El mapa reúne unos 15 millones de interacciones desidentificadas con herramientas de Google y suma un estudio sobre científicos. Su escala permite detectar patrones, pero no medir productividad ni probar que la IA causó los cambios observados.

Qué lanzó Google

Google presentó el 15 de septiembre de 2026 una experiencia interactiva y de acceso abierto de AI & Economy ATLAS, un proyecto para explorar cómo las personas usan inteligencia artificial en tareas laborales y cotidianas. La primera versión se apoya en aproximadamente 15 millones de interacciones desidentificadas de Gemini App, AI Mode de Google Search y Gemini API, tomadas a comienzos de abril de 2026.

El conjunto abarca más de 150 países, 140 idiomas, 800 ocupaciones y 4.000 tareas. Eso ofrece una vista inusualmente amplia sobre usos reales dentro del ecosistema de Google: desde programación y análisis hasta actividades administrativas, creativas o educativas. La presentación de ATLAS permite recorrer ocupaciones, actividades domésticas y diferencias entre países mediante gráficos.

El mismo anuncio incorporó un estudio sobre el uso de IA en ciencia, elaborado por investigadores de Google y Google DeepMind en colaboración con MIT FutureTech. Ese trabajo combina unas 360.000 interacciones clasificadas como científicas, un inventario analítico de 2.690 modelos especializados y una encuesta a 637 científicos activos de Estados Unidos y Reino Unido.

Los resultados aportan pistas valiosas, pero hay que leerlos como una fotografía inicial. ATLAS no es un censo de toda la IA ni un experimento capaz de demostrar efectos causales sobre empleos, descubrimientos o productividad.

Qué patrones aparecen en el mapa laboral

El artículo técnico de ATLAS v1.0 describe un uso laboral extendido, pero todavía poco profundo y principalmente colaborativo. En otras palabras, la IA aparece en muchas ocupaciones, aunque la automatización completa de tareas sigue limitada dentro de esta muestra.

También se observan diferencias por tipo de economía. Según Google, en países de la OCDE destacan las ocupaciones informáticas, matemáticas, empresariales y financieras. Fuera de la OCDE aparecen con mayor peso el apoyo administrativo, las artes y medios, y la enseñanza. Estas proporciones describen qué clases de interacciones llegaron a las superficies estudiadas; no equivalen a porcentajes de trabajadores que usan IA.

La adopción nacional se relaciona con el ingreso, pero no de manera perfecta. Google señala a Brasil como uno de los países donde el uso observado supera lo que predeciría su PIB por habitante. En Brasil y Alemania, además, el 7% del uso laboral identificado se orientó a tareas manuales como diagnóstico y resolución de problemas con equipos, frente a un promedio global menor dentro de ATLAS.

Ese dato resulta relevante para América Latina porque muestra que la difusión regional no tiene por qué seguir exactamente la riqueza de cada país. Sin embargo, no autoriza a extrapolar el patrón brasileño a Paraguay. ATLAS no publica en este lanzamiento una estimación paraguaya que permita afirmar una tasa, ocupación dominante o ventaja local comparable.

Lo que declaran los científicos

La parte científica separa tres fuentes que conviene no mezclar. Primero, los investigadores clasificaron cerca de 360.000 interacciones de Gemini como vinculadas con trabajo científico. Segundo, construyeron un inventario de 2.690 modelos especializados publicados desde 2012, asociados con artículos y repositorios oficiales. Tercero, encargaron una encuesta en línea a 637 científicos activos entre el 27 de julio y el 11 de agosto de 2026.

En esa encuesta, el 47% declaró usar alguna forma de IA a diario y otro 31% semanalmente. La definición era amplia: incluía modelos de lenguaje, herramientas integradas en documentos, agentes de programación y sistemas especializados. Los modelos generalistas se distribuían entre muchas disciplinas y tareas, mientras que los especializados aparecían con más peso en salud y ciencias de la vida, predicción, generación de datos y simulación.

Los participantes que usan IA declaran un ahorro medio neto de 6,9 horas por semana. Cerca de tres cuartas partes reportaron ganar tiempo, mientras que 6% dijo perderlo. Pero ese número proviene de respuestas de los propios científicos: no es tiempo observado por investigadores, ni productividad medida experimentalmente, ni prueba de que la IA sea la causa del ahorro.

La verificación consume parte importante de ese supuesto beneficio. Entre quienes declararon ahorrar tiempo, 46% dijo dedicar más de una cuarta parte de ese ahorro a auditar, depurar o comprobar resultados de IA. El estudio también informa que 41% percibió un aumento en su acumulación de hipótesis todavía no probadas. Una explicación posible es que generar análisis o ideas se volvió más rápido que ejecutar experimentos físicos o validaciones clínicas, pero el diseño observacional no permite confirmarla como causa.

Qué puede probar ATLAS y qué no

La fortaleza principal es la escala. Quince millones de interacciones permiten detectar combinaciones de tareas, idiomas y ocupaciones difíciles de observar mediante encuestas pequeñas. La desidentificación y los métodos de clasificación hacen posible estudiar patrones agregados sin publicar conversaciones individuales.

Pero la cobertura está delimitada por los productos de Google incluidos. El corpus no representa usos en herramientas de otros proveedores, sistemas locales u otras plataformas. El estudio científico aclara que no incluye el uso pagado de Gemini API bajo contratos empresariales de Google Cloud, y ciertos flujos empresariales o agénticos quedan fuera. Sectores con datos sensibles pueden estar especialmente subrepresentados.

Las ocupaciones y tareas tampoco fueron declaradas siempre por el usuario: el equipo las infirió mediante clasificadores que procesan contenido y contexto. Aunque el trabajo incluye validaciones, una clasificación probabilística puede equivocarse o asignar una interacción ambigua a una sola categoría. Por eso, “uso científico” o “uso laboral” son construcciones metodológicas, no etiquetas verificadas para cada persona.

La encuesta tiene otras restricciones. Los 637 participantes proceden solo de Estados Unidos y Reino Unido, fueron reclutados mediante paneles especializados y forman una muestra no probabilística. Los resultados se presentan sin ponderación y sin margen de error porque no existe un marco poblacional fiable para todos los científicos. No representan automáticamente a la comunidad científica mundial ni a investigadores paraguayos.

Finalmente, una asociación no demuestra causalidad. Que un mayor uso de IA coincida con más hipótesis pendientes, cambios en cuellos de botella o tiempo declarado como ahorrado no prueba que la herramienta haya provocado esos resultados. También pueden influir disciplina, experiencia, acceso a infraestructura, tipo de institución y disposición previa a adoptar tecnología.

Qué significa para organizaciones de Paraguay

ATLAS puede servir como herramienta para formular preguntas, no como pronóstico local. Si dirigís una empresa, universidad o equipo público, podés usar sus categorías para revisar dónde ya aparece IA: búsqueda de información, redacción, análisis, código, atención, diagnóstico o tareas administrativas. Después necesitás medir tu propio proceso con datos locales.

Una evaluación útil debería registrar tiempo total, calidad, retrabajo, errores y esfuerzo de verificación antes y después de introducir una herramienta. También conviene separar asistencia parcial de automatización completa. El hallazgo científico sobre la “tasa de verificación” recuerda que producir más borradores o hipótesis no equivale a terminar mejor el trabajo.

Brasil aporta una referencia regional interesante, pero no reemplaza investigación paraguaya. Diferencias en conectividad, idiomas, estructura productiva, formación y acceso a planes empresariales pueden cambiar el patrón. El próximo paso para instituciones locales sería construir muestras transparentes y comparables, sin presentar los datos de un país vecino como evidencia propia.

Qué conviene observar ahora

Google define ATLAS como un programa de largo plazo. Será importante ver si futuras ediciones mantienen la misma metodología, amplían la cobertura de plataformas y empresas, publican series temporales y detallan mejor países con menor volumen. Sin consistencia entre versiones, una aparente variación podría deberse al muestreo o al clasificador y no a un cambio real de adopción.

También habrá que observar estudios independientes que contrasten los resultados con otras plataformas y con mediciones experimentales de desempeño. Por ahora, ATLAS ayuda a ubicar dónde se concentra el uso de Gemini y qué declaran científicos sobre sus flujos de trabajo. No demuestra cuánto produce la IA, cuántos empleos transforma ni qué ocurre específicamente en Paraguay.

Fuentes