Uso de IA en consultoría de sostenibilidad: análisis del Anthropic Economic Index

¿Cuánto usan realmente la IA los profesionales de la sostenibilidad? La respuesta honesta es que ningún corte de datos por sí solo te lo dirá. El trabajo se sitúa dentro de categorías ocupacionales amplias que incluyen muchos otros tipos de consultoría, y abarca tareas que a menudo no están etiquetadas explícitamente como “sostenibilidad”. Aun así fui a buscar en los datos crudos, y el resultado es una señal consistente visible desde dos ángulos distintos.

Descargué el dataset del Anthropic Economic Index (AEI) desde huggingface.co/datasets/Anthropic/EconomicIndex y corrí dos análisis paralelos sobre el uso de IA en consultoría de sostenibilidad. El primero miró las ocupaciones que la taxonomía laboral estadounidense asocia con trabajo de sostenibilidad. El segundo miró tareas cuyo texto menciona sostenibilidad, medio ambiente, carbono, economía circular y palabras clave relacionadas. Cada lente tiene debilidades que la otra cubre. Ambas apuntan en la misma dirección, con algunos matices importantes. Esta es la segunda pieza de una mini-serie que acompaña a otra lectura del AEI sobre uso de IA generativa.

La versión corta: los profesionales de la sostenibilidad muestran menor co-ocurrencia de IA que sus pares en otros campos, y la brecha es mayor en tareas que implican valores, política y estrategia. El modelado y la previsión son la excepción. El resto de esta pieza muestra la evidencia y luego se toma en serio una hipótesis sobre el porqué.

Qué mide el Anthropic Economic Index

El AEI es un dataset que Anthropic publica trimestralmente, construido a partir de conversaciones anonimizadas de Claude.ai y de la API de primera parte, mapeadas a la taxonomía ocupacional O*NET del Departamento de Trabajo de EE.UU. Para este análisis usé tres ediciones: la de marzo de 2026 (Learning curves), la de enero de 2026 (Economic primitives) y los mapeos de tareas O*NET anteriores, de febrero de 2025.

Dos métricas hacen la mayor parte del trabajo en lo que sigue.

La sostenibilidad en contexto intersectorial

Antes de hacer zoom en las dos lentes, la forma general. Según la medición del AEI, las ocupaciones relevantes para sostenibilidad se sitúan en conjunto justo alrededor de la media de la economía para exposición a IA, y unas 7 veces por debajo de tecnología y finanzas.

De aquí salen tres lecturas. Tecnología, finanzas y sanidad no clínica están todas unas 6 o 7 veces más expuestas a la IA que las ocupaciones de sostenibilidad en este dataset. La sostenibilidad cae colectivamente en la media de la economía, lo que a primera vista parece poco destacable. El rango interno es el hallazgo más interesante, y las dos lentes de abajo muestran de dónde viene la varianza.

La forma se replica en otras fuentes. S&P Global informa de que el 49% de las empresas de gran capitalización tienen iniciativas de IA en sostenibilidad frente al 26% de las pequeñas. La investigación de 2025 de BSR documenta una adopción concentrada en un pequeño grupo de empresas líderes. El Work Trend Index de Microsoft sitúa la adopción general de IA entre trabajadores del conocimiento en el 75%, muy por encima de lo que el AEI muestra para sostenibilidad específicamente.

Lente 1: la vista por ocupación

La lente de ocupación filtra las 756 categorías ocupacionales amplias del AEI para quedarse con las que oficialmente cargan trabajo de sostenibilidad. Los resultados son informativos, pero léelos con la salvedad de que estas categorías contienen también mucho trabajo no relacionado con sostenibilidad.

Lo que esto NO prueba. Los consultores de sostenibilidad se clasifican oficialmente bajo Analistas de Gestión, pero Analistas de Gestión es una categoría enorme que incluye estrategia, operaciones, M&A y muchas otras especialidades de consultoría. La cifra del 24,4% refleja a todos ellos. No es una afirmación de que los consultores de sostenibilidad específicamente alcancen ese número.

Lo que esto SÍ nos dice de forma útil. Establece una referencia de techo para las familias profesionales a las que pertenecen los consultores de sostenibilidad. Si los consultores de sostenibilidad se comportaran exactamente como el Analista de Gestión medio, su exposición a IA rondaría el 24%. La pregunta es si lo hacen. La lente de tareas de abajo sugiere que probablemente no.

En el otro lado de la tabla, las ocupaciones de ciencia ambiental (Científicos Ambientales, Ingenieros Ambientales, Científicos de Conservación) son categorías más homogéneas, y ahí la señal es más limpia. Estas categorías se sitúan bastante por debajo de la media de la economía en exposición a IA medida.

Lente 2: la vista por tarea

La lente de tareas toma un corte distinto. En lugar de agrupar por ocupación, filtré los 18.000 enunciados de tareas del AEI por palabras clave que indican contenido de sostenibilidad: carbono, emisiones, sostenibilidad, economía circular, reciclaje, biodiversidad, renovable, medio ambiente, ecología, cambio climático, descarbonización, net zero, ciclo de vida, gases de efecto invernadero, contaminación, hábitat, recurso natural y términos relacionados. Eso produjo 689 tareas con sabor a sostenibilidad.

La línea base de comparación es cualquier otra tarea del dataset. La comparación tampoco es perfecta, porque un consultor de sostenibilidad realiza también muchas tareas “genéricas” que no coincidirían con estas palabras clave. Pero, tomadas junto con la lente de ocupación, los dos cortes acotan la respuesta real.

A nivel agregado, las tareas con sabor a sostenibilidad muestran una co-ocurrencia de IA sustancialmente menor que las tareas medias. La penetración media en las 689 tareas de sostenibilidad es del 2,5%, frente al 8,8% de las más de 16.700 tareas no-sostenibilidad. Solo el 2,7% de las tareas de sostenibilidad tienen alguna penetración de IA medible, comparado con el 10% de las tareas no-sostenibilidad.

El corte más revelador compara las tareas por su función cognitiva. Agrupé tanto el pool de tareas de sostenibilidad como el de no-sostenibilidad en ocho tipos de tarea, y luego comparé la penetración dentro de cada tipo.

El patrón es difícil de pasar por alto. Cuando la tarea cognitiva es mayormente computacional (modelado, previsión), la brecha sostenibilidad-vs-resto casi se cierra. Cuando la tarea implica juicio, valores o encuadre político (planificación, advocacy), la brecha se abre dramáticamente. El reporte y el análisis quedan en medio.

Este es el hallazgo más fuerte del dataset, y es significativo porque mantiene constante el tipo de tarea. Una tarea genérica de planificación y una tarea de planificación de sostenibilidad son trabajo cognitivamente similar. Los datos del AEI muestran que la versión de sostenibilidad tiene nueve veces menos co-ocurrencia de IA. Eso no es un artefacto de la complejidad cognitiva. Es sobre en qué dominio ocurre la planificación.

Dónde convergen las dos lentes

Ninguna lente aísla limpiamente a los consultores de sostenibilidad. La vista por ocupación sobreincluye trabajo de consultoría no-sostenibilidad en las mismas categorías SOC. La vista por tarea subincluye el trabajo analítico genérico que los consultores de sostenibilidad hacen cada día y que no activaría una palabra clave de sostenibilidad.

La respuesta real para los profesionales de la sostenibilidad probablemente se sitúa entre estos dos límites.

• Techo desde las ocupaciones. Si los consultores de sostenibilidad se comportaran como su familia profesional más amplia, la exposición a IA rondaría el 15 al 25%.
• Suelo desde las tareas. Si los consultores de sostenibilidad usaran IA solo en trabajo específico de sostenibilidad, la exposición rondaría el 2 al 5%.
• La señal de ambas. Las tareas con sabor a sostenibilidad en todas las ocupaciones muestran entre 3 y 9 veces menos co-ocurrencia de IA que tareas estructuralmente idénticas no-sostenibilidad. Este es el patrón más limpio de los datos.

Una lectura razonable es que los profesionales de la sostenibilidad usan IA a tasas más cercanas al suelo que al techo para el trabajo específico de sostenibilidad, y más cercanas al techo para el trabajo analítico genérico que también hacen. Eso es consistente con que la brecha a nivel de tarea se ensanche cuando el trabajo se vuelve más específico de dominio y más cargado de valores.

Poniendo a prueba la hipótesis de la resistencia

Una hipótesis que merece tomarse en serio es que los profesionales de la sostenibilidad, por una mezcla de razones profesionales y personales, son más cautos con la IA que sus pares. Les preocupa la huella ambiental de los centros de datos, el origen ético de los datos de entrenamiento, el riesgo de greenwashing y el coste de credibilidad de una estadística alucinada en un informe de sostenibilidad. Esa disposición podría traducirse en una adopción más lenta o más selectiva. Para profesionales que sí adoptan IA pero quieren minimizar su huella de cómputo, cómo los skills de Claude Code reducen el uso energético de la IA recorre los patrones concretos de Claude Code que más recortan el uso de energía.

El gradiente por tipo de tarea es la evidencia más directamente relevante. Si la hipótesis de la resistencia es correcta, esperarías que la brecha se ensanchara donde más importan los valores y el juicio. Eso es lo que muestran los datos. Las tareas de política y advocacy en sostenibilidad tienen prácticamente nula co-ocurrencia de IA. Las tareas de planificación y estrategia muestran una brecha de 9x. El modelado computacional, donde la superficie ética es más pequeña, muestra solo 1,4x. El patrón encaja con la hipótesis.

No es la única explicación posible, y la honestidad intelectual exige nombrar las alternativas.

• Ajuste de herramienta. Los LLM generales carecen de conocimiento profundo de dominio sobre los marcos de sostenibilidad (CSRD, GRI, ESRS, metodología de ACV, ESPR). Los profesionales que dependen de la aplicación precisa de marcos pueden encontrar el output de la IA poco fiable como para evitarlo.
• Plataformas especializadas. El stack de software de sostenibilidad incluye Watershed, Persefoni, Sphera, Normative y muchos otros. Los profesionales de la sostenibilidad pueden estar usando IA embebida dentro de esas herramientas en lugar de Claude directamente, lo que este dataset no puede ver.
• Asimetría del riesgo de credibilidad. Una cita alucinada en una presentación de marketing es vergonzosa. Una cita alucinada en una divulgación ESG que se audita es un evento de carrera. Lo que está en juego puede producir más cautela, independientemente de los valores personales.
• Retraso de adopción. La sostenibilidad es un campo profesional comparativamente más nuevo, con un perfil demográfico algo distinto al de tecnología, finanzas o marketing. La adopción general de IA simplemente puede llegar más despacio.

Las cuatro explicaciones son probablemente parcialmente ciertas. El gradiente por tipo de tarea se explica más limpiamente por la resistencia o por la asimetría del riesgo de credibilidad, peor por el ajuste de herramienta (que predeciría una brecha más uniforme entre todos los tipos de tarea) o por el retraso de adopción (mismo problema). La realidad es probablemente una mezcla, con la mezcla cambiando según el individuo y el subcampo.

La conclusión honesta. Los profesionales de la sostenibilidad sí parecen usar la IA a tasas más bajas que sus pares haciendo trabajo equivalente, y la brecha se ensancha donde la ética y los valores se vuelven más centrales para la tarea. Sea resistencia con principios, cautela pragmática, desajuste de herramienta o simple retraso, el efecto neto es el mismo. Hay más margen para adoptar del que la mayoría de los profesionales de la sostenibilidad están aprovechando ahora mismo, y hay un debate vivo que merece tenerse sobre dónde la resistencia está protegiendo el oficio y dónde simplemente está dejando valor sobre la mesa.

Qué significa esto para los profesionales de la sostenibilidad

La lectura de doble lente sugiere unas cuantas implicaciones prácticas, sin convertir esto en un argumentario de venta.

Primero, la línea base es probablemente más alta de lo que parece. Si tu familia profesional (Analistas de Gestión, Economistas, Operaciones de Negocio) tiene una exposición a IA en el rango del 18 al 24%, y tu trabajo específico de sostenibilidad está en el 3 al 5%, probablemente estás sacando partido en la mitad genérica de tu trabajo y dejando valor en la mitad específica de sostenibilidad. Esa es una brecha de adopción dentro de tu propio flujo de trabajo que es abordable.

Segundo, el aumento es el modelo operativo realista. En las tareas de sostenibilidad donde la IA sí aparece, dominan las interacciones colaborativas (iteración, bucles de feedback, validación, aprendizaje). La línea base de aumento a nivel de economía ronda el 52%. Las tareas de sostenibilidad van por encima. Dicho de otro modo, cuando los profesionales de la sostenibilidad usan IA, no delegan. Iteran. Eso encaja con la hipótesis de la resistencia de una forma útil. Puedes colaborar con una IA y seguir ejerciendo el juicio sobre ética, valores y precisión de dominio.

Tercero, la divulgación y la comunicación son el filo de avance poco glamuroso. La tarea de mayor penetración para los Especialistas en Sostenibilidad en el dataset es crear materiales de marketing y divulgación. No el modelado ESG, ni el análisis de cumplimiento, ni la estrategia. Contenido de comunicación. Vale la pena notarlo antes del próximo entregable a cliente.

Cuarto, la brecha más ancha es la oportunidad más ancha. El análisis de política, la planificación de restauración, la planificación urbana y la inspección de cumplimiento muestran una co-ocurrencia de IA medida cercana a cero. Eso es porque la IA añade poco valor ahí, o porque la profesión no se ha esforzado lo suficiente en aplicarla. Mi lectura es que es mayormente lo segundo. Un análisis relacionado está en cómo la IA generativa está cambiando la economía circular y en mi pieza sobre Claude Code para investigación en sostenibilidad.

Limitaciones de este análisis

Esto es un dataset de una empresa de IA, filtrado de dos formas, con salvedades en cada paso del camino. Seis limitaciones enmarcan la interpretación.

• Medición solo de Claude. El AEI captura el uso de Claude.ai y de la API de primera parte de Anthropic. ChatGPT, Gemini, Microsoft Copilot y plataformas especializadas de sostenibilidad (Watershed, Persefoni, Sphera, Normative) son invisibles. El uso real de IA es mayor de lo que el AEI muestra por sí solo. La brecha a nivel de tarea podría sostenerse para todas las herramientas, o podría reflejar en parte que los profesionales de la sostenibilidad prefieren herramientas que no son Claude.
• Categorías ocupacionales amplias. Analistas de Gestión, Especialistas en Operaciones de Negocio y Altos Directivos son códigos de categoría que contienen mucho más trabajo no-sostenibilidad que de sostenibilidad. La lente de ocupación es direccional, no precisa.
• Filtrado de tareas por palabras clave. Las 689 tareas de sostenibilidad que identifiqué vienen de coincidencia de palabras clave. Probablemente se omitieron algunas tareas. Otras (tareas genéricas de reporte y análisis que los profesionales de la sostenibilidad también hacen) no se cuentan en el lado de sostenibilidad. La lente de tareas es un subconjunto, no un censo.
• La penetración es prominencia conversacional, no adopción. La penetración de tarea mide cuán prominentemente aparece una tarea en los clusters de conversación de Claude. Una tarea con 14% de penetración no significa que el 14% de las instancias reales usen IA. Significa que esa tarea aparece de forma notable en la muestra de Claude.
• Inconsistencia temporal. Las fechas de publicación varían entre archivos. El desglose por tipo de interacción refleja modelos Claude de 2025, los rankings de exposición reflejan mediados-finales de 2025, y el uso de API en bruto se extiende hasta 2026. Mezclar ventanas puede crear artefactos.
• Sesgo en la base de usuarios de Claude. Los trabajadores del conocimiento tecnológico, los angloparlantes y las geografías de altos ingresos están sobrerrepresentados en la base de usuarios de Claude. Los profesionales de la sostenibilidad en empresas tradicionales, en gobierno, en ONG o en el Sur Global probablemente están infrarrepresentados de formas que este análisis no puede corregir.

Ninguna de estas rompe el gradiente por tipo de tarea, que es el hallazgo más defendible. Acotan sus magnitudes.

Preguntas frecuentes

Soy consultor de sostenibilidad. ¿Significa esto que debería usar más la IA?

Probablemente sí, y probablemente de formas concretas. Si te clasifican bajo Analistas de Gestión o Economistas, tu familia profesional se sitúa en el 13 al 17% superior de ocupaciones por exposición a IA. Los datos a nivel de tarea sugieren que tu trabajo específico de sostenibilidad recibe mucho menos partido de la IA que tu trabajo analítico genérico. Cerrar esa brecha es un movimiento al alcance de la mano.

¿Qué tareas de sostenibilidad están viendo uso de IA ahora mismo?

Las tareas de sostenibilidad con mayor co-ocurrencia de IA en los datos son el procesamiento de permisos ambientales, el modelado y previsión económicos, la síntesis de datos ambientales, el diseño de investigación para estudios ambientales, la redacción técnica y la creación de contenido de divulgación. Estos son los puntos de partida de bajo riesgo y alto apalancamiento para quien empieza a adoptar IA en trabajo de sostenibilidad.

¿Por qué los analistas de política, planificadores y científicos de conservación muestran co-ocurrencia de IA cercana a cero?

Hay tres explicaciones candidatas sobre la mesa: el trabajo es genuinamente más difícil de ayudar para los LLM generales (ligado al terreno, geoespacial, profundamente regulatorio), la profesión aún no ha adoptado estas herramientas, o los valores en juego en esos roles crean más cautela sobre la asistencia de IA. Mi lectura es que es mayormente lo segundo y lo tercero combinados.

¿Es esto representativo de todo el uso de IA, o solo de Claude?

Solo de Claude y del uso de la API de primera parte de Anthropic. ChatGPT, Gemini, Microsoft Copilot y las plataformas ESG especializadas no se capturan. Un análisis hermano sobre el uso de IA en educación del mismo dataset muestra que los patrones a nivel de tarea son consistentes en distintos campos profesionales.

¿Dónde puedo ver los datos subyacentes yo mismo?

El Anthropic Economic Index se publica en huggingface.co/datasets/Anthropic/EconomicIndex. Usé las ediciones de marzo de 2026 y enero de 2026 más los mapeos de tareas O*NET de febrero de 2025. Todo lo de aquí es reproducible a partir de esos archivos más la lista de palabras clave de sostenibilidad que describo en la sección de metodología.

Si has cortado estos datos de otra forma y ves algo que se me escapó, o quieres cuestionar la interpretación de la resistencia, me gustaría escucharlo. Cuéntamelo en LinkedIn o respóndeme directamente.