Evaluación Del Impacto de La Inteligencia Artificial Generativa en El Trabajo

Evaluación del impacto de la
inteligencia artificial generativa en el trabajo
IAGen
IAGen
Con el apoyo de:

Corvalán, Juan G.
Evaluación del impacto de la inteligencia artificial generativa en el trabajo / Juan G. Corvalán. -
1a ed - Ciudad Autónoma de Buenos Aires : La Ley, 2024.
Libro digital, PDF
Archivo Digital: descarga y online

ISBN 978-987-03-4741-5
1. Derecho. I. Título.
CDD 344.0101
Investigación
Evaluación del impacto

de la inteligencia artificial generativa
(IAGen) en el trabajo
Abril 2024
Equipo de trabajo
Dirección
Juan Gustavo Corvalán

Doctor en Ciencias Jurídicas. Master en Inteligencia Artificial. Director del Laboratorio de Innovación
e Inteligencia Artificial de la Facultad de Derecho de la Universidad de Buenos Aires (UBA IALAB).
Enzo Le Fevre
Doctor en Políticas Públicas. Master en Inteligencia Artificial para los servicios públicos. Jefe de
sector de la Comisión Europea.
Las opiniones expresadas por el autor son estrictamente personales y no reflejan necesariamente las de la Comisión
Europea.
Soledad Guilera
Magister en Estudios Internacionales. Profesora en la Universidad de California en Berkeley (EEUU)
y en la Universidad Torcuato Di Tella (Argentina). Team Leader del AI Policy Clinic del Center for
Artificial Intelligence and Digital Policy (EEUU).
Laura Díaz Dávila

Magister en Estudios Internacionales. Profesora en la Universidad de California en Berkeley (EEUU)
y en la Universidad Torcuato Di Tella (Argentina). Team Leader del AI Policy Clinic del Center for
Artificial Intelligence and Digital Policy (EEUU).
Líderes de Investigación
Mariana Sanchez Caparros
Giselle Heleg
Melisa Raban
Lautaro Vasser
Consultores Especialistas
Belen Carreira
Milagros Etcheberry Le Fort
Pamela Tolosa
Equipo de Investigación
Carina Mariel Papini
Florencia Croci
Margarita Gonzalez
Sol Roschkavan
Diseño
Paula C. Petroni
Victoria Mafud
Agradecimientos
Este trabajo es el resultado de la colaboración de equipos de pruebas, que participaron activamente
en la documentación de los casos de usos que forman parte de este documento, por ello
agradecemos especialmente:
Juan Alonso, Silvina Ailén Arias, María Emilia Arieau, Belén Arrua, Ana M. Basualdo, Daniel Horacio
Bravo, Santiago Botero Ceballos, Enrique Carrara, Sofía Carrión Luna, Daniela Cevallos, Alejandro
Corello, Florencia Marina Davesa, Georgina De Loredo Borras, Javier Echazu, Rocío Gallardo, Gabriel
Gamarra, Lucas Yamil Julio, Aylen Katopodis, Lucas Monia, Matias Moyano, Georgina Natta, Giannina
Nediani, Franco Orellana, Marcela Blanca Peltier, Camila Pentecoste, Alejandro Pietragalla, Laura
Poletti, María Victoria Quiñones, Marisa Repetto, Yeison Jairo Rincón Rendón, Darío Robaina, Marco
Rossi, María Candela Ruano, Marisa Salinas, Silvina Serra Ottonello, Valeria Stoffel, Jorge Eduardo
Tolava, Andrea Tovar, Natalia Varela, Laura Viñas y Adolfo Iriarte Yanicelli.
Índice
Resumen ejecutivo................................................................................ 8
Eficiencia según el nivel de complejidad
Eficiencia según el nivel de juicio humano requerido
Eficiencia según el grado de repetitividad
Eficiencia según la posibilidad de automatización
Eficiencia según el nivel de incidencia de la IAGen
1. Contexto, oportunidad y justificación............................................. 11
a. Tendencias y panorama en el mundo del trabajo
b. La Cuarta Revolución Industrial y el auge de sistemas
inteligentes de procesamiento de lenguaje natural
c. ChatGPT y las claves de su éxito
2. Propósitos y problemas de investigación ..................................... 19
3. Marco de referencia conceptual y metodología............................ 22
a. Conceptos relacionados con la inteligencia artificial
b. Metodología y objetivos
a) Eficiencia
b) Grado de automatización de la tarea
c) Eficacia: incidencia de la IAGen en la ejecución de la tarea
4. Resultados de la investigación. Análisis de los datos obtenidos..37

a. Principales hallazgos
Nivel de repetitividad y eficiencia de la IAGen
Complejidad de las tareas y aplicación de la IAGen
Juicio humano y rol de la IAGen
Implicancias para el desarrollo de habilidades
b. Optimización de tiempos
c. Complejidad
d. Grado de automatización
d. Repetitividad de las tareas
f. Juicio humano requerido
g. Incidencia de la IAGen en la tarea
h. Eficiencia
Eficiencia según el nivel de complejidad de la tarea
Eficiencia según el nivel de juicio humano requerido
Eficiencia según el grado de repetitividad de la tarea
Eficiencia según el grado de automatización de las tareas
Eficiencia según el nivel de incidencia de la IAGen en la tarea
i. Ejemplos de eficiencia de IAGen en tareas específicas

1. Tareas de complejidad media y repetitividad alta
con alto rendimiento en términos de eficiencia
2. Tareas de complejidad alta y repetitividad media

3. Tareas de complejidad baja y repetitividad alta

4. Equilibrio entre la repetitividad, complejidad y juicio humano
j. Habilidades
k. Lecciones aprendidas
5. Próximos pasos. Presentación de prompts como templates. 59

Hallazgos y lecciones aprendidas
ANEXO I. Resultados.......................................................................... 68
a. Sector y áreas comprendidos en la investigación
1. Administración Pública
2. Justicia
3. Estudios jurídicos / áreas legales de empresas
4. Traducción
5. Educación
c. Nivel de complejidad de las tareas
1. Tareas de complejidad alta
2. Tareas de complejidad media
3. Tareas de complejidad baja
d. Nivel de juicio humano requerido

1. Juicio humano alto
2. Juicio humano medio
3. Juicio humano bajo
e. Nivel de repetitividad de la tarea

1. Repetitividad alta
2. Repetitividad media
3. Repetitividad baja
ANEXO II. .......................................................................................... 101

a. Administración Pública
b. Justicia
INVESTIGACIÓN: IA GENERATIVA EN EL TRABAJO
Resumen ejecutivo
E l presente documento proporciona un análisis detallado de la implementación de

herramientas de Inteligencia Artificial Generativa (IAGen) en un amplio espectro de tareas,
con el objetivo de evaluar su impacto en sectores clave como la justicia, la administración
pública, estudios jurídicos, departamentos legales de empresas, la traducción, la educación
y la investigación1. Este estudio adquiere una especial importancia, ya que proporciona
información valiosa sobre cómo la IAGen puede transformar y mejorar diversos ámbitos
fundamentales para el desarrollo y bienestar de la sociedad actual.
La investigación fue llevada adelante entre agosto y diciembre de 2023, y se centró en

analizar la ejecución de un conjunto de tareas específicas en dos instancias diferenciadas.
Primero, se realizó la tarea sin utilizar IAGen y luego se ejecutó nuevamente la tarea utilizando
IAGen. En ambos casos se midieron los tiempos necesarios para su realización. Para todas
las tareas, se realizó una categorización respecto de su eficiencia en relación al nivel de
complejidad, grado de automatización, nivel de repetitividad, juicio humano requerido e
incidencia de la IAGen. Los resultados de la investigación surgen del análisis de los tiempos
requeridos para ejecutar las tareas con y sin la ayuda de IAGen, y el grado de eficiencia
alcanzado respecto de las dimensiones señaladas.
A través del estudio de 83 tareas, se observa una mejora significativa en los tiempos
requeridos para su realización, con una reducción promedio del 77% en el tiempo necesario
para completarlas, gracias a la utilización de herramientas de IAGen. Además, se identifica
un nivel de eficiencia máximo del 99% para la elaboración de un borrador de traducción de
15.000 palabras.
La alta eficiencia (81%) de la IAGen en tareas que requieren un alto nivel de juicio humano
demuestra su potencial para asistir o complementar el trabajo humano en tareas complejas.
Esto es un claro indicio acerca de cómo la IAGen ha avanzado para abordar tareas más
sofisticadas que requieren un grado significativo de discernimiento o decisión. Por otra parte,
la incorporación de IAGen como apoyo para la realización de una tarea puede dar lugar a
subtareas que antes no existían pero que son necesarias para lograr una real optimización
de la tarea elegida.
Además, el análisis destaca que las herramientas de IAGen presentan un alto potencial para
la automatización de tareas rutinarias, bien definidas, estructuradas o de complejidad media
y alta, mientras que su beneficio es menor en tareas más simples. Esto puede obedecer a
1 A fin de analizar el impacto se realizaron pruebas en siete poderes judiciales de Argentina, en dos áreas de la Administración Pública y en cinco
estudios jurídicos y áreas legales de empresas.
8
que no todas las tareas resultan igualmente adecuadas para la automatización con IAGen.
Ello varía de una institución a otra, y requiere de un análisis específico de cada uno de los
procesos para determinar cómo y cuándo implementar herramientas de IAGen.
Cuando se trabaja en casos de uso dentro de una organización, las mejoras pueden
presentarse tanto en términos cuantitativos como en términos cualitativos. Las mejoras
cuantitativas son las que describimos, en esencia y principalmente, en el presente informe
y que se reflejan en disminuciones del tiempo necesario para la realización de la tarea. Las
mejoras cualitativas son aquellas que implican una mejora en la calidad del resultado que
se espera de una determinada tarea. Estas últimas, pueden o no significar un ahorro de
tiempo en la realización de la tarea, pero suelen ser de gran utilidad a la hora de aumentar
la competitividad de la organización.
Los resultados obtenidos dan cuenta de la presencia de un nuevo paradigma sobre cómo
entender y aplicar IAGen en las tareas y trabajos.
9
Pruebas en
83 tareas
Optimización promedio Eficiencia máxima alcanzada

de tiempos con IAGen por la herramienta
En virtud de las pruebas realizadas, el promedio de la La eficiencia máxima alcanzada por la herramienta de
optimización de tiempos a partir de la realización de IAGen fue del 99.96% para la realización de un primer
las tareas con herramientas de IAGen es del 77% borrador de traducción de un texto de 15.000 palabras.
de las 83 tareas
Eficiencia según
Complejidad el nivel de complejidad
Alta 24 tareas Alta complejidad 73%

Media 45 tareas Media complejidad 81%
Baja 14 tareas Baja complejidad 52%
Eficiencia según Eficiencia

Grado de la posibilidad Nivel de según el grado
automatización de automatización repetitividad de repetitividad
Automatizable 21 tareas Automatizable 94% Alta 24 tareas Alto 86%

Semiautomatizables 32 tareas Semiautomatizables 40% Media 45 tareas Medio 88%
No automatizables 30 tareas No automatizables 69% Baja 14 tareas Bajo 43%
Eficiencia según Eficiencia según

Juicio humano el nivel de juicio Incidencia el nivel de incidencia
requerido humano requerido de la IAGen de la IAGen
Alta 42 tareas Alto 81% Asistente 49 tareas Asistente 94%
Media 22 tareas Medio 74% Complemento 16 tareas Complemento 68%
Baja 10 tareas Bajo 44% Sustitución 10 tareas Sustitución 45%

Desplazamiento 1 tarea Desplazamiento 27%
10
11
1 CONTEXTO,
OPORTUNIDAD
Y JUSTIFICACIÓN
Contexto, oportunidad
y justificación
E ste trabajo se concreta en un momento revolucionario para una industria tecnológica

que impacta en todos los ámbitos de nuestra sociedad, pero que a la vez es crítico en lo
que respecta a su influencia en el mercado laboral a nivel mundial.
Históricamente, han surgido preocupaciones, desafíos y oportunidades en torno a la

convergencia de estos dos dominios que han dado lugar a debates más o menos intensos.
Todos estos planteos, en la actualidad, se han vuelto a presentar con mayor fuerza e
intensidad debido a ciertas particularidades que caracterizan nuestro tiempo. A continuación,
comenzaremos por revisar estas condiciones.
a. Tendencias y panorama en el mundo del trabajo
Los mercados laborales enfrentan desafíos significativos. Con altas tasas de desempleo
y subempleo, muchas veces resulta difícil para las personas encontrar trabajo. También
tiene lugar un desajuste significativo de habilidades, donde hay una discrepancia entre las
habilidades de la fuerza laboral y las necesidades de los empleadores. Los desafíos de la
automatización y la digitalización transforman los empleos disponibles y requieren nuevas
habilidades; la creciente precariedad laboral, con un aumento de trabajos temporales o
contractuales que ofrecen menos seguridad y beneficios; las desigualdades de ingresos
pronunciadas entre diferentes sectores, regiones y grupos demográficos; las condiciones
laborales inseguras o explotadoras en ciertos sectores o regiones; los efectos de los
cambios demográficos, como el envejecimiento de la población, que impactan la oferta
y la demanda de trabajo; barreras a la movilidad laboral, son algunos de los desafíos que
enfrenta el mercado laboral actual.
Sumado a ello, la crisis del COVID-19 ha contribuido, por un lado, a acelerar ciertas
transformaciones que ya se evidenciaban, como la adopción a gran escala del teletrabajo
y la proliferación de plataformas digitales. Pero, simultáneamente, introdujeron nuevas
formas de control del desempeño y productividad de los trabajadores derivadas de las
innovaciones tecnológicas2.
2 Novick Marta, Andrade Eliana, Ballatore Ferretti Lucila, Estrella María Josefina, Malpede Agustín, Munilla Diana, Núñez Vanesa, Parrilla SantIAGeno,
Pieckeinstain Lucía, Pomar Tomás, “Tecnología y Digitalización: El desafío Sindical”, SinDigital, mayo 2022.
12
Por otro lado, la pandemia profundizó problemas estructurales existentes, como el

desempleo, la informalidad laboral y las brechas de género3. A partir del inicio del proceso
de recuperación en 2021, la Organización Internacional del Trabajo (OIT) observa que el
crecimiento del empleo fue sólido gracias a la reanudación de la actividad en sectores
clave de la economía, y que las condiciones del mercado de trabajo siguieron mejorando en
2022. Sin embargo, para 2023 ya se preveía una desaceleración de dicho crecimiento, y la
persistencia en todo el mundo de importantes déficits de trabajo decente que quebrantan
la justicia social4.
Las condiciones, la calidad de los empleos, y la infravaloración de los trabajadores

tampoco presentan un panorama favorable5. Asimismo, los factores económicos como
la desaceleración del crecimiento de la productividad y la escasez de suministros debido a
tensiones geopolíticas como el conflicto de Ucrania, que se ha prolongado en el tiempo, ha
provocado en todo el mundo una elevada y persistente incertidumbre que impacta en los
desafíos que enfrentan los mercados laborales6.
b. La Cuarta Revolución Industrial y el auge de sistemas

inteligentes de procesamiento de lenguaje natural
De acuerdo con Klaus Schwab -empresario y economista, presidente del Foro Económico
Mundial-, la humanidad ha atravesado y atraviesa en total cuatro revoluciones industriales7.
La primera, aconteció aproximadamente entre 1760 hasta 1840, y fue desencadenada por
la construcción del ferrocarril y la invención del motor de vapor, inaugurando los sistemas
de producción mecánica. La segunda, tuvo lugar entre finales del siglo XIX y principios del
XX, y se caracterizó por la producción en masa, gracias a la incorporación de la electricidad
y la cadena de montaje. La tercera revolución industrial comienza en 1960 con el desarrollo
de los semiconductores y la computación mediante servidores tipo mainframe8. Luego le
sigue la informática personal (décadas de 1970 y 1980) e internet (década de 1990). Se trata
de la revolución digital.
3 Ripani Laura, “Impacto del COVID-19 en el mercado laboral: ¿Qué ha pasado desde la crisis económica, y qué sigue?” BID, mayo 2022, disponible en:
https://blogs.iadb.org/trabajo/es/el-mercado-laboral-desde-el-covid-19/ (consultado el 4 de marzo de 2024).
4 “Perspectivas sociales y del empleo en el mundo. Tendencias 2023”, Organización Mundial del Trabajo, Informe de Referencia, Resumen Ejecutivo,
disponible en: https://www.ilo.org/wcmsp5/groups/public/---dgreports/---dcomm/---publ/documents/publication/wcms_865368.pdf (consultado el
4 de marzo de 2024).
5 “Perspectivas sociales y del empleo en el mundo. El valor del trabajo esencial”, Organización Mundial del Trabajo, Informe de Referencia, Resumen
Ejecutivo, disponible en: https://www.ilo.org/wcmsp5/groups/public/---dgreports/---dcomm/---publ/documents/publication/wcms_871018.pdf
(consultado el 4 de marzo de 2024).
7 https://hipermediaciones.com/2018/06/10/la-4o-revolucion-industrial/ (consultado el 4/03/2024)
8 “Los sistemas mainframe son computadoras de alto rendimiento con grandes cantidades de memoria y procesadores que procesan miles de
millones de cálculos y transacciones simples en tiempo real. El mainframe es fundamental para bases de datos comerciales, servidores de
transacciones y aplicaciones que requieren seguridad y agilidad. Ver IBM, “¿Qué es un mainframe, disponible en: https://www.ibm.com/mx-es/
topics/mainframe (consultado el 2/03/2024)
13
En la actualidad, atravesamos la Cuarta Revolución Industrial o Industria 4.09, centrada en

las posibilidades de la inteligencia artificial y las máquinas inteligentes. Pero no es sólo eso,
la sofisticación e integración de las redes y sistemas de computación, también constituyen
elementos claves para la transformación de la economía y la sociedad. En particular,
además de la IA, las siguientes tecnologías y desarrollos se consideran impulsores de esta
revolución: internet de las cosas -IoT-, robótica, drones, autos autónomos, impresión 3D,
computación en la nube, nanotecnología y blockchain.
Esta última revolución ha impactado en nuestra forma de vivir, de trabajar y hasta de

relacionarnos, instaurándose el principio de la instantaneidad y de la alta velocidad10. En
este nuevo modelo económico prima la eficiencia, es decir, lograr un objetivo o cumplir una
función utilizando la menor cantidad de recursos posibles, como el tiempo y/o materiales. Se
trata de un paradigma en constante expansión que al mismo tiempo penetra y se solidifica
en todos los ámbitos de nuestra vida.
En este marco, en los últimos años específicamente, fuimos testigos de un avance

exponencial de ciertos sistemas de inteligencia artificial, especialmente de aquellos
que surgieron en el campo del procesamiento del lenguaje natural, pero luego tomas y
aprovechados por aplicaciones en otras disciplinas y para otros propósitos. Veamos.
Hasta 2020, los agentes conversacionales existentes no podían evitar por más de un par
de líneas, arrojar incoherencias, reproducir sesgos discriminatorios y cambiar de tema
repentinamente para omitir la charla incómoda. Replika11, Kuki12 y Dynabench13 dejaron
mucho que desear cuando se trató de simular el entendimiento del lenguaje natural como lo
hace un ser humano14. Esto, si lograban no ser un completo desastre a diferencia de lo que
sucedió con otros intentos, como el chatbot Tay de Microsoft15 que debió ser desactivado a
horas de su lanzamiento por publicar consignas nazis, entre otras atrocidades.
A medida que las técnicas basadas en aprendizaje profundo -redes neuronales- se fueron
sofisticando y optimizando, provocaron un salto exponencial en el rendimiento de los
modelos de lenguaje, y posibilitaron que los sistemas de IA puedan resolver proezas cada
vez más sofisticadas.
9 https://www2.deloitte.com/content/dam/Deloitte/uy/Documents/human-capital/Revoluci%C3%B3n%204.0.pdf (consultado el 4/03/2024)

10 Borges Blázquez Raquel, “Inteligencia Artificial y Proceso Penal”, Thomson Reuters Aranzadi 2021, pp. 31.
11 https://replika.com/ (consultado el 4/03/2024)
12 https://www.kuki.ai/ (consultado el 4/03/2024)
13 https://dynabench.org/ (consultado el 4/03/2024)
14 Desde el IALAB realizamos pruebas a los agentes conversacionales Kuki, Dynabench y Replika evaluando aspectos como los sesgos
discriminatorios, su comprensión de las relaciones de causalidad, la coherencia de sus respuestas, entre otros. Las pruebas se encuentran
disponibles en: Corvalán Juan G., Carro María Victoria (colaboradora), “Los límites de la Inteligencia Artificial. Correlaciones, Causalidad, Shakira,
GPT-3 y Alicia en el país de las maravillas”, en Corvalán Juan G. “Tratado de Inteligencia Artificial y Derecho”, Thompson Reuters La Ley, Tomo I,
2021. Asimismo, ver “El sesgo en los agentes conversacionales. De nuevo sobre el prejuicio cifrado”, IALAB, disponible en: https://ialab.com.
ar/wp-content/uploads/2022/09/El-sesgo-de-los-Agentes-Conversacionales.pdf?utm_source=email_marketing&utm_admin=151772&utm_
medium=email&utm_campaign=Novedades_UBA_IALAB_septiembre.
14
Así fue como en junio de 2020, OpenAI presentó la primera versión de GPT-3, 100 veces más
grande que su versión anterior, GPT-2 (2019). De balbuceos supuestamente terapéuticos
y experimentos de etiquetado manual del discurso del odio16, los usuarios pasaron a
interactuar con un chatbot predictivo, en el que unas pocas líneas podrían desembocar
automáticamente en un artículo periodístico, una poesía, acordes de guitarra, códigos
informáticos y hasta un resumen de texto. Y aunque distaba mucho de ser perfecto, parecía
ser que la revolución del procesamiento del lenguaje natural había comenzado.
Si GPT-3 se nutrió con 410.000 millones de textos17, esta tendencia no ha ido más que en
ascenso durante el 2021, al punto de considerarlo como el año de los modelos de lenguaje
gigantes18. De este modo, mientras las hazañas de las Big Tech para entender el habla
humana se enfocaron en absorber cada vez más texto online, los problemas asociados a
su empleo, como la reproducción de sesgos injustos y la falta de comprensión del lenguaje
persistieron. Se replicó una y otra vez la misma metodología, pero con mayor escala y
alcance, lo cual resultó extremadamente costoso y complejo, y derivó en que su exclusivo
aprovechamiento y beneficio se concentre en manos de unas pocas empresas creadoras.
En 2022, las innovaciones se inclinaron hacia modelos que fueran capaces no sólo de
procesar texto, sino también imágenes. Los expertos se dieron cuenta de que, si lograban
que los sistemas pudieran “ver”, podrían enmendar ciertos problemas de sentido común
de las máquinas, para imitar un proceso de aprendizaje que guarde mayor similitud con el
de un cerebro humano. Así nacieron los modelos multimodales. Ejemplo de estos han sido
DALL-E 219 y CLIP20 de OpenAI o Stable Diffusion21 de Stability AI.
c. ChatGPT y las claves de su éxito

Pero cuando parecía que las novedades en materia de IA del 2022 habían llegado a su fin,
OpenAI anunció el lanzamiento de ChatGPT22, uno de los hitos tecnológicos más importantes
en el último tiempo. A dos meses de su puesta en funcionamiento, se había convertido en la
plataforma que más rápido había crecido en toda la historia de Internet alcanzando los 100
millones de usuarios en tan solo 2 meses, hasta que la última red social de Meta, Threads,
17 Heaven, Will Douglas, “OpenAI’s new language generator GPT-3 is shockingly good—and completely mindless”, MIT Technology Review, 20 de
julio de 2020, disponible en: https://www.technologyreview.com/2020/07/20/1005454/openai-machine-learning-language-generator-gpt-3-nlp/
(consultado el 4 de marzo de 2024)
18 Heaven Will Douglas “2021: El año de los modelos de inteligencia artificial gigantes” MIT Technology Review, 27 de diciembre de 2021, disponible en:
https://www.technologyreview.es/s/13901/2021-el-ano-de-los-modelos-de-inteligencia-artificial-gigantes (consultado el 4 de marzo de 2024)..
19 https://openai.com/dall-e-2 (consultado el 4 de marzo de 2024)
20 https://openai.com/research/clip (consultado el 4 de marzo de 2024)
21 https://stability.ai/ (consultado el 4 de marzo de 2024).
22 OpenAI anunció el lanzamiento de ChatGPT el 30 de noviembre de 2022. ChatGPT está construido sobre la base de GPT-3.5 de OpenAI y versiones
posteriores, y fue diseñado para proporcionar una experiencia de usuario más interactiva y conversacional.
15
obtuvo más de 100 millones de usuarios registrados en tan solo cinco días23. La llegada
de ChatGPT ha repercutido en todas las profesiones y ámbitos del conocimiento, como la
educación, la programación, el derecho, el arte y la política.
¿Por qué ChatGPT? Ni la propia OpenAI imaginó que su producto se iba a convertir en un
mega éxito viral24. Sin embargo, ahora que han pasado unos meses y podemos examinarlo
retrospectivamente, creemos que su adopción masiva puede explicarse a partir de varios
factores.
En primer lugar, el rendimiento. Hemos sintetizado unas líneas atrás como los modelos
de lenguaje se han sofisticado rápidamente en un par de años, imitando cada vez mejor
el lenguaje como si fuera generado por un humano. Si bien ChatGPT no es perfecto, ha
aumentado considerablemente la calidad de sus respuestas respecto de su predecesor
GPT-3, tal como lo hemos demostrado en una serie de experimentos que llevamos a cabo
desde UBA IALAB25.
Estas mejoras no solo se observan en términos de coherencia de las respuestas, sino

también en relación a ciertos estándares éticos que venían resultando problemáticos para
los modelos de lenguaje y que en la actualidad siguen siendo casi imposibles de resolver y
erradicar por completo. Se trata de la reproducción de sesgos injustos o discriminatorios o
la generación de discurso de odio26.
ChatGPT ha resultado atractivo para los usuarios en ese sentido porque cuando se intenta
de forma directa hacerlo incurrir en estos supuestos, es capaz de evadir la respuesta,
exigiendo mayores esfuerzos a quien se proponga burlar las reglas. Mientras que el
mencionado Tay en 2016, al cabo de unas horas se volvió fan de Hitler, ChatGPT pone la
creatividad a funcionar para quien quiera hacerlo arrojar respuestas de este estilo, y cuando
estas personas lo logran, los desarrolladores actualizan el modelo y corrigen el defecto.
Por otro lado, si ChatGPT se equivoca y el usuario se lo señala, este reconoce su error y
cambia la respuesta. Esto, independientemente de si la persona introdujo absurdidades
o no. En este sentido, el chatbot materializa el viejo eslogan atribuido a un comerciante
londinense a principios del siglo XX: “el cliente siempre tiene razón”. Es decir, el modelo es
superador en cuanto a su flexibilidad y capacidad de aprendizaje.
23 https://www.forbesargentina.com/innovacion/threads-ya-record-convierte-app-crecimiento-mas-rapido-historia-n36788#:~:text=en%20dos%20
meses.-,Al%20lograr%20el%20hito%20en%20menos%20de%20cinco%20d%C3%ADas%2C%20Threads,100%20millones%20en%20dos%20meses.
24 Heaven Will Douglas, “Esta conversación exclusiva con los creadores de ChatGPT evidencia la sorpresa de su éxito” MIT Technology Review, marzo
2023, disponible en: https://www.technologyreview.es/s/15168/esta-conversacion-exclusiva-con-los-creadores-de-chatgpt-evidencia-la-sorpresa-
de-su-exito (consultado el 4 de marzo de 2024).
25 “ChatGPT vs. GPT-4 ¿Imperfecto por diseño?” UBA IALAB, disponible en: https://ialab.com.ar/wp-content/uploads/2023/03/Libro-ChatGPT-vs-GPT-4.-
UBA-Thomson-Reuters-La-Ley.pdf (consultado el 4 de marzo de 2024).
26 En distintas investigaciones desarrolladas desde UBA IALAB, hemos destacado la necesidad de conocer y comprender las limitaciones intrínsecas
y externas de los grandes modelos de lenguajes como ChatGPT, que dan lugar a que los modelos alucinen; generen contenido dañino y/o brinden
respuestas sesgadas por reproducir o reflejar estereotipos de género, prejuicios, creencias o valores sociales negativos. Sobre el punto se sugiere
ampliar y ver algunos ejemplos en virtud de las pruebas realizadas para analizar la posibilidad de estos modelos de arrojar respuestas sesgadas,
incoherentes o fantaseadas: “ChatGPT vs. GPT-4: ¿imperfecto por diseño?”, UBA IALAB - Thomson Reuters La Ley, marzo de 2023, p.15-16,
disponible en: https://ialab.com.ar/wp-content/uploads/2023/03/Libro-ChatGPT-vs-GPT-4.-UBA-Thomson-Reuters-La-Ley.pdf (consultado el
5/03/2024)
16
Todos estos componentes en relación al contenido y calidad de las respuestas forman

parte de un enfoque holístico de IA centrada en el ser humano que OpenAI ha adoptado
para guiar ciertos aspectos de ChatGPT, el cual se evidencia también a partir de la técnica
de aprendizaje por refuerzo en base a la retroalimentación humana. Colocar al usuario en
el centro implica, entre otras cosas, prestar atención a su experiencia y satisfacción, lo que
necesariamente desemboca en productos más atractivos y cautivadores.
En segundo lugar, debe reconocerse que la plataforma es simple e intuitiva, incluso más fácil
de manejar que muchas de las redes sociales masivas que conocemos. Antes de ChatGPT,
los modelos de lenguaje como GPT-3 eran accesibles a través de una lista de espera que
gestionaba la empresa creadora, en la que los usuarios tenían que ingresar muchos datos
para ingresar. Además, una vez habilitados, la interfaz era un poco más compleja, con una
larga lista de tareas que uno podía seleccionar y con ciertas configuraciones que podían ser
ajustadas por aquellas personas con conocimiento técnico.
Ahora ChatGPT permite loguearse con tan solo un mail y una contraseña. Y para utilizarlo
basta con escribir un mensaje en una línea de chat, tal como se hace cuando habla con
sus amigos en WhatsApp, Telegram o WeChat, plataformas con las que ya todos estamos
familiarizados. A partir de ahí, puede pedirle todo tipo de proezas características del lenguaje
natural, como escribir una poesía, traducir un texto o contar una historia.
En base a estas facilidades, más en evidencia se ha puesto el contraste con otras empresas
competidoras acerca de su tendencia de mantener sus innovaciones en la materia lejos del
alcance del público. Existe consenso entre los expertos al afirmar que los últimos modelos
de OpenAI no son ni los primeros, ni los únicos en desarrollar tecnologías tan avanzadas.
No hay razones para pensar que Google o Meta están por debajo de ellos o incluso que no
los superan. La diferencia es que OpenAI viene siguiendo una política de apertura, lanzando
productos defectuosos para que la sociedad se vaya adaptando y colabore en corregir esos
defectos, en el caso de ChatGPT indicando, por ejemplo, qué opción de respuesta te ha
resultado más útil.
En tercer lugar, ChatGPT es extremadamente útil para los usuarios al realizar todo tipo de
tareas basadas en lenguaje natural. Puede contestar mails, organizar itinerarios de viajes,
asistir en la resolución de trabajos académicos y hasta corregir un código informático.
En este sentido, tiene el potencial de facilitar un porcentaje significativo de las tareas que
llevamos a cabo cotidianamente.
Pero la utilidad no solo es importante para el usuario medio, sino también para los
desarrolladores. Más bien nos referimos a la escalabilidad, cuando, al ser un modelo
pre-entrenado (como lo indican su siglas en inglés Generative, Pre-trained, Transformer),
permite tomarlo, calibrarlo o reutilizarlo para volverlo especialista en campos específicos
17
del conocimiento. A partir de la llegada de este modelo, han proliferado muchísimos

otros proyectos que lo tienen como base, explotando e incrementando al máximo sus
funcionalidades como Bing de Microsoft, Gemini de Google o LlaMa de Meta27.
Casi siete horas es el tiempo promedio diario que las personas del mundo pasan conectadas
a internet28. Este espacio virtual, en el que habitamos gran parte de nuestro día, está
gobernado por unos pocos gigantes tecnológicos que se han lanzado en una carrera por
quedarse con el mercado del software.
Microsoft ha adquirido los derechos para el uso de ChatGPT y el resto de las herramientas de
OpenAI convirtiéndose en su accionista mayoritario. De esta forma integró estos sistemas
de IA tan potentes a su motor de búsqueda Bing, como a todas las herramientas que
forman parte del paquete Office (Word, Excel y Power Point). A comienzos de 2024, Google
lanzó Gemini que busca ser el sucesor de PaLM, el modelo de lenguaje que actualmente
utiliza Bard. La idea es que poco a poco PaLM sea reemplazado por Gemini dentro de Bard.
Gemini se destaca por superar a todos sus rivales en los principales tests, adelantándose a
GPT-4 de OpenAI29.
Este caudal de innovación ha transformado y sigue transformando la forma en que las

empresas y los individuos realizan sus tareas y toman decisiones. La revolución tecnológica
en curso ha generado expectativas entusiastas pero también preocupaciones significativas.
Por un lado, se vislumbra un potencial sin precedentes para mejorar la eficiencia, la
productividad y la calidad de vida de las personas a través de la automatización de tareas
rutinarias y repetitivas. Por otro lado, surgen inquietudes sobre el impacto en el trabajo, la
desigualdad económica y las habilidades requeridas en el futuro, que esta investigación
pretende abordar.
27 Para conocer algunos ejemplos vea, Fernández Yúbal, “26 proyectos basados en ChatGPT: alternativas de Inteligencia Artificial para crear textos,
webs, partidas de rol y más”, Xataka, febrero 2023, disponible en: https://www.xataka.com/basics/26-proyectos-basados-chatgpt-alternativas-
inteligencia-artificial-para-crear-textos-webs-partidas-rol (consultado el 4 de marzo de 2024).
28 Pasquali Marina, “¿Cuántas horas al día pasamos conectados a internet?”, Statista, febrero 2023, disponible en: https://es.statista.com/
grafico/22701/tiempo-medio-de-uso-diario-de-internet/#:~:text=Seis%20horas%20y%2037%20minutos,Overview%20Report%22%20publicado%20
por%20DataReportal (consultado el 4 de marzo de 2024).
29 https://www.xataka.com/basics/google-gemini-que-como-funciona-diferencias-gpt-cuando-podras-usar-este-modelo-inteligencia-artificial
(consultado el 26/02/2024)
18
19
2 PROPÓSITOS
Y PROBLEMAS
DE INVESTIGACIÓN
Propósitos y problemas
de investigación
E n 2019, desde UBA IALAB impulsamos una investigación que se publicó bajo el título
“Inteligencia Artificial y Trabajo. Construyendo un nuevo paradigma de empleo”30, bajo la
autoría de Luis Cevasco, Juan Gustavo Corvalán y Enzo María Le Fevre Cervini, y prologado
por el Jefe del Departamento de Políticas Macroeconómicas de la OIT -Dr. Ekkerhard Ernst-.
Esa investigación tuvo como objetivo evaluar el impacto de la automatización en el trabajo,
y una de las principales estrategias utilizadas fue hacerlo en base al sistema inteligente
Prometea, impulsado por el mismo equipo, en la confección de opiniones legales en la
justicia.
A raíz de ello, y en virtud de los datos producidos por otras mediciones31, algunas de las
conclusiones más relevantes en ese entonces fueron las siguientes:
» La automatización no necesariamente tiende a reducir el trabajo, sino que en distintos

sectores o áreas concretas también puede incrementarlo.
» La IA avanzará sobre tareas mecánicas y rutinarias, y el personal será reasignado a
labores más creativas y productivas. Por ello, es clave alfabetizar y acompañar la tran-
sición para que los trabajadores puedan adquirir nuevas habilidades.
» Las oportunidades y beneficios de este nuevo paradigma deben ser aprovechados por
las economías de los países para volverse más competitivas.
Aunque sólo han pasado cinco años desde la publicación de ese libro, los cambios abruptos
que se han evidenciado desde ese entonces nos obligan a revisar y a poner a prueba
dichas conclusiones. Como hemos explicado al desarrollar el contexto, desde 2019 nuestra
sociedad ha atravesado y superado una pandemia de alcance mundial que implicó diversas
modificaciones en el mercado de trabajo. Por otro lado, a nivel tecnológico, el boom de
ChatGPT fue el punto de partida para la popularización de la IAGen que ahora se encuentra
al alcance de todos.
Cuando tomamos Prometea en el trabajo anterior, pudimos evaluar su impacto concreto

respecto del ámbito específico donde la habíamos implementado y para el cual había sido
diseñada. De este modo, resulta difícil hacer generalizaciones sobre la repercusión que un
30 El libro se encuentra disponible en: https://ialab.com.ar/wp-content/uploads/2023/03/ia_y_trabajo.pdf

31 Corvalán, Juan G. “Prometea. Inteligencia artificial para transformar organizaciones públicas”, Editorial Astrea, DPI e IMODEV, año 2019, disponible
en: https://ialab.com.ar/wp-content/uploads/2023/03/Libro-Prometea.pdf (consultado el 26/02/2024)
20
determinado sistema inteligente diseñado a medida para un entorno, puede tener en una
organización distinta. En contraste, la ventaja que presenta ChatGPT es que su adopción
masiva nos permite considerar sus consecuencias en el ámbito laboral de cualquier tarea
en cualquier organización, sea en el campo del derecho, como en otros campos tales como
la educación o la salud.
En conclusión, en línea con el propósito de revisar los trabajos y resultados anteriores

de UBA IALAB y en atención al contexto desarrollado, los dos principales interrogantes a
despejar por este trabajo son: ¿Cuál es el impacto de ChatGPT y otros modelos similares
de inteligencia artificial generativa del lenguaje en el ámbito laboral? Y más, puntualmente,
¿qué nivel de incidencia tiene la IAGen en las tareas y subtareas realizadas por las personas
dentro de los procesos de trabajo?
De ambos, se desprenden los siguientes problemas de investigación:
» Primero. ChatGPT y los modelos de IAGen ¿tienden a reducir el tiempo necesario

para realizar ciertas tareas o actividades?
» Segundo. ChatGPT y los modelos de IAGen, ¿conducen a la reconfiguración de
ciertas tareas en los distintos trabajos?
» Tercero. ChatGPT y los modelos de IAGen, ¿exigen a los trabajadores el desarro-
llo de nuevas habilidades? En caso de que la respuesta sea afirmativa, ¿Cuáles
son estas nuevas habilidades y cuáles son y serán las más valoradas?
21
22
3
METODOLOGÍA
Metodología de investigación
Sectores comprendidos en la investigación
Selección de: Tareas, subtareas y microtareas a analizar
Conformación de cada una de ellas
Indicadores para analizar el impacto
con IAGen
Tiempo para la realización de la
Cuantitativos tarea, subtarea y microtarea
sin IAGen
Esto incluye:
• Tiempo para la confección y
adaptación del prompt
• Tiempo de control humano ex post
• Nivel de repetitividad de la tarea:
Alta // Media // Baja
Cualitativos
• Complejidad de la tarea: • Nivel de incidencia de la IAGen en las

Alta // Media // Baja tareas, subtareas y microtareas:
Asistencia
• Grado de automatización de la tarea: Complemento
Automatizable Sustitución
Semiautomatizable Desplazamiento
No automatizable
• Habilidades requeridas
• Juicio humano requerido para
su realización: Alto // Medio // Bajo • Grado de familiaridad con la herramienta
de IAGen
23
Marco de referencia
conceptual y metodología
S erán conceptos claves para el presente trabajo aquellos relacionados con la inteligencia
artificial que han surgido, se han popularizado y difundido durante el último periodo de
crecimiento y sofisticación acelerada de los modelos de procesamiento de lenguaje natural
que hemos desarrollado en el marco contextual. Asimismo, otros conceptos relevantes
serán aquellos que nos permitan clasificar y categorizar tareas laborales para aplicar la
metodología de investigación y obtener conclusiones acerca del impacto de ChatGPT y la
IAGen en estas.
a. Conceptos relacionados con la inteligencia artificial

Inteligencia Artificial. Un sistema de IA es un sistema basado en una máquina que, para
objetivos explícitos o implícitos, infiere, a partir de la entrada que recibe, cómo generar
resultados como predicciones, contenido, recomendaciones o decisiones que pueden
influir en entornos físicos o virtuales. Los diferentes sistemas de IA varían en sus niveles de
autonomía y adaptabilidad después del despliegue32.
Inteligencia Artificial Generativa (IAGen). Se trata de un subcampo de la IA que se utiliza

para crear contenido nuevo y original, o para modificar o mejorar el contenido existente,
como texto, imágenes, música y vídeos. La IAGen se basa en el aprendizaje automático
para identificar patrones en los datos y luego utiliza esos patrones para generar nuevo
contenido33.
Los modelos de aprendizaje profundo en los que se basa la IAGen, pueden tomar datos sin
procesar y aprender a generar resultados estadísticamente probables cuando se le soliciten.
Codifican una representación simplificada de sus datos de capacitación o entrenamiento
y los extraen para generar resultado similar, pero no idéntico, a los datos originales34. En
esencia, la IAGen puede crear nuevos datos, a diferencia de la IA tradicional que trata de
etiquetar o categorizar datos35.
32 OECD, “Explanatory memorandum on the updated OECD definition of an AI system”, 5 de marzo de 2024, disponible en: https://www.google.com/
url?q=https://www.oecd-ilibrary.org/science-and-technology/explanatory-memorandum-on-the-updated-oecd-definition-of-an-ai-system_623da898-
en&sa=D&source=docs&ust=1714003814501233&usg=AOvVaw3zE93o-goYZNdrmyBjmoOO (consultado el 5/03/2024)
33 OECD Artificial Intelligence Papers, Initial Policy Considerations for Generative Artificial Intelligence, septiembre de 2023, disponible en: https://
www.oecd-ilibrary.org/deliver/fae2d1e6-en.pdf?itemId=/content/paper/fae2d1e6-en&mimeType=pdf (consultado el 28/02/2024)
34 Ver más en ¿Qué es la inteligencia artificial (IA)?, IBM, disponible en: ¿Qué es la Inteligencia Artificial (IA)? | IBM (consultado el 28/02/2024).
Ver también Greg Pavlik, ¿Qué es la IA Generativa? ¿Cómo funciona?, Oracle, 15 de septiembre de 2023, disponible en: ¿Qué es la inteligencia
artificial generativa? | Oracle Argentina (consultado el 28/02/2024).
35 Ver más en Elena Astorga, La inteligencia artificial generativa va a cambiar lo que significa ser humano, MIT Technology Review, 9 de agosto de
2023, disponible en: "La inteligencia artificial generativa va a cambiar lo que significa ser humano" | MIT Technology Review en español (consultado
24
Impacto36. “...implica cambios en la vida de las personas. Esto podría incluir cambios en
el conocimiento, la habilidad, el comportamiento, la salud o las condiciones de vida de
niños, adultos, familias o comunidades. Dichos cambios son efectos positivos o negativos
a largo plazo en grupos de población identificables producidos por una intervención de
desarrollo, directa o indirectamente, intencionada o no intencionada. Estos efectos pueden
ser económicos, socioculturales, institucionales, ambientales, tecnológicos o de otro tipo”37.
Prompt. Un prompt es una instrucción, pregunta o un texto que se utiliza para interactuar
con sistemas de inteligencia artificial. Podríamos decir que es como un comando a través
del cual un usuario le solicita al sistema que realice una tarea concreta38.
Grandes Modelos de Lenguaje. Los LLM -Large Lenguaje Models por sus siglas en inglés-
o modelos lingüísticos de gran tamaño, son sistemas de inteligencia artificial basados en
la técnica de redes neuronales que son entrenados con enormes cantidades de texto39. De
este modo, se vuelven capaces de procesar y generar lenguaje como si fueran personas
humanas. Se utilizan en diversas aplicaciones, incluidos chatbots, asistentes virtuales,
traducción de idiomas, creación de contenido e investigación científica. Como ejemplos,
podemos mencionar GPT-3, GLaM, Jurassic-1, Switch-Transformer y Gopher40.
Foundation Models. Los modelos de base o modelos de fundación son aquellos modelos
entrenados en datos amplios que se pueden adaptar a una amplia gama de tareas
posteriores41.
b. Metodología y objetivos
La aplicación de la IAGen introduce un nuevo paradigma en la comprensión y utilización de
IA en una amplia variedad de tareas y trabajos. Las pruebas realizadas en 83 tareas revelan
que los grandes modelos de lenguaje abren un universo de nuevas posibilidades para mejorar
la integración, la colaboración, la automatización y la accesibilidad en el ámbito laboral. Esta
innovación permite una sinergia y una cooperación sin precedentes. La automatización
adquiere una nueva dimensión con herramientas de IAGen capaces de realizar tareas con
el 28/02/2024)
36 A los fines de la presente investigación se tomó como referencia la definición que aporta el Grupo de las Naciones Unidas para el Desarrollo
Sostenible, que entiende que el impacto.
37 “Results Based Management”, United NationsDevelopment Group, octubre de 2011, p.7, disponible en: https://unsdg.un.org/sites/default/files/
UNDG-RBM-Handbook-2012.pdf (consultado el 04/03/2024)
38 https://www.xataka.com/basics/que-prompt-que-importantes-para-usar-inteligencia-artificial
39 Lancaster Anthony, “Beyond Chatbots: The Rise Of Large Language Models”, Forbes, marzo 2023, disponible en: https://www.forbes.com/sites/
forbestechcouncil/2023/03/20/beyond-chatbots-the-rise-of-large-language-models/?sh=4c9f9a2e2319 (consultado el 4 de marzo de 2024).
40 Heaven Will Douglas, “2021: el año de los modelos de inteligencia artificial gigantes”, MIT Technology Review, diciembre 2021, disponible en: https://
www.google.com/url?q=https://www.technologyreview.es//s/13901/2021-el-ano-de-los-modelos-de-inteligencia-artificial-gigantes&sa=D&source=
docs&ust=1714003865127686&usg=AOvVaw2hDbPUOffy9BhZY-nAUawh (consultado el 4 de marzo de 2024).
41 Rishi Bommasani, Percy Liang, “Reflections on Foundation Models”, Stanford University, Human-Centered Artificial Intelligence, octubre 2021,
disponible en: https://hai.stanford.edu/news/reflections-foundation-models Consultado el 4 de marzo de 2024).
25
un gran nivel de autonomía, asistiendo o complementando a los trabajadores humanos en

su realización. Asimismo, la accesibilidad y escalabilidad experimentan un notable impulso,
ya que la democratización de la IAGen abre posibilidades para que un espectro más amplio
de personas y organizaciones aprovechen sus capacidades avanzadas. Este progreso no
solo mejora los procesos existentes, sino que también posibilita la creación de nuevas
tareas, trabajos y modelos de negocio, redefiniendo el futuro del trabajo y la interacción
entre humanos y máquinas.
El equipo de investigación –de acuerdo a los parámetros que se explican a continuación–,

seleccionó los siguientes sectores estratégicos para medir el impacto de la IAGen en sus
procesos internos: i) Justicia; ii) Administración Pública; iii) Áreas de legales o estudios
jurídicos; iv) Traducción; v) Educación; y, vi) Investigación.
La selección de los sectores se efectuó teniendo en consideración el conocimiento

especializado y la amplia experiencia de UBA IALAB en los ámbitos de la justicia,
administración pública, educación e investigación. Específicamente, se puso especial
foco en analizar qué sucedía en este sector de la traducción, en virtud de un estudio de
agosto de 2023, realizado por OpenAI, OpenResearch y la Universidad de Pensilvania42, que
consideraba que la traducción y la interpretación se encontraban entre los trabajos con
mayores probabilidades de verse afectados por la exposición a los grandes modelos de
lenguaje43.
42 Eloundou, Tyna - Manning, Sam - Mishkin, Sam - Rock, Daniel, “GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large
Language Models”,disponible en: https://arxiv.org/pdf/2303.10130.pdf (consultado el 7/03/2024)
43 En una segunda etapa, IALAB convocará referentes de otros vectores como la salud, recursos humanos y finanzas, a fin de comprender el impacto
en otros sectores.
26
Tal como lo prevé la metodología que sienta las bases de esta investigación44, se conformaron
equipos de prueba. Estos equipos tuvieron a su cargo la selección de los procesos y análisis
de tareas y subtareas que los componen, y aplicaron dicha metodología para documentar el
paso a paso de las mediciones obtenidas.
Puntualmente el objetivo de la investigación consistió en recolectar datos para analizar el

efecto que tiene la inteligencia artificial generativa -IAGen- en los trabajos que se desarrollan
en distintas organizaciones. Específicamente, en la ejecución de tareas concretas propias
del sector.
Esto involucró analizar:

1) Los resultados inmediatos y obvios que provoca la IAGen en dichas tareas, lo que llama-
mos “impactos directos”;
2) Los efectos secundarios y las influencias sutiles que podrían surgir, los “aspectos
indirectos”;
3) Los cambios que se buscan conscientemente, así como aquellos que pueden ocurrir de
manera no planificada -intencionados o no-.
De esta manera, la evaluación se enfoca en obtener una comprensión completa y holística

del impacto de la IAGen en todas estas dimensiones, para tomar decisiones informadas y
efectivas sobre cómo abordarlo.
Para analizar cómo impacta la IAGen en los trabajos es necesario identificar:
a. Qué sectores e industrias quedarán comprendidos en la investigación;

b. Qué tareas, subtareas y microtareas de esos sectores e industrias se analizarán;
c. Cómo se conforma cada una de ellas.
Asimismo, para evaluar el impacto que la IAGen tiene en los sectores comprendidos en esta
investigación, se utilizaron indicadores:
i. Cuantitativos. En concreto: tiempo para la realización de la tarea, subtarea y microtarea;

tiempo para la construcción de los prompts; tiempo para la supervisión humana del
resultado provisto por parte de la IAGen.
ii. Cualitativos. Puntualmente: grado de automatización de la tarea; complejidad de la tarea;
prompt utilizado y consideraciones para su construcción; nivel de incidencia de la IAGen
en las tareas, subtareas y microtareas; identificación y diferenciación de distintas tareas
que la IAGen realiza para obtener el resultado deseado; adaptabilidad de la herramienta;
satisfacción y experiencia de usuario.
44 IALAB, Guía metodológica para la evaluación del impacto de la inteligencia artificial generativa en el empleo y las organizaciones. Identificación de
nuevas habilidades laborales, agosto de 2023, disponible en: https://ialab.com.ar/wp-content/uploads/2024/02/Guia-metodologica-1.pdf
(consultado el 26/02/2024)
27
Para medir el impacto de la IAGen en las tareas y su correlación con el trabajo se

consideraron las siguientes métricas: a) eficiencia; b) grado de automatización posible
según segmentación de tareas; c) eficacia que también involucra el impacto de la IAGen en
las tareas en términos de complemento, sustitución, desplazamiento y asistencia.
Estas métricas se han elegido porque proporcionan una visión integral del impacto de la
IAGen en el trabajo. También permiten comprender la incidencia en tareas, subtareas y
microtareas según su grado de automatización, y, además, considerar otros factores como
la adaptabilidad de la herramienta y la experiencia del trabajador al utilizar la misma.
A continuación, se describen los conceptos y métricas elegidas:
a. Eficiencia
- Con IAGen: mide el tiempo de ejecución de tareas antes y después de la implemen-
tación de IAGen en el proceso. Esto incluye mediciones sobre el tiempo de realiza-
ción de la tarea, subtarea y/o microtarea.
- Sin IAGen: aquí se mide el tiempo de realización de la tarea, subtarea y/o microtarea
de acuerdo a los procedimientos y herramientas de uso interno común, aprobadas
por la organización.
b. Grado de automatización de la tarea
Grado de automatización posible según segmentación de tareas
Aquí se identifica qué tareas pueden ser adecuadas para la automatización y cuáles son
más apropiadas para ser realizadas por humanos.
El equipo de investigación consensuó los términos de la metodología aprobada para llevar

adelante las pruebas. Fue una metodología basada en un rubric45 y parámetros en formato
matriz que ayudaron a visualizar y determinar qué tareas podrían ser adecuadas para la
automatización y cuáles podrían ser más apropiadas para ser realizadas por humanos.
Se invitó a participar de la investigación a 41 personas, incluyendo abogados, administradores

de empresas, economistas, traductores, de 17 áreas, en organizaciones pertenecientes
a los 5 sectores mencionados anteriormente. Se conformaron equipos de prueba para
conducir los testeos de las actividades utilizando y sin utilizar IAGen, y se los capacitó para
que pudieran capturar los datos de manera consistente en las planillas provistas para tal fin.
45 Eloundou, Tyna - Manning, Sam - Mishkin, Pamela - Rock, Daniel, “GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large
Language Models”, 27 de marzo de 2023, disponible en: https://arxiv.org/pdf/2303.10130.pdf
28
Se realizaron reuniones de calibración, a partir de los primeros testeos, se evacuaron dudas

y se ajustaron las herramientas de medición.
Los equipos de prueba seleccionaron y evaluaron las tareas en función de dos criterios
clave: la repetitividad y el juicio humano necesario, y a su vez las ponderaron de acuerdo a
la siguiente escala: alta, media, baja.
Veamos brevemente los conceptos utilizados como pilar para la definición de las tareas y/o
procesos seleccionados:
Repetitividad
Se refiere a la naturaleza repetitiva o recurrente de una tarea o actividad. En el contexto

laboral y tecnológico, la repetitividad se relaciona con la realización constante de tareas
similares o idénticas. Estas tareas generalmente involucran una serie de pasos o acciones
que se ejecutan una y otra vez sin cambios significativos en el proceso.
La repetitividad puede ser una característica de trabajos o procesos que se pueden

automatizar o sistematizar, ya que no requieren una toma de decisiones compleja o una
adaptación constante a situaciones cambiantes. Puede ser alta, media o baja.
• Repetitividad alta. La repetitividad será alta cuando los procedimientos y acciones

a seguir para la realización de una tarea se mantienen uniformes, similares o idénticos
con el paso del tiempo.
• Repetitividad media. La repetitividad de una tarea será media cuando ciertas accio-
nes pueden modificarse en virtud de la presencia de hipótesis fácticas, que producen
la variabilidad en la ejecución de una tarea. En otras palabras, la tarea no se realiza de
manera idéntica cada vez, sino que permite cierto grado de adaptación o cambio en
sus acciones, dependiendo de los supuestos fácticos que se manifiesten.
• Repetitividad baja. La repetitividad será baja cuando cada vez que se realiza una
tarea los pasos a seguir cambian o se modifican. Usualmente aquí se requiere de solu-
ciones creativas y pensamiento crítico. Estas tareas son típicas en roles que demandan
innovación o resolución de problemas complejos.
Juicio humano
Se refiere a la capacidad de las personas para evaluar, analizar, tomar decisiones y resolver
problemas basados en su experiencia, conocimiento, valores y razonamiento. Implica la
habilidad para considerar múltiples factores, contextos y perspectivas al tomar decisiones
informadas.
29
• Juicio humano alto. El juicio humano requerido es alto ante situaciones complejas,
que usualmente requieren analizar múltiples variables y tomar decisiones fundamenta-
das. Sobre todo, se trata de situaciones de incertidumbre en donde el juicio humano de
la persona resulta clave para definir una ruta de acción, anticipar posibles consecuen-
cias, riesgos o daños.
• Juicio humano medio. Se trata de aquellas situaciones en las que las habilidades
de los trabajadores son importantes para evaluar y tomar decisiones en virtud de su
experiencia. Como por ejemplo: la capacidad de análisis, integración, y la observación.
• Juicio humano bajo. Las tareas que requieren un bajo nivel de juicio humano son
aquellas rutinarias y predecibles, que suelen tener procedimientos claramente defini-
dos. En ellas, no resulta necesario una evaluación profunda, análisis o toma de decisio-
nes basada en una vasta experiencia o conocimiento.
REPETITIVIDAD JUICIO HUMANO NECESARIO
Redacción de informes BAJA ALTA
Respuesta a correos electrónicos ALTA MEDIA
Programación de reuniones ALTA BAJA
Gestión de bases de datos ALTA BAJA
Toma de decisiones estratégicas BAJA ALTA
Ahora, si interpretamos la rúbrica de la siguiente manera, encontramos:
• Tareas Automatizables: tareas con alta repetitividad y bajo juicio humano requerido
son altamente automatizables. En este caso, la "programación de reuniones" y la "ges-
tión de bases de datos" se podrían considerar para la automatización.
• Tareas Semiautomatizables: tareas con alta repetitividad pero un grado medio de
juicio humano requerido podrían ser parcialmente automatizables, ya que podrían re-
querir alguna supervisión o intervención humana. En este ejemplo, la "respuesta a co-
rreos electrónicos" podría caer en esta categoría.
• Tareas NO Automatizables: tareas con baja repetitividad y alto juicio humano re-
querido son menos susceptibles para la automatización. Estas tareas suelen requerir
habilidades más complejas y la capacidad de tomar decisiones basadas en el juicio y la
experiencia humana. En este ejemplo, la "redacción de informes" y la "toma de decisio-
nes estratégicas" podrían ser consideradas tareas no automatizables.
30
c) Eficacia
Incidencia de la IAGen en la ejecución de la tarea
A fin de comprender el impacto de la IAGen en las tareas laborales, primero es necesario

determinar qué se entiende por eficacia en este contexto. A los fines de la investigación,
la eficacia refiere a la capacidad de la IAGen para cumplir con los objetivos propuestos, al
mejorar o facilitar la realización de tareas específicas. Este concepto sirve como punto de
partida para analizar cómo la incorporación de IAGen afecta el entorno laboral.
Desde esta perspectiva, el impacto de la IAGen en las tareas se examina en función de si

su integración resulta en un complemento, asistencia, sustitución o desplazamiento. Este
enfoque permite una comprensión más matizada de cómo la IAGen puede coexistir con el
talento humano, potenciando o modificando el panorama laboral actual. A los efectos de la
presente investigación se entiende por:
» Complemento: fenómeno mediante el cual los sistemas de inteligencia artificial o

IAGen automatizan, a través de diversas técnicas, la realización de una parte principal
de una tarea humana, lo cual genera que la parte restante de la tarea sea realizada
humanamente. De esta manera, es posible ahorrar tiempo que anteriormente se re-
quería para realizar la tarea. El complemento puede conllevar la modificación en la
realización de una tarea compleja. Es lo que llamamos anteriormente cobotización
inclusiva46. En ciertas áreas difíciles de reemplazar se cuenta con la ventaja de usar
la tecnología a favor de los trabajadores, quienes pueden utilizarla como instrumento
para crear y generar valor.
» Asistencia: brinda mayores insumos para la realización de una tarea, pero no supone
una absorción de la tarea humana. En general aumenta la base de conocimiento hu-
mano y/o se optimiza la realización de una parte accesoria de la tarea. Por ejemplo,
si se desea escribir un artículo o trabajo académico y se quiere consultar fuentes de
información, es útil copiar y pegar cierta doctrina en ChatGPT para que determine los
puntos más importantes de dicho artículo, específicamente en relación a la temática
sobre la que se desee producir. En este ejemplo, la tarea de producción del trabajo o
artículo académico, continúa siendo humana; ChatGPT asiste en el procesamiento de
información y en el aumento de la base de conocimiento.
» Sustitución: Fenómeno generado a partir de la absorción completa de una tarea por
la inteligencia artificial, lo que genera un reemplazo de la actividad humana por la ac-
tividad de la inteligencia artificial. Por ejemplo, si se solicita a GPT-4 que elabore una
carta documento, el sistema arroja como resultado el modelo completo.
46 Ver más en Cevasco, Luis. - Corvalán, Juan G., - Le Fevre, Enzo M., “Inteligencia Artificial y trabajo”, DPI Cuántico, IMODEV, año 2019, página 41,
disponible en: https://ialab.com.ar/wp-content/uploads/2023/03/ia_y_trabajo.pdf (consultado el 4/03/2024)
31
» Desplazamiento: Es una consecuencia de la sustitución y, en ciertos casos, del com-

plemento. El desplazamiento es entendido como la dedicación del humano a nuevas
tareas o parte de ciertas tareas. En los casos de desplazamiento se entiende que la
tarea o subtarea original se vio absorbida por la implementación de IA en el proceso.
(Ej. Tarea de revisar textos y modificarlos en función de errores de gramática, sintaxis
o búsqueda de sinónimos a palabras que se suelen repetir con frecuencia en los pá-
rrafos de un acto administrativo/resolución previo a la firma).
Procedimiento para vincular tareas, subtareas

y microtareas con nuevas habilidades
Uno de los puntos que se buscó analizar con esta investigación es la identificación de nuevas
habilidades requeridas en el mundo laboral a partir del impacto de la IAGen en las tareas.
Para ello, se seleccionaron algunas categorías de habilidades aprobadas por organismos
internacionales, tales como la Organización Internacional del Trabajo (OIT) y la Organización
para la Cooperación y Desarrollo Económicos (OCDE)47.
De forma previa, en el proceso de categorización de las tareas y subtareas, se vinculó el

tipo de habilidades requeridas para su realización. Asimismo, a los efectos de evaluar si
las habilidades requeridas –con el uso de IAGen en la realización de la tarea– han sufrido
modificaciones, también se dejó constancia de ello en las pruebas realizadas por los
equipos.
A los efectos de analizar las habilidades requeridas, seguimos la clasificación de habilidades

para el empleo establecidas por la OIT y la OCDE.
47 Competencias para el empleo, “Organización Internacional del Trabajo”, 18 de mayo de 2015, disponible en: https://www.ilo.org/skills/pubs/
WCMS_371815/lang--es/index.htm (consultado el 4/03/2024) Ver también OECD, “Skills for the Digital Transition: Assessing Recent Trends Using
Big Data”, 19 de octubre de 2022, disponible en: https://www.oecd.org/employment/skills-for-the-digital-transition-38c36777-en.htm (consultado el
4/03/2024)
32
CATEGORÍA DE HABILIDADES SEGÚN

COMPETENCIAS CLAVE / HABILIDADES
CATEGORÍAS GENERALES O PROFESIÓN
• Estar dispuesto a aprender
• Usar técnicas de aprendizaje para adquirir y aplicar conocimientos

y competencias nuevas
• Trabajar en forma segura
• Perseguir el aprendizaje independiente
• Asumir responsabilidad por el aprendizaje propio
• Pensar en forma abstracta
Aprender a aprender • Organizar, procesar y retener información
• Interpretar y comunicar información
• Realizar indagaciones sistemáticas, con seguimiento para encontrar

respuestas
• Usar el tiempo en forma eficaz y eficiente sin sacrificar la calidad
• Elegir la mejor forma de abordar las tareas
• Comenzar las tareas, darles continuidad y completarlas
• Ser adaptable
• Leer de manera competente
• Comprender el idioma en el que se maneja la organización
• Saber escribir como para satisfacer las necesidades del grupo objetivo
Comunicación • Escuchar y comunicarse de manera eficaz
• Saber escuchar para comprender y aprender
• Usar los conocimientos aritméticos eficazmente
• Saber expresar las ideas y visiones propias
• Trabajar en equipos o grupos
• Respetar los pensamientos, cultura y las opiniones de los demás

integrantes del grupo
• Comprender y contribuir a las metas de la organización
• Planificar y tomar decisiones con otras personas y apoyar los resultados
• Asumir la responsabilidad por las acciones
• Formar alianzas y coordinar diversas experiencias

Trabajo en equipo • Trabajar en pos del consenso grupal en la toma de decisiones
• Valorar los aportes de los demás
• Aceptar la retroalimentación
• Resolver conflictos
• Ofrecer orientación, ejercer de mentor, dar retroalimentación
• Liderar con eficacia
• Movilizar grupos para lograr un rendimiento elevado
33

• Pensar en forma creativa
• Resolver problemas de manera independiente
• Comprobar que los supuestos sean verídicos
• Identificar problemas
• Tener en cuenta el contexto de los datos y las circunstancias

Resolución de problemas
• Identificar y sugerir ideas nuevas para cumplir con el trabajo (iniciativa)
• Recolectar, analizar y organizar la información (planificación

y organización)
• Planificar y gestionar el tiempo, el dinero y otros recursos para lograr

los fines
• Visualización de datos
• Marco de ciberseguridad
• Seguridad de la red
• Seguridad de información
• Gestión de IT
Científicos y analistas de datos • Análisis de los datos
• Gestión de bases de datos
• Procesamiento y almacenamiento de datos
• Aprendizaje automático
• Inteligencia artificial
• Big Data
• Computación en la nube
• Desarrollo web
• Java
• Computación distribuida
Desarrolladores de software,
• Aseguramiento de la calidad del software
programadores e ingenieros
• Gestión de IT
• Simulación
• Gestión de rendimiento
• Tensorflow
34

• Design thinking
• Investigación de usuarios
Diseñador UX/UI
• Desarrollo web
• Aseguramiento de la calidad del software
• Publicidad
• Gestión de marketing
• Soluciones de negocios
Responsables de TIC y RRHH / • Gestión de IT
especialistas en marketing • Estrategia de negocios
• Formación de empleados
• Pensamiento estratégico
• Inteligencia artificial
35
Aclaraciones sobre la muestra elegida para las 83 tareas
» Las pruebas seleccionadas, corresponden a una muestra aleatoria. Las personas con-
vocadas para realizar las pruebas tuvieron libertad para seleccionar las tareas y traba-
jaron con aquellas relacionadas con su labor cotidiana, con la condición de especificar
los detalles de su composición, como su grado de automatización y complejidad.
» Algunas pruebas no alcanzaron los niveles de eficiencia esperados, lo cual denota la
necesidad de que las personas se adapten al uso de las herramientas de IAGen y, en
otros casos, da cuenta de que la IAGen no es la herramienta más adecuada para ha-
cer más eficiente la tarea elegida (por ejemplo, para calcular plazos procesales).
» Algunas pruebas fueron realizadas por personas sin conocimientos previos en tecno-
logía y sin experiencia relevante en el uso de ChatGPT en sus trabajos, mientras que
otras fueron realizadas por alumnos del Posgrado de Inteligencia Artificial y Derecho
de la UBA quienes a lo largo de 9 meses, a partir de la workshops y talleres prácticos,
adquirieron las herramientas necesarias para aplicar IAGen en su labor diaria. Esto
demuestra, al menos a priori, que la optimización puede crecer si las personas tienen
formación específica en el uso de herramientas de IAGen, como ChatGPT.
» El estudio permite afirmar que aún sin conocimientos previos sobre ChatGPT, con una
selección criteriosa de la tarea a la cual aplicar dicha tecnología, es posible optimizar
las tareas en los distintos trabajos.
» La realización de las pruebas permitió observar que el usuario necesita un tiempo pru-
dencial para la generación de prompts detallados, contextuales y útiles para realizar
la tarea elegida.
» Este documento constituye el primer paso de la investigación que se está llevando
adelante desde UBA IALAB. Los resultados que aquí se presentan podrían modificar-
se. Principalmente, debido a que las pruebas no fueron repetidas por los responsa-
bles, lo que puede suponer una variación en los resultados aquí obtenidos.
36
37
4 RESULTADOS
DE LA INVESTIGACIÓN
Aplicación de inteligencia artificial

generativa en el empleo
Esta infografía refleja los principales resultados

de la investigación realizada desde UBA IALAB
para analizar el impacto de la IAGen y ChatGPT
en la reducción de tiempos y en la optimización IAGen
IAGen
de las tareas
Pruebas en
83 tareas:
áreas de Administración pública,
5 justicia, áreas legales y estudios
jurídicos, traducción, educación
optimización promedio
77% reducción de tiempo para
su realización
Eficiencia máxima alcanzada

99,96% Borrador de traducción de texto de 15.000 palabras
Aumento de eficiencia
en diversas tareas
90% 71%
97% Identificación de agravios
Redacción de un 95% en el recurso de
inconstitucionalidad
Planificación de una
actividad práctica en
contrato administrativo Realización de una copia educación
con modificaciones de un
contrato de arrendamiento
38
Funcionamiento de la IAGen Optimización por complejidad

en las tareas: de la tarea:
Asistente 59,03% Alta complejidad 73%

Complemento 19,27% Media complejidad 81%
Sustituto 12,04% Baja complejidad 52%
Aumenta la eficiencia y optimiza

subtareas a gran escala
Hipótesis Cambia el paradigma en

IAGen la forma de trabajar
Herramienta más disruptiva

que se ha inventado
Hallazgos
• Las tareas de complejidad media son el

punto óptimo para la implementación de la
IAGen con una reducción promedio de
tiempos del 81%
• Ciertas tareas de baja complejidad no se • La IAGen está evolucionando para abordar

benefician tanto de la automatización con tareas más sofisticadas que requieren un
IAGen: 52% de reducción promedio de grado significativo de discernimiento o
tiempos IAGen para asistir o decisión
complementar el trabajo humano en tareas
complejas alta eficiencia del 73% en tareas • La alta eficiencia (86% y 88%) en tareas
que requieren alto juicio humano con alta y mediana repetitividad destaca la
utilidad de aplicar IAGen para automatizar
y optimizar procesos
• Priorizar esfuerzos de automatización en

IAGen
aquellas tareas claramente definidas y
estandarizadas
39
Optimización de tareas laborales de

complejidad alta y media principalmente,
aún sin conocimientos previos del operador
Prompt inicial detallado y
contextualizado para mayor
optimización
IAGen
Aumento de eficiencia con pruebas

reiteradas sobre nuevos casos
IAGen significa mejoras
cuantitativas y/o cualitativas
Tareas comparadas
IAGen
con IAGen sin IAGen
Redacción de un
contrato administrativo
6 60
minutos minutos
Realización de una copia de

un contrato de arrendamiento 6 120
con modificaciones minutos minutos
Identificación de agravios
en el recurso de casación
30 15
minutos minutos
Planificación de una actividad

práctica en educación
10 35
minutos minutos
40
Detección de las subtareas específicas para el uso de IAGen
Formación de trabajadores para el uso óptimo de la herramienta
Lecciones Adaptación de los prompts a la realidad de cada organización

y subtarea
aprendidas Especialización de una persona de la organización en el
uso de la IAGen
Medición del tiempo que insume la tarea con y sin IAGen
para calcular optimización real
Próximos pasos
Confirmar o refutar la hipótesis con repetición de casos
de uso y optimización de prompts
Prompts como templates
IAGen
Disparadores para ¿Es posible elaborar y refinar diferentes
01
tipos prompts para que funcionen como
próximos pasos
modelos o “templates” para optimizar
aún más la realización de diversas tareas
o subtareas?
02 03
¿Los prompts como templates ¿Se requiere que las personas se formen
pueden ser extrapolados a otros en el uso de la IA generativa de manera
procesos o tareas? óptima?
¿Los prompts como templates implican ¿Es recomendable que un equipo se
04 05
una mejora radical en términos de ocupe constantemente de enseñar,
optimización cuantitativa y/o ajustar e interactuar con la IA
cualitativa a mediano y largo plazo? generativa de manera estratégica
dentro de la organización?
Resultados preliminares de prompts

estandarizados como templates
Mayor optimización Requieren revisión y
en tareas laborales ajustes periódicos
Específicos para cada

Atajos en IAGen
materia y subtarea
41
Resultados de la investigación.
Análisis de los datos obtenidos.
A continuación, presentamos los resultados de la investigación. La organización del

contenido se distribuye en varias secciones para facilitar su comprensión: a) Principales
hallazgos; b) Sectores y áreas comprendidas en la investigación; c) Optimización de
tiempos; d) Complejidad; e) Grado de automatización; f) Repetitividad de las tareas; g)
Juicio humano requerido; h) Incidencia de la IAGen en la tarea; i) Eficiencia.
El análisis de los resultados, segmentado por áreas y sectores, permite la identificación

de patrones y tendencias específicas en cada dominio y en virtud de cada una de las
métricas seleccionadas para medir el impacto. Por último, una evaluación de los resultados
obtenidos según la complejidad, nivel de repetitividad y juicio humano requerido, ofrece una
perspectiva detallada sobre los datos recolectados.
a. Principales hallazgos
A partir del análisis de los resultados obtenidos en virtud de las pruebas realizadas, se
identifican los siguientes hallazgos:
Nivel de repetitividad y eficiencia de la IAGen

• Tareas de repetitividad alta y media: la eficiencia particularmente alta (86% y 88%)
en tareas con alta y mediana repetitividad subraya la importancia y utilidad de aplicar
IAGen para automatizar y optimizar procesos. Estas tareas representan el punto óptimo
para la implementación de la IAGen y destacan la importancia de priorizar esfuerzos de
automatización en procesos claramente definidos y estructurados.
• Tareas de baja repetitividad: la menor eficiencia en tareas de baja repetitividad (43%)
pone de manifiesto la necesidad de reevaluar cómo se utiliza la IAGen, y considerar
alternativas o complementos, como la intervención humana más directa para mejorar
la eficiencia.
• En virtud de lo anterior, la implementación de la IAGen debe centrarse preferente-
mente en tareas altamente repetitivas o de repetitividad media, donde es más probable
que se logren mejoras significativas en términos de eficiencia.
42
Complejidad de las tareas y aplicación de la IAGen

• Complejidad media: la eficiencia en tareas de complejidad media (81%) señala que
la IAGen resulta particularmente útil para optimizar tareas que no son ni demasiado
simples ni excesivamente complejas. Esto significa que las tareas de complejidad me-
dia son el punto óptimo para la implementación de la IAGen.
• Complejidad baja: la menor eficiencia en tareas de bajo nivel de complejidad (52%)
es un indicador de que ciertas tareas simples no se benefician tanto de la automatiza-
ción, posiblemente debido a la naturaleza única o variable de estas tareas, lo que hace
necesaria una adaptabilidad humana.
Juicio humano y rol de la IAGen

• Juicio humano alto: la alta eficiencia del 73% en tareas que requieren un alto nivel
de juicio humano muestra la capacidad de la IAGen para asistir o complementar el tra-
bajo humano en actividades complejas. Esto desafía la noción común de que la IAGen
solo resulta adecuada para tareas repetitivas y de baja complejidad, y muestra cómo
la IAGen está evolucionando para abordar tareas más sofisticadas que requieren un
grado significativo de discernimiento o decisión.
• Desplazamiento mínimo por IAGen: la mayoría de las tareas (59,03%) se benefician
de la asistencia de la IAGen, lo que implica un enfoque colaborativo entre humanos e
IA, más que un reemplazo completo.
• Para tareas de mayor complejidad, que requieren un elevado nivel de juicio huma-
no, la IAGen actúa más como un complemento que como un sustituto. Estas tareas a
menudo necesitan habilidades avanzadas, incluyendo el pensamiento crítico, análisis y
creatividad, donde la intervención humana sigue siendo fundamental.
Implicancias para el desarrollo de habilidades

• La dificultad para automatizar ciertas tareas y el alto juicio humano requerido para
algunas de ellas, subrayan la necesidad de contar con habilidades humanas especiali-
zadas. La capacitación y el desarrollo de habilidades deben centrarse, al mismo tiempo,
en aquellas áreas en donde la IAGen no puede realizar contribuciones significativas,
como así también en aquellas que permitan potenciar la interacción humano-máquina.
43
Grado de automatización de las tareas

• La alta eficiencia en tareas automatizables (94%) señala que se deben priorizar es-
fuerzos de automatización en aquellas tareas claramente definidas y estructuradas.
Para las tareas semiautomatizables, puede ser beneficioso reevaluar cómo se imple-
menta la IAGen y buscar formas de aumentar su eficiencia.
En conclusión, la gran mayoría de las tareas se benefician a partir de un efecto de asistencia

de la IAGen, en lugar de una sustitución completa. Por este motivo, resulta de fundamental
importancia fomentar una cultura de colaboración entre humanos e IA.
A continuación, presentamos la eficiencia promedio alcanzada a partir de la utilización de
IAGen en cada uno de los sectores comprendidos en la investigación. La eficiencia fue
analizada teniendo en consideración el tiempo requerido para ejecutar la tarea sin y con
IAGen.
44
c. Complejidad
En cuanto al nivel de complejidad de las tareas:
• 24 tareas son de complejidad alta

• 45 tareas tienen complejidad media
• 14 tareas tienen complejidad baja
c. Grado de automatización
En cuanto al grado de automatización de las tareas:
• 21 tareas fueron identificadas como automatizables

• 32 tareas como semiautomatizables
• 30 tareas fueron consideradas no automatizables
45
En este punto, es importante señalar que la clasificación de una tarea como “automatizable”,
“semiautomatizable” y “no automatizable” fue asignada por la persona responsable de la
realización de la prueba.
e. Repetitividad de las tareas

En cuanto al nivel de repetitividad de las tareas:
• 35 tareas son de repetitividad alta

• 17 tareas tienen repetitividad media
• 29 tareas tienen repetitividad baja
f. Juicio humano requerido

En cuanto al juicio humano requerido:
• 45 tareas requieren un alto nivel de juicio humano48

• 25 un nivel medio49
• 11 un nivel bajo50
48 Por ejemplo, la redacción de una demanda por incumplimiento contractual en el marco de una relación de consumo identificación; la confección
de una demanda laboral; la individualización de agravios en recurso extraordinario provincial; identificación del objeto de la demanda; identificación
del objeto en un recurso de inconstitucionalidad; la redacción de una demanda de daños y perjuicios por responsabilidad contractual en contexto
de violencia de género y el análisis de un caso de astreintes, entre otros. Ver anexo contexto de las pruebas.
49 Por ejemplo, el armado de un glosario para una traducción de documento; la redacción de una carta documento judicial; la revisión de pliegos de
bases y condiciones en una contratación pública y la aplicación de lenguaje claro en el voto de una sentencia, entre otros. Ver anexo contexto de
las pruebas.
50 Por ejemplo, la elaboración de un correo electrónico en “lenguaje claro”; la redacción de resolución de adjudicación en un proceso de contratación
pública; la confección de un oficio judicial y el confronte de oficios, entre otras. Ver anexo contexto de las pruebas.
46
g. Incidencia de la IAGen en la tarea

En cuanto al nivel de incidencia de las herramientas de IAGen en la realización de la tarea:
• En 49 tareas la herramienta de IAGen brindó asistencia en su realización

• En 16 tareas la IAGen complementó su realización
• En 10 tareas sustituyó a la persona humana en la realización de la tarea
• En 1 tarea el efecto provocado por la herramienta fue de desplazamiento
47
h. Eficiencia
1. Eficiencia según el nivel de complejidad de la tarea
Esto sugiere que la IAGen es

más efectiva en tareas de
complejidad media y alta en
comparación con las tareas de
baja complejidad.
2. Eficiencia según el nivel de juicio humano requerido
Esto sugiere que la IAGen es

más efectiva en tareas de
complejidad media y alta en
comparación con las tareas de
baja complejidad.
48
3. Eficiencia según el grado de repetitividad de la tarea51
La IAGen resulta más eficiente

en tareas de repetitividad
media y alta, lo cual es
consistente con la idea de que
la automatización y la IA son
efectivas en tareas rutinarias.
4. Eficiencia según el grado de automatización de las tareas
La eficiencia del 94% en

tareas automatizables indica
que la IAGen es altamente
efectiva en tareas claramente
definidas y estructuradas, lo
que da cuenta que la IAGen
puede generar beneficios
significativos en términos de
eficiencia y productividad en
tareas que se prestan a la
automatización completa.
51 Nótese que el número total de pruebas realizadas en tareas de juicio humano bajo fue sustancialmente menor que en tareas de juicio humano
medio o alto. Para entender mejor el desempeño de la IAGen en tareas de juicio humano bajo, es necesario realizar más pruebas en nuevas tareas
y analizar la eficiencia alcanzada.
49
Aclaración: Las tareas “no automatizables” son aquellas que así se consideraban
antes del impacto de la IAGen. En el 69% de los casos, esas tareas se vuelven al
menos en parte, en automatizables con IAGen.
La eficiencia de la IAGen en tareas no automatizables demuestra el potencial de

esta tecnología para tareas que implican mayor complejidad, en términos de de-
dicación de tiempo, precisión, conocimiento, análisis y habilidades sofisticadas.
En este contexto, es necesario resaltar que el humano deberá controlar minucio-
samente y en mayor medida los resultados de la IAGen y, en su caso, corregir,
ampliar, complementar o aprovechar directamente el resultado. Además, se de-
berá poner especial foco en los detalles, ya que las tareas más complejas suelen
requerir el abordaje de una mayor cantidad de subtareas relacionadas.
Es destacable la eficiencia de la IAGen en las tareas no automatizables, ya que

esto cambia el paradigma donde el mayor porcentaje de tareas que se absorbían
por la IA, eran tareas estandarizadas, repetitivas o automatizables.
5. Eficiencia según el nivel de incidencia de la IAGen en la

tarea
En tareas donde la IAGen actúa como un complemento, se observa una alta

eficiencia (94%), lo que sugiere que la IAGen puede mejorar o potenciar las
capacidades humanas en ciertas tareas.
50
i. Ejemplos de eficiencia de IAGen en tareas

específicas
1. Tareas de complejidad media y repetitividad alta con alto

rendimiento en términos de eficiencia
• Ejemplo: Redacción de un contrato administrativo52
• Complejidad: MEDIA
• Repetitividad: ALTA
• Juicio humano requerido: MEDIO
Esta tarea, al ser altamente repetitiva y de complejidad media, muestra una notable
mejora en la eficiencia gracias a la implementación de IAGen, lo que indica un
potencial significativo en la reducción del tiempo requerido para su realización.
2. Tareas de complejidad alta y repetitividad media con alto

• Ejemplo: Redacción de los hechos de una demanda de daños y perjuicios53
52 La prueba se realizó en una dependencia de la Administración Pública de la Ciudad Autónoma de Buenos Aires. Puntualmente en el Ministerio de
Producción y Desarrollo Económico, (Gerencia jurídico-legal) cuya tarea principal es la confección y revisión de documentos jurídicos que tramitan
ante los organismos del Estado. A tales efectos se entiende por Contrato Administrativo: Un contrato administrativo es un acuerdo legal entre
una entidad gubernamental o administrativa y un contratista privado o una empresa para la realización de obras, la prestación de servicios, la
adquisición de bienes o cualquier otro tipo de actividad relacionada con los intereses públicos. Estos contratos pueden abarcar una amplia gama
de actividades, desde la construcción de infraestructuras públicas hasta la prestación de servicios de salud, educación, seguridad, entre otros. Su
objetivo principal es asegurar que los recursos públicos se utilicen de manera eficiente y que se satisfagan las necesidades de la comunidad en
general.
53 La prueba fue efectuada en el ámbito del estudio jurídico Alfaro Abogados. Para ello se proporcionó la materia, datos del demandado, fecha, lugar,
el vehículo, entre otros.
51
• Complejidad: ALTA
• Repetitividad: MEDIA
• Juicio humano requerido: ALTO
Esta prueba refleja el impacto significativo que la IAGen puede tener en tareas
legales complejas, al mejorar la eficiencia en la redacción y estructuración
de documentos legales, mientras que en tareas más rutinarias y de menor
complejidad, su impacto puede resultar aún mayor.
3. Tareas de complejidad baja y repetitividad alta con alto

• Ejemplo: Redacción de resolución de adjudicación en un proceso de contratación

pública54
• Complejidad: BAJA
• Repetitividad: ALTA
En este caso, a pesar del potencial de la IAGen para automatizar tareas rutinarias y
de baja complejidad con un alto nivel de eficiencia, el nivel medio de juicio humano
requerido subraya la necesidad de un equilibrio entre la tecnología y la supervisión
humana.
54 La prueba se realizó en una Gerencia de Compras y Contrataciones en la Administración Pública de la Ciudad Autónoma de Buenos Aires. La
contratación pública, también conocida como licitación pública, es el proceso mediante el cual las entidades públicas (gobiernos, empresas
estatales, etc.) adquieren bienes, servicios y obras necesarios para el funcionamiento de sus operaciones. Específicamente la licitación pública. Es
el procedimiento más común de contratación pública. Se basa en la presentación de ofertas por parte de las empresas interesadas en el contrato.
52
4. Equilibrio entre la repetitividad, complejidad y juicio

humano
• Ejemplo: Análisis de ofertas55
• Complejidad: MEDIA
• Repetitividad: MEDIA
La eficiencia del 88% destaca la capacidad de la IAGen en tareas que requieren

un equilibrio entre la automatización y las habilidades humanas. Esto subraya su
potencial para mejorar la productividad, la precisión y la eficiencia en tareas de
complejidad media, reconfigurando la forma en que se abordan estas actividades.
j. Habilidades
Tal como se ha explicado en el apartado de la metodología, el estudio también abarcó

el análisis y la combinación de ciertas habilidades requeridas para la realización de las
tareas. Para ello los equipos de prueba, seleccionaron (de acuerdo a las categorías pre-
establecidas) aquellas habilidades que predominan en cada una de las tareas que fueron
objeto de las pruebas con IAGen. A continuación se exponen brevemente, algunos de los
resultados obtenidos.
Entre las habilidades que arrojaron mejores resultados se encuentran:
55 La prueba se realizó en una Gerencia de Compras y Contrataciones en la Administración Pública de la Ciudad Autónoma de Buenos Aires, sobre
un proceso de licitación pública regido por Ley de compras y contrataciones N° 2095. Puntualmente, se evaluó el uso de ChatGPT en el análisis de
ofertas presentadas en dicho proceso administrativo.
53
Organización y procesamiento de información
Las habilidades relacionadas con organizar y procesar información, como elegir la mejor
forma de abordar tareas, leer de manera competente y comprender el idioma, tienen una
eficiencia promedio del 99.94%.
Uso eficaz del tiempo
Las habilidades centradas en el uso eficaz del tiempo muestran una eficiencia del 95%. Esto
indica el potencial de la IAGen para optimizar tiempos y mejorar la productividad.
Análisis y organización de la información
Las habilidades de recolección, análisis y organización de información (planificación y

organización) arrojaron una eficiencia del 90%, lo que sugiere el potencial de la IAGen para
tareas que involucran el análisis de datos.
Pensamiento creativo y abstracto
Las habilidades de pensar en forma creativa y abstracta alcanzan una eficiencia del 86.67%.
Esto resalta la utilidad de la IAGen para apoyar tareas que requieren enfoques innovadores
y soluciones no convencionales.
Habilidades de análisis y redacción de texto
Las habilidades que incluyen análisis, redacción de texto, ejecución, control y gestión tienen
una eficiencia del 85.83%. Esto indica que la IAGen es eficaz en tareas que combinan
aspectos analíticos y administrativos.
54
k. Lecciones aprendidas
En cuanto a la eficiencia:
» Algunas pruebas no alcanzaron los niveles de eficiencia esperados, lo que desta-
ca la necesidad de habituarse a trabajar con herramientas de IAGen en contextos
específicos.
» Resulta de utilidad medir el tiempo que insume la tarea con IAGen para calcular la op-
timización real que significa dentro de la carga laboral diaria, semanal o anual, y definir
estrategias de uso.
» Las mejoras cuantitativas son las que describimos, en esencia y principalmente, en
el presente informe y que se reflejan en disminuciones del tiempo necesario para la
realización de la tarea.
» Las mejoras cualitativas son aquellas que implican una mejora en la calidad del resul-
tado que se espera de una determinada tarea. Estas últimas, pueden o no significar
un ahorro de tiempo en la realización de la tarea, pero suelen ser de gran utilidad a la
hora de aumentar la competitividad de la organización.
Por ejemplo, si dentro de un estudio se usa ChatGPT para descubrir nuevos argumentos
que complementan los modelos o templates ya existentes, probablemente aumentará
el tiempo que insume la tarea, pero, sin dudas, aumentará la calidad del resultado ante
el cliente.
» La incorporación de IAGen como apoyo para la realización de una tarea puede dar
lugar a subtareas que antes no existían pero que son necesarias para lograr una real
optimización de la tarea elegida. Este el caso de la subtarea de anonimización o seu-
donimización de datos personales contenidos en documentos de trabajo. Es necesa-
rio optimizar la realización de esas subtareas para lograr la mejora de tiempos totales.
» La automatización no debe verse como un reemplazo del juicio humano, sino como
un complemento que mejora la eficiencia y la efectividad.
En cuanto a las habilidades requeridas:

» Se observan desafíos en la implementación de IAGen para tareas que requieren habi-
lidades complejas de análisis, pensamiento creativo y gestión, lo que indica limitacio-
nes actuales en la capacidad de la IAGen para manejar tareas altamente creativas o
críticas.
» La efectividad de la IAGen depende, en gran medida, de la habilidad de los usuarios
para interactuar y complementar estas herramientas.
55
En cuanto al uso de la IAGen:

» No todas las tareas resultan igualmente adecuadas para la automatización con IAGen.
Se requiere una selección criteriosa de las actividades. Las tareas sobre las cuales se
desea aplicar IAGen deben ser seleccionadas dentro de cada institución y en relación
a cada uno de los procesos específicos para determinar cómo y cuándo implementar
herramientas de IAGen.
» Los prompts deben realizarse como “trajes a medida” adaptados a las necesidades
particulares de cada organización.
» Es importante detectar, dentro de cada tarea, las subtareas y microtareas que la com-
ponen, y determinar aquellas en las que la IAGen puede ser de utilidad. Además, con-
firmar las hipótesis con pruebas y mediciones sobre ellas.
» La IAGen puede arrojar resultados de utilidad para optimizar la realización de las ta-
reas, aún cuando se utilice por personas sin conocimientos tecnológicos, pero con
gran conocimiento y manejo de su trabajo cotidiano.
» Es esencial destinar tiempo a la elaboración del prompt inicial para describir el contex-
to y para exponer claramente las órdenes que el sistema debe ejecutar.
» A mediano plazo, si las instituciones se proponen aplicar IAGen a ciertos casos de uso,
se aconseja contar, al menos, con una persona experta en el uso de estos grandes
modelos de lenguaje generativos. Es importante que este perfil conozca las habili-
dades, descubra oportunidades y esté en condiciones de tomar ciertos atajos para
llegar a los resultados deseados, lo que incluye la habilidad de generar prompts como
templates para la reutilización.
» Cuando se trabaja en casos de uso dentro de una organización, las mejoras pueden
presentarse tanto en términos cuantitativos como en términos cualitativos.
En cuanto al uso de la IAGen en el sector legal:
En general, la IAGen puede ser una herramienta útil para automatizar tareas legales simples,
como la identificación de agravios, la aplicación de lenguaje claro y la comparación de textos.
Sin embargo, siempre requiere supervisión humana posterior para garantizar la precisión y
la corrección jurídica.
La calidad del producto obtenido depende del prompt, pero también de la complejidad del
expediente y de la calidad del texto que se le proporciona a la IAGen para analizar. En virtud
de ello, en casos complejos o con escritos desordenados o mal redactados, la IAGen puede
tener dificultades para identificar elementos relevantes para lograr el objetivo buscado (ej.
extraer agravios de un recurso judicial).
56
Las tareas que requieren un análisis profundo del expediente, como la elaboración de un
dictamen fiscal o la resolución de un conflicto, pueden ser más difíciles de automatizar
con IAGen debido a su complejidad y la base de conocimiento de derecho nacional y local
necesaria para decidir los casos.
Se encontraron limitaciones en su uso debido a la necesidad de anonimizar datos para

proteger la información de terceras personas involucradas en el proceso judicial, lo que da
cuenta de una limitación en este sector, cuando los términos de privacidad de la herramienta
no permiten negociar ajustes a medida.
Se advierte la necesidad de supervisión y edición humana del resultado logrado en la

mayoría de los casos. A pesar de los buenos resultados, se destaca la importancia de un
control humano para evitar errores o adaptar las respuestas a las necesidades específicas.
Inicialmente, las herramientas de IAGen no son de utilidad para realizar tareas relacionadas
con el cómputo de plazos procesales (por ejemplo, un plazo de caducidad en un contencioso
administrativo), dado que no logran ejecutar adecuadamente el prompt porque cometen
errores al realizar operaciones de cálculo de plazos.
Habilidades requeridas para utilizar herramientas de IAGen
En la mayoría de las pruebas realizadas en el sector Justicia se identificaron las siguientes

habilidades como relevantes para poder operarlas con efectividad:
• Estar dispuesto a aprender

• Trabajar en forma segura
• Usar el tiempo en forma eficaz y eficiente sin sacrificar la calidad
• Elaborar prompts eficientes y efectivos
• Ser adaptable
• Organizar, procesar y retener información
Para finalizar, en virtud de las pruebas efectuadas y resultados alcanzados, nos proponemos
dar respuesta a los tres interrogantes planteados en los propósitos y problemas de
investigación.
57
Primero. ChatGPT y los modelos de IAGen ¿tienden a reducir el tiempo

necesario para realizar ciertas tareas o actividades?
La evidencia demuestra que los grandes modelos de lenguaje logran reducir significativa-
mente el tiempo necesario para llevar a cabo una amplia gama de tareas. La eficiencia pro-
medio del 77% en los tiempos requeridos para realizar 83 tareas, destacan la capacidad de
estas herramientas para optimizar procesos y aumentar la eficiencia operativa en diversos
contextos laborales.
Segundo. ChatGPT y los modelos de IAGen, ¿conducen a la reconfiguración de

ciertas tareas en los distintos trabajos?
El uso de ChatGPT y herramientas similares de IAGen promueve la reconfiguración de tareas
en el entorno laboral. La integración de estas tecnologías no solo facilita la ejecución de
tareas existentes sino que también introduce nuevas subtareas que antes no existían, pero
que ahora se tornan indispensables para la optimización efectiva de los procesos laborales,
como es el caso de la anonimización de datos confidenciales o la optimización y elaboración
de prompts como templates, subtareas que aparecen a partir de la implementación de los
grandes modelos de lenguaje.
Esta transformación requiere un cambio en la organización del trabajo, con nuevas estrategias
y enfoques, donde la adaptación y la integración de la IAGen se convierten en factores clave
para el desarrollo y la eficiencia laboral. Este cambio requiere una selección cuidadosa de
tareas y procesos sobre los cuales aplicar IAGen y la adaptación de estrategias de uso a las
necesidades específicas de cada organización.
Tercero. ChatGPT y los modelos de IAGen, ¿exigen a los trabajadores el desarrollo

de nuevas habilidades? En caso de que la respuesta sea afirmativa, ¿Cuáles son
estas nuevas habilidades y cuáles son y serán las más valoradas?
La implementación de ChatGPT e IAGen implica una exigencia clara para que los trabajadores
desarrollen nuevas habilidades. Entre las competencias más valoradas se encuentran la
interacción efectiva con estas tecnologías, la creación de prompts precisos y estandarizados
como templates, la supervisión, el juicio crítico para evaluar los resultados generados y
la adaptabilidad para incorporar estas herramientas en la rutina de trabajo. La educación
desempeña un papel fundamental en la adquisición de estas habilidades, destacando la
importancia del aprendizaje continuo y la actualización de conocimientos para aprovechar
al máximo las oportunidades y beneficios que ofrecen las nuevas tecnologías en general,
y la IAGen en particular. Por último, la efectividad de estas herramientas depende en gran
medida de la habilidad de los usuarios para interactuar y complementarlas, lo que subraya
la necesidad de un enfoque colaborativo entre la inteligencia humana y artificial.
58
59
5
PRÓXIMOS
PASOS
Próximos pasos. Presentación

de prompts como templates
D esde el Laboratorio de Innovación e Inteligencia Artificial de la Facultad de Derecho

de la UBA, continuaremos con nuestras investigaciones sobre el impacto de la IAGen
en el trabajo.
Los próximos pasos consisten en probar en distintas áreas de desarrollo, los prompts como
templates. Consideramos que los prompts que se crean para optimizar ciertas tareas y
subtareas, pueden convertirse en templates, aplicables a próximas tareas similares. El objetivo
consiste en obtener prompts estandarizados a los que se puede recurrir rápidamente, en
tareas similares y repetitivas, lo cual evita la actividad humana de diseñar un nuevo prompt
cada vez que se debe realizar una tarea similar.
Tal como se realizan modelos o templates de ciertos escritos estandarizados, es posible

realizar templates de prompts para ahorrar tiempo en la ejecución de las tareas.
De las pruebas realizadas, surge que los prompts como templates tienen el potencial para
aumentar aún en mayor medida la eficiencia. Obsérvese los resultados alcanzados en tres
tareas.
60
61
a. Redacción de fundamentos para contestar un escrito
La actividad humana, lleva 1 hora de trabajo.
• Con el uso de prompts optimizados como templates, se ahorraron 31 minutos.

• Con la primera prueba de prompt recién diseñado, se ahorraron 20 minutos.
• La eficiencia con el prompt como template fue del 51,67%.
i. Costos hasta llegar al resultado deseado:
4
• Se realizaron 2 pruebas hasta descubrir un caso de uso con Total de tiempo
un prompt que permitía llegar a un resultado óptimo.
• Se realizaron 6 pruebas para convertir el prompt óptimo en un HORAS
DE TRABAJO
template. Este trabajo insumió 3 horas.
• Se destinaron 16 minutos y 30 segundos para llegar al prompt
optimizado como template.
ii. Proyección de la optimización:
15
• Si se tarda 1 hora sin el uso de ChatGPT y se realizan 30
En 1 mes se ahorran
contestaciones de demanda al mes, se requieren 30 horas de
trabajo humano para elaborar los argumentos. HORAS
Y MEDIA
• Si se tardan 29 minutos en elaborar los argumentos con
ChatGPT (actividad humana + uso de ChatGPT) y se realizan
30 contestaciones de demanda al mes, se requieren 14 horas y
media.
El sacrificio que implicaron las 4 horas de trabajo con ChatGPT, se recuperan en alrededor
de 4 días.
• Si se tarda 1 hora sin el uso de ChatGPT y se realizan 330
170
En 1 año se ahorran
contestaciones de demanda al año, se requieren 330 horas de
trabajo humano para elaborar los fundamentos.
• Si se tardan 29 minutos en elaborar los fundamentos con
ChatGPT (actividad humana + uso de ChatGPT) y se realizan
330 contestaciones de demanda al año, se requieren 159 horas HORAS Y MEDIA
y media.
62
b. Mejora de argumentos presentados en el borrador de

escrito:
La actividad humana, lleva 30 minutos de trabajo.
• Con el uso de prompts optimizados como templates, se ahorraron 10 minutos.

• Con la primera prueba de prompt recién diseñado, no hubo mejoras de tiempo.
3
• Se realizaron 2 pruebas hasta descubrir un caso de uso con un
Total de tiempo
prompt que permitía llegar a un resultado óptimo.
• Se realizaron 5 pruebas para convertir el prompt óptimo en un
HORAS
template. Este trabajo tomó 2 horas y 45 minutos. Y 45 MIN.

Mensual
5
• Si se tarda 30 minutos sin el uso de ChatGPT y se realizan 30
En 1 mes se ahorran
contestaciones de demanda al mes que requieren la mejora de
los argumentos, se requieren 15 horas de trabajo humano para
elaborar los argumentos. HORAS
• Si se tardan 20 minutos en mejorar los argumentos con

ChatGPT (actividad humana + uso de ChatGPT) y se realizan 30
contestaciones de demanda al mes, se requieren 10 horas.
El sacrificio que implicaron las 3 horas y 45 minutos de trabajo con ChatGPT, se recuperan en alrededor de 10 días.
63
Anual
55
• Si se tardan 30 minutos sin el uso de ChatGPT y se realizan
En 1 año se ahorran
330 contestaciones de demanda que requieren mejora de los ar-
gumentos al año, se requieren 165 horas de trabajo humano para
elaborar los fundamentos.
• Si se tardan 20 minutos en mejorar los fundamentos con
ChatGPT (actividad humana + uso de ChatGPT) y se realizan HORAS
330 contestaciones de demanda al año, se requieren 110 horas
y media.
c. Evaluación a partir de encuestas de satisfacción
La optimización es notable si se compara el tiempo que conlleva la realización humana

de la tarea y la realización de la tarea con ChatGPT, a través de un prompt optimizado. Por
ejemplo en la tarea consistente en la evaluación de encuestas de satisfacción sobre el lide-
razgo ejercido por los directores de ciertas áreas, dentro de una organización, con el uso de
ChatGPT con un prompt optimizado, se ahorran 26 minutos. Obsérvese:
• La realización de la lectura de la encuesta y la elaboración de la conclusión con la
valoración humana de las respuestas, conlleva alrededor de 30 minutos.
• La realización de la tarea con ChatGPT implica 4 minutos, los cuales incluyen el
tiempo de conversación con el sistema, con el prompt optimizado, la elaboración del
informe con conclusión y valoración con el sistema y el tiempo que conlleva la subtarea
humana de copiar y pegar la conclusión elaborada en el informe correspondiente.
• Se ahorran 26 minutos por encuesta.
2
Total de tiempo
• Se realizaron 4 pruebas hasta descubrir un caso de uso con un
prompt que permitía llegar a un resultado óptimo y convertirlo en
un template. Este trabajo insumió 2 horas. HORAS
DE TRABAJO
64
293
• Si se tardan 30 minutos sin el uso de ChatGPT y se realizan 100 En 1 mes se ahorran
conclusiones de evaluaciones al mes, se requieren 300 horas de
trabajo humano.
• Si se tardan 4 minutos con ChatGPT (actividad humana + uso
de ChatGPT) y se realizan 100 conclusiones de evaluaciones al
mes, se requieren 7 horas de trabajo humano. HORAS
El sacrificio que implicaron las 4 horas de trabajo con ChatGPT, se recupera en

menos de un día.
Por lo tanto, nuestra hipótesis consiste en que el tiempo invertido en obtener

prompts modelos o templates, permite ahorrar tiempo en el cumplimiento de
tareas a futuro. Con los prompts mejorados, a largo y mediano plazo, será posible
obtener en menos tiempo, mejores resultados, lo cual aumenta la productividad.
Hallazgos y lecciones aprendidas

Se aclara que la fase de investigación de prompts como templates ha comenzado
recientemente. Por lo tanto, los hallazgos y lecciones aprendidas que tenemos hasta el
momento, podrán variar a medida que aumente la cantidad de pruebas. Sin embargo,
consideramos que a la fecha y, con la finalidad de que cada vez más personas aprovechen
las ventajas que la IAGen puede traer, es necesario darlas a conocer.
Con las pruebas ya realizadas en esta nueva fase de la investigación, hemos alcanzado los
siguientes hallazgos:
» Se requiere seleccionar tareas, subtareas y microtareas que tengan repetitividad den-

tro de la organización. Pueden ser de alta, media o baja complejidad.
» Es necesario detectar los casos de uso en los que ChatGPT puede aumentar la
eficiencia.
» Una vez que se diseña un prompt, es necesario realizar nuevas pruebas con la finali-
dad de mejorar la redacción que permita llegar al mejor resultado.
» Se requiere tomar el tiempo para evaluar el costo-beneficio que implica el sacrificio de
mejorar los prompts que pueden convertirse en templates, ya que la actividad suele
tomar tiempo. Para ello, se debe calcular la optimización a largo plazo. Por ejemplo,
si se ahorran 20 minutos en la corrección de la redacción de una demanda, se debe
65
hacer el cálculo de ahorro de tiempo en la realización de la tarea, en el plazo de un

mes, seis meses y un año. Las mediciones de impacto deben ser realizadas de la ma-
nera más precisa posible, en relación al tiempo de uso de ChatGPT como del tiempo
humano que se debe destinar para completar la tarea. El procedimiento que propone-
mos es el que se encuentra en los tres cuadros que se expusieron al principio de este
punto en relación a tres tareas, donde se muestra la proyección de tiempo.
» Se aconseja documentar el tiempo que toma alcanzar el prompt que genera mayor
optimización.
» Convertir prompts óptimos en templates permite aumentar en mayor medida la efi-
ciencia en la realización de las tareas. Se ahorra el tiempo de conversación con el
agente conversacional y la actividad, en ciertos casos compleja, creativa y ardua, de
diseñar el prompt.
» En organizaciones que tienen gran caudal de trabajo, los prompts como templates
funcionan como atajos para el uso de inteligencia artificial, ya que ahorran el trabajo
creativo que, en definitiva, puede ser realizado por expertos en el uso de ChatGPT.
» Los prompts como templates permiten reutilizar el trabajo realizado, que condujo a
buenos resultados. De este modo, se desburocratiza el uso de ChatGPT dentro de la
organización.
» Los prompts como templates deben diseñarse como trajes a medida. Para lograr la
optimización, se requiere diseñar prompts como templates aplicables a ciertas tareas,
subtareas o microtareas específicas, dentro de una misma categoría y temática. No
se recomienda, al momento, intentar reutilizar un prompt - template diseñado para una
tarea dentro de una determinada materia, a otra. De todos modos, se aconseja realizar
las pruebas correspondientes en este sentido.
» Los prompts como templates resultan de utilidad para aquellas personas que no de-
sean formarse en el uso de ChatGPT, ya que para su reutilización, alcanza con co-
piar y pegar dicho template en la conversación y continuar con las iteraciones que
se indiquen. Se recomienda elaborar guías de usuario donde se indiquen los pasos a
seguir para el uso de prompts como templates en ChatGPT o en otras herramientas
de IAGen.
» La elaboración de prompts como templates requiere dedicación humana. Al trabajo
de elaboración de prompts específicos, detallados y contextualizados, se suma la ta-
rea de convertirlos en templates, probarlos en nuevas tareas similares y mejorarlos
continuamente.
» A largo o mediano plazo, se considera que en las organizaciones será de utilidad con-
tar con una persona que se especialice en el uso de ChatGPT y en la elaboración y
mejora continua de los prompts - templates que cada área requiera en función de
sus tareas. Las tareas de descubrimiento de casos de usos, elaboración de prompts
optimizados, diseño de templates, mejora continua y elaboración de guías de uso, re-
quieren experiencia y especialización.
66
» Los prompts como templates tienden a disminuir las posibilidades de alucinaciones

de ChatGPT y generan las condiciones para intentar llegar a resultados similares en
nuevos casos. Sin embargo, es necesario evaluar el rendimiento del prompt como
template periódicamente y, en el caso, realizar los ajustes correspondientes.
» Los prompts como templates deben ser utilizados tanto en casos de uso en los que
ChatGPT tenga el potencial para alcanzar mejoras cualitativas y cuantitativas. Las me-
joras cualitativas, pueden darse en dos sentidos. Por un lado, impactan en la calidad
de la tarea que se realiza y mejoran el resultado, el cual es más detallado, completo y
preciso que aquel al que se llega humanamente. Por otro lado, las mejoras cualitativas
implican, en muchos casos, un aumento de las tareas que realiza el agente conversa-
cional al liberar el resultado, las cuales no se realizaban humanamente. Por ejemplo,
en el caso de uso correspondiente a la elaboración de la conclusión en las encuestas
de satisfacción, el resultado que arrojó ChatGPT consistió en un informe subtitulado,
donde se realizó: un resumen general, se expusieron las fortalezas que surgían de las
respuestas a la encuesta, las áreas de mejora, las sugerencias para las mejoras y
un pequeño cierre. Las conclusiones realizadas humanamente, se limitaban a reiterar
cuestiones expuestas en las respuestas, sin subtítulos, ni mayor desarrollo. Las me-
joras cuantitativas son aquellas que disminuyen el tiempo de realización de la tarea.
Es posible que en un caso se presenten tanto mejoras cuantitativas como mejoras
cualitativas. Nuestra hipótesis, al momento, consiste en que, a largo plazo, las mejoras
cualitativas también generan mejoras en cuantitativas.
67
68
IANEXOS.
RESULTADOS
ANEXO I
ANEXO I. Resultados
E n este Anexo presentamos en detalle los resultados de nuestra investigación,

categorizando según los distintos sectores donde se realizaron las mediciones.
Especificamos, para cada una de las 83 tareas analizadas, el tiempo necesario para su
ejecución sin y con IAGen.
También describimos el nivel de complejidad, el grado de juicio humano requerido, la

repetitividad y el grado de automatización de estas 83 tareas.
a. Sector y áreas comprendidos en la investigación
Las pruebas que se encuentran a continuación fueron realizadas en el ámbito de la Dirección

Legal y Técnica del Ministerio de Desarrollo Económico de la Ciudad de Buenos Aires, en las
gerencias de legales, compras y contrataciones y recursos humanos.
69
ANEXO I
Total de tareas analizadas 13
• Redacción de un contrato administrativo
• Análisis de oferta
• Revisión de Pliegos de Bases y Condiciones Particulares
• Control legal de un convenio
• Redacción del acto administrativo de aprobación de un

concurso
Tareas sobre las cuales se • Proceso de selección con Análisis de 50 CV para posición
Asesor Legal Sr
efectuaron las mediciones
• Supervisión de proyecto de acto administrativo de cese
retroactivo del impuesto a los ingresos brutos
• Dictamen jurídico
• Redacción de resolución adjudicación en un proceso

de contratación pública de la Corporación Nacional de
Telecomunicaciones CNT EP
• Redacción de resolución de adjudicación en un proceso

de contratación pública
Eficiencia 70%
Alta: 2 tareas
Nivel de complejidad Media: 9 tareas
Baja: 2 tareas
Automatizable: 1 tarea
Grado de automatización
Semiautomatizable: 12 tareas
Alto: 3
Juicio humano requerido
Medio: 10
Alta: 7 tareas
Repetitividad Media: 3 tareas
Baja: 3 tareas
Asistencia: 11 tareas
Incidencia de la IAGen
Sin asignar: 2 tareas
Alta: 75%
Eficiencia según el nivel
Media: 74%
de complejidad Baja: 87%
Eficiencia según el nivel Alta: 31%

de juicio humano requerido Media: 76%
Alta: 87%
Media: 75%
de repetitividad Baja: 16%
70
ANEXO I
2. Justicia
Las pruebas que se encuentran a continuación fueron realizadas desde diferentes poderes
judiciales de Argentina. Concretamente por equipos conformados por jueces, funcionarios y
funcionarias de las provincias de Mendoza, San Juan, Tierra del Fuego, Misiones, Tucumán,
Buenos Aires y la Ciudad Autónoma de Buenos Aires.
• Análisis y comparación de escritos

• Identificación de agravios en un recurso de casación
• Identificación de agravios en un recurso extraordinario
provincial presentado contra sentencias de la Cámara Laboral
• Identificar agravios en un recurso de inconstitucionalidad
• Primer decreto de presentación de un recurso extraordina-
rio provincial
• Aplicar lenguaje claro en un voto
• Aplicar lenguaje claro en una sentencia
• Confección de oficios a partir de un modelo
• Confronte de oficios
• Extracción de información relevante de una demanda
• Elaboración de un correo electrónico en lenguaje claro que
informe el procedimiento interno de la Unidad Especializada
de Relaciones de Consumo y explique el proceso ordina-
rio del Código Procesal de la Justicia enlas Relaciones de
Consumo que se transitará
• Elaboración de un dictamen fiscal sobre cesantía
Tareas sobre las cuales se • Elaboración de un dictamen fiscal sobre astreintes
efectuaron las mediciones • Identificar el objeto de una demanda
• Ordenar los hechos cronológicamente y expresarlos en
lenguaje jurídico
• Proponer argumentos para contestar el traslado de una
contestación de demanda
• Cómputo de plazo de caducidad en una acción contenciosa
• Extracción de información relevante de una demanda
• Redacción de una demanda de daños y perjuicios por res-
ponsabilidad estatal en contexto de violencia de género
• Análisis de un caso de astreintes
• Análisis de alegato de apertura fiscal en juicio penal
• Análisis de examen y contraexamen de médico forense en
el marco de un juicio por jurados
• Resumen de una sentencia y generación de cuadro informa-
tivo relevante
• Extracción de razonamiento jurídico de una sección de otra
sentencia para incorporar a un proyecto
• Extracción de información específica de declaraciones
testimoniales
71
ANEXO I
Eficiencia 62%
Alta: 11 tareas
Baja: 4 tareas
Automatizable: 10
Grado de automatización Semiautomatizable: 8
No automatizable: 1
Alto: 17
Medio: 2
Bajo: 8
Sin asignar: 2
Alta: 16 tareas
Media: 7 tareas
Repetitividad
Baja: 4 tareas
Complemento: 3 tareas
Sustitución: 3 tareas
Alta: 77%
Media: 38%
Alta: 65%
Medio: 57%
de juicio humano requerido Bajo: 44%
Alta: 45%
Media: 71%
72
ANEXO I
3. Estudios jurídicos / áreas legales de empresas
• Control de quitas según matriz de atribuciones

• Control de saneos con nivel de aprobación correspondiente y
justificación
• Análisis de quitas
• Redacción del informe de quitas
• Redacción de un descargo administrativo
• Copia con modificaciones de un contrato de arrendamiento
• Redacción del recibo de pago del contrato
• Pensar la prueba / Ofrecimiento de prueba / Pliego de
posiciones
• Confección de una contestación de demanda laboral
• Realización de un testimonio
• Redacción de demanda por incumplimineto contractual
en el marco de una relación de consumo (Planes de ahorro
Automotor)
• Pliego de posiciones para la redacción de demanda por incum-
plimineto contractual en el marco de una relación de consumo
(Planes de ahorro Automotor)
• Redacción de email. (Contenido: Información del estado de
la causa para el cliente.) Redacción de demanda por incum-
Tareas sobre las cuales se plimineto contractual en el marco de una relación de consumo
efectuaron las mediciones (Planes de ahorro Automotor)
• Revisión de procedimiento de Conflicto de Interés
• Identificar controles a realizar para verificar el cumpli-
miento de acuerdos de niveles de servicios en contratos con
proveedores
• Extracción preliminar de obligaciones de un Contrato
• Armado de una carta contractual estándar (notificar un Evento,
generar una reserva contractual)
• Análisis de Acta Recibida por una Infracción Tributaria -
Comparación entre dos actas similares ( misma infracción) pero
que versaban sobre distintos hechos
• Análisis de la resolución tributaria recibida
• Confección de oficio judicial
• Elaboración de contrato de locación
• Redacción de carta documento laboral
• Elaboración de mandamiento de intimación de pago
• Elaboración de hechos de una demanda (daños y perjuicios)
• Prueba testimonial laboral. Elaboración de pliego para testigo
• Prueba testimonial: elaboración de pliego para un beneficio de
litigar sin gastos
Eficiencia 68%
73
ANEXO I
Alta: 9 tareas
Baja: 6 tareas
Automatizable: 8
Grado de automatización Semiautomatizable: 11
No automatizable: 8
Alto: 15
Juicio humano requerido Medio: 9
Bajo: 3
Alta: 11 tareas
Repetitividad Media: 5 tareas
Baja: 11 tareas
Sustitución: 7 tareas
Sin asignar: 1 tarea
Alta: 73%
Media: 62%
Alta: 71%
Media: 57%
de juicio humano requerido Baja: 44%
Alta: 55%
Media: 63%
4. Traducción
• Armado del glosario

Tareas sobre las cuales se
• Primer borrador de traducción de un texto de 15000
efectuaron las mediciones palabras
Eficiencia 99,9%
74
ANEXO I
Grado de automatización Automatizable: 2 tareas
Alto: 1
Medio: 1
Alta: 1 tarea
Repetitividad
Media: 1 tarea
Incidencia de la IAGen Complemento: 2 tareas
5. Educación
• Selección de la Unidad del Programa a Trabajar

• Proponer actividades prácticas para los estudiantes de la
Tareas sobre las cuales se unidad seleccionada
efectuaron las mediciones • Seleccionar la actividad práctica adecuada
• Planificar la actividad práctica seleccionada
Eficiencia 51%
Alta: 1 tarea
Nivel de complejidad
Media: 3 tareas
Grado de automatización No automatizable: 4 tareas
Juicio humano requerido Alto: 4 tareas
Repetitividad Baja: 4 tareas
Asistencia
75
ANEXO I
A continuación, se analiza el tiempo requerido para completar la tarea sin y con el uso de
herramientas de IAGen. Se desprende además el nivel de eficiencia alcanzado en cada caso.
Tiempo de realización Tiempo de realización

Tarea Eficiencia
de la tarea sin IAGen de la tarea con IAGen
Análisis de Ofertas 249 30 88%
Revisión de Pliegos de Bases

y Condiciones Particulares 95 55 42%
Control legal de convenio 61 38 38%

Redacción de acto administrativo de
aprobación 34 49 -44%
de un concurso
Proceso de selección con Análisis de 50

CVs para posición Asesor Legal Sr. 30 18 40%
Supervisión de proyecto
de acto administrativo de cese retroactivo
del impuesto 20 7 65%
a los ingresos brutos
Dictamen Jurídico 15 17 -13%

Redacción de resolución adjudicación
en un proceso de contratación
pública de la Corporación Nacional de 30 5 83%
Telecomunicaciones CNT EP
Redacción de resolución de adjudicación en
un proceso 30 3 90%
de contratación pública
Redacción de un contrato
administrativo
60 6 90%
administrativo
60 6 90%
administrativo
60 3 95%
administrativo
60 2 97%
76
ANEXO I
2. Justicia

Tarea Eficiencia
Analisis y comparacion
de escrito
20 25 -25%
Identificación de agravios en una

recurso de casación (segunda prueba) 30 15 50%
Individualización de agravios en recurso
extraordinario provincial presentado contra 120 35 71%
sentencias de la Cámara Laboral
Primer decreto presentación Recurso

Extraordinario Provincial 30 15 50%

CVs para posición Asesor Legal Sr. 30 18 40%
Identificación de agravios
en una recurso de casación 30 15 50%
(segunda prueba)
Aplicar lenguaje claro en un voto

(segunda prueba) 45 15 67%
en un proceso de contratación pública
de la Corporación Nacional 30 5 83%
de Telecomunicaciones CNT EP
Confección de oficios a partir de un

modelo 5 10 -100%
Confronte de oficios
Extracción de información relevante

de una demanda 20 20 0%
Elaboración de un correo electrónico en
lenguaje claro que informe el procedimiento
interno de la UERC y explique el proceso 80 45 44%
ordinario del CPJRC que se transitará.
Aplicar lenguaje claro

en la sentencia
60 10 83%
Ordenar los hechos cronológicamente

y expresarlos en lenguaje jurídico 40 15 63%
Proponer argumentos para contestar el
traslado de una contestación 60 20 67%
de demanda.
Cómputo de plazo de caducidad en

acción contencioso administrativa 20 30 -50%
77
ANEXO I
Identificación de agravios en una

recurso de casación (segunda prueba) 30 15 50%


de una demanda 20 20 0%
Elaboración de dictamen fiscal

sobre cesantía 240 36 85%

sobre astreintes 240 32 87%
Identificar el objeto de la demanda 2 3 -50%
Identificar agravios en el recurso

de inconstitucionalidad 25 2.5 90%
Redacción de una demanda de daños
y perjuicios por responsabilidad estatal 60 23.25 61%
en contexto de violencia de género
Análisis de un caso de astreintes 90 23.75 74%
Análisis de alegato de apertura fiscal

en juicio penal 34 12.75 63%
Análisis de examen y contraexamen
de médico forense en el marco 31 12.25 60%
de un juicio por jurados
Resumen de sentencia y generación

de cuadro informativo relevante 10 5 50%
Extracción de razonamiento jurídico
de una sección de otra sentencia 60 90 -50%
para incorporar a un proyecto
Extracción de información específica

de declaraciones testimoniales 120 30 75%
78
ANEXO I
3. Estudio jurídico / área de legales

Tarea Eficiencia
Confección de oficio judicial 22 9 59%
Elaboración de contrato
de locación 30 17 43%
Redacción de carta
documento laboral 20 9 55%
Elaboración de mandamiento
de intimación de pago 15 7 53%
Elaboración de demanda 35 9 74%

Prueba testimonial laboral.
Elaboración de pliego 22 8 64%
para testigos
Prueba testimonial: Elaboración de
pliego para un Beneficio de Litigar 25 4 84%
sin Gastos
Análisis de Acta Recibida por una Infracción
Tributaria - Comparación entre dos actas
similares ( misma infracción) pero que 30 11 63%
versaban sobre distintos hechos
Análisis de Resolución
Tributaria Recibida 60 20 67%
Revisión de procedimiento
de Conflicto de Interés 30 6 80%
Identificar controles a realizar para verificar

el cumplimiento de acuerdos de niveles de 240 70 71%
servicios en contratos con proveedores
Extracción preliminar de
obligaciones de un contrato 250 120 52%
Armado de una carta contractual
estándar (notificar un Evento, generar 30 2 93%
una reserva contractual)
Elegir nombres para un producto 120 16 87%
Redacción de un descargo
administrativo 5 45 -800%
Copia con modificaciones de un

contrato de arrendamiento 120 6 95%
79
ANEXO I
Redacción del recibo de pago

del contrato 15 3.5 77%
Pensar la prueba / Ofrecimiento de

prueba / Pliego de posiciones 45 50 -11%
Confección de una contestación

de demanda laboral 62 36 42%
Realización de un testimonio 35 11 69%
Redacción de demanda por incumplimineto

contractual en el marco de una relación de 960 136 86%
consumo (Planes de ahorro Automotor)
Pliego de posiciones para la redacción de

demanda por incumplimineto contractual
en el marco de una relación de consumo 90 40 56%
Redacción de email. (Contenido: Información

del estado de la causa para el cliente.)
Redacción de demanda por incumplimineto 15 45 73%
contractual en el marco de una relación de
Control de quitas según matriz

de atribuciones 45 33 27%
Control de saneos con nivel

de aprobación correspondiente 60 20 67%
y justificación
Análisis de quitas 60 50 17%
Redacción del informe de quitas 90 65 28%
80
ANEXO I
4. Traducción

Tarea Eficiencia
Armado del glosario 2400 2 100%
Primer borrador de traducción

de un texto de 15000 palabras 2400 1 43%
5. Educación

Tarea Eficiencia
Selección de la Unidad
del Programa a Trabajar 7 8 -14%
Proponer actividades prácticas

para los estudiantes de la unidad 17 10 41%
seleccionada
Seleccionar la actividad
práctica adecuada 2 2 0%
Planificar la actividad
práctica seleccionada 35 10 71%
6. Investigación

Tarea Eficiencia
Definición de un proyecto
de investigación
80 570 -613%
81
ANEXO I
c. Nivel de complejidad de las tareas
1. Tareas de complejidad alta
A continuación se listan las tareas de complejidad alta sobre las cuales se efectuaron las
mediciones:
Área / Sector Tarea Media
Control legal de convenio

Administración
Alta
Pública
Dictamen Jurídico
Planificar la actividad práctica

Educación Alta
seleccionada
Análisis de quitas

de demanda laboral

Revisión de procedimiento
de Conflicto de Interés
el cumplimiento de acuerdos de niveles de
Estudio jurídico /
Extracción preliminar de obligaciones Alta
área de legales
de un Contrato
Análisis de Resolución Tributaria Recibida
Elaboración de contrato de locación
Elaboración de demanda
Identificación de agravios en una recurso

de casación (segunda prueba)
extraordinario provincial presentado contra
82
ANEXO I



sobre cesantía

sobre astreintes
Estudio jurídico / Identificar el objeto de la demanda

Alta
área de legales
Identificar agravios en el recurso
de inconstitucionalidad
Redacción de una demanda de daños y perjuicios

por responsabilidad estatal en contexto
de violencia de género
Análisis de un caso de astreintes

de declaraciones testimoniales
2. Tareas de complejidad media
A continuación se listan las tareas de complejidad alta sobre las cuales se efectuaron las
mediciones:
83
ANEXO I
Análisis de Ofertas

y Condiciones Particulares
Redacción de acto administrativo

de aprobación de concurso
CVs para posición Asesor Legal Sr.
Administración
Supervisión de proyecto de acto
Media
Pública
administrativo de cese retroactivo del
impuesto a los ingresos brutos
Redacción de un contrato administrativo
Selección de la Unidad del Programa

a Trabajar
Proponer actividades prácticas para los

Educación Media
estudiantes de la unidad seleccionada
Seleccionar la actividad práctica adecuada
Realización de un testimonio
Armado de una carta contractual estándar

(notificar un Evento, generar
una reserva contractual)
Elegir Nombres para un producto

Estudio jurídico /
Media
área de legales
similares ( misma infracción) pero que versaban
sobre distintos hechos
Confección de oficio judicial
Elaboración de mandamiento
de intimación de pago
84
ANEXO I
Prueba testimonial laboral.

Elaboración de pliego para testigo
Estudio jurídico /
Media
área de legales Prueba testimonial: Elaboración de pliego
para un Beneficio de Litigar sin Gasto
Control de quitas según matriz de

atribuciones
Control de saneos con nivel de aprobación

Estudio jurídico / correspondiente y justificación
área de legales Media
de empresas Redacción del recibo de pago del contrato
Pensar la prueba / Ofrecimiento de prueba /

Pliego de posiciones
Investigación Definición de un proyecto de investigación Media
Analisis y comparacion de escrito

Extraordinario Provincial

(segunda prueba)

de una demanda
Elaboración de un correo electrónico en lenguaje claro

que informe el procedimiento interno de la UERC
y explique el proceso ordinario del CPJRC
Justicia que se transitará. Media
Aplicar lenguaje claro en la sentencia
Ordenar los hechos cronológicamente

y expresarlos en lenguaje jurídico
Proponer argumentos para contestar el

traslado de una contestación de demanda.
Cómputo de plazo de caducidad en acción

contencioso administrativa

(segunda prueba)
85
ANEXO I

de una demanda
Análisis de examen y contraexamen de

médico forense en el marco de un juicio
por jurados
Justicia Media
Resumen de sentencia y generación
de cuadro informativo relevante
Extracción de razonamiento jurídico de una

sección de otra sentencia para incorporar
a un proyecto
Armado del glosario
Traducción Media
Primer borrador de traducción de un texto
de 15000 palabras
3. Tareas de complejidad baja
A continuación se listan las tareas de complejidad baja sobre las cuales se efectuaron las
mediciones:
86
ANEXO I
Redacción de resolución adjudicación en

un proceso de contratación pública de la
Corporación Nacional de Telecomunicaciones
Administración
CNT EP Baja
Pública
Redacción de resolución de adjudicación
en un proceso de contratación pública
Estudio jurídico
Redacción de carta documento laboral Baja
/ área de legales
Redacción del informe de quitas
Redacción de un descargo administrativo
Copia con modificaciones de un contrato

Estudio jurídico de arrendamiento
/ área de legales Pliego de posiciones para la redacción de Baja
de empresas demanda por incumplimineto contractual en el
marco de una relación de consumo (Planes de
ahorro Automotor)
Redacción de email. (Contenido: Información del

estado de la causa para el cliente.) Redacción
de demanda por incumplimineto contractual en
el marco de una relación de consumo (Planes de
ahorro Automotor)
Confección de oficios a partir de un modelo
Confronte de oficios (segunda prueba)

Justicia Baja
Análisis de alegato de apertura fiscal

en juicio penal
87
ANEXO I
d. Nivel de juicio humano requerido
1. Juicio humano alto
A continuación se listan las tareas de alto nivel de juicio humano sobre las cuales se
efectuaron las mediciones:
Juicio humano
Área / Sector Tarea
requerido
Control legal de convenio
Administración Proceso de selección con Análisis de 50

Alto
Pública Cvs para posición Asesor Legal Sr.
Dictamen Jurídico
Planificar la actividad práctica seleccionada
Selección de la Unidad del Programa

a Trabajar
Educación Alto
Análisis de quitas

(notificar un Evento, generar una reserva
contractual)

Estudio jurídico /
Alto
área de legales Prueba testimonial laboral. Elaboración
de pliego para testigo
Prueba testimonial: Elaboración de pliego
para un Beneficio de Litigar sin Gastos
88
ANEXO I
Revisión de procedimiento de Conflicto

de Interés

Extracción preliminar de obligaciones

de un Contrato
Estudio jurídico /
Análisis de Resolución Tributaria Recibida Alto
área de legales
Redacción del informe de quitas

demanda por incumplimineto contractual en el
marco de una relación de consumo (Planes de
ahorro Automotor)
Estudio jurídico / Redacción del recibo de pago del contrato
área de legales Alto

de empresas Pensar la prueba / Ofrecimiento de prueba /

de una demanda
Identificación de agravios en una recurso de

casación (segunda prueba)
Proponer argumentos para contestar el traslado

de una contestacion de demanda
Individualización de agravios en recurso extraordinario
Justicia provincial presentado contra sentencias Alto
de la Cámara Laboral


Elaboración de dictamen fiscal sobre cesantía
Elaboración de dictamen fiscal sobre astreintes
89
ANEXO I
Identificar el objeto de la demanda

de una demanda
Identificar agravios en el recurso de

Redacción de una demanda de daños y perjuicios por

responsabilidad estatal en contexto
de violencia de género
Justicia Alto
Resumen de sentencia y generación de cuadro
informativo relevante
Extracción de razonamiento jurídico de una sección

de otra sentencia para incorporar a un proyecto

de declaraciones testimoniales

Traducción
de 15000 palabras
Alto
2. Juicio humano medio
A continuación se listan las tareas de medio nivel de juicio humano sobre las cuales se
90
ANEXO I
Juicio humano
requerido
Análisis de ofertas

y Condiciones Particulares
Redacción de acto administrativo

de aprobación de un concurso
Supervisión de proyecto de acto

impuesto a los ingresos bruto

Administración
Pública Redacción de resolución adjudicación en Medio
un proceso de contratación pública de la
Corporación Nacional de Telecomunicaciones
CNT EP

un proceso de contratación pública
Estudio jurídico / Redacción de un descargo administrativo

área de legales Medio
de empresas Copia con modificaciones de un contrato de
arrendamiento

correspondiente y justificación

de demanda laboral
Estudio jurídico /
Medio
área de legales
Redacción de carta documento laboral
91
ANEXO I

similares ( misma infracción) pero que
versaban sobre distintos hechos
Estudio jurídico /
Elaboración de mandamiento de intimación
Medio
área de legales
de pago
Investigación Definición de un proyecto de investigación Medio

Justicia Medio
Ordenar los hechos cronológicamente y
expresarlos en lenguaje jurídico
Traducción Armado del glosario Medio
3. Juicio humano bajo
A continuación se listan las tareas de bajo nivel de juicio humano sobre las cuales se
92
ANEXO I
Juicio humano
requerido
Estudio jurídico /
Confección de oficio judicial Bajo
área de legales
Control de quitas según matriz de

atribuciones
Estudio jurídico / Redacción de email. (Contenido:

área de legales Información del estado de la causa para Bajo
de empresas el cliente.) Redacción de demanda por
incumplimineto contractual en el marco de
una relación de consumo (Planes de ahorro
Automotor)

interno de la UERC y explique el proceso
ordinario del CPJRC que se transitará.
Justicia Bajo

Análisis de examen y contraexamen de

médico forense en el marco de un juicio por
jurados
Análisis de alegato de apertura fiscal en

juicio penal
93
ANEXO I
e. Nivel de repetitividad de la tarea
1. Repetitividad alta
A continuación se listan las tareas de repetitividad alta sobre las cuales se efectuaron las
mediciones:
Nivel
de repetitividad
Dictamen Jurídico

en un proceso de contratación
pública de la Corporación Nacional de
Administración Telecomunicaciones CNT EP
Pública Alta
Confección de una contestación de

demanda laboral
Redacción de carta documento laboral
Estudio jurídico /
Análisis de Acta Recibida por una Infracción Alta
área de legales
similares ( misma infracción) pero que versaban
sobre distintos hechos
Confección de oficio judicial
94
ANEXO I
Elaboración de mandamiento de intimación

de pago
Estudio jurídico / Control de quitas según matriz Alta

área de legales de atribuciones
Análisis de Resolución Tributaria Recibida

correspondiente y justificación
Estudio jurídico /
área de legales Alta
de empresas
Redacción de email. (Contenido:
Información del estado de la causa para
el cliente.) Redacción de demanda por
incumplimineto contractual en el marco de
una relación de consumo (Planes de ahorro
Automotor)


de una demanda

Justicia Alta
interno de la UERC y explique el proceso
ordinario del CPJRC que se transitará

Ordenar los hechos cronológicamente y

expresarlos en lenguaje jurídico
95
ANEXO I

extraordinario provincial presentado contra


Justicia Alta


de una demanda
Resumen de sentencia y generación de

cuadro informativo relevante

Justicia Alta
de 15000 palabras
2. Repetitividad media
A continuación se listan las tareas de repetitividad media sobre las cuales se efectuaron las
mediciones:
96
ANEXO I
Nivel
de repetitividad
Revisión de Pliegos de Bases y Condiciones

Particulares
Administración
Pública Supervisión de proyecto de acto Media
impuesto a los ingresos brutos


(notificar un Evento, generar una reserva
contractual)
Prueba testimonial laboral. Elaboración de

Estudio jurídico / pliego para testigo
Media
área de legales
Estudio jurídico /
área de legales Redacción del informe de quitas Media
de empresas
Proponer argumentos para contestar

el traslado de una contestación
de demanda

sobre cesantía
Justicia
Elaboración de dictamen fiscal sobre
Media
astreintes
Identificar el objeto de la demanda
Identificar agravios en el recurso de

97
ANEXO I
Extracción de razonamiento jurídico de una

sección de otra sentencia para incorporar a
un proyecto
Justicia Media
Extracción de información específica de
declaraciones testimoniales
Traducción Armado del glosario Media
3. Repetitividad baja
A continuación se listan las tareas de repetitividad media sobre las cuales se efectuaron las
mediciones:
Nivel
de repetitividad
Administración Redacción de acto administrativo

Pública de aprobación de concurso Baja

CVs para posición Asesor Legal Sr.

Educación Planificar la actividad práctica seleccionada Baja

98
ANEXO I

Educación Baja
Análisis de quitas

Estudio jurídico / contractual en el marco de una relación de
consumo (Planes de ahorro Automotor) Baja
área de legales
Prueba testimonial: Elaboración de pliego

para un Beneficio de Litigar sin Gastos
Revisión de procedimiento de Conflicto

de Interés
Extracción preliminar de obligaciones de un

Contrato
Redacción de un descargo administrativo
Copia con modificaciones de un contrato

de arrendamiento
Estudio jurídico /
área de legales
demanda por incumplimineto contractual
Baja
de empresas en el marco de una relación de consumo
Redacción del recibo de pago del contrato
Pensar la prueba / Ofrecimiento de prueba /

Investigación Definición de un proyecto de investigación Baja
99
ANEXO I
Análisis de examen y contraexamen

de médico forense en el marco de un juicio
por jurados
Redacción de una demanda de daños y

perjuicios por responsabilidad estatal en
Justicia contexto de violencia de género Baja
Análisis de alegado de apertura fiscal en

juicio penal
100
101
II
ANEXO
ANEXO II
ANEXO II
A continuación, describimos en forma detallada el procedimiento realizado para efectuar

las mediciones en las diversas tareas sobre las cuales se analizó el impacto de las
herramientas de IAGen.
Administración Pública
Luego de que el equipo de UBA IALAB definió los objetivos y alcances de la investigación,
en el ámbito de la Dirección General y Técnica Administrativa y Legal del Ministerio
Desarrollo Económico y Producción de la Ciudad de Buenos Aires, se convocó a un equipo
interdisciplinario de colaboradores voluntarios (7 personas en total).
Las áreas de expertise sobre las que se realizaron las pruebas fueron: Compras y
Contrataciones, Legal y Recursos Humanos. Las tareas seleccionadas fueron: “Análisis de
Ofertas”, “Control Legal de Convenios” y “Proceso de Selección con Análisis de CVs para
posición determinada”.
Se asignaron tareas específicas a los colaboradores de la Dirección Administrativa Legal

y Técnica (según su área de expertise) y de acuerdo a sus habilidades y conocimientos.
Algunos se encargaron de la pre-selección de tareas relevantes al tema, mientras que otros
se enfocaron en la medición de tiempos y revisión del contenido, todo ello supervisado por
un enlace de coordinación general.
Se establecieron plazos y se acordaron entregas parciales para mantener un flujo constante

de información y minimizar retrasos.
A lo largo del proceso de elaboración de la investigación y pruebas de trabajo, se llevaron

a cabo reuniones periódicas para discutir avances, resolver dudas y realizar ajustes según
las necesidades identificadas. Estas reuniones también permitieron al equipo mantenerse
al tanto del progreso y trabajar de manera colaborativa para mejorar la calidad del informe.
Los voluntarios de entre 25 y 40 años de edad, se presentaron inicialmente entusiastas

con el proyecto, a medida que se realizaban las primeras pruebas aparecían los primeros
interrogantes sobre cómo interactuar de manera más eficiente con el ChatGPT : “¿Lo estoy
haciendo bien?”; temores sobre el alcance de la tarea realizada: “¿Me va a reemplazar?” y
cierta “reticencia” a seguir avanzando con el proyecto vinculada a esos temores.
102
ANEXO II
A nivel operativo se cuestionó la demora en obtener el resultado deseado (necesidad

de adecuación del prompt) “Pierdo mucho tiempo hasta que “entiende” lo que quiero, lo
hago yo directamente”, siendo inevitable asignarle características de la “personalidad” a la
herramienta.
Con los primeros resultados los voluntarios fueron comprendiendo que podía ser una
herramienta colaborativa o de soporte a la hora de desarrollar sus tareas, mostrandose
alertados en los casos en los que la herramienta reemplaza o sustituye la tarea humana.
Detectaron que el desafío es trabajar sobre el conocimiento de herramientas de este tipo

para sumarlas a su desarrollo profesional así como la de afianzar el desarrollo de habilidades
blandas.
Por su parte la extensión de las pruebas realizadas se enfocó en profundizar aspectos

específicos del tema tratado, brindando un análisis detallado y una mayor contextualización
para el analista. Se trabajó sobre una matriz de excel que se fue mejorando con el fin de
facilitar el análisis de los resultados presentados.
Como etapa final, luego de una primera devolución al equipo de IALAB se llevó a cabo una
revisión exhaustiva de la matriz. Se verificó la coherencia de la información y se corrigieron
errores de interpretación en términos generales. Además, se aseguró la precisión y
consistencia de los datos presentados, así como la calidad del contenido en general.
Justicia
Las pruebas de identificación del objeto de una demanda de astreintes y la identificación
de agravios en un recurso de inconstitucionalidad de un caso de cesantía se realizaron en
la Fiscalía General Adjunta en lo Contencioso, Administrativo, Tributario y de Relaciones del
Consumo del Ministerio Público Fiscal de la Ciudad Autónoma de Buenos Aires.
Estuvieron a cargo de un empleado judicial con el cargo de auxiliar administrativo, que se

especializa en la realización de distintos tipos de dictámenes en la materia ante el Tribunal
Superior de Justicia de la Ciudad Autónoma de Buenos Aires.
Las pruebas consistieron en pedirle a ChatGPT por medio de distintos prompts que realice
un análisis exhaustivo de una demanda, en un caso, y que identifique cuál era su objeto de
forma detallada y precisa. En otro caso, se le solicitó a la herramienta que analice un recurso
de inconstitucionalidad e identifique sus agravios.
103
ANEXO II
En ambos casos las pruebas realizadas arrojaron resultados exitosos, cumpliendo con los
objetivos esperados y sin tener que rehacer ninguno de los prompts iniciales.
Por usar sólo uno de los dos casos como ejemplo, el tiempo de realización de la lectura
humana de un recurso de inconstitucionalidad para identificar correctamente los agravios
planteados es de, aproximadamente, 25 minutos. Con esta herramienta de IAGen, ese
tiempo se vio acortado a 2 minutos con 30 segundos, es decir, un 90% de optimización del
tiempo.
Traducción
Las pruebas de armado de glosario y el borrador de traducción de un texto de 15.000
palabras fueron realizadas por una traductora de inglés, quien colaboró con el Laboratorio
a tales fines.
Las pruebas consistieron en pedirle tanto a MateCat561como a ChatGPT —en este caso, por
medio de distintos prompts— que realicen un análisis de un texto, en un caso, y extraigan
distintos términos para integrar un glosario. En otro caso, se les solicitó a las herramientas
que analicen un texto y lo traduzcan.
Después de algunas iteraciones, en ambos casos, las pruebas realizadas arrojaron

resultados exitosos.
Para las dos pruebas realizadas se tomaron como tiempo estimado de la realización de las
tareas, unos 2.400 minutos (40 horas). Con estas herramientas de IA generativa, ese tiempo
se vio acortado a 2 minutos, es decir, alcanzando casi un 100% de optimización del tiempo.
Por lo que podemos concluir en que son herramientas que sirven de complemento.
56 MateCat es un software libre de traducción basado en la limitación de segmentos dentro del proyecto de traducción y la máxima optimización de
la repetición de palabras.
104
105

Evaluación Del Impacto de La Inteligencia Artificial Generativa en El Trabajo

Cargado por

Copyright:

Formatos disponibles

Evaluación Del Impacto de La Inteligencia Artificial Generativa en El Trabajo

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Evaluación Del Impacto de La Inteligencia Artificial Generativa en El Trabajo

Cargado por

Copyright:

Formatos disponibles

Evaluación del impacto de la

inteligencia artificial generativa en el trabajo

Con el apoyo de:

Archivo Digital: descarga y online

Evaluación del impacto

Juan Gustavo Corvalán

Laura Díaz Dávila

4. Resultados de la investigación. Análisis de los datos obtenidos..37

i. Ejemplos de eficiencia de IAGen en tareas específicas

2. Tareas de complejidad alta y repetitividad media

3. Tareas de complejidad baja y repetitividad alta

5. Próximos pasos. Presentación de prompts como templates. 59

d. Nivel de juicio humano requerido

e. Nivel de repetitividad de la tarea

ANEXO II. .......................................................................................... 101

E l presente documento proporciona un análisis detallado de la implementación de

La investigación fue llevada adelante entre agosto y diciembre de 2023, y se centró en

Optimización promedio Eficiencia máxima alcanzada

Alta 24 tareas Alta complejidad 73%

Eficiencia según Eficiencia

Automatizable 21 tareas Automatizable 94% Alta 24 tareas Alto 86%

Eficiencia según Eficiencia según

Alta 42 tareas Alto 81% Asistente 49 tareas Asistente 94%

Media 22 tareas Medio 74% Complemento 16 tareas Complemento 68%

Baja 10 tareas Bajo 44% Sustitución 10 tareas Sustitución 45%

E ste trabajo se concreta en un momento revolucionario para una industria tecnológica

Históricamente, han surgido preocupaciones, desafíos y oportunidades en torno a la

a. Tendencias y panorama en el mundo del trabajo

Por otro lado, la pandemia profundizó problemas estructurales existentes, como el

Las condiciones, la calidad de los empleos, y la infravaloración de los trabajadores

b. La Cuarta Revolución Industrial y el auge de sistemas

En la actualidad, atravesamos la Cuarta Revolución Industrial o Industria 4.09, centrada en

Esta última revolución ha impactado en nuestra forma de vivir, de trabajar y hasta de

En este marco, en los últimos años específicamente, fuimos testigos de un avance

9 https://www2.deloitte.com/content/dam/Deloitte/uy/Documents/human-capital/Revoluci%C3%B3n%204.0.pdf (consultado el 4/03/2024)

c. ChatGPT y las claves de su éxito

Estas mejoras no solo se observan en términos de coherencia de las respuestas, sino

Todos estos componentes en relación al contenido y calidad de las respuestas forman

del conocimiento. A partir de la llegada de este modelo, han proliferado muchísimos

Este caudal de innovación ha transformado y sigue transformando la forma en que las

» La automatización no necesariamente tiende a reducir el trabajo, sino que en distintos

Cuando tomamos Prometea en el trabajo anterior, pudimos evaluar su impacto concreto

30 El libro se encuentra disponible en: https://ialab.com.ar/wp-content/uploads/2023/03/ia_y_trabajo.pdf

En conclusión, en línea con el propósito de revisar los trabajos y resultados anteriores

De ambos, se desprenden los siguientes problemas de investigación:

» Primero. ChatGPT y los modelos de IAGen ¿tienden a reducir el tiempo necesario

Selección de: Tareas, subtareas y microtareas a analizar

Conformación de cada una de ellas

Indicadores para analizar el impacto

• Complejidad de la tarea: • Nivel de incidencia de la IAGen en las

a. Conceptos relacionados con la inteligencia artificial

Inteligencia Artificial Generativa (IAGen). Se trata de un subcampo de la IA que se utiliza

un gran nivel de autonomía, asistiendo o complementando a los trabajadores humanos en

El equipo de investigación –de acuerdo a los parámetros que se explican a continuación–,

La selección de los sectores se efectuó teniendo en consideración el conocimiento

Puntualmente el objetivo de la investigación consistió en recolectar datos para analizar el

Esto involucró analizar:

De esta manera, la evaluación se enfoca en obtener una comprensión completa y holística

Para analizar cómo impacta la IAGen en los trabajos es necesario identificar: