OpenAI ha publicado el primer estudio a gran escala sobre lo que llama task crossover: el 43,5% de los mensajes de trabajo específicos de una ocupación en ChatGPT son en realidad tareas que históricamente pertenecían a otra profesión. El estudio analiza más de 800.000 mensajes de usuarios de negocio en Estados Unidos.
Traducido: el organigrama sigue igual, pero el trabajo real ya se ha movido de sitio.
Puntos clave
- 43,5% de los mensajes específicos de una ocupación tratan tareas de otra profesión.
- 16,8% sobre el total de mensajes de trabajo, incluyendo los genéricos.
- Muestra de más de 800.000 mensajes de usuarios de negocio en EEUU.
- Atención al cliente, diseño y recursos humanos son los que más cruzan: en torno a tres de cada cuatro de sus consultas específicas son de otro oficio.
- Marketing es el que más presta: sus tareas aparecen en el 8,9% de los mensajes de gente de otros campos, la cuota más alta de la muestra.
Quién toma prestado y quién presta
El dato interesante no es el porcentaje global, es la dirección del flujo. El estudio separa dos movimientos: cuánto toma prestado cada oficio de los demás y cuánto presta a los demás.
Los marketers son un caso de manual de las dos cosas a la vez. Toman prestado de varios dominios en el 24,3% de sus mensajes (análisis de datos, algo de código, cálculos financieros) y a la vez prestan más que nadie, porque medio mundo le pide a ChatGPT que le escriba un email de campaña o un anuncio.
Los ingenieros aparecen sobre todo como prestamistas. Los diseñadores, como prestatarios. Y las tareas que más viajan entre oficios son cuatro: crear material de marketing, resolver problemas de software, hacer cálculos financieros y explicar normativa.
Ese último grupo dice mucho. Son exactamente las cuatro cosas por las que en una empresa mediana se abre un ticket a otro departamento y se espera tres días.
Atención al cliente, diseño y recursos humanos encabezan la lista de los que más cruzan, con alrededor de tres de cada cuatro consultas específicas apuntando a otro oficio. Tiene sentido si piensas en el día a día de esos puestos: son los tres que más dependen de material que fabrica otro equipo. Un agente de soporte necesita entender el producto a nivel técnico, un diseñador necesita el copy y los datos, y alguien de recursos humanos necesita saber de normativa, de nóminas y de la herramienta de turno.
Qué cambia respecto a lo que ya sabíamos
Hace unos días publicamos el estudio Atlas de Google, que medía otra cosa: la IA llega al 68% de los empleos pero de forma superficial. Los dos estudios encajan mejor de lo que parece.
Google midió anchura. OpenAI mide dirección. La adopción puede ser superficial en profundidad técnica y aun así estar redibujando quién hace qué. Un responsable de operaciones que antes pedía una consulta SQL al equipo de datos ahora la escribe él, regular pero suficiente, y no abre el ticket. Eso no aparece en ninguna métrica de productividad, y cambia la carga de trabajo de dos departamentos a la vez.
El economista jefe de OpenAI resume que las fronteras entre puestos probablemente ya se están volviendo más flexibles por la IA. Es una afirmación de parte, conviene decirlo: OpenAI vende la herramienta que produce el efecto que mide. Los 800.000 mensajes salen de su propio producto, no de una encuesta independiente, y el trabajo no ha pasado revisión por pares.
Encaja con lo que OpenAI ya había medido en empresas
Hay un antecedente que da contexto a este estudio. En diciembre de 2025 OpenAI publicó un informe con 9.000 trabajadores encuestados en 100 empresas, y los números iban en la misma dirección.
El 87% de los perfiles de sistemas decía resolver incidencias más rápido. El 85% de marketing y producto, ejecutar campañas más rápido. El 75% de recursos humanos veía mejor implicación del empleado. El 73% de los ingenieros entregaba código antes. Y el dato que ahora cobra sentido: los mensajes relacionados con programación crecieron un 36% entre trabajadores de funciones no técnicas.
Ese 36% es el mismo fenómeno visto desde otro ángulo. Gente que no programa escribiendo código. Y el 75% decía poder completar tareas nuevas que antes no podía hacer.
Ninguno de los dos informes ha pasado revisión por pares, y los dos los firma la empresa que vende la herramienta. Con eso en la cabeza, la señal sigue siendo consistente entre encuesta declarada y uso real medido, que es más de lo que suele darse.
El problema que esto crea dentro de una empresa
Aquí va la parte incómoda que el estudio no cuenta. Si el 43,5% de las consultas cruzan oficios, tu equipo de marketing está haciendo análisis de datos sin que nadie de datos revise el resultado. Tu equipo de operaciones está escribiendo código que nadie de ingeniería audita. Y alguien de recursos humanos está interpretando normativa laboral con un modelo que no sabe si el convenio aplicable es el de 2024 o el de 2026.
La respuesta no pasa por prohibirlo. Pasa por poner el dato correcto donde toca. En Barner, antes de usar nada de forecasting, hubo que etiquetar todos los productos en Odoo. Sin ese paso previo el modelo escupe números que parecen buenos y no lo son. Lo mismo aplica aquí: si tu gente va a cruzar oficios con IA, lo que hay que construir es el contexto que evita que se equivoquen.
Por qué importa
Para un director de operaciones o un founder de una empresa de 10 a 100 millones, esto tiene una lectura muy concreta y una acción.
La lectura: el cuello de botella de tu organización se está desplazando. Antes era la capacidad de ejecución de cada especialista. Ahora empieza a ser la calidad del contexto que cada persona tiene disponible cuando se mete en un terreno que no es el suyo.
La acción: mira qué tareas se están cruzando de verdad en tu casa. Las cuatro del estudio (marketing, software, cálculos financieros y normativa) son buen punto de partida. Para cada una, monta una base de conocimiento con vuestros datos reales, tarifas, convenios, esquemas de base de datos, tono de marca, y conéctala al modelo. Eso convierte el cruce accidental en un cruce útil.
Y un aviso sobre el organigrama: si tu gente ya está haciendo tres trabajos, la conversación de bandas salariales llega antes de lo que crees.
Relacionado
