Edición en Markdown

AI-translated from English; not yet reviewed by a fluent editor.

# El uso de la IA se extiende más allá de la programación, pero cuesta más demostrar su intensidad

> Las encuestas muestran un uso más amplio de la IA en el trabajo, mientras que los experimentos detectan mejoras y fallos en tareas concretas. Los datos de uso aún no permiten afirmar que otros empleos alcanzarán la intensidad de la programación.

By BIG CHANGE Editorial

Published: 2026-10-02T04:10:34.217Z
Updated: 2026-10-02T04:10:34.217Z
Canonical: https://bigchange.ai/blog/ai-use-beyond-coding-workplace-evidence

![A seated person works at a laptop while holding a blank sheet of paper at a wooden table.](https://bigchange.ai/api/media/file/ai-work-beyond-coding-hero-v2-1.png)
AI-generated by OpenAI; BIG CHANGE conceptual editorial illustration.

En el segundo trimestre de 2026, casi dos de cada cinco adultos estadounidenses con empleo dijeron haber usado IA generativa para trabajar durante la semana anterior. Sin embargo, la IA ayudó en el 6,3 % de las horas de trabajo de todas las personas empleadas, según un [seguimiento de una encuesta nacional ](https://fredblog.stlouisfed.org/2026/08/does-generative-ai-save-time-at-work/)de investigadores de la Reserva Federal de San Luis, Vanderbilt y Harvard. La primera cifra cuenta personas; la segunda, su tiempo. Ninguna indica si el trabajo fue bueno, si una empresa ganó más o si desapareció un empleo.

Estas diferencias importan al preguntarse si el resto de los trabajos acabará usando la IA con tanta intensidad como los desarrolladores de software. Los registros de plataformas muestran más experimentación, también en el ámbito jurídico, las ventas y el marketing. Los experimentos detectan mejoras reales en algunas tareas ajenas a la programación. También muestran que el mero acceso puede cambiar poco y que una respuesta pulida puede ser errónea.

## El gran cambio

- **Qué ha cambiado:** Los proveedores de IA informan ahora de un uso recurrente y de actividad de agentes en más funciones empresariales, mientras que las encuestas independientes muestran un uso semanal más extendido entre los trabajadores de EE. UU.
- **Por qué importa:** El uso se extiende cuando las herramientas encajan en los flujos de trabajo existentes, pero los beneficios dependen del contexto de cada tarea y de las comprobaciones. Compradores y trabajadores necesitan medir los resultados además de la adopción.
- **Qué conviene observar:** El uso repetido en las tareas, la calidad verificada de los resultados y el rendimiento neto más allá de la programación. Las pruebas actuales no establecen cuándo otras ocupaciones alcanzarán el nivel de uso de la programación ni qué ocurrirá con el empleo.

## Las cifras miden cosas distintas

La [Real-Time Population Survey ](https://fredblog.stlouisfed.org/2026/08/does-generative-ai-save-time-at-work/)pregunta por el uso de la IA en el trabajo a una muestra en línea representativa a nivel nacional de adultos de EE. UU. de entre 18 y 64 años. La tasa de uso durante la semana anterior subió del 28,2 % en el tercer trimestre de 2024 al 39,2 % en el segundo trimestre de 2026. La proporción estimada del total de horas de trabajo asistidas por IA aumentó del 4,1 % al 6,3 %. Los encuestados también estimaron que la IA ahorró el 2,2 % del total de horas de trabajo en el último trimestre. Esta última cifra es tiempo ahorrado según el recuerdo de los participantes, no una mejora observada de la productividad o los ingresos.

OpenAI observa otra cosa: la actividad de sus propios clientes empresariales. Su [informe August Enterprise Signals ](https://openai.com/signals/enterprise-data/)afirma que entre febrero y junio de 2026 los usuarios activos semanales de Codex se multiplicaron por 108 en el ámbito jurídico, por 41 en ventas y selección de personal y por 26 en marketing, frente a un crecimiento de cinco veces en ingeniería. Las cifras parten de bases que no se han divulgado, así que no permiten comparar cuántos abogados e ingenieros usan IA ni qué parte del trabajo de cada ocupación realiza. Codex generó el 64 % de los tokens de salida combinados de Codex y ChatGPT entre los clientes empresariales en junio. Las sesiones más largas de los agentes generan más tokens; la cuota de tokens no representa la proporción de trabajadores ni mide el valor. OpenAI vende estos productos y tiene interés en demostrar que su uso se extiende.

Un [estudio aparte de OpenAI sobre más de 800.000 mensajes de ChatGPT de EE. UU.](https://cdn.openai.com/pdf/work-at-the-frontier-report.pdf), publicado en julio, clasificó el 16,8 % de los mensajes relacionados con el trabajo como tareas asociadas a una ocupación distinta de la del usuario. Entre los mensajes lo bastante específicos para asignarlos a una ocupación, la proporción fue del 43,5 %. Un [seguimiento de septiembre ](https://cdn.openai.com/pdf/work-at-the-frontier-report-202609.pdf)observó que algunos trabajadores volvieron a realizar esas tareas al mes siguiente. Son proporciones de mensajes de usuarios incluidos en la muestra, cuya ocupación se infirió a partir de la información de incorporación empresarial. Muestran qué piden las personas y qué vuelven a consultar, no que completaran la tarea o cambiaran de empleo.

El [June Economic Index ](https://www.anthropic.com/research/economic-index-june-2026-report)de Anthropic también estudia la actividad en sus propios servicios. Su muestreo más detallado capta patrones a lo largo de la jornada y distingue entre el uso del chat, Cowork y la API propia. La encuesta complementaria vinculó el uso con unos 9.700 usuarios de Claude que habían tenido al menos cinco sesiones. Anthropic advierte que estos participantes no representan a toda la población activa: alrededor del 30 % trabajaba en informática y matemáticas, frente a cerca del 4 % del empleo en EE. UU. Las ocupaciones físicas estaban infrarrepresentadas. Su anterior [índice de marzo ](https://www.anthropic.com/research/economic-index-march-2026-report)concluyó que las tareas de informática y matemáticas representaban el 35 % de las conversaciones de Claude.ai en febrero. Esa cifra corresponde a las conversaciones de un producto, no a la proporción de desarrolladores que usa IA; además, la actividad de programación también se estaba trasladando a la API. El tráfico de un proveedor puede revelar tareas y frecuencia de uso dentro de una plataforma, pero por sí solo no permite calcular la adopción por ocupación en toda la economía.

## La productividad depende de la tarea y de sus controles

En un [despliegue escalonado ](https://doi.org/10.1093/qje/qjae044)con 5.172 agentes de atención al cliente, el acceso a un asistente de conversación con IA aumentó un 15 % de media los problemas resueltos por hora. Los agentes menos experimentados y con menos competencias mejoraron tanto en velocidad como en calidad; los más experimentados y cualificados ganaron algo de velocidad, pero su calidad bajó ligeramente. Los clientes se volvieron más educados y pidieron menos veces hablar con un responsable. El estudio midió las operaciones de atención al cliente de una empresa, donde se pueden seguir las resoluciones y las derivaciones. No calculó el rendimiento de otros servicios de atención.

Un [experimento en 66 empresas y con 7.137 trabajadores del conocimiento ](https://www.nber.org/papers/w33795)asignó aleatoriamente una herramienta de IA integrada en programas de correo electrónico, reuniones y escritura. En la segunda mitad del estudio, que duró seis meses, el 80 % de los trabajadores que recibieron la herramienta y la usaron dedicó dos horas menos por semana al correo y menos tiempo al trabajo fuera del horario habitual. Los investigadores no detectaron que el acceso individual provocara un cambio general en la cantidad o la combinación de tareas. Tres autores trabajaban en Microsoft Research, y Microsoft, fabricante de la herramienta, coorganizó el experimento y proporcionó telemetría del producto. El resultado se refiere a las empresas participantes, no a todo el trabajo de oficina.

Un [experimento de campo con 758 consultores de Boston Consulting Group](https://www.hbs.edu/ris/Publication%20Files/dell-acqua-et-al-2026-navigating-the-jagged-technological-frontier_5c589c8c-fbb5-458f-b285-c944746cd717.pdf), realizado en 2023 y publicado en marzo de 2026, observó un trabajo más rápido y mejor valorado en tareas elegidas deliberadamente para aprovechar las capacidades de GPT-4. En otro caso que exigía interpretar pruebas de entrevistas, era más probable que los usuarios de IA dieran una respuesta incorrecta. BCG colaboró en el estudio, que probó ejercicios definidos y no resultados entregados a clientes.

En el [estudio aleatorizado de METR ](https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/)con 16 desarrolladores experimentados de código abierto que trabajaron en 246 incidencias de repositorios que conocían, las herramientas de IA de principios de 2025 aumentaron un 19 % el tiempo de finalización. Aun así, los desarrolladores creían que las herramientas los habían acelerado. [Un intento posterior de METR ](https://metr.org/blog/2026-02-24-uplift-update/)con herramientas más recientes apuntó a mejoras, pero los investigadores consideraron que la estimación no era fiable porque se retiraron los desarrolladores que no querían trabajar sin IA y la actividad simultánea de agentes complicó la medición del tiempo. Por tanto, los estudios no permiten establecer un único efecto de productividad para la programación en distintas herramientas y años.

El código ofrece una retroalimentación especialmente accesible: los repositorios conservan el contexto y los cambios, mientras que las compilaciones, las pruebas y las revisiones pueden revelar fallos. Incluso en ese caso, superar una prueba no equivale a completar el producto. En atención al cliente, la resolución de incidencias y las reacciones de los clientes proporcionan otras señales. Un borrador de correo puede ahorrar tiempo sin cambiar la producción de una empresa. Una recomendación jurídica, financiera o médica requiere controles acordes con sus consecuencias, y quien compra la herramienta debe contar también el trabajo de revisión, además de su coste. Son problemas de medición distintos, por lo que el uso por sí solo no demuestra una intensidad o un valor equivalentes.

## El trabajo puede cambiar antes que las nóminas

En Dinamarca, los investigadores vincularon encuestas a trabajadores de 11 ocupaciones expuestas a la IA y de 7.000 centros de trabajo con registros administrativos. Su [revisión de marzo de 2026 ](https://www.nber.org/papers/w33777)detectó iniciativas empresariales con chatbots y cambios declarados en las tareas, pero ningún efecto detectable en los ingresos o las horas registradas de trabajadores o centros de trabajo dos años después del lanzamiento de ChatGPT; sus estimaciones descartan efectos superiores al 2 %. El hallazgo se limita a Dinamarca, las ocupaciones y el periodo estudiado. No demuestra que una adopción posterior vaya a dejar intacto el empleo.

Para un trabajador, el uso recurrente puede significar una mayor variedad de tareas o menos tiempo dedicado al correo. Para quien compra la herramienta, la cuestión es si el flujo de trabajo completo produce resultados fiables a un coste aceptable. Para quien recibe una respuesta de atención al cliente o depende de asesoramiento profesional, lo importante es que sea correcta y que alguien responda por ella. Las pruebas disponibles respaldan un uso más extendido más allá de la programación y mejoras medibles en tareas seleccionadas. Todavía no respaldan un calendario para que otros empleos alcancen la profundidad de uso de la programación ni un efecto único sobre la productividad y el empleo en todos ellos.

## Fuentes y lecturas adicionales

- [Seguimiento de adopción de la Real-Time Population Survey, explicado por la Reserva Federal de San Luis](https://fredblog.stlouisfed.org/2026/08/does-generative-ai-save-time-at-work/), 27 de agosto de 2026: uso en EE. UU. durante la semana anterior, horas de trabajo asistidas y ahorro de tiempo declarado. No observa la calidad de los resultados ni los ingresos.
- [OpenAI Enterprise Signals](https://openai.com/signals/enterprise-data/), actualizado el 12 de agosto de 2026: uso dentro de la base de clientes empresariales de OpenAI, con métricas de tokens y usuarios activos semanales. No se publican las cifras de partida de las tasas de crecimiento.
- [OpenAI, Work at the Frontier](https://cdn.openai.com/pdf/work-at-the-frontier-report.pdf), julio de 2026, y su [seguimiento de septiembre](https://cdn.openai.com/pdf/work-at-the-frontier-report-202609.pdf): clasificación de mensajes de ChatGPT y repetición de tareas entre usuarios empresariales de la muestra; no mide resultados laborales completados.
- [Anthropic Economic Index, Cadences](https://www.anthropic.com/research/economic-index-june-2026-report), 26 de junio de 2026, y [Learning Curves](https://www.anthropic.com/research/economic-index-march-2026-report), 24 de marzo de 2026: actividad de Claude, tipos de resultados y una encuesta a usuarios seleccionados. Los denominadores son el tráfico de Anthropic y los participantes en sus encuestas.
- [Brynjolfsson, Li y Raymond, Generative AI at Work](https://doi.org/10.1093/qje/qjae044), publicado en línea el 4 de febrero de 2025, en el número de mayo del *Quarterly Journal of Economics*: midió la productividad de agentes de atención, las diferencias de competencias entre trabajadores y las respuestas de los clientes durante un despliegue escalonado en una empresa.
- [Dillon y colaboradores, Shifting Work Patterns with Generative AI](https://www.nber.org/papers/w33795), revisado en noviembre de 2025: acceso aleatorizado a herramientas en el trabajo, tiempo dedicado al correo y combinación de tareas en las empresas participantes. Tres autores trabajaban en Microsoft Research y Microsoft coorganizó el experimento.
- [Dell’Acqua y colaboradores, Navigating the Jagged Technological Frontier](https://www.hbs.edu/ris/Publication%20Files/dell-acqua-et-al-2026-navigating-the-jagged-technological-frontier_5c589c8c-fbb5-458f-b285-c944746cd717.pdf), experimento realizado en 2023 y publicado el 11 de marzo de 2026: midió la velocidad, la calidad evaluada y los errores en ejercicios de consultoría distintos.
- [Experimento de METR con desarrolladores](https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/) y [actualización de febrero de 2026](https://metr.org/blog/2026-02-24-uplift-update/): pruebas aleatorizadas sobre programación y problemas de selección de participantes en el estudio posterior.
- [Humlum y Vestergaard, Still Waters, Rapid Currents](https://www.nber.org/papers/w33777), revisado en marzo de 2026: encuestas a trabajadores y centros de trabajo daneses vinculadas con registros administrativos de horas e ingresos.

## Sources

- [¿La IA generativa ahorra tiempo en el trabajo?](https://fredblog.stlouisfed.org/2026/08/does-generative-ai-save-time-at-work/) — Encuesta representativa en línea de EE. UU.: uso durante la semana anterior, horas asistidas y ahorro declarado; sin datos verificados de resultados o ingresos.
- [Señales empresariales](https://openai.com/signals/enterprise-data/) — Telemetría empresarial de OpenAI: usuarios de Codex por función y combinación de tokens. La falta de cifras de partida publicadas y el peso en tokens de los agentes limitan las inferencias.
- [Work at the Frontier: How AI is expanding what people do at work](https://cdn.openai.com/pdf/work-at-the-frontier-report.pdf) — Clasificación de OpenAI de más de 800.000 mensajes laborales; las proporciones de mensajes sobre otras ocupaciones no equivalen a trabajo completado.
- [Work at the Frontier: How workers are unlocking new ways of working](https://cdn.openai.com/pdf/work-at-the-frontier-report-202609.pdf) — Estudio de OpenAI sobre repetición de tareas por usuarios seleccionados; repetir solicitudes no demuestra un rediseño del empleo.
- [Anthropic Economic Index: Cadences](https://www.anthropic.com/research/economic-index-june-2026-report) — Patrones de uso de Claude y encuesta no representativa a unos 9.700 usuarios seleccionados.
- [Anthropic Economic Index: Learning curves](https://www.anthropic.com/research/economic-index-march-2026-report) — Muestras de Claude.ai y de la API de febrero de 2026. El 35 % relacionado con programación es una proporción de las conversaciones de Claude.ai.
- [Generative AI at Work](https://doi.org/10.1093/qje/qjae044) — Estudio publicado en QJE (número de mayo de 2025) sobre 5.172 agentes de atención en una empresa: un 15 % más de resoluciones por hora de media. Los beneficios se concentraron en los principiantes; los trabajadores más cualificados tuvieron pequeñas caídas de calidad. Los clientes fueron más educados y pidieron menos hablar con un responsable. No demuestra un efecto general sobre el rendimiento de la inversión ni el empleo.
- [Shifting Work Patterns with Generative AI](https://www.nber.org/papers/w33795) — Número de NBER de mayo de 2025, revisado en noviembre de 2025 (no se indica el día). Estudio aleatorizado de 7.137 trabajadores en 66 empresas. Tres autores trabajaban en Microsoft Research; Microsoft fabricó la herramienta, coorganizó el estudio y proporcionó telemetría.
- [Navigating the Jagged Technological Frontier](https://www.hbs.edu/ris/Publication%20Files/dell-acqua-et-al-2026-navigating-the-jagged-technological-frontier_5c589c8c-fbb5-458f-b285-c944746cd717.pdf) — Ejercicios controlados de consultoría vinculados a BCG, realizados en 2023 y publicados en Organization Science el 11 de marzo de 2026; las mejoras y los errores dependían de la tarea y no reflejan resultados para clientes.
- [Estudio de productividad de desarrolladores de METR de principios de 2025](https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/) — Estudio aleatorizado con 16 desarrolladores y 246 incidencias; un 19 % más de tiempo con herramientas antiguas en una muestra limitada.
- [Actualización del experimento de productividad de desarrolladores de METR](https://metr.org/blog/2026-02-24-uplift-update/) — Los investigadores explican por qué las estimaciones posteriores de aceleración no son fiables debido a la selección de participantes y a la medición del tiempo.
- [Still Waters, Rapid Currents](https://www.nber.org/papers/w33777) — Número de NBER de mayo de 2025, revisado en marzo de 2026 (no se indica el día). Estudio danés con encuestas y registros administrativos que encuentra efectos nulos iniciales y acotados en los ingresos y las horas registradas.