Steady Jobs Are the Ones Most Exposed to AI Language Tools, Canadian Study Finds

survey · Scandinavian Journal of Work Environment & Health · la publicación, 3 jun 2026 · gratis

Los empleos más estables son los más expuestos a la inteligencia artificial

Un estudio canadiense halló que las ocupaciones con horarios más firmes y mayor permanencia son las que más tareas tienen que un programa de lenguaje podría hacer. Pero el estudio mira ocupaciones, no personas.

Versión breve · la versión detallada sigue, unos 9 min

Pregunte a weeklyAI

Pregúnteme por este estudio: a quiénes se estudió, qué encontró y qué no dice.

Las conversaciones se guardan mientras exista weeklyAI, para mejorar la publicación. Se responde en el idioma en que usted escribe.

El estudio, de un vistazo
Quiénes: Ocupaciones canadienses, no trabajadores individuales
Cuántos: 512 ocupaciones
Dónde: Canadá
Cuándo: 2021–2024
Tipo de estudio: análisis de lo que hace la gente
Quién lo hizo: Institute for Work & Health de Toronto y Universidad de Toronto
El límite que importa: Mide ocupaciones, no personas: no dice si su puesto cambiará ni cómo

Exposición promedio a modelos de lenguaje según nivel de precariedad de la ocupación

Precariedad baja0.386puntaje de 0 a 1

Precariedad media0.258puntaje de 0 a 1

Precariedad alta0.26puntaje de 0 a 1

Precariedad muy alta0.205puntaje de 0 a 1

Puntaje promedio de exposición a modelos de lenguaje en 512 ocupaciones canadienses, según cuántas condiciones desfavorables acumulan; el puntaje va de 0 a 1 y mide ocupaciones, no personas.

Exposición a modelos de lenguaje: ocupaciones menos precarias frente a más precarias

Ocupaciones con precariedad bajafrente aOcupaciones con precariedad media

Las de precariedad baja tenían exposición promedio más alta (0.386 frente a 0.258)

Ocupaciones con precariedad bajafrente aOcupaciones con precariedad alta

Las de precariedad baja tenían exposición promedio más alta (0.386 frente a 0.260)

Ocupaciones con precariedad bajafrente aOcupaciones con precariedad muy alta

Las de precariedad baja tenían exposición promedio más alta (0.386 frente a 0.205)

Los propios autores piden investigar a los trabajadores, no solo a las ocupaciones, para ver qué pasa dentro de cada empleo.
Lectura de weeklyAI

Ver · 0:54

En Canadá, los trabajos con horarios regulares y cierta permanencia son los que más tareas contienen que una herramienta de lenguaje de inteligencia artificial podría realizar. Los trabajos con horarios irregulares o empleo temporal aparecen, en cambio, menos alcanzados por esas herramientas.

Eso encontró un equipo de investigadores del Institute for Work & Health, en Toronto, y de otras instituciones canadienses. Usaron cuatro años de la Encuesta sobre la Población Activa de Canadá, de 2021 a 2024, que consulta a unas 100,000 personas cada mes, y una medida estadounidense que estima qué parte de las tareas de cada oficio podría hacer un programa de lenguaje.

Aplicaron esa medida a 512 ocupaciones canadienses.

Cuando agruparon las ocupaciones según cuántas condiciones desfavorables acumulaban —empleo temporal, sueldo bajo, horas irregulares y trabajo a tiempo parcial no deseado—, el resultado fue claro: las ocupaciones con menos de esas condiciones tenían una exposición promedio más alta que las de precariedad media, alta o muy alta.

El estudio es de asociación, no de causa. No dice que la inteligencia artificial vuelva precarios o estables los empleos.

Ahora bien: el análisis se hizo por ocupación, no por trabajador. No puede decirle si su puesto cambiará ni cómo. Tampoco midió el uso real de estas herramientas: la medida es una estimación basada en descripciones de tareas, no en lo que las empresas están haciendo hoy. Y la medida no puede captar los avances más recientes de la tecnología.

Para quien tiene un trabajo estable, el hallazgo sugiere algo concreto: son justamente los oficios donde más tareas pueden apoyarse con estas herramientas. Para quien trabaja de manera precaria, el patrón indica lo contrario: la tecnología llega menos a sus tareas, pero también queda más lejos de cualquier beneficio de productividad que traiga.

Los propios autores piden investigar a los trabajadores, no solo a las ocupaciones, para ver qué pasa dentro de cada empleo.

Una pregunta para llevarse: si su trabajo tiene tareas de redacción, resumen o atención de consultas por escrito, ¿está aprendiendo a usar estas herramientas, o esperando a que otro lo haga por usted?

Qué significa para usted

Lo que el estudio muestra es solo una asociación entre ocupaciones, no un efecto sobre su puesto ni sobre su sueldo, así que no concluya todavía que su empleo cambiará. Si su trabajo incluye redactar, resumir o atender consultas por escrito, observe si en su entorno empiezan a pedir esas tareas apoyadas en estas herramientas, y qué habilidades reclaman al contratar.

Jetha, A., Liao, Q., Smith, P. et al. (2026). Large language model exposure and precarious occupations: Unpacking relationships in the Canadian labor force. Scandinavian Journal of Work, Environment & Health. https://doi.org/10.5271/sjweh.4312

Quién pagó: El estudio fue financiado por la Subvención de Asociación del Consejo de Investigación en Ciencias Sociales y Humanidades de Canadá (#895-2025-1000) que apoyó la Asociación sobre IA y Calidad del Trabajo; los autores son empleados del Instituto para el Trabajo y la Salud, que recibe apoyo del Ministerio de Trabajo, Inmigración, Formación y Desarrollo de Habilidades de Ontario, y el artículo afirma que los análisis y conclusiones son exclusivamente de los autores y no reflejan a los financiadores.

No tome esto como consejo médico profesional.

Versión detalladaLos pasajes copiados del artículo, las ilustraciones y cada fuente con cuánto leímos de ella · 1828 palabras · unos 9 minLeerla →Cerrar

Los empleos más estables son los más expuestos a la inteligencia artificial del lenguaje

Un estudio canadiense encontró que las ocupaciones con horarios y pagos más estables tienen más tareas que un modelo de lenguaje podría realizar. Los empleos más precarios quedan menos expuestos.

Así podría verse · ilustración generada por weeklyAI.watch, no es una fotografía

En Canadá, las ocupaciones con menos precariedad laboral son también las que tienen mayor exposición a los modelos de lenguaje de inteligencia artificial. El estudio, publicado en 2026 en la revista Scandinavian Journal of Work, Environment & Health, fue realizado por Arif Jetha y colegas del Institute for Work & Health de Toronto y la Universidad de Toronto, con financiamiento del Consejo de Investigaciones en Ciencias Sociales y Humanidades de Canadá, que apoyó la Partnership on AI and Quality of work; el Institute for Work & Health recibe apoyo del Ministerio de Trabajo de Ontario. Los autores analizaron cuatro años de la Encuesta sobre la Fuerza Laboral de Statistics Canada (2021–2024), con una muestra aproximada de 100,000 trabajadores, y examinaron 512 ocupaciones. No analizaron trabajadores individuales, sino ocupaciones completas.

El resultado principal: las ocupaciones con baja precariedad tenían un puntaje promedio de exposición a modelos de lenguaje de 0,386, mientras que las de precariedad media tenían 0,258, las de precariedad alta 0,260 y las de precariedad muy alta 0,205. El puntaje va de 0 a 1 y representa la proporción de tareas dentro de una ocupación que un modelo de lenguaje podría realizar con un ahorro significativo de tiempo. El promedio general fue de 0,34. La diferencia entre las ocupaciones menos precarias y las más precarias es clara, pero el estudio no puede decir si la inteligencia artificial causa o reduce la precariedad. Solo muestra una asociación en un momento dado.

Conviene entender qué es un modelo de lenguaje. Se trata de un tipo de inteligencia artificial que usa aprendizaje automático, redes neuronales y aprendizaje profundo para reconocer patrones, contexto y significado en el lenguaje¹. En el trabajo, estos sistemas se introducen para tareas como sintetizar información, redactar documentos, atender consultas de clientes, apoyar decisiones organizacionales y generar contenido técnico o creativo²³. Lo que hoy hacen menos es el trabajo que exige trato interpersonal intenso o destrezas físicas impredecibles⁴. Esa es la clave del hallazgo: las tareas que un modelo de lenguaje puede hacer son las que se pueden escribir como una secuencia de pasos, y esas tareas están concentradas en empleos con mejores condiciones.

La precariedad laboral no es una sola cosa. Incluye empleo temporal, salarios bajos, horarios irregulares, trabajo a tiempo parcial involuntario y falta de protecciones como representación sindical⁵. La revisión recoge un estudio en el que se analizaron 231,307 reclamos de compensación por pérdida de tiempo en Ontario, Canadá, durante cuatro años, y encontró que mayor exposición al empleo temporal, salarios bajos, horarios irregulares o trabajo a tiempo parcial involuntario se asociaba con mayor riesgo de lesión en el trabajo⁶. La revisión recoge un estudio en el que se encontró que las ocupaciones con alta exposición a dos o más dimensiones de precariedad tenían casi el triple de riesgo de lesión o enfermedad⁷. Es decir, la precariedad no es solo una cuestión de ingresos: tiene consecuencias directas sobre la salud y la seguridad.

Este no es el primer estudio que busca la relación entre inteligencia artificial y empleo. La revisión recoge un estudio en Estados Unidos en el que se encontró que justo por debajo del 20% de las ocupaciones tenían tareas en las que la mitad eran expuestas a modelos de lenguaje, y que la exposición era mayor en ocupaciones con salarios más altos⁸. La revisión recoge un estudio sobre países de América Latina en el que se encontró que la exposición ocupacional a modelos de lenguaje era más alta entre trabajadores con mayor nivel educativo e ingresos⁹. Y la revisión recoge un análisis de trabajadores canadienses con datos de 2022–2025 en el que se mostró que las ocupaciones con alta exposición a inteligencia artificial y donde la herramienta sería más complementaria también tendían a tener horarios completos y arreglos permanentes¹⁰. El patrón se repite: la tecnología del lenguaje toca primero los empleos más estables.

Cuando los autores examinaron cada dimensión de precariedad por separado, encontraron que la exposición a modelos de lenguaje era menor en las ocupaciones con más empleo temporal, más horarios irregulares y más trabajo a tiempo parcial involuntario¹¹¹². La excepción fue el salario bajo: después de ajustar por otras características de las ocupaciones, la diferencia entre las de salarios más bajos y más altos no fue significativa¹³. Es decir, la diferencia entre las ocupaciones de salarios más bajos y más altos no fue significativa después de ajustar por otras características.

El estudio tiene límites importantes que conviene conocer. La medida de exposición es un indicador indirecto: no puede determinar si una ocupación realmente usa modelos de lenguaje ni si la tecnología ha avanzado desde que se hicieron las mediciones¹⁴. El análisis se hizo a nivel de ocupación, no de trabajadores individuales, así que no puede decir si su puesto específico cambiará ni cómo¹⁵. Además, la medida se desarrolló en Estados Unidos y los autores la vincularon con las clasificaciones canadienses. La medida no puede determinar si una ocupación realmente usa modelos de lenguaje ni si la tecnología ha avanzado desde que se hicieron las mediciones. El estudio tampoco captura tareas nuevas que la tecnología pueda crear, ni beneficios de productividad, ni cambios en las contrataciones. Y solo examinó cuatro dimensiones de precariedad porque eran las disponibles en la encuesta.

Otros trabajos que hemos leído muestran un panorama más amplio. Un estudio sobre robotaxis en Wuhan, China, encontró que la introducción de estos vehículos redujo el ingreso diario promedio de los taxistas tradicionales en 10.9% y aumentó sus horas de trabajo y estrés, según el resumen del estudio; solo pudimos leer el resumen, el texto completo está detrás de una suscripción¹⁶¹⁷. Otra investigación sobre mercados laborales encontró reducciones de entre 14% y 41% en publicaciones de empleo para desarrollo de software y creación de contenido en economías de altos ingresos entre 2022 y 2024, aunque ese mismo trabajo advierte que sus cifras representan un rango entre estudios distintos, no un promedio único, y que hay vacíos de datos sobre trabajadores informales y mercados no angloparlantes¹⁸¹⁹²⁰. Un tercer estudio que contrastó predicciones de pérdida masiva de empleo con datos reales de empleo en Estados Unidos entre 2010 y 2023 encontró poca evidencia de desplazamiento masivo o de una ruptura estructural causada por la tecnología²¹.

Así lo leemos nosotros. El patrón que emerge es el siguiente: cuando una tecnología puede realizar tareas que se explican paso a paso, primero se usa para vigilar, evaluar y decidir sobre las personas, y ese uso se presenta como una forma de quitar sesgos y responsabilidad a quien decide. En los empleos más precarios, que quedan menos expuestos a los modelos de lenguaje, lo más probable es que la presión no venga de que la máquina haga la tarea, sino de que la máquina evalúe, clasifique o controle a la persona, y que ese control se justifique como una manera de ser más justo. Si nos equivocamos, veríamos que en los empleos precarios la adopción de estas herramientas se limita a tareas concretas y no a decidir sobre las personas, o que las decisiones automáticas se explican y se pueden reclamar sin que nadie las defienda como más justas. Lo que usted puede hacer: cuando en su trabajo le digan que una decisión la tomó un sistema automático, pida que le expliquen qué datos usó y quién responde por esa decisión. Pregunte si el sistema solo hace una tarea o también evalúa, clasifica o sanciona a personas.

Hay una segunda lectura que también nos parece útil. El trabajo que se puede escribir como una receta se vuelve prescindible; el trabajo que exige analizar, decidir y responder a lo imprevisto se vuelve más valioso. En los empleos con horarios y pagos más estables, que son los más expuestos a los modelos de lenguaje, lo que cambiará primero son las tareas que se pueden escribir como pasos: redactar, resumir, ordenar información, responder consultas repetidas. La persona puede conservar el puesto mientras esas tareas se automatizan, y el riesgo mayor es que su tarea principal se vuelva prescindible aunque el empleo siga existiendo. Si nos equivocamos, veríamos que en esos empleos estables las tareas que se pueden escribir como pasos no se automatizan, o que la exposición a los modelos de lenguaje no cambia lo que la persona hace día a día, o que el empleo desaparece completo en lugar de cambiar por tareas. Lo que usted puede hacer: haga una lista de las tareas de su puesto que se pueden explicar como una receta. Pregunte cuáles de esas tareas ya se están haciendo con una herramienta automática y cuáles quedan para usted. Anote qué tareas de su trabajo dependen de decidir, analizar o responder a algo imprevisto, porque esas son las que conviene mostrar y aprender a hacer mejor.

Una tercera cosa que vale la pena mirar: cuando la productividad sube por cambios técnicos, esa ganancia no llega sola a los salarios de quienes hacen el trabajo; puede quedarse arriba y aumentar la distancia entre lo que se produce y lo que se paga. Si los modelos de lenguaje aumentan la productividad en los empleos más estables y mejor pagados, es probable que esa ganancia se quede en la empresa o en quienes ya estaban mejor, y que los empleos precarios, menos expuestos a la herramienta, queden fuera de ese beneficio. La distancia entre un empleo estable y uno precario podría crecer, no por lo que la máquina hace, sino por quién recibe lo que la máquina produce. Si nos equivocamos, veríamos que en los empleos expuestos a los modelos de lenguaje la productividad sube y el pago por hora sube en la misma proporción, o que los empleos precarios también reciben aumentos ligados a esas ganancias, o que la brecha entre empleos estables y precarios se reduce. Lo que usted puede hacer: cuando en su trabajo se introduzca una herramienta que ahorra tiempo, pregunte cómo se reparte ese tiempo ahorrado: ¿menos horas, más tareas, mejor pago? Esté atento a si la ganancia se queda en la empresa o se convierte en mejores condiciones para quienes hacen el trabajo.

El estudio concluye que las ocupaciones más expuestas a los modelos de lenguaje son las que tienen menos precariedad, y que esas ocupaciones habían estado protegidas de cambios tecnológicos anteriores. Los autores piden más investigación para entender cómo estos sistemas afectan a los trabajadores en los empleos donde la tecnología es más prominente, y para construir evidencia que promueva empleo de calidad y permita que todos los trabajadores aprovechen los beneficios de productividad sin sacrificar su salud y seguridad.

Lo que este estudio hace posible para usted es una pregunta concreta que puede llevar a su trabajo: cuando le presenten una herramienta nueva, pregunte qué tareas cambia y quién gana con el tiempo que ahorra.

De dónde sale cada dato de contexto, y cuánto leímos de cada documento

Jetha, A., Liao, Q., Smith, P. et al. (2026). Large language model exposure and precarious occupations: Unpacking relationships in the Canadian labor force. Scandinavian Journal of Work, Environment & Health. https://doi.org/10.5271/sjweh.4312 - el artículo del que trata esta nota — el artículo completo — el pasaje: "In this study, we focus specifically on LLM, a specific form of AI, which utilize machine learning techniques, especially deep learning and neural networks, to recognize patterns, context, and meaning in language."
Jetha, A., Liao, Q., Smith, P. et al. (2026). Large language model exposure and precarious occupations: Unpacking relationships in the Canadian labor force. Scandinavian Journal of Work, Environment & Health. https://doi.org/10.5271/sjweh.4312 - el artículo del que trata esta nota — el artículo completo — el pasaje: "LLM are increasingly being introduced in workplaces to perform job tasks such as language and information synthesis, documentation, communication, and rule-based cognitive problem-solving that are most often clustered in occupations with higher quality employment conditions."
Jetha, A., Liao, Q., Smith, P. et al. (2026). Large language model exposure and precarious occupations: Unpacking relationships in the Canadian labor force. Scandinavian Journal of Work, Environment & Health. https://doi.org/10.5271/sjweh.4312 - el artículo del que trata esta nota — el artículo completo — el pasaje: "LLM can be used to summarize and synthesize vast amounts of information (eg, legislative analysis tools), manage customer inquiries (eg, chatbot customer service applications), support organizational decision-making (eg, resume screening and job matching platforms) and generate technical and creative content (eg, content ideation tools)"
Jetha, A., Liao, Q., Smith, P. et al. (2026). Large language model exposure and precarious occupations: Unpacking relationships in the Canadian labor force. Scandinavian Journal of Work, Environment & Health. https://doi.org/10.5271/sjweh.4312 - el artículo del que trata esta nota — el artículo completo — el pasaje: "LLM may currently be less likely to be used to perform job tasks requiring intensive interpersonal or physically unpredictable skills"
Jetha, A., Liao, Q., Smith, P. et al. (2026). Large language model exposure and precarious occupations: Unpacking relationships in the Canadian labor force. Scandinavian Journal of Work, Environment & Health. https://doi.org/10.5271/sjweh.4312 - el artículo del que trata esta nota — el artículo completo — el pasaje: "Precarious occupations reflect the accumulation of multiple poor employment conditions including job instability (eg, temporary employment), earnings inadequacy (eg, low wages), schedule unpredictability (eg, irregular hours), working-time mismatch (eg, involuntary part-time employment) or a lack of regulatory protections (eg, no union representation)"
Jetha, A., Liao, Q., Smith, P. et al. (2026). Large language model exposure and precarious occupations: Unpacking relationships in the Canadian labor force. Scandinavian Journal of Work, Environment & Health. https://doi.org/10.5271/sjweh.4312 - el artículo del que trata esta nota — el artículo completo — el pasaje: "A recent analysis of 231 307 lost-time compensation claims in Ontario, Canada, over a four-year period, found that greater exposure to temporary employment, low wages, irregular work hours or involuntary part-time work was associated with a greater workplace injury risk."
Jetha, A., Liao, Q., Smith, P. et al. (2026). Large language model exposure and precarious occupations: Unpacking relationships in the Canadian labor force. Scandinavian Journal of Work, Environment & Health. https://doi.org/10.5271/sjweh.4312 - el artículo del que trata esta nota — el artículo completo — el pasaje: "The study also found that occupations with a high level of exposure to ≥2 dimensions of precarity were associated with a nearly threefold risk of injury or illness when compared to workers in occupations facing less ( 3 ) precarity."
Jetha, A., Liao, Q., Smith, P. et al. (2026). Large language model exposure and precarious occupations: Unpacking relationships in the Canadian labor force. Scandinavian Journal of Work, Environment & Health. https://doi.org/10.5271/sjweh.4312 - el artículo del que trata esta nota — el artículo completo — el pasaje: "Eloundou and colleagues ( 18 ) recently found that just under 20% of occupations in the US consisted of job tasks in which 50% are exposed to LLM. Occupational exposure to LLM was highest among occupations that were characterized by higher wages (one indicator of whether an occupation is precarious or not)"
Jetha, A., Liao, Q., Smith, P. et al. (2026). Large language model exposure and precarious occupations: Unpacking relationships in the Canadian labor force. Scandinavian Journal of Work, Environment & Health. https://doi.org/10.5271/sjweh.4312 - el artículo del que trata esta nota — el artículo completo — el pasaje: "Similarly, a study of LLM exposure in Latin American countries found that occupational LLM exposure was highest among workers with greater educational attainment and income."
Jetha, A., Liao, Q., Smith, P. et al. (2026). Large language model exposure and precarious occupations: Unpacking relationships in the Canadian labor force. Scandinavian Journal of Work, Environment & Health. https://doi.org/10.5271/sjweh.4312 - el artículo del que trata esta nota — el artículo completo — el pasaje: "An analysis of Canadian workers using data from 2022–2025 in which there was a rapid proliferation of generative AI tools, showed that occupations with high exposure to AI and where AI would be most complementary to workers were also more likely to be characterized by full-time work hours and permanent work arrangements"
Jetha, A., Liao, Q., Smith, P. et al. (2026). Large language model exposure and precarious occupations: Unpacking relationships in the Canadian labor force. Scandinavian Journal of Work, Environment & Health. https://doi.org/10.5271/sjweh.4312 - el artículo del que trata esta nota — el artículo completo — el pasaje: "Apart from earning adequacy, LLM exposure was also lower among occupations using each separate dimension of precarity."
Jetha, A., Liao, Q., Smith, P. et al. (2026). Large language model exposure and precarious occupations: Unpacking relationships in the Canadian labor force. Scandinavian Journal of Work, Environment & Health. https://doi.org/10.5271/sjweh.4312 - el artículo del que trata esta nota — el artículo completo — el pasaje: "When examining temporary employment (figure 1), irregular work hours (figure 3) and involuntary work hours (figure 4) our findings showed that adjusted mean LLM exposure values were significantly lower among occupations with the highest prevalence of precarity (Q1) when compared to occupations with the lowest prevalence of precarity (Q4)."
Jetha, A., Liao, Q., Smith, P. et al. (2026). Large language model exposure and precarious occupations: Unpacking relationships in the Canadian labor force. Scandinavian Journal of Work, Environment & Health. https://doi.org/10.5271/sjweh.4312 - el artículo del que trata esta nota — el artículo completo — el pasaje: "Adjusted mean occupational LLM exposure values did not differ significantly between the highest and lowest prevalence of low-wage work (figure 2)."
Jetha, A., Liao, Q., Smith, P. et al. (2026). Large language model exposure and precarious occupations: Unpacking relationships in the Canadian labor force. Scandinavian Journal of Work, Environment & Health. https://doi.org/10.5271/sjweh.4312 - el artículo del que trata esta nota — el artículo completo — el pasaje: "The measure is unable to determine the realized exposure of an occupation to LLM or recent advancements in the technology."
Jetha, A., Liao, Q., Smith, P. et al. (2026). Large language model exposure and precarious occupations: Unpacking relationships in the Canadian labor force. Scandinavian Journal of Work, Environment & Health. https://doi.org/10.5271/sjweh.4312 - el artículo del que trata esta nota — el artículo completo — el pasaje: "Examining LLM exposure at the occupational level may not account for potential heterogeneity in an exposure such as differences in specific job tasks within occupations. Accordingly, our analytical approach may introduce ecological bias if inferences about individuals are drawn from findings presented at the occupational level."
Yu Z, Wang J, Zuo T, Alm J, Li X, Li X. (2026). Robotaxis reduce taxi drivers’ income. Humanities and Social Sciences Communications. https://doi.org/10.1057/s41599-026-07366-x — solo el resumen - no se pudo obtener el texto completo — el pasaje: "We find that the introduction of robotaxis reduces traditional taxi drivers’ average daily income by 10.9%, likely due to the reduced demand for their services."
Yu Z, Wang J, Zuo T, Alm J, Li X, Li X. (2026). Robotaxis reduce taxi drivers’ income. Humanities and Social Sciences Communications. https://doi.org/10.1057/s41599-026-07366-x — solo el resumen - no se pudo obtener el texto completo — el pasaje: "In addition, we conduct a survey of these traditional taxi drivers, and we find that robotaxis increase working hours, increase job stress, decrease job satisfaction, and encourage these traditional taxi drivers to seek alternative employment."
Dehouche N. (2026). Creation, validation, obsolescence: observed evidence of AI-driven labor market displacement, 2020–2025. Frontiers in Human Dynamics. https://doi.org/10.3389/fhumd.2026.1815037 — solo el resumen - no se pudo obtener el texto completo — el pasaje: "a 14–41% reduction in postings for entry- and mid-level software development and content-creation roles in high-income economies between 2022 and 2024 (range across individual studies: −14% to −41%; median: −23%)"
Dehouche N. (2026). Creation, validation, obsolescence: observed evidence of AI-driven labor market displacement, 2020–2025. Frontiers in Human Dynamics. https://doi.org/10.3389/fhumd.2026.1815037 — solo el resumen - no se pudo obtener el texto completo — el pasaje: "Persistent data gaps—especially concerning worker-level outcomes, informal labor, and non-Anglophone markets—warrant urgent research investment."
Dehouche N. (2026). Creation, validation, obsolescence: observed evidence of AI-driven labor market displacement, 2020–2025. Frontiers in Human Dynamics. https://doi.org/10.3389/fhumd.2026.1815037 — solo el resumen - no se pudo obtener el texto completo — el pasaje: "these figures are not pooled estimates but represent the span observed across non-overlapping study designs and geographies, and should be interpreted as illustrative of the order of magnitude of the effect rather than as a meta-analytic point estimate"
Handel MJ. (2026). Reassessing the Impact of Artificial Intelligence on Employment: Evidence Against the Mass Job Loss Hypothesis. LABOUR. https://doi.org/10.1111/labr.70018 — solo el resumen - no se pudo obtener el texto completo — el pasaje: "There is little evidence of mass displacement or any kind of technology‐driven structural break with previous employment trends, arguing for caution in making predictions of the future impacts of robotics and AI on jobs."

No tome esto como consejo médico profesional.

Los hallazgos de otros estudios que aquí se mencionan los conocemos por este documento, que fue el que leímos; no abrimos cada uno de esos estudios.

survey · Scandinavian Journal of Work Environment & Health · the paper, 3 Jun 2026 · free

Steady Jobs Are the Ones Most Exposed to AI Language Tools, Canadian Study Finds

The research looked at occupations, not individual workers, so it cannot say what happens to your own job.

Short version · the longer version follows, about 6 min

Ask weeklyAI

Ask me about this study: who was studied, what it found, and what it does not say.

Conversations are saved for as long as weeklyAI exists, to improve the publication. Answers come in the language you write in.

The study at a glance
Who: Canadian occupations, not individual workers
How many: 512 occupations
Where: Canada
When: 2021 to 2024
Kind of study: analysis of what people did
Who did it: Institute for Work & Health, Toronto, and other Canadian institutions
The limit that matters: It looked at occupations, not individual workers, so it cannot say what happens to your own job.

Average exposure to AI language tools by how precarious the occupation is

Low precarity0.386score from 0 to 1

Medium precarity0.258score from 0 to 1

High precarity0.26score from 0 to 1

Very high precarity0.205score from 0 to 1

Average exposure score for occupations grouped by how many poor employment conditions they have; higher means more tasks could be done by a language model. The study looked at occupations, not individual workers.

How exposure to AI language tools compares across types of job insecurity

Occupations with the most temporary employmentagainstOccupations with the least temporary employment

Exposure was significantly lower in the most temporary occupations

Occupations with the most irregular work hoursagainstOccupations with the least irregular work hours

Exposure was significantly lower in the most irregular-hours occupations

Occupations with the most involuntary part-time workagainstOccupations with the least involuntary part-time work

Exposure was significantly lower in the most involuntary part-time occupations

Occupations with the most low-wage workagainstOccupations with the least low-wage work

Exposure did not differ significantly between the two

Steady Jobs, Not Shaky Ones, Are the Ones AI Language Tools Reach
weeklyAI's reading

Watch · 0:55

In Canada, occupations with the steadiest conditions — regular hours, permanent positions, enough pay — are also the ones whose tasks are most exposed to AI language tools.

That is the finding of a study in the Scandinavian Journal of Work, Environment & Health. Researchers at the Institute for Work & Health in Toronto and other Canadian institutions wanted to know which occupations face the most exposure to large language models, the software behind tools like chatbots that can read, write and summarize text.

They used four years of Canada's Labour Force Survey, from 2021 to 2024, which has an approximate sample of 100,000 workers. They also calculated an occupational-level score for each of 512 occupations. They also used a measure built from US job descriptions that estimates what share of an occupation's tasks could be done by a language model.

They found that occupations with the least precarious conditions — the fewest temporary jobs, the fewest irregular hours, the least involuntary part-time work — had the highest exposure. On a scale from zero to one, these occupations scored 0.386 on average. Occupations with medium precarity scored 0.258, high precarity 0.260, and very high precarity 0.205.

The study looked at occupations as a whole, not at individual workers. It cannot tell you whether your own job will change, in what way, or when. It also measured the potential for tasks to be done by a language model, not what employers are actually doing. It does not show what tools are in use on any shop floor or in any office right now. And the data end in 2024, so newer AI tools may have shifted the picture since.

The article describes a study in which the pattern runs opposite to earlier waves of automation, which hit repetitive, lower-skilled work hardest. The article describes a study in which language models handle text, information and rule-based problem-solving — tasks concentrated in professional jobs.

The article describes a study in which one reading is that steady jobs may now face competition, and that workers in less steady jobs could miss out on the productivity gains the tools offer. The study itself did not measure pay changes, job losses or health effects.

For workers, there is a practical question worth asking: if your job is steady, learning to use these tools may help you hold or improve it. If your job is already insecure, you may be less exposed to the tools — and less likely to share in what they make possible.

What is one task in your work that a language model could help with this month?

What this means for you

If your work is steady, watch whether the tools can take over tasks like writing or summarizing, and consider learning to use them while asking what your employer actually adopts. If your job is already insecure, do not assume you are safe; the study only shows an association between occupations, not what happens to you.

Who paid: The study was funded by the Social Sciences and Humanities Research Council of Canada Partnership Grant (#895-2025-1000) supporting the Partnership on AI and Quality of work; the authors are employees of the Institute for Work & Health, which is supported by the Ontario Ministry of Labour, Immigration, Training and Skills Development, and the article states the analyses and conclusions are solely those of the authors and do not reflect the funders.

Do not take this as professional medical advice.

The findings of other studies mentioned here are known to us through this document, which is the one we read; we did not open each of those studies.

The longer versionThe passages copied from the paper, the pictures, and every source with how much of it we read · 1243 words · about 6 minRead it →Close

Steady Jobs, Not Shaky Ones, Are the Ones AI Language Tools Reach

Canadian survey data link the steadiest occupations to the highest exposure to language-model tools—and leave open what happens to the people in them.

How it could look · illustration generated by weeklyAI.watch, not a photograph

A new study asks a simple question about artificial intelligence and work: are the shakiest jobs the ones most exposed to language tools, or the steadiest? The answer, in Canadian data, is the steadiest. Occupations with the least precarious employment had the highest average exposure to large language models—0.386 on a scale running from 0 to 1, with a confidence interval of 0.356 to 0.417. Occupations with medium precarity averaged 0.258 (0.221–0.295), high precarity 0.260 (0.194–0.328), and very high precarity 0.205 (0.136–0.275). A confidence interval is the range the researchers can be reasonably sure the true figure sits inside.

The study, by Arif Jetha and colleagues, was published in the Scandinavian Journal of Work, Environment & Health and funded by a Social Sciences and Humanities Research Council of Canada Partnership Grant that supported the Partnership on AI and Quality of work. Several authors are employees of the Institute for Work & Health, which is supported through funding from the Ontario Ministry of Labour, Immigration, Training and Skills Development. They pooled four years of Canada's Labour Force Survey, 2021 to 2024, a mandatory monthly survey of roughly 100,000 workers, and analyzed 512 occupations rather than individual workers. The average exposure score across all occupations was 0.34, ranging from 0 to 0.84.

The technology at the center of this is a large language model: software that uses machine learning, especially deep learning and neural networks, to recognize patterns, context and meaning in language¹. In workplaces, these tools are being introduced to handle language and information synthesis, documentation, communication, and rule-based cognitive problem-solving—tasks most often clustered in occupations with higher-quality employment conditions². In practice that means summarizing and synthesizing large amounts of information, as in legislative analysis tools; managing customer inquiries, as in chatbot customer service; supporting organizational decisions, as in resume screening and job matching; and generating technical and creative content³. These tools are currently less likely to be used for tasks requiring intensive interpersonal skills or physically unpredictable work⁴.

"Precarious" here is a bundle, not a single thing. The researchers counted four poor employment conditions: temporary rather than permanent work; low wages, defined as less than two-thirds of the median hourly wage; hours that vary from week to week; and involuntary part-time work, meaning under 30 hours a week while wanting 30 or more⁵. They ranked all 512 occupations by how many of their workers faced each condition, split them into four groups from least to most exposed, then built an overall index: an occupation scored "low" if it never landed in the worst group on any of the four conditions, "medium" if once, "high" if twice, and "very high" if three or four times.

Precarity is not a small matter in this research. The article describes a study in which an analysis of 231,307 lost-time compensation claims in Ontario over four years found that greater exposure to temporary employment, low wages, irregular hours or involuntary part-time work was associated with greater workplace injury risk⁶. The article describes a study in which occupations with high exposure to two or more of those dimensions carried nearly three times the risk of injury or illness compared with occupations facing less⁷. That is why the direction of this new finding matters: the occupations least exposed to language tools are, by this measure, the ones where workers already carry more risk.

This study is not the first to look. The article describes a study in which Eloundou and colleagues found that just under 20% of US occupations consisted of job tasks in which half are exposed to language models, and that exposure was highest among occupations with higher wages⁸. The article describes a study of Latin American countries in which exposure was highest among workers with more education and income⁹. The article describes an earlier analysis of Canadian workers, using 2022–2025 data from a period of rapid growth in generative AI tools, in which occupations with high AI exposure and where AI would most complement workers were also more likely to have full-time hours and permanent arrangements¹⁰. The new work adds a fuller picture of precarity, not just wages—and the pattern holds.

Breaking precarity into its parts, the pattern was not uniform. In the adjusted models—which account for the gender, age, education, provincial and industry makeup of each occupation—exposure was significantly lower in the most precarious occupations for temporary employment, irregular hours and involuntary part-time work¹¹. Low wages were the exception: after adjustment, exposure did not differ significantly between the highest and lowest prevalence of low-wage work¹². In other words, the wage story that earlier studies found is partly absorbed by other characteristics of the occupation.

The authors are direct about what their measure cannot do. It is a proxy: it cannot determine an occupation's realized exposure to language models, or capture recent advances in the technology¹³. It also cannot say anything about individual workers. Two people in the same occupation may do very different tasks, and drawing conclusions about individuals from occupation-level results may introduce what researchers call ecological bias¹⁴. The data end in 2024. The study did not measure health outcomes, hiring, or wages—only the share of an occupation's tasks that a language model could plausibly speed up.

Here is how we read it. Every previous wave of workplace technology we know of pressed first on the jobs with the least security. This one appears to be landing somewhere else: on the steady, salaried, desk-and-screen occupations that were sheltered last time. If that holds, the first friction should show up among better-paid staff—arguments over which tasks get handed to a tool, quiet downgrading of roles, demands for retraining—rather than among the least secure workers, who may not register the change at all. You would know we are wrong if the steadiest occupations absorb these tools with no change to their tasks, pay or bargaining position, while the least secure jobs erupt in open conflict over them.

For a household, the practical question is not whether the tool is coming. It is who gets asked to check its output, fix its mistakes and handle the cases it cannot. That work often gets described as simple support even when it demands real judgement, and it can cap pay and promotion. We also read one more thing worth keeping in view: the machines that look like they run themselves usually rest on hidden human labour behind the scenes—people correcting and filling gaps—and that work is frequently organized as cheap, flexible and invisible.

So watch two things where you work. First, when AI comes up, notice who is doing the arguing: the better-paid staff or the least secure ones. Second, if your job starts to include checking or cleaning up what an AI tool produces, keep a written record of what that work actually involves, and ask plainly how it is classified and paid. If you are offered such work, ask whether it is a permanent post with the same protections as the jobs it supports, or a separate short-term arrangement. The study cannot tell you what will happen to your job. It can tell you which jobs are closest to the change—and that is a place to start asking.

What task in your work would you want written down before anyone calls it simple?

Where each piece of context comes from, and how much of it we read

Jetha, A., Liao, Q., Smith, P. et al. (2026). Large language model exposure and precarious occupations: Unpacking relationships in the Canadian labor force. Scandinavian Journal of Work, Environment & Health. https://doi.org/10.5271/sjweh.4312 - the article this story is about — the whole article — the passage: "In this study, we focus specifically on LLM, a specific form of AI, which utilize machine learning techniques, especially deep learning and neural networks, to recognize patterns, context, and meaning in language."
Jetha, A., Liao, Q., Smith, P. et al. (2026). Large language model exposure and precarious occupations: Unpacking relationships in the Canadian labor force. Scandinavian Journal of Work, Environment & Health. https://doi.org/10.5271/sjweh.4312 - the article this story is about — the whole article — the passage: "LLM are increasingly being introduced in workplaces to perform job tasks such as language and information synthesis, documentation, communication, and rule-based cognitive problem-solving that are most often clustered in occupations with higher quality employment conditions."
Jetha, A., Liao, Q., Smith, P. et al. (2026). Large language model exposure and precarious occupations: Unpacking relationships in the Canadian labor force. Scandinavian Journal of Work, Environment & Health. https://doi.org/10.5271/sjweh.4312 - the article this story is about — the whole article — the passage: "LLM can be used to summarize and synthesize vast amounts of information (eg, legislative analysis tools), manage customer inquiries (eg, chatbot customer service applications), support organizational decision-making (eg, resume screening and job matching platforms) and generate technical and creative content (eg, content ideation tools)"
Jetha, A., Liao, Q., Smith, P. et al. (2026). Large language model exposure and precarious occupations: Unpacking relationships in the Canadian labor force. Scandinavian Journal of Work, Environment & Health. https://doi.org/10.5271/sjweh.4312 - the article this story is about — the whole article — the passage: "LLM may currently be less likely to be used to perform job tasks requiring intensive interpersonal or physically unpredictable skills"
Jetha, A., Liao, Q., Smith, P. et al. (2026). Large language model exposure and precarious occupations: Unpacking relationships in the Canadian labor force. Scandinavian Journal of Work, Environment & Health. https://doi.org/10.5271/sjweh.4312 - the article this story is about — the whole article — the passage: "Precarious occupations reflect the accumulation of multiple poor employment conditions including job instability (eg, temporary employment), earnings inadequacy (eg, low wages), schedule unpredictability (eg, irregular hours), working-time mismatch (eg, involuntary part-time employment) or a lack of regulatory protections (eg, no union representation)"
Jetha, A., Liao, Q., Smith, P. et al. (2026). Large language model exposure and precarious occupations: Unpacking relationships in the Canadian labor force. Scandinavian Journal of Work, Environment & Health. https://doi.org/10.5271/sjweh.4312 - the article this story is about — the whole article — the passage: "A recent analysis of 231 307 lost-time compensation claims in Ontario, Canada, over a four-year period, found that greater exposure to temporary employment, low wages, irregular work hours or involuntary part-time work was associated with a greater workplace injury risk."
Jetha, A., Liao, Q., Smith, P. et al. (2026). Large language model exposure and precarious occupations: Unpacking relationships in the Canadian labor force. Scandinavian Journal of Work, Environment & Health. https://doi.org/10.5271/sjweh.4312 - the article this story is about — the whole article — the passage: "The study also found that occupations with a high level of exposure to ≥2 dimensions of precarity were associated with a nearly threefold risk of injury or illness when compared to workers in occupations facing less ( 3 ) precarity."
Jetha, A., Liao, Q., Smith, P. et al. (2026). Large language model exposure and precarious occupations: Unpacking relationships in the Canadian labor force. Scandinavian Journal of Work, Environment & Health. https://doi.org/10.5271/sjweh.4312 - the article this story is about — the whole article — the passage: "Eloundou and colleagues ( 18 ) recently found that just under 20% of occupations in the US consisted of job tasks in which 50% are exposed to LLM. Occupational exposure to LLM was highest among occupations that were characterized by higher wages (one indicator of whether an occupation is precarious or not)"
Jetha, A., Liao, Q., Smith, P. et al. (2026). Large language model exposure and precarious occupations: Unpacking relationships in the Canadian labor force. Scandinavian Journal of Work, Environment & Health. https://doi.org/10.5271/sjweh.4312 - the article this story is about — the whole article — the passage: "Similarly, a study of LLM exposure in Latin American countries found that occupational LLM exposure was highest among workers with greater educational attainment and income."
Jetha, A., Liao, Q., Smith, P. et al. (2026). Large language model exposure and precarious occupations: Unpacking relationships in the Canadian labor force. Scandinavian Journal of Work, Environment & Health. https://doi.org/10.5271/sjweh.4312 - the article this story is about — the whole article — the passage: "An analysis of Canadian workers using data from 2022–2025 in which there was a rapid proliferation of generative AI tools, showed that occupations with high exposure to AI and where AI would be most complementary to workers were also more likely to be characterized by full-time work hours and permanent work arrangements"
Jetha, A., Liao, Q., Smith, P. et al. (2026). Large language model exposure and precarious occupations: Unpacking relationships in the Canadian labor force. Scandinavian Journal of Work, Environment & Health. https://doi.org/10.5271/sjweh.4312 - the article this story is about — the whole article — the passage: "When examining temporary employment (figure 1), irregular work hours (figure 3) and involuntary work hours (figure 4) our findings showed that adjusted mean LLM exposure values were significantly lower among occupations with the highest prevalence of precarity (Q1) when compared to occupations with the lowest prevalence of precarity (Q4)."
Jetha, A., Liao, Q., Smith, P. et al. (2026). Large language model exposure and precarious occupations: Unpacking relationships in the Canadian labor force. Scandinavian Journal of Work, Environment & Health. https://doi.org/10.5271/sjweh.4312 - the article this story is about — the whole article — the passage: "Adjusted mean occupational LLM exposure values did not differ significantly between the highest and lowest prevalence of low-wage work (figure 2)."
Jetha, A., Liao, Q., Smith, P. et al. (2026). Large language model exposure and precarious occupations: Unpacking relationships in the Canadian labor force. Scandinavian Journal of Work, Environment & Health. https://doi.org/10.5271/sjweh.4312 - the article this story is about — the whole article — the passage: "The measure is unable to determine the realized exposure of an occupation to LLM or recent advancements in the technology."
Jetha, A., Liao, Q., Smith, P. et al. (2026). Large language model exposure and precarious occupations: Unpacking relationships in the Canadian labor force. Scandinavian Journal of Work, Environment & Health. https://doi.org/10.5271/sjweh.4312 - the article this story is about — the whole article — the passage: "Examining LLM exposure at the occupational level may not account for potential heterogeneity in an exposure such as differences in specific job tasks within occupations. Accordingly, our analytical approach may introduce ecological bias if inferences about individuals are drawn from findings presented at the occupational level."

Do not take this as professional medical advice.

The findings of other studies mentioned here are known to us through this document, which is the one we read; we did not open each of those studies.