El 24 de julio finaliza el plazo para la acreditación profesional de militares de tropa y marinería
22 julio, 2023
La IA ya puede predecir tu próximo empleo
La Universidad de Stanford ha adaptado la arquitectura de los grandes modelos de lenguaje para predecir transiciones laborales a partir de la trayectoria profesional. Analizamos LABOR-LLM, sus posibles aplicaciones en orientación y políticas de empleo y sus límites ante un mercado laboral que la propia IA está modificando.
Los grandes modelos de lenguaje se hicieron conocidos por una capacidad aparentemente sencilla: predecir qué palabra viene después. Un equipo de Stanford ha llevado esa misma lógica a un terreno bastante distinto. En lugar de palabras, intenta anticipar qué empleo ocupará después una persona a partir de su trayectoria laboral.
El resultado es LABOR-LLM, una línea de investigación liderada por Susan Athey, profesora de Economía de la Tecnología en Stanford Graduate School of Business. El modelo convierte historiales profesionales en secuencias de texto similares a currículos y utiliza un LLM ajustado específicamente para aprender las transiciones entre ocupaciones.
En las pruebas realizadas por los investigadores, este método predice el siguiente empleo mejor que los modelos econométricos tradicionales, que un modelo especializado anterior denominado CAREER y que los LLM utilizados sin ese entrenamiento específico.
La investigación resulta especialmente interesante por una razón: la IA no se utiliza aquí para sustituir trabajadores ni para seleccionar candidatos, sino para entender cómo se mueven las personas por el mercado laboral.
De predecir palabras a predecir carreras
Susan Athey explica el planteamiento en un vídeo publicado por Stanford Business el 30 de julio de 2026.
Los modelos de lenguaje aprenden relaciones estadísticas entre elementos que aparecen dentro de una secuencia. Para un LLM, una frase puede ser una secuencia de palabras. Los investigadores se preguntaron si una carrera profesional también podía representarse de esa manera.
La respuesta fue convertir datos laborales estructurados en textos parecidos a currículos.
Por ejemplo, una trayectoria formada por varios empleos sucesivos deja de verse simplemente como una tabla con códigos ocupacionales y pasa a representarse como una historia profesional que el modelo puede procesar mediante lenguaje.
El equipo trabajó con 40 años de encuestas sobre las trayectorias laborales de trabajadores estadounidenses, según explica Athey en el vídeo. Después ajustó un modelo de lenguaje abierto para que aprendiera específicamente las probabilidades de transición entre ocupaciones.
La idea puede resumirse así: para el modelo, una secuencia de empleos puede tratarse de forma parecida a una secuencia lingüística.
El modelo supera a los métodos anteriores
El paper LABOR-LLM: Language-Based Occupational Representations with Large Language Models está firmado por Susan Athey, Herman Brunborg, Tianyu Du, Ayush Kanodia y Keyon Vafa.
Los investigadores compararon su sistema con distintos métodos utilizados anteriormente para estudiar las transiciones laborales.
El modelo ajustado mediante datos laborales obtuvo mejores resultados tanto al predecir la siguiente ocupación como en tareas relacionadas, por ejemplo anticipar si un trabajador permanecerá en su profesión, cambiará de ocupación o abandonará la población activa.
Hay además un resultado interesante para quienes identifican automáticamente mejores modelos con modelos más grandes.
Los autores comprobaron que un modelo más pequeño, ajustado con información laboral adecuada, puede superar a modelos de mayor tamaño. El conocimiento especializado introducido durante el fine-tuning pesa más que aumentar simplemente el número de parámetros.
Otro experimento aporta una pista sobre el motivo. Cuando los investigadores sustituyeron los nombres de las profesiones por códigos numéricos, el rendimiento empeoró. Parte de la ventaja del LLM parece proceder del conocimiento semántico que ya posee sobre conceptos como ingeniero, camarero, responsable comercial o profesor.
Un LLM generalista no basta para predecir carreras
El trabajo también pone un límite a la idea de que basta con preguntar a un modelo avanzado para obtener buenas predicciones.
Un LLM general puede producir trayectorias profesionales plausibles, pero eso no significa que sus probabilidades coincidan con los movimientos que realmente ocurren dentro de una población.
Una persona que trabaja como ingeniera puede tener muchas salidas profesionales razonables. El problema estadístico consiste en saber con qué frecuencia se produce realmente cada transición, teniendo en cuenta toda su trayectoria anterior.
Ahí entra el fine-tuning.
Según explica Athey, los investigadores parten del conocimiento adquirido por el modelo durante su entrenamiento general y lo especializan posteriormente con información procedente del mercado laboral.
Así puede aprender relaciones bastante más precisas. No solo que un ingeniero puede convertirse en responsable de ingeniería, sino cómo cambia esa probabilidad a medida que acumula experiencia.
¿Para qué serviría predecir el próximo empleo?
Una herramienta de este tipo tiene aplicaciones que van bastante más allá de anticipar la carrera individual de una persona.
Athey apunta varias posibilidades.
Anticipar transiciones laborales
Los gobiernos pueden utilizar modelos de movilidad ocupacional para analizar qué trabajadores tienen más posibilidades de desplazarse hacia determinadas profesiones cuando un sector pierde empleo.
Si disminuye la actividad industrial, comercial o administrativa, conocer las transiciones habituales entre profesiones puede ayudar a diseñar políticas de formación más ajustadas a las posibilidades reales de recolocación.
Mejorar la orientación profesional
También abre una posibilidad relevante para los servicios de empleo.
En lugar de recomendar puestos únicamente porque pertenecen al mismo sector o comparten una clasificación profesional, podrían analizarse trayectorias laborales completas para detectar transiciones que históricamente han realizado personas con experiencias similares.
Eso no convierte una predicción en una recomendación automática. Una transición frecuente en el pasado puede ser poco conveniente para una persona concreta o dejar de tener sentido si cambia la demanda laboral.
Pero sí permite incorporar una señal adicional a la orientación.
Ayudar en procesos de recolocación
Las empresas que afrontan reestructuraciones podrían identificar ocupaciones cercanas a las competencias y experiencia de los trabajadores afectados.
La tecnología podría utilizarse, por ejemplo, para detectar qué perfiles presentan mayores posibilidades de transición hacia nuevas funciones dentro de la organización.
De los títulos profesionales a las trayectorias
Este trabajo conecta con otro cambio que ya empieza a observarse en los sistemas de intermediación laboral: dejar de tratar cada profesión como una categoría aislada.
En Infoposiciones hemos analizado cómo proyectos como TalentCLEF 2026 están utilizando inteligencia artificial para relacionar currículos, ofertas y competencias, desplazando parte del análisis desde los títulos profesionales hacia las capacidades demostradas.
El siguiente paso consiste en añadir una dimensión temporal.
No importa únicamente qué sabe hacer una persona ahora. También importa cómo ha llegado hasta ahí y hacia dónde suelen evolucionar trabajadores con trayectorias parecidas.
Para la orientación laboral puede ser una diferencia considerable.
Una persona no es simplemente “administrativo”, “comercial” o “programador”. Puede haber pasado anteriormente por varios sectores, responsabilidades y niveles de especialización que modifican sus siguientes opciones.
La IA está aprendiendo el mercado laboral mientras también lo modifica
Aquí aparece una paradoja.
LABOR-LLM intenta predecir carreras utilizando datos históricos precisamente cuando la inteligencia artificial está empezando a cambiar algunas de las relaciones laborales que esos datos describen.
Un estudio publicado en mayo de 2026 sobre ofertas de empleo estadounidenses observa que la adaptación empresarial a la IA generativa está ocurriendo por dos vías: las empresas cambian los puestos que contratan y también modifican las tareas incluidas dentro de cada puesto.
La reasignación entre empleos explica alrededor del 52% del cambio observado en exposición a IA, mientras que el rediseño interno de tareas gana peso y supone alrededor del 39,5%. Los puestos junior presentan además una combinación especialmente amplia de ambos procesos.
Esto introduce una limitación importante para cualquier sistema que aprenda de carreras anteriores.
Cuanto más rápido cambie la estructura del empleo, menor puede ser la utilidad de algunas transiciones históricas para anticipar las futuras.
Un modelo puede aprender que determinada ocupación ha sido durante décadas el paso habitual hacia otra. Si la IA elimina unas tareas, crea otras o cambia los requisitos de entrada, esa relación puede debilitarse.
Por tanto, estos sistemas necesitarán actualizaciones frecuentes con datos laborales recientes.
OpenAI también encuentra más reorganización que sustitución
Otro trabajo reciente ayuda a colocar el proyecto de Stanford dentro de un panorama más amplio.
OpenAI ha propuesto en 2026 un marco que analiza 921 ocupaciones estadounidenses y distingue cuatro posibles formas de transición laboral.
Según sus estimaciones, alrededor del 18% de los empleos tendría un riesgo relativamente alto de automatización, mientras que un 24% podría reorganizarse alrededor de la IA y otro 12% podría crecer gracias al aumento de productividad y demanda. El 46% mostraría cambios menos inmediatos.
En Infoposiciones analizamos también la adaptación de este modelo al mercado europeo. Allí la reorganización alcanzaría aproximadamente al 27% del empleo, frente a un 14% situado en la categoría de mayor automatización potencial.
Puedes ampliar este análisis en La IA cambiará antes las tareas que el empleo en Europa: el 27% de los puestos tendrá que reorganizarse.
Los dos trabajos estudian problemas distintos, pero encajan bien.
Stanford intenta predecir hacia dónde se mueve un trabajador. OpenAI intenta clasificar cómo puede cambiar su ocupación.
Juntos apuntan hacia sistemas de análisis laboral mucho más dinámicos que las clasificaciones tradicionales de profesiones.
La exposición a la IA tampoco determina por sí sola el futuro de un trabajador
Conviene evitar otra interpretación demasiado rápida.
Que una ocupación esté muy expuesta a la inteligencia artificial no significa necesariamente que vaya a desaparecer.
Un estudio conjunto de la OIT y el Banco Mundial publicado en marzo de 2026 analiza 135 países y concluye que la exposición y los beneficios potenciales de la IA generativa dependen mucho de la infraestructura digital, las tareas realizadas y las características de cada economía. En países en desarrollo, incluso podría aparecer antes la disrupción que las mejoras de productividad.
La investigación europea disponible tampoco muestra todavía una transformación homogénea.
Un estudio basado en más de 36.600 trabajadores de 35 países calcula una adopción media de IA generativa cercana al 12%, pero con diferencias nacionales que van desde menos del 3% hasta aproximadamente el 25%. Sus autores no detectan todavía un efecto claro de esa adopción temprana sobre la reorganización de tareas declarada por los trabajadores.
En Infoposiciones hemos tratado esta diferencia entre capacidad tecnológica y sustitución efectiva en La IA no sustituye trabajadores por sí sola: primero hay que vaciar sus empleos de autonomía, a partir de investigaciones del Joint Research Centre europeo.
La orientación profesional puede ser uno de los usos más interesantes
Hasta ahora gran parte del debate sobre IA y empleo se ha centrado en predecir qué profesiones desaparecerán.
LABOR-LLM plantea una pregunta diferente y probablemente más útil para una persona que necesita tomar una decisión profesional:
si mi empleo cambia o desaparece, ¿qué trabajos son realmente accesibles desde mi trayectoria?
Es una diferencia importante.
Dos ocupaciones pueden tener competencias similares sobre el papel y, sin embargo, registrar pocas transiciones reales entre ellas. O puede ocurrir lo contrario: trabajadores procedentes de profesiones aparentemente alejadas terminan moviéndose con frecuencia hacia el mismo destino.
Los datos longitudinales permiten descubrir esas relaciones.
Aquí encaja también otra de las cuestiones que hemos analizado recientemente en Infoposiciones: qué carrera elegir ante la IA. Los estudios de exposición ayudan a saber qué profesiones pueden cambiar más; los modelos de transiciones pueden añadir una segunda pieza, mostrando qué alternativas existen cuando ese cambio llega.
El riesgo de convertir una predicción en destino
Estas herramientas también plantean un problema evidente.
Un sistema capaz de predecir con bastante precisión qué empleo ocupará después una persona puede utilizarse para orientarla, pero también para limitar sus oportunidades.
Si empresas, plataformas o servicios de empleo empiezan a utilizar predicciones históricas como filtro, existe el riesgo de reforzar las trayectorias que ya aparecen en los datos.
Una persona procedente de determinada profesión podría recibir repetidamente las mismas recomendaciones porque otros trabajadores con un historial parecido siguieron ese camino.
Esto sería especialmente delicado cuando las trayectorias históricas reflejan desigualdades de género, origen, territorio o nivel socioeconómico.
La predicción responde a una pregunta: qué suele ocurrir.
La orientación profesional debe responder a otra: qué podría hacer esta persona y qué opciones tiene sentido ofrecerle.
Confundir ambas cosas convertiría una herramienta estadística útil en un mecanismo que reproduce el pasado.
Esta cuestión conecta directamente con los problemas que aparecen cuando los algoritmos intervienen en decisiones laborales. En IA en el trabajo: la regulación avanza a dos velocidades analizamos precisamente la necesidad de transparencia, supervisión humana y mecanismos para recurrir decisiones algorítmicas.
Qué debería mirar un servicio público de empleo
El uso más razonable de este tipo de sistemas no parece ser preguntar a la IA qué profesión debe elegir una persona, sino incorporar sus predicciones dentro de herramientas de apoyo a orientadores y responsables de políticas laborales.
Un sistema útil podría combinar:
- trayectoria laboral;
- competencias adquiridas;
- transiciones reales entre profesiones;
- vacantes disponibles;
- salarios;
- demanda prevista;
- formación necesaria para realizar el cambio;
- distancia geográfica;
- probabilidad de permanencia en el nuevo empleo.
La predicción del siguiente trabajo sería una variable más, no la decisión.
Además, habría que comprobar periódicamente si las recomendaciones producen resultados distintos según sexo, edad, territorio u otros factores relevantes.
Los LLM están entrando en la ciencia de datos por una puerta inesperada
El interés de LABOR-LLM tampoco se limita al empleo.
Athey señala en el vídeo que una trayectoria laboral es solo un caso particular de un problema mucho más amplio: analizar secuencias complejas.
Una empresa podría representar como lenguaje el recorrido de sus clientes. En medicina podría hacerse algo parecido con secuencias de pruebas, diagnósticos y tratamientos.
Los investigadores están convirtiendo problemas que tradicionalmente se estudiaban mediante tablas y variables codificadas en representaciones que los modelos de lenguaje pueden procesar directamente.
La propia Athey reconoce que estos sistemas funcionan especialmente bien cuando se combinan con otros métodos, como modelos estadísticos tradicionales, machine learning y reglas explícitas.
Esa combinación puede terminar siendo bastante más importante que cualquier LLM aislado.
Predecir una carrera no significa determinarla
El trabajo de Stanford demuestra que un LLM especializado puede extraer información bastante sofisticada de una trayectoria profesional.
Pero conviene mantener clara la frontera.
El modelo estima probabilidades a partir de datos anteriores. No conoce qué oferta aparecerá mañana, si una empresa decidirá automatizar un departamento, qué formación adquirirá una persona ni cómo cambiará una profesión con la inteligencia artificial.
Su valor está en convertir millones de trayectorias laborales en información que antes era mucho más difícil de analizar.
Y eso puede tener una aplicación especialmente interesante en los próximos años: dejar de preguntar solamente qué empleos destruirá la IA y empezar a estudiar cómo pueden moverse los trabajadores cuando sus empleos cambien.
Fuentes
- Susan Athey, Herman Brunborg, Tianyu Du, Ayush Kanodia y Keyon Vafa, LABOR-LLM: Language-Based Occupational Representations with Large Language Models.
Stanford Graduate School of Business - Stanford Graduate School of Business, Quick Study: Could AI Predict Your Next Job?, 30 de julio de 2026.
Stanford Graduate School of Business - OpenAI, Modeling an AI Jobs Transition, 25 de abril de 2026.
OpenAI - ILO–World Bank, análisis sobre el impacto desigual de la IA generativa en el empleo, marzo de 2026.
Organización Internacional del Trabajo - Fangyan Wang, Zaiyan Wei y Yang Wang, Generative AI and the Reorganization of Labor Demand, mayo de 2026.
arXiv — paper completo - Golo Henseke, From Exposure to Adoption: Generative AI in European Workplaces, abril de 2026.
arXiv — paper completo
