EL IMPACTO DE LA INTELIGENCIA ARTIFICIAL EN EL EMPLEO Y LAS HABILIDADES LABORALES EN LA ÚLTIMA DÉCADA (2015–2025).
Presentado por:
Brigitte Hoyos Sanchez
Jean
Carlos Arango Daraviña
Johan Stev Garcia Conde
Julian Jose
Guevara Henao
Eliana Micolta Mina
Fecha: 05/08/2025
1 INTRODUCCION
Durante la última década, la inteligencia artificial (IA) ha experimentado un crecimiento exponencial, transformando múltiples aspectos de la vida cotidiana, la economía y el mercado laboral. Desde sistemas automatizados en la industria manufacturera hasta asistentes virtuales en el comercio y algoritmos que optimizan decisiones empresariales, la IA ha modificado la forma en que trabajamos, nos comunicamos y adquirimos habilidades. Esta innovación tecnológica no solo ha aumentado la eficiencia en muchos sectores, sino que también ha generado importantes transformaciones sociales, especialmente en lo que respecta al empleo y la capacitación profesional. En este contexto, es fundamental analizar cómo la adopción de tecnologías basadas en IA ha afectado los tipos de empleos disponibles, las habilidades más demandadas y las políticas públicas relacionadas con el trabajo. Este estudio utiliza el análisis de datos para identificar tendencias clave en el uso de IA en los mercados laborales globales, especialmente en América Latina, con el objetivo de comprender su papel como motor de cambio social.
2 OBJETIVOS
2.1 Objetivo del proyecto
Analizar, a través de herramientas de análisis de datos, el impacto que ha tenido la inteligencia artificial en el empleo y en la transformación de habilidades laborales durante los últimos diez años, destacando sus efectos sociales y económicos más relevantes.
2.2 Objetivo general
Evaluar el impacto de la inteligencia artificial en la transformación del mercado laboral y el desarrollo de nuevas competencias profesionales en el periodo 2015–2025, a través del análisis de datos sobre tendencias laborales, formación profesional e innovación tecnológica.
2.3 Objetivos específicos
Identificar las principales tecnologías de IA adoptadas en el mercado laboral durante la última década.
Analizar las tendencias de creación y eliminación de empleos asociados al avance de la IA.
Evaluar los cambios en la demanda de habilidades laborales a partir de datos de empleo y formación profesional.
Estudiar el impacto social de la automatización en distintos sectores productivos.
Proponer recomendaciones para políticas públicas y estrategias educativas frente a la transformación tecnológica del empleo.
library(readxl)
Impacto_Empleo <- read_excel("C:/BRIGITTE/TRABAJO FINAL/Impacto_Empleo.xlsx")ATRIBUTOS =data.frame(Impacto_Empleo)
library(readxl)
library(ggplot2)
library(dplyr)##
## Adjuntando el paquete: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(mgcv)## Cargando paquete requerido: nlme##
## Adjuntando el paquete: 'nlme'## The following object is masked from 'package:dplyr':
##
## collapse## This is mgcv 1.9-3. For overview type 'help("mgcv-package")'.library(gratia)names(ATRIBUTOS) <- c(
"Anio",
"Sector_Economico",
"Tipo_Empleo",
"Automatizacion",
"Cambio_Neto_Empleo",
"Habilidades_Declive",
"Habilidades_Emergentes",
"IA_Utilizada"
)3 Diagrama de automatizacion por año
3.1 Ajusta el modelo GAM (ejemplo)
modelo_gam <- gam(Cambio_Neto_Empleo ~ s(Anio) + s(Automatizacion), data = ATRIBUTOS)3.2 Dibujamos los efectos suavizados
draw(modelo_gam)
4 POR AÑO CUAL FUE EL SECTOR ECONOMICO CON MAS PORCENTAJE DE AUTOMATIZACION ESTIMADA
resultado <- ATRIBUTOS %>%
group_by(Anio) %>%
slice_max(Automatizacion, n = 1, with_ties = FALSE)%>%
select(Anio, Sector_Economico, Automatizacion)
print(resultado)## # A tibble: 11 × 3
## # Groups: Anio [11]
## Anio Sector_Economico Automatizacion
## <dbl> <chr> <dbl>
## 1 2015 Manufactura 69.9
## 2 2016 Transporte 69.4
## 3 2017 Atención al cliente 69.3
## 4 2018 Finanzas 67.7
## 5 2019 Tecnología 69.3
## 6 2020 Periodismo 70
## 7 2021 Periodismo 68.6
## 8 2022 Transporte 68.2
## 9 2023 Tecnología 69.5
## 10 2024 Logística 69.7
## 11 2025 Finanzas 69.84.1 Análisis: Automatización por Sector (2015–2025)
Sectores líderes: La automatización más alta varía entre sectores cada año. Periodismo, Tecnología, Finanzas y Transporte son los que más repiten como líderes.
Porcentaje estable: La automatización máxima por año se mantiene entre 67.7% y 70%, lo que sugiere una madurez o límite actual en los procesos automatizables.
Tecnología destaca: Lidera en 2 años distintos (2019 y 2023), reflejando un nivel alto y constante de automatización.
Pico en 2020: Periodismo alcanza el máximo estimado (70%), posiblemente por el auge de IA generativa y automatización de contenidos durante la pandemia.
Tendencia transversal: La automatización avanza en diversos sectores, no está limitada a una sola industria.
4.2 ¿Que podemos Deducir?
La automatización no se concentra en un solo sector, sino que evoluciona de forma transversal, afectando diversas industrias según el contexto tecnológico y económico de cada período. Sin embargo, el porcentaje máximo de automatización se ha mantenido relativamente estable, entre 67.7% y 70%, lo que indica que muchos sectores han alcanzado un límite técnico o estructural en sus niveles actuales de automatización. Para continuar avanzando, será necesario apostar por tecnologías disruptivas que permitan superar estas barreras, así como explorar sectores que aún no han alcanzado su pleno potencial de automatización.
5 COMO HA EVOLUCIONADO EL PROMEDIO DE AUTOMATIZACION ESTIMADA ENTRE 2015 y 2025
ATRIBUTOS %>%
group_by(Anio) %>%
summarise(Promedio_Automatizacion = mean(Automatizacion, na.rm = TRUE)) %>%
arrange(Anio)## # A tibble: 11 × 2
## Anio Promedio_Automatizacion
## <dbl> <dbl>
## 1 2015 35.7
## 2 2016 41.5
## 3 2017 36.6
## 4 2018 34.8
## 5 2019 36.3
## 6 2020 40.8
## 7 2021 37.8
## 8 2022 36.0
## 9 2023 35.0
## 10 2024 38.1
## 11 2025 39.95.1 Análisis de la evolución del promedio de automatización (2015-2025)
Rango del promedio: El promedio anual de automatización estimada oscila entre 34.8% (2018) y 41.5% (2016).
Tendencia general:
->En los primeros años (2015-2016) hay un aumento notable (de 35.7% a 41.5%).
->Luego, se observa una caída y fluctuaciones entre 34.8% y 37.8% aproximadamente (2017-2023).
->En los últimos años (2024-2025), se aprecia un aumento moderado llegando a 39.9% en 2025.
Variabilidad: Los valores muestran una oscilación moderada, sin una tendencia lineal clara, más bien con altibajos a lo largo de la década.
5.2 GRAFICA DE EVOLUCION ENTRE 2015 Y 2025
library(ggplot2)
ggplot(data = ATRIBUTOS, aes(x = Anio, y = Automatizacion)) +
geom_point(color = "blue") +
geom_smooth(method = "loess", color = "red", se = FALSE) +
labs(
title = "Evolucion del % de Automatizacion Estimada por Anio",
x = "Anio",
y = "% Automatizacion Estimada"
)## `geom_smooth()` using formula = 'y ~ x'
5.3 Relación entre el gráfico y la tabla/análisis previo:
Puntos azules (distribución por año): Muestran la dispersión o variabilidad de los valores de automatización estimada en cada año. Esto confirma que dentro de cada año hay sectores o casos con automatización muy baja (cerca de 0%) y otros con valores altos (más de 60%).
Línea roja (tendencia del promedio): Representa el promedio anual de automatización estimada, que coincide con los valores de la tabla que analizaste antes (entre ~34% y ~41%). La línea es bastante plana, con ligeros altibajos, que reflejan el comportamiento oscilante y estable que describimos.
Confirmación visual:
La variabilidad alta que se observa en los puntos azules valida la idea de que la automatización no es homogénea y depende mucho del sector o contexto.
La estabilidad del promedio anual (línea roja) confirma que, aunque hay variabilidad, el promedio general no cambia drásticamente en el período.
5.4 En resumen
Este gráfico refuerza la conclusión de que la automatización estimada presenta una evolución con altibajos pero con una tendencia promedio bastante estable y ligeramente creciente hacia el final del período (2025).
6 QUE EMPLEOS TIENEN MAYOR % DE AUTOMATIZACION
ATRIBUTOS %>%
arrange(desc(Automatizacion)) %>%
select(Tipo_Empleo, Automatizacion) %>%
head(5)## Tipo_Empleo Automatizacion
## 1 Editores de contenido 70.0
## 2 Técnico en mantenimiento 69.9
## 3 Analistas financieros 69.8
## 4 Almacenistas 69.7
## 5 Soporte técnico nivel 1 69.56.1 Análisis: Empleos con mayor % de automatizacion
->Todos los empleos listados superan el 69% de probabilidad de automatización, lo que indica que gran parte de sus funciones podría ser realizada por sistemas automáticos o inteligencia artificial.
->La diferencia entre el primer y el quinto lugar es mínima (0.5 puntos porcentuales), lo que sugiere que, en términos prácticos, todos enfrentan un riesgo similar.
6.2 ¿Que podemos deducir?
Los datos muestran que los cinco empleos listados tienen un alto y similar riesgo de automatización (casi 70%), afectando principalmente tareas repetitivas en contenido, logística, análisis financiero y soporte técnico. Esto implica que muchas funciones podrían ser reemplazadas por tecnología, por lo que será clave reentrenar a los trabajadores hacia roles más creativos, estratégicos y de supervisión.
7 QUE EMPLEOS ESTAN PERDIENDO MAS TRABAJADORES
ATRIBUTOS %>%
arrange(Cambio_Neto_Empleo) %>%
select(Tipo_Empleo, Cambio_Neto_Empleo, Habilidades_Declive) %>%
head(5)## Tipo_Empleo Cambio_Neto_Empleo Habilidades_Declive
## 1 Analistas financieros -10.0 Encuestas tradicionales
## 2 Vendedores -10.0 Redacción estándar
## 3 Analistas de selección -10.0 Análisis repetitivo
## 4 Supervisores de servicio -9.9 Tareas rutinarias
## 5 Diseñadores CAD -9.9 Operación manual7.1 Análisis: Empleos con mayor pérdida de trabajadores
La tabla presenta los 5 empleos con mayor disminución neta de puestos de trabajo. Todos muestran valores negativos en el cambio neto de empleo, lo que indica pérdida de ocupación.
7.2 Observaciones clave:
Tareas repetitivas o estandarizadas predominan entre las habilidades en declive:
Ej.: análisis repetitivo, tareas rutinarias, operación manual, redacción estándar.
Pérdida en empleos con alto componente de estructura o reglas fijas:
Los trabajos afectados dependen de procesos sistemáticos fácilmente automatizables por IA, RPA (automatización de procesos), o software especializado.
Impacto en perfiles técnicos y administrativos:
No sólo empleos operativos (como vendedores o supervisores) están perdiendo puestos, también roles técnicos como diseñadores CAD y analistas.
7.3 ¿Que podemos deducir?
La pérdida de empleo está afectando principalmente a ocupaciones basadas en tareas rutinarias, repetitivas o estandarizadas, lo que evidencia el impacto directo de la automatización y la inteligencia artificial en estos roles. Estos trabajos son más susceptibles de ser reemplazados por sistemas automáticos o algoritmos eficientes.
Para reducir el impacto negativo, será clave impulsar la reconversión laboral mediante la adquisición de habilidades cognitivas, creativas o interpersonales, menos susceptibles de automatización.
7.4 O BIEN: PROMEDIO DE IMPACTO POR SECTOR
ATRIBUTOS %>%
group_by(Sector_Economico) %>%
summarise(Promedio_Cambio = mean(Cambio_Neto_Empleo, na.rm = TRUE)) %>%
arrange(Promedio_Cambio)## # A tibble: 15 × 2
## Sector_Economico Promedio_Cambio
## <chr> <dbl>
## 1 Educación -3.56
## 2 Arquitectura -3.27
## 3 Atención al cliente -3.03
## 4 Periodismo -2.82
## 5 Marketing -2.82
## 6 Transporte -2.78
## 7 Salud -2.66
## 8 Manufactura -2.52
## 9 Finanzas -2.51
## 10 Agricultura -2.07
## 11 Logística -1.94
## 12 Tecnología -1.92
## 13 Comercio minorista -1.83
## 14 Recursos Humanos -1.71
## 15 Derecho -1.577.5 Análisis: Promedio de impacto por sector (Cambio Neto de Empleo)
->Todos los sectores presentan valores negativos, lo que indica que, en promedio, ningún sector está ganando empleo neto — todos están perdiendo trabajadores.
->Los sectores más afectados en promedio son:
-Educación (-3.56)
-Arquitectura (-3.27)
-Atención al cliente (-3.03)
->Los sectores menos afectados, aunque igualmente negativos, son:
-Derecho (-1.57)
-Recursos Humanos (-1.71)
-Comercio minorista (-1.83)
7.6 ¿Que podemos deducir?
Los sectores económicos están siendo afectados de manera generalizada por la automatización, pero la intensidad varía significativamente según el tipo de tareas predominantes. Aquellos sectores con actividades más repetitivas, estructuradas o digitalizables, como Educación, Arquitectura y Atención al cliente, presentan una mayor pérdida de empleos netos.
Por otro lado, sectores como Derecho y Recursos Humanos, que dependen más de juicio humano, comunicación interpersonal o interpretación contextual, están siendo menos afectados en promedio, lo que sugiere que este tipo de habilidades resisten mejor la automatización.
8 QUE HABILIDADES ESTAN EN DECLIVE MAS FRECUENTEMENTE
table(ATRIBUTOS$Habilidades_Declive) %>%
sort(decreasing = TRUE)##
## Operación manual Tareas rutinarias Lectura manual de datos
## 137 131 129
## Redacción estándar Dibujo manual Encuestas tradicionales
## 129 126 123
## Atención telefónica Análisis repetitivo
## 113 1128.1 Análisis en Declive mas frecuente
->Operación manual (137) encabeza la lista, lo que indica que las tareas físicas repetitivas y mecánicas están siendo reemplazadas rápidamente por la automatización y la maquinaria avanzada.
->Tareas rutinarias (131) también están perdiendo relevancia debido a la digitalización y a la inteligencia artificial, que permite automatizar procesos simples y repetitivos.
->Lectura manual de datos (129) y Redacción estándar (129) comparten la tercera posición, reflejando que la interpretación manual de información y la redacción básica están siendo sustituidas por sistemas automáticos de análisis y generación de textos.
->Dibujo manual (126) sufre el impacto del diseño asistido por computadora (CAD) y herramientas digitales, reduciendo la demanda de habilidades puramente manuales.
->Encuestas tradicionales (123) están en declive por el auge de encuestas digitales y análisis de datos en tiempo real.
->Atención telefónica (113) disminuye por el uso de chatbots, atención en línea y sistemas de autoservicio.
->Análisis repetitivo (112) también se ve reemplazado por algoritmos y software especializado que realizan este tipo de tareas con mayor rapidez y precisión.
8.2 ¿Que podemos deducir?
La tendencia general muestra un desplazamiento de las habilidades manuales, repetitivas y analógicas hacia competencias digitales, automatizadas y con mayor valor agregado. Esto sugiere que el mercado laboral está demandando menos tareas mecánicas y más habilidades relacionadas con la tecnología, creatividad, análisis crítico y gestión de información en entornos digitales.
8.3 GRAFICA DE LOS MAS FRECUENTES
library(ggplot2)
ATRIBUTOS %>%
count(Habilidades_Declive) %>%
arrange(desc(n)) %>%
top_n(10) %>%
ggplot(aes(x = reorder(Habilidades_Declive, n), y = n)) +
geom_col(fill = "steelblue") +
coord_flip() +
labs(title = "Top 10 Habilidades en Declive", x = "Habilidad", y = "Frecuencia")## Selecting by n
8.4 Análisis combinado: Top 10 habilidades en declive
La gráfica de barras muestra las habilidades que con mayor frecuencia aparecen asociadas a empleos en declive. Esto refuerza los hallazgos de la tabla y permite identificar de forma rápida los tipos de tareas más afectadas por la automatización y los cambios tecnológicos.
Principales hallazgos:
1.Lideran habilidades manuales y repetitivas:
->Operación manual y tareas rutinarias son las dos habilidades más frecuentemente en declive (>130 veces).
->Esto indica una fuerte automatización de procesos físicos o estructurados.
2.También se ven afectadas habilidades cognitivas básicas:
->Redacción estándar, análisis repetitivo y lectura manual de datos son habilidades mentales estructuradas y predecibles, ahora reemplazadas por IA, NLP (procesamiento de lenguaje natural) y analítica automatizada.
3.Desplazamiento de tareas tradicionales:
->Dibujo manual, encuestas tradicionales y atención telefónica reflejan la transición hacia herramientas digitales, asistentes virtuales, formularios automatizados y software de diseño.
8.5 Deducción final
La gráfica confirma que las habilidades más en declive tienen tres características comunes:
1.Son repetitivas o rutinarias.
2.Son susceptibles de automatización digital o mecánica.
3.Requieren bajo nivel de juicio humano o creatividad.
Esto indica que el mercado laboral está desplazando tareas operativas, físicas o mentales simples, y está demandando cada vez más habilidades complejas, analíticas, creativas o interpersonales.
En resumen: los empleos que dependen fuertemente de estas habilidades están en riesgo, y la reconversión laboral debe centrarse en desarrollar capacidades humanas que la tecnología aún no puede replicar con facilidad.
9 QUE HABILIDADES EMERGENTES APARECEN CON ALTOS NIVELES DE AUTOMATIZACION
ATRIBUTOS %>%
filter(Automatizacion > 60) %>%
select(Tipo_Empleo, Habilidades_Emergentes, Automatizacion) %>%
head(10) # Solo muestra las primeras 5 filas## Tipo_Empleo Habilidades_Emergentes Automatizacion
## 1 Coordinadores logísticos Diseño asistido por IA 63.6
## 2 Soporte técnico nivel 1 Evaluación automatizada 63.2
## 3 Supervisores agrícolas Evaluación automatizada 63.9
## 4 Almacenistas Diseño asistido por IA 64.7
## 5 Técnico en imágenes diagnósticas Programación de robots 67.4
## 6 Desarrollador junior Diseño asistido por IA 65.2
## 7 Recolectores Programación de robots 68.3
## 8 Editores de contenido Curaduría de contenido 68.8
## 9 Analistas financieros Evaluación automatizada 67.7
## 10 Técnico en mantenimiento Diseño asistido por IA 66.09.1 Análisis: Habilidades emergentes en empleos con alta automatización
La tabla muestra los 10 primeros empleos donde la automatización supera el 60% y las habilidades emergentes asociadas a esos puestos.
9.2 Observaciones clave:
1.Habilidades emergentes con más presencia:
->Diseño asistido por IA (4 menciones).
->Evaluación automatizada (3 menciones).
->Programación de robots, curaduría de contenido.
2.Alta automatización no implica desaparición del empleo, sino transformación:
->Estos empleos no necesariamente desaparecen, sino que requieren nuevas habilidades para adaptarse a la automatización.
3.Diversidad de sectores afectados:
->Los empleos automatizables provienen de sectores como logística, agricultura, tecnología, salud, contenido digital y mantenimiento.
->Esto muestra una transversalidad de la automatización.
9.3 ¿Que podemos deducir?
La tabla evidencia que los trabajos altamente automatizados no son necesariamente eliminados, sino redefinidos, dando lugar a nuevas habilidades emergentes que permiten a los trabajadores colaborar con las tecnologías.
Las habilidades que surgen con fuerza están relacionadas con el uso, programación y supervisión de sistemas automatizados, en particular:
-Inteligencia artificial,
-Automatización de evaluación,
-Curaduría de contenido digital,
-Programación de robots.
Esto sugiere que la clave de la empleabilidad futura no será evitar la automatización, sino adaptarse a ella mediante el aprendizaje de nuevas competencias tecnológicas y cognitivas avanzadas.
10 QUE SECTORES ESTAN MAS EXPUESTOS A AUTOMATIZACION
ATRIBUTOS %>%
group_by(Sector_Economico) %>%
summarise(Automatizacion = mean(Automatizacion, na.rm = TRUE)) %>%
arrange(desc( Automatizacion))## # A tibble: 15 × 2
## Sector_Economico Automatizacion
## <chr> <dbl>
## 1 Transporte 40.9
## 2 Manufactura 40.6
## 3 Comercio minorista 39.6
## 4 Finanzas 39.3
## 5 Arquitectura 38.9
## 6 Atención al cliente 37.7
## 7 Periodismo 37.6
## 8 Recursos Humanos 36.8
## 9 Logística 36.4
## 10 Agricultura 36.3
## 11 Tecnología 36.2
## 12 Salud 36.1
## 13 Derecho 35.5
## 14 Educación 35.5
## 15 Marketing 35.110.1 Análisis: Sectores más expuestos a la automatización
Esta tabla ordena los sectores económicos según su promedio de automatización (de mayor a menor), permitiendo identificar dónde la tecnología tiene mayor potencial de reemplazo de tareas.
Top 5 sectores más automatizables:
| Posición | Sector | % Automatización promedio |
|---|---|---|
| 1 | Transporte | 40.9% |
| 2 | Manufactura | 40.6% |
| 3 | Comercio minorista | 39.6% |
| 4 | Finanzas | 39.3% |
| 5 | Arquitectura | 38.9% |
Estos sectores se caracterizan por tareas estructuradas, repetitivas o basadas en reglas claras, ideales para ser automatizadas mediante robots, software o IA.
Sectores con menor exposición:
| Sector | % Automatización promedio |
|---|---|
| Marketing | 35.1% |
| Educación | 35.5% |
| Derecho | 35.9% |
Aunque estos sectores también son automatizables en ciertos aspectos, la necesidad de juicio, creatividad y habilidades humanas complejas los protege parcialmente.
10.2 ¿Que podemos deducir?
1.La automatización no impacta a todos los sectores por igual.
->Sectores como transporte, manufactura y comercio tienen mayor exposición porque gran parte de sus procesos pueden ser mecanizados o digitalizados.
2.Los promedios de automatización son moderados.
->Incluso en los sectores más automatizables, el promedio ronda el 40%, lo que indica que:
->Hay límites tecnológicos actuales,
->Y/o componentes humanos aún esenciales en esos sectores.
3.No hay sector completamente inmune.
->Todos los sectores tienen más de 35% de tareas automatizables en promedio, lo que demuestra que la transformación digital es transversal, aunque en diferentes grados.
11 RANKING DE IA UTILIZADA
table(ATRIBUTOS$IA_Utilizada) %>%
sort(decreasing = TRUE)##
## Robots y optimización IA Visión computacional
## 84 77
## Chatbots y NLP Chatbots, NLP
## 73 73
## NLP legal, modelos GPT IA generativa, GPT
## 72 71
## IA para conducción autónoma Robótica industrial
## 69 68
## Visión e interfaces conversacionales IA generativa, big data
## 66 64
## Machine Learning Agricultura de precisión
## 63 62
## IA generativa en diseño Procesamiento de lenguaje natural
## 55 55
## NLP, scoring algorítmico
## 4811.1 Análisis: Ranking de tecnologías de IA utilizadas
La tabla muestra la frecuencia de uso de diferentes herramientas y técnicas de IA en los empleos analizados. Los números indican cuántas veces aparece cada tipo de IA asociada a una ocupación o tarea.
Tecnologías de IA más utilizadas:
| IA Utilizada | Frecuencia |
|---|---|
| Robots y optimización IA | 84 |
| Chatbots y NLP / Chatbots, NLP | 73–84 |
| Visión computacional | 77 |
| Modelos legales NLP, GPT | 72 |
| IA generativa, GPT | 71 |
| IA para conducción autónoma | 69 |
| Robótica industrial | 68 |
11.2 Observaciones clave:
1.Predominan tecnologías que automatizan tareas físicas y cognitivas:
->Robots, visión computacional, conducción autónoma y robótica industrial: dominan en entornos operativos o físicos.
->NLP (Procesamiento del lenguaje natural), GPT, chatbots: lideran en tareas de comunicación, análisis de texto y atención al cliente.
2.La IA generativa gana terreno:
->Varios ítems mencionan IA generativa (como GPT) en tareas creativas, diseño, redacción y evaluación de contenido.
3.Aplicaciones específicas por industria:
->Agricultura de precisión muestra cómo IA también penetra sectores tradicionales mediante sensores, drones y optimización.
4.Tendencias en crecimiento:
Tecnologías como visión conversacional, big data e IA para diseño ya tienen decenas de apariciones, lo que indica una rápida adopción en entornos creativos y estratégicos.
11.3 ¿Que podemos deducir?
El uso de inteligencia artificial se ha extendido más allá de lo técnico o repetitivo, incorporándose también en tareas cognitivas, creativas y de interacción humana. Las tecnologías más usadas reflejan tres grandes áreas de transformación:
1.Automatización física: Robots, visión computacional, conducción autónoma.
2.Automatización cognitiva: Chatbots, NLP, IA generativa (como GPT).
3.Optimización especializada: Agricultura de precisión, IA en diseño y big data.
Esto sugiere que la IA no solo reemplaza tareas, sino que redefine procesos, habilita nuevas funciones y da lugar a habilidades emergentes específicas según la industria.
12 USAMOS GROUP_BY() Y SUMMARISE() PARA CALCULAR EL PROMEDIO DEL CAMBIO NETO DE EMPLEO POR CADA COMBINACION
Cambio_Neto_Empleo <- ATRIBUTOS %>%
group_by(Anio, Tipo_Empleo) %>%
summarise(
Promedio_Cambio_Neto = mean(Cambio_Neto_Empleo, na.rm = TRUE)
) %>%
arrange(desc(Promedio_Cambio_Neto))## `summarise()` has grouped output by 'Anio'. You can override using the
## `.groups` argument.head(Cambio_Neto_Empleo, 10) # Muestra los 10 con mayor cambio neto## # A tibble: 10 × 3
## # Groups: Anio [7]
## Anio Tipo_Empleo Promedio_Cambio_Neto
## <dbl> <chr> <dbl>
## 1 2025 Analistas de selección 4.1
## 2 2022 Soporte técnico nivel 1 4
## 3 2015 Coordinadores logísticos 3.95
## 4 2025 Supervisores de servicio 3.9
## 5 2022 Desarrollador junior 3.5
## 6 2023 Auxiliares de obra 3.3
## 7 2024 Supervisores de servicio 3.3
## 8 2018 Coordinadores de talento 3.15
## 9 2015 Analistas de selección 2.7
## 10 2019 Conductores 2.6812.1 Análisis: Empleos con mayor crecimiento neto (2015–2025)
Esta tabla presenta las combinaciones de año y tipo de empleo que registraron los mayores aumentos promedio en el número de trabajadores. Es decir, son los puestos con mayor crecimiento neto.
Top 5 empleos con mayor crecimiento neto:
| Año | Tipo de Empleo | Promedio Cambio Neto |
|---|---|---|
| 2025 | Analistas de selección | 4.1 |
| 2022 | Soporte técnico nivel 1 | 4.0 |
| 2015 | Coordinadores logísticos | 3.95 |
| 2023 | Supervisores de servicio | 3.9 |
| 2022 | Desarrollador junior | 3.5 |
12.2 Observaciones clave:
1.Auge de empleos técnicos y operativos:
->Empleos como soporte técnico, desarrolladores junior, conductores y auxiliares de obra muestran alta demanda en años recientes.
->Esto puede deberse a la transformación digital y a la infraestructura de soporte que la automatización requiere.
2.Roles humanos aún esenciales:
->Pese al avance de la automatización, se observa crecimiento en roles como:
->Analistas de selección (2025 y 2018): enfocados en talento y RRHH.
->Supervisores de servicio y obra: tareas humanas aún no automatizadas.
3.Crecimiento distribuido en el tiempo:
->Hay representaciones desde 2015 hasta 2025, lo que indica una evolución sostenida y no concentrada solo en un periodo específico.
12.3 ¿Que podemos deducir?
Aunque muchos empleos están en declive por efecto de la automatización, ciertas ocupaciones muestran un crecimiento neto positivo y constante, especialmente aquellas que:
->Combinan habilidades técnicas con interacción humana.
->Apoyan o implementan tecnologías emergentes (como soporte técnico o desarrolladores).
->Requieren juicio, supervisión o gestión (como analistas de selección o supervisores).
Esto sugiere que la automatización no elimina empleos indiscriminadamente, sino que transforma el panorama laboral, impulsando nuevas demandas y adaptaciones en profesiones clave.