Los empleados de un laboratorio de inteligencia artificial esperan un cambio mucho más rápido que la población general, pero esa diferencia de expectativas no demuestra cuál de los dos grupos acertará. Anthropic publicó el 16 de octubre de 2026 una investigación que compara respuestas de adultos estadounidenses con las de su propia plantilla. Su interés está en localizar dónde divergen las creencias sobre capacidades, productividad y trabajo, no en certificar qué ocurrirá en 2030.
La distinción es importante porque varias cifras del estudio pueden convertirse fácilmente en titulares engañosos. Que una persona crea que una herramienta podrá hacer buena parte de su trabajo no implica que su puesto vaya a desaparecer. Y que un modelo económico produzca un escenario de crecimiento elevado no convierte ese escenario en un pronóstico confirmado.
Qué estudió Anthropic y cuándo recogió las respuestas
El informe The AI Expectations Gap compara una encuesta online de Morning Consult a 10.980 adultos de Estados Unidos, realizada del 11 al 23 de agosto de 2026, con un sondeo interno que obtuvo 1.334 respuestas de la plantilla de Anthropic entre el 9 y el 12 de agosto. Las respuestas del público se ponderaron para aproximar la población adulta; las de la plantilla no se ponderaron.
Hay un matiz metodológico especialmente útil: la mitad de la muestra general recibió preguntas sobre 2027 y la otra mitad sobre 2030. Por tanto, el total de personas encuestadas no es el denominador de todas las cifras futuras. Además, las preguntas sobre el empleo propio se refieren a quienes trabajan, no a toda la población adulta.
Las muestras tampoco son equivalentes. Una plantilla dedicada a desarrollar y utilizar sistemas avanzados tiene ocupaciones, incentivos y experiencias diferentes de las de un país entero. Ponderar una encuesta por características demográficas ayuda, pero no elimina por sí solo todos los sesgos de selección. El informe reconoce que su panel online no incluye adultos sin acceso a internet.
La distancia principal está en las expectativas futuras
El contraste más llamativo del informe es que el 39 % del público estadounidense consultado y el 91 % de la plantilla esperan que la inteligencia artificial pueda realizar un descubrimiento de nivel Nobel antes de terminar 2030. Son proporciones de personas que expresan una creencia, no probabilidades objetivas calculadas por el estudio.
Una respuesta afirmativa tampoco significa que ya exista un descubrimiento premiado ni que una academia vaya a conceder un galardón a un sistema informático. La pregunta se refiere a una capacidad hipotética. Confundir esas capas transforma un sondeo sobre expectativas en una noticia sobre un logro que no se ha producido.
El informe plantea varias explicaciones posibles para la diferencia: exposición cotidiana a herramientas, conocimiento de los procesos de desarrollo y experiencias laborales distintas. No permite aislar de forma definitiva cuánto pesa cada una. Estar más cerca de una tecnología puede aportar información y también crear un entorno profesional poco representativo.
Una cifra de agosto no es una medición en tiempo real
El trabajo se publicó en octubre, pero sus resultados principales describen respuestas de agosto. Las noticias, los lanzamientos y las experiencias posteriores pueden cambiar las creencias de los participantes. Por eso conviene conservar las dos fechas: la de publicación y la de recogida de datos.
Esta precaución sirve para cualquier encuesta tecnológica. «Publicado hoy» no significa «preguntado hoy». Si se comparan estudios sin mirar el periodo de campo, es fácil interpretar como contradicción lo que en realidad puede ser una diferencia temporal o de formulación.
Capacidad, adopción y empleo no son la misma variable
Para interpretar el estudio conviene separar tres preguntas. Primera: ¿puede un sistema hacer una tarea con calidad suficiente? Segunda: ¿lo usarán las organizaciones para hacerla? Tercera: ¿qué decisiones tomarán sobre puestos, precios, horarios y servicios cuando lo utilicen? Cada respuesta requiere evidencia distinta.
Una herramienta puede resolver una demostración y no integrarse en una empresa porque sus datos estén desordenados, porque no resulte fiable o porque los clientes prefieran hablar con alguien. También puede adoptarse para aumentar producción sin reducir plantilla. O puede desplazar determinadas funciones. Ninguna de esas posibilidades se deduce automáticamente de una sola métrica de capacidad.
El propio estudio pregunta por obstáculos como fiabilidad, privacidad y preferencias de los clientes. Esto conecta con una cuestión muy práctica: cómo desplegar agentes de atención al cliente con transparencia y control. Tener un agente disponible no demuestra que los usuarios estén recibiendo una respuesta correcta ni una buena atención.
Automatizar horas no equivale a eliminar empleos
En la encuesta, la plantilla estima de media que la inteligencia artificial podrá hacer el 75 % de sus horas de trabajo actuales en 2030; los trabajadores estadounidenses de la muestra sitúan esa expectativa media en el 28 %. La palabra clave es «actuales»: el trabajo puede cambiar, aparecer tareas nuevas o aumentar la demanda.
Estos porcentajes no son una previsión de despidos del 75 % o del 28 %. Tampoco son una medición de productividad ya conseguida. Describen lo que dos grupos esperan sobre el potencial de automatización de su propio trabajo. Pasar de ahí al empleo total exige un análisis adicional que tenga en cuenta organización, demanda y transición laboral.
Qué significa realmente ahorrar tiempo con inteligencia artificial
Otro contraste se refiere a tareas para las que la tecnología resulta adecuada. El 26 % de los adultos estadounidenses que la usan en el trabajo y el 59 % de los empleados de Anthropic dicen que una tarea lleva una cuarta parte del tiempo o menos. La pregunta incluye revisar y corregir el resultado: un detalle esencial para no confundir velocidad de generación con ahorro neto.
Aun así, son respuestas declaradas, no un ensayo cronometrado idéntico para todos. Las tareas elegidas pueden ser muy distintas. Un programador que utiliza agentes a diario y una persona que recurre ocasionalmente a un asistente no están evaluando necesariamente el mismo tipo de trabajo, con las mismas restricciones o con igual experiencia.
Para un negocio pequeño, el dato útil no sería copiar el ahorro medio de otra organización. Sería medir una tarea concreta antes y después. Hay que sumar el tiempo de preparar la petición, aportar contexto, revisar, arreglar fallos y completar las acciones que siguen siendo manuales.
Un ejemplo para calcular el ahorro neto
Supongamos, como ejemplo editorial y no como dato del estudio, que un informe requería sesenta minutos. Con un asistente hacen falta diez para prepararlo, quince para revisar cifras y diez para corregir y entregar. El tiempo total es de treinta y cinco minutos: el ahorro es de veinticinco, no de cincuenta. La primera respuesta automática solo cubría una parte del proceso.
Si el resultado necesita una segunda revisión porque contiene un error importante, el beneficio puede reducirse más. Por eso merece la pena registrar calidad y tiempo a la vez. Producir más borradores no equivale necesariamente a entregar más trabajo útil.
Los escenarios económicos son condicionales, no certezas
Los autores introducen parte de las respuestas en un modelo económico. De esa combinación salen escenarios de crecimiento muy distintos para 2030. La lógica es condicional: si se cumplen determinados supuestos sobre capacidades, adopción, autonomía, ahorro de tiempo y transición laboral, el modelo produce unas consecuencias.
Un resultado del modelo no es una observación del futuro. Tampoco basta con elegir el escenario que más atraiga para convertirlo en un plan empresarial. El valor de este tipo de herramienta está en identificar qué supuestos empujan el resultado y qué cambiaría si fueran demasiado optimistas o demasiado pesimistas.
Conviene distinguir también las respuestas de visitantes de una web de una muestra representativa. Quienes deciden completar voluntariamente un cuestionario sobre inteligencia artificial pueden tener más interés previo en el tema. Un número grande de participantes reduce algunos problemas de precisión, pero no corrige automáticamente la selección de quién participa.
Cinco límites que evitan interpretar de más
- El país importa. Una muestra estadounidense no describe directamente el mercado laboral español ni sus instituciones.
- La ocupación importa. La experiencia de un laboratorio tecnológico no representa todos los sectores.
- La pregunta importa. Esperar una capacidad no equivale a esperar su adopción universal.
- El método importa. Opiniones declaradas y productividad observada son evidencias diferentes.
- El horizonte importa. Una expectativa sobre 2030 no confirma un resultado disponible hoy.
También existe un posible interés institucional: el estudio lo publica una empresa del sector y parte de la comparación utiliza a su propia plantilla. Eso no invalida los datos; obliga a leer metodología, alcance y limitaciones, igual que con cualquier investigación promovida por una organización que participa en el mercado estudiado.
Cómo convertir la noticia en una decisión útil para tu proyecto
La conclusión práctica no es «automatízalo todo» ni «ignora la tecnología». Es sustituir una discusión abstracta por pruebas pequeñas. Elegir una tarea repetible, establecer cómo se evalúa, registrar errores y comparar el trabajo completo con y sin asistencia. Una semana con un procedimiento estable puede enseñar más sobre tu situación que una cifra general de otro sector.
Para quienes crean contenidos o venden servicios, separar herramientas de propuesta de valor resulta especialmente importante. Nuestro análisis comercial del curso Crea ebooks rentables con IA permite revisar una oferta formativa concreta. La existencia de un curso o de una herramienta no demuestra que haya demanda ni garantiza ventas.
También se puede contrastar el análisis de Sistema AMD y su planteamiento de marketing digital. Ambos enlaces llevan a artículos comerciales, no a recomendaciones de los autores del estudio ni a una promesa de ingresos. La decisión debería depender de necesidades comprobadas, presupuesto y condiciones de la formación.
Antes de escalar un agente conviene fijar criterios de aceptación y conservar ejemplos de fallos. La guía sobre evaluación de agentes con pruebas y trazas desarrolla esa parte operativa. La pregunta no es solo cuánto trabajo produce, sino cuánto puede darse por correcto después de verificarlo.
Qué registrar durante una prueba
Una ficha sencilla puede incluir tipo de tarea, tiempo sin asistencia, tiempo con asistencia y revisión, errores detectados, resultado aceptado o rechazado y coste. Si unas tareas mejoran y otras empeoran, no conviene mezclarlas en un promedio que oculte la diferencia. También hay que anotar qué datos se comparten y qué acciones requieren aprobación.
Repetir la prueba con varias tareas y mantener una referencia comparable reduce el riesgo de sacar conclusiones de una demostración excepcional. Esto es una propuesta editorial para experimentar con prudencia, no una metodología validada por la encuesta de Anthropic ni una garantía de éxito.
Preguntas frecuentes sobre la brecha de expectativas
¿El estudio demuestra que la plantilla de Anthropic tiene razón?
No. Muestra diferencias entre respuestas. La cercanía al desarrollo puede aportar información, pero el acierto de las predicciones futuras tendrá que contrastarse con resultados posteriores.
¿El 75 % significa que desaparecerán tres de cada cuatro empleos?
No. Es una expectativa media sobre la proporción de horas de trabajo actuales que la herramienta podría realizar en ese grupo. No es una previsión de despidos.
¿Se pueden aplicar estas cifras directamente a España?
No de forma rigurosa. La encuesta principal representa mediante ponderación a adultos estadounidenses y el sondeo interno describe una empresa concreta. España requiere datos propios.
¿Qué puede aprovechar ya una persona autónoma?
La distinción entre capacidad, uso real y ahorro neto. Puede medir tareas concretas, revisar la calidad y ampliar solo los procesos que ofrezcan un resultado útil y comprobable.
Conclusión: medir tu realidad antes de adoptar un futuro ajeno
La investigación ilumina una discrepancia relevante sobre la velocidad del cambio. No elimina la incertidumbre. Para quien necesita tomar decisiones hoy, la respuesta más sólida combina atención a la evidencia nueva con pruebas locales, costes claros y revisión humana. Prepararse para distintos escenarios es más útil que tratar cualquiera de ellos como un hecho consumado.
Fuente primaria consultada el 17 de octubre de 2026: informe de Anthropic publicado el 16 de octubre, con datos principales recogidos en agosto. Los ejemplos numéricos y las propuestas de prueba identificados como editoriales no forman parte de los resultados de la encuesta.