ChatGPT ya no se utiliza en el trabajo para un puñado de tareas repetidas. La nueva versión de OpenAI Signals clasifica mensajes laborales en 165 actividades y permite comparar patrones de casi 100 países. El dato abre una ventana más precisa sobre cómo se incorpora la inteligencia artificial al día a día, pero no es un censo de empleos ni una prueba de productividad.
La conclusión más útil no es que una actividad concreta vaya a desaparecer. Es que el uso se está diversificando: entre los 74 países observados en todos los trimestres, las diez actividades más frecuentes concentraban de media el 56,0 % de los mensajes laborales clasificados en el primer trimestre de 2025 y el 51,1 % en el tercero de 2026. Hay más variedad, aunque esa evolución no demuestra por sí sola que el trabajo sea mejor, más rápido o más seguro.
Para trabajadores y empresas, Signals puede servir como mapa de preguntas: qué tareas se llevan a una IA, dónde cambia el patrón y qué conviene medir antes de implantarla. También exige leer con cuidado qué incluye el conjunto de datos, qué deja fuera y cómo protege la privacidad.
Qué ha publicado OpenAI el 26 de octubre de 2026
La presentación oficial de ChatGPT y el mundo del trabajo incorpora a Signals una clasificación de 165 actividades laborales intermedias, o IWA por sus siglas en inglés. Los datos se ofrecen por trimestre desde el primero de 2025 hasta el tercero de 2026 y permiten explorar diferencias entre países.
Una IWA no es una profesión. Es una categoría que reúne tareas parecidas presentes en ocupaciones distintas. Preparar material didáctico, desarrollar contenido de marketing, programar o analizar datos empresariales son ejemplos citados por OpenAI. Dos personas con puestos diferentes pueden llevar al asistente actividades de la misma familia, mientras que un mismo empleo puede contener muchas actividades.
El marco procede de O*NET, el sistema ocupacional patrocinado por el Departamento de Trabajo de Estados Unidos. El resumen oficial de O*NET explica que su modelo organiza miles de tareas en actividades detalladas, intermedias y generales. Esta jerarquía hace posible comparar mensajes con una taxonomía laboral común, aunque el trabajo real de cada país no tiene por qué coincidir con la estructura de la economía estadounidense.
El hallazgo central: el uso se concentra menos
OpenAI siguió a 74 países que disponían de observaciones en todos los trimestres. En ese grupo, las diez actividades más habituales pasaron de representar el 56,0 % de los mensajes laborales clasificados en el primer trimestre de 2025 al 51,1 % en el tercero de 2026. La caída es de 4,9 puntos porcentuales.
Eso significa que las actividades situadas fuera de las diez primeras ganaron peso relativo. La empresa describe el patrón como una mayor especialización entre países: con el tiempo, distintas geografías muestran mezclas diferentes. Es una descripción de la distribución de mensajes, no una medida directa de especialización productiva. Podría reflejar diferencias en los trabajos, en el acceso a herramientas, en el idioma, en la adopción o en la forma de formular consultas.
La distinción importa. Si crece la proporción de una actividad, no sabemos automáticamente si aumentó su volumen absoluto, si disminuyeron otras o si mejoró la clasificación. Tampoco conocemos por ese porcentaje el número de personas, las horas ahorradas ni el valor económico obtenido.
Qué contiene Signals y qué queda fuera
La página de datos individuales de Signals, actualizada el 26 de octubre, indica que el análisis utiliza una muestra de mensajes de cuentas Free, Go, Plus y Pro. Son planes gestionados normalmente por personas. No incluye conversaciones de cuentas empresariales ni uso de Codex, por lo que puede infrarrepresentar casos técnicos y organizativos.
La cobertura de actividades también tiene un límite. En la comparación con el empleo de Estados Unidos, alrededor del 43 % de la mezcla de tareas ponderada por empleo queda en una categoría agregada de «otras actividades». Ahí aparecen labores como mover materiales, operar vehículos o mantener historiales sanitarios, que no alcanzaron el umbral de representación consistente en la muestra original estadounidense de ChatGPT.
Por tanto, el gráfico no debe leerse como si el asistente reprodujera el reparto completo de la economía. Describe qué actividades aparecen en una muestra de mensajes clasificados y publicables bajo sus umbrales. El trabajo físico, el uso corporativo y determinados flujos técnicos quedan parcial o totalmente fuera.
Cómo se protege la privacidad y por qué se añade ruido
OpenAI afirma que las personas investigadoras no leen conversaciones individuales para producir estas estadísticas. Sistemas automatizados eliminan información identificativa y clasifican los mensajes. Después se publican resultados agregados, se ocultan grupos pequeños y se añade ruido estadístico para reducir el riesgo de reconstruir la actividad de una persona.
La metodología y descarga de Signals permite obtener los CSV y el diccionario de datos. El conjunto se ofrece bajo licencia CC BY 4.0. Esa apertura facilita replicar análisis, pero no elimina la necesidad de revisar definiciones, denominadores, periodos y mecanismos de privacidad antes de comparar cifras pequeñas.
El ruido estadístico es deliberado: protege a las personas a cambio de introducir una pequeña incertidumbre en los agregados. Una diferencia estrecha entre países o trimestres no debería presentarse como un ranking exacto sin consultar el método y los umbrales.
Lo que estos datos no demuestran
No miden productividad
Un mensaje puede producir una respuesta útil, un borrador mediocre o una idea descartada. Signals no observa por sí solo si el resultado fue aceptado, cuánto tardó la revisión o si se corrigieron errores. Contar actividad no equivale a medir calidad ni ahorro neto.
No miden sustitución de empleo
La presencia de una tarea en ChatGPT no revela si antes la hacía una persona, si ahora se hace más veces o si el sistema solo acompaña una decisión. Nuestro análisis de datos sobre empleo júnior y sus límites muestra por qué una señal de composición laboral no debe convertirse en una cifra de puestos eliminados. Signals estudia mensajes, no contratos ni nóminas.
No representa todo el uso profesional
Excluir las cuentas empresariales y Codex altera previsiblemente la mezcla. Las organizaciones pueden concentrar usos distintos, aplicar controles propios o integrar herramientas sin generar el mismo tipo de conversación. Tampoco puede suponerse que una muestra mundial refleje con igual precisión cada sector o cada región.
Hechos, inferencias e hipótesis: tres niveles distintos
Hechos publicados: el conjunto clasifica 165 actividades, cubre casi 100 países, ofrece series trimestrales entre 2025 y 2026 y muestra una menor concentración media de las diez actividades principales en 74 países comparables. También sabemos qué planes incluye y cuáles excluye.
Inferencia razonable: las personas están encontrando más formas de incorporar el asistente a actividades laborales. Es coherente con la pérdida de peso relativo de las diez categorías dominantes, pero aún no indica cuánto valor genera cada uso. También es razonable pensar que las diferencias nacionales combinan estructura productiva y condiciones de acceso; Signals no separa automáticamente ambos factores.
Hipótesis por comprobar: una mezcla más diversa podría anticipar adopción en equipos y tareas antes poco representados. Para demostrarlo habría que combinar Signals con datos de empleo, encuestas, adopción empresarial y resultados observables. También podría ocurrir que parte del cambio proceda de mejoras en producto o clasificación. Son explicaciones posibles, no conclusiones del conjunto publicado.
Cómo debería utilizar estos datos una empresa
Signals no ofrece una receta de implantación, pero sí ayuda a evitar una prueba basada únicamente en intuiciones. Una organización puede usar las categorías como inspiración y después medir su propio proceso con criterios estables.
- Definir una actividad, no un puesto entero. Conviene elegir una tarea concreta, repetible y con un resultado comprobable.
- Fijar una línea de base. Medir tiempo total, calidad, incidencias y coste antes de introducir la herramienta.
- Incluir preparación y revisión. El ahorro aparente puede desaparecer si hay que corregir, buscar fuentes o rehacer el resultado.
- Separar datos sensibles. Antes de probar, establecer qué información puede introducirse y con qué configuración.
- Comparar casos equivalentes. Una semana fácil no debe enfrentarse a otra con encargos más complejos.
- Conservar responsabilidad humana. La persona que aprueba necesita comprender el criterio, no limitarse a aceptar una respuesta.
El despliegue de ChatGPT Work en Uber ofrece un ejemplo de adopción a gran escala. Nuestro artículo sobre qué debe aprender una empresa antes de copiar ese modelo insiste en inventario, permisos, evaluación y soporte. Signals aporta contexto mundial; la prueba interna debe demostrar el beneficio local.
Qué puede hacer un profesional sin perseguir cada tendencia
La diversificación sugiere que no hay una única «habilidad de IA» válida para todos. Resulta más útil elegir una actividad propia y construir un método que pueda explicarse. Por ejemplo: preparar un informe, clasificar incidencias o proponer variantes de una campaña, siempre con fuentes, criterios de aceptación y revisión.
Quien trabaja con contenido puede estudiar nuestro análisis de automatización de YouTube con inteligencia artificial. Quien presta servicios de acompañamiento puede consultar la propuesta de asistentes de IA para profesionales del coaching. Son páginas comerciales independientes: enlazarlas no significa que Signals evalúe esas formaciones ni que comprarlas garantice resultados.
Una cartera pequeña de ejemplos verificables suele aportar más que una lista de herramientas: problema, material de partida, proceso, resultado, errores detectados y criterio de aprobación. Si la persona no puede explicar dónde falla el método, todavía no existe un flujo fiable.
Predicciones prudentes para 2027
Si la tendencia continúa, es probable que los mapas de uso se fragmenten aún más por país, sector y actividad. También cabe esperar que los investigadores crucen Signals con indicadores de empleo y productividad. Son predicciones, no resultados observados en los datos actuales.
Otra posibilidad es que la incorporación futura de entornos empresariales o agentes de programación cambie el reparto de tareas. Como ahora están excluidos, cualquier ampliación de cobertura rompería parte de la comparabilidad si no se presenta como una serie separada. La metodología tendrá que documentar cada cambio.
Para las empresas, la presión no debería ser «usar IA en todo», sino poder responder dónde mejora un resultado y dónde añade riesgo. Para los trabajadores, la ventaja sostenible estará menos en redactar una petición aislada y más en diseñar, comprobar y explicar un proceso.
Preguntas frecuentes
¿Cuántas actividades laborales analiza OpenAI Signals?
La actualización presentada el 26 de octubre de 2026 explora 165 actividades intermedias de trabajo en casi 100 países.
¿Signals demuestra que ChatGPT aumenta la productividad?
No. Mide patrones agregados de uso y clasificación de mensajes. Para hablar de productividad habría que observar resultados, calidad, tiempo total y costes en condiciones comparables.
¿Incluye el uso de empresas y herramientas de programación?
No en este conjunto. OpenAI especifica que analiza cuentas individuales Free, Go, Plus y Pro, y excluye mensajes empresariales y uso de Codex.
¿Por qué no puede usarse como un ranking exacto de países?
Las diferencias pueden reflejar estructura laboral, acceso, idioma y adopción. Además, se aplican umbrales y ruido estadístico para proteger la privacidad. Las comparaciones pequeñas requieren cautela.
Un mapa para investigar, no un veredicto sobre el empleo
La aportación de Signals es convertir una conversación abstracta sobre «IA y trabajo» en categorías, países y periodos que pueden analizarse. Su principal hallazgo —una menor concentración en las actividades dominantes— apunta a una adopción más diversa. No certifica productividad, sustitución ni éxito.
El uso responsable empieza precisamente donde termina el gráfico: medir una tarea concreta, revisar sus errores y decidir con evidencia si merece ampliarse. La nueva base de datos ofrece mejores preguntas. Las respuestas sobre empleo y valor económico necesitarán más fuentes y más tiempo.
Fuentes oficiales consultadas el 27 de octubre de 2026. Los datos principales corresponden a OpenAI Signals y O*NET. Las propuestas de medición, inferencias e hipótesis están identificadas como elaboración editorial.