Reentrenarse proactivamente para una carrera interrumpida por la IA vs. esperar a ver cómo evoluciona el mercado
Si actúas
Reciclarse de forma proactiva para un rol resistente a la IA
15%
Si no actúas
Esperar a ver cómo evoluciona la IA antes de reciclarse
56%
Porcentaje de quienes luego se arrepienten de cada elección. Las barras y el registro completo aparecen abajo.
Carrera
Última revisión 2026-05-14
Calidad de la evidencia 3.75/5
Puntuación de revisión en ocho dimensiones según la
rúbrica de calidad
. Cada dimensión puntuada de 1 a 5.
D1 Verificación de fuentes
4/5
D2 Autoridad e independencia de las fuentes
4/5
D3 Precisión de la tasa de arrepentimiento
2/5
D4 Comparabilidad de las fuentes
2/5
D5 Patrón de Gilovich
4/5
D6 Calidad de la prosa
5/5
D7 Completitud de las advertencias
5/5
D8 Calidad de la muestra
4/5
Media3.75/5
Datos sustitutos — no existe ninguna encuesta directa sobre el arrepentimiento para esta decisión. Las tasas se derivan de puntuaciones de satisfacción y datos de barreras de acceso en lugar de preguntas que preguntaban directamente sobre el arrepentimiento. Ver advertencias más abajo.
Arrepentimiento por acción
Reciclarse de forma proactiva para un rol resistente a la IA
15%
Ninguna encuesta mide el arrepentimiento entre los trabajadores que se reciclaron proactivamente para carreras disruptadas por la IA. El ~15% es un marcador de posición direccional inferido (NO una tasa medida): refleja el lado de acción de la asimetría de arrepentimiento acción/inacción de Gilovich & Medvec —los arrepentimientos de acción a corto plazo quedan muy por debajo de los de inacción en las decisiones de carrera— y el riesgo de obsolescencia de que las competencias en IA pueden quedar desactualizadas en 2–4 años. Las cifras citadas de Pew/LinkedIn miden el optimismo sobre la IA y la preocupación directiva por la brecha de competencias, no el arrepentimiento de quien se recicla.
Trabajadores que han buscado proactivamente la mejora de habilidades o recapacitación relacionada con IA (datos de EE.UU. y OCDE)
2024-2025
Arrepentimiento por inacción
Esperar a ver cómo evoluciona la IA antes de reciclarse
56%
El 56% de los adultos de EE. UU. están extremadamente o muy preocupados por la pérdida de empleo impulsada por la IA —el principal proxy prospectivo del arrepentimiento por inacción en carreras disruptadas por la IA (Pew 2025, n=5.410)
Adultos estadounidenses que aún no han buscado recapacitación o mejora de habilidades relacionada con IA
agosto 2024, publicado abril 2025
% que se arrepienten de esta elección
Reciclarse de forma proactiva para un rol resistente a la IAEsperar a ver cómo evoluciona la IA antes de reciclarse
15%56%
inaction dominates — Domina la inacción — la mayoría se arrepiente de no actuar.
Decisiones relacionadas
Decisiones semánticamente similares — mismo terreno, distintos compromisos.
No direct regret survey exists for proactive AI retraining decisions — the rates below are forward-looking concern and aspiration proxies, not retrospective measurements. Among US adults, 56% are extremely or very concerned about AI-driven job loss and 64% believe AI will lead to fewer jobs over the next 20 years, according to a Pew Research Center survey of 5,410 US adults fielded in August 2024. Only 23% of the public believes AI will have a positive impact on how people do their jobs. Workers in the most AI-exposed roles — approximately 19% of the US workforce by Pew’s 2023 occupational analysis — face the highest structural risk: these tend to be higher-wage roles ($33/hour on average versus $20/hour in least-exposed jobs), meaning the displacement stakes for waiting are significant.
The decision to wait is not simply a bet on AI disruption failing to materialise — it is also a bet on timing. The specific AI tools and skills that are most valuable today (prompt engineering, workflow automation with a particular platform, specific coding assistants) evolve faster than most training curricula. A worker who retrains today for a particular AI application risks finding portions of that skill set superseded within a few product cycles — a plausible obsolescence risk given the pace of AI capability change, though no study has yet tracked how often this actually happens to early retrainers. This obsolescence risk generates the primary mechanism for action-side regret: early retrainers may find that one-time credential acquisition is insufficient and that the decision is better framed as beginning continuous learning earlier versus later. Only 36% of organisations operate as career development champions with structured learning programs (LinkedIn 2025 Workplace Learning Report), which means the majority of workers who do retrain are doing so without employer support — the condition most associated with higher credential mismatch rates.
Gilovich and Medvec’s temporal asymmetry research predicts that inaction regrets tend to grow over time while action regrets fade, a pattern especially likely in AI disruption because consequences accumulate slowly. Workers in AI-exposed roles may experience years of gradual wage stagnation and narrowing opportunity before attributing the outcome to delayed adaptation. By the time the inaction regret crystallises, the gap to close is substantially larger than it would have been with earlier action. The 56-to-15 inaction-to-action concern ratio should be read as directional given the prospective nature of the evidence — but the pattern is consistent with the broader Gilovich/Medvec literature on career deferral decisions, and with the structural employment data showing that AI-exposed workers are already experiencing measurable wage and opportunity divergence from less-exposed peers.
Fuentes: acción
Registro de evidencia
Cada número a continuación es lo que reportó cada fuente, con la cita textual en la que nos basamos y cómo llegamos a nuestra cifra. Haz clic en cualquier enlace para verificarlo directamente.
2/2 fuentes verificadas de forma independiente palabra por palabra frente a la fuente citada
[1]Pew Research Center — How the U.S. Public and AI Experts View Artificial Intelligence
Verificado
Fuente de referencia
73% of AI experts surveyed say AI will have a very or somewhat positive impact on how people do their jobs over the next 20 years — versus only 23% of the US public; 56% of the public is extremely or very concerned about job loss from AI
Extracto
“"While 73% of AI experts surveyed say AI will have a very or somewhat positive impact on how people do their jobs over the next 20 years, that share drops to 23% among U.S. adults."
”
Datos de la fuente de
2025-04-03
Accedido
2026-05-14
Verificación
Extracto recuperado de forma independiente y confirmado palabra por palabra frente a la fuente citada durante nuestra auditoría de fundamentación.
Cálculo
Pew Research Center, n=5,410 US adults + 1,013 US-based AI experts, fielded August 2024, published April 2025. This source measures optimism about AI's job impact (73% of experts vs 23% of the public say AI will be positive) — it does NOT measure retraining regret, and no such survey exists for AI-disruption retraining as of 2026. The 0.15 action-side rate is NOT derived from this statistic. It is an inferred directional placeholder reflecting one structural regularity from the regret literature: Gilovich and Medvec find that short-term action regrets run well below inaction regrets in career decisions, especially when the action is future-oriented rather than a reversal of a valued identity. Treat 0.15 as a placeholder consistent with the proxy_only framing, not a measured rate. The substantive action-side concern that motivates a non-zero placeholder is obsolescence risk: AI capabilities shift faster than most training curricula, so skills acquired in one generation of tools may require updating within 2-4 years. This source is retained as authoritative context for the optimism gap, not as the basis for the rate.
[2]LinkedIn Learning — LinkedIn 2025 Workplace Learning Report
Verificado
Fuente de referencia
49% of executives agree employees lack the right skills to execute business strategy; only 36% of organizations qualify as career development champions with robust learning programs
Extracto
“"49% agreeing, 'My executives are concerned that employees do not have the right skills' to execute business strategy."
”
Datos de la fuente de
2025-01-01
Accedido
2026-05-14
Verificación
Extracto recuperado de forma independiente y confirmado palabra por palabra frente a la fuente citada durante nuestra auditoría de fundamentación.
Cálculo
LinkedIn 2025 Workplace Learning Report. The 49% executive concern figure and the 36% career-development-champion rate together establish that the majority of workers who do retrain are doing so in organisations without structured support programs. This is the mechanism for action-side regret: self-directed retraining in the absence of institutional support has a substantially higher skill- mismatch rate than employer-sponsored, structured programs. The figure is not used in the 0.15 rate arithmetic directly; it contextualises the obsolescence risk and program-quality disparity.
Fuentes: inacción
Registro de evidencia
Cada número a continuación es lo que reportó cada fuente, con la cita textual en la que nos basamos y cómo llegamos a nuestra cifra. Haz clic en cualquier enlace para verificarlo directamente.
1/2 fuentes verificadas de forma independiente palabra por palabra frente a la fuente citada
[1]Pew Research Center — How the U.S. Public and AI Experts View Artificial Intelligence
Verificado
Fuente de referencia
56% of US adults are extremely or very concerned about job loss from AI; 64% think AI will lead to fewer jobs over the next 20 years; only 23% believe AI will have a positive impact on how people do their jobs
Extracto
“"56% of the public is 'extremely or very concerned' about job loss from AI. 64% of the U.S. public believes AI will lead to fewer jobs over the next 20 years."
”
Datos de la fuente de
2025-04-03
Accedido
2026-05-14
Verificación
Extracto recuperado de forma independiente y confirmado palabra por palabra frente a la fuente citada durante nuestra auditoría de fundamentación.
Cálculo
Pew Research Center, n=5,410 US adults, August 2024. The 56% "extremely or very concerned about job loss" figure is used as the inaction-side regret proxy. The construct validity is this: workers who are highly concerned about AI job displacement but have not yet acted on that concern by retraining or upskilling are in the condition most likely to generate eventual inaction regret — the canonical Gilovich pattern where "I wish I had done something sooner" accumulates as consequences become tangible. This is a forward-looking concern proxy, not a retrospective regret measurement. No longitudinal study has yet followed AI-worried non-retraining workers through to actual job loss and measured subsequent regret, because the AI displacement cycle is too recent. The 56% is an upper bound on eventual inaction regret: not all concerned workers will experience the displacement they fear, so actual regret will be lower. The 64% "expects fewer jobs" figure is noted as corroboration. The 23% positive-impact figure suggests that the majority who are not retraining are doing so without confidence that AI will benefit them — a stance that, if wrong, will generate minimal regret, but if correct will compound over time.
[2]Pew Research Center — Which U.S. Workers Are More Exposed to AI on Their Jobs
Fuente de referencia
19% of US workers are in jobs with the highest AI exposure; workers in most-exposed jobs earn $33/hour on average versus $20/hour in least-exposed jobs
Extracto
“"19% of American workers hold jobs with the highest AI exposure, while 23% have the least exposed jobs."
”
Datos de la fuente de
2023-07-26
Accedido
2026-05-14
Cálculo
Pew Research Center, July 2023. The 19% figure establishes that a substantial minority of US workers face the highest structural risk from AI disruption. The wage gap between most-exposed ($33/hr) and least-exposed ($20/hr) workers implies that the highest-stakes inaction decision falls on higher-earning workers who have more to lose from displacement and more resources to invest in retraining — but who may also face greater psychological resistance to career pivots. This source provides the structural denominator for inaction-side risk: approximately 1 in 5 US workers are in the highest-exposure tier where inaction carries the greatest long-term regret potential. Not used in rate arithmetic directly; anchors the population framing.
Advertencias
MEDICIONES PROXY EN TODO EL RECORRIDO. Ninguna encuesta ha preguntado directamente a los trabajadores "¿te arrepientes de no haberte reciclado antes ante la disrupción de la IA?". Ambos lados se construyen a partir de datos adyacentes: medidas de preocupación prospectiva (para el riesgo del lado de inacción), datos estructurales de empleo y de calidad de los programas (para el riesgo de obsolescencia del lado de acción) y patrones establecidos de la literatura más amplia sobre arrepentimiento de carrera. La tasa del lado de inacción de 0,56 es la cifra de Pew 2025 de "extremadamente o muy preocupado por la pérdida de empleo por IA" —un proxy de preocupación prospectiva, no una tasa medida de arrepentimiento retrospectivo—. La tasa del lado de acción de 0,15 es una estimación direccional explícita sin ancla directa de encuesta; refleja el patrón de asimetría de arrepentimiento-de-acción de Gilovich/Medvec aplicado a las decisiones de reciclaje profesional. El regret_delta de -0,41 es, por tanto, una estimación-de-estimaciones y debe leerse como direccional más que como preciso. La disrupción profesional impulsada por la IA es históricamente novedosa: el ritmo comprimido del cambio en las capacidades de la IA hace que no exista una transición tecnológica previa con una velocidad de disrupción comparable a partir de la cual extrapolar las tasas de arrepentimiento por reciclaje. Lo que está en juego depende en gran medida del campo: los trabajadores en los roles más expuestos a la IA (introducción de datos, programación básica, investigación paralegal, atención al cliente rutinaria) afrontan costes de inacción sustancialmente más altos que quienes desempeñan roles con presencia física, intensivos en lo interpersonal o creativamente irregulares que la IA actual maneja mal. El reciclaje autodirigido en ausencia de apoyo del empleador —la situación de la mayoría de los trabajadores dado que solo el 36% de las organizaciones califican como campeones del desarrollo profesional (LinkedIn 2025)— produce resultados de ajuste de competencias significativamente peores que los programas estructurados patrocinados por el empleador. Esta entrada requerirá revisión a medida que se disponga de datos longitudinales sobre el desplazamiento y los resultados reales del reciclaje por IA a lo largo del período 2026-2030.
