Resumen Técnico: Perspectivas Territoriales y de Género sobre la Inteligencia Artificial y el Empleo en España

1. Planteamiento del Problema

La rápida expansión de la Inteligencia Artificial Generativa (IA) ha reconfigurado fundamentalmente los debates sobre el futuro del trabajo, la productividad y la cohesión social. Si bien la literatura internacional ha establecido metodologías robustas para medir la exposición ocupacional a la IA (por ejemplo, utilizando las clasificaciones SOC, ISCO o ESCO), existe una brecha metodológica significativa para el contexto español. Las estadísticas laborales oficiales de España se desagregan principalmente por sectores de actividad económica (CNAE) a nivel provincial y de comunidad autónoma, en lugar de por ocupaciones específicas.

Esta desalineación impide la aplicación directa de los índices internacionales de exposición a la IA a los datos regionales españoles, obstaculizando el desarrollo de políticas públicas dirigidas, estrategias sindicales y planificación territorial. Además, la literatura existente a menudo pasa por alto la intersección entre las disparidades territoriales y las vulnerabilidades específicas de género, a pesar de la evidencia que sugiere que las mujeres están sobrerrepresentadas en los sectores administrativos y de servicios altamente susceptibles a la automatización por IA. El artículo aborda la necesidad urgente de una herramienta objetiva y comparable para medir la exposición a la IA en España que respete su estructura estadística específica (CNAE) y permita un análisis territorial y de género granular.

2. Metodología

El estudio propone una metodología preliminar y replicable para cerrar la brecha entre las métricas ocupacionales internacionales de IA y los datos sectoriales españoles. El enfoque implica tres pasos principales:

2.1. Construcción de la Matriz de Incidencia IA–CNAE

Los autores adaptan la "Puntuación de Aplicabilidad de la IA" de Tomlinson et al. (2025), que se basa en más de 200.000 interacciones del mundo real con herramientas de IA generativa (por ejemplo, Microsoft Copilot). En lugar de utilizar códigos ocupacionales directamente, los autores construyen una matriz de mapeo que traduce estas capacidades ocupacionales a la clasificación CNAE española (de 2 dígitos).

• Asignación de Factores: A cada sector CNAE se le asigna un "factor de incidencia" que oscila entre 0,06 y 0,30.
• Lógica: Los sectores dominados por tareas manuales, físicas o rutinarias (por ejemplo, Agricultura, Construcción) reciben factores bajos. Los sectores caracterizados por tareas administrativas, lingüísticas, analíticas o de síntesis (por ejemplo, Finanzas, Servicios Profesionales, Información y Comunicaciones) reciben factores más altos.
• Síntesis: La matriz representa una síntesis ponderada de la evidencia internacional y la composición ocupacional específica de los sectores españoles.

2.2. Fuentes de Datos y Modelo de Cálculo

El estudio utiliza microdatos del Instituto Nacional de Estadística (INE) de España para los años 2021 y 2022, específicamente el Censo Anual de Población Ocupada, desagregado por provincia, sector (CNAE) y sexo.

• Exposición Sectorial: Para cada provincia $p$ y sector $c$, el "empleo ajustado por IA" se calcula como:
  $$IA\_empleo(p,c) = empleo(p,c) \times factor_{IA}(c)$$
• Indicador Territorial: La exposición agregada para una provincia se define como la relación entre el empleo total ajustado por IA y el empleo provincial total:
  $$IA\text{-}parte(p) = \frac{\sum_{c} IA\_empleo(p,c)}{\sum_{c} empleo(p,c)}$$
• Desagregación por Género: El mismo cálculo se realiza por separado para el empleo masculino y femenino para derivar índices de exposición específicos por género ($IA\text{-}parte_{femenino}$ y $IA\text{-}parte_{masculino}$).

2.3. Limitaciones

Los autores declaran explícitamente que este es un estudio preliminar que mide la exposición estructural potencial, no la sustitución real ni la pérdida de empleos. El modelo asume una composición ocupacional homogénea dentro de cada sector CNAE, lo que puede ocultar la heterogeneidad interna. No tiene en cuenta efectos dinámicos como la creación de nuevas tareas, las ganancias de productividad o la velocidad de adopción empresarial.

3. Contribuciones Clave

• Adaptación Metodológica: El artículo proporciona la primera traducción sistemática de las métricas internacionales de exposición a la IA al marco CNAE español, permitiendo un análisis a nivel provincial donde anteriormente solo eran posibles estimaciones nacionales o regionales amplias.
• Cartografía Territorial: Genera un mapa detallado de la exposición a la IA en las 52 provincias españolas, identificando vulnerabilidades estructurales basadas en la especialización económica.
• Análisis de Género: Cuantifica una brecha estructural persistente en la exposición a la IA entre hombres y mujeres, revelando que la fuerza laboral femenina está sistemáticamente más expuesta a la transformación impulsada por la IA en todos los territorios.
• Herramienta de Política: Ofrece una metodología transparente y abierta para que sindicatos, responsables políticos e investigadores monitoricen tendencias y diseñen estrategias de "transición justa" alineadas con la Estrategia Nacional de IA (ENIA).

4. Resultados

El análisis de los datos de 2021–2022 revela varios patrones consistentes:

4.1. Exposición Agregada

España presenta una exposición agregada moderada a alta a la IA, con la "IA-parte" oscilando entre el 18% y el 22% del empleo total. Esto indica que una parte significativa del mercado laboral español se dedica a tareas donde la IA generativa tiene una alta aplicabilidad.

4.2. Polarización Territorial

Se identifica un claro "corredor centro-mediterráneo" de alta exposición, que incluye a Madrid, Barcelona, Valencia, Alicante, Málaga y las Islas Canarias (Las Palmas y Santa Cruz de Tenerife). Estas provincias superan una exposición del 21%.

• Impulsores: La alta exposición se correlaciona con una concentración de servicios avanzados, finanzas, consultoría profesional, información/telecomunicaciones y comercio minorista/comercio.
• Baja Exposición: Las provincias del interior (por ejemplo, Soria, Teruel, Zamora, Palencia) y aquellas con bases agrícolas fuertes o manufactura tradicional muestran una exposición más baja (aprox. 17,5%–18,5%).
• Estabilidad: La clasificación de las provincias se mantuvo notablemente estable entre 2021 y 2022, confirmando que la exposición está impulsada por factores económicos estructurales arraigados y no por fluctuaciones cíclicas a corto plazo.

4.3. Brecha de Género

En cada provincia individual, el empleo femenino muestra una mayor exposición a la IA que el empleo masculino.

• Magnitud: La brecha generalmente oscila entre 1,5 y 3 puntos porcentuales, aunque es más amplia en regiones altamente terciarizadas.
• Causas: Las mujeres están desproporcionadamente concentradas en sectores con alta aplicabilidad de la IA, como educación, atención sanitaria, administración y servicios sociales. Por el contrario, los hombres están más representados en la construcción, el transporte y las industrias extractivas, que tienen factores de aplicabilidad de la IA más bajos.
• Implicación: Esto representa una vulnerabilidad estructural para la fuerza laboral femenina, lo que sugiere que la adopción de la IA podría afectar desproporcionadamente los patrones de empleo femenino a menos que se mitigue mediante políticas específicas.

5. Significado y Afirmaciones

El artículo se posiciona no como una predicción definitiva de pérdidas de empleos, sino como una herramienta de diagnóstico para la planificación estratégica. Su significado principal radica en:

1. Cerrar la Brecha de Datos: Permitir el uso de datos estadísticos españoles estándar (INE/CNAE) para responder preguntas sobre el impacto de la IA que anteriormente eran incontestables a nivel subnacional.
2. Destacar Desigualdades Estructurales: Demostrar que la exposición a la IA no es aleatoria, sino que sigue las líneas existentes de especialización territorial y segregación de género en el mercado laboral.
3. Informar la "Transición Justa": Proporcionar una línea base para el gobierno español y los interlocutores sociales diseñen políticas de formación, reciclaje profesional y protección que estén dirigidas geográfica y demográficamente.

Los autores concluyen que, si bien el impacto inmediato de la IA es probablemente complementario (mejorando la productividad), la exposición estructural identificada en este estudio destaca dónde los riesgos de desplazamiento y la necesidad de adaptación son mayores. Enfatizan que el trabajo futuro debe refinar el modelo con datos ocupacionales más granulares e incorporar tasas de adopción dinámicas, pero que el marco actual ofrece un primer paso necesario para una gobernanza tecnológica inclusiva y equitativa en España.