El 30 de abril de 2026 Funcas publicó un documento de trabajo firmado por el Catedrático Francisco Rodríguez-Fernández (UGR / Funcas) que estima la destrucción de hasta 2,3 millones de empleos por IA en España en los próximos diez años. Esta página explica cómo se relaciona ese trabajo con el dataset «IA y Empleo en España» (502 ocupaciones, 22,73 millones de trabajadores), depositado en Zenodo en marzo de 2026.
El estudio Funcas adapta el índice AI Occupational Exposure de Felten et al. (2023) a la Clasificación Nacional de Ocupaciones española mediante una doble correspondencia SOC→ISCO→CNO, y aplica un modelo paramétrico de destrucción y complementariedad calibrado sobre Eloundou (2024), Acemoglu (2024) y la encuesta INE-ETICCE 1T2025. El output son cifras absolutas de destrucción esperada en un horizonte de diez años, agregadas a los 9 grandes grupos CNO-11.
El dataset «IA y Empleo en España» (v15) puntúa 502 ocupaciones a 4 dígitos con un valor de vulnerabilidad teórica entre 0 y 10, validado adversarialmente entre siete modelos de IA generativa, y reasigna empleo y salario al cuarto dígito mediante una cascada EPA-Censo-SEPE-EES. El output es una capa ocupacional con masa salarial vulnerable, sin asunción de horizonte temporal ni velocidad de adopción.
Las dos preguntas son legítimas, las dos respuestas son útiles, y combinadas ofrecen una imagen más completa que cualquiera por separado. Esta página documenta dónde convergen, dónde se complementan y cómo leerlas juntas.
«Dado que la desagregación a un nivel inferior al de los nueve grandes grupos de la CNO-11 no está disponible con suficiente precisión en las publicaciones de prensa del INE, las cifras de ocupados por grupo se han obtenido de la publicación trimestral de la propia encuesta». Rodríguez-Fernández, Funcas DT-2026/04, §3.1
La comparación opera al nivel de los 9 grandes grupos CNO-11 (1 dígito), donde ambas metodologías producen valores directamente comparables. Las diferencias en granularidad, marco temporal y output son intencionales: cada modelo responde a una pregunta distinta.
Cuando se agrega el dataset v15 al primer dígito de la CNO-11 y se compara con los valores AIOE-CNO publicados por Funcas, las dos metodologías ordenan los grandes grupos de forma esencialmente equivalente.
La convergencia es informativa precisamente porque las dos rutas de cálculo no comparten dependencias: el AIOE se construye sobre la matriz O*NET y el índice AAAI; v15 se construye mediante puntuación per-ocupación con validación adversarial multi-modelo, sin referencia al AIOE. Que dos modelos independientes converjan al nivel macro es una forma débil pero real de validación mutua.
0,936Coeficiente de Pearson · Spearman ρ = 0,830
Cada punto representa uno de los grandes grupos CNO-11. Etiquetas: 0 Fuerzas Armadas · 1 Directores · 2 Téc. científicos · 3 Téc. apoyo · 4 Empl. administrativos · 5 Servicios · 6 Agricultura · 7 Manufactura · 8 Operadores · 9 Elementales. La recta es una regresión lineal por mínimos cuadrados. Datos brutos disponibles en formato CSV.
Funcas asigna destrucción esperada a los grupos 1, 2, 3 y 4. La descomposición a 4 dígitos del dataset v15 muestra cómo se distribuye la vulnerabilidad ≥7 dentro de cada uno de esos grupos. Los hallazgos más relevantes para la conversación pública son los siguientes.
El grupo 4 produce el resultado más informativo de la descomposición. Sobre 2.132.500 trabajadores en el dataset v15, 1.039.883 personas — el 48,8% del grupo — puntúan vulnerabilidad ≥7, repartidos en sólo 9 ocupaciones específicas. La concentración no es uniforme: una sola ocupación absorbe casi la mitad de toda la masa vulnerable del grupo.
Aquí los dos modelos divergen, y la divergencia es la lectura interesante. Funcas asigna destrucción al grupo aplicando un AIOE plano de 0,52 sobre los 870.000 ocupados. El dataset v15 cubre 33 ocupaciones directivas a 4 dígitos, y ninguna alcanza el umbral de vulnerabilidad ≥7. Las ocupaciones directivas con score más alto (Directores comerciales, financieros, de RRHH, de I+D) puntúan entre 5,5 y 6,5.
La interpretación coherente: el AIOE de Felten captura exposición de tareas a las capacidades de la IA generativa, y las tareas de un director —análisis estratégico, redacción de informes, comunicación ejecutiva— son altamente automatizables. El modelo de v15 distingue entre exposición técnica de tareas y vulnerabilidad ocupacional neta, que incluye tareas de juicio, responsabilidad legal-corporativa e interacción interpersonal no delegables. La IA actuará en este grupo como aumentación, no como sustitución. Esa interpretación es consistente con ambos modelos cuando se leen juntos.
La cifra de 2,3 millones de empleos destruidos en diez años que titula la cobertura del estudio Funcas y la cifra de 2,75 millones de trabajadores con vulnerabilidad ≥7 que arroja el dataset v15 son métricas distintas que conviven en niveles de magnitud comparables. La primera es destrucción esperada bajo escenarios temporales explícitos; la segunda es techo teórico de exposición sin asunción de velocidad de adopción.
La lectura más útil del debate público es probablemente la conjunción de ambas: a corto plazo, atender al ritmo de adopción que materializa las estimaciones de Funcas; a medio plazo, atender a la composición ocupacional específica de la masa vulnerable que el dataset v15 documenta a 4 dígitos. Una métrica responde al «cuánto» en un horizonte concreto; la otra responde al «dónde» con la granularidad de una decisión de política pública o de un programa de reskilling.
La nota metodológica completa con los datos brutos de la validación cruzada, el script reproducible y los apéndices técnicos se deposita en Zenodo bajo la misma serie del dataset original. Cualquier investigador, periodista o institución puede recomputar los resultados desde el JSON de v15 con una sola ejecución.