Automatizar tareas no es eliminar trabajos: evidencia desde la radiología.

Hace pocos días el CEO de Microsoft AI, Mustafa Suleyman, dijo: “creo que vamos a tener un rendimiento de nivel humano en la mayoría, si no todas, las tareas profesionales… así que la mayor parte del trabajo de oficina… será automatizado por IA en los próximos 12-18 meses.”

Durante el 2025, Dario Amodei de Anthropic señaló que “la IA podría eliminar la mitad de todos los trabajos de cuello blanco de nivel inicial y aumentar el desempleo hasta un 20% en 1 a 5 años”.

Por su parte, Mark Zuckerberg de Meta apuntó a que “probablemente en 2025... vamos a tener una IA que pueda ser efectivamente un ingeniero de nivel medio en tu empresa que escriba código.”

Finalmente, Sam Altman de OpenAI indicó que “esperaría que el impacto real de la IA haciendo trabajos se empiece a sentir en los próximos años” y que “los trabajos de soporte al cliente estarán totalmente desaparecidos.”

Bueno... en 2016 (¡hace ya 10 años!), Geoffrey Hinton, conocido como uno de los "padres de la IA" señaló que "es bastante obvio que deberíamos dejar de entrenar a los radiólogos ahora mismo. Es completamente obvio que en cinco años la IA podrá hacer mejor el trabajo que un radiólogo."

¿Y qué pasó? Hoy faltan radiólogos... y eso que no se siguió la indicación de Hinton.

En el Clinical Radiology Workforce Census del Royal College of Radiologists, el doctor Robin Proctor señala que “el censo de radiología clínica de este año vuelve a dejar al descubierto la magnitud del desafío que enfrentamos, con problemas crónicos —como la escasez de personal, los retrasos en los informes y las vacantes de puestos— que siguen siendo excesivamente altos.”

Peor aún, si bien la dotación de radiólogos creció un 4,7% durante el 2024, la demanda por sus servicios aumentó en un 8%, y que se estima que en UK el déficit de radiólogos aumentará desde 29% en 2024 a 39% para el 2029.

¿Cómo es esto posible? ¿Es que acaso los radiólogos no están ocupando IA? Por supuesto que si, pensemos que la Administración de Alimentos y Medicamentos de Estados Unidos (FDA) ha aprobado el uso de un poco más de 1.000 herramientas de IA para ser utilizadas en radiología.

Entonces, tenemos una predicción que decía que los radiólogos serían reemplazados en cinco años, pero la realidad nos muestra que hoy faltan radiólogos y que esto será peor en el futuro. ¿Qué explica esto? Por lo que he estado estudiando de este caso existirían tres posibles causas: aumento de la demanda por radiología, brecha entre aumento de productividad esperada y efectivamente lograda, y que los radiólogos no solo interpretan imágenes y escriben reportes.

Aumento de la demanda por radiología:

Hay dos factores que estarían aumentando la demanda por servicios de radiología: a) el envejecimiento de la población y b) lo que se conoce como la paradoja de Jevons.

De nuestra experiencia sabemos que las personas de mayor edad requieren más servicios médicos, entre los cuales están los de radiología. Por lo que es esperable que un envejecimiento de la población implique una mayor demanda por estos servicios.

El segundo factor es la paradoja de Jevons. En 1865, Jevons observó algo que contradecía el sentido común. El carbón fue la principal fuente de energía para los distintos tipos de motores que impulsaron la Revolución Industrial. ¿Qué pasaría con la demanda de carbón si los motores se hacen más eficientes? Pensaríamos que la demanda debería caer, pero ocurrió exactamente lo contrario.

¿Cómo es posible que, si hago más eficiente un proceso, respecto de un determinado insumo, termine aumentando la demanda por dicho insumo? En el caso visto por Jevons, el aumento de eficiencia reducía el costo de la energía, haciendo rentable el uso de motores en actividades que antes no lo eran. De este modo, cada mejora en eficiencia ampliaba el conjunto de usos económicamente viables de los motores, lo que terminaba incrementando la demanda por carbón.

¿Qué implica esto para los radiólogos y la IA? El uso de IA aumenta la productividad de los radiólogos, lo cual (como en el ejemplo del carbón) hace que aumente al demanda sobre sus servicios, puesto que amplía el conjunto de situaciones en las que resulta clínicamente justificado solicitarlos.

Por lo tanto, el aumento en la productividad de los radiólogos traería un aumento en la demanda de sus servicios. OK... pero esto por si sólo no puede explicar que falten radiólogos, puesto que la idea es que la IA los reemplazaría. Dicho de otra forma, si bien la demanda sobre servicios de radiología ha aumentado, el pronóstico era que la IA reemplazaría a los radiólogos, lo que implica que sería la IA la que tendría que haber absorbido la mayor demanda. Pero esto no ha sucedido, por lo que debemos analizar otras variables que estén en juego.

Brecha entre productividad esperada y productividad observada

Como veíamos, la paradoja de Jevons está asociada a un aumento de productividad, por lo que un elemento que podría explicar que los radiólogos no han sido reemplazados por IA es que ésta no ha aumentado la productividad como se esperaba. De hecho, el Clinical Radiology Workforce Census señala que, contrario a la expectativa de que la IA redujera de manera inmediata la carga de trabajo de los radiólogos, los directores clínicos reportaron resultados heterogéneos tras su adopción durante 2024.

En concreto, el 56 % de los directores clínicos no percibió cambios significativos en el volumen de trabajo tras implementar herramientas de IA. Un 37 % reportó un aumento de la carga laboral, atribuida principalmente a la complejidad de la implementación, la integración con los sistemas existentes y los procesos de adaptación organizacional. Solo un 6 % señaló una reducción efectiva de su carga de trabajo como resultado del uso de IA.

En conversaciones que he tenido con gerentes, se repite la percepción de que, pese a inversiones significativas realizadas en IA, los incrementos efectivos de productividad no han estado alineados con las expectativas. Esto refuerza la idea de que los efectos de la IA sobre la productividad dependen de su adopción y rediseño de procesos, más que de la tecnología en sí misma.

Si esto es correcto, entonces quienes proponen que la IA eliminará a los radiólogos nos dirán: "esto no ha sucedido, pero espera un poco más de tiempo y verás". ¿Tiene este optimismo sustento? En la literatura existe lo que se conoce como la curva J de la productividad ante cambios tecnológicos, la cual sugiere que, tras la introducción de nuevas tecnologías, los beneficios en productividad no se manifiestan de forma inmediata y pueden incluso verse precedidos por períodos de estancamiento o aumento de fricción operativa. Este enfoque será retomado y analizado con mayor profundidad más adelante.

La radiología como ocupación compleja y multifacética

Según el Clinical Radiology Workforce Census, el trabajo del radiólogo abarca un conjunto amplio de tareas que van mucho más allá del análisis de imágenes y la elaboración de informes. Esto implica que una parte relevante de su actividad no es directamente reemplazable por algoritmos de machine learning o modelos de lenguaje, aun cuando estos puedan automatizar tareas específicas del proceso diagnóstico.

En este sentido, el rol del radiólogo es descrito como fundamental y multifacético. Se les define como los médicos que “dirigen la orquesta”, articulando a las distintas especialidades, interpretando datos cada vez más complejos y situando los hallazgos en el contexto clínico de pacientes reales. Además de la interpretación diagnóstica, los radiólogos participan en procedimientos intervencionistas, liderazgo y gestión de servicios, formación y mentoría, mejora de procesos, implementación tecnológica —incluida la inteligencia artificial— y colaboración interdisciplinaria.

Esta diversidad de funciones refuerza la idea de que la radiología constituye una ocupación compleja, compuesta por múltiples tareas con distintos grados de automatización potencial. En consecuencia, la IA puede aumentar la eficiencia en tareas específicas, pero no sustituye el rol integral del radiólogo dentro del sistema de salud.

El futuro del trabajo más allá del reemplazo

El caso de la radiología muestra que automatizar tareas no equivale a eliminar trabajos. Incluso en una de las profesiones más expuestas a la IA, la tecnología no ha reducido el empleo ni simplificado el rol, sino que ha expandido la demanda y aumentado la complejidad del trabajo. Más que un reemplazo inminente de los trabajos de cuello blanco, la evidencia sugiere que la IA está redefiniendo qué significa trabajar bien. El futuro del trabajo no dependerá de cuán rápido avancen los algoritmos, sino de cuán capaces sean las organizaciones de rediseñar el trabajo humano que los rodea.

La IA no está eliminando el trabajo humano; está exponiendo qué partes del trabajo nunca fueron solo técnicas.

Estamos conversando!!