Tomar prestada la pericia en lugar de aprenderla
OpenAI publicó esta semana el segundo informe de su serie Work at the Frontier, con el análisis de más de 1,5 millones de mensajes laborales enviados a ChatGPT entre abril y julio de 2026. El primer informe documentaba el cruce de tareas: trabajadores usando la IA para actividades asociadas históricamente a otra profesión. Este pregunta qué ocurre después de la primera vez.
El primer hallazgo trata de cómo se formulan las peticiones. Cuando la tarea queda fuera de su propia profesión, los trabajadores escriben instrucciones más cortas de media. Piden menos explicaciones, guías paso a paso, un formato concreto de respuesta o consejo, y en cambio aportan más ejemplos o contexto y piden más a menudo al modelo que compruebe o verifique algo.
La lectura de OpenAI es que la gente toma prestada la pericia en lugar de adquirirla. En vez de pedir al modelo que le enseñe un campo nuevo, traen un documento o un ejemplo de un colega y le piden que aplique el conocimiento de otro a su problema. Todas estas cifras las comunica OpenAI sobre su propio producto y a partir de sus propios registros.
Algo de eso se queda
La cifra más consecuente tiene que ver con la recurrencia. Entre unos 6.200 trabajadores observados de forma continuada de abril a julio, las tareas de otras profesiones ya usadas pasaron del 13,1% de la actividad con IA propia de su ocupación en abril al 25,9% en julio.
Un segundo análisis lo pone en contexto. En observaciones de seguimiento emparejadas a un mes, los trabajadores volvieron a una tarea de otra profesión usada el mes anterior el 23,6% de las veces, frente al 8,4% entre trabajadores comparables sin uso observado de esa tarea el mes previo.
OpenAI señala una salvedad mecánica en sus propias notas: a medida que los trabajadores prueban tareas nuevas cada mes, crece el conjunto de tareas que pueden contarse como recurrentes. La tendencia es por tanto en parte un artefacto de acumulación, y el informe no intenta descontarlo.
No toda tarea prestada sobrevive
La recurrencia varía mucho según la tarea. Los trabajadores volvieron al mes siguiente a hablar con clientes sobre bienes o servicios el 54% de las veces, a la redacción publicitaria o promocional el 44%, y a crear materiales de marketing el 37%. Explicar información financiera volvió en torno al 15%. La tasa media de retorno al mes siguiente en todas las tareas de otras profesiones fue del 18,5%.
El patrón no es difícil de leer. La escritura de cara al cliente es repetitiva, de bajo riesgo y fácil de comprobar. Explicar información financiera no es nada de eso. Donde el coste de una respuesta equivocada es alto, la gente prueba una vez y vuelve al colega que sabe.
El método y sus límites
Las profesiones se identificaron a partir de la información de puesto o departamento que los usuarios dieron al darse de alta en ChatGPT Business. Se excluyeron los datos con entrenamiento desactivado y los mensajes sin clasificación utilizable. OpenAI afirma que sus investigadores nunca leyeron mensajes individuales y que todo el análisis se hizo sobre datos agregados y anonimizados.
La población es, por tanto, la de usuarios de ChatGPT Business que rellenaron su departamento, que no es la fuerza laboral. Y la conclusión que extrae OpenAI —que los puestos pueden ampliarse mientras sus títulos siguen igual— es una interpretación de cuatro meses de registros de uso, no una medición de la descripción del puesto de nadie. Es una lectura plausible. Todavía no es prueba de un cambio en cómo se organiza el trabajo.
