¿Cómo de expuesto está tu puesto de trabajo en el sector público a la IA?

Artículo publicado originalmente por el mismo autor en Substack.

Hace unos días, escuchando el podcast de Devon Gargoyles “Inteligencia Artificial Semanal” —un ritual que mantengo intacto todos los martes para intentar no perder demasiado el paso con el desarrollo de la IA—, me topé con una referencia a un estudio del MIT que me obligó a detener el paseo y buscar el documento original. Se llama Project Iceberg ¹Vid The Iceberg Index: Measuring Skills-centered Exposure in the AI Economy, y su tesis central es tan sencilla como inquietante: lo que vemos de la automatización por IA es solo la punta del iceberg. Literalmente.

Lo que no ves de la automatización ya está aquí. El Iceberg

El estudio introduce lo que denomina el “Surface Index” (Índice de Superficie) y el “Iceberg Index” (Índice Iceberg). El primero mide la exposición actual y visible a la automatización, concentrada fundamentalmente en el sector tecnológico: desarrolladores de software, científicos de datos, analistas.

El Iceberg Index mide algo distinto: la capacidad técnica actual de los sistemas de IA para realizar tareas que hoy hacen humanos, independientemente de que esa automatización ya se haya adoptado o no. Este índice alcanza el 11,7% del valor salarial del mercado laboral, aproximadamente 1,2 billones de dólares. Cinco veces más que la parte visible.

Básicamente, lo que hace este índice es utilizar el nivel de superposición de las tareas que realiza la IA con las habilidades necesarias para realizar cada trabajo. Para ello el Proyecto Iceberg usa Modelos de Gran Población para simular el mercado laboral humano-IA en Estados Unidos, representando a 151 millones de trabajadores como agentes autónomos que ejecutan más de 32 000 habilidades distintas que interactúan con miles de herramientas de IA. El Índice Iceberg, utiliza una métrica centrada en las habilidades que mide el valor salarial de las habilidades que los sistemas de IA pueden realizar en cada ocupación. El Índice captura la exposición técnica, dónde la IA puede realizar tareas ocupacionales.

Aquí es donde Devon, en su podcast, lanza una reflexión que suscribo enteramente: si esto es válido para Estados Unidos, ¿no deberíamos estar haciendo ejercicios similares en nuestras organizaciones? ¿no deberíamos estar identificando las habilidades necesarias para el desarrollo de cada trabajo y ver en qué medidas esas habilidades van a poder ser desarrolladas por la IA?

La respuesta corta es sí. La respuesta larga es: sí, pero nadie lo está haciendo de forma sistemática.

Y no hablo solo de empresas tecnológicas o consultoras que facturan por decir estas cosas en PowerPoint. Hablo de ayuntamientos, de consejerías, de universidades públicas, de hospitales. De organizaciones que emplean a cientos de miles de personas y que, salvo honrosas excepciones, siguen planificando sus plantillas como si estuviéramos en 2015.

¿Cuántas administraciones públicas españolas han analizado sistemáticamente qué porcentaje de las tareas de sus funcionarios puede realizar ya un sistema de IA? ¿Cuántas empresas medianas han mapeado las habilidades de sus plantillas contra las capacidades de las herramientas de automatización disponibles?

Me temo que la respuesta está más cerca de “ninguna” que de “algunas”.

Una metodología doméstica: cómo hacer tu propio Iceberg Index

Devon plantea en el podcast algo que me parece fundamental: cualquier organización debería poder hacer este ejercicio sin necesitar un superordenador del Laboratorio Nacional de Oak Ridge ni un equipo del MIT.

Me he puesto a trastear con Claude y Gemini para —a partir del report del Iceberg Index— apuntar una metodología adaptada, pensada especialmente para organizaciones públicas (aunque con un par de ajustes si le quitamos el apellido puede adaptarse a cualquier organización) que quieran entender su exposición antes de que se convierta en crisis. Y sí, especialmente útil para el sector público. Es más, un trabajador por su cuenta siguiendo el mismo sistema podría hacer una autoevaluación en relación a las habilidades que le capacitan para hacer su trabajo y superponerlas a las capacidades actuales de la IA.

Fase 1: Inventario de puestos y tareas

El primer paso es convertir esa información estática en un inventario dinámico de tareas: Para cada puesto, descomponer las funciones en tareas específicas; Estimar el tiempo dedicado a cada tarea (porcentaje de jornada); Clasificar las tareas por tipo: cognitivas rutinarias, cognitivas complejas, físicas, relacionales…

Herramientas prácticas: Lo procedente para que esos datos sean lo más ajustados a la realidad posible es preguntar a cada trabajador por sus tareas (Aquí tienes un modelo en word orientativo). Y a continuación volcar ese formulario en otro estructurado (hemos creado uno orientativo en Excel) donde cada responsable de unidad puede verificar las tareas reales de los puestos a su cargo. No las teóricas de la RPT, sino las reales. Verás la diferencia.

Fase 2: Evaluación de automatizabilidad

Criterios de evaluación:

 

 

Fuentes de información:

• Catálogos de herramientas de IA por sector (hay varios directorios actualizados)

• Experiencia piloto interna: probar si las herramientas existentes pueden hacer las tareas.

• Benchmarks publicados sobre capacidades de modelos de lenguaje

Fase 3: Ponderación por valor

1. Tiempo dedicado (porcentaje de jornada)

2. Criticidad para la misión (¿qué pasa si no se hace?)

3. Coste actual (salario prorrateado + costes asociados)

Con esto puedes calcular un “índice de exposición” por puesto:

 

La fórmula calcula qué porcentaje del valor de un puesto de trabajo está “expuesto” a la automatización por IA. Vamos por partes:

Los tres componentes

Tiempo (%) — Cuánto de la jornada dedicas a esa tarea. Si pasas el 30% del tiempo tramitando expedientes, ese es el peso de esa tarea.

Automatizabilidad (0-1) — Cuánto de esa tarea puede hacer ya una IA. Va de 0 (imposible automatizar) a 1 (totalmente automatizable). En la escala que propuse: nivel 0 = 0.00, nivel 1 = 0.33, nivel 2 = 0.67, nivel 3 = 1.00.

Criticidad (factor) — Un ajuste opcional por importancia estratégica. Normalmente 1.0, pero puedes subir a 1.2-1.5 para tareas críticas o bajar a 0.8 para tareas periféricas.

 

Ejemplo práctico

Imagina un técnico administrativo con estas tareas:

 

Índice Iceberg del puesto = 25 + 20.1 + 7.9 + 0 = 53%

¿Qué significa ese 53%?

Que algo más de la mitad del valor salarial de ese puesto corresponde a tareas que la IA ya puede hacer técnicamente. No significa que vaya a perder el empleo mañana, pero sí que sus funciones probablemente van a cambiar.

El sumatorio (Σ) simplemente indica que sumas la contribución de todas las tareas del puesto para obtener el índice total.

Fase 4: Análisis de horizontes temporales

• Inmediato (0-2 años): Tareas donde ya existen herramientas maduras y la organización podría adoptarlas con cambios menores

• Medio plazo (2-5 años): Tareas donde la tecnología existe, pero requiere integración, formación o cambios regulatorios

• Largo plazo (5+ años): Tareas donde la automatización es teóricamente posible pero hay barreras significativas

  

   

Fase 5: Mapa de impacto y plan de acción

• Eje X: Nivel de exposición del puesto

• Eje Y: Horizonte temporal de automatización probable

Los puestos en el cuadrante “alta exposición + horizonte inmediato” son prioridad para planes de recualificación. Los de “baja exposición + horizonte lejano” pueden esperar

Las preguntas que nadie quiere hacer

¿Estamos preparando a los empleados públicos para tareas que están a punto de desaparecer? Cada proceso selectivo, cada plan de formación, cada reorganización administrativa debería hacerse esta pregunta. Y me temo que rara vez se hace.

¿Tienen sentido las ofertas de empleo público actuales? Si una tarea va a ser automatizable en tres años, ¿tiene sentido convocar una plaza fija para hacerla? ¿O deberíamos pensar en perfiles más transversales, más adaptables?

¿Quién va a hacer este análisis si no lo hacemos nosotros? Porque alguien lo hará. Las consultoras ya están vendiendo “auditorías de automatización” a precios de consultoría. ¿No sería más sensato desarrollar capacidad interna para entender nuestra propia exposición?

¿Y si la IA también automatiza el trabajo de analizar qué trabajo automatizar? (Perdón, era inevitable la meta-ironía).

Devon tiene razón: cada organización debería hacer su propio ejercicio de análisis. No mañana. Hoy. Con las herramientas que tiene, con los datos que tiene, con la gente que tiene.

Porque el iceberg ya está ahí. La única pregunta es si lo veremos antes de chocar o después.

¿Tu organización ha hecho algún análisis similar? ¿Conoces experiencias de mapeo de exposición a la automatización en el sector público español? Me encantaría conocerlas. Los comentarios están abiertos.

Referencias:

• Chopra, A. et al. (2025). Project Iceberg: The Iceberg Index – Measuring Skills-centered Exposure in the AI Economy. MIT / Oak Ridge National Laboratory.

• Podcast “Inteligencia Artificial Semanal” de Devon Gargoyles: Spotify

[1] Vid The Iceberg Index: Measuring Skills-centered Exposure in the AI Economy