Andrej Karpathy — cofundador de OpenAI, ex-director de IA en Tesla, una de las personas que más sabe de deep learning en el planeta — publicó un proyecto open-source que puntuó las 342 ocupaciones del Bureau of Labor Statistics de EE.UU. en una escala de 0 a 10 de exposición a IA. El repo original fue eliminado, pero un fork sobrevive y los datos circularon ampliamente — amplificados por Linas Beliūnas, Tim Haldorsson con una visualización interactiva, y Marc Andreessen.

La reacción en redes fue la esperada: titulares sobre “trabajos que van a desaparecer” y listas de los más afectados. El problema es que la mayoría de esas interpretaciones son incorrectas. Lo que Karpathy midió no es qué ocupaciones mueren — es cuáles están más expuestas a lo que la IA ya puede hacer. Esa diferencia es la que separa a las empresas que planifican de las que reaccionan.

Qué hizo Karpathy exactamente

El proyecto toma las 342 categorías ocupacionales estándar del BLS — la misma taxonomía que usa el Departamento de Trabajo de EE.UU. para reportar empleo y salarios — y las pasa por un LLM con una rúbrica de evaluación estandarizada. Cada ocupación recibe un score de 0 (exposición nula) a 10 (exposición máxima).

El resultado es un treemap: un mapa visual donde cada rectángulo representa una ocupación, su tamaño refleja la cantidad de empleados, y su color la intensidad de exposición. Los datos incluyen salarios medianos, cantidad de trabajadores y el score asignado. Puedes explorar el treemap interactivo en esta versión live del fork (nota: al ser un fork no oficial, puede dejar de estar disponible en cualquier momento).

No es un modelo predictivo. No dice cuándo cambia cada trabajo, ni cuántos empleos se pierden. Es una radiografía de estado actual: dado lo que la IA puede hacer hoy, ¿qué tan expuesta está cada categoría ocupacional?

La credibilidad del ejercicio viene de dos lados. Primero, Karpathy tiene la profundidad técnica para diseñar una rúbrica sólida — no es un analista repitiendo papers, es alguien que construyó sistemas de IA a escala. Segundo, usa la taxonomía oficial del BLS, lo que hace los resultados comparables con cualquier análisis económico existente.

La regla de dos variables

De los 342 scores, emerge un patrón que se puede reducir a dos preguntas:

1. ¿El producto del trabajo es digital? — texto, código, datos, análisis, diseño digital
2. ¿El trabajo se puede hacer de forma remota? — sin presencia física requerida

La combinación de ambas respuestas predice el score con precisión:

	No remoto	Remoto
Output no digital	Techadores, conserjes (0-1)	Categoría rara
Output digital	Enfermeros, médicos (4-5)	Desarrolladores, paralegales (8-9)

Los techadores producen un output físico y trabajan en sitio — la IA no tiene dónde entrar. Los enfermeros producen outputs parcialmente digitales (documentación clínica) pero requieren presencia física constante — la IA entra en la documentación pero no reemplaza el cuidado. Los desarrolladores de software producen output 100% digital y pueden trabajar desde cualquier lugar — máxima exposición.

El cuadrante inferior derecho (output digital + remoto) es donde se concentran los scores 8-10. No porque esos trabajos sean “fáciles” — muchos requieren años de formación — sino porque el tipo de output que producen es exactamente lo que los modelos de lenguaje y las herramientas de IA generan hoy.

En IQ Source aplicamos un análisis similar cuando evaluamos oportunidades de IA en una organización — no a nivel de ocupación genérica, sino a nivel de proceso específico dentro de cada departamento. La lógica es la misma: si el output de un proceso es digital y no requiere juicio presencial, hay una oportunidad concreta.

$3.7 billones no es una proyección

La cifra que más circuló: $3.7 billones (trillones en inglés) en salarios están vinculados a ocupaciones en la zona 8-10 de exposición. Eso representa ~25 millones de empleos en EE.UU.

Dos matices que la mayoría de los análisis omiten:

El promedio ponderado es menor que el simple. El promedio simple de las 342 ocupaciones es 5.3/10. Pero cuando ponderas por cantidad de empleados, baja a 4.9. ¿Por qué? Los trabajos con exposición alta (8-10) tienden a emplear menos personas pero pagan más por persona. Los transcriptores médicos puntúan 10 pero son ~55,000 en EE.UU. Los cajeros puntúan bajo pero son millones.

Los $3.7 billones son una medición de estado actual, no una proyección. No dice “se van a perder $3.7B en salarios”. Dice: “hoy, $3.7B en masa salarial corresponde a ocupaciones donde la IA tiene alto potencial de intervención”. Es un mapa del territorio, no un pronóstico del clima.

La distinción importa porque cambia completamente qué hacer con los datos. Si crees que son $3.7 billones que se van a evaporar, la reacción natural es protegerse. Si entiendes que son $3.7 billones donde la IA ya tiene capacidad de intervenir — entonces la pregunta es dónde invertir primero.

Los sorprendidos y los que no deberían estarlo

Cuando la mayoría de las empresas piensa en “IA reemplazando trabajo”, piensa en robots en fábricas o chatbots en call centers. El mapa de Karpathy muestra algo diferente: la exposición más alta está en roles que la mayoría de los ejecutivos clasificaría como “trabajo de conocimiento difícil de automatizar”.

Ocupación	Score	¿Sorpresa?
Transcriptores médicos	10	No — output 100% digital, cero presencia
Desarrolladores de software	8-9	Parcial — ya visible con copilots de código
Paralegales y asistentes legales	8-9	Sí — muchos despachos aún no lo ven
Analistas de datos	8-9	Parcial — los modelos ya escriben SQL y Python
Contadores y auditores	7-8	Sí — la contabilidad se percibe como “demasiado regulada”
Redactores técnicos	8-9	No — output puramente textual
Médicos	4-5	Sí al revés — muchos esperaban más alto
Enfermeros	3-4	No — presencia física es el ancla
Electricistas	1-2	No — trabajo manual, sitio específico
Gerentes de construcción	3-4	Parcial — coordinan digitalmente pero supervisan en sitio

Los paralegales son el caso revelador. Dedican ~60% de su tiempo a revisión documental — un output digital, remoto, repetitivo. Un estudio de Thomson Reuters ya mostró que herramientas de IA en due diligence legal reducen el tiempo de revisión en ~70%. Los despachos que no están probando esto van a sentir el impacto de manera abrupta.

Lo mismo con contadores. La auditoría manual de asientos contables — que consume semanas en firmas medianas — es exactamente el tipo de tarea que un modelo de lenguaje con acceso a datos estructurados resuelve. No reemplaza al contador — lo libera de la verificación mecánica para enfocarse en interpretación y asesoría.

Si tu empresa tiene más de 200 empleados, en nuestra guía de IA por departamento detallamos cómo varía la oportunidad de aumento con IA en cada área funcional — desde finanzas hasta operaciones.

Cómo usar este mapa dentro de tu empresa

Los datos de Karpathy son útiles pero genéricos — puntúan ocupaciones estandarizadas, no tus procesos específicos. La pregunta real es qué haces con esa información dentro de tu organización.

Aplica el test de dos variables a tus propios roles. Toma tu organigrama y para cada posición pregunta: ¿el output principal es digital? ¿Se puede hacer remoto? No necesitas un score exacto — con separar tus roles en los cuatro cuadrantes de la matriz ya tienes un mapa de prioridades. Los roles en el cuadrante de alto digital + remoto son los que necesitan un plan de aumento primero.

Separa exposición de reemplazo. Un score de 8 no significa “eliminar este puesto”. Significa que la IA puede intervenir significativamente en las tareas que ese rol ejecuta. Un paralegal que pasa de revisar 200 documentos manualmente a supervisar una herramienta de IA que los revisa sigue siendo un paralegal — pero su productividad se multiplica y el tipo de valor que aporta cambia. La empresa que entrena a ese paralegal hoy tiene ventaja. La que espera a que la presión de costos fuerce la decisión pierde talento y tiempo.

Construye planes de aumento antes de que la presión obligue a recortar. La secuencia habitual es: competidor implementa IA → los márgenes se comprimen → la empresa recorta personal → descubre que no tiene quien opere las herramientas de IA. Es la secuencia equivocada. La correcta es invertir en aumento y capacitación mientras los márgenes lo permiten. Lo exploramos en detalle en el análisis de la paradoja de bifurcación en ingeniería: el talento que sabe trabajar con IA se está separando rápido del que no, y la brecha se ensancha cada trimestre.

En IQ Source ayudamos a empresas a moverse de “sabemos qué roles están expuestos” a “tenemos un plan de aumento para cada uno”. Eso incluye identificar qué procesos son candidatos reales y qué herramientas tienen sentido para cada equipo. También definimos cómo medir si el aumento está funcionando — no en teoría, sino con métricas de productividad concretas.

Lo que Karpathy no midió

El mapa tiene limitaciones reales que vale la pena nombrar.

No incluye timeline. Un score de 9 no dice si el impacto llega en 2026 o en 2032. Mide capacidad actual de la IA, no velocidad de adopción — y la adopción depende de regulación e inercia organizacional tanto como de costos de implementación y disponibilidad de herramientas comerciales maduras.

No mide roles nuevos. Cada ola tecnológica destruye categorías de empleo y crea otras. El mapa puntúa las 342 categorías que existen hoy — no las que van a existir en cinco años. “Ingeniero de prompts” no aparece en la taxonomía del BLS. “Supervisor de agentes de IA” tampoco.

Y hay un ángulo que el mapa ignora por completo: la dinámica de complemento. Acá vale la pena citar a Kevin A. Bryan, economista de la Universidad de Toronto, que publicó un argumento directo (respaldado después por Marc Andreessen): apostaría $1,000 a que la mayoría de las ocupaciones “más susceptibles” van a ver una mayor participación en el mercado laboral para 2030, no menor. Su lógica: la IA baja el costo de las tareas que esos trabajadores hacen, lo que aumenta la demanda por el servicio completo que incluye esas tareas. Más demanda de revisión legal automatizada = más demanda de paralegales que sepan usar esas herramientas, no menos.

No es una predicción segura — nadie tiene una. Pero refuerza el punto central: exposición no es extinción. Una ocupación con score 9 es una ocupación que está a punto de transformarse, y la diferencia entre beneficiarse de esa transformación o sufrirla es qué tan preparada está la organización.

Lo cubrimos con datos concretos en nuestro análisis de la brecha del 95% de potencial sin capturar: la mayoría de las empresas tiene acceso a las mismas herramientas de IA, pero solo captura una fracción del valor disponible. El mapa de Karpathy muestra dónde mirar. Capturar el valor depende de ejecución.

---

Karpathy puntuó ocupaciones. Nuestra herramienta de identificación de oportunidades de automatización puntúa tus procesos reales — no etiquetas genéricas del BLS, sino los workflows específicos de cada departamento de tu empresa. Gratis, 5 minutos, resultados inmediatos.