Indicadores Nacionales
Promedio nacional ponderado por cantidad de trabajadores en cada ocupación (escala 0-100)
Vulnerabilidad
Fragilidad económica del trabajador
Mayor = más vulnerable
Susceptibilidad a la IA
Exposición a automatización por IA
Mayor = más expuesto
Adaptabilidad
Capacidad de reconversión laboral
Mayor = mejor preparado
Distribución de trabajadores por zona de riesgo
Mapa de Vulnerabilidad vs. Susceptibilidad a IA
Cada burbuja representa una ocupación. El tamaño refleja la cantidad de trabajadores.
Desglose por Sector
Scores promedio ponderados por sector económico (clic en un sector para filtrar el gráfico)
| Sector | Vulnerabilidad | Susceptibilidad a la IA | Adaptabilidad | Zona | Registros |
|---|
Clasificación de Zonas de Riesgo:
Top 10 Más Vulnerables
Mayor fragilidad económica (salario, informalidad, educación, ahorro)
Top 10 Menos Vulnerables
Menor fragilidad económica (salario, informalidad, educación, ahorro)
Top 10 Más Susceptibles a Impacto de la IA
Mayor grado de exposición a ser automatizadas por IA
Top 10 Menos Susceptibles a Impacto por la IA
Menor grado de exposición a ser automatizadas por IA
Top 10 con Mayor Adaptabilidad
Mayor capacidad de transición a otras áreas laborales
Top 10 con Menor Adaptabilidad
Menor capacidad de transición a otras áreas laborales
La Paradoja de la Informalidad
Los trabajadores más vulnerables económicamente tienen los scores más bajos de Susceptibilidad a la IA.
Impacto directo: bajo
Las tareas manuales (albañilería, agricultura, servicio doméstico, motoconcho) son difícilmente automatizables. Un albañil tiene AIOE de 12 — prácticamente inmune a la IA directa.
Impacto indirecto: potencialmente alto
Competidores formales que adoptan IA comprimen los mercados informales:
- • Supermercados con self-checkout vs. colmados
- • E-commerce con logística IA vs. vendedores ambulantes
- • Apps de transporte vs. motoconchistas
- • Cadenas hoteleras con IA vs. operadores turísticos informales
- • Chatbots bancarios vs. prestamistas informales
Este impacto indirecto NO está modelado en el prototipo actual. Es un área crítica para investigación futura.
Dimensión de Género
67% de la nómina pública son mujeres (329,509 de 493,554 registros MAP, diciembre 2025)
| Ocupación | % Mujeres | AIOE | Perfil de riesgo |
|---|---|---|---|
| Secretaria / Auxiliar admin. | ~85% | 65-70 | Alta susceptibilidad. Zona Atención Urgente. |
| Maestra | ~78% | 45 | Moderada. Contenido impactado, mentoría protegida. |
| Enfermera | ~90% | 38 | Baja. Cuidado directo prácticamente inmune a IA. |
| Digitadora | ~70% | 85 | Muy alta. Tarea eliminable a corto plazo. |
La literatura internacional (IMF 2024, World Bank 2024) confirma que las mujeres en roles administrativos enfrentan mayor exposición a IA generativa. Los 263K empleados del Ministerio de Educación (mayoría mujeres) requieren estrategias de adaptación diferenciadas.
BPO / Call Centers: Riesgo Concentrado
~30K
empleos directos
82
AIOE (muy alto)
18-30
años (demografía)
MNCs*
deciden adopción
Las casas matrices de las MNCs* — no las subsidiarias dominicanas — deciden cuándo desplegar chatbots y voice AI que reemplazan funciones de call center. Estos empleados jóvenes, en su primer empleo formal, concentrados en Santo Domingo y Santiago, requieren políticas de reconversión proactivas, no reactivas.
* MNCs = Corporaciones Multinacionales (ej: Hanes, 3M, Cardinal Health, Marriott)
Factores que Impactan la Adopción de IA en RD
Los multiplicadores están calibrados ~10-17% por debajo de economías desarrolladas, reflejando factores específicos de República Dominicana:
Factores que retardan
- • Informalidad laboral del 54% (ENCFT 2025)
- • Bajo costo de mano de obra vs. costo de IA
- • Brechas de infraestructura digital fuera de SDQ
- • 493K+ empleados públicos en sistemas legados
- • 98.1% MiPyMEs sin capacidad de inversión TI
- • INFOTEP con oferta limitada en IA
- • Barreras lingüísticas (español dominicano)
- • Resistencia institucional y sindical
Factores que aceleran
- • Zonas francas y MNCs* adoptan a ritmo global
- • Banca ya despliega chatbots y scoring con IA
- • Remesas (~10% PIB) y presión diasporiana
- • Población joven (mediana 28 años) y digital
- • Turismo (~15% PIB) con cadenas internacionales
- • Ausencia de regulación de IA (sin barreras)
- • ENIA y apoyo BID/UNESCO
- • Competencia regional (CR, Panamá, Colombia)
- • Costos de IA decrecientes (~50% anual)
- • Efecto demostración del sector privado formal
* MNCs = Corporaciones Multinacionales
Apreciaciones de Vulnerabilidad, Susceptibilidad a la IA y Adaptabilidad
- Vulnerabilidad: Mide qué tan vulnerable es una ocupación ante disrupciones económicas. Combina: vulnerabilidad de ingreso (35%), informalidad sectorial (30%), nivel educativo (20%) y capacidad de ahorro (15%).
- Susceptibilidad a la IA: Mide qué tan susceptible es la ocupación a ser automatizada por IA. Se calcula como:
S = min(100, AIOE × Velocidad × Intensidad). Ver detalles abajo. - Adaptabilidad: Mide la capacidad de la fuerza laboral para adaptarse. Combina transferibilidad de habilidades (50%) y nivel educativo (50%).
Índice AIOE (AI Occupational Exposure)
La base del S-Score es el AI Occupational Exposure Index (AIOE) de Felten, Raj & Seamans (2021), publicado en Strategic Management Journal. El AIOE mide, en una escala de 0 a 100, qué tan expuesta está cada ocupación a las capacidades de la IA. Fue construido cruzando 10 aplicaciones de IA (procesamiento de lenguaje, reconocimiento de imágenes, predicción, generación de contenido, entre otras) con las habilidades requeridas por cada ocupación según la base de datos O*NET del Departamento de Trabajo de EE.UU.
AIOE e ISCO-08: El índice original está mapeado a la Clasificación Internacional Uniforme de Ocupaciones (ISCO-08) de la OIT, el estándar global para clasificar ocupaciones. En este prototipo, no se utiliza una concordancia formal ISCO-08 para las ocupaciones dominicanas. En su lugar, se emplea un sistema simplificado de coincidencia por palabras clave (~100 términos) contra los títulos de cargo de la nómina pública. Cuando no hay coincidencia, se usa el promedio AIOE del grupo ocupacional mayor de ISCO-08 (ej: Grupo 4 “Empleados de oficina” = 75, Grupo 9 “Ocupaciones elementales” = 12). Una concordancia formal ISCO-08 es prioridad para la Fase 2.
Nota sobre modelos de IA generativa: El AIOE fue publicado en 2021, antes de la irrupción de los grandes modelos de lenguaje (LLMs) como Claude (Anthropic), GPT-4 (OpenAI) y Gemini (Google). Estos modelos expanden significativamente la superficie de exposición más allá de lo que el AIOE originalmente midió: hoy la IA puede redactar documentos legales, generar código, analizar imágenes médicas, traducir en tiempo real y razonar sobre problemas complejos — capacidades que en 2021 eran teóricas. El multiplicador de Intensidad “Fuerte” (×1.25) captura parcialmente esta expansión, representando un escenario donde la IA supera las proyecciones originales del AIOE. Versiones futuras de este modelo podrían incorporar un índice actualizado que refleje las capacidades de los LLMs de 2025-2026.
Ejemplos de valores AIOE base:
| Ocupación | AIOE | Interpretación |
|---|---|---|
| Desarrollador de software | 88 | Muy alta exposición — IA generativa ya transforma la programación |
| Digitador / Data entry | 85 | Tarea altamente repetitiva y automatizable |
| Contador | 79 | Contabilidad rutinaria ya automatizada en países desarrollados |
| Secretaria | 70 | Agendas, correos y documentos impactados por asistentes IA |
| Médico | 62 | Diagnóstico impactado, pero atención directa protegida |
| Profesor | 45 | Contenido impactado, pero rol de mentor irremplazable |
| Chofer | 28 | Vehículos autónomos lejanos en RD |
| Albañil | 12 | Trabajo físico variable, muy difícil de automatizar |
| Conserje | 10 | Tareas físicas en entornos no estructurados |
Multiplicadores de Escenario
El AIOE base se ajusta mediante dos multiplicadores combinados para reflejar el escenario de adopción seleccionado:
Smostrado = min(100, AIOE × Velocidad[horizonte] × Intensidad)
Velocidad de Adopción — qué tan rápido se despliega la IA en la economía dominicana:
| Velocidad | Corto (2026-28) | Medio (2028-32) | Largo (2032+) |
|---|---|---|---|
| Lenta | ×0.20 | ×0.35 | ×0.55 |
| Promedio (defecto) | ×0.35 | ×0.55 | ×0.75 |
| Rápida | ×0.55 | ×0.75 | ×0.90 |
Calibrados ~10-17% por debajo de economías desarrolladas para reflejar la realidad dominicana.
Intensidad de Adopción — qué tan profundamente penetra la IA en cada ocupación:
| Intensidad | Multiplicador | Significado |
|---|---|---|
| Leve | ×0.50 | IA augmenta pero no reemplaza — humanos en el loop |
| Moderada (defecto) | ×1.00 | Automatización estándar según proyección AIOE |
| Fuerte | ×1.25 | IA supera expectativas — más tareas automatizadas de lo previsto |
Ejemplos con un Contador (AIOE = 79):
| Escenario | Cálculo | S-Score |
|---|---|---|
| Lenta + Corto + Leve (optimista) | 79 × 0.20 × 0.50 | 8 |
| Promedio + Medio + Moderada (defecto) | 79 × 0.55 × 1.00 | 43 |
| Rápida + Medio + Fuerte | 79 × 0.75 × 1.25 | 74 |
| Rápida + Largo + Fuerte (pesimista) | 79 × 0.90 × 1.25 | 89 |
El mismo contador puede ir de “seguro” (S=8) a “crítico” (S=89) dependiendo del escenario. Esto refleja la incertidumbre real sobre el ritmo de adopción de IA en RD.
Zonas de Riesgo
| Zona | Criterio | Acción |
|---|---|---|
| Zona Crítica | V > 60, S > 55, A < 45 | Intervención inmediata |
| Atención Urgente | V > 35, S > 55, A < 60 | Programas de reconversión |
| Monitoreo Estratégico | V ≤ 35, S > 55, A ≥ 55 | Upskilling progresivo |
| Oportunidad IA | S ≤ 40 | Potenciar con herramientas IA |
| Evaluación Contextual | Otros casos | Análisis caso por caso |
Limitaciones del Prototipo
- Los scores AIOE se asignan por coincidencia de palabras clave; no son modelos entrenados.
- Sectores con menos de 50 registros en la fuente usan valores estimados (indicados con borde punteado).
- Los datos salariales reflejan promedios sectoriales, no salarios por ocupación específica.
- Umbral de representatividad salarial: Sectores con menos de 500 registros usan proxies salariales (estimaciones basadas en ENCFT/TSS) en lugar de su promedio real, ya que muestras pequeñas no son representativas del sector completo. Ejemplo: Educación (3,916 registros de INESDYC) usa datos reales; Manufactura (68 registros de CNZFE) usa proxy.
- Las tasas de informalidad son estimaciones basadas en la ENCFT del Banco Central.
Agregación de Rankings
Los rankings Top 10 agregan ocupaciones con el mismo título que aparecen en múltiples sectores. Los scores V/S/A se calculan como promedios ponderados por cantidad de trabajadores. Por ejemplo, “conserje” aparece en 8+ sectores; el ranking muestra una sola entrada con el promedio ponderado de todos los sectores donde existe esa ocupación. Adicionalmente, se normalizan variantes de género en los títulos: ocupaciones como “supervisor (a)” y “supervisor”, o “encargado(a)” y “encargado”, se consolidan en una sola entrada.
Niveles de Confianza de los Datos
| Nivel | Margen | Criterio | Ejemplo |
|---|---|---|---|
| Tier 1 (Alta) | ±5 | Datos a nivel de ocupación + salario real + ≥500 registros | Conserje en Admin. Pública |
| Tier 2 (Moderada) | ±10 | AIOE por keyword + salario promedio sectorial | Secretaria en Educación |
| Tier 3 (Estimada) | ±15-20 | AIOE por defecto sectorial + proxy salarial | Ocupaciones en TIC (2 registros) |
Hoja de Ruta
Este prototipo es la Fase 1 de un marco de 5 fases:
Limitaciones del Prototipo
- • TAF=1.0: No se ajusta por diferencias en composición de tareas entre RD y EE.UU.
- • AIOE pre-LLMs: Índice de 2021, anterior a ChatGPT/Claude/Gemini. Intensidad “Fuerte” (×1.25) compensa parcialmente.
- • Keyword matching: Asignación de AIOE por coincidencia de palabras clave, no por clasificación ISCO-08 formal.
- • Mapeo institucional: El sector se determina por la institución empleadora, no por el cargo. Entidades de finanzas públicas (Hacienda, Presupuesto, Tesorería) se clasifican como Admin. Pública; solo reguladores autónomos (SB, BCRD) como Serv. Financieros.
- • Datos salariales: Salarios reflejan promedios sectoriales, no por ocupación específica. Sectores con <500 registros usan proxies.
- • A-Score simplificado: No incorpora INFOTEP, movilidad geográfica, factor etario ni idiomas.
- • Informalidad indirecta: No modela compresión de mercado informal por competidores formales con IA.
- • Sector público dominante: 493K de 757K registros son del sector público (MAP).
- • Sin validación experta: Scores no validados por panel Delphi de líderes dominicanos.
- • Género incompleto: Datos solo para MAP (67% F / 33% M). Análisis completo requiere ENCFT.
- • Informalidad estimada: Tasas de informalidad basadas en ENCFT sectorial, no observadas a nivel de ocupación.
Créditos y Referencias
Análisis desarrollado por Carlos Miranda Levy / CEMI.ai en colaboración con Sanba Development.
Artículos de Referencia:
- • The Intelligence Transition — iBIZai.io
- • Felten, E., Raj, M. & Seamans, R. (2021). “Occupational, industry, and geographic exposure to artificial intelligence: A novel dataset and its potential uses.” Strategic Management Journal, 42(12), 2195-2217. [Wiley] [ResearchGate]
Documentos de Trabajo y Planificación Originales
Estos documentos guiaron el diseño y desarrollo de este prototipo. La implementación final puede haber cambiado y adaptado respecto a lo planificado originalmente.
-
Metodología Completa (ai-impact-methodology.md)
Documento “as-built”: fórmulas, valores y decisiones tal como se implementaron
-
Revisión Metodológica (AI-Workforce-Impact-DR-Methodology-Review.md)
Evaluación crítica del marco V/S/A y roadmap de mejoras para fases futuras
-
Herramientas de Trabajo (AI-Workforce-DR-Working-Tools.md)
Top 35 ocupaciones prioritarias, plantillas de scoring, instrumento Delphi para TAF-RD
-
Plan de Sprint (AI-Workforce-DR-Sprint-Plan.md)
Plan de ejecución de 2-3 semanas, entregables por fase, riesgos y mitigaciones
-
Prompt Maestro del Prototipo (AI-Impact-Prototype-Master-Prompt.md)
Especificación técnica original para la construcción del prototipo con Claude Code