tráfico de App y AI Mode, de modo que la submuestra laboral, aun siendo grande, es una porción.
Y lo más importante: ATLAS mide comportamiento, no resultados. Una conversación completada no dice nada sobre si la persona consiguió lo que necesitaba o ahorró un minuto (Forte Group, 2026).
Nada de eso rescata el business case de plantilla. Una infravaloración del utillaje agéntico empresarial elevaría el techo de hacia dónde va la automatización; no cambia lo que una cobertura mediana del 21 % de las tareas implica para la organización que estás dirigiendo este trimestre. Y conviene nombrar la dirección del sesgo: aquí un proveedor de modelos publica un estudio que socava el relato de automatización que favorece su propio interés comercial. Los hallazgos que van contra el incentivo de quien los publica merecen más peso, no menos.
La auditoría que sustituye a la conjetura
Un movimiento concreto antes de tu próxima revisión de presupuesto de IA: deja de contar herramientas y cuenta tareas.
Elige los tres puestos que soportan tu mayor inversión en IA. Para cada uno, escribe la cartera de tareas — de 15 a 25 tareas discretas, enunciadas con claridad. Marca cada una frente a dos preguntas: ¿es el resultado verificable en menos de un minuto por alguien cualificado? y ¿cuesta una respuesta equivocada más que rehacerla?. Las tareas baratas de verificar y baratas de equivocar son tu conjunto real de automatización. Todo lo demás es asistencia, y la asistencia se manifiesta como calidad y tiempo de ciclo, nunca como plantilla.
Después mide la tasa de cobertura que realmente tienes. Si ronda el 21 %, estás en la mediana — normal, ni fracaso ni línea de ahorro. Si un puesto supera el 60 %, has encontrado uno del 3 %: rediseña ese puesto deliberadamente en lugar de esperar a que el ahorro aparezca solo. Si un puesto sigue por debajo del 10 % tras un año de licencias, el problema no es la herramienta ni son las personas. El trabajo simplemente no tiene la forma adecuada, y ese gasto en licencias pertenece a otro sitio.
La versión incómoda de este hallazgo es también la útil. La IA está en casi todos los puestos de tu empresa y en profundidad en casi ninguno, la automatización de extremo a extremo sigue siendo la excepción y no el plan, y los retornos están en el residuo de baja expertise que atasca tus agendas más caras. Ve a recuperarlo. Es más pequeño de lo que prometía el titular y mucho más cobrable.
