Bibliografía & corpus

Bibliografía y trazabilidad del corpus

La fuente canónica completa del corpus es el Google Sheet. Esta página explica cómo se leen las cifras y lista las filas que el paper de visión cita explícitamente, con su id y su etiqueta de evidencia.

Google Sheet bibliografía (fuente canónica) NotebookLM corpus

Cómo leemos las cifras

Cada fila del corpus lleva un identificador estable —el ancla de cita— con el formato <dominio>-<NNN> (por ejemplo D3-016). El paper cita por ese id, no por la URL. Y cada dato lleva una etiqueta de naturaleza de la evidencia. Confundir medido con ilustrativo tumba la credibilidad ante un inversor; por eso la etiqueta se propaga a toda cita derivada.

MEDIDO

Estudio con datos y metodología declarada. La cifra proviene de telemetría, benchmark o muestra observada.

ILUSTRATIVO

Hipótesis o cifra no telemétrica. Se propaga etiquetada como tal a paper y landing; nunca se presenta como medición.

N-A

La fila no aporta cifra ni claim cuantitativo; solo contexto cualitativo (p. ej. un anuncio sin cifra de capacidad).

Los prefijos de id agrupan por dominio de la columna vertebral del argumento: D1D5- (EdTech y mercado), D2- (IA agéntica y MCP), D3- (futuro del trabajo / HII) y D6- (pedagogía y aprendizaje).

Filas citadas en el paper

Estas son las 18 filas que el paper de visión cita de forma explícita. Se derivan directamente de las citas del propio paper; no se han añadido ni rellenado filas ausentes. Para el corpus completo, consulta el Google Sheet enlazado arriba.

Id Evidencia Dominio Qué afirma en el paper
D1D5-001 MEDIDO D1/D5 EdTech/Mercado 39% de las competencias actuales se transformará u obsolescerá entre 2025 y 2030 (encuesta a +1.000 empleadores en 55 economías).
D1D5-002 MEDIDO D1/D5 EdTech/Mercado Para 2030, el 70% de las competencias de la mayoría de empleos cambiará, con la IA como catalizador (LinkedIn Economic Graph).
D1D5-003 MEDIDO D1/D5 EdTech/Mercado 40% de los directivos prevé reentrenar a su plantilla en tres años por la adopción de IA (3.000 ejecutivos C-level, 28 países).
D1D5-004 ILUSTRATIVO D1/D5 EdTech/Mercado Vida media de algunas competencias técnicas ~2,5 años. Entra como gancho retórico, no como telemetría propia.
D2-018 N-A D2 IA agéntica/MCP OpenAI adoptó MCP en marzo de 2025 (ChatGPT desktop) y Google DeepMind en abril de 2025 (adopción cross-vendor).
D2-019 N-A D2 IA agéntica/MCP El Agents SDK de Python de OpenAI soporta MCP de forma nativa (múltiples transportes, filtrado de tools, caching, tracing).
D2-020 N-A D2 IA agéntica/MCP Google Cloud expone, desde el 11/12/2025, servidores MCP remotos gestionados (Maps, BigQuery, Compute Engine, GKE) en un endpoint enterprise.
D2-021 MEDIDO D2 IA agéntica/MCP +10.000 servidores MCP públicos activos y +97 M descargas mensuales de los SDK (Python + TypeScript) a diciembre de 2025; donado a la Agentic AI Foundation.
D3-008 MEDIDO D3 Futuro del trabajo/HII La frontera de horizonte temporal de los agentes se duplica ~cada 131 días post-2023; horizonte al 50% de Claude Opus 4.5 = 320 min (IC 170-729) y GPT-5 = 214 min (IC 117-480).
D3-009 MEDIDO (reinterpretación) D3 Futuro del trabajo/HII Reinterpretación de Ord: el horizonte al 50% equivale a la "vida media" de un agente bajo tasa de fallo constante; el autor declara incierta la generalización a tareas largas.
D3-012 MEDIDO D3 Futuro del trabajo/HII Precedente médico de escalas ordinales de supervisión (cinco niveles): medir el grado de autonomía de una tarea es práctica estándar y defendible.
D3-013 N-A D3 Futuro del trabajo/HII La distinción human-in-the-loop (rol activo) vs. human-on-the-loop (monitorización con capacidad de intervenir) está formalizada por el regulador europeo.
D3-014 N-A D3 Futuro del trabajo/HII Exposición ≠ resultado: los indicadores de exposición revelan susceptibilidad técnica, no resultados laborales; son alerta temprana, no predicción de pérdida de empleo.
D3-015 MEDIDO D3 Futuro del trabajo/HII Probando cinco medidas de exposición contra microdatos: no hay correlación exposición→paro; el quintil más expuesto subió 0,30 p.p. frente a 0,94 p.p. del menos expuesto (patrón opuesto al del desplazamiento).
D3-016 MEDIDO D3 Futuro del trabajo/HII Misma rúbrica con tres modelos frontera: divergencia de 3,6× en la exposición media, acuerdo tan bajo como 57%, Cohen’s kappa = 0,36 (la medición circular es impugnable).
D6-001 MEDIDO D6 Pedagogía/Aprendizaje Meta-análisis (McKay 2024): efecto global g=0,68 y g=0,73 en aprendizaje, pero la transferencia conductual cae a g=0,34 (no significativa). Formar no es transferir.
D6-002 MEDIDO D6 Pedagogía/Aprendizaje RCT con adultos: práctica deliberada OSCE 69,79 frente a 51,38 de la clase magistral (p≈0,000002). Medir ejecución bate a medir exposición.
D6-013 MEDIDO D6 Pedagogía/Aprendizaje Fiabilidad inter-evaluador en grading por rúbrica: ICC = 0,972 entre modelo afinado y humanos. Con criterio público y estable, la concordancia es altísima.