IA y el futuro del trabajo

¿La IA va a reemplazar nuestros empleos?

El 40% de los empleos globales está expuesto a la IA, pero eso no es lo mismo que reemplazado. La IA no está eliminando profesiones; está cambiando qué tareas hace cada profesión, y a una velocidad sin precedentes: la Cuarta Revolución Industrial ocurre en 10-15 años, no en 100. Este módulo desempaca qué grupos están más expuestos, qué trabajo invisible sostiene a estos sistemas, y qué habilidades son la ancla en la transición.

El Fondo Monetario Internacional estima que el 40% de los empleos globales están expuestos a la inteligencia artificial.¹ Pero “expuesto” no es lo mismo que “reemplazado.” Las reglas del mercado laboral están cambiando, y entender cómo cambian (quién gana, quién pierde, qué pasa en México y América Latina) es el primer paso para navegar esos cambios, ya sea que estés empezando tu carrera, en medio de ella, o simplemente quieras entender qué está pasando.

Cada revolución tecnológica anterior ha destruido empleos y creado otros nuevos. Pero lo que distingue a esta transición es la velocidad. La primera revolución industrial tomó aproximadamente 100 años en transformar el mercado laboral; la segunda, unos 50; la tercera, alrededor de 30. La cuarta revolución industrial, impulsada por la IA, está ocurriendo en un horizonte de 10 a 15 años.² Esa compresión del tiempo es lo que hace que la adaptación sea mucho más urgente: no hay décadas para que los sistemas educativos, las políticas públicas y los trabajadores se ajusten.

Esta transformación ya está pasando. Más del 10% de los profesionales contratados hoy tienen títulos de empleo que no existían en el año 2000: data analyst, full stack engineer, social media manager, data scientist.³ Y quienes entran hoy al mercado laboral tendrán el doble de empleos a lo largo de su carrera comparado con hace 15 años.³ Las trayectorias lineales (estudiar algo, trabajar en eso toda la vida) son cada vez menos la norma.

Nota sobre las fuentes

Los datos de esta sección provienen de los informes más actualizados disponibles hasta marzo de 2026: FMI, OCDE, OIT, Banco Mundial, WEF, Stanford HAI, Anthropic Research, LinkedIn y Microsoft, entre otros. Este es un campo que se mueve rápido, las cifras pueden cambiar, pero los patrones que describen son consistentes.

Las cifras grandes (y por qué hay que leerlas con cuidado)

De acuerdo con diversas publicaciones entre una cuarta parte y un tercio de los empleos están expuestos a la IA. La OCDE calcula el 27% en sus países miembros,⁴ la OIT dice 1 de cada 4.⁵ Pero “expuesto” no significa lo mismo en todas partes. En América Latina, el Banco Mundial y la OIT estiman que entre el 26% y 38% de los empleos están influenciados por IA generativa, pero solo el 2-5% enfrenta riesgo de automatización total.⁶ La diferencia está entre exposición teórica y uso real. La investigación más reciente de Anthropic (2026) muestra que la cobertura real de IA en el trabajo es apenas una fracción del potencial teórico, y no hay aumento sistemático de desempleo de forma agregada.⁷

Impactos diferenciados

El impacto varía drásticamente según el nivel de desarrollo. En economías avanzadas, el 60% de los empleos están expuestos (27% en roles donde la IA augmenta y 33% donde podría automatizar). En economías emergentes baja a 40%, y en países de bajos ingresos a 26%.⁸ La capacidad de cada país para innovar, adoptar y adaptar determinará si la IA se convierte en motor de crecimiento inclusivo o en una nueva frontera de exclusión.

Los empleos que más crecen son los tecnológicos (especialistas en big data, ingenieros fintech, especialistas en IA y machine learning) y los de la transición verde (vehículos eléctricos, ingeniería ambiental, energías renovables). Los que más se contraen son los administrativos y de oficina: cajeros, asistentes administrativos, empleados postales, cajeros de banco, capturistas de datos.⁹ El patrón es claro, las tareas rutinarias y predecibles, sean manuales o cognitivas, son las más vulnerables. Pero la IA no está eliminando profesiones enteras; está cambiando qué tareas hace cada profesión. Un abogado no desaparece, pero las tareas de revisión de contratos que hacía un junior ahora las puede hacer con un modelo de lenguaje. Un analista no desaparece, pero el análisis exploratorio de datos que antes tomaba días ahora toma minutos.

Automatización vs. aumentación

Existen dos formas en que la IA transforma el trabajo:

• Automatización: La IA reemplaza la tarea humana. Ejemplo: chatbots que reemplazan operadores de servicio al cliente.
• Aumentación: La IA complementa al humano. Ejemplo: herramientas que ayudan a un analista a procesar datos más rápido, sin eliminarlo.

Ponte a prueba: ¿Cuál de los siguientes ejemplos describe aumentación (no automatización)?

Un chatbot que reemplaza a operadores de servicio al cliente atendiendo el 80% de las consultas sin intervención humana Un sistema de IA que revisa miles de contratos y los aprueba sin revisión legal Una herramienta de análisis que le permite a un analista procesar en minutos lo que antes tomaba días, manteniendo el juicio sobre qué preguntas hacer y cómo interpretar resultados Verificar

Quiénes enfrentan mayor riesgo

La transición hacia una economía impulsada por IA generativa trae consigo cambios y oportunidades, pero no para todos por igual. La mayoría de los empleos van a evolucionar en lugar de desaparecer. Sin embargo, hay grupos que enfrentan mayor exposición y necesitarán más apoyo para adaptarse: mujeres, trabajadores jóvenes y personas con título universitario.¹⁰

Quienes están empezando son los más expuestos

La tasa de contratación de jóvenes de 22 a 25 años en ocupaciones expuestas a la IA cayó un 14% desde el lanzamiento de ChatGPT. Este efecto no se observa en trabajadores mayores de 25 años.⁷

Las generaciones más jóvenes están sobrerrepresentadas en roles con habilidades que la IA puede replicar (redacción, análisis de datos, tareas administrativas) y aún están en etapas tempranas de desarrollar las habilidades interpersonales (liderazgo, negociación, gestión de stakeholders) que complementan a la tecnología.¹⁰ Muchos trabajos de entrada, como asistentes de investigación, analistas junior, programadores principiantes, y atención al cliente, eran históricamente la puerta de entrada al mercado laboral, donde se aprendía haciendo, se construían redes y se ganaba experiencia de dominio. UNICEF advierte que la erosión de estos trabajos puede crear un ciclo de exclusión: sin experiencia laboral temprana, los jóvenes no desarrollan las habilidades interpersonales ni las redes que necesitan para avanzar.⁸ En América Latina, los empleos más afectados por IA generativa están concentrados precisamente entre jóvenes urbanos, educados y de mayores ingresos, no entre los trabajadores informales.⁸

Además, las mujeres están sobrerrepresentadas en los empleos más expuestos a la IA en más del 90% de los países analizados: asistentes médicas, representantes de servicio al cliente, asistentes de ventas. Y las personas con licenciatura son más vulnerables que quienes tienen maestría.¹⁰ Esto invierte la lógica de revoluciones tecnológicas anteriores, que afectaban primero a los trabajadores menos calificados.

Pero exposición no necesariamente significa desplazamiento. El 83% de líderes globales cree que la IA permitirá a los empleados asumir trabajo más complejo y estratégico más temprano en sus carreras.¹¹ En las empresas más avanzadas en IA, incluso los de un nivel de entrada gestionan agentes de IA desde el día uno. Con la combinación correcta de habilidades técnicas, habilidades interpersonales y acceso a programas de upskilling, es posible navegar la transición.¹⁰ Para quienes ya están trabajando, el reto es adaptarse a herramientas que transforman las tareas que dominaban. En ambos casos, entender cómo funciona la IA (no solo usarla) es lo que marca la diferencia.

Las brechas: geografía y género

La brecha geográfica: quién usa la IA y quién no

El Anthropic Economic Index (2025) midió el uso per cápita de IA por país:¹²

País/Región	Índice de uso (vs. esperado)
Israel	7.0x
Singapur	4.57x
Estados Unidos	3.62x
Brasil	~3.7% del uso global (mayor volumen en LatAm)
India	0.27x
Nigeria	0.2x

Cada 1% de aumento en PIB per cápita se asocia con 0.7% más uso de IA per cápita.¹² No hay evidencia de convergencia global: los países con bajo uso no están alcanzando a los de alto uso.¹²

La brecha de género

A nivel global, el 69.46% del talento en IA son hombres y menos de la mitad (el 30.54% ) son mujeres, una proporción que no ha cambiado significativamente desde 2016.¹³ Esto es tanto un problema de justicia, como técnico: si quienes diseñan los sistemas de IA no representan a la diversidad de la sociedad, los sesgos se reproducen.

En América Latina, la brecha es más grande:

• Solo el 28.2% de la fuerza laboral STEM/TIC son mujeres¹⁴
• México es el 4to país con menor participación económica femenina en la región¹⁵
• 51% de las madres en México han pausado sus carreras vs. 20% de los padres¹⁵
• 4.7% de empleos de mujeres están en máxima exposición a IA generativa vs. 2.4% de hombres⁵

La inclusión de mujeres y otras poblaciones subrepresentadas en el desarrollo de IA es una condición necesaria para que los sistemas funcionen mejor para todas las personas.

El trabajo que no ves: ghost workers

Si en el Módulo 3: Impactos ambientales vimos que el costo material de la IA se externaliza al medio ambiente, aquí vemos que el costo laboral se externaliza a los trabajadores más vulnerables. Detrás de cada modelo de IA hay miles de personas invisibles: etiquetadores de datos, moderadores de contenido, verificadores. Mary Gray y Siddharth Suri los llaman “trabajadores fantasma” (ghost workers).¹⁶

OpenAI vale $150 mil millones de dólares. Sus etiquetadores en Kenya ganan ~$2 la hora.¹⁷ Moderadores de contenido de Facebook en Kenya trabajan turnos de 9 horas revisando material explícito y ganan alrededor de $2.20 la hora tras un alza salarial en 2022 (antes de eso, $1.50 la hora).¹⁸ Las empresas tecnológicas subcontratan a través de terceros precisamente para evitar responsabilidad laboral directa. Y el fenómeno no es exclusivo de África: trabajadores colombianos sufren daño psicológico por moderación de contenido,¹⁹ y estudiantes venezolanos realizan anotación de imágenes médicas por menos de $2/hora.²⁰

Conoce más sobre Milagros Miceli

Milagros Miceli es socióloga e ingeniera en computación Argentina. Investiga la producción de datos de entrenamiento para machine learning, con foco en las condiciones laborales y las dinámicas de poder del trabajo con datos. Desde 2018 colabora con comunidades de trabajadores de datos a nivel global. Actualmente lidera investigación en el DAIR Institute (fundado por Timnit Gebru), dirige el grupo de investigación Data, Algorithmic Systems, and Ethics en el Weizenbaum-Institut y enseña en TU Berlin.

En 2024 lanzó la Data Workers' Inquiry, una iniciativa donde los propios trabajadores de datos (de Kenya, Venezuela, Siria, Líbano, Brasil y Alemania) documentan malas practicas salariales, discriminación de pago y represalias laborales que afectan en particular a migrantes, refugiados y minorías de género.

¿Qué hacer con todo esto?

El panorama puede parecer desalentador. Pero hay una lectura distinta de los mismos datos: la IA no puede hacer lo que las personas con experiencia de dominio saben hacer. No entiende el contexto institucional de un país, no sabe navegar la realidad de una disciplina, no tiene el juicio que se construye con años de práctica. Lo que sí puede hacer es acelerar las tareas mecánicas, y eso libera tiempo para lo que importa. La pregunta no es “¿la IA puede hacer mi trabajo?” sino “¿qué puedo hacer yo con el tiempo que la IA me libera?”

Lo que la IA no puede hacer

Alguien tiene que detectar cuando un modelo de IA discrimina en un proceso de selección. Alguien tiene que verificar que un diagnóstico automatizado no tiene sesgo racial. Alguien tiene que decidir cuándo no usar IA. Ese “alguien” necesita entender cómo funciona la tecnología y el contexto social donde se aplica.

Esta supervisión humana (oversight) es una de las habilidades más importantes y menos automatizables. Como vimos en el Módulo 2: Sesgos algorítmicos, los modelos heredan y amplifican los sesgos de sus datos de entrenamiento. Si solo personas de un perfil demográfico supervisan estos sistemas, los sesgos pasan desapercibidos.

El verdadero diferenciador es el juicio: pensar críticamente sobre lo que produce la IA, reconocer limitaciones, saber cuándo la respuesta está mal.⁹ La experiencia de dominio (entender las instituciones, el contexto político, la realidad local de tu campo) combinada con otras habilidades humanas, como el pensamiento crítico y analítico, liderar equipos, la comunicación, la solución de problemas y la alfabetización en IA son igual o más valiosas que habilidades técnicas puras. Incluso, la comunicación fue la habilidad más demandada a nivel global en 2024:³ no porque los modelos de lenguaje no puedan producir texto de buena calidad, sino porque alguien tiene que decidir qué vale la pena decir, cómo decirlo y a quién dirigirlo.

Lo que el mercado está pidiendo

Las habilidades de mayor crecimiento (WEF, 2025):⁹

1. IA y big data
2. Redes y ciberseguridad
3. Alfabetización tecnológica
4. Pensamiento creativo
5. Resiliencia, flexibilidad y agilidad

Las habilidades técnicas más demandadas (Stanford HAI, 2025):¹³

Habilidad	Crecimiento en demanda
Python	+527%
Análisis de datos	+208%
Ciencias de la computación	+131%

El pensamiento analítico sigue siendo la habilidad más buscada, con 7 de cada 10 empresas considerándola esencial.⁹ La importancia de las habilidades humanas (comunicación, liderazgo, trabajo en equipo) creció un 10% desde 2018, y un 20% en ocupaciones que históricamente no las valoraban.³

La alfabetización en IA se está volviendo transversal. En el ranking Skills on the Rise 2025 de LinkedIn, AI literacy aparece en el top 5 de habilidades de mayor crecimiento en la mayoría de las economías analizadas, desde Estados Unidos y Australia hasta Brasil, la única economía latinoamericana en la lista.²¹ Ya no es una habilidad de nicho para ingenieros; es transversal, como lo fue el inglés o Excel en décadas anteriores.

Y si vemos más allá de las habilidades puramente tecnológicas, la mitigación del cambio climático es la tercera tendencia más transformadora según el WEF, con el 47% de los empleadores esperando que transforme su negocio en los próximos cinco años.⁹ Roles en energías renovables, ingeniería ambiental y vehículos eléctricos están entre los 15 empleos de más rápido crecimiento a nivel global, y por primera vez, gestión ambiental entró al top 10 de habilidades de mayor crecimiento.⁹ Los sectores donde se necesitan personas que entiendan tanto la herramienta como el dominio son precisamente donde la IA no puede operar sola.

El futuro no está decidido

El futuro del trabajo con IA no es un destino inevitable, es el resultado de decisiones humanas: de política pública, de organización colectiva, de educación, y de las decisiones individuales de adaptación.

Pero hay un factor que distingue a esta transición tecnológica de las anteriores: la velocidad. Las revoluciones industriales previas dieron décadas para que la fuerza laboral se adaptara. La IA generativa se está difundiendo más rápido que cualquier tecnología anterior, y los cambios en el mercado laboral ya están ocurriendo.¹⁰ Empresas y gobiernos necesitan invertir en capacitación y reconversión de habilidades ahora, no después de que los efectos sean irreversibles. Solo la mitad de las empresas planean capacitar a sus empleados en IA, y el 58% de líderes empresariales dice que no tiene tiempo ni recursos para hacerlo.¹⁰

El futuro se construye

La IA es una herramienta poderosa, pero las decisiones sobre cómo se implementa son humanas, y pueden ser diferentes. Con políticas, educación y organización colectiva, el impacto de la IA en el trabajo puede distribuirse de forma más equitativa. No se trata de adaptarse pasivamente a lo que viene, sino de participar en definir las reglas.

Tres anclas para navegar el cambio

1. Aprender a aprender. El 70% de las habilidades habrá cambiado para 2030.³ El 91% de profesionales de aprendizaje y desarrollo coincide: el aprendizaje continuo es más importante que nunca.²¹ La ventaja no está en dominar una herramienta específica, sino en la capacidad de adaptarse a las que vengan.

2. Cultivar lo que la IA no puede hacer. La empatía, el juicio ético y el liderazgo no se automatizan. Estas habilidades son tu ancla en un mundo cada vez más tecnológico.

3. Usar la IA para algo más grande que tu carrera. Estas herramientas pueden aplicarse a los desafíos más urgentes: cambio climático, salud pública, desigualdad. La pregunta no es solo “¿cómo uso la IA para avanzar profesionalmente?” sino “¿cómo la uso para generar un impacto positivo?”

Checklist de comprensión

Antes de pasar al siguiente módulo, verifica que puedes:

Distinguir entre “exposición” y “reemplazo” cuando se habla de IA y empleo Identificar al menos un grupo demográfico con mayor exposición a la IA (jóvenes de 22 a 25 años, mujeres, personas con licenciatura) y explicar por qué Reconocer el rol de los ghost workers en la cadena de valor de la IA y dar un ejemplo concreto Nombrar al menos dos habilidades que la IA no automatiza y que son centrales para el futuro del trabajo

Progreso: 0/4

Glosario de conceptos

Concepto	Definición breve
Exposición a la IA	Grado en que las tareas de un empleo pueden ser realizadas o asistidas por IA. No es sinónimo de reemplazo: un empleo puede estar altamente expuesto y aun así requerir supervisión humana
Automatización	La IA reemplaza una tarea humana por completo. Ejemplo: un chatbot que sustituye a un operador de servicio al cliente
Aumentación	La IA complementa al humano, ayudándole a hacer su trabajo más rápido o mejor, sin eliminarlo. Ejemplo: herramientas de análisis de datos que asisten a un analista
Exposición observada vs. teórica	La diferencia entre lo que la IA podría automatizar en teoría y lo que realmente se está usando en la práctica. La brecha suele ser enorme
Trabajadores fantasma (ghost workers)	Personas invisibles que realizan el trabajo humano detrás de los sistemas de IA: etiquetadores de datos, moderadores de contenido, verificadores. Término acuñado por Mary Gray y Siddharth Suri
Supervisión humana (oversight)	La capacidad de monitorear, evaluar y corregir los resultados de sistemas de IA. Una de las habilidades más importantes y menos automatizables
Experiencia de dominio	Conocimiento profundo de un campo específico (derecho, salud, economía, educación) que permite contextualizar y evaluar lo que la IA produce
Alfabetización en IA (AI literacy)	Competencia transversal que incluye entender cómo funciona la IA, evaluar críticamente sus resultados y usarla de forma ética. No es lo mismo que saber programar
Reconversión de habilidades (reskilling)	Proceso de aprender nuevas habilidades para adaptarse a cambios en el mercado laboral, especialmente los causados por la automatización
Brecha digital	Desigualdad en el acceso a tecnología, internet y competencias digitales entre países, regiones, géneros y grupos socioeconómicos
Pensamiento analítico	Capacidad de descomponer problemas complejos, evaluar evidencia y llegar a conclusiones fundamentadas. La habilidad más demandada globalmente según el WEF
Perfil T-shaped	Profesional con conocimiento amplio y horizontal (fluidez en IA, datos, comunicación) combinado con expertise vertical y profundo en un dominio específico
Economía de plataformas (gig economy)	Modelo laboral basado en trabajos temporales, por proyecto o por tarea, frecuentemente mediados por plataformas digitales como Uber, Rappi o Amazon Mechanical Turk
Extractivismo digital	Patrón donde el valor generado por datos y trabajo humano en el Sur Global es capturado por empresas del Norte Global, replicando dinámicas coloniales

Recursos para seguir aprendiendo

• Anthropic Economic Index — Dashboard interactivo con datos empíricos sobre uso de IA en el trabajo
• WEF Future of Jobs Report 2025 — Proyecciones globales de empleo
• UNESCO AI Competency Framework — Marco de competencias para estudiantes
• Mary Gray & Siddharth Suri, Ghost Work (2019) — El trabajo invisible detrás de la IA
• Stanford HAI AI Index 2025 — Reporte anual con datos globales sobre adopción, talento, inversión y regulación de IA
• Data Workers' Inquiry — Iniciativa liderada por Milagros Miceli donde trabajadores de datos investigan sus propias condiciones laborales

¿Prefieres formato podcast? En este episodio de Hijas de Internet de la serie “Descifrando la IA” conversamos con Nancy Salazar sobre cómo la IA está transformando el mercado laboral, qué empleos están en mayor riesgo y qué habilidades son la ancla en la transición.

---

Referencias

---

1. FMI (2024). "AI Will Transform the Global Economy. Let's Make Sure It Benefits Humanity." Blog/análisis. https://www.imf.org/en/blogs/articles/2024/01/14/ai-will-transform-the-global-economy-lets-make-sure-it-benefits-humanity ↩

2. Schwab, K. (2016). "The Fourth Industrial Revolution." World Economic Forum. https://www.weforum.org/focus/fourth-industrial-revolution / LinkedIn Economic Graph / Access Partnership (2025). "AI and the Global Economy." https://economicgraph.linkedin.com/content/dam/me/economicgraph/en-us/PDF/ai-and-the-global-economy.pdf ↩

3. LinkedIn Economic Graph (2025). "Work Change Report." Reporte. https://economicgraph.linkedin.com/work-change-report ↩↩↩↩↩

4. OCDE (2023). "AI and Work." Portal/análisis. https://www.oecd.org/en/topics/sub-issues/ai-and-work.html ↩

5. OIT (2025). "Generative AI and Jobs: A 2025 Update." Reporte. https://www.ilo.org/publications/generative-ai-and-jobs-2025-update ↩↩

6. Banco Mundial/OIT (2024). "Buffer or Bottleneck: Employment Exposure to Generative AI and the Digital Divide." Estudio. https://www.ilo.org/publications/buffer-or-bottleneck-employment-exposure-generative-ai-and-digital-divide ↩

7. Massenkoff, M. y McCrory, P. (2026). "Labor market impacts of AI: A new measure and early evidence." Anthropic Research. https://www.anthropic.com/research/labor-market-impacts ↩↩

8. Alam, A. (2026). "Reshaping Work: Navigating the AI-Driven Labour Market." UNICEF Innocenti, Prospects for Children in 2026. https://www.unicef.org/innocenti/stories/2026-global-outlook-reshaping-work-ai-driven-labour-market ↩↩↩

9. WEF (2025). "The Future of Jobs Report 2025." Reporte. https://www.weforum.org/publications/the-future-of-jobs-report-2025/ ↩↩↩↩↩↩

10. LinkedIn Economic Graph / Access Partnership (2025). "AI and the Global Economy: Unlocking Growth and Reshaping Work." Reporte. https://economicgraph.linkedin.com/content/dam/me/economicgraph/en-us/PDF/ai-and-the-global-economy.pdf ↩↩↩↩↩↩

11. Microsoft / LinkedIn (2025). "2025 Work Trend Index Annual Report: The Year the Frontier Firm Is Born." Reporte. https://www.microsoft.com/en-us/worklab/work-trend-index/2025-the-year-the-frontier-firm-is-born ↩

12. Anthropic (2025). "Anthropic Economic Index — September 2025 Report." Reporte. https://www.anthropic.com/research/anthropic-economic-index-september-2025-report ↩↩↩

13. Stanford HAI (2025). "AI Index Report 2025." Reporte. https://hai.stanford.edu/ai-index/2025-ai-index-report ↩↩

14. Harvard ReVista (2025). "AI, Gender and Power: Rewriting Latin America's Digital Future." Artículo. https://revista.drclas.harvard.edu/ai-gender-and-power-rewriting-latin-americas-digital-future/ ↩

15. IMCO (2024). "Data and Proposals for Equality." Reporte. https://imco.org.mx/en/data-and-proposals-for-equality-2024/ ↩↩

16. Gray, M. y Suri, S. (2019). "Ghost Work: How to Stop Silicon Valley from Building a New Global Underclass." Libro. https://ghostwork.info/ ↩

17. Brookings (2025). "Reimagining the Future of Data and AI Labor in the Global South." Análisis. https://www.brookings.edu/articles/reimagining-the-future-of-data-and-ai-labor-in-the-global-south/ ↩

18. Perrigo, B. (2022). "Facebook Content Moderators in Kenya Are Receiving a Pay Rise Following TIME Investigation." TIME. https://time.com/6153778/facebook-moderators-kenya-sama/ ↩

19. Equidem (2024). "Scroll. Click. Suffer: The Hidden Human Cost of Content Moderation and Data Labelling." Reporte (entrevistas con 113 trabajadores en Colombia, Ghana, Kenya y Filipinas). https://equidem.org/reports/scroll-click-suffer-the-hidden-human-cost-of-content-moderation-and-data-labelling/ ↩

20. Global Voices (2024). "Latin America: Uncovering the Hidden Human Workforce Behind AI." Artículo. https://globalvoices.org/2024/10/05/latin-america-uncovering-the-hidden-human-workforce-behind-ai/ ↩

21. LinkedIn Talent Blog (2025). "Skills on the Rise 2025." Blog. https://www.linkedin.com/business/talent/blog/learning-and-development/skills-on-the-rise ↩↩