Brecha de género e IA: mayor sin estudios universitarios

Un mismo puesto puede estar expuesto a la inteligencia artificial sin que todas las personas que lo desempeñan se enfrenten al mismo futuro. Un nuevo análisis del empleo estadounidense sugiere que esa distinción es cada vez más difícil de ignorar. En las ocupaciones donde la IA generativa podría asistir una parte mayor del trabajo, el empleo de los hombres ha crecido más rápido que el de las mujeres. La diferencia es más marcada entre las personas sin un título universitario de cuatro años.

Eso no prueba que la IA haya desplazado a las mujeres. Es una advertencia sobre cómo el cambio tecnológico puede encontrarse con un mercado laboral desigual. Si los empleadores automatizan el papeleo, la correspondencia con clientes y las tareas de gestión de información concentradas en algunos puestos, ¿quién tendrá la oportunidad de pasar al trabajo de mayor valor que quede?

Una división llamativa en los últimos datos de empleo de EE. UU.

El 22 de octubre de 2026, el Pew Research Center publicó un análisis de 480 grupos de ocupaciones de EE. UU., con datos oficiales de empleo de 2017-2019 y de enero de 2023 a junio de 2026. Los investigadores compararon el crecimiento del empleo de hombres y mujeres dentro de cada ocupación y comprobaron si las diferencias eran mayores en las ocupaciones más expuestas a la IA generativa.¹

Por cada punto adicional en la escala de exposición a la IA de Pew, definida por ocupación, el empleo de los hombres creció un 6,3 % estimado, mientras que el de las mujeres creció solo un 0,2 %. La escala va de cero a 3,5. Estas cifras describen la relación entre exposición y crecimiento del empleo entre ocupaciones y periodos. No son tasas de crecimiento anuales, ni el porcentaje de trabajadores sustituidos por la IA, ni el efecto de que una persona use un chatbot.¹

El nivel educativo revela la división de mayor calado. Entre las personas con estudios de secundaria o inferiores, cada punto adicional de exposición ocupacional a la IA se asoció con un aumento del 8,8 % en el empleo de los hombres y una disminución del 9,5 % en el de las mujeres. Para quienes habían cursado algunos estudios universitarios sin llegar al título de grado, las cifras correspondientes fueron del 3,6 % para los hombres y menos 6 % para las mujeres. Entre quienes tienen un título de grado o superior, Pew no encontró ningún cambio estadísticamente significativo en el empleo asociado a una mayor exposición, ni en hombres ni en mujeres.¹

No es una historia en la que todas las mujeres pierden y todos los hombres ganan. Los hombres sin título se concentran mucho en ocupaciones menos expuestas, como el transporte, la construcción y la manipulación de mercancías; relativamente pocos ocupan los puestos más expuestos en los que el estudio detectó sus avances. Las mujeres sin título trabajan con más frecuencia en funciones de secretaría, recepción y atención al cliente, donde la IA puede asistir la redacción, el registro de datos y el procesamiento de información. La distribución de las ocupaciones importa tanto como la tecnología.

La exposición mide tareas, no un recuento de despidos

La medida de Pew se construye a partir de las descripciones de actividades laborales O*NET del Departamento de Trabajo de EE. UU. Los investigadores clasificaron 16 actividades, entre ellas analizar información, escribir, asesorar y documentar, como muy expuestas a la IA generativa. Nueve actividades que exigen trabajo físico o presencial, como reparar equipos y mover objetos, se clasificaron como menos expuestas. Las 16 actividades restantes quedaron fuera del cálculo de exposición.¹²

Ese diseño sirve para detectar dónde podría alterar la IA el trabajo. No puede mostrar si un empleador concreto compró una herramienta de IA, si sustituyó a una persona o si mejoró la calidad del resultado. Una ocupación puede puntuar alto porque sus tareas pueden asistirse técnicamente, aunque las normas de privacidad, los clientes, el coste o las prácticas de gestión impidan automatizarlas. A la inversa, una ocupación con exposición relativamente baja hoy puede cambiar igualmente por la robótica u otras tecnologías.

Pew excluyó 2020-2022 porque la pandemia distorsionó los patrones de empleo. Su apéndice técnico recoge unos cuatro millones de registros de encuesta, resultados de regresión ponderados por el empleo ocupacional previo a la pandemia y errores estándar agrupados por ocupación. Cuatro de las cinco medidas de exposición produjeron una brecha de género de aproximadamente entre el cinco y el siete por ciento por desviación estándar; la medida específica de generación de imágenes fue la excepción.² Esa solidez hace que merezca la pena tomarse en serio la asociación, pero no convierte una comparación observacional en un experimento causal.

Los congelamientos de contratación, los cambios en la demanda de los consumidores, la reestructuración sectorial, las trayectorias educativas y los cambios en quién entra o sale de la población activa también podrían contribuir. Un directivo no puede traducir de forma responsable estas cifras en la afirmación de que la IA eliminó un determinado porcentaje de empleos de mujeres. La conclusión más sólida es que las desigualdades de empleo existentes merecen atención cuando las empresas rediseñan el trabajo expuesto a la IA.

Por qué la brecha de oportunidades puede importar más que la tasa de automatización

Imagina una organización benéfica regional hipotética con un pequeño equipo administrativo. Una empleada se encarga de la correspondencia, de programar citas y de informes básicos. La IA podría reducir el tiempo necesario para redactar respuestas y preparar resúmenes rutinarios. La organización podría reaccionar recortando horas, aumentando el volumen de servicio o dando a la empleada más responsabilidad en casos sensibles, relaciones con donantes y control de calidad. La misma tecnología genera tres resultados muy distintos de empleo y aprendizaje.

La cuestión decisiva es si la persona tiene acceso a formación, a herramientas de confianza y a oportunidades supervisadas para asumir el trabajo de mayor valor. A una colega que ya tiene una cualificación profesional se le puede invitar a rediseñar el proceso. A alguien contratado para tareas administrativas se le puede juzgar solo por el tiempo ahorrado. Sin una progresión deliberada, la automatización puede eliminar las tareas por las que se valora el puesto actual y dejar el siguiente fuera de alcance.

Esa posibilidad explica también por qué «todo el mundo necesita competencias de IA» es una estrategia de plantilla insuficiente. Una recepcionista no necesita convertirse en ingeniera de aprendizaje automático. Puede necesitar aprender a verificar mensajes elaborados con ayuda de la IA, reconocer riesgos de confidencialidad, resolver casos excepcionales y comunicarse con claridad con personas cuyas necesidades no encajan en una plantilla. Esas capacidades deberían reconocerse como trabajo real, con tiempo para aprenderlas y un camino hacia más responsabilidad.

La evidencia internacional respalda la preocupación, no una predicción universal

El índice mundial de exposición ocupacional de 2025 de la Organización Internacional del Trabajo (OIT) concluyó que, en los países de renta alta, el 9,6 % del empleo femenino se concentraba en ocupaciones con el mayor potencial de automatización por IA generativa, frente al 3,5 % del empleo masculino. El trabajo administrativo destacaba. La OIT subrayó además que la exposición suele indicar una probable transformación de las tareas, más que la desaparición automática de empleos enteros.³ Estas cifras globales miden exposición potencial, no los cambios del empleo estadounidense que mide Pew, y no deben tratarse como la misma estadística.

Otra encuesta de Pew, publicada el 16 de octubre de 2026, añade una capa más. En febrero, el 47 % de las estadounidenses y el 50 % de los estadounidenses dijeron haber usado alguna vez chatbots de IA, una diferencia de acceso relativamente pequeña a ese nivel general. Sin embargo, el uso diario era más común entre los hombres, el 27 % frente al 20 %, y las mujeres eran menos propensas a decir que los chatbots mejoraban su productividad.⁴ Son actitudes y comportamientos declarados, no una explicación directa de la brecha de empleo. Aun así, cuestionan la idea de que ofrecer acceso a una herramienta equivalga a dar a todos la misma oportunidad de beneficiarse.

Ninguno de los dos estudios establece que un programa de formación concreto cerraría la brecha. Aún hacen falta pruebas sobre qué intervenciones funcionan, para quién y en qué plazo. Tampoco pueden exportarse automáticamente los patrones de empleo de EE. UU. a Europa, donde las estructuras ocupacionales, la legislación laboral, los servicios de cuidado infantil y las vías de formación profesional son distintos. Los hallazgos internacionales de la OIT justifican hacerse preguntas similares en otros lugares, no dar por sentadas respuestas idénticas.

Qué puede probar un empleador pequeño antes de que cambien los empleos

La respuesta práctica no es asignar a las personas empleadas una puntuación de riesgo basada en el género. Es examinar cómo se distribuyen el trabajo y las oportunidades. Empieza por las tareas con más probabilidades de cambiar y después identifica quién las realiza, quién ha recibido formación en las herramientas de IA aprobadas, quién revisa los resultados y a quién se ofrecen las nuevas responsabilidades que se derivan. Revisa los resultados por puesto y por tipo de contrato, y comprueba si la participación en formación o el ascenso difieren entre grupos, sin tomar decisiones laborales automatizadas sobre personas concretas.

A continuación, realiza un piloto supervisado en el que las personas que hacen el trabajo rutinario ayuden a diseñar el proceso mejorado. Mide el tiempo ahorrado junto con las tasas de error, la experiencia del cliente, la carga de escalados y las competencias que las personas pueden demostrar sin asistencia. Da a los trabajadores un objetivo de desarrollo explícito en lugar de solo un objetivo de productividad. En una pequeña organización benéfica, eso podría significar pasar de la correspondencia estándar a atender consultas complejas de usuarios; en una empresa de servicios, de registrar solicitudes a diagnosticar y resolver excepciones.

Por último, pregunta quién se beneficia del tiempo liberado. ¿Se reinvierte en mejor servicio, aprendizaje y movilidad interna, o se capta únicamente como reducción de costes laborales? Ambas pueden ser decisiones empresariales legítimas, pero tienen consecuencias distintas para la plantilla futura. Si solo se ofrece progresión a las personas con más titulaciones, un proyecto de eficiencia con IA puede reforzar sin ruido una división que nunca pretendió crear.

Los últimos datos no muestran que la IA haya causado una crisis de empleo por género. Muestran que las personas mejor situadas para beneficiarse del cambio vinculado a la IA pueden no ser las mismas cuyas tareas actuales están más expuestas. Para los líderes, la prueba ya no es solo si la automatización funciona. Es si el camino de un puesto que cambia a uno mejor está realmente abierto.

Cómo puede ayudarte hilighter

Cuando la IA cambia las tareas de forma desigual, las organizaciones necesitan roles, competencias y progresión visibles, no solo métricas de eficiencia. hilighter ayuda a los equipos a mapear competencias por puesto, comparar a las personas con los requisitos mediante Competencias y talento, reconocer las evidencias de capacidad en Evidencias y reconocimiento de competencias, definir planes de desarrollo personalizados y explorar una visión indicativa del impacto potencial de la IA en los empleos. Un plan gratuito cubre hasta tres roles.

Fuentes

1. Smith, N., Pew Research Center, Men Are Experiencing More Job Growth Than Women in AI-Exposed Occupations, 22 de octubre de 2026.
2. Pew Research Center, Technical Appendix, 22 de octubre de 2026.
3. Organización Internacional del Trabajo, Generative AI at Work: What It Means for Jobs in Europe and Beyond, 29 de septiembre de 2025.
4. Anderson, M. y Park, E., Pew Research Center, The Gender Gap in AI, 16 de octubre de 2026.

Fuentes revisadas por última vez: 27 de octubre de 2026. Las cifras de Pew son asociaciones observacionales entre la exposición ocupacional a la IA y el crecimiento del empleo, no estimaciones causales de despidos provocados por la IA. Las cifras de la OIT miden la exposición potencial de las tareas, no los mismos cambios del empleo estadounidense.