Karpathy calculó a quién reemplazarán las redes neuronales 🤖

Andréi Karpathy lanzó otro interesante proyecto personal — US Job Market Visualizer. Es un mapa interactivo del mercado laboral de EE. UU. (143 millones de empleos, 342 profesiones), donde cada especialidad se evalúa según el nivel de «AI Exposure» (vulnerabilidad frente a la IA).

¿Qué hay sobre los programadores?
Los desarrolladores de software tienen una puntuación de 9/10. Estamos en la zona roja profunda.

¿Significa esto que es hora de aprender a poner azulejos? Para nada. Karpathy señala que una alta vulnerabilidad no equivale a la desaparición de la profesión. Escribir código, depurar y automatizar pruebas es un caso de uso ideal para los LLM. La productividad de un ingeniero se dispara.

La demanda de desarrolladores podría incluso aumentar, pero pagarán por el diseño de arquitectura, la comunicación con los interesados y la resolución de problemas empresariales. En cuanto a los codificadores lineales, los ejecutores ciegos de tickets y los testers manuales, les ofrezco mis condolencias: este segmento se reestructurará primero.

¿Qué más es interesante?
▫️ Solo el 4.4% de los empleos tienen un riesgo mínimo (techadores, cargadores, conserjes). El trabajo físico aún está fuera de juego.
▫️ Cuanto mayor es el salario y la educación, más estás en la mira de la IA. Las profesiones con ingresos superiores a $100k tienen una puntuación media de vulnerabilidad de 6.7.
▫️ En la zona de alto riesgo (7 puntos o más) se generan $3.7 billones en salarios anuales.

Cómo funciona bajo el capó
Para un desarrollador de Python, este repositorio es una referencia ideal y cristalina de cómo se deben construir los pipelines de procesamiento de datos con LLM hoy en día. Sin basura sobrecomplicada, todo con herramientas estándar:

1️⃣ scrape.py — Playwright sin headless (BLS bloquea bots) para extraer el HTML crudo.
2️⃣ parse_detail.py y process.py — el clásico BeautifulSoup4 para limpiar el maquetado y convertirlo a Markdown limpio. Sin magia, solo preparación de contexto.
3️⃣ score.py — la parte más importante. El script alimenta las descripciones en Markdown de las profesiones a Gemini 3 Flash a través de OpenRouter. En el prompt del sistema se definen estrictamente los criterios de evaluación (de 0 a 10) y se exige devolver solo JSON con la forma {"exposure": int, "rationale": "string"}.
4️⃣ build_site_data.py — compila el JSON final para el frontend en HTML/JS vanilla.

Si hace tiempo que querías acoplar un LLM al análisis de tus propios datos aburridos (reseñas, logs, currículums), haz un fork del proyecto. Reemplaza el prompt de Karpathy sobre «AI Exposure» por el tuyo (por ejemplo, «Evalúa la probabilidad de automatización de este trabajo por robots humanoides» o «Evalúa el riesgo de externalización»), ejecuta el script y obtén el análisis listo.

🔗Código fuente en GitHub