Este dashboard está construido sobre los datos publicados por Anthropic en HuggingFace como parte del paper de Massenkoff & McCrory (2026). Los datos fueron descargados y procesados para mostrar información a nivel de ocupación individual que no aparece en el paper. A partir de esos datos, el dashboard visualiza tres métricas:
Exposición Observada
Mide qué fracción de las tareas de cada ocupación aparece en conversaciones reales de trabajo con Claude. Para que una tarea cuente, debe superar un umbral mínimo de uso (≥100 conversaciones laborales) y ser teóricamente realizable con un LLM. Las tareas donde la IA ejecuta el trabajo directamente pesan más que las donde solo asiste al trabajador. El índice ocupacional es el promedio ponderado por el tiempo que cada tarea representa en la jornada laboral.
Exposición Teórica (β)
Índice β de Eloundou et al. (2023): proporción de tareas de cada ocupación donde un LLM puede acelerar la ejecución al menos al doble, según evaluación de expertos sobre las tareas declaradas en O*NET. Mide potencial tecnológico, no adopción efectiva.
Brecha
Diferencia entre exposición teórica y observada, expresada en puntos porcentuales. Revela dónde la tecnología aún no se tradujo en uso real — el potencial de adopción todavía no materializado. En sectores como Informática y Matemáticas, la brecha supera los 60 pp.
Teórico (β) — Eloundou et al. (2023): proporción de tareas donde un LLM puede acelerar ≥2×
Observado — uso real en Claude, ponderando automatización sobre augmentación
Brecha — potencial de adopción aún no materializado
¿Cómo leer la brecha?
Una diferencia de 10 pp entre el valor teórico y el observado puede significar que el 10% de las tareas todavía no se ejecuta con IA en la práctica. Los valores observados bajos no siempre indican que la IA no puede hacer esas tareas — en algunos casos simplemente no hay suficiente tráfico registrado para medirlo.