Metodología

Última actualización: 2026-09-26

1. Vida útil de mi trabajo: qué significa la cifra

La fecha que se muestra para cada trabajo es cuándo, contando desde 2026, se estima que el empleador promedio empezará a reducir de forma visible la contratación de personas para ese trabajo por causa de la IA. No es cuando cambia la mitad del trabajo ni cuando el trabajo desaparece; es cuando empieza de verdad el reemplazo de personas.

• El juicio es un número de años, en pasos de 0.5. Si se considera que ya empezó, se asignan 0.5 años; si no se espera dentro de una generación, se asigna el tope de 30 años.
• La fecha en pantalla es la fecha del juicio más esos años, así que el tiempo restante baja cada día.
• Rango probable: un rango entre un caso más rápido y uno más lento.
• Impacto: uno de Reemplazo (baja la demanda de personas), Reducción (los equipos se achican, pero el trabajo sigue), Apoyo (cambian las herramientas y la demanda de personas se mantiene o crece) y Protección (protegido por mucho tiempo por reglas o por el trabajo físico).
• Humano en 2046: la parte del trabajo central que se espera que las personas sigan haciendo dentro de 20 años.
• Riesgo de reemplazo: se fija con los años. Menos de 3 años, Muy alto; de 3 a menos de 7, Alto; de 7 a menos de 15, Medio; 15 o más, Bajo.
• Cada juicio también registra un nivel de confianza del 1 al 5.

2. Cómo se evalúan los trabajos

Para cada trabajo, un modelo de IA califica los elementos siguientes, cada uno con un motivo de una línea, y luego fija los años con un juicio de conjunto, no con una fórmula. El juicio se basa en la información pública que el modelo conocía a mediados de 2026 (el nivel de la IA, las tendencias de cada industria, las reglas e instituciones).

• Capacidad actual de la IA (0–10): qué tan bien la IA más avanzada a mediados de 2026 produce el resultado central del trabajo con calidad de experto y sin supervisión humana. Se juzga por tipos de capacidad, no por nombres de modelos ni resultados de pruebas comparativas.
• Año de capacidad: el año en que se espera que la IA haga bien la mayor parte del trabajo central, según el ritmo de avance hasta ahora.
• Año de adopción: el año en que la industria empieza de verdad a reducir personal. Considera la estructura de costos, los ciclos de adopción, la resistencia de empresas establecidas y sindicatos, los requisitos de datos y seguridad y la aceptación de los clientes, y distingue entre adoptar herramientas y recortar personal.
• Barreras (0–3): licencias, responsabilidad legal por firmas, regulación, estatus de servidor público, contratos colectivos y protecciones parecidas, y cuántos años retrasan de verdad. Si aun en un campo con licencia se recorta primero al personal auxiliar y a las nuevas contrataciones, el juicio lo refleja.

Supuesto: los criterios suponen un avance rápido de la IA y una adopción rápida por parte de la industria, y toman en cuenta las licencias, las reglas y el trabajo físico tal como son. Por eso las fechas pueden ser más tempranas que las de una perspectiva más conservadora.

Coherencia: dentro de un mismo campo, los puestos auxiliares no se evalúan como más tardíos que los profesionales, el trabajo físico no se evalúa como más temprano que el trabajo intelectual y los trabajos con licencia no se evalúan como más tempranos que los que no la requieren. Para alinear la escala hay rangos de referencia para algunos trabajos (por ejemplo, agentes de centro de llamadas 0.5–2 años; plomeros, electricistas y soldadores 20–30 años), y se evitó que los resultados se amontonaran en 3–5 años.

3. Cómo se trata cada país

• Corea del Sur: 752 trabajos. La lista se armó para que los 450 grupos unitarios de la Clasificación Coreana Estándar de Ocupaciones (KSCO, 7.ª revisión) se vinculen con al menos un trabajo. Los juicios de Corea usan como referencia “el empleador promedio en economías avanzadas (Estados Unidos, Corea, Japón y similares)” y también sirven como línea base común para otros países.
• Estados Unidos y Japón: los trabajos cuyo momento depende solo de la tecnología y de la velocidad de adopción usan la línea base común. Los trabajos cuyo momento cambia por licencias, reglas del sector público, leyes laborales o la estructura del mercado se volvieron a evaluar para ese país. Se quitaron los trabajos que no existen allí y se agregaron los que solo existen allí. Estados Unidos: 790 trabajos (159 reevaluados, 74 agregados). Japón: 770 trabajos (164 reevaluados, 43 agregados).
• Taiwán: los 803 trabajos se evaluaron uno por uno para Taiwán. Cuando la situación se consideró igual que en otro país, se decidió mantener el valor existente y esa decisión quedó registrada.
• Cifras de las páginas de Corea: para no cambiar cifras que ya se habían compartido, las páginas de Corea muestran los años evaluados multiplicados por 1.02 (por ejemplo, 30 años → 30.6 años). Las páginas de los demás países usan los años evaluados tal cual.

4. Clasificaciones

• Clasificación de trabajos: los trabajos de un país se ordenan de menos a más años evaluados, es decir, desde el trabajo donde se espera que el reemplazo empiece primero. El n.º 1 es el más temprano. En caso de empate, va primero el trabajo con el rango probable más temprano.
• Clasificación de carreras: las carreras se ordenan desde el inicio estimado más temprano de la baja en la contratación; en caso de empate, va primero la carrera con la puntuación de perspectiva de contratación más baja para 2030.

5. Vida útil de mi carrera

La fecha que se muestra para cada carrera es cuándo se estima que la IA empezará a ejercer una presión visible para reducir la nueva contratación en los caminos laborales principales de quienes egresan del programa típico de esa carrera en ese país. No significa que el programa vaya a cerrar ni que todos los egresados vayan a perder su empleo.

• Un valor por carrera. Se refiere a quienes egresan de la licenciatura si existe; si no, al programa principal del país (título de asociado, maestría, título profesional, etc.), y en ese caso la página lo indica.
• Se evalúa en meses desde la fecha base del 24 de septiembre de 2026, en pasos de 6 meses, mirando hasta 30 años (360 meses) adelante, con un rango probable. Si la evidencia no alcanza, la página dice “Sin estimación”; si no se espera el inicio dentro de 30 años, dice “Más de 30 años”.
• Orden del juicio: se fijan los caminos laborales principales, se buscan las tareas de nivel inicial que la IA reduce, se sopesa lo que frena la adopción o sostiene la contratación (trabajo presencial, responsabilidad, licencias, demanda) y luego se fija la fecha. No se calcula automáticamente con promedios de años de trabajos ni con una fórmula, y las bajas en la contratación causadas por la economía o por cambios de población no se cuentan como reemplazo por IA.
• Por país: primero se evaluaron las 198 carreras de Corea, que sirven como líneas base. Para las 220 carreras de Estados Unidos, las 239 de Japón y las 249 de Taiwán se buscó una línea base con el mismo camino laboral principal y se compararon la estructura del programa, los caminos laborales, las reglas de licencias y de contratación y la demanda local; luego el valor se mantuvo, se ajustó o se evaluó de nuevo.
• Si eliges un año de graduación, la página compara la fecha de graduación de ese año (calculada como fin de febrero en Corea, fin de mayo en Estados Unidos, fin de marzo en Japón y fin de junio en Taiwán) con la fecha estimada y muestra el tiempo que queda después de graduarte. La fecha estimada no cambia con el año de graduación.
• Listas de carreras: Corea usa los departamentos de universidades de cuatro años y colegios técnicos agrupados en los siete campos del Ministerio de Educación; Estados Unidos usa CIP 2020 (la clasificación de programas del Centro Nacional de Estadísticas Educativas, NCES); Japón usa los nombres de facultades y departamentos de universidades, colegios de ciclo corto y escuelas vocacionales; Taiwán usa la lista de programas del Ministerio de Educación y las páginas oficiales de las universidades.
• Límites: en la etapa de evaluación no se hizo nueva investigación en la web; se usó material ya reunido. No hay estadísticas que separen el efecto de la IA del de la economía, la población o los presupuestos, así que las carreras donde esos factores pesan mucho, como educación y salud pública, tienen baja confianza y rangos amplios.

6. Vida útil de mi universidad (solo Corea)

Evalúa los próximos 10 años de 321 universidades coreanas en cinco niveles (estable, favorable, precaución, alerta, incierto). Considera seis ejes —captación de estudiantes, retención, departamentos protegidos, solidez financiera, señales institucionales y ubicación— y combina cálculos basados en reglas para cada eje con el juicio de un modelo de IA. Usa datos de los últimos tres años y no es una calificación oficial del gobierno ni una probabilidad de cierre. Criterios completos (en coreano): 대학 전망 판정 기준.

7. Clasificación de mi zona (solo Corea)

La página coreana “AI가 살고 싶은 지역 순위” (las zonas donde la IA querría vivir) se basa en que un modelo de IA investigó datos públicos de cada una de las 256 ciudades, condados y distritos de Corea y calificó cinco elementos de 0 a 100 (en pasos de 5) a 5, 10 y 20 años.

Las puntuaciones brutas de la IA se concentran en el centro, así que la página muestra una puntuación comparable a nivel nacional obtenida con una sola fórmula aplicada a todas las zonas, periodos y elementos: puntuación del elemento = 60 + 1.4 × (puntuación bruta − 55); los resultados menores que 0 quedan en 0 y los mayores que 100 quedan en 100. La puntuación general es la suma ponderada de esas puntuaciones, y los niveles y posiciones se fijan con ella. Si un solo elemento no puede evaluarse, el resultado general de ese periodo queda pendiente.

El precio de la vivienda, la seguridad pública y el medio ambiente todavía no se califican. Las puntuaciones son interpretaciones con reglas comunes, no probabilidades, evaluaciones oficiales ni mediciones. Fecha base: 24 de septiembre de 2026.

8. Test vocacional de 3 min

Tres preguntas sobre tu situación y 24 preguntas sobre actividades que te gustan (respondidas en una escala de 5 puntos) generan puntuaciones en seis tipos de interés (Práctico, Analítico, Creativo, Social, Persuasivo, Organizado), que se comparan con el perfil de intereses de O*NET de cada trabajo para calcular la afinidad. Los candidatos son solo trabajos que en ese país se evaluaron como lentos de reemplazar (7 años o más con impacto de Apoyo o Protección, o 12 años o más). Si eliges un tiempo de preparación de 6 meses o menos, se excluyen los trabajos que requieren licencia o examen. Las preguntas se escribieron para este sitio siguiendo el formato del O*NET Interest Profiler.

9. Calculadora de ahorros

Con tus ahorros actuales, tus gastos mensuales, tus ingresos y la fecha en que se detendría tu sueldo, calcula un flujo de efectivo simple: lo que ahorras hasta entonces y cuándo los gastos posteriores agotan el dinero. Si eliges un trabajo, puedes usar su fecha estimada de reemplazo como la fecha en que se detiene tu sueldo, y puedes comparar cambios como recortar gastos, ingresos adicionales, volver a trabajar, rendimientos de inversión e inflación. No predice la pérdida del empleo ni la quiebra, y las cantidades que escribes no se envían a ningún servidor ni se guardan.

10. La dificultad de mi vida

Preguntas en 8 etapas (de 23 a 46 según la persona) cubren 12 áreas —dinero (ingresos, gastos, bienes, deudas, vivienda), trabajo, redes públicas de protección, personas con quienes contar, salud, cuidados, golpes recientes y el futuro, y carencias— y las combinan alrededor de las peores condiciones para dar un nivel de Lv.1 a Lv.10. El cálculo se hace en tu dispositivo con reglas fijas; las respuestas no se envían a una IA ni a un servidor (solo se envía un conteo anónimo, como el nivel; consulta el Aviso de privacidad). Los límites de los niveles todavía no se han comprobado con la distribución real de usuarios.

11. Mi rango en el mercado laboral

36 preguntas (divididas en cinco caminos según la primera respuesta: estudiante, por graduarse, buscando el primer empleo, cambiando de empleo mientras trabaja, regresando al trabajo) generan puntuaciones en tres ejes —estudios (un nivel, no el nombre de la escuela), experiencia y habilidades— que se comparan con un grupo sintético modelado sobre todas las personas que buscan empleo en ese país (estudiantes, recién egresados y personas con experiencia) para asignar una categoría del 1 al 10. El peso de los tres ejes cambia según el país (estudios, experiencia, habilidades: Corea 25/40/35 %, Estados Unidos 15/45/40 %, Japón 25/30/45 %, Taiwán 20/40/40 %). Las condiciones de la meta, las del campo y la edad no forman parte de esta categoría; se reflejan aparte en el resultado de qué tan difícil es tu meta. No es una probabilidad, y los valores de referencia, como la composición de quienes buscan empleo, incluyen muchas estimaciones. Las respuestas se calculan solo en tu navegador y no se envían a ningún servidor.

12. Fuentes de datos

• Clasificación Coreana Estándar de Ocupaciones (KSCO), 7.ª revisión (Oficina de Estadística de Corea): se usó para definir el alcance de la lista coreana de trabajos.
• Clasificación Estándar de Ocupaciones de EE. UU. (SOC 2018): se usó para vincular los trabajos con estadísticas de EE. UU. y con datos de O*NET.
• O*NET 29.1 (Departamento de Trabajo de EE. UU., Administración de Empleo y Capacitación): listas de tareas y perfiles de intereses por ocupación. Las puntuaciones de interés de cada trabajo en el test vocacional vienen de aquí.
• Proyecciones de Empleo 2024–2034 de la Oficina de Estadísticas Laborales de EE. UU. (BLS): la cifra “Crecimiento 24–34” de las páginas de trabajos. Es un valor de EE. UU. vinculado mediante códigos SOC y se muestra como referencia en las páginas de Corea, Estados Unidos y Japón. Las páginas de Taiwán la dejan en blanco cuando no hay una cifra taiwanesa.
• Datos del estudio “Working with AI” de Microsoft Research (arXiv 2507.07935, CC BY 4.0): puntuaciones de aplicabilidad de la IA por ocupación. Al evaluar los trabajos de la línea base (Corea), a la IA evaluadora también se le mostró un valor de referencia construido con esta puntuación (un percentil ajustado por la proporción de tareas físicas de O*NET) junto con la tasa de crecimiento de la BLS, con la instrucción de no seguirlo y juzgar por su cuenta. La puntuación no forma parte de ninguna fórmula que calcule los años.
• Taiwán: los datos sobre licencias, reglas y programas se comprobaron con fuentes públicas como la Base de Datos de Leyes y Reglamentos (全國法規資料庫), la Dirección General de Presupuesto, Contabilidad y Estadística (行政院主計總處), la Agencia de Desarrollo de la Fuerza Laboral (勞動部勞動力發展署), el Ministerio de Exámenes (考選部), el Ministerio de Salud y Bienestar (衛生福利部) y el Ministerio de Educación (教育部).
• Universidades: el servicio coreano de información universitaria (대학알리미), estadísticas educativas y anuncios oficiales del Ministerio de Educación y de las instituciones. Las fuentes de cada escuela aparecen en su página de resultados.
• Regiones: estadísticas de población del registro de residentes (Ministerio del Interior y Seguridad), KOSIS de la Oficina de Estadística de Corea, el servicio de información escolar (학교알리미), el Servicio de Revisión y Evaluación del Seguro de Salud, materiales de gobiernos locales y oficinas de educación, informes de finanzas locales y noticias. Las fuentes de cada zona se guardan en los registros de evaluación.

This page includes information from the O*NET 29.1 Database by the U.S. Department of Labor, Employment and Training Administration (USDOL/ETA). Used under the CC BY 4.0 license. O*NET® is a trademark of USDOL/ETA. YOU’RE NEXT (Opening Step) has modified all or some of this information. USDOL/ETA has not approved, endorsed, or tested these modifications.

13. Quién hizo las evaluaciones

La preparación de datos y las evaluaciones las hicieron modelos de IA. Después, otras etapas de revisión con IA y comprobaciones automáticas (formato, rangos de valores, orden dentro de un campo, vínculos con la evidencia) encontraron problemas que luego se corrigieron. Ningún elemento ha pasado todavía por una revisión humana, ya sea de especialistas en el tema o de personas que viven en ese país. Las explicaciones de las páginas de trabajos y carreras también las escribe la IA usando solo los datos de evaluación, y se revisan automáticamente para que no se agregue ninguna cifra que no esté en esos datos.

14. Límites y cómo reportar errores

• Toda perspectiva es una estimación y es incierta. Puede cambiar si cambian la tecnología, la economía o las reglas, y una nueva evaluación puede cambiar las cifras.
• Los juicios de la IA pueden equivocarse. El modelo puede leer mal un material, pasar por alto cambios recientes o apoyarse en algo que no es cierto.
• Las cifras describen la tendencia promedio de un trabajo, una carrera o una zona. Incluso dentro de un mismo trabajo, los resultados pueden variar mucho según la empresa, el lugar y la experiencia de cada persona.
• Si encuentras un error, escribe a 2024opennext@gmail.com con la dirección de la página, qué está mal y, si es posible, una fuente. Para datos de universidades, usa “정정 요청” (solicitar una corrección) en la página de resultados de cada universidad. Revisamos los reportes y corregimos lo que haga falta. Detalles: Contacto.

Acerca de · Metodología · Términos de uso · Contacto · Aviso de privacidad
YOU’RE NEXT · Operado por Opening Step · 2024opennext@gmail.com