El mundo laboral en expansión de ChatGPT revela una combinación más amplia de tareas
OpenAI publicó el 26 de octubre datos que abarcan 165 actividades laborales en casi 100 países, lo que ofrece a los investigadores una visión más detallada del uso de ChatGPT por parte de consumidores. El mundo laboral en expansión de ChatGPT describe una gama cada vez mayor de solicitudes. La tensión central se refiere a lo que estas solicitudes revelan sobre el cambio económico, especialmente cuando usar una herramienta y mejorar el trabajo son resultados diferentes.
Para los empleadores, la publicación plantea una pregunta práctica sobre dónde los empleados encuentran útil la IA. Para los investigadores, ofrece una forma de conectar la actividad conversacional con categorías ocupacionales consolidadas. Ninguno de los dos públicos debería considerar una combinación cambiante de tareas como una medida directa de productividad, desplazamiento de trabajadores o adopción empresarial.
La investigación de Anthropic sobre Claude ofrece una comparación útil porque también rastrea cómo el uso de la IA se extiende entre tareas. En conjunto, estos esfuerzos hacen que la IA en el lugar de trabajo sea más observable. También aumentan la presión sobre proveedores y compradores para distinguir la evidencia de experimentación de la evidencia de valor duradero.
Qué mide realmente el mundo laboral en expansión de ChatGPT
Según la publicación sobre actividades laborales de OpenAI, la serie trimestral abarca desde el primer trimestre de 2025 hasta el tercer trimestre de 2026. En 74 países observados durante todo el período, las diez actividades principales representaron en promedio el 51,1% de los mensajes laborales clasificados, frente al 56,0%.
Eso supone una caída de 4,9 puntos porcentuales. El hallazgo se refiere a la composición de los mensajes laborales, no a la cantidad de trabajo completado.
Una composición cambiante importa porque una historia de adopción puede verse distinta bajo sus cifras generales. Una herramienta podría atraer más uso mientras cumple propósitos conocidos. Como alternativa, su audiencia existente podría empezar a plantearle una variedad más amplia de problemas. Estas representan formas distintas de expansión.
La publicación crea una oportunidad para investigar esa distinción. Los investigadores pueden examinar si los patrones de actividad evolucionan de forma conjunta entre lugares o se desarrollan de manera diferente. La pregunta útil pasa a ser qué trabajo entra en la conversación, en lugar de si un país simplemente parece entusiasmado con la IA.
La conexión ocupacional se produce a través de las Actividades Laborales Intermedias, categorías que agrupan tareas relacionadas entre distintos empleos. OpenAI extrae estas categorías de O*NET, un marco de información ocupacional. Su modelo de contenido ocupacional separa las actividades laborales de los cargos, los requisitos de los trabajadores y las condiciones del lugar de trabajo.
Esta distinción cambia la unidad de análisis. Preparar una explicación, evaluar información y organizar material pueden aparecer dentro de diferentes ocupaciones. Observar únicamente los cargos ocultaría esas actividades compartidas.
Consideremos a un empleado hipotético que prepara una presentación. La tarea podría implicar interpretar comentarios de clientes, revisar supuestos financieros y redactar texto explicativo. Un cargo describe al empleado de forma general. Las categorías de actividad describen partes de la tarea.
Esta visión más detallada ofrece a los investigadores un mejor punto de partida para estudiar dónde entra la asistencia en un flujo de trabajo. Aun así, deja fuera del marco el proceso que la rodea. Alguien debe decidir si la presentación responde a la pregunta empresarial y si la evidencia que la respalda se sostiene.
La misma cautela se aplica a las comparaciones a lo largo del tiempo. Una participación decreciente de una actividad principal no demuestra que las personas la realicen con menor frecuencia. Otras actividades podrían simplemente crecer más rápido.
Por esa razón, el mundo laboral en expansión de ChatGPT debe leerse como un mapa de la atención cambiante dentro de la plataforma observada. Su valor reside en orientar mejores preguntas hacia actividades concretas. Convertir ese mapa en una explicación de los resultados económicos requiere evidencia adicional.
Los empleadores afrontan un problema de medición que va más allá de la adopción
La presión inmediata recae en los empleadores que necesitan conectar el interés de los empleados con resultados empresariales fiables. Una gama más amplia de solicitudes expande el territorio que deben evaluar.
Una organización puede aprobar una herramienta de IA sin entender dónde ayuda. Los empleados pueden usarla para explorar un tema desconocido, mejorar un borrador o resolver un problema analítico. Cada actividad crea una relación distinta entre asistencia, verificación y responsabilidad.
Por tanto, la cuestión de gestión va más allá del acceso. Un borrador terminado tiene poco valor operativo si sus afirmaciones requieren una corrección extensa. Una respuesta que ayuda a un empleado a comprender un problema puede generar valor incluso cuando ningún texto generado llega al entregable final.
Estas posibilidades sugieren medidas diferentes. El tiempo de finalización importa para tareas repetitivas. La precisión importa cuando los errores tienen consecuencias. El aprendizaje importa cuando los empleados deben realizar trabajos similares de forma independiente más adelante.
Un único panel de adopción no puede resolver todas estas preguntas. Contar cuentas activas establece participación. Contar mensajes establece interacción. Ninguno demuestra automáticamente que la organización haya gestionado mejor una tarea.
La investigación independiente ilustra la importancia de observar directamente los resultados. Erik Brynjolfsson, Danielle Li y Lindsey Raymond estudiaron un asistente conversacional utilizado por agentes de atención al cliente. Su estudio sobre productividad laboral midió los casos resueltos por hora y encontró beneficios que diferían según los niveles de experiencia de los trabajadores.
La relevancia aquí se refiere al diseño de investigación. La atención al cliente ofrecía un entorno definido, una intervención específica y un resultado operativo observable. Eso respalda un tipo de inferencia diferente al de la distribución de solicitudes de una plataforma.
Por ello, un empleador que lea la nueva publicación de Signals debería tratar las actividades populares como candidatas para la investigación. La popularidad identifica algo que los empleados intentan lograr. No explica si el enfoque actual funciona.
Tomemos a un gerente hipotético que utiliza IA para preparar una actualización de proyecto. Producir una prosa legible es parte de la tarea. Determinar qué hitos se retrasaron realmente, qué decisiones siguen abiertas y qué compromisos cambiaron requiere registros de respaldo.
Si el borrador presenta incorrectamente esos hechos, la fluidez puede ocultar trabajo adicional. Alguien debe localizar la discrepancia, recuperar el contexto original y revisar la actualización. Evaluar únicamente la velocidad de redacción pasaría por alto esa carga.
Aquí es donde la gestión del conocimiento personal se vuelve relevante para el debate más amplio sobre el lugar de trabajo. La calidad de una respuesta depende en parte de si las personas pueden localizar y evaluar la información que la sustenta.
Esta conexión no establece una afirmación de rendimiento para remio ni para ningún otro producto. Identifica un componente independiente del flujo de trabajo: mantener disponible evidencia útil cuando una decisión necesita respaldo.
Para los compradores, la implicación práctica es pedir una explicación completa de la tarea. ¿Qué recibió el empleado, qué produjo el asistente y qué verificación siguió? Las respuestas proporcionan una base de compra más sólida que un volumen impresionante de actividad.
La investigación sobre Claude muestra por qué un uso más amplio requiere interpretación
El mundo laboral en expansión de ChatGPT llega dentro de un esfuerzo ya existente por medir la IA mediante el comportamiento observado. La investigación sobre adopción de IA de Anthropic ofrece una comparación especialmente relevante.
Su informe de marzo de 2026 concluyó que las diez tareas principales de Claude.ai cayeron del 24% de las conversaciones en noviembre al 19% en febrero. Anthropic también describió una migración de la actividad de programación hacia su interfaz para desarrolladores y cambios en el uso personal y académico.
Una distribución más amplia de tareas puede reflejar varios cambios que ocurren a la vez. La migración de productos, la composición de la audiencia y las necesidades cambiantes merecen análisis antes de extraer una conclusión económica.
La comparación con Claude respalda una interpretación cautelosa de los datos de plataforma. Las personas eligen dónde realizar una actividad. Si una interfaz especializada se vuelve más adecuada, la actividad puede abandonar un producto de chat general sin desaparecer del ecosistema más amplio del proveedor.
Eso hace que los límites de la plataforma tengan relevancia económica. Una conversación de consumo y un flujo de trabajo automatizado de software ofrecen visiones distintas del trabajo. Estudiar cualquiera de los dos puede ser útil, siempre que el análisis explique qué queda fuera.
Los conjuntos de datos también utilizan categorías y poblaciones diferentes. La medida de actividad laboral de OpenAI a nivel de país y la medida de tareas conversacionales de Anthropic no ofrecen una competencia directa sobre la adopción en el lugar de trabajo. Comparar sus porcentajes como equivalentes crearía una clasificación engañosa.
Una mejor comparación se refiere a las preguntas que investiga cada empresa. ¿Las actividades se vuelven más variadas? ¿La experiencia cambia la forma en que las personas utilizan la asistencia? ¿Las interfaces atraen tareas diferentes? Estas preguntas ayudan a explicar el desarrollo del uso de la IA sin declarar ganador a un proveedor.
El informe de Anthropic también asoció una mayor antigüedad de los usuarios con interacciones más exitosas, aunque reconoció explicaciones alternativas. Los usuarios experimentados podrían aprender mejores estrategias. Los primeros adoptantes también podrían diferir de quienes llegan después de formas que influyen en los resultados.
Esa incertidumbre importa para los empleadores que evalúan un uso más amplio de ChatGPT en el trabajo. Dar acceso a los empleados y permitirles desarrollar hábitos útiles son decisiones organizativas distintas. Una herramienta puede estar disponible antes de que un equipo sepa qué tareas le convienen.
Desde una perspectiva de producto, esto crea un exigente problema de interpretación. Un aumento de solicitudes puede señalar un descubrimiento útil, una dificultad no resuelta o intentos repetidos de obtener una respuesta aceptable. La interfaz registra la interacción, mientras que el resultado puede ocurrir en otro lugar.
Un analista hipotético podría pedir varias revisiones porque la tarea es compleja. Otro podría detenerse rápidamente porque la respuesta satisface la necesidad. Un tercero podría abandonar la herramienta tras una respuesta poco útil.
El volumen de mensajes por sí solo no puede distinguir esas situaciones. Comprenderlas requiere evidencia sobre el propósito de la tarea, su dificultad y lo que ocurrió después.
Por tanto, el contexto competitivo acentúa la tensión principal del artículo. Los proveedores pueden describir cada vez mejor el trabajo que las personas les llevan. Los compradores aún necesitan evidencia sobre el trabajo que las personas terminan.
La información más sólida preservará ambas perspectivas. Los datos de comportamiento revelan patrones que las anécdotas individuales no pueden establecer. Los estudios de resultados prueban si esos patrones se traducen en beneficios dentro de entornos concretos. Cada uno aborda una parte diferente de la historia de la IA en el lugar de trabajo.
Las diferencias entre países desafían una estrategia de implementación universal
La variación geográfica hace menos convincente una explicación uniforme de la IA en el lugar de trabajo. La importancia de una actividad dentro del uso observado de un país no establece su importancia en toda la economía de ese país.
Una proporción describe una relación entre una categoría y su grupo de comparación. Si las solicitudes analíticas ocupan una mayor parte de la combinación observada, eso informa a los investigadores sobre esa combinación. Establecer el motivo requiere evidencia más allá del porcentaje en sí.
Varias hipótesis merecen ser probadas. La composición ocupacional podría influir en los tipos de solicitudes que presentan las personas. El idioma, el acceso, las normas organizativas y la familiaridad con la IA también podrían influir en la participación.
Estas son posibles explicaciones, no hallazgos establecidos por la publicación. Distinguirlas importa porque cada una implica una respuesta diferente por parte de empleadores y responsables de políticas públicas.
Si un patrón refleja ocupaciones locales, la selección de tareas se vuelve central. Un programa de formación debería abordar las asignaciones que las personas realmente realizan. Si el acceso explica un patrón, la formación por sí sola no resolverá la limitación subyacente.
Si las normas organizacionales determinan la participación, el uso informal por parte de consumidores podría revelar solo una parte del panorama. Los empleados que enfrentan restricciones podrían evitar determinadas solicitudes o usar sistemas aprobados fuera de la plataforma observada.
Por consiguiente, las comparaciones entre países deberían evitar convertir un perfil de uso en un juicio sobre la capacidad de la fuerza laboral. Una actividad puede ser poco común en un conjunto de datos por razones ajenas a que los trabajadores se beneficiarían de recibir asistencia.
El mismo razonamiento se aplica dentro de las empresas multinacionales. Un equipo central podría identificar un caso de uso prometedor y asumir que se traslada con facilidad. Las oficinas locales aún deben evaluar el idioma, el material de origen, el proceso de aprobación y las expectativas de los clientes en torno a la asignación.
Consideremos un flujo de trabajo hipotético de comunicación con clientes. Redactar una explicación es solo una parte de la tarea. El personal también debe entender qué políticas se aplican, qué compromisos puede asumir y cuándo un caso requiere escalamiento.
La capacidad de un modelo para producir un lenguaje pulido no resuelve esos requisitos locales. Evaluar el flujo de trabajo implica comprobar si los empleados reciben el contexto y la autoridad necesarios para utilizar ese lenguaje de forma adecuada.
Para los desarrolladores, las diferencias geográficas generan preguntas de investigación sobre el ajuste del producto. El siguiente paso útil es investigar una necesidad observada con usuarios locales. Un patrón a nivel de país puede orientar esa investigación sin prescribir la función que debe desarrollarse.
Para los trabajadores, las implicaciones son igualmente específicas. La experiencia con una actividad popular en otro lugar no garantiza que el mismo enfoque sea adecuado para una asignación local. La prueba relevante se refiere al trabajo real y sus limitaciones.
Por tanto, el mundo laboral en expansión de ChatGPT respalda una explicación más diferenciada de la adopción. Una participación más amplia no tiene por qué producir un comportamiento idéntico. Una tecnología puede difundirse mientras las personas la adaptan a fines distintos.
Esa interpretación también cambia la forma en que debería debatirse públicamente el éxito. Una narrativa universal invita a afirmaciones generales sobre quién va por delante. Una narrativa basada en tareas pregunta dónde encaja la asistencia, qué impide una adopción útil y qué resultados justifican una mayor inversión.
Estas preguntas exigen más trabajo que una clasificación de países. También ofrecen a empleadores e investigadores una ruta más clara hacia decisiones que puedan defender.
El trabajo ausente limita las conclusiones sobre el empleo
OpenAI afirma que el conjunto de datos cubre planes individuales de ChatGPT, excluyendo los mensajes empresariales y Codex. Su comparación de EE. UU. también sitúa aproximadamente el 43% de las tareas mapeadas y ponderadas por empleo en “Other IWAs”, fuera de las categorías reportadas individualmente.
Estos límites impiden que la publicación sirva como un censo del trabajo o una medida de sustitución laboral. La actividad ausente importa para cualquier interpretación.
La metodología de muestreo adjunta añade más detalles. La muestra más amplia de Signals utiliza 1 millón de mensajes de consumidores al mes y excluye cuentas con determinadas restricciones de elegibilidad o uso de datos. Clasificadores automatizados asignan categorías de comportamiento, mientras que las protecciones de privacidad añaden ruido estadístico.
Estas decisiones determinan qué pueden observar los investigadores. Un clasificador infiere la categoría de un mensaje. No entrevista al trabajador, inspecciona el entregable terminado ni confirma que se haya realizado una acción solicitada.
La protección de la privacidad también crea una disyuntiva interpretativa. La información agregada permite estudiar patrones mientras protege los mensajes individuales. Las distinciones precisas requieren cautela, especialmente cuando un subgrupo se basa en menos observaciones.
La respuesta adecuada es ajustar la conclusión a la medición. Un patrón de solicitudes puede respaldar una investigación sobre la demanda de asistencia. Establecer un cambio en el empleo requiere evidencia laboral.
Un empleo contiene responsabilidades que no aparecen ordenadamente dentro de un prompt. Alguien debe detectar que un problema necesita atención, obtener la información que falta, coordinarse con colegas y asumir la responsabilidad del resultado.
La asistencia con un componente puede transformar ese empleo sin eliminarlo. Podría reducir el esfuerzo, ampliar el alcance de una asignación o introducir una nueva carga de revisión. Qué efecto predomina sigue siendo una cuestión empírica.
El error contrario sería desestimar la publicación porque no puede responder a todas las preguntas laborales. Los registros conductuales detallados ofrecen un punto de partida útil. Ayudan a los investigadores a identificar actividades que merecen estudiarse más de cerca.
La investigación poblacional independiente ofrece otra perspectiva. El estudio sobre adopción de IA generativa de Alexander Bick, Adam Blandin y David Deming utilizó encuestas estadounidenses representativas a nivel nacional para examinar el uso en el trabajo y el hogar. Ese enfoque ayuda a situar las observaciones de la plataforma dentro de una población más amplia.
Los métodos se complementan. Las encuestas pueden preguntar sobre horas de trabajo y experiencias que van más allá de un proveedor concreto. Los datos de la plataforma pueden describir interacciones sin depender por completo de la memoria de un encuestado.
Ningún método elimina la necesidad de una interpretación cuidadosa. Las respuestas de las encuestas pueden contener errores de reporte. Las muestras de plataformas pueden omitir poblaciones importantes. La concordancia entre distintos métodos reforzaría la confianza más que la repetición de la misma medición.
Por tanto, una lectura escéptica debería centrarse en la brecha entre observación y resultado. La publicación no establece de forma independiente que una combinación más amplia de solicitudes haya producido mejores resultados, salarios más altos o menos empleos.
Tampoco establece que las actividades ausentes sean inmunes a cambios futuros. Su ausencia describe un límite de medición. Predecir su futuro requiere evidencia adicional sobre capacidades, condiciones de implementación y decisiones organizacionales.
La conclusión defendible es más limitada y útil: los investigadores ahora cuentan con una base más detallada para preguntar dónde la IA de consumo se cruza con el trabajo.
Tres señales harán que la próxima publicación sea más informativa
La siguiente fase debería conectar amplitud, consistencia de medición y resultados. Durante los próximos meses, estas son las señales que fortalecerán o debilitarán la interpretación de un uso más amplio en el lugar de trabajo.
En primer lugar, hay que observar la persistencia dentro de grupos comparables por país y actividad cuando OpenAI actualice la serie. Un patrón continuo bajo definiciones coherentes reforzaría la idea de que la combinación está cambiando de forma duradera.
Una reversión requeriría un examen más detallado. Las asignaciones estacionales, los cambios de usuarios o las modificaciones en la forma de capturar la actividad podrían explicar un movimiento temporal. Los investigadores deberían analizar esas posibilidades antes de atribuir una tendencia a cambios duraderos en el trabajo.
No debe suponerse el momento de una futura actualización a partir de la publicación actual. La señal importante es la comparabilidad de la próxima observación, cuando esté disponible.
En segundo lugar, hay que observar conexiones más claras entre el chat de consumo, los sistemas empresariales y las interfaces especializadas. Las publicaciones de proveedores que expliquen esos límites facilitarían la interpretación de la migración entre productos.
Si la actividad disminuye en una interfaz mientras crece en otra, la historia general cambia. Lo que inicialmente parece un menor interés podría reflejar, en cambio, un mejor ajuste entre una tarea y un entorno diferente.
Las definiciones coherentes reforzarían ese análisis. Las categorías incompatibles dejarían incertidumbre sobre si los investigadores observaban un cambio de comportamiento o un cambio en la medición.
En tercer lugar, hay que observar evaluaciones independientes que vinculen actividades concretas con resultados del trabajo terminado. Las medidas útiles incluyen precisión, esfuerzo de revisión, tiempo de finalización y si los empleados conservan la capacidad de evaluar el resultado.
La evidencia de mejora a lo largo de toda la asignación reforzaría la importancia económica de un uso más amplio. La evidencia de un trabajo de corrección sustancial la matizaría. Cualquiera de los dos resultados ayudaría a los compradores a tomar mejores decisiones.
Esta última señal importa más a las personas responsables de entregables reales. Una gama creciente de solicitudes hace que la IA sea relevante para más asignaciones. No elimina la necesidad de determinar qué ocurrió después de que terminó la conversación.
Para los lectores que evalúan el mundo laboral en expansión de ChatGPT, comiencen con una actividad que reconozcan en su propio trabajo. Comparen la pregunta que plantea un empleado con la evidencia necesaria para completar la asignación. Pregúntense dónde contribuye el asistente, dónde sigue siendo necesaria la verificación y qué resultado justificaría un uso continuado. Mantengan esas preguntas vinculadas al material de origen, en lugar de a la fluidez de la respuesta. Después, busquen investigaciones que midan todo el proceso, incluidas las correcciones y el juicio humano. La publicación ofrece un punto de partida para esa investigación. ¿Qué actividad observada se volvería significativamente más valiosa si los investigadores pudieran demostrar que las personas la completaron con mayor precisión, con menos esfuerzo y con una responsabilidad claramente asignada?
