La investigación de OpenAI sobre IA en el trabajo revela que los empleos se amplían antes de que cambien los títulos
La investigación de OpenAI sobre IA en el trabajo ha detectado un cambio notable en más de 1,5 millones de mensajes de ChatGPT relacionados con el trabajo. Los empleados no se limitan a probar tareas ajenas a sus ocupaciones. Algunos vuelven a esas actividades y las convierten en partes recurrentes de sus empleos.
Esa distinción cambia el debate sobre la IA en el trabajo. La cuestión inmediata no es simplemente si la IA elimina puestos o mejora tareas existentes. Es si los empleados adquieren discretamente responsabilidades que antes pertenecían a especialistas en marketing, analistas, ingenieros o profesionales de atención al cliente.
OpenAI describe este patrón como expansión del empleo. Sin embargo, la expansión puede representar una mayor autonomía o un crecimiento no reconocido de la carga de trabajo. Un empleado podría resolver un problema sin esperar a otro departamento, pero también asumir responsabilidad sin la capacitación, revisión o compensación adecuadas.
El estudio sobre tareas entre funciones abarca a usuarios de ChatGPT Business entre abril y julio de 2026. OpenAI afirma que los mensajes fueron anonimizados y agregados, y que los investigadores nunca leyeron conversaciones individuales.
Su hallazgo central es conductual, no especulativo. Entre aproximadamente 6.200 empleados observados de forma constante, las tareas entre ocupaciones intentadas previamente se convirtieron en una proporción creciente de su actividad de IA específica de la ocupación.
El resultado sugiere que las descripciones de puestos pueden quedarse atrás respecto a cómo está cambiando realmente el trabajo. Los empleados pueden establecer nuevas rutinas antes de que los directivos rediseñen funciones, actualicen controles o decidan quién asume la decisión final.
Esto crea la tensión central del artículo. OpenAI ve un camino desde la experimentación hacia empleos más amplios. Empleadores y empleados deben determinar si ese camino produce autonomía útil, una compresión riesgosa de las funciones o ambas cosas.
Lo que OpenAI encontró en 1,5 millones de mensajes laborales
El cambio importante no es que los empleados probaran tareas desconocidas, sino que una proporción significativa volviera a ellas.
OpenAI examinó más de 1,5 millones de mensajes de ChatGPT relacionados con el trabajo generados entre abril y julio de 2026. El análisis siguió a un estudio anterior sobre cómo los empleados cruzan fronteras ocupacionales tradicionales al utilizar IA.
Ese anterior análisis de cruce de tareas clasificó el trabajo como genérico, dentro de la ocupación o entre ocupaciones. El trabajo genérico incluía actividades ampliamente compartidas, como redacción rutinaria, resúmenes y programación de horarios.
El trabajo entre ocupaciones abarcaba actividades históricamente asociadas a otra profesión. Entre los ejemplos se incluían un profesional de marketing resolviendo problemas de software, un vendedor analizando datos de clientes o un propietario de pequeña empresa revisando un contrato.
OpenAI había constatado anteriormente que el 16,8% de los mensajes relacionados con el trabajo implicaban tareas asociadas a otra ocupación. Tras excluir las actividades genéricas, el 43,5% de los mensajes específicos de la ocupación quedaban fuera de la ocupación identificada del usuario.
La nueva investigación pregunta qué ocurrió después de ese primer cruce. Entre los empleados observados durante todo el período de cuatro meses, las tareas entre ocupaciones utilizadas previamente representaban el 13,1% de la actividad de IA específica de la ocupación en abril.
En julio, la proporción había aumentado al 25,9%. Ese incremento no significa que haya cambiado una cuarta parte del empleo completo de nadie. Describe la composición de la actividad de ChatGPT específica de la ocupación dentro de la muestra observada por OpenAI.
Una comparación independiente examinó si los empleados volvían a realizar la misma tarea entre ocupaciones durante el mes siguiente. Quienes habían utilizado previamente una tarea regresaron a ella el 23,6% de las veces.
Trabajadores comparables sin uso previo observado realizaron esa misma tarea solo el 8,4% de las veces. La diferencia respalda un patrón de recurrencia, aunque no establece que ChatGPT haya causado el comportamiento.
La tasa media de retorno al mes siguiente entre las tareas entre ocupaciones fue del 18,5%. Sin embargo, la recurrencia varió considerablemente según la actividad.
Hablar sobre bienes o servicios con clientes tuvo una tasa de retorno del 54%. La redacción publicitaria o promocional alcanzó el 44%, mientras que la creación de materiales de marketing llegó al 37%.
La explicación de información financiera tuvo una tasa de retorno mucho menor, de alrededor del 15%. Esa diferencia importa porque apunta a los ámbitos en los que los empleados se sienten cómodos ampliando sus funciones.
La comunicación con clientes y el trabajo promocional suelen producir resultados que las personas pueden revisar antes de su publicación. Las explicaciones financieras pueden tener mayores consecuencias cuando los errores llegan a clientes, directivos o reguladores.
Los resultados también revelan diferencias en la manera en que los empleados solicitan ayuda. Las personas utilizaron indicaciones más cortas para tareas ajenas a su ocupación que para el trabajo dentro de su campo habitual.
Era menos probable que pidieran instrucciones, consejos, explicaciones o un formato de resultado específico. Sin embargo, era más probable que aportaran ejemplos o contexto y pidieran a ChatGPT que verificara algo.
OpenAI interpreta esto como empleados que toman prestada experiencia especializada en lugar de estudiar una disciplina completa. Alguien presenta un problema concreto, añade contexto local y pide a la IA que aplique conocimientos de otro campo.
Este comportamiento hace que las tareas laborales con ChatGPT se parezcan a una mesa de ayuda informal. El empleado no se convierte en abogado, ingeniero o analista. La IA le ayuda a avanzar en un asunto particular sin una derivación convencional.
El cambio es relevante porque el comportamiento repetido puede convertirse en práctica operativa. Una vez que una tarea entra en un flujo de trabajo semanal, la organización debe decidir si debe pertenecer allí y bajo qué controles.
La investigación de OpenAI sobre IA en el trabajo muestra cómo las nuevas tareas se convierten en hábitos
El uso recurrente ofrece un mecanismo plausible para el cambio laboral que comienza con el comportamiento individual, en lugar de con una reestructuración formal.
El proceso comienza cuando un empleado se encuentra con un problema que va más allá de los límites habituales de una función. Utiliza IA porque no hay un especialista disponible, la derivación es lenta o el asunto parece manejable.
Si el resultado parece útil, el empleado repite el proceso. La repetición transforma un experimento aislado en un flujo de trabajo, especialmente cuando la tarea surge con frecuencia.
Este mecanismo explica por qué la expansión del empleo mediante IA puede preceder a nuevos títulos. Los sistemas de recursos humanos cambian lentamente, mientras que un empleado puede añadir una indicación, un documento y un paso de revisión en cuestión de minutos.
Pensemos en un gerente de producto que necesita resumir entrevistas con clientes y preparar una actualización. También podría usar IA para examinar temas de soporte, redactar lenguaje promocional o resolver un problema con una consulta de seguimiento.
Ninguna de esas incorporaciones crea necesariamente un nuevo puesto. Sin embargo, en conjunto cambian lo que el gerente de producto produce de manera rutinaria y qué equipos reciben menos derivaciones.
Un vendedor podría seguir el mismo patrón con datos de clientes. La primera solicitud podría ser un cálculo exploratorio, mientras que las solicitudes posteriores pasan a formar parte de la preparación de cuentas.
Un diseñador podría utilizar IA para revisar textos de campaña o aclarar requisitos de implementación. Un operador de pequeña empresa podría alternar entre comunicación con clientes, marketing e interpretación financiera básica.
Estos ejemplos no demuestran que los empleados hayan dominado las disciplinas que toman prestadas. Ilustran cómo la IA reduce el esfuerzo necesario para intentar una tarea delimitada de forma precisa.
El contexto parece fundamental para ese proceso. OpenAI descubrió que los empleados aportaban más ejemplos y contexto cuando trabajaban fuera de sus ocupaciones.
Ese comportamiento sugiere que el empleado sigue aportando conocimientos de los que carece el modelo. El empleado comprende al cliente, el plazo, el documento o la restricción organizativa, mientras que la IA aporta un patrón transferible.
Esta relación se parece más a la ampliación de capacidades que a la automatización completa. La anterior evidencia sobre ampliación de Anthropic concluyó que el 57% del uso observado de Claude implicaba colaboración, frente al 43% categorizado como automatización.
Anthropic también advirtió que sus datos representaban a usuarios de Claude, no al mercado laboral en su conjunto. Los hallazgos de OpenAI exigen la misma distinción entre la actividad observada del producto y el comportamiento general de la fuerza laboral.
Aun así, los dos programas de investigación apuntan hacia una visión del cambio basada en tareas. Los empleos consisten en muchas actividades, y la adopción de IA puede extenderse de forma desigual entre ellas.
Algunas tareas se repiten porque son fáciles de comprobar y encajan en las rutinas existentes. Otras siguen siendo poco frecuentes porque los errores son costosos, las reglas locales son complejas o la aprobación humana sigue siendo indispensable.
Esta desigualdad es importante para cualquiera que construya un flujo de trabajo de IA. Un sistema útil debe preservar los documentos, las decisiones y el contexto que hacen posible una revisión posterior.
Las herramientas personales pueden ayudar a los empleados a mantener esa continuidad. Un segundo cerebro de IA estructurado puede conectar las solicitudes recurrentes con el material de origen que las respalda.
El objetivo no debería ser la acumulación ilimitada de tareas. Debería ser un proceso trazable en el que los empleados puedan recuperar pruebas, comprender decisiones previas e identificar cuándo se requiere revisión especializada.
Por lo tanto, el estudio de OpenAI describe más que la adopción de indicaciones. Muestra cómo la unidad de cambio en el trabajo puede ser una actividad repetida integrada dentro de una función sin cambios.
Ese mecanismo desplaza la atención del acceso al diseño. Dar a los empleados una cuenta de IA inicia el proceso, pero no determina si el uso recurrente se convierte en trabajo fiable.
Los directivos deben decidir qué resultados necesitan revisión, qué fuentes están permitidas y qué decisiones siguen fuera de la autoridad del empleado. Esas decisiones determinan si la expansión de la función se convierte en capacidad o exposición.
La expansión de funciones presiona el modelo de derivación a especialistas
El trabajo recurrente entre funciones desafía a las organizaciones construidas en torno a derivar cada problema desconocido a un equipo especialista.
Las organizaciones tradicionales separan el trabajo por buenas razones. Marketing, finanzas, legal, ingeniería y operaciones de atención al cliente desarrollan experiencia, estándares y responsabilidades distintos.
Esos límites también generan esperas. Una solicitud pequeña puede entrar en una cola, perder contexto durante la transferencia y regresar después de que haya pasado el momento original.
Las tareas laborales con ChatGPT reducen el costo de intentar una respuesta antes de realizar esa transferencia. La persona más cercana al problema puede redactar, calcular, clasificar o resolver problemas de inmediato.
El primer informe de OpenAI detectó un patrón de cruce más fuerte entre los usuarios promedio de espacios de trabajo más pequeños. Las tareas ajenas a la ocupación representaron el 18,9% de la actividad de los usuarios en espacios de trabajo de dos a cinco puestos.
La proporción fue del 16,3% para usuarios en espacios de trabajo con más de 100 puestos. OpenAI sugirió que las organizaciones más pequeñas tienen menos recursos especializados, lo que hace más valiosa la asistencia generalista.
Esa interpretación encaja con la realidad operativa de los equipos pequeños. La persona que descubre un problema a menudo se hace cargo de él porque no hay nadie más disponible.
Las empresas más grandes cuentan con más especialistas, pero también afrontan costos de coordinación. Un empleado que puede preparar un mejor primer borrador puede reducir derivaciones innecesarias sin omitir la revisión final.
Por lo tanto, el modelo sometido a presión no es la especialización en sí misma. Es la suposición de que cada tarea especializada debe permanecer por completo dentro de una función especializada.
La IA puede separar la preparación de la autorización. Un vendedor puede examinar un conjunto de datos, mientras un analista valida el método. Un gerente puede redactar preguntas contractuales, mientras el asesor jurídico proporciona criterio legal.
Esta división puede hacer que el tiempo de los expertos esté más concentrado. Los especialistas reciben solicitudes mejor planteadas, contexto más rico y un artefacto preliminar en lugar de un problema indefinido.
Sin embargo, las organizaciones pueden hacer un mal uso de esa eficiencia con facilidad. Los líderes podrían concluir que un trabajador que puede iniciar una tarea también puede asumir la responsabilidad de su calidad, riesgo y mantenimiento.
Esa conclusión convierte la expansión laboral impulsada por IA en una compresión de funciones. Varios ámbitos quedan concentrados en un solo puesto sin eliminar responsabilidades anteriores.
La diferencia suele verse en el diseño de la carga de trabajo. Si un empleado añade análisis de clientes, borradores de marketing y resolución de problemas técnicos, ¿qué tareas anteriores desaparecen?
Sin una respuesta explícita, la empresa no ha rediseñado el trabajo. Simplemente ha ampliado el ámbito del que una sola persona se siente responsable.
El uso recurrente también puede debilitar los ciclos de aprendizaje de los especialistas. Un equipo de marketing puede dejar de conocer las preguntas frecuentes de los clientes si el personal de ventas elabora cada respuesta por su cuenta.
El equipo de ingeniería puede pasar por alto fallos repetidos del producto si otros equipos resuelven los problemas por su cuenta. Los equipos jurídicos pueden perder visibilidad sobre inquietudes contractuales recurrentes si los empleados solo solicitan la aprobación final.
Por ello, las organizaciones necesitan umbrales de escalamiento. La redacción de bajo impacto puede permanecer cerca del trabajador original, mientras que las decisiones reguladas, irreversibles o sensibles para el cliente deben pasar a especialistas.
También necesitan registros compartidos. Si cada trabajador desarrolla rutinas privadas con ChatGPT, la empresa no puede revisar fácilmente qué funcionó, qué falló o qué supuestos se propagaron.
Un flujo de trabajo documentado ofrece a los directivos una mejor base para el rediseño. Los equipos pueden identificar actividades recurrentes entre funciones, medir las necesidades de revisión y decidir si una nueva responsabilidad corresponde al puesto.
Para los equipos de producto, un flujo de trabajo semanal con IA ofrece un modelo para mantener conectadas las fuentes y los resultados. El principio más amplio se aplica a todas las funciones.
El objetivo no es conservar cada transferencia histórica de trabajo. Es mantener la experiencia, la rendición de cuentas y el aprendizaje institucional incluso cuando la primera respuesta se acerca más al problema.
Los hallazgos de OpenAI presionan a los líderes que tratan la adopción como un despliegue de software. La cuestión de gestión más relevante es cómo cambian las responsabilidades después de que los trabajadores desarrollan hábitos repetibles.
Lo que las cifras de recurrencia no demuestran
El estudio identifica un patrón dentro del uso de ChatGPT, pero no demuestra productividad, adquisición de habilidades ni rediseño laboral duradero.
El conjunto de datos de OpenAI ofrece una visibilidad inusual del comportamiento real dentro del producto. Aun así, sigue siendo una muestra observacional de personas que ya utilizan ChatGPT Business para trabajar.
La muestra no representa a todos los empleados, ocupaciones, empresas ni productos de IA. Es poco probable que el trabajo físico y los lugares de trabajo con acceso limitado a ChatGPT aparezcan de forma proporcional.
Las ocupaciones se infirieron a partir de información sobre el puesto o departamento proporcionada durante la incorporación a Business. Ese método es útil, pero los títulos de los puestos y las etiquetas departamentales pueden ocultar responsabilidades híbridas.
Un responsable de producto que realiza análisis de clientes podría estar cruzando una frontera ocupacional. La misma actividad podría ya estar prevista dentro de la empresa de esa persona.
Este problema de clasificación apareció en el primer informe. OpenAI reconoció que su análisis no podía distinguir plenamente entre trabajo interfuncional creado recientemente y responsabilidades existentes asistidas por IA.
El nuevo estudio añade evidencia de recurrencia, pero la recurrencia no resuelve esa ambigüedad. Un prompt repetido podría reflejar una expansión real del puesto, una tarea antigua realizada de otra manera o un proyecto temporal.
La ventana de observación también abarcó cuatro meses. Ese período es suficiente para identificar comportamientos de retorno, pero demasiado corto para establecer un cambio ocupacional permanente.
La estacionalidad puede afectar al marketing, la comunicación con clientes, los presupuestos y los informes. Una tarea que se repite entre meses consecutivos puede desaparecer después de una campaña o ciclo de planificación.
El aumento de abril a julio exige una interpretación especialmente cuidadosa. A medida que los trabajadores prueban más actividades, se amplía el conjunto de tareas que pueden contabilizarse como utilizadas previamente.
OpenAI señala esta dinámica en su metodología. La proporción creciente es coherente con la formación de rutinas, pero no debe tratarse como una estimación causal controlada.
La investigación también mide mensajes, no resultados empresariales completados. No muestra si los resultados fueron aceptados, corregidos, descartados o asociados con mejoras medibles.
Que un trabajador vuelva a una tarea puede indicar valor. También podría reflejar dificultades repetidas, resultados inadecuados o un proceso que requiere varios intentos.
Un experimento sobre patrones de trabajo del NBER ofrece un contexto útil para esta limitación. Ese estudio proporcionó aleatoriamente a los trabajadores acceso a IA generativa dentro de aplicaciones habituales en el lugar de trabajo.
Descubrió que el acceso cambió la forma en que las personas distribuían su tiempo entre actividades. Sin embargo, los estudios experimentales de acceso y los análisis de registros de mensajes responden a preguntas diferentes.
Los experimentos pueden estimar cambios causales en condiciones específicas. Los registros de producto revelan comportamientos que surgen de forma natural a una escala mucho mayor, pero con menos control sobre la selección y el contexto.
Ningún enfoque por sí solo determina si unos puestos más amplios mejoran la calidad del trabajo. La productividad, la autonomía, el aprendizaje, el estrés y la compensación pueden evolucionar en direcciones distintas.
También existe una cuestión de competencia. Proporcionar contexto y solicitar verificación puede mejorar la respuesta de un modelo, pero no otorga al trabajador el criterio de un especialista.
Una explicación financiera pulida aún puede contener un error sutil. Una solución de software plausible puede introducir problemas de seguridad. Un texto de marketing puede infringir una restricción de marca o regulatoria no expresada.
Las actividades recurrentes más frecuentes en el estudio de OpenAI implican en gran medida comunicación y trabajo promocional. Su prominencia puede reflejar una integración sencilla más que un rendimiento fiable del modelo.
La menor recurrencia de las explicaciones financieras plantea otra posibilidad. Los trabajadores pueden reconocer que algunos ámbitos requieren más cautela, revisión o rendición de cuentas.
Las organizaciones no deberían interpretar la recurrencia como un permiso automático. Una actividad útil aún puede requerir un revisor definido, un conjunto de fuentes aprobado y un límite claro para las decisiones con consecuencias.
La privacidad es otra consideración. OpenAI afirma que excluyó los datos con entrenamiento desactivado y los mensajes sin clasificaciones utilizables, al tiempo que preservó el anonimato mediante la agregación.
Eso aborda el proceso de investigación descrito en el informe. Los empleadores aún necesitan sus propias normas que regulen la información confidencial, los datos de clientes y los registros introducidos en sistemas de IA.
La conclusión más defendible es más acotada que una promesa de empleo transformado. Algunos trabajadores utilizan ChatGPT repetidamente más allá de las fronteras ocupacionales, y ciertas tareas recurren con mayor frecuencia que otras.
Este hallazgo merece atención porque las rutinas suelen preceder al cambio formal. No establece si los empleos resultantes son mejores, más seguros, más productivos o remunerados de manera justa.
Tres señales mostrarán si la expansión laboral impulsada por IA perdura
La próxima prueba es si el comportamiento interfuncional recurrente genera flujos de trabajo responsables, una adopción más amplia medida y mejores resultados laborales.
La primera señal es la persistencia durante períodos de observación más largos. La ventana de cuatro meses de OpenAI captó el inicio del comportamiento repetido, no su ciclo de vida completo.
Los informes futuros deberían mostrar si las mismas actividades siguen presentes después de seis o doce meses. Una recurrencia duradera reforzaría la interpretación de expansión laboral.
Un descenso sugeriría que muchos usos fueron experimentos temporales, necesidades estacionales o tareas que los trabajadores finalmente devolvieron a los especialistas.
La composición del trabajo recurrente también importa. Una concentración continuada en la redacción promocional implicaría un cambio más limitado que una expansión hacia el análisis, el trabajo técnico o los procesos regulados.
La segunda señal es si el patrón aparece más allá de los usuarios de ChatGPT Business. OpenAI, Anthropic, Microsoft e investigadores independientes observan poblaciones diferentes mediante productos distintos.
La convergencia de resultados reduciría la posibilidad de que el diseño del producto o la combinación de clientes explique el hallazgo. La divergencia revelaría cómo las interfaces de los modelos y los entornos laborales moldean el comportamiento.
La investigación de Anthropic halló actividad de IA concentrada en el desarrollo de software y la escritura. El trabajo de OpenAI sobre cruces de funciones destaca el cálculo financiero, la resolución de problemas técnicos, el marketing y las actividades de atención al cliente.
Estas perspectivas son compatibles, pero no intercambiables. Cada proveedor observa el comportamiento a través de su propio producto, base de usuarios, sistema de clasificación y proceso de medición que preserva la privacidad.
Los investigadores también deberían distinguir entre trabajadores que utilizan voluntariamente herramientas de chat de uso general y empleados a quienes su organización asigna sistemas de IA. La motivación y las expectativas de los directivos pueden afectar la recurrencia.
La tercera señal es la respuesta organizativa. Los empleadores deben demostrar si las tareas interfuncionales repetidas entran en flujos de trabajo formales con revisión, formación y responsabilidades ajustadas.
Una descripción de puesto revisada proporcionaría un indicador visible. Nuevos puntos de control de aprobación, programas de habilidades o métricas de carga de trabajo ofrecerían pruebas operativas más sólidas.
Los sistemas de compensación y promoción también importarán. Si los trabajadores generan una gama más amplia de resultados valiosos, las organizaciones deben decidir si esa amplitud cuenta como un crecimiento de habilidades reconocido.
Si las tareas se expanden sin reconocimiento, la misma tendencia podría producir una intensificación del trabajo. Los empleados asumirían más ámbitos mientras siguen siendo evaluados según sus responsabilidades anteriores.
La investigación de OpenAI sobre IA en el lugar de trabajo hace que esta decisión de gestión sea más difícil de ignorar. El acceso a la IA puede alterar la división del trabajo incluso antes de que los líderes anuncien una reestructuración.
Ese cambio puede beneficiar a los trabajadores cuando elimina demoras y les proporciona mayor control sobre los resultados. Puede beneficiar a los especialistas cuando la preparación rutinaria llega mejor organizada.
También puede crear riesgos ocultos cuando el trabajo generado evita la revisión experta. El factor decisivo no es solo la calidad del modelo, sino el diseño de las responsabilidades en torno a cada tarea recurrente.
Los trabajadores del conocimiento deberían empezar por identificar qué actividades asistidas por IA se han vuelto discretamente habituales. Deberían registrar las fuentes, revisores, correcciones y consecuencias asociados a esas actividades.
Los directivos deberían plantear una pregunta complementaria: ¿qué responsabilidad anterior se redujo cuando una nueva entró en el flujo de trabajo? Si la respuesta es ninguna, la expansión quizá ya se esté convirtiendo en sobrecarga.
El siguiente paso más útil es una pequeña auditoría del uso recurrente de IA. Seleccione un mes de actividades repetidas, separe la preparación de las decisiones finales e identifique los puntos de revisión que faltan.
Después compare los resultados con el mes siguiente. ¿La tarea siguió siendo útil, redujo una transferencia de trabajo, requirió menos correcciones o simplemente trasladó más responsabilidad a un trabajador?
OpenAI ha identificado una vía creíble de la experimentación a la rutina. Los trabajadores y los empleadores ahora necesitan pruebas de que estas rutinas mejoran el trabajo en lugar de limitarse a ampliarlo.
