El reemplazo laboral de la IA ¿Realidad o exageración? La Dra. Vanessa Moscardó, experta de VIU, responde
Reemplazo laboral, millones de empleos destruidos, trabajos obsoletos. Todos hemos leído titulares augurando un futuro oscuro para gran parte del mercado laboral, debido a la irrupción de las herramientas de Inteligencia Artificial ¿Pero es realmente cierto lo que las voces más agoreras anuncian?
Para entender mejor el panorama actual y futuro, y las implicaciones que tiene el cambio de paradigma que ha significado la introducción de las herramientas de IA a nivel de usuario, nos hemos puesto en contacto con la experta de VIU, Dra. Vanessa Moscardó García, doctora en Automática, Robótica e Informática Industrial, e investigadora en Inteligencia Artificial con experiencia en universidad y empresa. Especializada en machine learning, NLP y Large Language Models aplicados a retos reales, la Dra. Moscardó García es, además, directora del Grado en Ciencia de Datos e Inteligencia Artificial de VIU.
P: En tu opinión, ¿estamos ante un verdadero reemplazo de empleo o ante una redefinición profunda de cómo se trabaja dentro de las organizaciones?
R: No estamos ante una sustitución masiva e indiscriminada de empleos, sino ante una redefinición profunda del trabajo. La IA automatiza partes concretas de muchas profesiones, pero también eleva el valor de quienes saben formular buenos problemas, supervisar resultados, tomar decisiones y conectar la tecnología con objetivos reales de negocio.
La evidencia disponible apunta en esa dirección: una de cada cuatro personas trabaja en ocupaciones expuestas en alguna medida a la IA generativa, pero el resultado más probable es la transformación de los puestos, no su desaparición completa. El gran reto para las organizaciones será rediseñar procesos y acompañar a las personas con formación, tiempo para aprender y criterios claros de uso responsable.
P: ¿Qué funciones o tareas están siendo realmente sustituidas por IA y cuáles están evolucionando hacia roles más estratégicos?
R: Las tareas más sustituibles son las repetitivas, estandarizables y basadas en información digital: clasificación inicial de documentos, transcripción, elaboración de borradores, atención al cliente de primer nivel, generación de informes periódicos, extracción de datos o programación rutinaria.
En cambio, evolucionan hacia una dimensión más estratégica las funciones que exigen juicio profesional, conocimiento del contexto, creatividad, relación humana y responsabilidad. Un profesional de marketing dedicará menos tiempo a generar variantes de un texto y más a definir una estrategia de marca; un analista podrá automatizar parte del reporte y concentrarse en interpretar causas, riesgos y oportunidades; y un docente podrá personalizar recursos, pero seguirá siendo esencial para orientar, evaluar y acompañar el aprendizaje.
La Dra. Vanessa Moscardó García
P: Desde tu experiencia, ¿Qué sectores están viviendo una disrupción más profunda por la IA y cuáles todavía están en fases tempranas de adopción?
R: Desde mi perspectiva, la disrupción más profunda se está produciendo en sectores donde coinciden tres condiciones: alta digitalización previa, gran volumen de datos estructurados o textuales y procesos relativamente estandarizados. Es el caso de los servicios financieros y aseguradores (detección de fraude, evaluación de riesgos, atención al cliente, automatización documental); de los servicios profesionales (análisis de contratos, auditoría, consultoría o producción de informes); y de marketing, medios y comercio digital, donde la IA ya transforma la segmentación, la personalización, la producción de contenidos y la optimización de campañas. También observamos cambios importantes en el desarrollo de software, no tanto porque la IA sustituya al profesional, sino porque acelera tareas de programación, pruebas, documentación y mantenimiento.
En cambio, sectores como industria, construcción, agricultura, administración pública o parte de la pequeña y mediana empresa avanzan a un ritmo más desigual. No les falta potencial (pueden beneficiarse mucho de la visión artificial, el mantenimiento predictivo, la optimización logística o la automatización administrativa), pero afrontan barreras adicionales como datos dispersos o de baja calidad, sistemas heredados, necesidad de integración con procesos físicos, inversión inicial, regulación y escasez de talento especializado.
Por tanto, la IA progresa con más cautela cuando afecta a la seguridad, los derechos de las personas o infraestructuras físicas críticas.
P: ¿Qué errores están cometiendo hoy las empresas al implementar IA en sus equipos, especialmente en relación con el talento?
R: El error más frecuente es entender la IA como una herramienta que se compra, en lugar de como una capacidad organizativa que se construye. Implantar una solución sin datos fiables, sin rediseñar procesos y sin un caso de uso con impacto medible suele generar pilotos vistosos, pero poco escalables.
Con relación al talento, muchas empresas cometen tres errores: (1) Buscar únicamente perfiles técnicos y olvidar a los expertos del negocio que conocen los procesos, los clientes y los riesgos. (2) Introducir herramientas sin formación ni participación de los equipos, lo que genera resistencia, usos inseguros o expectativas irreales. (3) Medir el éxito solo por ahorro de tiempo, sin considerar calidad, trazabilidad, seguridad, sesgos, experiencia de cliente o nuevas oportunidades de valor.
La brecha de capacidades y la evangelización en la IA dentro de las empresas podría ser una de las principales preocupaciones. Por eso, la estrategia no debe ser “sustituir personas”, sino aumentar sus capacidades y distribuir el conocimiento de IA dentro de la organización.
P: ¿Qué habilidades —tanto técnicas como humanas— están marcando la diferencia en profesionales que ya trabajan con IA en entornos reales?
Las competencias técnicas siguen siendo esenciales: alfabetización en datos, estadística, programación, comprensión de modelos de aprendizaje automático, evaluación de sistemas, ingeniería de datos, ciberseguridad y nociones de despliegue y gobierno de IA.
Sin embargo, las habilidades diferenciales son cada vez más híbridas y centradas en las soft skills:
- Pensamiento crítico para comprobar si una respuesta de IA es correcta, relevante y suficientemente fundamentada.
- Capacidad de formular problemas y traducir necesidades de negocio a casos de uso viables.
- Comunicación para explicar resultados técnicos a personas no especializadas.
- Criterio ético y conocimiento regulatorio para identificar riesgos de privacidad, sesgo, propiedad intelectual o uso indebido.
- Creatividad, curiosidad y aprendizaje continuo para explorar soluciones nuevas sin perder rigor.
- Resiliencia, liderazgo y aprendizaje permanente.
P: ¿Cómo pueden los profesionales combinar conocimientos en IA con habilidades transversales —como pensamiento crítico o creatividad— para construir perfiles diferenciales?
R: Los perfiles diferenciales no surgirán simplemente de sumar “conocimientos de IA” y “soft skills o habilidades blandas”, sino de saber integrarlos en el ciclo completo de una decisión: definir el problema, valorar si la IA es adecuada, diseñar o seleccionar la solución, evaluar sus resultados y asumir la responsabilidad de su uso. Por ello, junto a las competencias técnicas, seguirán siendo esenciales la resolución de problemas, la creatividad, la innovación y las capacidades de gestión.
En la práctica, el pensamiento crítico se traduce en competencias muy concretas. Implica cuestionar la calidad y representatividad de los datos; distinguir entre una respuesta plausible y una respuesta fiable; diseñar métricas de evaluación acordes con el objetivo; identificar sesgos, errores y casos límite; y saber cuándo un resultado debe ser revisado o invalidado por una persona experta. En sistemas de alto impacto (salud, selección de personal, crédito, educación) no basta con que un modelo sea preciso en promedio, sino que hay que analizar para quién falla, con qué consecuencias y qué mecanismos de supervisión existen.
La creatividad también debe entenderse de forma operativa. No consiste solo en pedir contenidos a una herramienta generativa, sino en reformular problemas, proponer hipótesis, combinar fuentes de datos y diseñar interacciones humano-IA que mejoren un proceso real. Por ejemplo, un analista de datos diferencial no se debe limitar a construir un modelo de predicción de abandono, debe de trabajar con el área de negocio para definir qué significa realmente abandono, evaluar si los datos incorporan sesgos históricos y transformar la predicción en una intervención que pueda medirse y mejorarse.
P: Programas como el Máster en Inteligencia Artificial o en Big Data de VIU ofrecen una formación muy práctica. ¿Cómo se traduce esto en ventajas competitivas reales para el alumno en el mercado laboral?
R: Una formación práctica aporta una ventaja competitiva cuando permite pasar de comprender conceptos a resolver problemas reales: recoger y preparar datos, entrenar y evaluar modelos, interpretar resultados, desplegar soluciones y comunicar su valor. El mercado no demanda únicamente personas que conozcan algoritmos, sino profesionales capaces de desarrollar proyectos completos y responsables.
En VIU, el Máster Universitario en Inteligencia Artificial se presenta con una metodología online y orientada a la práctica, mientras que el Máster Universitario en Big Data y Ciencia de Datos integra procesamiento de datos, analítica, machine learning, visualización, inteligencia de negocio, prácticas y trabajo final. Esto facilita que el alumnado construya un portafolio demostrable, maneje herramientas utilizadas en entornos profesionales y sea capaz de dialogar tanto con equipos técnicos como con áreas de negocio.
P: ¿Qué nuevos perfiles profesionales están emergiendo gracias a la IA y cuáles crees que tendrán mayor demanda en los próximos 3–5 años?
R: En los próximos tres a cinco años crecerá la demanda de perfiles que conviertan la IA en valor operativo, fiable y escalable. Entre ellos destacaría, por ejemplo:
- Ingeniero/a de IA generativa y de aplicaciones basadas en modelos de lenguaje.
- Profesional de MLOps o LLMOps, centrado en desplegar, monitorizar, actualizar y gobernar modelos en producción.
- Especialista en evaluación y aseguramiento de calidad de sistemas de IA.
- Responsable de gobierno, ética, riesgo y cumplimiento normativo de IA.
- Diseñador o diseñadora de interacción humano-IA y de experiencias conversacionales.
- Consultor o responsable de transformación con IA en sectores concretos, como salud, industria, educación, banca o administración pública.
P: ¿Estamos entrando en una era donde los perfiles híbridos —como marketing + IA o RRHH + analítica— serán más valiosos que los puramente técnicos?
R: Sí. Los perfiles híbridos serán especialmente valiosos. No porque los perfiles técnicos pierdan importancia, sino porque las organizaciones necesitan profesionales capaces de conectar la tecnología con decisiones, procesos y personas.
Un perfil de RR. HH. con analítica puede mejorar la planificación de talento y detectar necesidades formativas; un profesional de marketing con IA puede personalizar campañas y medir su impacto; y una persona experta en operaciones con conocimientos de datos puede optimizar previsiones, inventario o mantenimiento. Los perfiles puramente técnicos seguirán siendo indispensables para crear la infraestructura y los modelos, pero los híbridos serán decisivos para lograr adopción y retorno real.
P: ¿Qué le dirías hoy a alguien que cree que la inteligencia artificial le va a quitar el trabajo en los próximos cinco años?
R: Le diría que no centre su preocupación en si “la IA le quitará el trabajo”, sino en qué partes de su trabajo puede mejorar con ella y qué capacidades humanas puede reforzar. El riesgo mayor no es competir contra una herramienta, sino quedarse al margen de quienes aprendan a utilizarla con criterio.
No todas las tareas tienen el mismo nivel de automatización, y muy pocos empleos se componen exclusivamente de tareas plenamente automatizables con la tecnología actual. La mejor respuesta es aprender, y eso significa entender los fundamentos, experimentar con casos reales de su sector, verificar siempre los resultados y desarrollar aquello que la IA no sustituye fácilmente como son el criterio, la empatía, la responsabilidad, la creatividad y la capacidad de colaborar.