¿Quitarán los robots los empleos manuales? Lo que dice realmente el estudio de Anthropic de 2026 (Anthropic, Tesla, Nvidia, Jobbit)

Durante una década, el debate público sobre la automatización ha girado en torno a una sola cifra. En 2013, Carl Benedikt Frey y Michael Osborne, de Oxford, estimaron que el 47% del empleo en Estados Unidos se concentraba en ocupaciones con alto riesgo de informatización en un plazo de dos décadas, y esa cifra se ha repetido desde entonces en todos los discursos sobre el futuro del trabajo. Trece años después, los robots que debían vaciar los almacenes y las obras han llegado en forma de demostraciones, en unos pocos miles de fábricas y en un reducido número de taxis, y las personas que debían ser sustituidas siguen trabajando, muchas de ellas en ocupaciones deficitarias que los empleadores no logran cubrir. Algo en el relato habitual era erróneo, y hasta hace poco nadie había medido qué.

El 30 de septiembre de 2026, el equipo de economía de Anthropic publicó "What work can robots do?" (¿Qué trabajo pueden hacer los robots?), de Russell Legate-Yang y Maxim Massenkoff. Es, hasta donde esta revisión puede establecer, el primer intento de evaluar cada tarea física de la economía estadounidense frente a robots que existen realmente, y de plantear después la pregunta que el 47% nunca formuló: a qué precio. La respuesta transforma el debate. Los robots ya pueden realizar cerca de tres cuartas partes de las tareas del trabajo físico en Estados Unidos, pero solo son más baratos que una persona en tres de cada mil. Cerrar esa brecha al ritmo al que han caído los precios de los robots desde la década de 1990 requeriría unos cuarenta años para alcanzar una décima parte del trabajo, e incluso un escenario agresivo sitúa la mitad del trabajo físico más allá de 2050. Este estudio de caso lee el artículo con detenimiento, lo contrasta con la evidencia sobre lo que la IA ya está haciendo al trabajo de escritorio, considera las objeciones y extrae lo que el patrón significa para un profesional de oficio británico, para el propietario de una pequeña empresa y para una compañía como Jobbit, construida sobre la premisa que el artículo ahora cuantifica: el traspaso entre máquinas y personas es la pregunta central de diseño de los próximos veinte años.

Resumen de los hallazgos

En primer lugar, la capacidad ya no es la restricción determinante para la mayor parte del trabajo físico. El estudio de Anthropic concluye que los robots pueden realizar el 74% de las tareas físicas en Estados Unidos, lo que equivale al 34% de todas las horas trabajadas, utilizando robots que se han vendido, desplegado o demostrado, y no simplemente imaginado.

En segundo lugar, el coste sí lo es. Hoy los robots son competitivos en coste frente a un trabajador en el 0.3% de las tareas laborales. Para la ocupación grande más expuesta, la de empaquetadores y embaladores, el ahorro anual estimado es de unos $2,500 por trabajador frente a costes laborales de unos $49,000; en el caso de los taxistas, el robot sigue costando alrededor de $7,000 más que la persona.

En tercer lugar, la brecha se cierra despacio. Los precios de los robots han caído en torno a un 3% anual desde la década de 1990. A ese ritmo, los robots tardan 40 años en ser competitivos en coste para el 10% del trabajo en EE. UU. En el escenario rápido del artículo, con costes que bajan cuatro veces más deprisa y capacidades que mejoran al doble de velocidad, los robots resultan más baratos que las personas para la mitad del trabajo físico hacia 2050, frente a 2085 según la tendencia histórica, y automatizar el 90% todavía requiere 53 años.

En cuarto lugar, el trabajo digital afronta el panorama opuesto. Cerca del 50% del trabajo en EE. UU. está expuesto solo a los modelos de lenguaje de gran tamaño y el 81% a los modelos de lenguaje o a los robots combinados, y la evidencia temprana del mercado laboral a partir de datos de nóminas muestra que el empleo de las personas de 22 a 25 años en las ocupaciones más expuestas a la IA se sitúa un 19% por debajo del de sus pares menos expuestos, sin movimiento equivalente todavía para los trabajadores con experiencia ni para el conjunto de la economía.

En quinto lugar, las personas más expuestas a los robots son las que menos colchón tienen. En comparación con los trabajadores no expuestos, tienen 55 puntos porcentuales menos de probabilidad de poseer un título universitario, ganan unos $30 menos por hora y presentan una tasa de desempleo más del doble de alta.

En sexto lugar, las barreras que persisten son específicas y medibles. Cerca del 70% de las tareas físicas está frenado por la capacidad, y aproximadamente la mitad de ellas por la manipulación y la destreza; el 14% está bloqueado por la regulación vigente y el 25% por las preferencias humanas. Son las tareas en las que se necesitará a una persona durante décadas y para las cuales aún no existen los datos con los que enseñar a las máquinas.

El caso: por qué este estudio es el laboratorio adecuado

Las previsiones de automatización suelen haber fallado de una de dos maneras. Los estudios por ocupación, como el de Frey y Osborne, trataron empleos completos como unidades automatizables, lo que produjo la cifra del 47%; cuando Melanie Arntz, Terry Gregory y Ulrich Zierahn, de la OECD, repitieron el ejercicio en 2016 a nivel de tareas, teniendo en cuenta la mezcla de trabajo dentro de cada ocupación en 21 países, la proporción de empleos automatizables descendió al 9%. Los estudios basados en encuestas a expertos, por su parte, preguntaron a especialistas qué podrían hacer las máquinas, lo cual es una apuesta por tecnologías que quizá nunca lleguen al mercado.

El artículo de Anthropic evita ambas trampas por diseño. Parte de las aproximadamente 19,000 descripciones de tareas correspondientes a unas 900 ocupaciones de O*NET, la base de datos ocupacional del Department of Labor de EE. UU., y del empleo y los salarios de la Bureau of Labor Statistics. Utiliza el modelo Claude para puntuar cada tarea según su contenido físico, cognitivo e interpersonal, conserva solo las tareas físicas que no podría automatizar el software ordinario y busca después en la web robots concretos que hayan realizado de forma demostrable cada tarea, exigiendo como evidencia el despliegue comercial, las ventas o una demostración significativa. Cada tarea se ubica en una escala de cuatro niveles de control del entorno: E0, ningún robot puede hacerla; E1, un robot puede hacerla en un entorno construido a propósito, como una línea de fábrica; E2, en una instalación humana estructurada, como un almacén; E3, en un entorno no estructurado, como una vía urbana. La mayoría de los robots desplegados vive en espacios diseñados, razón por la cual los autores consideran que el nivel es una buena medida del riesgo a corto plazo.

El coste se modela en lugar de suponerse. Para cada tarea expuesta, el modelo estima el coste anual del robot citado, incluidos la compra y la instalación, el mantenimiento, el software, la energía, la supervisión, el seguro y el desmantelamiento, con los costes fijos anualizados según un coste de capital estimado, y lo compara con la remuneración total del trabajador, ponderada por la proporción de su tiempo dedicada a esa tarea. Una tarea se considera competitiva en coste solo cuando el coste anual del robot es inferior al del trabajo que sustituye. Los autores validan luego todo el aparato retrospectivamente: al evaluar las tareas frente a los robots que existían en 1977 y en décadas posteriores, muestran que las ocupaciones más expuestas a los robots de su época perdieron después más salarios y empleo, que es lo que una medida de exposición debe lograr para tener algún valor.

El estudio es estadounidense. Esa es la imperfección que el lector debe tener presente. Los salarios, los precios de la energía, la regulación y la mezcla de ocupaciones del Reino Unido son distintos, y nadie ha aplicado todavía el método a datos británicos. Pero lo que está en juego aquí es, si acaso, mayor. La previsión de junio de 2026 de la Construction Industry Training Board indica que el sector necesita una media de 41,200 trabajadores adicionales al año entre 2026 y 2030, más de 206,000 en total, para seguir el ritmo de la demanda, con un 40% de la plantilla actual mayor de 45 años y más de 200,000 trabajadores de la UE perdidos desde el Brexit. La publicación Occupations in Demand del Department for Education, de diciembre de 2025, contabiliza 10.9 millones de personas, el 32.9% de la población activa, en 125 ocupaciones de demanda elevada, y nombra a los electricistas e instaladores eléctricos (201,000 empleos) y a los técnicos y mecánicos de vehículos (183,000) entre los mayores oficios cualificados de esa lista. Si los robots estuvieran a punto de sustituir a los oficios, la escasez sería un problema pasajero. La evidencia que sigue indica que no lo es.

Cronología de la evidencia, de 2013 a 2026

Hallazgo 1: los robots pueden hacer la mayor parte del trabajo físico y casi nada de ello resulta rentable

La primera cifra del artículo es la que se citará, y conviene enunciarla con precisión. Del total del tiempo de trabajo en EE. UU., el 54% es cognitivo o interpersonal y el 46% es físico. Dentro de la parte física, 12 puntos porcentuales no pueden ser realizados por ningún robot que los autores hayan podido encontrar (E0), 23 pueden realizarse en entornos construidos a propósito (E1), 10 en instalaciones humanas estructuradas como los almacenes (E2) y 1 en entornos no estructurados (E3). En conjunto, los robots pueden realizar el 74% de las tareas físicas, es decir, el 34% de todas las horas trabajadas. Los ejemplos son concretos: taxis autónomos en vías urbanas, robots móviles autónomos que mueven existencias en almacenes, celdas de soldadura guiadas por IA en talleres de fabricación, excavadoras de zanjas que cavan líneas rectas sin conductor.

La segunda cifra es la que importa. Cuando el modelo pone precio al robot citado para cada tarea y lo compara con el trabajo que sustituiría, los robots resultan más baratos en apenas el 0.3% de las tareas laborales. Aproximadamente 300,000 trabajadores estadounidenses están en ocupaciones en las que los robots podrían hacer el 95% del trabajo; el grupo más numeroso, unos 560,000 empaquetadores y embaladores, es el caso más claro de paridad de costes, con un robot estimado en unos $2,500 al año menos que una persona cuyo trabajo cuesta unos $49,000. En el otro extremo, el robotaxi, técnicamente la ocupación más expuesta de los datos, con un índice de exposición de 2.2 sobre 3, se estima que cuesta unos $7,000 al año más que el conductor al que sustituiría, antes de considerar la regulación. Nueve de las diez ocupaciones más expuestas son de operadores de vehículos.

La interpretación que ofrecen los autores, y la que esta revisión considera más defendible, es que la frontera física ha avanzado mucho más que la económica. En los últimos 50 años, los robots se hicieron capaces de realizar cada año alrededor del 2% del trabajo físico que antes no podían hacer: en 1977 no podían realizar el 62% de las tareas físicas, hoy no pueden realizar el 24% de esas mismas tareas. La capacidad se ha acumulado. El coste no la ha seguido, porque un robot que puede cargar una caja sigue siendo un activo de capital con mantenimiento, energía, supervisión y seguro asociados, que compite con un trabajador al que solo se paga por las horas trabajadas.

Hallazgo 2: el calendario se mide en décadas, incluso en el caso optimista

La contribución más trascendente del artículo es el análisis de escenarios, porque convierte "los robots son caros" en fechas. Los precios de los robots, según series del Bank of Japan y otras fuentes, han descendido aproximadamente un 3% anual desde la década de 1990. Si se mantiene ese ritmo, pasan unos 40 años antes de que los robots sean competitivos en coste para el 10% del trabajo en EE. UU. Una caída del 20% de los costes, unos siete años al ritmo histórico, haría competitivos a los robots para las tareas físicas de unos 2.8 millones de trabajadores; se necesita una caída del 70% para llegar al 10% de todo el trabajo.

El escenario rápido es generoso por diseño. Los costes ajustados por calidad caen hasta cuatro veces más deprisa que en la historia, y los robots aprenden nuevas tareas el doble de rápido. Aun así, los robots se vuelven competitivos en coste para el 50% del trabajo físico solo hacia 2050, frente a 2085 según la tendencia histórica, y automatizar el 90% del trabajo físico requiere 53 años. La frase que utilizan los autores merece citarse porque es inusualmente llana para un artículo de economía: "Robots would need to sustain record rates of price declines and quality improvements over the coming decades to enable rapid physical automation." (Los robots tendrían que mantener ritmos récord de caídas de precios y mejoras de calidad durante las próximas décadas para permitir una automatización física rápida.)

Aquí conviene separar la evidencia de la interpretación. Las fechas no son pronósticos; son las consecuencias de supuestos aplicados de manera uniforme a todas las tareas, que, según los propios autores, pueden no reflejar cómo priorizan realmente las empresas de robótica. Una empresa que concentre su esfuerzo en una sola tarea de alto valor, por ejemplo la preparación de pedidos en almacén, podría reducir el coste de esa tarea mucho más deprisa que un 3% anual mientras el resto de la economía permanece inmóvil. Lo que los escenarios establecen es la forma del problema, no su calendario exacto: la automatización física es un proceso largo y desigual regido por la economía del hardware, a diferencia del software, donde el coste marginal de una tarea más es casi cero.

La comparación con tecnologías anteriores respalda esa lectura. El estudio de 2020 de Acemoglu y Restrepo sobre los robots industriales, la generación anterior de esta tecnología, concluyó que cada robot adicional por cada 1,000 trabajadores entre 1990 y 2007 redujo la proporción de empleo sobre población en las zonas de desplazamiento laboral estadounidenses afectadas en 0.2 puntos porcentuales y los salarios en 0.42%. Real, medible y lento: los efectos se acumularon durante diecisiete años en los sectores donde los robots ya eran más baratos, y en ningún otro.

Hallazgo 3: el trabajo digital es la historia opuesta

El mismo grupo de investigación mide la otra frontera, y el contraste es el núcleo de este estudio de caso. El trabajo anterior de Anthropic sobre exposición y la comparación del propio artículo sitúan cerca del 50% del trabajo de EE. UU. al alcance de los modelos de lenguaje de gran tamaño por sí solos, y el 81% al alcance de los modelos de lenguaje o de los robots combinados. El patrón por ocupación es instructivo. El transporte y el movimiento de materiales está expuesto a los modelos de lenguaje en menos del 15%, pero en cerca del 90% una vez incluidos los robots; el apoyo administrativo y de oficina ya está muy expuesto a los modelos de lenguaje y llega a casi el 100% con los robots; el trabajo de cuidados y servicios personales se sitúa en torno al 40% en ambos casos, porque es interpersonal de un modo que ninguna de las dos tecnologías aborda.

Las estimaciones sobre modelos de lenguaje tienen un linaje más largo. En 2023, Tyna Eloundou, Sam Manning, Pamela Mishkin y Daniel Rock, de OpenAI y la University of Pennsylvania, concluyeron que el 80% de los trabajadores estadounidenses estaba en ocupaciones con al menos el 10% de las tareas expuestas a los modelos de lenguaje y el 19% en ocupaciones con más de la mitad de sus tareas expuestas, siendo la escritura, la programación y el análisis de datos lo más expuesto, y el trabajo físico y al aire libre lo menos. El Anthropic Economic Index, que asigna conversaciones anonimizadas de Claude a tareas de O*NET, muestra lo que la gente hace realmente con estas herramientas: en los informes de 2026, la aumentación superó ligeramente a la automatización, 52% frente a 45%, y el uso se diversificó, con las diez tareas más comunes descendiendo del 24% de las conversaciones al 19% entre noviembre de 2025 y febrero de 2026. El Índice también señala que un aumento del 1% del PIB per cápita se asocia con un aumento del 0.7% del uso por persona, lo que recuerda que la adopción sigue a la riqueza.

Si la exposición se ha convertido en desplazamiento es la pregunta que responden, con cautela, los datos de nóminas. Erik Brynjolfsson, Bharat Chandar y Ruyu Chen, del Stanford Digital Economy Lab, utilizando registros de ADP de más de 25 millones de trabajadores de EE. UU., informaron en 2025 de que los trabajadores al inicio de su carrera en las ocupaciones más expuestas a la IA habían experimentado descensos relativos del empleo mientras que los trabajadores con experiencia en los mismos empleos no; su revisión de agosto de 2026, con datos hasta mediados de año, sitúa el empleo de las personas de 22 a 25 años en esas ocupaciones un 19% por debajo de donde estaría si hubiera seguido la evolución de sus pares menos expuestos, con un ajuste que opera a través de la contratación y no del salario y que se concentra donde la IA automatiza en lugar de aumentar. Al mismo tiempo, los economistas de la propia Anthropic Maxim Massenkoff y Peter McCrory, según informó Yahoo Finance el 1 de octubre, no encuentran ningún aumento sistemático del desempleo entre los trabajadores muy expuestos desde finales de 2022, y la advertencia del director ejecutivo de Anthropic, Dario Amodei, de que la IA podría eliminar la mitad de los empleos de oficina de nivel inicial sigue siendo, con los datos disponibles hasta ahora, una advertencia y no una observación.

La síntesis honesta es esta. El primer efecto medible en el mercado laboral de la actual ola de IA no es el robot en el almacén; es la contratación de titulados que no se produce en la oficina. El trabajo físico está protegido por la economía; el trabajo de escritorio no.

Hallazgo 4: quién está expuesto y qué bloquea el resto

El perfil demográfico del trabajo expuesto a los robots es el hallazgo que debería orientar las políticas públicas. En comparación con los trabajadores de ocupaciones no expuestas, los de ocupaciones muy expuestas tienen 20 puntos porcentuales menos de probabilidad de ser mujeres, 16 puntos más de probabilidad de ser hispanos, 55 puntos menos de probabilidad de poseer un título universitario, cobran unos $30 menos por hora y tienen más del doble de probabilidad de estar desempleados. También es mucho más probable que carguen peso, trabajen con calor extremo o cerca de sustancias peligrosas. Las tareas que los robots ya pueden hacer son desproporcionadamente las duras, peligrosas y mal pagadas, lo que es a la vez el argumento más sólido para automatizarlas y la razón por la que dolerá si la transición no se gestiona.

Lo que bloquea el resto es igualmente específico. Cerca del 70% de las tareas físicas que los robots aún no pueden hacer está limitado por la capacidad, y aproximadamente la mitad de ellas por la manipulación y la destreza: teñir el cabello, cavar a mano alrededor de tuberías enterradas, montar andamios, desenredar cables. Las carencias de planificación y razonamiento explican el 8%. La regulación bloquea el 14% de las tareas físicas y la preferencia humana el 25%, y ambas juntas abarcan la mayor parte del trabajo en el que un robot se toleraría en una fábrica, pero no en un dormitorio ni en un aula. Dos ocupaciones del artículo muestran lo heterogéneo que es el panorama dentro de un mismo empleo: los yeseros de juntas de paneles de yeso puntúan 1.6 en el índice de exposición, con un 41% de su tiempo expuesto a un robot pulverizador autónomo y un 26% no expuesto porque el trabajo de acabado, más desordenado, queda fuera de su alcance; los clasificadores de reciclaje puntúan 1.7, con más del 75% de su tiempo expuesto a pinzas de visión por computadora en cintas transportadoras y solo un 8% no expuesto.

El resumen de los autores es el que un profesional de oficio debería recordar: el trabajo no expuesto es "highly interpersonal or requires physical skills that robots today don't have" (muy interpersonal o requiere habilidades físicas que los robots actuales no tienen), y "if the past is any guide, taxi drivers and warehouse packers will see changes sooner than nurses and mechanics" (si el pasado sirve de guía, los taxistas y los empaquetadores de almacén verán cambios antes que las enfermeras y los mecánicos).

Mecanismos: por qué el patrón es este

Cuatro mecanismos explican los hallazgos y permiten prever lo que viene.

Los entornos, no las tareas, deciden el despliegue. La escala de cuatro niveles es la idea silenciosa del artículo. Un robot que suelda a la perfección en una línea de fábrica (E1) es inútil en una ampliación doméstica donde cada vigueta está a una distancia ligeramente distinta de la anterior. La mayor parte de la economía física, y casi todos los oficios, se desarrolla en condiciones E3: no estructuradas, improvisadas, entre personas. Los robots han conquistado el E1 y avanzan hacia el E2; el E3 contiene el 1% de las tareas tras cincuenta años.

La economía del hardware no es la economía del software. Un modelo de lenguaje, una vez entrenado, realiza su siguiente tarea a un coste cercano a cero, razón por la cual en el trabajo de escritorio la exposición se ha convertido en desplazamiento en pocos años. Un robot es un activo que se deprecia y que debe comprarse, instalarse, asegurarse, mantenerse, alimentarse y supervisarse en cada lugar donde trabaja. La caída anual del 3% en el precio es la firma de esa diferencia, y los escenarios del artículo muestran lo poco que incluso una aceleración de cuatro veces cambia la década en que llega la paridad.

La capacidad se acumula, pero a través de los datos. Los robots ganan alrededor del 2% del trabajo físico al año, y la mitad de las tareas restantes que requieren destreza son precisamente aquellas para las que los datos de entrenamiento son más escasos. Un modelo aprende a escribir a partir de la web escrita; no existe un corpus equivalente de las manos de un fontanero. El progreso en el 24% restante depende de capturar trabajo real, en lugares reales, con las personas que lo realizan, lo cual es lento por naturaleza y plantea cuestiones de consentimiento y propiedad que la ola del software nunca afrontó.

Las preferencias y las normas son un suelo, no un retraso. El 25% de las tareas limitadas por la preferencia y el 14% por la regulación no esperan a un robot mejor. La disposición de un paciente a ser levantado por una máquina, las normas de un ayuntamiento sobre vehículos autónomos y el deseo de un cliente de hablar con la persona que le instaló la cocina cambian en escalas de tiempo políticas y culturales, razón por la cual los autores las tratan como separadas de la capacidad y el coste.

Un escéptico debería sostener junto a estas tres explicaciones alternativas. Las valoraciones de exposición las produce un modelo que lee descripciones de tareas escuetas que, como señalan los autores, "omit details that may be easy for humans but hard for robots" (omiten detalles que pueden ser fáciles para los humanos pero difíciles para los robots), de modo que la capacidad puede estar sobrestimada a nivel de tarea aunque esté subestimada para la ocupación en su conjunto. Las estimaciones de coste son aproximaciones de un mercado con pocos precios públicos; una encuesta de precios de humanoides de agosto de 2026 halló que solo 12 de 58 humanoides comerciales tenían siquiera un precio verificado. Y los escenarios suponen la misma caída para todas las tareas; un avance en la manipulación de propósito general, del tipo por el que apuestan Nvidia y Tesla, podría, en palabras de los autores, "leapfrog our scale" (saltarse nuestra escala). Las fechas son sólidas en su forma y débiles en el detalle.

Cómo respondió la industria

La reacción se dividió siguiendo la línea que traza el artículo. En el campo del hardware, el director ejecutivo de Nvidia, Jensen Huang, había predicho un "momento ChatGPT" para la robótica en el CES de enero de 2026, y Elon Musk ha dicho que el humanoide Optimus de Tesla saldrá a la venta ya en 2027 con un precio objetivo a largo plazo inferior a $20,000 a escala, aunque no existe un precio oficial; la perspectiva de 2025 de Morgan Stanley sitúa el mercado de humanoides por encima de los $5 billones para 2050, con una adopción que se acelera desde finales de la década de 2030. Yahoo Finance presentó el artículo de Anthropic, el 2 de octubre, como la proyección que esas apuestas pondrán a prueba. La realidad de lo que se envía es más modesta: el G1 de Unitree tiene un precio de lista de $13,500 y la empresa envió más de 5,500 humanoides en 2025, más que todos sus rivales juntos; el Digit de Agility, el humanoide más desplegado en almacenes de EE. UU., tiene un precio superior a $250,000 por unidad o de unos $8,500 al mes como servicio; Figure, valorada en $39 mil millones, vende a empresas sin precio público.

Los economistas aceptaron en su mayoría el calendario. El economista jefe de Apollo, Torsten Sløk, citado por Yahoo Finance, dijo que incluso con proyecciones agresivas el desplazamiento físico generalizado llevaría décadas, y citó cuellos de botella en la manipulación fina, la regulación y las preferencias. El debate más agudo se da en el lado digital, donde la evidencia de nóminas de Stanford y el propio análisis de desempleo de Anthropic apuntan en direcciones distintas sobre cuánto desplazamiento ya se ha producido, y donde OpenAI, Anthropic, Google, Microsoft, Manus y Meta con Muse lanzan agentes que navegan, rellenan formularios y completan tareas de oficina de varios pasos, la categoría donde la exposición es mayor y el coste menor.

La posición de Jobbit en este panorama es una decisión de diseño y no un pronóstico, y el artículo casualmente la describe. El agente de IA de la compañía se ocupa del trabajo digital y revisable que, según la evidencia, es barato de automatizar: investigación, documentos, sitios web, automatizaciones, imágenes y la administración que rodea a un trabajo. Cuando una tarea requiere manos, criterio in situ o alguien que responda, lo que según las cifras del artículo es la mayor parte del trabajo físico durante décadas, el trabajo pasa a un profesional humano verificado en pro.jobbit.uk, con el pago retenido en depósito en garantía y con el cliente en condiciones de observar al agente y tomar el control en cualquier momento. Jobbit Labs, la división de investigación de la compañía, trabaja en el problema más lento que el artículo identifica en su brecha de datos: capturar datos de tareas del mundo real de personas que realizan trabajo real, con consentimiento, para entrenar y verificar modelos del mundo para la IA física. Jobbit no ha publicado datos de ensayos sobre los resultados de este modelo y aquí no afirma tenerlos; la afirmación es más acotada: una arquitectura de agente más red humana es la que respalda la evidencia mientras la paridad de costes siga estando a décadas de distancia. El lado práctico de esa división se expone en 12 Jobs an AI Agent Can Do for Your Business This Week y Should Your Next Hire Be an AI Agent?, la evidencia sobre autónomos en Do AI Agents Replace Freelancers?, y la propia compañía en What Is Jobbit?.

Qué debería hacer una empresa con esta evidencia

La evidencia respalda una regla de delegación que una pequeña empresa puede aplicar sin consultor de estrategia.

Automatizar primero la capa digital que rodea al trabajo físico, porque es donde el coste y la capacidad ya coinciden. Los presupuestos, las facturas, el sitio web, las solicitudes de reseñas, la investigación de proveedores y la programación de un fontanero son el 50% del trabajo expuesto a los modelos de lenguaje; las propias cifras del artículo dicen que la instalación, el diagnóstico en un armario húmedo y la conversación con el propietario de la vivienda no van a desaparecer. El margen de una empresa de oficios en la próxima década procede de dedicar las horas de escritorio ahorradas a más horas en obra, no de esperar a un robot.

Tratar la automatización física como una decisión de compra sobre una tarea, no como una decisión de plantilla sobre un empleo. El modelo de costes del artículo es la plantilla a seguir: poner precio al coste anual completo del robot frente al trabajo en esa tarea concreta, en el nivel de entorno propio, y esperar la paridad solo en condiciones E1 y E2, es decir, embalaje repetitivo, traslado, soldadura y clasificación, durante años. Para casi todo lo que se hace en el hogar de un cliente, la paridad no figura en el calendario.

Contratar y formar para el núcleo no expuesto. El 24% de las tareas físicas que los robots no pueden hacer y el 25% que las personas no quieren que hagan son la parte duradera de un oficio: destreza, criterio en espacios no estructurados y la relación humana. La brecha de 206,000 trabajadores de CITB para 2030 indica que el mercado pagará por ellas.

Vigilar el traspaso, no el titular. La pregunta útil para cualquier trabajo es dónde debe detenerse la máquina y dónde debe empezar la persona, y esa línea se mueve tarea por tarea. Una empresa que lo deja por escrito (quién revisa el resultado del agente, quién da el visto bueno al trabajo en obra, quién responde ante el cliente) obtiene las ganancias sin los fallos.

Por último, leer las señales tempranas en el lugar adecuado. El artículo sugiere seguir las ocupaciones expuestas, conductores y empaquetadores de almacén, para detectar los primeros indicios de disrupción física, y los datos de nóminas dicen que la disrupción digital ya es visible en la contratación de titulados. Conviene planificar ya la segunda y la primera más adelante.

Limitaciones y preguntas abiertas

El estudio es estadounidense, evaluado por un modelo y estático. Las valoraciones de exposición y de coste proceden de Claude leyendo descripciones de tareas y evidencia web sobre robots, contrastadas con la historia pero no con ensayos de campo; un panel de expertos humanos podría valorar la destreza de otro modo. Las estimaciones de coste omiten fricciones de adopción, como los límites de endeudamiento, y los escenarios dejan de lado los efectos de retroalimentación, incluida la posibilidad de que la caída de los salarios en las ocupaciones expuestas frene aún más la adopción. El artículo no examina cómo la IA podría cambiar el trabajo físico sin robots, por ejemplo mediante el mantenimiento predictivo, y no modela el Reino Unido, donde los costes de la energía, la regulación y la estructura de los oficios son distintos.

La evidencia digital tiene sus propios límites. Los datos de nóminas muestran el empleo relativo de los jóvenes en ocupaciones expuestas, no causalidad, y los autores de Stanford describen sus hallazgos como coherentes con "no widespread displacement so far" (ningún desplazamiento generalizado hasta ahora); el análisis de desempleo de Anthropic y el análisis de contratación de Stanford pueden tener razón ambos sobre márgenes distintos. Los datos de uso de un asistente no son la economía. Y el mercado de humanoides se mueve con la rapidez suficiente como para que cualquier precio citado aquí sea una instantánea de principios de octubre de 2026.

Las preguntas abiertas son las que decidirán la próxima década: si la manipulación de propósito general mejora más deprisa que un 2% anual cuando los robots aprendan del trabajo real y no de demostraciones diseñadas; si se mueven los suelos regulatorios y de preferencias; y, como dicen los autores, cómo cambia el propio trabajo, "perhaps becoming more social and interpersonal as robots and AI advance" (quizá volviéndose más social e interpersonal a medida que avanzan los robots y la IA).

Conclusión

¿Quitarán los robots los empleos manuales? No del modo en que sugería el 47% ni con un calendario en torno al cual deba planificar un profesional de oficio en activo. El estudio de Anthropic muestra que los robots ya pueden hacer la mayoría de las tareas físicas y pueden permitirse casi ninguna; que la economía se cierra a un ritmo de pocos puntos porcentuales al año; y que incluso un mundo de progreso récord de los robots deja la mitad del trabajo físico en manos humanas más allá de 2050. La disrupción medible hoy está en el trabajo digital, donde la exposición es mayor, el coste es menor y los primeros titulados ya faltan en las nóminas. Para un oficio o una pequeña empresa del Reino Unido, la evidencia apunta a una sola estrategia: automatizar el escritorio, proteger las manos y ser deliberado sobre dónde uno pasa el relevo al otro. Ese traspaso es donde trabaja Jobbit, y el artículo es la exposición más clara hasta ahora de por qué la brecha en la que se asienta seguirá ahí durante mucho tiempo.

Preguntas frecuentes

¿Sustituirán los robots a los trabajadores manuales?

No durante décadas, según el estudio de Anthropic de septiembre de 2026. Los robots ya pueden hacer cerca del 74% de las tareas físicas en Estados Unidos, pero solo son más baratos que un trabajador en el 0.3% de ellas, y con la caída histórica del 3% anual en el precio de los robots se necesitarían unos 40 años para alcanzar la paridad de costes en el 10% del trabajo. Incluso un escenario agresivo sitúa la mitad del trabajo físico más allá de 2050.

¿Qué empleos están más expuestos a los robots?

Los operadores de vehículos y los empaquetadores de almacén. Los taxistas encabezan el índice de exposición con 2.2 sobre 3, nueve de las diez ocupaciones más expuestas son de conductores, y los empaquetadores y embaladores son el caso más claro en que un robot ya es ligeramente más barato que una persona. Las enfermeras, los mecánicos y la mayoría de los oficios cualificados están en el otro extremo porque su trabajo requiere destreza, criterio en espacios no estructurados o contacto humano.

¿Está la IA quitando empleos de oficina más rápido de lo que los robots quitan los físicos?

La evidencia temprana dice que sí, en el nivel inicial. El análisis de Stanford de registros de nóminas de más de 25 millones de trabajadores halla que el empleo de las personas de 22 a 25 años en las ocupaciones más expuestas a la IA está un 19% por debajo del de sus pares menos expuestos, sin cambio equivalente para los trabajadores con experiencia, mientras que los economistas de Anthropic no encuentran un aumento sistemático del desempleo entre los trabajadores expuestos en conjunto. Las tareas digitales cuestan casi nada de automatizar una vez que existe un modelo; las tareas físicas necesitan hardware que sigue siendo caro.

¿Qué debería hacer un profesional de oficio ante la automatización?

Automatizar el lado administrativo del negocio, que es donde la IA ya es barata y capaz, e invertir en las habilidades que los robots no pueden igualar: destreza, diagnóstico en espacios no estructurados y relación con el cliente. Solo el sector de la construcción del Reino Unido necesita más de 206,000 trabajadores adicionales para 2030 según CITB, por lo que la parte humana del oficio está en escasez, no en excedente.

¿Para qué brecha está construido Jobbit?

El traspaso entre el trabajo digital automatizado y el trabajo físico humano. El agente de IA de Jobbit se ocupa de la investigación, los documentos, los sitios web y la administración que, según la evidencia, son baratos de automatizar, y pasa el trabajo que requiere manos, una visita a obra o responsabilidad a un profesional verificado en pro.jobbit.uk, con el pago retenido en depósito en garantía. Jobbit Labs trabaja en los datos de tareas del mundo real que el estudio identifica como el ingrediente que falta para la IA física.