El 27 de agosto de 2026, la Oficina de Estadísticas Laborales (BLS) publicó su primera clasificación de exposición a la IA: cuatro categorías — baja, moderada, alta y muy alta — asignadas a las 831 ocupaciones detalladas de las proyecciones de empleo 2025-35. En la misma página, el BLS afirma que la clasificación "no es un pronóstico de crecimiento o descenso del empleo", "no es una estimación de la probabilidad de adopción de la IA" y "no es una estimación de sustitución de trabajadores" (U.S. Bureau of Labor Statistics, 2026).
En cuestión de días, la prensa sectorial la había convertido en listas de empleos en riesgo y empleos seguros.
Esa es exactamente la lectura que el organismo descarta — por escrito, en la misma página de la que salieron esas listas. Y importa más que una corrección puntillosa, porque la tabla de exposición a la IA del BLS está a punto de entrar en los planes de plantilla 2027 del mid-market como el insumo de aspecto más autorizado de la presentación. Una agencia estadística federal, todas las ocupaciones, cuatro niveles limpios. Se tratará como una lista de recortes. No puede sostener esa decisión.
Qué dice realmente la clasificación de exposición a la IA del BLS
La clasificación es un ranking relativo, producido por un algoritmo de agrupamiento sobre cinco medidas externas de exposición. El BLS es explícito sobre los límites: las categorías son "relativas a otras ocupaciones", no "implican un nivel absoluto de exposición 'alto' o 'bajo'" y "no distinguen entre impactos de la IA por automatización frente a aumento de capacidades" (U.S. Bureau of Labor Statistics, 2026).
Detente en esto último. Automatización y aumento son la misma categoría en esta tabla. "Exposición muy alta" es igual de compatible con que el trabajo desaparezca y con que lo haga la misma persona al triple de rendimiento, con un paso de revisión añadido. La tabla no dice cuál de las dos — y esa dirección es todo el contenido de una decisión de plantilla.
Las proyecciones que la rodean son el contexto del que suele extraerse el ranking. El BLS proyecta que la economía estadounidense sumará 5,9 millones de empleos entre 2025 y 2035, con el empleo pasando de 170,3 a 176,2 millones: un crecimiento del 3,5 por ciento, que la agencia describe como "más lento que el crecimiento del 10,9 por ciento registrado en la década 2015-25" (U.S. Bureau of Labor Statistics, 2026). Crecimiento más lento, no contracción. Los ajustes relacionados con la IA se concentran en ocupaciones informáticas y matemáticas, artes y medios, administración de empresas y servicios jurídicos.
El detalle de construcción que fija el techo
Los cinco insumos son tres medidas teóricas de exposición y dos conjuntos de datos de uso observado — el lado observado procede de los datos de uso de Claude de Anthropic y de los datos de Copilot de Microsoft. El BLS toma el rango percentil mediano dentro de cada dimensión y luego agrupa. De 4.155 combinaciones ocupación-fuente posibles, 3.944 fueron observadas y 211 imputadas, afectando a 75 ocupaciones (U.S. Bureau of Labor Statistics, 2026).
Y después la línea que debería gobernar hasta dónde dejas viajar esta tabla: "Las fuentes teóricas conceptualizan las capacidades de la IA como aquellas disponibles no más tarde de mediados de 2023."
Tres de cinco insumos describen una generación de modelos anterior a cualquier producto agéntico que tu equipo haya pilotado. El BLS señala además que las cinco fuentes tratan las ocupaciones como conjuntos de tareas independientes y "no consideran cuellos de botella, complementariedades u otras características no independientes de las ocupaciones".
No es un defecto del trabajo del BLS — es una propiedad declarada de la literatura disponible, y declararla es justamente para lo que existe una agencia estadística. Es un defecto del uso. Un plan de plantilla a diez años construido sobre este ranking incorpora una instantánea de capacidades de hace tres años, y lo hace dentro del único documento que tu director financiero no pensará en cuestionar.
Lo que el ranking sí mapea: la carga de verificación
Esta es la lectura defendible, y es la inversa de la popular.
Si una ocupación queda en el grupo de alta exposición, lo que las cinco fuentes subyacentes detectan en conjunto es que una parte amplia de sus tareas es del tipo que los modelos actuales intentarán hacer. Si el modelo acierta es una pregunta distinta que la puntuación de exposición no toca — porque, como señala el BLS, los insumos tratan las tareas como independientes e ignoran las complementariedades.
Así que la alta exposición predice alto volumen de borradores. El volumen de borradores genera demanda de revisión. Y la demanda de revisión es donde realmente está el coste.
McKinsey QuantumBlack lo cuantificó directamente para flujos bancarios: los costes de tokens suponen entre el 20 y el 25 por ciento del coste variable de operación de un agente de IA, mientras que la supervisión humana por parte de expertos funcionales y de riesgo supone entre el 70 y el 75 por ciento (McKinsey QuantumBlack, 2026). La partida cara es la revisión, y quien revisa debe tener suficiente autoridad para rechazar el resultado.
El estudio de MIT Technology Review Insights y Microsoft con 300 directivos y profesionales tecnológicos, que clasificó 101 tareas agénticas en una escala de confianza de 0 a 100, apunta en la misma dirección: la confianza seguía a la verificabilidad de la tarea y a la completitud del contexto de negocio, no a la capacidad del modelo, y el 59 por ciento ya planea supervisión humana permanente (MIT Technology Review Insights, 2026).
Leída con esa lente, la tabla del BLS se vuelve genuinamente útil. Tus ocupaciones de exposición muy alta y alta son aquellas donde se concentrará la producción generada por IA, lo que significa donde se concentrarán las horas de verificación, lo que significa donde necesitas personas con suficiente peso técnico para rechazar resultados malos. Recortar ahí primero elimina a los revisores de las funciones con más que revisar.
Por qué un puesto no puede sostener la decisión de todos modos
Hay un segundo problema, independiente del techo de mediados de 2023, y es estructural: la exposición se mide por ocupación, mientras que la adopción ocurre por persona.
Bick, Blandin, Deming y Schumacher, vinculando una encuesta nacionalmente representativa con las tareas detalladas de O*NET, encuentran que las medidas de exposición a la IA generativa explican solo alrededor de la mitad de la variación en la adopción entre trabajadores: personas que hacen trabajos similares adoptan de forma sistemáticamente distinta (NBER Working Paper 35677, 2026). También encuentran una adopción amplia pero superficial: al menos uno de cada cinco trabajadores usa IA generativa en el 80 por ciento de las ocupaciones y el 40 por ciento de las tareas, mientras que en la mayoría de los casos la adopción se mantiene por debajo del 50 por ciento.
La mitad de la varianza está dentro del puesto, no entre puestos. Lo que significa que un plan que asigna cambios de capacidad por código ocupacional está, en el mejor de los casos, informado a medias — y la mitad que se le escapa es la mitad sobre la que sí podrías actuar, porque la adopción individual responde a habilitación, herramientas y diseño del rol.
Usa las categorías de exposición a la IA del BLS como debe usarse una estadística nacional: como una hipótesis previa sobre dónde mirar. Después mira dentro de tu propia empresa, contra tu propio inventario de tareas. Dos ocupaciones de la misma categoría, en tu edificio, no se comportarán igual, y el residuo no es ruido — es la parte del problema sobre la que tienes palanca.
La contraparte honesta: sigue siendo la mejor referencia pública
Quiero ser ecuánime sobre lo que hizo el BLS, porque "no la uses como lista de recortes" no es "no la uses".
Es la primera clasificación que cubre todas las ocupaciones proyectadas con un método consistente, combina evidencia teórica y de uso observado en lugar de elegir un bando, y documenta sus propios límites con más franqueza que la mayoría de la investigación de proveedores. Para comparar tu mezcla de plantilla con la distribución nacional, para secuenciar qué funciones reciben primero presupuesto de habilitación, para argumentar ante un consejo que quiere una fuente citable — es el mejor instrumento público disponible, y nadie en el mid-market producirá uno mejor internamente.
El fallo no es la tabla. Es la compresión: cuatro niveles, una columna, una etiqueta de categoría que se lee como un veredicto. Ese formato invita a una conclusión sobre plantilla que el método subyacente no puede respaldar, y el BLS lo dijo de forma preventiva en la misma página. La disciplina requerida es mínima: lleva las salvedades junto al número cada vez que aparezca en una diapositiva.
Qué decidir este trimestre
Cuatro cambios en cómo entra el ranking de exposición a la IA del BLS en tu ciclo de planificación 2027.
- Cambia el nombre de la columna. Donde aparezca la categoría de exposición en un documento de planificación, el encabezado es "carga de revisión esperada", no "riesgo". Mismos datos, verbo correcto. La etiqueta hace la mayor parte del trabajo en cómo se lee una tabla.
- Acompaña cada puntuación de exposición con una medida interna de adopción. La exposición explica cerca de la mitad de la varianza; tus propios datos de uso explican el resto. Si no puedes medir la adopción por trabajador, esa instrumentación es el requisito previo del plan, no su resultado.
- Protege la profundidad de revisión en tus funciones más expuestas. Son las que generarán más producción automática y necesitarán más criterio sénior para comprobarla. Modela las horas de revisión antes de modelar los ahorros.
- Fecha el supuesto de capacidades. Escribe "los insumos teóricos reflejan capacidades de IA no posteriores a mediados de 2023" directamente debajo de la tabla. Envejece la afirmación ante quien la lea después — la única defensa contra una instantánea de 2026 que gobierne en silencio una proyección a 2035.
El BLS te dio un mapa de dónde cambiará el trabajo. Dijo, cinco veces distintas y con sus propias palabras, que no te dio un mapa de a dónde van los trabajadores.
Si una cifra de plantilla 2027 de tu plan se remonta a una etiqueta de exposición muy alta, no has tomado una decisión de personal. Has citado un ranking que descartaba el uso que acabas de darle — y la agencia que lo publicó no será la que defienda esa cifra cuando resulte equivocada.
