Dreamforce mostró agentes capaces de convertir conocimiento humano en Skills, ejecutar procesos durante días y supervisar a otras máquinas. Los nuevos datos del World Economic Forum revelan la tensión: las mujeres están más expuestas a la disrupción de GenAI y mucho menos representadas entre quienes construyen la tecnología.

En Dreamforce, una de las demostraciones más reveladoras no comenzó con un robot sustituyendo a una persona. Comenzó con una persona enseñándole a una máquina cómo hace su trabajo.

Salesforce mostró Agentforce Coworker convirtiendo procesos repetitivos en Skills reutilizables: instrucciones, contexto y herramientas que después pueden ejecutarse dentro de una organización. La compañía lo presenta como una forma de capturar y escalar el conocimiento de sus mejores trabajadores.

Eso puede ser productividad. También abre una pregunta económica: ¿qué ocurre con el valor del conocimiento de una trabajadora cuando ese conocimiento deja de depender de ella para ser ejecutado?

Del asistente al trabajador digital

Salesforce ya no está mostrando AI que simplemente ayuda a redactar un correo. Hunter puede trabajar durante periodos prolongados hacia objetivos comerciales, identificar oportunidades, construir planes y redactar comunicaciones. Otros agentes pueden aprender el estilo de comunicación de un trabajador y actuar en su nombre.

La automatización también empieza a supervisarse a sí misma. Agent Optimizer observa el desempeño de otros agentes, detecta problemas, propone cambios y realiza pruebas.

Visto en conjunto, Dreamforce permite imaginar una estructura distinta del trabajo: ejecutar el proceso, supervisar al agente, diseñar o configurar al agente y gobernar el sistema.

La tecnología para recorrer esa escalera empieza a existir. Lo que todavía no sabemos es quién podrá subirla.

Las mujeres empiezan esta transición desde otro lugar

El 16 de septiembre, mientras Dreamforce discutía cómo los agentes pueden asumir una parte creciente del trabajo empresarial, el World Economic Forum publicó su Global Gender Gap Report 2026. Los dos hechos no están relacionados y Salesforce no presentó estos datos de género durante las demostraciones observadas por LEVEL. El cruce es nuestro.

El informe, apoyado en datos del LinkedIn Economic Graph Research Institute, encuentra que las mujeres están menos representadas en compañías de AI que en empresas no-AI incluso a niveles semejantes de seniority. Entre individual contributors representan 36,6% en firmas de AI frente a 44,8% en compañías no-AI. En top management, 25,3% frente a 27,7%.

La distancia aumenta cuando se mira quién construye la tecnología. Las mujeres representan 19,3% de los AI engineers y 20,6% de los machine-learning engineers en las economías con datos disponibles. En AI hardware son 22,7% y en computer vision y robotics, 21,8%. China no está incluida en estas estimaciones, una limitación importante.

En el otro extremo aparecen las data annotators: allí las mujeres representan 44,8%. El WEF señala además que, en Estados Unidos, data annotation está entre los trabajos de AI peor remunerados.

No es una prueba de que la economía de los agentes vaya a reproducir exactamente esa estructura. Sí describe el punto de partida.

La exposición tampoco está repartida por igual

Otra cifra requiere precisión. El dato de que las mujeres representan 57% de los trabajadores en las ocupaciones con mayor probabilidad de disrupción por GenAI, frente a 43% de hombres, procede de análisis de LinkedIn sobre Estados Unidos citados por el World Economic Forum; no es una medición producida directamente por el Global Gender Gap Index.

La International Labour Organization llega, con otra metodología y una muestra internacional, a una dirección semejante: en 84 países, las ocupaciones dominadas por mujeres tienen casi el doble de probabilidad de estar expuestas a GenAI que las dominadas por hombres, 29% frente a 16%. La concentración femenina en trabajos clericales, administrativos y de business support ayuda a explicar la diferencia.

La ILO introduce una distinción esencial: exposición no equivale a desaparición del empleo. Para muchas ocupaciones, el cambio puede darse primero en las tareas, habilidades y condiciones laborales.

Ese matiz importa después de Dreamforce, porque Salesforce está automatizando precisamente tareas.

Customer service muestra la transición en tiempo real

Southwest Airlines ofrece una ventana concreta. Durante Dreamforce, la compañía explicó que busca dejar a la AI parte del trabajo informativo y operativo para que sus representantes humanos se concentren en momentos de alta empatía y hospitalidad.

Pero la adopción también creó trabajo nuevo. Southwest describió equipos dedicados a analizar conversaciones, observar patrones, modificar los agentes y medir resultados. Vivint, por su parte, mostró cómo está trasladando agentes desde chat hacia voz.

Customer service importa para esta discusión porque es una ocupación mayoritariamente femenina en Estados Unidos. Los datos del Bureau of Labor Statistics muestran que cerca de dos tercios de quienes trabajan como customer service representatives son mujeres.

La cuestión no es simplemente cuántas representantes quedan. Es qué sucede con sus carreras cuando cambia la naturaleza del trabajo.

Si las preguntas rutinarias pasan al agente y los casos excepcionales permanecen con humanos, el trabajo humano podría volverse más especializado. Pero existe otra posibilidad que merece seguimiento: que el conocimiento de quienes entienden clientes, excepciones y procesos se utilice para mejorar el agente mientras las posiciones mejor pagadas alrededor del sistema quedan en otras manos.

No tenemos evidencia suficiente para afirmar que eso esté ocurriendo. Tenemos razones para medirlo.

El nuevo trabajo alrededor de las máquinas

Dreamforce también complica el relato sencillo de que AI equivale a eliminación de empleos. Los agentes necesitan configuración, evaluación, observabilidad, testing, análisis de conversaciones, gobernanza, integración y revisión humana.

Eso abre una pregunta de movilidad profesional especialmente relevante para mujeres que conocen profundamente un negocio pero no son ingenieras. Una representante de servicio conoce excepciones que no aparecen en un manual. Una persona de operaciones sabe dónde se rompe un workflow. Una vendedora experimentada sabe cuándo los datos no cuentan toda la historia.

Ese conocimiento puede convertirse en una ventaja para evaluar y mejorar sistemas de AI. Pero que exista una nueva función no significa que las trabajadoras actuales tengan acceso a ella. Importan el entrenamiento, los requisitos técnicos, el salario, la capacidad de decisión y quién recibe la oportunidad de hacer la transición.

La escalera que importa

El propio Global Gender Gap Report plantea que la paridad en la economía de AI dependerá no solamente de quién sea afectado por la tecnología, sino de quién participe en desarrollarla y desplegarla.

Ahí está la pregunta de poder que Dreamforce dejó sobre la mesa.

Durante años, una trabajadora puede acumular conocimiento sobre clientes, excepciones, procesos y decisiones. Ese saber vive en la experiencia cotidiana. Cuando una empresa consigue convertir parte de esos patrones en una Skill o en un agente reutilizable, puede distribuir ese conocimiento a una escala antes imposible.

Lo que todavía no sabemos es cómo se distribuirá el valor creado después.

En Estados Unidos, las mujeres representaron 26% de las nuevas contrataciones en roles de AI, frente al 50% en empleos no-AI, según análisis de LinkedIn difundido por el WEF. Y el Global Gender Gap Report encuentra que su representación cae con fuerza en varias de las ocupaciones directamente vinculadas con el desarrollo de AI.

Dreamforce dejó ver que el siguiente capítulo de la inteligencia artificial empresarial puede no consistir simplemente en personas utilizando software. Puede consistir en empresas convirtiendo conocimiento humano en sistemas capaces de actuar.

Cuando eso ocurra, contar cuántos puestos desaparecen será insuficiente. Habrá que seguir otra métrica: cuántas de las personas que enseñaron a las máquinas a hacer el trabajo consiguieron también el acceso, el entrenamiento, el salario y la autoridad para dirigirlas.

Porque la próxima brecha laboral podría no estar entre quienes trabajan y quienes son reemplazados. Podría estar entre quienes hacen el trabajo y quienes controlan las máquinas que aprendieron a hacerlo.

Fuentes: World Economic Forum, Global Gender Gap Report 2026 (16 de septiembre de 2026); LinkedIn Economic Graph Research Institute, datos citados por WEF; International Labour Organization, análisis sobre GenAI, segregación ocupacional y género; Bureau of Labor Statistics de Estados Unidos; demostraciones y declaraciones observadas por LEVEL en Dreamforce 2026; documentación y casos de cliente de Salesforce.