Ciegos por diseño: lo que los índices de exposición a la IA no ven sobre los mercados laborales del Sur Global — y por qué importa para el futuro del trabajo
Ramiro Albrieu l Junio 2026
La semana pasada viajé a Ciudad del Cabo. Estuve allí por un proyecto en el que estoy colaborando, que busca mirar con ojos africanos renovados cómo la IA está transformando —y podría transformar— los trabajos. Durante el vuelo, pasé unas horas revisando el material que tenía que presentar: una revisión curada de los principales índices que miden la exposición a la IA en distintas ocupaciones y lo que nos dicen sobre la brecha Norte-Sur.
La conclusión de esos índices es consistente: las personas trabajadoras de alta calificación son las expuestas, mientras que el resto del mercado laboral —llamémoslas personas trabajadoras de menor calificación— apenas aparece en la foto.[1] Las ocupaciones de alta calificación representan entre el 7% y el 12% del empleo total en países de ingresos bajos y medios-bajos, y casi el 45% en el Norte Global.[2] La conclusión parece clara. La historia parece cerrada —y así moldea buena parte del debate global sobre el futuro del trabajo. Entonces llegué a Ciudad del Cabo.
Mientras caminaba por la ciudad, empecé a ver una y otra vez la misma escena: un vendedor ambulante consultando precios con un asistente de voz. Un conductor organizando su recorrido con una aplicación impulsada por IA. Una pequeña comerciante fotografiando su stock con un teléfono, mientras una app registraba qué se vendía. Una trabajadora doméstica gestionando horarios con sus clientes a través de un bot de mensajería. En ese momento entendí que venía viendo esa misma escena desde hace años, pero más cerca de casa, en los mercados laborales latinoamericanos. El plomero que usa ChatGPT para redactar un presupuesto y coordina con sus clientes por mensajes de voz de WhatsApp. La costurera que maneja el Instagram de su emprendimiento desde el celular, usando textos generados con IA. La vendedora de comida callejera que consulta precios de insumos con un bot y lleva sus cuentas en una app gratuita impulsada por IA. Según la mayoría de los índices estándar de exposición, ninguno de estos trabajadores latinoamericanos y africanos está expuesto a la IA. Desde cualquier mirada observacional, lo están completamente. Algo en la imagen estándar no cierra.
Esta aparente paradoja me recordó a El reino de este mundo, de Alejo Carpentier.[3] Carpentier observaba que aquello que para el observador externo aparece como maravilloso, paradójico, anómalo —lo extraordinario filtrándose en lo cotidiano— es simplemente la textura ordinaria de la experiencia en esta parte del mundo. Una persona trabajadora de menor calificación usando IA de frontera en su trabajo diario parece, desde la mirada de la literatura estándar sobre exposición, una escena de realismo mágico. Pero desde una perspectiva del Sur Global, es una realidad. Una realidad que, con las acciones adecuadas para orientar el cambio, puede hacer que la IA sea transformadora en un sentido verdaderamente global.
¿Por qué los índices tradicionales de exposición tratan estas realidades como anomalías y no logran detectar la enorme posibilidad que traen consigo? Miremos las tareas que realizan las personas trabajadoras en las calles activas de Ciudad del Cabo o Lima. Son mercados laborales caracterizados por una baja especialización ocupacional: cada trabajador es también su propio gerente, contador, diseñador web y administrador. En el Norte Global, estas tareas periféricas pueden tercerizarse hacia segmentos altamente especializados del mercado laboral. En el Sur Global, en cambio, muchas de esas tareas periféricas no tienen ocupaciones dedicadas —o sus mercados son muy poco desarrollados[4]—, por lo que las personas trabajadoras deben absorberlas como parte de su trabajo cotidiano. Así, en África y América Latina, el trabajo “todero” —la persona que hace de todo[5]— no es una anomalía: es el trabajador modal. La organización del mercado laboral difiere entre el Norte y el Sur; en este último, las personas trabajadoras dedican una parte significativa de su tiempo a tareas periféricas, lo que limita la especialización y reduce la productividad.
Y ahí es donde entra la IA: la IA está superando a los humanos precisamente en esas tareas periféricas. Las actividades laborales más comunes asistidas por IA involucran trabajo con información: crear, procesar y comunicar información.[6] Eso se conecta directamente con el amplio universo de tareas administrativas, comerciales, financieras y logísticas. Si la IA es más potente justamente donde la carga de estos trabajadores es más pesada, entonces los índices de exposición —construidos sobre el supuesto de que las ocupaciones contienen las mismas tareas en todas partes— se están perdiendo una parte muy importante de la historia.
El uso real de la IA nos muestra que la oportunidad está ahí. Para poner a prueba si la IA sesga sus beneficios hacia las personas más calificadas o si, por el contrario, puede igualar oportunidades, desde Sur Futuro nos asociamos con CEDLAS, la Universidad Torcuato Di Tella y otros aliados para realizar un experimento aleatorizado con más de mil participantes. El hallazgo fue claro: las personas trabajadoras de menor calificación obtienen las mayores ganancias de productividad con la IA generativa, cerrando aproximadamente el 75% de la brecha de desempeño con las personas trabajadoras de mayor calificación.[7] Ese es el multiplicador que estaba oculto a plena vista.
¿Cómo llevar esto más lejos y hacer que ocurra por diseño, de manera más generalizada y orientada a la productividad? El punto de partida es contar con mejor información. No sabemos con suficiente precisión qué herramientas de IA están usando realmente las personas trabajadoras de baja y media calificación en el Sur Global: los asistentes de voz, las herramientas conversacionales, las aplicaciones móviles que son la verdadera interfaz entre estos trabajadores y la tecnología, y que no aparecen en ningún índice de exposición existente. Y sabemos aún menos sobre qué tareas realizan efectivamente estas personas en sus trabajos. Los datos granulares sobre tareas a nivel ocupacional que informan las mediciones de exposición a la IA fueron construidos para mercados laborales de países ricos. Para África y América Latina, esos datos —al nivel de lo que hace un plomero, una vendedora de mercado o una trabajadora doméstica hora por hora— en gran medida no existen.
Si logramos reunir datos reales tanto sobre las aplicaciones de IA más utilizadas como sobre el contenido de tareas de los trabajos, se abrirá un espacio de diseño rico y hasta ahora desconocido. Del lado de la tecnología, empecemos a imaginar productos que todavía no existen: herramientas de IA pensadas primero para el celular y diseñadas para las condiciones reales de uso en el Sur —baja conectividad, lenguas y registros locales, interfaces que no asuman un capital cultural que no siempre está disponible. Del lado de las habilidades: formación que vaya más allá de cursos superficiales y desarrolle la capacidad real de las personas trabajadoras para evaluar, cuestionar y adaptar los resultados de la IA a situaciones concretas de sus oficios. No recomendaciones genéricas de reconversión, sino respuestas específicas a preguntas específicas: ¿qué necesita aprender un plomero, una costurera o una vendedora de comida para trabajar mejor con IA? Ese es el espacio de diseño para un futuro del trabajo que incluya realmente al Sur Global.
El sesgo incorporado en los índices estándar de exposición no es solo geográfico —que los datos de uso provengan casi exclusivamente de Estados Unidos— ni ocupacional —que solo los trabajos de oficina, orientados a lo digital y medibles en plataformas de datos dejen huella en los registros—.[8] Es ontológico: las propias categorías usadas para definir qué es un “trabajo”, qué “tareas” contiene y, por lo tanto, qué significa “exposición a la IA”, fueron construidas para un tipo particular de economía. No dejan afuera al vendedor ambulante o al todero por una brecha de datos. No los ven porque su arquitectura conceptual nunca fue diseñada para hacerlo. Eso es lo que señalaba Carpentier: la anomalía no está en la realidad. Está en la lente.
Volví a Buenos Aires con una idea en mente: que la IA puede transformar los trabajos de menor calificación y, con eso, traer más productividad y bienestar a las personas trabajadoras del Sur Global. Construir una IA verdaderamente transformadora para el Sur Global —y un futuro del trabajo que funcione para todas las personas— implica construir nuevas lentes y luego actuar sobre lo que esas lentes revelan.
[1] Las dos metodologías más citadas son el índice de exposición ocupacional a la IA del FMI (Felten, Raj & Seamans 2021; Pizzinelli et al. 2023) y el índice de exposición ocupacional de la OIT (Gmyrek, Berg & Bescond 2023, revisado en 2025). Ambos muestran una brecha Norte-Sur consistente: el 34% del empleo en países de altos ingresos se encuentra en ocupaciones con algún grado de exposición a la IA; en países de bajos ingresos, el 11%.
[2] Estimaciones modeladas de la OIT, noviembre de 2025. Las ocupaciones de alta calificación (grupos 1–3 de la CIUO-08) representan el 6,9% del empleo en países de bajos ingresos, el 11,6% en países de ingresos medios-bajos y el 44,9% en países de altos ingresos.
[3] Alejo Carpentier, El reino de este mundo (1949). El argumento aparece en el prólogo de la novela, donde Carpentier desarrolla el concepto de lo real maravilloso: la idea de que aquello que el observador externo experimenta como extraordinario es, en esta parte del mundo, simplemente la textura de lo cotidiano.
[4] De hecho, según Bandiera et al. (2022), los países de altos ingresos tienen más de cuatro veces más tipos de ocupaciones que los países más pobres.
[5] El término todero —en términos generales, “alguien que hace de todo”— se usa en varios países de América Latina para describir a trabajadores que operan en entornos laborales de baja especialización y asumen una amplia variedad de tareas más allá de su oficio principal. Eduardo Galeano evoca este fenómeno en Las venas abiertas de América Latina. Un análisis sistemático reciente con datos de Perú puede encontrarse en Atencio-De León et al. (2025).
[6] Tomlinson et al. (2025), análisis de 200.000 conversaciones de Bing Copilot clasificadas según actividades laborales de ONET; Chatterji et al. (2025), análisis de 1,1 millones de interacciones con ChatGPT.
[7] Cruces, Fernández Meijide, Galiani, Gálvez & Lombardi (2026). NBER Working Paper 34851. https://www.nber.org/papers/w34851
[8] Massenkoff, M., Lyubich, E., Sacher, S., Hitzig, Z., Zhang, S., Heller, R. & McCrory, P. (2026). Anthropic Economic Index report: Cadences. Anthropic, 26 de junio de 2026. https://www.anthropic.com/research/economic-index-june-2026-report. El informe documenta dos sesgos que se refuerzan en los datos disponibles sobre uso de IA: un sesgo geográfico —los microdatos existen solo para Estados Unidos; hay agregados por país, pero no permiten identificar quién usa IA, para qué tarea o en qué ocupación— y un sesgo ocupacional —las categorías de ocupaciones físicas, como transporte, construcción y servicios de comida, están subrepresentadas en las sesiones de Claude y en la encuesta.
