Google ha ampliado su AI & Economy ATLAS con una experiencia interactiva y nuevos datos sobre cómo se utiliza la inteligencia artificial en distintas profesiones y países.
La base del proyecto procede de 15 millones de interacciones agregadas y anonimizadas con productos de IA de Google. ATLAS cubre más de 150 países, 140 idiomas, 800 profesiones y alrededor de 4.000 tareas.
Entre los nuevos resultados destaca la investigación con científicos: casi la mitad de los encuestados afirma usar alguna forma de IA a diario y reporta un ahorro de casi siete horas semanales, aunque también aparecen nuevos cuellos de botella en validación y experimentación.
15 millones de interacciones analizadas
ATLAS intenta observar uso real y no únicamente encuestas de intención.
La información está agregada y anonimizada según la metodología descrita por Google.
Las profesiones adoptan IA de forma diferente
En países OCDE destacan ocupaciones informáticas, matemáticas, empresariales y financieras.
En otros mercados pesan más tareas administrativas, creativas y educativas.
Casi siete horas semanales en ciencia
Los científicos encuestados reportan ahorro de tiempo importante, pero parte del beneficio se desplaza a nuevas tareas de validación.
Productividad no significa automáticamente más resultados finales.
Qué significa para una pyme
los nuevos datos de AI & Economy ATLAS importa cuando se convierte en una mejora concreta de productividad, ventas o calidad. La empresa no necesita adoptar cada herramienta nueva. Debe identificar tareas repetitivas, información disponible y riesgos. Empezar por un caso pequeño permite medir valor sin comprometer procesos críticos.
IA y regulación
La adopción empresarial debe convivir con obligaciones europeas. Nuestra guía sobre AI Act para pymes explica por qué inventario de sistemas, transparencia y supervisión humana serán cada vez más importantes. La empresa debe saber qué herramienta usa, con qué datos y para qué decisión.
Seguridad
El crecimiento de agentes y asistentes también amplía superficie de ataque. La pieza sobre riesgos de seguridad con IA muestra cómo actores maliciosos aprovechan herramientas y nombres relacionados con IA. Usar cuentas corporativas, permisos mínimos y MFA debería formar parte de cualquier despliegue.
Casos comerciales
Ventas y marketing son un punto de entrada habitual. lead scoring con IA y automatización comercial muestran dos ejemplos: priorizar oportunidades y automatizar tareas. El objetivo debe ser reducir tiempo administrativo sin perder revisión humana en decisiones que afectan al cliente.
Productividad documental
Herramientas como ChatGPT dentro de Word llevan IA directamente a aplicaciones que los equipos ya usan. Esto reduce cambios de contexto, pero también exige controlar qué documentos pueden procesarse y cómo se revisa la salida. El ahorro real debe medir tiempo total, incluida la validación.
Agentes y proveedores
La expansión de la IA agéntica en empresas españolas hará que muchas pymes adopten soluciones a través de integradores. Elegir proveedor debería incluir preguntas sobre datos, permisos, exportación y soporte. Una demo atractiva no sustituye una arquitectura segura.
Cómo elegir un primer caso de uso
Conviene buscar una tarea frecuente, con datos disponibles y resultado fácil de verificar. Resumir reuniones, preparar borradores o clasificar consultas suelen ser mejores pilotos que automatizar pagos o decisiones laborales. El primer proyecto debe enseñar a la empresa cómo gobernar IA antes de escalar.
Qué medir
Tiempo ahorrado, errores, coste por tarea, satisfacción del usuario y porcentaje de salidas que requieren corrección. Si una herramienta acelera el primer borrador pero aumenta revisión, el retorno puede ser menor de lo esperado. Medir durante varias semanas evita decidir por impresiones.
Formación
Los empleados necesitan aprender tanto capacidades como límites. Una sesión práctica con ejemplos reales del negocio suele ser más útil que una formación genérica. También conviene enseñar a detectar alucinaciones, proteger datos y documentar cuándo una salida ha sido revisada.
Datos propios
La calidad de la IA depende del contexto. CRM duplicado, documentos desactualizados o procedimientos contradictorios producen respuestas inconsistentes. Antes de conectar un agente a sistemas internos, conviene limpiar fuentes y definir cuál es la versión oficial de cada información.
No automatizar el proceso equivocado
Una tarea lenta puede ser innecesaria. Automatizarla solo hace más rápido un mal proceso. La empresa debería preguntar primero si la actividad aporta valor, después simplificarla y solo entonces decidir si la IA puede asumir una parte.
Coste y escalado
Muchos servicios cobran por usuario, consumo o tokens. Un piloto pequeño puede tener coste mínimo y crecer rápidamente al extenderse a toda la plantilla. Conviene estimar uso mensual antes de habilitar globalmente y comparar ese gasto con horas realmente ahorradas.
Qué debería hacer dirección esta semana
Elegir un caso de uso, un responsable y una métrica. Definir qué datos puede utilizar, qué salida necesita revisión y cuánto durará el piloto. En dos o cuatro semanas debería existir evidencia suficiente para ampliar, ajustar o retirar. La adopción madura avanza por resultados, no por presión de tendencia.
Preguntas frecuentes
¿Hay que tener un equipo de IA? No. ¿Qué caso empezar? Uno repetitivo y verificable. ¿Qué riesgo vigilar? Datos, permisos y errores. ¿Cómo saber si funciona? Midiendo tiempo y calidad. ¿La IA sustituye revisión humana? No en decisiones de alto impacto.
Conclusión
ATLAS aporta una idea útil para las empresas: la adopción de IA no es homogénea y el impacto depende del rediseño de procesos. Medir horas ahorradas es un primer paso; el siguiente es comprobar si ese tiempo se transforma realmente en más ventas, investigación o mejor servicio.
Fuentes
- Google: nuevos datos de AI & Economy ATLAS
- Google: lanzamiento de ATLAS v1.0
- Google: IA, ciencia y economía
ATLAS no es una encuesta convencional
El proyecto analiza interacciones agregadas y anonimizadas con productos de Google, lo que ofrece una visión basada en uso observado. Eso permite estudiar tareas y profesiones de forma distinta a las encuestas sobre intención. También implica que refleja principalmente el ecosistema de herramientas de Google y debe interpretarse con esa limitación.
Más de 150 países y 140 idiomas
La amplitud geográfica permite comparar patrones de adopción entre economías con niveles de renta diferentes. Google observa una correlación entre ingresos y uso, pero también excepciones como Brasil o Emiratos Árabes Unidos, donde la adopción supera lo que sugeriría el PIB per cápita.
800 profesiones y unas 4.000 tareas
El detalle permite bajar de categorías generales como “oficina” o “tecnología” a ocupaciones y tareas. Para empresas, esto refuerza la idea de que no existe una estrategia de IA única: cada puesto tiene oportunidades y riesgos diferentes.
OCDE: tecnología y finanzas lideran
En países de la OCDE, ocupaciones informáticas, matemáticas, empresariales y financieras aparecen entre las que más utilizan IA. Es coherente con trabajos intensivos en información digital. Las empresas de estos sectores deberían asumir que la adopción ya forma parte de la competencia y centrarse en calidad y gobernanza.
Otros mercados muestran patrones distintos
En países no OCDE destacan más tareas administrativas, creativas y educativas. Esto demuestra que la IA no se limita a programadores. El tipo de trabajo, acceso a herramientas y estructura económica influyen en cómo se adopta.
IA en tareas manuales
ATLAS también detecta uso para diagnóstico de equipos y resolución de problemas físicos. En Brasil y Alemania, el 7% del uso laboral se dirige a tareas manuales, por encima de la media global. Para industria y mantenimiento, esto apunta a asistentes multimodales como posible área de crecimiento.
Científicos: casi la mitad usa IA a diario
La investigación asociada a ATLAS encuestó a más de 600 científicos en Estados Unidos y Reino Unido. Casi la mitad afirma utilizar alguna forma de IA diariamente. El dato muestra una integración alta en un entorno profesional donde la precisión es crítica.
Casi siete horas semanales de ahorro
Los científicos reportan un ahorro cercano a siete horas por semana. Pero Google también observa que el tiempo liberado puede crear nuevos cuellos de botella: más hipótesis pendientes de validar o más necesidad de experimentación física. Ahorrar tiempo en una fase no garantiza automáticamente más resultados finales.
LLM y modelos especializados conviven
Los modelos de lenguaje se utilizan de forma amplia, mientras modelos especializados tienen mayor peso en salud, ciencias de la vida y tareas de predicción o simulación. Para empresas, esto sugiere que la mejor solución puede combinar herramientas generales y modelos específicos.
Qué significa para productividad empresarial
Una empresa debe medir el proceso completo. Si la IA acelera análisis pero aumenta validación, el ahorro neto puede ser menor. ATLAS refuerza una conclusión importante: la tecnología puede desplazar el cuello de botella a otra fase. Rediseñar el workflow es tan importante como introducir la herramienta.
Adopción no equivale a impacto económico
Más uso puede indicar experimentación, no necesariamente beneficios. Para demostrar impacto hay que conectar la herramienta con ventas, costes o calidad. El ATLAS ayuda a saber dónde se utiliza; cada empresa debe responder qué resultados obtiene.
Profesiones de negocio y finanzas
El alto uso en operaciones empresariales y financieras puede incluir análisis, documentos, investigación y apoyo a decisiones. Estas áreas manejan datos sensibles y requieren controles. Una salida generada por IA no debería aprobar pagos, contratos o decisiones de riesgo sin revisión adecuada.
Profesiones creativas
En India, artes, diseño y medios representan una proporción especialmente alta del uso laboral. Esto muestra cómo IA generativa está penetrando en producción creativa. Para agencias y autónomos, la ventaja competitiva puede desplazarse desde producir rápido a dirigir, diferenciar y asegurar calidad.
Qué puede hacer una pyme con ATLAS
Explorar su sector y profesiones para identificar tareas donde otros ya utilizan IA. Después escoger una actividad interna comparable y probar. La herramienta no dice qué producto comprar ni sustituye un análisis propio, pero puede ayudar a descubrir oportunidades menos obvias.
Formación por tarea, no por herramienta
Si los patrones varían por ocupación, la formación también debería hacerlo. Enseñar “cómo usar IA” de forma general aporta menos que enseñar a un comercial a preparar reuniones o a un técnico a diagnosticar incidencias. El aprendizaje ligado al trabajo real mejora adopción.
La importancia de validar outputs
En ciencia, la validación emerge como cuello de botella. En empresa ocurre lo mismo: revisar cifras, fuentes y decisiones consume tiempo. Diseñar plantillas, referencias internas y reglas de aprobación puede reducir ese coste y aumentar el beneficio neto.
Qué debería medir una empresa durante 30 días
Horas ahorradas, tareas completadas, correcciones y resultado económico. También quién usa la herramienta y para qué. Comparar por roles permite decidir dónde ampliar licencias. No todos los empleados necesitan el mismo nivel de acceso.
ATLAS como señal, no como verdad universal
Los datos proceden de herramientas de Google y de un momento concreto de una tecnología que evoluciona rápido. Deben combinarse con estudios independientes y datos internos. Su valor está en ofrecer una fotografía detallada que ayude a formular mejores preguntas, no en predecir exactamente cómo cambiará cada empleo.
Diferencias entre países no deben copiarse sin contexto
Una tasa alta de uso puede responder a estructura ocupacional, disponibilidad de productos, idioma o cultura tecnológica. Una empresa española no debería asumir que un patrón de Estados Unidos o India se trasladará directamente a su plantilla. El valor está en observar tendencias y validar localmente.
Qué profesiones podrían cambiar antes
Trabajos intensivos en información y documentos ya muestran adopción elevada. Esto no implica desaparición automática de puestos, sino transformación de tareas. Las empresas deberían mapear qué parte del trabajo puede acelerarse y qué parte necesita criterio, relación humana o responsabilidad.
Ahorro de tiempo y capacidad liberada
Si un empleado ahorra varias horas, dirección debe decidir qué hacer con ellas. Sin rediseño, el tiempo puede simplemente llenarse con más tareas. Para convertir productividad en valor, conviene asignarlo a ventas, análisis, atención o trabajo de mayor impacto.
ATLAS como herramienta de benchmarking
Explorar ocupaciones similares puede ayudar a una pyme a detectar si está muy por detrás o por delante en adopción. Esa comparación no sustituye métricas internas, pero puede orientar formación y pilotos. El objetivo no es usar IA porque otros la usan, sino entender dónde ya se está convirtiendo en herramienta estándar.
Qué aporta el dato de uso real
Las empresas suelen debatir sobre lo que la IA podría hacer. ATLAS intenta observar lo que ya está ocurriendo. Esa diferencia es valiosa porque permite identificar tareas maduras para experimentar y otras donde la adopción sigue siendo limitada. El benchmark debe utilizarse como punto de partida, no como mandato.
El cuello de botella se mueve
Cuando una fase se acelera, otra puede convertirse en el nuevo límite. En ciencia, más hipótesis generan más necesidad de validación. En empresa puede ocurrir con propuestas, contenido o análisis. Rediseñar la fase posterior es necesario para convertir el ahorro de tiempo en productividad real.
Seguir la evolución
ATLAS es un proyecto continuo. Comparar futuras actualizaciones con los datos actuales permitirá ver qué profesiones aceleran adopción y dónde aparecen nuevos usos empresariales.
Fotografía: Kampus Production / Pexels.
