DEIBmeEnglish

La IA generativa no entra en un mercado neutro

Gastón Boireau Lahore

La distribución del empleo, los cuidados y la participación en el diseño tecnológico condiciona quién accede a las oportunidades y quién asume los costos

Entre los perfiles de mayor exposición a la IA generativa en América Latina aparecen mujeres jóvenes, de zonas urbanas, con educación media y alta e ingresos relativamente altos, que se desempeñan en banca, finanzas, seguros o el sector público, según la Organización Internacional del Trabajo . El hallazgo cuestiona la asociación entre menor formación y mayor vulnerabilidad tecnológica, aunque exposición y pérdida de empleo son fenómenos diferentes , entre los que intervienen decisiones sobre inversión, formación y organización del trabajo.

Una tecnología nueva encuentra una distribución antigua del empleo

En marzo de 2026, la OIT publicó la nota de investigación Gen AI, occupational segregation and gender equality in the world of work , que recoge una brecha de exposición por género del 29% para las mujeres frente al 16% para los hombres, mientras que en la categoría de mayor riesgo de automatización la comparación alcanza el 16% frente al 3%. Estos porcentajes describen exposición ocupacional, por lo que no corresponde leerlos como una previsión de despidos ni trasladarlos directamente a cada país.

Para entender esa distancia hay que mirar una historia anterior a la inteligencia artificial, la segregación ocupacional, que concentra a distintos grupos en determinados sectores y funciones. Las expectativas sociales, las barreras de acceso y una distribución desigual de los cuidados fueron delimitando oportunidades, porque elegir una ocupación también depende de qué horarios, ingresos y recorridos están al alcance.

Secretaría, recepción, asistencia contable, atención al público, traducción y corrección de textos reúnen tareas susceptibles de transformación con IA generativa, en sectores donde existe una presencia importante de mujeres. Cada puesto combina actividades, vínculos y conocimientos, por eso automatizar una tarea puede modificar una función sin reemplazarla por completo.

Una referencia de Microsoft identifica 40 ocupaciones altamente expuestas, entre ellas ventas, traducción, corrección y administración, y ubica una mayoría de mujeres en el 60% de ellas. La información disponible no precisa año ni alcance geográfico, de modo que ese porcentaje requiere cautela y no permite describir por sí solo el mercado latinoamericano.

Participar del diseño también distribuye poder

La desigualdad atraviesa además los espacios donde se desarrolla la tecnología, aunque las cifras disponibles requieren una lectura cuidadosa. Las referencias sobre participación mencionan un 22% de mujeres en el talento global en IA y menos del 15% en posiciones ejecutivas, sin una fuente fechada que permita establecer su vigencia, por lo que conviene evitar presentarlas como una fotografía de 2026.

La pregunta que abren sigue siendo necesaria, quién participa cuando se decide con qué información entrenar un sistema, qué errores atender y qué tareas automatizar primero. Tener presencia en esas conversaciones amplía las posibilidades de advertir problemas que, desde otras experiencias, pueden pasar inadvertidos.

El trabajo de Joy Buolamwini, que fundó la Algorithmic Justice League, aporta un antecedente al documentar mayores errores de reconocimiento facial en mujeres racializadas. Ese campo es distinto de la IA generativa, aunque permite comprender cómo las decisiones de diseño pueden distribuir los errores entre poblaciones con diferencias importantes.

El concepto exclusion overhead , asociado con ese recorrido, ayuda a nombrar el costo adicional, emocional, práctico y económico, que asumen las personas cuyas necesidades quedaron fuera del diseño. Corregir información, reclamar una revisión o buscar otra vía de acceso también consume recursos, y esa carga merece atención cuando se evalúa una tecnología.

Las brechas se cruzan dentro de una misma ciudad

Hablar de mujeres como una categoría homogénea deja afuera diferencias de origen, etnia, discapacidad y situación migratoria, que pueden combinarse y restringir tanto el acceso a formación como los recursos para atravesar una transición laboral. Los riesgos también alcanzan la contratación, las decisiones salariales, la evaluación crediticia y el acceso a servicios, donde los sistemas pueden reproducir discriminación.

La evidencia latinoamericana invita a revisar la idea de que una trayectoria universitaria garantiza protección frente a la automatización. Pensar en una mujer joven con título universitario y un puesto bancario en Buenos Aires, Ciudad de México o Bogotá ayuda a acercar la discusión, aunque esos ejemplos no equivalen a mediciones específicas para cada ciudad, y cada organización necesita conocer su propia distribución de tareas y oportunidades.

Qué pueden decidir los liderazgos y las áreas de Personas

Janine Berg, del Departamento de Investigación de la OIT y parte de la autoría del informe de 2026, sostiene que el efecto sobre el empleo de las mujeres no está predeterminado , y señala el papel de las políticas, el diálogo social y un diseño sensible al género. Para los liderazgos y las áreas de Personas, ese margen empieza antes de incorporar una herramienta.

Si una selección penaliza interrupciones vinculadas con los cuidados, o una evaluación confunde disponibilidad permanente con compromiso, automatizar puede extender esos criterios. Revisar el proceso antes de automatizarlo permite discutir qué se valora, quién puede quedar en desventaja y cómo solicitar una revisión, con responsabilidades definidas desde el comienzo.

La formación también requiere tiempo y recursos, porque ofrecer acceso a una plataforma no garantiza que todas las personas puedan aprender durante la jornada. La publicación del World Economic Forum de 2025 citada como referencia recoge una comparación del 34% para mujeres y el 40% para hombres vinculada con el uso de IA, aunque la información disponible no detalla suficientemente su alcance como para atribuir esa diferencia a una menor disposición individual.

La misma referencia señala que las actitudes pueden cambiar al adquirir competencias, lo que abre una oportunidad para ofrecer aprendizaje accesible, acompañamiento y espacios de prueba. Incluir desde el diseño a quienes conocen las tareas permite conversar sobre productividad junto con autonomía, remuneración y carga de trabajo, sin trasladar toda la adaptación al tiempo personal.

Cinco preguntas para revisar las decisiones internas

Si tu organización está incorporando IA, estas preguntas pueden ayudar a reunir a Personas, tecnología y liderazgos en una conversación compartida, con participación de quienes van a atravesar los cambios.

¿Qué tareas queremos automatizar, quiénes las hacen hoy y cómo se distribuirán las oportunidades de asumir nuevas funciones?

¿Qué criterios podrían penalizar los cuidados, la discapacidad o una trayectoria migratoria, antes de incorporar la herramienta?

¿La formación ocurre dentro de la jornada, con apoyos accesibles y tiempo suficiente para aprender?

¿Cómo participan las personas afectadas desde el diseño, y qué vías tendrán para pedir una revisión?

¿Cómo observaremos los cambios en remuneración, autonomía y carga de trabajo, además del tiempo ahorrado?

El material visual de la publicación se conserva en la primera imagen y en la segunda imagen , disponibles como acompañamiento de la lectura.

Contar con investigaciones que distinguen exposición, tareas y desigualdades permite discutir la incorporación tecnológica con más elementos, y reconocer que las competencias pueden aprenderse abre posibilidades de participación. Una dirección posible es acompañar cada decisión con formación accesible, diálogo y revisión de sus efectos, para que la equidad tenga lugar desde el comienzo.

ContactoPublicaciones