¿La AGI nos dejará sin trabajo? Lo que puedes decidir antes de saberlo

La pregunta empresarial empieza antes de la AGI

Si una herramienta prepara en minutos el documento por el que hoy necesitas horas, cambia algo más que la velocidad. Puede cambiar lo que aprende tu equipo, lo que valora el cliente y cómo explicas tu precio. La AGI sigue siendo una pregunta abierta; estas decisiones empresariales ya merecen una conversación.

La inteligencia artificial general, o AGI, alude a una capacidad amplia para aprender y resolver tareas diversas, incluidas situaciones nuevas. Hay distintas definiciones sobre el nivel humano que debería igualar y el alcance que tendría que demostrar. Una respuesta convincente o un examen sobresaliente no resuelven ese desacuerdo, ni prueban conciencia.

En marzo de 2026, Google DeepMind presentó un marco cognitivo para estudiar ese avance. Evaluar varias capacidades evita confundir una destreza llamativa con competencia general. Para un negocio importan capacidad, fiabilidad y utilidad bajo condiciones concretas.

El ritmo se puede medir; el destino no viene incluido

METR estima la dificultad de tareas al 50 % de éxito del agente, expresada en minutos de trabajo humano. La figura compara cuatro sistemas bajo TH1.1; las fechas son de lanzamiento. Se centra en software, aprendizaje automático y ciberseguridad.

El horizonte no indica horas de funcionamiento autónomo ni capacidad para reemplazar empleos. El avance invita a revisar herramientas periódicamente y probarlas en tu actividad, donde las instrucciones pueden estar incompletas y el éxito depende de personas.

Lo que demuestra un benchmark cambia con la fecha y la configuración

ARC-AGI-3 evalúa aprendizaje en entornos interactivos desconocidos. El informe de marzo de 2026 mostraba resultados muy bajos; utilizar solo esa fotografía hoy ocultaría un avance importante. La actualización de ARC Prize sobre Astra, publicada en septiembre, cambia el contexto de aquella comparación.

En la tabla verificada de ARC Prize, Astra obtiene 62,71 % con el harness Standard y esfuerzo max; con Provider Adapter y esfuerzo high alcanza 99,95 %. El segundo conserva estado de razonamiento entre peticiones. Son configuraciones diferentes, por lo que la distancia entre sus mejores resultados no aísla el efecto de cambiar una sola pieza.

ARC Prize explica que saturar sus juegos cerrados y deterministas no prueba AGI. El progreso es sustancial, pero esa puntuación no certifica competencia en cualquier situación. Para tu empresa, comprueba el modelo junto con sus herramientas y prueba también una factura ambigua o una condición que cambia; son preguntas distintas de resolver ese benchmark.

Navier–Stokes: qué permite comprobar el avance científico

La propuesta matemática de OpenAI construye un caso tridimensional con fuerza externa suave que desarrolla una singularidad en tiempo finito mientras mantiene energía acotada. Ese es el alcance que describe su artículo; no afirma que todo fluido se comporte así. Es una señal de avance científico que debe leerse junto con sus condiciones.

La formalización y el reconocimiento del Premio del Milenio son procesos diferentes. Clay exige publicación en un medio admisible, al menos dos años desde esa publicación y aceptación general en la comunidad matemática antes de considerar una solución. El material enlazado permite examinar la propuesta sin confundirla con un premio concedido.

Este caso también ayuda a separar dos preguntas para un estudio que prepara presupuestos: qué capacidades científicas están avanzando y qué responsabilidad puede delegar hoy. Un resultado de investigación no determina por sí solo el futuro de cada puesto. La siguiente decisión sigue siendo identificar las tareas que cambian y qué experiencia necesita conservar el equipo.

Automatizar tareas no equivale a borrar puestos completos

Un asesor comercial responde dudas, identifica necesidades, registra acuerdos, coordina entregas y resuelve conversaciones difíciles. Que una IA redacte respuestas o actualice un registro afecta partes de ese trabajo. La decisión sobre cómo reorganizar el puesto depende de las tareas restantes, la demanda y la calidad que exige el cliente.

La OIT estimó en su índice de 2025 que uno de cada cuatro trabajadores del mundo estaba en una ocupación con algún grado de exposición a IA generativa. Exposición significa potencial de transformación de tareas; no es una predicción de despidos. El estudio consideró más probable la transformación que la sustitución completa de muchas ocupaciones.

Tampoco conviene prometer que nadie perderá trabajo. Si una empresa logra producir lo mismo con menos horas, puede crecer, reducir precios, reasignar personas o disminuir contratación. Son decisiones y circunstancias diferentes. En tu equipo, empieza por mapear tareas y cuellos de botella antes de usar el nombre de un puesto como unidad de automatización.

Qué sabemos del empleo y qué sigue abierto

Un estudio de Anthropic publicado el 5 de marzo de 2026 combinó datos de uso de Claude, tareas ocupacionales y encuestas laborales estadounidenses. No encontró un aumento sistemático del desempleo entre trabajadores de las ocupaciones más expuestas desde finales de 2022. Sí encontró señales tentativas de menor contratación de jóvenes en algunas de esas ocupaciones.

Son resultados de una población, un periodo y una metodología específicos. No garantizan estabilidad futura, no miden todo el uso de IA y no deben trasladarse directamente a Perú. Una caída en vacantes tampoco significa automáticamente que cada puesto haya sido reemplazado por un agente.

La cuestión práctica es cómo conservar una vía de aprendizaje. Si las tareas sencillas dejan de formar parte del puesto inicial, ¿con qué experiencias aprenderá alguien a revisar el trabajo complejo? Puedes mantener ejercicios supervisados, revisión de excepciones y rotación por procesos. Automatizar sin pensar en esa formación puede dejarte sin personas capaces de detectar los errores de mañana.

Las oportunidades cambian según el sector y el tipo de tarea

Estos son escenarios de aplicación, no resultados de clientes ni sectores condenados a desaparecer. Distinguen información digital, trabajo físico, relaciones y decisiones con responsabilidad identificable.

En servicios profesionales, preparar documentos más rápido puede desplazar el valor hacia entender el caso, verificar y aconsejar. En comercio, reunir ventas e inventario puede ayudar a decidir, pero una recomendación no mueve físicamente el producto ni resuelve por sí sola una entrega. En construcción o mantenimiento, presupuestar y planificar puede cambiar antes que ejecutar la intervención.

En salud y educación pueden explorarse tareas administrativas o de preparación de materiales; las decisiones clínicas y pedagógicas requieren evaluación especializada. La oportunidad científica también existe sin AGI: el Nobel de Química de 2024 reconoció, entre otros avances, el trabajo de AlphaFold en predicción de estructuras de proteínas. Eso no convierte un modelo general de conversación en un investigador o profesional acreditado.

Busca el punto donde una mejora digital se traduce en servicio real. Un reporte diario solo aporta valor si alguien puede actuar sobre él. De lo contrario, habrás acelerado la producción de información sin cambiar la operación.

Cuando producir cuesta menos, la competencia también cambia

Stanford HAI informó que el precio de inferencia para alcanzar un nivel comparable a GPT-3.5 en MMLU bajó más de 280 veces entre noviembre de 2022 y octubre de 2024. Es una comparación histórica de coste para un umbral concreto de evaluación, no una promesa de que tu proyecto vaya a abaratarse en esa proporción.

Para una pequeña empresa, herramientas más accesibles pueden permitir probar análisis, software o contenido que antes exigían más presupuesto. Para quien vende esos entregables, el reto podría ser demostrar qué aporta además de producirlos. Conocimiento del cliente, integración, verificación y acompañamiento pueden seguir teniendo valor aunque el primer borrador sea barato.

Calcula el coste completo: uso, conexiones, revisión, incidencias y mantenimiento. Si aumenta mucho el volumen de tareas o el sistema necesita reintentos, una tarifa menor no asegura una factura menor. Pregunta también qué pasa si cambia el proveedor. Guardar datos y criterios de aceptación en formatos accesibles te deja más margen para renegociar o migrar.

Tres escenarios para pensar, sin asignarles una fecha de llegada

En septiembre de 2026, el equipo económico de Anthropic publicó un explorador de escenarios para Estados Unidos. Varía capacidad, adopción y autonomía, entre otros supuestos. Algunos escenarios combinan crecimiento con costes de transición y una distribución desigual de beneficios. Es un modelo para explorar consecuencias, no un pronóstico confirmado; omite, entre otras cosas, respuestas de política pública y robots extremadamente capaces.

Para tu negocio proponemos tres escenarios propios de planificación. Si el avance es desigual, conviene mejorar tareas acotadas y mantener apoyo humano. Si los agentes resuelven trabajos más largos de forma económica y fiable, conviene revisar procesos completos y la oferta que vendes. Si hay avances fuertes con incidentes, restricciones o costes elevados, cobra importancia poder operar con alternativas.

No les asignamos probabilidades ni años: son preguntas para comprobar la resistencia de una decisión. Un contrato largo que solo resulta rentable si desaparece toda supervisión es frágil. Una inversión en datos utilizables, formación y pruebas repetibles puede servir en los tres escenarios. Define qué señal te haría ampliar, frenar o cambiar el plan.

La productividad no decide por sí sola quién se beneficia

Ahorrar tiempo puede mejorar márgenes, bajar precios, reducir jornadas o permitir atender más demanda. También puede concentrar ingresos en quien controla una plataforma, los datos o la relación con el cliente. La elección de herramientas y la organización del trabajo influyen en cómo se distribuye ese beneficio.

Una pyme tiene menos margen para sostener pruebas largas o contratar especialistas. Por eso importa el coste de aprender, además del precio del modelo. Reserva tiempo de formación, explica los cambios y acuerda cómo se medirá el trabajo. Si las personas temen que reconocer un error amenace su puesto, pueden ocultar precisamente la información que necesitas para mejorar el sistema.

Mira diferencias de acceso, conocimiento y oportunidades de practicar. Una licencia para todos no garantiza aprendizaje. Elegir una tarea por persona y revisar resultados juntos puede servir más que anunciar una transformación general.

Más capacidad exige decisiones más claras sobre acceso y responsabilidad

Los escenarios anteriores también exigen decidir quién puede actuar. Hassabis distingue usos maliciosos y riesgos de capacidades futuras, una separación que ayuda a ordenar esa conversación.

En la empresa, traduce esa preocupación a permisos y consecuencias. Un sistema que lee documentos no necesita necesariamente poder borrarlos; uno que prepara un mensaje no tiene que enviarlo sin revisión. Una entrada equivocada, una instrucción engañosa o un acceso demasiado amplio pueden convertir un error pequeño en un problema de operación.

Pide registros de acciones, límites de gasto y una forma de detener el proceso. Ensaya la recuperación: quién detecta el problema, quién autoriza corregirlo y cómo se vuelve a trabajar. Estas medidas tienen utilidad con agentes actuales; no requieren esperar a que exista acuerdo sobre la AGI.

La siguiente frontera también está fuera de la pantalla

Fei-Fei Li propone investigar cómo conectar percepción y acción. Su visión de noviembre de 2025 no demuestra que un asistente actual controle un almacén.

Para un negocio físico aparecen dos pruebas distintas: entender el estado de un pedido y actuar sobre un objeto real. Si exploras sensores, visión o robótica, empieza por observar, alertar y comprobar. Mover equipos o mercancías necesita validación propia del entorno.

Formar al equipo requiere algo más concreto que «aprender IA»

La inquietud de Mollick devuelve el debate a una decisión concreta: qué tendrá que saber hacer la persona cuando cambie su trabajo. Pensemos en el estudio de presupuestos que retomaremos al cerrar: la IA puede preparar el documento y el profesional sigue necesitando reconocer una cantidad ambigua o una condición vencida.

El plan siguiente es un ejemplo de formación dentro del trabajo. Cada ejercicio deja una capacidad observable y una evidencia para quien acompaña el aprendizaje. Reserva tiempo en la jornada e incluye a la persona que conoce las excepciones.

La formación no garantiza un puesto futuro, pero sí permite comprobar qué criterio conserva hoy el equipo. Antes de llamar a alguien supervisor de agentes, acuerda qué revisará, qué autoridad tendrá y cómo practicará cuando la herramienta no esté disponible.

Una agenda de preparación que sirve aunque cambien los pronósticos

Empieza con dos listas: qué tarea de tu operación merece una prueba ahora y qué cambio futuro alteraría tu oferta. En la primera pueden aparecer reportes, documentos o seguimiento. En la segunda, una pregunta más difícil: si preparar un entregable se volviera mucho más barato, ¿por qué seguiría eligiéndote el cliente?

Imagina un estudio pequeño que prepara presupuestos y acompaña obras. Si una herramienta reduce el trabajo de preparar el documento, podría dedicar más capacidad a coordinar, verificar o explicar decisiones al cliente. También podría enfrentar presión sobre sus precios. Es un escenario para conversar, no un resultado anunciado: el estudio tendría que medir qué parte mejora y comprobar qué servicio valora el comprador.

En un plan hipotético de 30 días, el responsable del estudio elige presupuestos de dificultad comparable y reserva una revisión semanal con quien los prepara. Al cierre registra horas de elaboración y revisión, errores detectados y preguntas del cliente. Si baja la preparación sin deteriorar calidad, prueba dedicar esa capacidad a seguimiento o coordinación; si el cliente sigue sin entender la propuesta, mejora esa entrega antes de producir más.

Deja además una señal para revisar la oferta: que los compradores pidan más acompañamiento y menos elaboración de documentos, o que una alternativa cambie el precio que están dispuestos a pagar. Contrasta esa señal con conversaciones y resultados comerciales. Así la pregunta inicial sobre el futuro del trabajo termina en dos decisiones propias: qué capacidad humana conservar y qué servicio merece reforzar el negocio.