Implicaciones por actor y recomendaciones
Qué significa todo esto para cada quien, y qué se puede hacer en tres horizontes. Las recomendaciones se deducen de la evidencia del informe; donde son estructurales y no empíricas, se dice.
Ingenieros e ingenieras empleados
El riesgo inmediato no es el despido, es la obsolescencia de la parte del trabajo que da acceso a la profesión. Las tareas que la IA ya ejecuta razonablemente bien —borradores, extracción de datos, resúmenes normativos, primeras versiones de esquemas— son las que formaban el criterio de un junior.
La protección documentada es la responsabilidad legal: el argumento que cierra el debate en las comunidades profesionales es que la IA no puede firmar ni asumir un fallo. Pero esa protección es institucional, no técnica: depende del marco de responsabilidad, no de la capacidad del modelo.
El segundo hecho relevante es de distribución: solo el 10 % de los ingenieros eléctricos trabaja en generación, transporte y distribución eléctrica, que es el segmento que se declara menos expuesto y más orientado a aumentar capacidades. El 22 % en servicios de ingeniería es el segmento con más presión de horas facturables; el de electrónica es el que declara la estrategia más automatizadora.
| Horizonte | Acción |
|---|---|
| 0-12 meses | Documentar por escrito qué tareas propias ha automatizado ya la herramienta que usa, y en qué porcentaje. Es la única medición que un individuo puede producir y la que ningún actor del mercado publica. |
| 0-12 meses | Aprender a verificar salidas de IA en el dominio propio (cálculo, normativa, unifilar) con un criterio explícito de rechazo. El valor documentado del profesional es la revisión, no la generación. |
| 1-3 años | Construir competencia en las brechas que el propio sector declara: analítica de datos, modelado predictivo y aplicaciones de LLM con criterio de validación. |
| 3-5 años | Posicionarse en el segmento menos expuesto y más demandado: generación, transporte y distribución eléctrica, el 10 % de la ocupación, que se declara el menos expuesto y es donde la transición energética crea empleo. |
Ingenieros e ingenieras autónomos
Dos efectos opuestos, ambos documentados de forma indirecta. A favor: las herramientas que antes requerían un departamento están al alcance de una persona, lo que reduce la ventaja de escala de las grandes firmas. En contra: si el precio de mercado del entregable baja, el margen del autónomo desaparece antes que el de la firma, porque la firma puede capturarlo como margen y el autónomo compite por precio.
No hay en el corpus ningún dato sobre autónomos: esta sección es inferencia estructural, no evidencia.
| Horizonte | Acción |
|---|---|
| 0-12 meses | Adoptar las herramientas de power systems con agentes antes de que sean estándar, y facturar por entregable (no por hora) en la medida de lo posible: es la única forma de capturar la ganancia de productividad en lugar de cederla. |
| 1-3 años | Especializarse en lo que el agente no puede firmar ni certificar: puesta en servicio, peritaje, validación de diseños de terceros, interlocución regulatoria. |
| 3-5 años | Evaluar alianzas o integración: si el precio del entregable estandarizado cae, la escala se vuelve condición de supervivencia. Recomendación estructural, no empírica. |
Empresas de ingeniería y consultoría
Es el actor mejor documentado y el que tiene la decisión más clara que tomar. La evidencia primaria deja tres hechos:
- La tesis del desacoplamiento no está demostrada en la única empresa que la sostiene. AECOM: plantilla +4,0 % en FY2023, plana en FY2024 y FY2025; ingresos +0,2 % en el año de la frase. Y su perímetro va a cambiar con la salida de gestión de construcción, lo que puede fabricar la profecía.
- La antítesis tampoco está demostrada como efecto de la IA. Jacobs bajó plantilla un 28 % por una escisión, no por IA. WSP creció, pero sobre todo por adquisiciones: su plantilla orgánica se redujo ≈1.100 personas entre 2024 y 2025.
- Ninguna de las tres publica la variable que resolvería el debate.
La implicación práctica: el riesgo competitivo no es «quedarse sin trabajo» sino quedarse sin margen o quedarse sin cantera. Lo primero depende de si el mercado traslada la productividad al precio; lo segundo es una decisión interna de cómo se forma el criterio profesional cuando las tareas formativas se automatizan.
| Horizonte | Acción |
|---|---|
| 0-12 meses | Publicar internamente las dos series que faltan: horas de ingeniería por entregable y plantilla por cohorte de antigüedad. Sin ellas, la dirección no puede saber si su estrategia de IA está sustituyendo capacidad o aumentándola. |
| 0-12 meses | Verificar la propia tesis con perímetro constante. Si se escinde o vende un negocio, declarar el efecto sobre plantilla e ingresos por separado: de lo contrario, la serie se vuelve ininterpretable. El caso Jacobs es la advertencia. |
| 1-3 años | Reconstruir la cantera si la automatización elimina las tareas formativas. Es la advertencia de McKinsey y la única forma de no quedarse sin relevo sénior. |
| 1-3 años | Decidir explícitamente la política de precios. Capturar el margen (AECOM) y trasladar el ahorro llevan a resultados opuestos sobre el empleo propio. La decisión no se puede posponer: la toma el competidor. |
| 3-5 años | Medir contratos por resultado, no por horas, para que la productividad no se traduzca automáticamente en menos ingresos. |
Fabricantes de equipos y utilities
Aquí la evidencia es más tranquilizadora, con la cautela de que la convergencia es de etiquetas, no de mediciones. El sector energético aparece como el menos expuesto (72 % frente a 86 % de media), el de menor cambio de competencias (3,6 frente a 5,5 en tecnología, medios y telecomunicaciones), el de menor productividad (16 % frente a 42 %) y el último de ocho en exposición sectorial. Su uso principal de IA es seguridad TIC, no diseño.
Dos matices impiden leer esto como inmunidad. El rezago no es protección, es posición de partida: el despliegue relevante —agentes dentro del software de power systems— es de 2026, posterior a la ventana medida. Y el cuello de botella declarado es de competencias, no de cabezas: CIGRE documenta brechas críticas en analítica de datos, modelado predictivo con IA y ciberseguridad, y observa que los sénior tienen dificultades para seguir el ritmo de digitalización mientras los jóvenes necesitan más base operativa y regulatoria. Su conclusión operativa no es reducir plantilla: es upskilling modular y asistentes de IA para tutorización.
Para los fabricantes de electrónica, el diagnóstico es el opuesto: 95 % de exposición esperada y 87 % de estrategia automatizadora. Es el segmento donde la sustitución tiene más probabilidad declarada.
| Horizonte | Acción |
|---|---|
| 0-12 meses | Invertir en las brechas de competencias que el propio sector declara —analítica, modelado predictivo, ciberseguridad, aplicaciones de LLM— mediante upskilling modular y tutorización asistida. |
| 1-3 años | Tratar el rezago actual como posición de partida, no como protección. El despliegue de agentes en herramientas de power systems es de 2026: la ventana de adopción lenta se está cerrando. |
| 3-5 años | Planificar la sustitución demográfica con datos propios: desde 2027 se jubilan más del doble de electroingenieros de los que egresan. La restricción de oferta es más vinculante que la tecnológica. |
Universidades y colegios profesionales
La evidencia apunta a una tensión no resuelta. El acreditador estadounidense ABET declara que las tecnologías de IA «deben apoyar y mejorar el juicio y la interacción humanos, no reemplazarlos», y que no sustituirán el juicio humano en ningún aspecto del proceso de acreditación. Es una postura explícitamente aumentativa, y en el documento no hay criterios nuevos sobre competencias de IA en el currículo.
En paralelo, la demanda declarada del sector es de competencias que el currículo tradicional no cubre: CIGRE identifica brechas en analítica de big data, modelado predictivo y aplicaciones de LLM; el IEEE registra que las competencias más buscadas para roles de IA en 2026 son prácticas éticas de IA (44 %), análisis de datos (38 %) y machine learning (34 %), con desarrollo de software cayendo 8 puntos. Y el dato de oferta más duro es alemán: alrededor del 60 % de abandono en el grado de electrotecnia y, desde 2027, más del doble de jubilaciones que de egresados.
La implicación es doble y no obvia: el problema cuantitativo es de egresados, no de tecnología; el problema cualitativo es que las tareas con las que se construye el criterio profesional están siendo automatizadas, y ningún marco de acreditación del corpus aborda ese punto.
| Horizonte | Acción |
|---|---|
| 0-12 meses | Incorporar la verificación de salidas de IA como competencia evaluable en asignaturas de cálculo y normativa. Es la habilidad que el mercado ya exige y que ningún marco de acreditación del corpus recoge. |
| 1-3 años | Abordar el problema cuantitativo antes que el cualitativo: el abandono en el grado de electrotecnia ronda el 60 %. La IA no es la causa del déficit de egresados. |
| 1-3 años | Publicar el dato que falta en España. El Observatorio de la Ingeniería ya lanzó la encuesta de 2026 sobre impacto de la IA: hacer públicos sus resultados convertiría a España en el único país del corpus con medición específica. |
| 3-5 años | Rediseñar la formación práctica sabiendo que las tareas formativas tradicionales se automatizan. Ningún actor del corpus ha resuelto esto todavía. |
Administraciones públicas
Tres decisiones documentadas en el corpus y una advertencia.
- La estadística no permite responder a la pregunta política. No existe serie de puestos de ingeniería eléctrica eliminados por IA en ninguna de las jurisdicciones cubiertas. Antes de legislar sobre el fenómeno, haría falta medirlo.
- Los datos de recortes existen pero no sirven para esto. Challenger registra causas declaradas por empresas, sin desagregación ocupacional; su tabla por sector son totales sin filtrar por causa.
- El indicador de exposición no es un indicador de riesgo social. La OIT lo formula con claridad: como la mayoría de ocupaciones tienen tareas que requieren aportación humana, la transformación del empleo es el impacto más probable. El 3,3 % en el gradiente máximo de exposición no es un pronóstico de paro.
La advertencia: aplicar políticas de reconversión basadas en índices de exposición produciría errores de asignación, porque los índices se contradicen entre métodos y no tienen dimensión temporal.
| Horizonte | Acción |
|---|---|
| 0-12 meses | Medir antes de legislar. Crear o encargar una serie de empleo por ocupación con adopción de IA observada (no declarada). Hoy no existe en ninguna jurisdicción del corpus. |
| 0-12 meses | No usar índices de exposición como indicador de riesgo social: no tienen eje temporal y se contradicen entre métodos. |
| 1-3 años | Exigir desagregación ocupacional en los registros de despidos y en las encuestas de adopción. En la UE, publicar el dato de la división D (electricidad, gas, vapor) de Eurostat, hoy no disponible. |
| 3-5 años | Vincular la política de formación a la restricción demográfica —jubilaciones por encima de egresados desde 2027 en Alemania— y no solo a la tecnología. |
Clientes: propietarios de infraestructura y contratantes
El cliente es quien decide, sin saberlo, el efecto sobre el empleo. La lógica es esta: si la IA reduce horas por entregable y el precio se mantiene, el margen va a la firma —AECOM declara que no bajará el precio de mercado—; si el precio baja, el cliente captura el ahorro y la presión sobre horas se acelera. No hay en el corpus ninguna evidencia de que el precio esté bajando.
El segundo elemento es de calidad y responsabilidad: el estándar operativo documentado es 80-90 % de precisión con revisión humana, y la fiabilidad base de un modelo sin datos propios es del 60-70 %. Un cliente que exija agentes sin supervisión está comprando un riesgo que el proveedor no asume.
| Horizonte | Acción |
|---|---|
| 0-12 meses | Exigir en los pliegos la trazabilidad de las salidas generadas por IA: qué se generó, quién lo verificó, con qué criterio. Sin revisión, el riesgo se traslada al cliente. |
| 1-3 años | Preguntar explícitamente por la política de precios ante la reducción de horas. Si la productividad no se traslada, el cliente está pagando lo mismo por menos horas: es una decisión de negociación, no un hecho técnico. |
| 3-5 años | Contratar por resultado y no por horas si se quiere capturar la ganancia de productividad. Es la única palanca del lado de la demanda. |
Una recomendación transversal para quien investigue después
Cerrar cuatro vacíos concretos, por orden de valor:
- El 10-K de AECOM de FY2026, cuya presentación se espera en noviembre de 2026. Si la plantilla baja de 51.000 con ingresos del negocio continuado al alza, la tesis gana; si no, queda como relato. Debe hacerse con perímetro constante.
- La tabla completa de Eurostat sobre uso de IA: el porcentaje de empresas de la división D (electricidad) que usan IA, hoy dato no disponible.
- El material suplementario de Eloundou et al. y los anexos del documento de la OIT: la exposición específica de la ocupación, hoy no verificada.
- Las dos series que nadie publica: horas de ingeniería por entregable y plantilla por cohorte de antigüedad. Requiere entrevistas o datos internos; es la única evidencia que resolvería la contradicción entre AECOM, Jacobs y WSP.
Lo esencial en tres líneas
- Para una persona, la acción con más retorno es medir y documentar sus propias tareas automatizadas: es el dato que ningún actor del mercado publica.
- Para una empresa, la decisión que no se puede posponer es la política de precios; para el cliente, la palanca es contratar por resultado y exigir trazabilidad.
- Para las administraciones, el orden correcto es medir antes de legislar, y no usar índices de exposición como indicador de riesgo social.