doi: 10.58763/rc2026589

 

Artículo de Revisión

 

Transformaciones del trabajo digital: inteligencia artificial y community manager en la economía gig. Una revisión sistemática de literatura

 

Transformations of digital work: artificial intelligence and the community manager in the gig economy. A systematic literature review

 

Andrés Camilo Aponte López1  *

 

RESUMEN

 

Introducción: La expansión de la economía gig y la incorporación de inteligencia artificial han transformado el trabajo digital del community manager, al modificar sus funciones, competencias, condiciones laborales y márgenes de autonomía. El estudio analizó estas transformaciones e identificó patrones y vacíos en la literatura.

Metodología: Se realizó una revisión sistemática cualitativa, descriptivo-analítica e interpretativa, guiada por PRISMA. Se buscaron artículos en Scopus y Google Académico, publicados entre 2015 y 2024, en español o inglés. De 134 registros iniciales, 50 estudios conformaron el corpus final. La calidad se evaluó mediante coherencia conceptual, claridad metodológica, relevancia temática y contribución teórica. La síntesis se efectuó mediante codificación temática inductiva.

Resultados: La inteligencia artificial automatiza tareas rutinarias, como redacción básica, respuestas estandarizadas y producción elemental de contenidos, mientras desplaza el valor hacia el análisis, la supervisión, la curaduría y la estrategia. Paralelamente, aumentan la presión por disponibilidad, la dependencia reputacional, la transferencia de riesgos y la exposición a sistemas algorítmicos opacos. La gobernanza algorítmica condiciona la visibilidad, la evaluación y la asignación de oportunidades.

Conclusiones: La inteligencia artificial redefine, pero no elimina, el rol del community manager. Su sostenibilidad depende de formación continua, transparencia algorítmica y marcos regulatorios con protección y apelación efectivas.

 

Palabras clave: Economía gig, Community Manager, Inteligencia Artificial, Plataformas digitales, Trabajo Independiente.

 

Clasificación JEL: J24, L86, O33, M31.

 

ABSTRACT

 

Introduction: The expansion of the gig economy and the integration of artificial intelligence have transformed the digital work of community managers by altering their roles, competencies, working conditions, and degree of autonomy. This study analyzed these transformations and identified patterns and gaps in the literature.

Methodology: A qualitative, descriptive-analytical, and interpretive systematic review was conducted, guided by PRISMA. Articles were searched for in Scopus and Google Scholar, published between 2015 and 2024, in Spanish or English. Of the 134 initial records, 50 studies made up the final corpus. Quality was assessed based on conceptual coherence, methodological clarity, thematic relevance, and theoretical contribution. The synthesis was conducted using inductive thematic coding.

Results: Artificial intelligence automates routine tasks, such as basic writing, standardized responses, and elementary content production, while shifting value toward analysis, supervision, curation, and strategy. At the same time, pressure regarding availability, reputational dependence, risk transfer, and exposure to opaque algorithmic systems is increasing. Algorithmic governance shapes visibility, evaluation, and the allocation of opportunities.

Conclusions: Artificial intelligence redefines, but does not eliminate, the role of the community manager. Its sustainability depends on ongoing training, algorithmic transparency, and regulatory frameworks that provide effective protection and appeal mechanisms.

 

Keywords: Gig economy, Community Manager, Artificial Intelligence, Digital platforms, Freelance work.

 

JEL Classification: J24, L86, O33, M31.

 

Enviado: 14-09-2025           Revisado: 18-10-2025           Aceptado: 15-12-2025           Publicado: 02-01-2026

 

Editor: Alfredo Javier Pérez Gamboa

 

1Corporación Universitaria Minuto de Dios. Ibagué, Colombia.

 

Citar como: Aponte-López, A. C. (2026). Transformaciones del trabajo digital: inteligencia artificial y community manager en la economía gig. Una revisión sistemática de literatura. Región Científica, 5(1), 2026589. https://doi.org/10.58763/rc2026589

 

INTRODUCCIÓN

 

El avance tecnológico ha transformado radicalmente la forma en que las personas trabajan, interactúan y generan valor. La llegada de las plataformas digitales y la pandemia de Covid-19 han sido impulsores de una nueva economía, conocida como economía de plataformas o gig. Esta se caracteriza por permitir relaciones laborales flexibles, de corto plazo y mediadas por aplicaciones digitales (Fierro-Moreno, 2021; Vallas & Schor, 2020).

 

Este nuevo modelo económico trae como beneficios mayor autonomía y diversificación de ingresos, pero contrasta con una mayor inestabilidad laboral y un limitado acceso a la protección social (López Estupiñán & Peña Mesa, 2023). En este escenario, la inteligencia artificial (IA) se ha integrado de forma creciente en los procesos organizacionales, al automatizar tareas rutinarias, optimizar la gestión de datos y redefinir prácticamente la mayoría de los roles de una organización, siendo su mayor ventaja el ahorro de tiempo en la ejecución de tareas (Eloundou et al., 2023).

 

Por lo anterior, el rol del community manager (CM) ha evolucionado. Este profesional actualmente es el encargado de gestionar la comunicación, interactuar con usuarios y construir la reputación corporativa de marcas en entornos digitales. Pero la IA plantea nuevos retos y oportunidades en la gestión de comunidades, en particular al hablar de tareas sustituibles y de nuevas habilidades complementarias o no afectadas (Tan et al., 2021; Teutloff et al., 2025).

 

En este sentido, el objetivo de la presente investigación es analizar las transformaciones que ha traído la inteligencia artificial en el rol del community manager dentro de la economía gig. A continuación, se presentan tres apartados: 1. Economía gig y gobernanza algorítmica, 2. IA generativa y reconfiguración del trabajo en plataformas y 3. Gestión de comunidades mediada por IA.

 

Economía gig y gobernanza algorítmica

 

El avance de las TIC, que dio paso a la Industria 4.0, ha impactado irremediablemente en los modelos de producción y consumo. Con la llegada de las plataformas digitales, los individuos tomaron un rol protagónico en las relaciones comerciales por ese medio. Esta nueva economía, también conocida como colaborativa o de mercados entre pares, ha crecido en todos los sectores, especialmente en alojamiento, transporte, servicios profesionales, financieros y tareas domésticas (Blázquez et al., 2024; Muldoon & Raekstad, 2023).

 

Al principio se utilizaban estas plataformas con la idea de compartir, intercambiar, donar, alquilar, prestar o vender productos y servicios sin esperar una retribución económica, pero con el paso del tiempo se convirtieron en un modelo de negocio llamativo (Kerikmäe et al., 2022).

      

La economía gig conecta de manera directa a proveedores y consumidores a través de plataformas digitales (Davies, 2020). Las transacciones suelen implicar tareas de corta duración, ejecutadas bajo demanda, con una compensación variable según el servicio (Bulian, 2021). En este contexto, la plataforma desempeña un papel de intermediación clave, organizando las actividades laborales mediante algoritmos y sistemas de evaluación basados en datos de interacción entre usuarios (Arriagada et al., 2023; Celentano, 2023).

 

Las plataformas utilizan sistemas de verificación de identidad, de revisión de reputación y de evaluación de desempeño. Otras técnicas importantes son la autenticación biométrica, la validación de documentos oficiales y las reseñas públicas. Este tipo de mecanismos fomentan la confianza en los usuarios, incrementan la transparencia y reducen riesgos para todos los participantes (Blázquez et al., 2024; Muldoon & Raekstad, 2023).

 

De igual forma, el trabajo digital por medio de plataformas tiene beneficios como la flexibilidad de trabajar desde cualquier lugar y a cualquier hora, en donde lo importante es el cumplimiento de tareas o entregables. Otra oportunidad surge cuando, por medio de la virtualidad, se pueden atender clientes internacionales, lo que abre la posibilidad de aumentar los ingresos por el cambio de divisa, lo que favorece la estabilidad financiera. Aunque esta flexibilidad es presentada como una ventaja competitiva, existe una fuerte dependencia de la estabilidad de la demanda y del grado de dependencia económica del trabajador respecto a la plataforma que impacta en su satisfacción laboral (Kerikmäe et al., 2022; Yu & Hamid, 2024).

 

Por otro lado, la economía gig permite tanto que el trabajador se dedique a tiempo completo a este tipo de trabajos como que se dedique de medio tiempo o a tiempo parcial, mientras sigue en su trabajo tradicional. Kuhn et al., (2021) resalta que los trabajadores de economías emergentes se pueden beneficiar cuando envían señales de un servicio de alta calidad a clientes de mercados desarrollados, lo que puede abrir el mercado para recibir divisas que al cambio de la moneda les incrementa sus ingresos.

 

No obstante, el trabajo en plataformas claramente traslada el liderazgo y la autoridad del ser humano y lo coloca sobre el sistema algorítmico, lo que se conoce como “algocracia”. Más que un simple mecanismo técnico, la llamada “algocracia” supone un desplazamiento de la autoridad decisional desde supervisores humanos hacia sistemas opacos de cálculo. Esta transición no es neutra, redefine quién interpreta el desempeño y bajo qué criterios, cuestión que rara vez es discutida por las propias plataformas (Kinder et al., 2019). Aunque Kinder et al. (2019) describen la algocracia como una forma de optimización organizacional, esta lectura omite las implicaciones distributivas señaladas por Alvarez de la Vega et al. (2021), en particular en relación con la autonomía decisional.

 

Este sistema de gobierno algorítmico supervisa y regula de manera continua la experiencia del trabajador mediante el uso de tecnologías como cámaras, algoritmos de seguimiento e inteligencia artificial (Celentano, 2023). En la práctica, el monitoreo no se limita a la productividad visible. Incluye rastreo de ubicación, análisis de audio, biometría y otras formas de captura de datos que amplían el radio de observación más allá de la tarea en sí (Sum et al., 2024). En este análisis se sostiene que la centralidad del algoritmo no solo reorganiza la asignación de tareas, sino que reconfigura las relaciones de dependencia económica entre trabajador y plataforma.

 

La vigilancia algorítmica en la economía gig plantea serias implicaciones para la privacidad, dado que las plataformas recopilan grandes volúmenes de datos para gestionar el desempeño, el ritmo y la disponibilidad laboral. En este proceso, los usuarios desempeñan un papel decisivo cuando evalúan, reportan y comentan sus percepciones de los servicios adquiridos. Esto refuerza las asimetrías de información y presiona a los trabajadores a esforzarse por mantener una buena reputación, a veces por encima de su propia seguridad (Sannon et al., 2022).

 

Bajo este modelo, algunas métricas significativas para conocer la productividad de los trabajadores son los tiempos de respuesta, la calidad de las tareas, las tasas de aceptación y las valoraciones de los clientes. Con esta información, el algoritmo evalúa el rendimiento de los trabajadores y, en respuesta, envía las oportunidades laborales o incluso puede penalizar al trabajador que tenga métricas negativas. Esto se complejiza cuando la plataforma no le ofrece al trabajador un mecanismo de defensa para impugnar rechazos de tareas o calificaciones negativas (Lata et al., 2023).

 

Los sistemas de calificación juegan un papel preponderante en la asignación de tareas dentro de las plataformas, debido a que distribuyen proyectos y tareas según la reputación, el desempeño previo, la competitividad o la ubicación del trabajador. Estas evaluaciones, gestionadas por algoritmos, influyen directamente en las oportunidades a las que cada persona puede acceder. Lo anterior reduce la posibilidad de que los trabajadores escojan proyectos o tareas de interés, particularmente para quienes cuentan con menor visibilidad o tienen calificaciones más bajas. Esto genera relaciones de poder desiguales y falta de transparencia en los criterios algorítmicos (Alvarez de la Vega et al., 2021).

 

Otro factor que determina el algoritmo es el precio de los servicios o tareas ofrecidos, los cuales ajusta en tiempo real según la oferta y la demanda (Celentano, 2023). Esta práctica limita la capacidad de negociación de los trabajadores y profundiza las asimetrías de información, ya que rara vez se explica cómo se toman decisiones clave sobre clasificación, evaluación y tarificación. De este modo, el control algorítmico se configura como una forma automatizada de poder gerencial (Kinder et al., 2019).

 

De igual manera, este sistema tiene la capacidad de supervisar el comportamiento de los trabajadores y el cumplimiento que tienen de las reglas de la plataforma. Si existe incumplimiento o bajo desempeño, el algoritmo puede restringir su acceso a tareas o pedidos, hasta llegar a cerrar su cuenta de forma automática, sin intervención humana directa (Alvarez de la Vega et al., 2021).

 

En este sentido, el algoritmo que ejerce gobierno sobre la plataforma reduce de forma importante la capacidad de los trabajadores para cuestionar tanto normas y criterios establecidos como las decisiones que esta pueda tomar. La realidad es que no existe un espacio para negociar ni para la intervención humana. Ante la automatización sobre asignación de tareas, evaluaciones y sanciones, los trabajadores pierden control sobre su jornada y sobre sus condiciones laborales. La ausencia de interacción humana incrementa su vulnerabilidad ante posibles errores del sistema, que pueden derivar en penalizaciones o despidos sin oportunidad de apelación o corrección ante injusticias (Arriagada et al., 2023; Vallas & Schor, 2020).

 

El uso intensivo de la tecnología para gestionar el trabajo también puede generar aislamiento social, pues muchos trabajadores operan de manera independiente y carecen de las interacciones propias de entornos laborales tradicionales (Kuhn et al., 2021). A esto se suma que la vigilancia algorítmica y el monitoreo invasivo pueden desembocar en sobrecargas de trabajo, frustración y vulneraciones a la privacidad, llegando en ocasiones a superar los beneficios que ofrecen estas plataformas. Frente a este panorama, algunos trabajadores y sindicatos han promovido acciones para proteger derechos y limitar la vigilancia, aunque con resultados todavía insuficientes (Do et al., 2024; Sannon et al., 2022).

 

La asimetría en las relaciones laborales se acentúa cuando, como señalan Lata et al. (2023), las plataformas favorecen de manera sistemática a los clientes. La calificación asimétrica dificulta que los trabajadores puedan cuestionar solicitudes injustas o defenderse ante valoraciones negativas. Además, no existen mecanismos efectivos para prevenir el robo de salarios ni para disputar rechazos de tareas. El modelo de pago por tarea y la clasificación como contratistas independientes generan inestabilidad en los ingresos, condiciones laborales estresantes y, en muchos casos, remuneraciones bajas.

 

En el plano jurídico, uno de los principales desafíos radica en la clasificación laboral. En numerosos países, esta categoría contractual permite a los empleadores eludir de forma legal las prestaciones sociales, al catalogar a los trabajadores como autónomos en lugar de asalariados (Kerikmäe et al., 2022). Esta condición les priva de beneficios básicos como salario mínimo, acceso a salud y seguridad social, fondos de jubilación, seguro médico y compensaciones laborales. En consecuencia, los trabajadores de plataformas enfrentan riesgos que en el modelo laboral tradicional eran asumidos por los empleadores y el Estado (Vallas & Schor, 2020; van Doorn, 2024).

 

Finalmente, las plataformas digitales actúan como intermediarias que intervienen en las condiciones de trabajo y las dinámicas del mercado, transformando la forma en que se prestan y adquieren servicios. Entonces, la economía gig ofrece a los trabajadores flexibilidad en cuanto a los horarios y proyectos, pero también está limitada en cuanto a seguridad y beneficios laborales. Esto aumenta la precariedad y promueve un entorno de incertidumbre constante, con efectos directos sobre su bienestar y estabilidad económica.

 

IA generativa y reconfiguración del trabajo en plataformas

 

La inteligencia artificial (IA) transforma profundamente la estructura del empleo digital, extendiendo mecanismos de control que complementan la vigilancia algorítmica descrita anteriormente (Kadolkar et al. 2024). La literatura reciente propone medir estos impactos en términos de ‘exposición’ de tareas: el grado en que la IA puede reducir significativamente el tiempo requerido para realizar actividades laborales, especialmente en tareas de escritura, programación y procesamiento de información (Eloundou et al., 2023).

 

Liu et al. (2023) demuestran que la adopción de modelos generativos de IA en plataformas digitales desplaza empleos en áreas como programación y redacción, y estimula la especialización en trabajos más complejos. Estudios de demanda laboral en plataformas digitales distinguen entre habilidades sustituibles, complementarias y no afectadas por LLMs, mostrando que el impacto no es uniforme entre tipos de tareas (Teutloff et al., 2025).

 

Igualmente, los sistemas algorítmicos no solo automatizan tareas, sino que también estructuran las relaciones laborales en la economía gig, al asignar tareas, ajustar precios dinámicamente y evaluar el desempeño en tiempo real (Liu & Yin, 2024). Esto genera una dependencia creciente de los trabajadores hacia reglas de mercado que cambian sin aviso (Kadolkar et al. 2024). Además, el potencial de impacto no depende solo del modelo ‘en bruto’, sino también de tecnologías complementarias y rediseños organizacionales que amplían o restringen su adopción, por lo que la exposición técnica no se traduce automáticamente en efectos laborales uniformes (Eloundou et al., 2023).

 

Basavaraj et al. (2024) añaden que, durante crisis como la pandemia del COVID-19, sectores más digitalizados, como las plataformas de entrega de alimentos y domicilios (Uber Eats o Rappi), los servicios de transporte bajo demanda, el trabajo freelance en plataformas digitales (Upwork o Fiverr), la educación virtual, el desarrollo de software y los servicios de asistencia remota, demostraron una mayor resiliencia gracias al uso de IA para la asignación de tareas, optimización de rutas, gestión de demanda y análisis predictivo, reforzando su rol como elemento clave para la sostenibilidad de este modelo económico.

 

La creciente dependencia tecnológica en el trabajo mediado por plataformas introduce ventajas operativas, pero también genera riesgos significativos cuando los trabajadores carecen de herramientas propias o cuando las plataformas modifican de manera unilateral las condiciones contractuales (van Doorn & Vijay, 2024; Whalley et al., 2024). Estas transformaciones refuerzan relaciones de dependencia que limitan la capacidad de negociación individual y aumentan la vulnerabilidad laboral.

 

En este contexto, la incorporación de herramientas de inteligencia artificial generativa ha sido analizada desde perspectivas diversas. Khan y Khan (2024) señalan que aplicaciones como ChatGPT pueden mejorar el desempeño de los freelancers mediante la automatización de tareas repetitivas y la optimización de la comunicación con clientes. No obstante, esta mejora en la eficiencia no está exenta de consecuencias. Shaji George et al. (2023) advierten que la automatización contribuye a la reducción de costos operativos para las plataformas, al tiempo que puede intensificar la precarización laboral. De manera convergente, Demirci et al. (2023) muestran que la IA tiende a reemplazar funciones rutinarias, como la redacción o el diseño básico, concentrando el trabajo freelance en tareas cada vez más especializadas.

 

Desde una perspectiva comparativa, Lancaster (2024) equipara el uso de ChatGPT con los foros en línea, destacando que, aunque la IA proporciona respuestas rápidas basadas en datos, carece del intercambio contextual y relacional propio de las comunidades humanas. Esta diferencia resulta relevante, ya que, como evidencian Liu et al. (2023), la adopción de IA generativa en plataformas digitales no solo desplaza determinados perfiles laborales, sino que redefine la naturaleza de los trabajos que permanecen, incrementando las exigencias técnicas y cognitivas para los trabajadores que continúan activos en el mercado (Fiers, 2024). Dichos roles deben especializarse, adquirir habilidades técnicas avanzadas y desarrollar una capacidad de adaptación para lograr sostenerse en la época de la automatización.

 

De forma complementaria, Muldoon y Raekstad (2022) analizan este fenómeno desde una perspectiva normativa, introduciendo el concepto de dominación algorítmica. Este describe la capacidad de los sistemas automatizados para imponer reglas laborales y decisiones contractuales de forma unilateral, sin espacio para la negociación humana. Contradiciendo la promesa de flexibilidad y descentralización, las plataformas administran la asignación de tareas, la evaluación de desempeño, así como condicionan la autonomía de los trabajadores mediante una estructura de poder asimétrica en el entorno digital.

 

Si bien buena parte de la literatura ha subrayado los riesgos asociados a la automatización, también se identifican oportunidades derivadas de la incorporación de la IA en el mercado freelance. No obstante, este impacto dista de ser homogéneo. Como señalan Liu et al. (2023) y Whalley et al. (2024), mientras ciertos roles han sido desplazados, se ha incrementado la demanda de profesionales capaces de operar, ajustar y optimizar sistemas de IA dentro de plataformas digitales. Esto sugiere una reconfiguración del trabajo más que una simple contracción del empleo.

 

En esa línea, Reljic et al. (202) proponen interpretar este proceso no como sustitución directa de mano de obra, sino como transformación en la estructura de competencias requeridas. Las capacidades analíticas, de supervisión y de adaptación tecnológica empiezan a ser más importantes cuando se necesita mayor control y validación humana. De hecho, Liu et al. (2023) muestran que, aunque la IA generativa ha reducido la demanda de programación repetitiva y redacción básica, ha abierto nuevos espacios en la supervisión y entrenamientos de modelos, en la supervisión y edición estratégica de contenidos generados por IA, en el diseño de prompts alineados con objetivos organizacionales y la construcción de comunidades con enfoque relacional, tareas que requieren criterio humano, sensibilidad comunicativa y capacidad estratégica.

 

La evidencia empírica indica que los efectos son diferenciados según el tipo de tarea. Actividades como la redacción de contenido elemental, la producción de textos optimizados para SEO o la programación de scripts simples han experimentado una caída notable, dado que las herramientas generativas pueden producir resultados funcionales con mínima intervención humana (Demirci et al., 2023; Teutloff et al., 2025). Algo similar ocurre en el diseño gráfico básico, donde la generación automatizada de logotipos o la edición de imágenes ha reducido la demanda de encargos de baja complejidad (Shaji George et al., 2023).

 

Sin embargo, paralelamente se observa un desplazamiento hacia perfiles más especializados. Whalley et al. (2024) documentan un aumento en la demanda de expertos en desarrollo y mantenimiento de modelos, optimización algorítmica y supervisión de contenido generado por IA. Asimismo, Liu y Yin (2024) destacan la creciente relevancia de competencias vinculadas a la gobernanza y ética de la IA, particularmente en plataformas donde la automatización influye directamente en decisiones laborales.

 

Este proceso no es meramente técnico, sino también adaptativo. Teutloff et al. (2025) reportan incrementos en clusters asociados a inteligencia artificial y machine learning, mientras que Khan y Khan (2024) subrayan que la actitud de los trabajadores frente a herramientas como ChatGPT incide en su capacidad de adaptación y rendimiento. La adopción tecnológica, por tanto, no depende únicamente de la disponibilidad de herramientas, sino también de disposiciones individuales y trayectorias formativas previas.

 

En conjunto, estos hallazgos permiten sostener que la IA en la economía gig está produciendo una redistribución interna del trabajo. Reduce la demanda de tareas estandarizadas, pero intensifica la competencia en segmentos altamente cualificados. No obstante, como advierten Shaji George et al. (2023), el incremento en productividad no garantiza mejores condiciones laborales; sin marcos regulatorios claros, la misma tecnología que amplía oportunidades puede profundizar dinámicas de precarización. Demirci et al. (2023) coinciden en que el reemplazo de ciertas tareas por IA está reconfigurando la competencia dentro del sector, pues muchas empresas emplean estos sistemas para generar borradores de contenido y contratan freelancers únicamente para su edición y perfeccionamiento final.

 

Gestión de comunidades mediada por IA

 

El surgimiento de Internet y las redes sociales ha transformado profundamente la comunicación empresarial y la interacción social (Pilatti et al., 2024). La comunicación en línea ha superado en importancia a la convencional, modificando la vida diaria, las percepciones y las relaciones entre personas, empresas e instituciones (Flores-Jaramillo & Trabadela-Robles, 2023).

 

El éxito de plataformas como Facebook, X, YouTube, Pinterest, Instagram, TikTok y LinkedIn radica en su facilidad de uso, su capacidad de entretenimiento y su función de conectar personas a escala global. Estas redes ofrecen espacios publicitarios audiovisuales atractivos para las marcas, que las emplean para comunicarse con su público y comercializar productos y servicios (Martín García, 2021).

 

Lo anterior se suma a la tendencia global de digitalización de la vida cotidiana, que muestra cómo el promedio diario de una persona en el mundo conectada a internet fue de 7 horas, de las cuales 2 horas y 25 minutos correspondieron a redes sociales. El caso colombiano es representativo por ser un país hiperconectado, con una conexión diaria a internet en promedio de 10 horas y de 3 horas a redes sociales (Kemp, 2024).

 

Las marcas ven en esto un potencial de mercado que las lleva a crear canales que les permitan conectar con los clientes. Para cumplir este propósito, nace la figura del community manager (CM), quien se encarga de la gestión de la presencia digital de las organizaciones. Este debe encargarse de construir y sostener relaciones con el público en entornos digitales. Su labor no se limita a la administración de redes sociales, sino que implica articular la estrategia corporativa con los intereses, expectativas y formas de interacción de los usuarios, gestionando la comunicación en blogs, comunidades virtuales y cuentas institucionales, así como planificando y evaluando acciones orientadas a fortalecer la imagen organizacional (Wood & Lehdonvirta, 2021).

 

No obstante, este rol ha experimentado una expansión progresiva de funciones. Con el tiempo, el CM ha pasado de ser un gestor de comunidades a asumir tareas vinculadas con la producción de contenidos, la atención directa a clientes y la articulación con distintos grupos de interés (Martín García, 202). Esta ampliación no ha estado exenta de ambigüedades. Como señalan Fulker y Riedl (2024), no existe un consenso claro sobre los límites y responsabilidades específicas del puesto, lo que exige que estos profesionales actúen con altos niveles de conocimiento, influencia y credibilidad para generar contenido eficaz y sostener relaciones digitales estables con los públicos.

 

Esto requiere habilidades comunicativas, capacidad de escucha y conexión interpersonal, siendo comunes perfiles formados en Comunicación, Periodismo, Marketing, Humanidades o Administración de Empresas. También se le conoce como Social Media Manager, gestor o dinamizador de comunidades (Mañas-Viniegra & Jiménez-Gómez, 2019).

 

El CM debe poseer habilidades como iniciativa, conexión, gestión de la transparencia, control del tiempo, visión global y manejo de la incertidumbre. Debe conocer muy bien la empresa y los productos y servicios que ofrece, tener la capacidad de alinear la estrategia empresarial con las necesidades del cliente y contar con competencias sociales como empatía, versatilidad, liderazgo, influencia, motivación y conciliación. También requiere experiencia en redes sociales e internet y destrezas técnicas en redacción, producción de contenido, creatividad, comunicación, argumentación y expresión. (Wood & Lehdonvirta, 2021).

 

Según Martín García (2021), las habilidades más destacadas en publicaciones académicas sobre CM son: habilidades sociales (86.6%), comunicativas (85%), creatividad (67%), conocimiento de la estrategia corporativa (64.6%), buena escritura (52.4%), liderazgo (45.1%), conocimientos de programación web (25.6%) y de legislación en Internet (14.6%).

 

El CM desarrolla su labor en un entorno dinámico y digital, expuesto a riesgos como presión por resultados, ausencia de apoyo organizacional, aislamiento social, sobrecarga de trabajo (Contreras Fernández, 2020; Jiménez et al., 2023), dificultad para equilibrar vida laboral y personal (Rosales-Veítia, 2021), estrés tecnológico y agotamiento mental (Blázquez et al., 2024; Duggan et al., 2023). Vallas y Schor (2020) señalan que, en muchos casos, estos profesionales asumen responsabilidades propias de la Seguridad y Salud en el Trabajo (SST), como prevenir riesgos, proteger la integridad física y gestionar la reputación digital ante incidentes laborales.

 

La tendencia global en seguridad y salud en el trabajo (SST) ha privilegiado históricamente la identificación y control de riesgos, la capacitación preventiva, las auditorías y el cumplimiento normativo (Jiménez et al., 2023). Sin embargo, estas estructuras institucionales rara vez contemplan a los trabajadores insertos en dinámicas de plataforma, como los community managers (CM), quienes deben asumir de manera individual la gestión de su propia seguridad y estabilidad laboral. Esta exclusión resulta significativa si se considera que su función es estratégica: administran la presencia digital de las organizaciones, construyen reputación y fortalecen la fidelización de clientes, todo ello bajo condiciones marcadas por la inestabilidad contractual y la presión característica de la economía gig (van Doorn, 2024).

 

En un entorno digital acelerado, donde la interacción digital es constante y las plataformas cada vez son más, el trabajo del CM enfrenta nuevas exigencias. La llegada de la IA no solo facilita ciertas tareas, sino que modifica la manera en que el CM responde, prioriza actividades y demuestra su desempeño, dando lugar a una transformación profunda de su rol profesional. Aunque la literatura sobre economía gig, gobernanza algorítmica y automatización del trabajo digital ha crecido de manera sostenida, persisten vacíos analíticos respecto a cómo estas tecnologías están modificando concretamente las funciones del CM, su relación con las audiencias y las condiciones bajo las cuales gestiona comunidades digitales.

 

Desde esta perspectiva, resulta insuficiente analizar la IA solo como herramienta de productividad. Es necesario comprender cómo su incorporación redefine responsabilidades, redistribuye riesgos y altera los márgenes de autonomía profesional. Abordar estas dimensiones permite avanzar hacia una lectura más integral del rol del CM en entornos digitales mediados por la IA, considerando no solo sus transformaciones operativas, sino también sus implicaciones laborales y organizacionales.

 

METODOLOGÍA

 

Este estudio se inscribe en una perspectiva interpretativa orientada a comprender críticamente cómo la literatura académica ha conceptualizado y analizado las transformaciones del trabajo digital en contextos mediados por plataformas. Más que identificar regularidades empíricas o establecer relaciones causales, el análisis se centró en los significados atribuidos al trabajo digital, los enfoques teóricos predominantes y los marcos analíticos utilizados por los estudios revisados. Esta elección responde al interés por examinar cómo se construye el problema en la literatura, y no por medir sus efectos de manera cuantitativa.

 

En coherencia con este propósito, se desarrolló una investigación de carácter documental, con enfoque cualitativo y un alcance descriptivo–analítico, basada en una revisión sistemática de literatura. Este diseño permitió organizar y analizar de forma reflexiva un conjunto amplio de estudios, reconociendo tanto convergencias como tensiones en las interpretaciones propuestas por distintos autores.

 

Para estructurar el proceso de revisión, se tomaron como referencia las directrices PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses, por sus siglas en inglés), utilizadas como marco de reporte metodológico y no como un protocolo de síntesis cuantitativa. Su aplicación facilitó la organización transparente de las fases de identificación, cribado, elegibilidad e inclusión de estudios, sin que ello implicara la agregación estadística de resultados, dado que la síntesis se realizó desde un enfoque cualitativo e interpretativo.

 

Como parte de este proceso, se elaboró un diagrama de flujo y se diligenció el checklist PRISMA 2020, incorporados como material suplementario, con el objetivo de documentar de manera sistemática los criterios de selección y las decisiones metodológicas adoptadas a lo largo de la revisión. Aunque el corpus principal incluyó literatura publicada hasta 2024, se consideraron también estudios recientes para contextualizar tendencias emergentes relacionadas con el tema planteado.

 

Fuentes de información y estrategia de búsqueda

 

Las bases de datos en las que se realizó la búsqueda de información fueron Scopus y Google Académico. La revisión buscaba documentos indexados, revisados por pares, cercanos a la temática en comunicación digital, trabajo en plataformas y tecnología aplicada, publicaciones en idioma español e inglés, en un periodo comprendido entre 2015 y 2024. Esto se llevó a cabo mediante ecuaciones de búsqueda estructuradas con operadores booleanos.

 

Ecuaciones de búsqueda empleadas

Scopus:

(“gig economy” OR “platform work” OR “digital labour”)

AND (“community manager” OR “social media manager”)

AND (“artificial intelligence” OR “algorithmic management” OR “AI”)

 

Filtros aplicados:

•        Artículos revisados por pares

•        Acceso a texto completo

•        Idioma: español o inglés

•        Áreas: Social Sciences, Communication, Business, Psychology, Computer Science

•        Periodo: 2015–2024

 

Google Académico

(“economía gig” OR “trabajo en plataformas”)

AND (“community manager”)

AND (“inteligencia artificial” OR “gestión algorítmica”)

 

Filtros:

•        Artículos académicos con procedencia editorial identificable (revistas científicas), excluyendo literatura gris.

•        Periodo: 2015–2024

 

Se realizó además una búsqueda secundaria manual mediante rastreo de referencias para identificar estudios adicionales no capturados en la búsqueda primaria.

 

Criterios de inclusión y exclusión

Para asegurar rigor y coherencia en la selección de estudios, se definieron los siguientes criterios:

Inclusión

-      Artículos revisados por pares.

-      Publicaciones comprendidas entre 2015 y 2024.

-      Estudios empíricos o teóricos relacionados con la economía gig, el trabajo en plataformas, la gestión de comunidades digitales y/o la inteligencia artificial.

-      Disponibilidad de texto completo.

-      Relevancia conceptual y analítica para los objetivos del estudio, evidenciada por una vinculación explícita con el marco teórico adoptado.

 

Exclusión

-      Documentos no académicos: tesis, informes, blogs, capítulos de libros.

-      Artículos duplicados.

-      Estudios que solo mencionaran superficialmente los conceptos sin analizarlos.

-      Investigaciones ajenas al trabajo en plataformas o la gestión digital de comunidades.

 

Evaluación de sesgos, pertinencia y calidad

Cada artículo fue evaluado mediante una matriz de calidad basada en cuatro criterios:

-      Coherencia conceptual

-      Claridad metodológica

-      Relevancia temática para el análisis de las transformaciones del trabajo digital en la economía gig, con énfasis en el rol del community manager y la incorporación de inteligencia artificial.

-      Contribución teórica al análisis del fenómeno

 

De los 65 artículos evaluados en texto completo, 15 fueron excluidos en la fase de elegibilidad. En 9 de estos casos, la exclusión se debió a que no alcanzaron el umbral mínimo de calidad establecido (al menos tres de los cuatro criterios definidos). En el corpus final (n = 50), 28 estudios cumplieron los cuatro criterios de calidad y 22 cumplieron tres de los cuatro. Ningún estudio con menos de tres criterios cumplidos fue incluido en el análisis. Este procedimiento permitió mantener un estándar mínimo de consistencia conceptual y metodológica en el conjunto revisado.

 

Cada criterio recibió una valoración binaria (cumple/no cumple), y solo se incluyeron estudios que cumplieron al menos tres de los cuatro.

 

Control de sesgos:

•        Sesgo de idioma: solo artículos en inglés o español

•        Sesgo de publicación: únicamente artículos revisados por pares

•        Sesgo de disponibilidad: solo estudios con acceso a texto completo

•        Sesgo de selección: el cribado se realizó en dos etapas consecutivas (título/resumen y texto completo) por el autor, registrando de manera sistemática las razones de exclusión para asegurar consistencia en la selección.

 

Dado el carácter documental del estudio, no se contó con participantes humanos, siendo los artículos científicos la unidad de análisis. Los materiales suplementarios incluyen el checklist PRISMA 2020  y la tabla detallada de la estrategia de búsqueda por base de datos, con ecuaciones completas y fechas de ejecución, con el fin de reforzar la trazabilidad y replicabilidad del proceso.

 

Selección y análisis de la información

 

La búsqueda inicial arrojó 134 documentos. Tras aplicar los criterios de cribado y elegibilidad, se incluyeron 50 estudios en el análisis final. La información de cada artículo se organizó en una matriz de extracción elaborada según el objetivo de la revisión. Esta matriz permitió sistematizar variables tales como referencia bibliográfica, año de publicación, enfoque metodológico, contexto geográfico, conceptualización del trabajo digital, caracterización del rol del CM, gestión algorítmica, dimensiones analizadas y principales hallazgos reportados. La utilización de una matriz de análisis facilitó la comparación sistemática entre los estudios incluidos y la posterior construcción de una síntesis temática. Este instrumento permitió organizar la información relevante y establecer relaciones entre enfoques, conceptos y hallazgos presentes en la literatura revisada.

 

El análisis se desarrolló mediante un proceso de codificación temática apoyado en dicha matriz, diseñada específicamente para los objetivos del estudio. La codificación fue realizada por el investigador principal siguiendo un procedimiento en dos fases. En una primera etapa, se efectuó una lectura exhaustiva de los textos completos, orientada a identificar conceptos recurrentes vinculados con las transformaciones del trabajo digital, el rol del CM y el uso de IA. En una segunda etapa, estos registros fueron contrastados entre sí y reorganizados progresivamente, lo que permitió delimitar categorías analíticas comunes y refinar sus alcances interpretativos.

 

El proceso de codificación se desarrolló en dos etapas. En una primera fase se identificaron conceptos recurrentes en los textos completos, vinculados a la automatización del trabajo digital, la gestión algorítmica, el capital reputacional y las formas de autogestión laboral. Estos registros iniciales permitieron reconocer patrones comunes en la literatura revisada.

 

En una segunda etapa, los códigos identificados fueron contrastados y reorganizados mediante un proceso de agrupación progresiva, dando lugar a categorías analíticas más amplias. A partir de este procedimiento, se definieron las tres dimensiones que estructuran los resultados del estudio. Durante este proceso surgieron casos de ambigüedad conceptual o solapamiento entre categorías. Estas situaciones fueron abordadas mediante recodificación iterativa y revisión del conjunto del corpus, priorizando la coherencia interna del análisis y la correspondencia con la evidencia empírica, hasta alcanzar un nivel de estabilidad interpretativa considerado suficiente para la síntesis.

 

Dado que el análisis fue realizado por un único investigador, se adoptaron estrategias específicas para fortalecer la consistencia analítica, entre ellas la recodificación reiterada de los textos, la revisión sistemática del corpus completo y la elaboración de memos metodológicos. Estos registros permitieron documentar decisiones analíticas, explicitar supuestos interpretativos y mantener un control reflexivo del proceso.

 

Si bien el enfoque de codificación fue predominantemente inductivo, la síntesis final se organizó en torno a los principales ejes analíticos emergentes, con el fin de presentar los resultados de manera ordenada y coherente con los objetivos del estudio, sin forzar categorías predefinidas. El proceso de identificación, cribado, elegibilidad e inclusión de estudios se presenta en la figura 1, siguiendo el diagrama de flujo PRISMA 2020 para nuevas revisiones sistemáticas que incluyeron búsquedas en bases de datos y otras fuentes.

 

Figura 1.

Diagrama de flujo PRISMA 2020 del proceso de selección de estudios

 

Fuente: elaboración propia a partir de PRISMA 2020.

 

RESULTADOS Y DISCUSIÓN

 

Características generales del corpus analizado

 

La Tabla 1, denominada Características generales del corpus analizado, sintetiza la distribución temporal, metodológica, geográfica y temática de los 50 estudios incluidos, y permite contextualizar los patrones generales del corpus que sustentan los resultados interpretativos presentados a continuación.

 

Tabla 1.

Características generales del corpus analizado

Característica

Categoría

n

%

Periodo de publicación

2015-2019

9

18

 

2020-2025

41

82

Tipo de estudio

Empírico cualitativo

26

52

 

Empírico cuantitativo

9

18

 

Teórico/revisión

15

30

Región de análisis

Europa/Norteamérica

25

56

 

América Latina

10

20

 

Otros/Global

12

24

Eje temático principal

Gobernanza algorítmica y control

16

32

 

Precarización y condiciones laborales

14

28

 

Transformación del trabajo y la IA

12

24

 

Perfiles y trabajo digital (incl. CM)

8

16

Fuente: elaboración propia a partir del análisis bibliográfico.

 

De los 50 documentos utilizados en este trabajo, es posible analizar tendencias claves sobre el tema de investigación abordado. Como se observa en la Tabla 1, la producción académica se concentra mayoritariamente en el periodo 2020–2025 (82%), lo que muestra que existe un creciente interés en los últimos años por parte de los investigadores sobre el fenómeno de la economía de plataformas, el trabajo digital, el freelance y el impacto de la IA.

 

En cuanto al tipo de estudio, predominan los enfoques empíricos cualitativos (52%), seguidos por trabajos teóricos o de revisión (30%) y, en menor medida, estudios empíricos cuantitativos (18%). Lo anterior sugiere que el campo se encuentra en una fase de exploración y problematización conceptual, donde el análisis de experiencias y las prácticas laborales ocupan un lugar central, mientras que los estudios cuantitativos aún son relativamente escasos.

 

Respecto a la región de análisis, la mayoría de los estudios se centran en Europa y Norteamérica (56%), lo que refleja una concentración geográfica del conocimiento producido. No obstante, se observa una presencia relevante de investigaciones realizadas en América Latina (20%) y en contextos globales o comparativos (24%), lo que apunta a una apertura progresiva hacia enfoques transnacionales.

 

Finalmente, el análisis por ejes temáticos muestra que la gobernanza algorítmica y los mecanismos de control constituyen el foco principal de investigación (32%), seguidos por los estudios sobre precarización y condiciones laborales (28%) y sobre la transformación del trabajo y el impacto de la inteligencia artificial (24%). En menor proporción, se identifican trabajos centrados en perfiles y trabajo digital, incluyendo el community management (16%). En conjunto, estos resultados evidencian un énfasis académico en las relaciones de poder, las condiciones laborales y los cambios estructurales asociados a la digitalización del trabajo.

 

Dimensión 1. Transformaciones del rol del community manager: funciones, competencias y exigencias profesionales

 

Hallazgo 1. Desplazamiento de tareas rutinarias y recomposición del valor del trabajo

El análisis de la literatura revisada muestra un desplazamiento progresivo de tareas rutinarias asociado a la adopción de inteligencia artificial generativa en el trabajo digital. Diversos estudios concuerdan en que la IA está absorbiendo la demanda de actividades como la redacción básica de contenidos, el diseño gráfico elemental o la programación simple (Demirci et al., 2023; Shaji George et al., 2023), lo que reconfigura segmentos específicos del mercado laboral, aunque esta interpretación no es homogénea en la literatura.

 

Mientras algunos autores sostienen que este desplazamiento no implica una destrucción directa del empleo, sino una recomposición del valor del trabajo hacia competencias analíticas, de supervisión y de curaduría de contenidos generados por IA, otros advierten que dicha recomposición tiende a concentrar oportunidades en perfiles con mayor capital formativo y tecnológico, reduciendo la viabilidad de trayectorias profesionales intermedias (Lancaster, 2024). En este sentido, la evidencia empírica observada en mercados freelance tras la irrupción de herramientas como ChatGPT muestra una caída significativa de la demanda en tareas fácilmente sustituibles, especialmente en encargos de corta duración, lo que sugiere una polarización creciente del trabajo digital (Teutloff et al., 2025).

 

Este comportamiento puede interpretarse a partir del enfoque de exposición por tareas, el cual plantea que los modelos de lenguaje de gran escala impactan de manera diferencial sobre los componentes más rutinarios y estandarizados del trabajo, particularmente aquellos de carácter lingüístico (Eloundou et al., 2023). Al mismo tiempo, este enfoque subraya que adquieren mayor relevancia las funciones humanas asociadas a la verificación, la supervisión y el juicio contextual, dimensiones que no son plenamente sustituibles por sistemas automatizados.

 

Desde esta revisión, este patrón adquiere un significado específico en el caso del CM. Parte de su trabajo operativo, como la producción de copys, las respuestas estandarizadas, la segmentación inicial de audiencias o la generación de piezas básicas, tiende a automatizarse, mientras se incrementa el peso de funciones vinculadas al análisis de métricas, la toma de decisiones basada en datos, la supervisión de contenidos automatizados y la articulación estratégica entre marca, comunidad y herramientas de IA. En consecuencia, el rol del CM se redefine menos por la ejecución manual de tareas y más por la capacidad de orientar, evaluar y corregir procesos automatizados, lo que desplaza el valor profesional hacia el criterio comunicativo, la lectura contextual y la responsabilidad reputacional. Esta reconfiguración, sin embargo, no es neutral, ya que introduce nuevas formas de diferenciación interna dentro del propio rol.

 

Hallazgo 2. Nuevas exigencias profesionales y precarización del trabajo del community manager

A pesar de este reposicionamiento hacia funciones de mayor valor estratégico, la literatura revisada señala que una proporción significativa de CM enfrenta estas nuevas exigencias sin contar con formación institucional suficiente, apoyo en salud mental ni estrategias claras para la gestión de riesgos digitales. Esta situación pone de manifiesto una tensión estructural del trabajo mediado por plataformas y por IA: mientras se amplían las oportunidades para especializarse en tareas analíticas y estratégicas, también se intensifican las exigencias de adaptación continua, aprendizaje autónomo y disponibilidad permanente (Kadolkar et al., 2024; Kellogg et al., 2020).

 

Diversos estudios advierten que, cuando estos procesos de automatización y reconfiguración funcional no van acompañados de protección laboral, reconocimiento organizacional ni una redefinición clara de responsabilidades, tienden a reforzar dinámicas de precarización (Duggan et al., 2023; Liu et al., 2023). Desde esta perspectiva, la incorporación de IA no solo transforma qué tareas realiza el CM, sino también cómo se distribuyen los riesgos asociados al desempeño profesional. La necesidad de actualizar competencias de forma constante, gestionar la sobrecarga relacional y responder a métricas de rendimiento cada vez más exigentes recae, en gran medida, sobre el propio trabajador, consolidando un modelo de autorresponsabilización que debilita los márgenes de seguridad laboral (van Slageren & Herrmann, 2024).

 

A partir del conjunto de estudios analizados, este trabajo sostiene que la transformación del rol del CM no puede entenderse únicamente como un proceso de sofisticación profesional, sino como una reconfiguración ambivalente en la que el aumento de responsabilidades estratégicas convive con una mayor exposición a riesgos laborales no regulados. Esta tensión constituye un rasgo central del trabajo del CM en la economía gig mediada por IA (Vallas & Schor, 2020; van Doorn, 2024).

 

Dimensión 2. Interacción mediada por plataformas, capital reputacional y autogestión del trabajo

 

Hallazgo 3. Centralidad del capital reputacional en la interacción mediada por plataformas

La literatura revisada converge en señalar que el capital reputacional se ha convertido en un recurso central dentro de la economía gig (Lehdonvirta et al., 2019; Vallas & Schor, 2020). En entornos mediados por plataformas digitales, la visibilidad, la asignación de tareas y la continuidad laboral dependen de sistemas de evaluación y reputación basados en datos. Diversos estudios muestran que quienes no logran construir y sostener una imagen confiable enfrentan mayores barreras de acceso a oportunidades en mercados altamente competitivos, lo que contribuye a reforzar desigualdades tecnológicas y socioeconómicas preexistentes (Pilatti et al., 2024).

 

Sin embargo, más allá de su función como mecanismo de señalización, la reputación opera también como dispositivo de control indirecto. En plataformas gobernadas por métricas y rankings, el desempeño se traduce en puntuaciones visibles que condicionan no solo la selección de trabajadores, sino también su margen de acción. Esta lógica desplaza parte del poder de decisión hacia sistemas automatizados y hacia la evaluación constante por parte de terceros, lo que transforma la relación laboral en una dinámica de exposición permanente (Duggan et al., 2023; Kellogg et al., 2020).

 

En el caso del CM, esta estructura reputacional adquiere un carácter particularmente intenso. Su desempeño no se mide únicamente por indicadores técnicos, sino por la capacidad de sostener confianza, credibilidad y cohesión comunitaria en entornos públicos y altamente reactivos (Mañas-Viniegra & Jiménez-Gómez, 2019; Martín García, 2021). Se espera rapidez en las respuestas, coherencia discursiva y capacidad de contención frente a conflictos o crisis comunicativas, en un contexto marcado por la evaluación constante mediante métricas de desempeño (Duggan et al., 2023; Kellogg et al., 2020). La IA, en este contexto, puede facilitar la automatización de interacciones repetitivas y la optimización de tiempos de respuesta; no obstante, también amplifica la presión por disponibilidad continua y por el cumplimiento de métricas de productividad cada vez más exigentes (Khan & Khan, 2024; Liu et al., 2023).

 

Desde esta revisión, puede sostenerse que el capital reputacional no funciona solo como incentivo competitivo, sino como una infraestructura que reorganiza las condiciones de desempeño profesional del CM, intensificando la exposición emocional y la dependencia respecto a sistemas de evaluación poco negociables.

 

Hallazgo 4. Transferencia de riesgos y autogestión en entornos de alta demanda relacional

Un segundo patrón que emerge con claridad en la literatura es la progresiva transferencia de riesgos desde las plataformas hacia los trabajadores. La flexibilidad, frecuentemente presentada como ventaja distintiva de la economía gig, implica en la práctica la asunción individual de costos económicos, formativos y emocionales que en esquemas laborales tradicionales recaían sobre empleadores (Basavaraj et al., 2024; Peetz, 2019). Esta redistribución de responsabilidades produce relaciones laborales asimétricas, en las que el reconocimiento y la continuidad dependen de evaluaciones externas y de métricas de rendimiento permanentemente actualizadas.

 

No obstante, la literatura no presenta una lectura completamente uniforme de este proceso. Mientras algunos estudios destacan la autonomía y capacidad de organización que puede ofrecer la autogestión (Kuhn et al., 2021; Vallas & Schor, 2020), otros advierten que dicha autonomía se encuentra condicionada por infraestructuras algorítmicas y por dinámicas competitivas que limitan los márgenes reales de decisión (Kellogg et al., 2020; Wood & Lehdonvirta, 2021). En este sentido, la autogestión aparece como una forma ambivalente de regulación del trabajo, amplía la responsabilidad individual, pero no necesariamente el control efectivo sobre las condiciones laborales (Muldoon & Raekstad, 2023).

 

En el caso del CM, esta transferencia de riesgos adquiere una dimensión relacional particularmente marcada. Además de gestionar tareas técnicas y estratégicas, el CM debe moderar conflictos, atender públicos heterogéneos y sostener la reputación organizacional en entornos de exposición constante, en un contexto donde los riesgos y responsabilidades tienden a desplazarse hacia el trabajador (Vallas & Schor, 2020; van Doorn, 2024). La literatura sobre gestión algorítmica y bienestar laboral advierte que esta intensificación puede traducirse en sobrecarga, presión por resultados y agotamiento (Blázquez et al., 2024; Duggan et al., 2023), especialmente cuando la automatización introduce nuevas expectativas de eficiencia y disponibilidad continua (Liu et al., 2023).

 

Desde el conjunto de estudios analizados, puede afirmarse que la interacción mediada por plataformas no solo redefine la forma en que el CM se relaciona con audiencias y clientes, sino que redistribuye los riesgos asociados al desempeño profesional.

 

Dimensión 3. Gestión de comunidades bajo gobernanza algorítmica

 

Hallazgo 5. Gobernanza algorítmica e intensificación de la dominación tecnológica

La revisión muestra que la incorporación de IA en la economía gig no se limita a la automatización de tareas operativas, sino que introduce mecanismos estructurados de regulación y control del trabajo. A través de sistemas de gobernanza algorítmica, la IA interviene en procesos centrales como la asignación de tareas, la evaluación del desempeño y la fijación de precios, generalmente mediante algoritmos cuyos criterios no son plenamente transparentes (Celentano, 2023; Liu & Yin, 2024). En este marco, diversos autores vinculan estas dinámicas con formas de dominación algorítmica, entendidas como configuraciones en las que la toma de decisiones laborales se desplaza hacia sistemas automatizados que operan como “empleadores invisibles” (Muldoon & Raekstad, 2022).

 

No obstante, la literatura no coincide completamente en la valoración de este proceso. Mientras algunos estudios enfatizan la eficiencia y la escalabilidad que permiten los sistemas algorítmicos en la organización del trabajo (Kellogg et al., 2020; Vallas & Schor, 2020), otros subrayan que la opacidad en los criterios de decisión reduce las posibilidades de negociación, apelación o adaptación estratégica por parte de los trabajadores (Celentano, 2023; Newlands, 2021). Esta tensión resulta central, ya que la gobernanza algorítmica no solo organiza el flujo de trabajo, sino que redefine las condiciones bajo las cuales se ejerce la autonomía profesional, frecuentemente en formas de agencia subordinada (Muldoon & Raekstad, 2023; Wood & Lehdonvirta, 2021).

 

En el caso del CM, estas dinámicas se traducen en una dependencia directa de reglas de plataforma que exceden el control individual (Kinder et al., 2019; Newlands, 2021). Los criterios de visibilidad, alcance, recomendación o moderación automatizada influyen en el desempeño cotidiano y pueden amplificar, restringir o penalizar contenidos sin que existan parámetros completamente explícitos (Kellogg et al., 2020). En consecuencia, la gestión de comunidades deja de ser únicamente un ejercicio comunicativo y pasa a estar condicionada por infraestructuras técnicas que median el impacto de las decisiones humanas. Desde esta revisión, puede afirmarse que la gobernanza algorítmica no actúa como un simple marco operativo, sino como una estructura que reorganiza los márgenes de acción del CM.

 

Hallazgo 6. Opacidad algorítmica y vacíos regulatorios como condición estructural del trabajo digital

Más allá de la intensificación del control, la literatura identifica un problema persistente en la falta de claridad sobre los criterios que rigen el funcionamiento de las plataformas. Los estudios señalan que no se explicita con precisión cómo se asignan tareas, se establecen tarifas o se evalúa el desempeño, lo que refuerza asimetrías de poder entre plataformas y trabajadores (Alvarez de la Vega et al., 2021; Sannon et al., 2022). La ausencia de transparencia no es un aspecto periférico, sino un elemento constitutivo del modelo de negocio de muchas plataformas digitales.

 

La inexistencia de mecanismos claros para cuestionar decisiones automatizadas incrementa la vulnerabilidad laboral, dado que sanciones, bloqueos o reducciones de visibilidad pueden producirse sin explicaciones detalladas ni instancias efectivas de apelación. Este escenario resulta especialmente problemático en economías emergentes, donde el trabajo en plataformas constituye una fuente significativa de ingresos y los marcos regulatorios son limitados o incipientes (Kerikmäe et al., 2022; Kuhn et al., 2021). En estos contextos, la dependencia económica amplifica el impacto de decisiones automatizadas que no siempre son revisables.

 

En el caso del CM, la opacidad algorítmica opera en un doble nivel. Como trabajador, puede estar sujeto a condiciones contractuales inestables y evaluaciones automatizadas poco transparentes; como gestor de comunidades, depende de reglas de visibilidad e interacción que definen el alcance de los contenidos y la respuesta de las audiencias (Duggan et al., 2023; Newlands, 2021). Esta doble exposición limita la planificación estratégica y reduce el margen de decisión, ya que la efectividad comunicativa queda parcialmente subordinada a dinámicas algorítmicas no controladas (Kellogg et al., 2020; Wood & Lehdonvirta, 2021).

 

Desde el conjunto de estudios analizados, puede sostenerse que la opacidad y los vacíos regulatorios no constituyen anomalías, sino rasgos estructurales del trabajo digital mediado por IA. En este sentido, la reconfiguración del rol del CM no solo implica una transformación funcional, sino una inserción en un entorno regulado por lógicas técnicas que redistribuyen poder y responsabilidad de manera asimétrica.

 

CONCLUSIONES

 

Los hallazgos derivados del análisis de las tres dimensiones permiten sostener que la intersección entre economía gig, inteligencia artificial y trabajo del community manager produce una reconfiguración estructural del rol profesional, observable en tres niveles diferenciados.

 

En primer lugar, tal como se evidenció en la Dimensión 1, la IA está desplazando tareas rutinarias, como la producción básica de contenidos y respuestas estandarizadas, y trasladando el valor del trabajo hacia competencias de análisis estratégico, supervisión de procesos automatizados y toma de decisiones comunicativas. Este desplazamiento no implica la desaparición del rol del CM, sino su redefinición en términos de mayor complejidad técnica y responsabilidad reputacional. Sin embargo, el Hallazgo 2 mostró que esta transformación se desarrolla de manera desigual, especialmente cuando no existen mecanismos de formación continua ni respaldo institucional suficiente, lo que puede intensificar escenarios de precarización.

 

En segundo lugar, como se analizó en la Dimensión 2, la consolidación del capital reputacional como recurso central en plataformas digitales reorganiza las condiciones de desempeño profesional. Los Hallazgos 3 y 4 evidenciaron que la interacción con audiencias se intensifica bajo métricas de visibilidad y evaluación constante, lo que incrementa la presión por disponibilidad, productividad y gestión emocional. La autogestión, presentada frecuentemente como autonomía, aparece en la evidencia revisada como un mecanismo de transferencia de riesgos hacia el trabajador, especialmente en entornos de alta competencia y bajo respaldo organizacional.

 

En tercer lugar, la Dimensión 3 mostró que la gestión de comunidades se encuentra crecientemente condicionada por sistemas de gobernanza algorítmica. Los Hallazgos 5 y 6 indican que la automatización no solo organiza tareas, sino que regula visibilidad, asignación y evaluación mediante criterios poco transparentes y con limitadas posibilidades de apelación. Esta opacidad redefine los márgenes de autonomía del CM tanto en su condición de trabajador de plataformas como en su función de mediador entre marcas, comunidades y sistemas tecnológicos.

 

En conjunto, la evidencia analizada permite afirmar que la IA no actúa únicamente como herramienta de eficiencia operativa, sino como infraestructura que redistribuye valor, riesgos y poder dentro del trabajo digital. La viabilidad profesional del community manager en la economía gig depende, según los resultados obtenidos, de tres condiciones interrelacionadas: acceso a formación continua, transparencia en los sistemas algorítmicos y marcos regulatorios que aseguren mecanismos efectivos de protección y apelación. En ausencia de estas condiciones, las transformaciones identificadas tienden a profundizar desigualdades laborales preexistentes más que a generar mejoras homogéneas en las oportunidades profesionales.

 

REFERENCIAS

 

Alvarez de la Vega, J., E. Cecchinato, M., & Rooksby, J. (2021). “Why lose control?” A Study of Freelancers’ Experiences with Gig Economy Platforms. Proceedings of the 2021 CHI Conference on Human Factors in Computing Systems. https://doi.org/10.1145/3411764.3445305 

Arriagada, A., Bonhomme, M., Ibáñez, F., & Leyton, J. (2023). The gig economy in Chile: Examining labor conditions and the nature of gig work in a Global South country. Digital Geography and Society, 5, 100063. https://doi.org/10.1016/j.diggeo.2023.100063

Basavaraj, N., Foutz, N. Z., & Li, B. (2023). Resilience of gig economy during economic downturn: Insights from location big data. https://doi.org/10.2139/ssrn.4553546

Blázquez, M., Herrarte, A., & Moro-Egido, A. I. (2024). Well-being effects of the digital platform economy: the case of temporary and self-employment. Technological and economic development of economy, 30(6), 1618–1651. https://doi.org/10.3846/tede.2024.21858

Bulian, L. (2021). The gig is up: Who does gig economy actually benefit? Interdisciplinary            Description of Complex Systems, 19(1), 106–119. https://doi.org/10.7906/indecs.19.1.9

Celentano, D. (2023). ‘Be your own boss’? Normative concerns of algorithmic management in the gig economy: reclaiming agency at work through algorithmic counter-tactics. Philosophy & Social Criticism, 51(7), 1114-1137. https://doi.org/10.1177/01914537231215680

Contreras Fernández, A. B. (2020). Papel estratégico de la gestión de “nuevos” riesgos. En Enfoques y gestión en seguridad integral (pp. 129–160). Escuela de Posgrados - FAC. https://doi.org/10.18667/9789585996199.05 

Davies, A. C. L. (2020). Wages and working time in the ‘gig economy’. King’s Law Journal, 31(2), 250-259. https://doi.org/10.1080/09615768.2020.1790820

Demirci, O., Hannane, J., & Zhu, X. (2025). Who is AI replacing? The impact of generative AI on online freelancing platforms. Management Science, 71(10), 8097–8108. https://doi.org/10.1287/mnsc.2024.05420

Do, K., De Los Santos, M., Muller, M., & Savage, S. (2024). Designing Gig Worker Sousveillance Tools. In Proceedings of the CHI Conference on Human Factors in Computing Systems (pp. 1-19). https://doi.org/10.1145/3613904.3642614 

Duggan, J., Carbery, R., McDonnell, A., & Sherman, U. (2023). Algorithmic HRM control in the gig economy: The app‐worker perspective. Human Resource Management, 62(6), 883–899. https://doi.org/10.1002/hrm.22168

Eloundou, T., Manning, S., Mishkin, P., & Rock, D. (2024). GPTs are GPTs: Labor market impact potential of LLMs. Science (New York, N.Y.), 384(6702), 1306–1308. https://doi.org/10.1126/science.adj0998

Fierro-Moreno, E. (2021). La gestión del cambio, la colaboración virtual y la agilidad estratégica organizacional de empresas mexicanas ante los impactos por el COVID-19. Nova Scientia, 13. https://doi.org/10.21640/ns.v13ie.2762

Fiers, F. (2024). Resilience in the gig economy: digital skills in online freelancing. Journal of Computer-Mediated Communication: JCMC, 29(5), zmae014. https://doi.org/10.1093/jcmc/zmae014

Flores-Jaramillo, S., & Trabadela-Robles, J. (2023). Community manager en centros educativos de infantil y primaria. Un estudio de caso. Revista Latinoamericana De Tecnología Educativa - RELATEC, 22(1), 173-189. https://doi.org/10.17398/1695-288x.22.1.173

Fulker, Z., & Riedl, C. (2024). Cooperation in the gig economy: Insights from Upwork freelancers. Proceedings of the ACM on Human-Computer Interaction, 8(CSCW1), 1–20. https://doi.org/10.1145/3637314

Shaji George, A., Hovan George, A. S., & Gabrio Martin, A. S. (2023). ChatGPT and the Future of Work: A Comprehensive Analysis of AI’s Impact on Jobs and Employment. Partners Universal International Innovation Journal, 1(3), 154-186. https://doi.org/10.5281/zenodo.8076921

Jiménez, A., Romero, R., & Thabet, D. (2023). Diagnóstico para la implementación de un sistema de gestión de seguridad y salud en el trabajo en el sector de la construcción. Técnica administrativa, 22(93), 4.

Kadolkar, I., Kepes, S., & Subramony, M. (2024). Algorithmic management in the gig economy: A systematic review and research integration. Journal of Organizational Behavior, 46(7), 1057–1080. https://doi.org/10.1002/job.2831

Kellogg, K. C., Valentine, M. A., & Christin, A. (2020). Algorithms at work: The new contested terrain of control. Academy of Management Annals, 14(1), 366–410. https://doi.org/10.5465/annals.2018.0174

Khan, A. N., & Khan, N. A. (2024). The gig economy’s secret weapon: ChatGPT. Technological Forecasting and Social Change, 209, 123808. https://doi.org/10.1016/j.techfore.2024.123808

Kemp, S. (2024). Digital 2024: Global overview report. DataReportal – Global Digital Insights. https://datareportal.com/reports/digital-2024-global-overview-report

Kerikmäe, T., Kajander, A., Gil, M. G., & CIDOB. (2022). hacia un cambio en su clasificación jurídica. Revista CIDOB d Afers Internacionals, (131), 117–140. https://www.jstor.org/stable/27186237

Kinder, E., Jarrahi, M. H., & Sutherland, W. (2019). Gig platforms, tensions, alliances and ecosystems: An actor-network perspective. Proceedings of the ACM on Human-Computer Interaction, 3(CSCW), 1–26. https://doi.org/10.1145/3359314

Kuhn, K. M., Meijerink, J., & Keegan, A. (2021). Human resource management and the gig economy: Challenges and opportunities at the intersection between organizational HR decision-makers and digital labor platforms. In Research in Personnel and Human Resources Management (pp. 1–46). Emerald Publishing Limited. https://doi.org/10.1108/s0742-730120210000039001 

Lancaster, T. (2024). The Gig’s Up: How ChatGPT Stacks Up Against Quora on Gig Economy Insights.

Lata, L. N., Burdon, J., & Reddel, T. (2023). New tech, old exploitation: Gig economy, algorithmic control and migrant labour. Sociology Compass, 17(1), e13028. https://doi.org/10.1111/soc4.13028

Lehdonvirta, V., Kässi, O., Hjorth, I., Barnard, H., & Graham, M. (2019). The global platform economy: A new offshoring institution enabling emerging-economy microproviders. Journal of Management, 45(2), 567–599. https://doi.org/10.1177/0149206318786781

López Estupiñán, A. M., & Peña Mesa, L. (2023). Inteligencia Artificial: el futuro del empleo. Revista Lecciones Vitales, lv0103. https://doi.org/10.18046/rlv.2023.6118

Liu, J., Xu, X., Nan, X., Li, Y., & Tan, Y. (2023) “Generate” the Future of Work through AI: Empirical Evidence from Online Labor Markets. https://doi.org/10.2139/ssrn.4529739

Liu, R., & Yin, H. (2024). How algorithmic management influences gig workers’ job crafting. Behavioral Sciences, 14(10), 952. https://doi.org/10.3390/bs14100952

Mañas-Viniegra, L., & Jiménez-Gómez, I. (2019). Evolución del perfil profesional del community manager durante la década 2009-2018. Profesional de la información, 28(4). https://doi.org/10.3145/epi.2019.jul.03

Martín García, A. (2021). Análisis de la figura del community manager como voz de las marcas en las redes sociales. Universidad de Valladolid. https://doi.org/10.35376/10324/52084 

Muldoon, J., & Raekstad, P. (2023). Algorithmic domination in the gig economy. European Journal of Political Theory: EJPT, 22(4), 587–607. https://doi.org/10.1177/14748851221082078

Newlands, G. (2021). Algorithmic surveillance in the gig economy: The organization of work through lefebvrian conceived space. Organization Studies, 42(5), 719–737. https://doi.org/10.1177/0170840620937900

Peetz, D. (2019). Digitalisation and the Jobs of the Future. En The Realities and Futures of Work (pp. 83-112). ANU Press. https://doi.org/10.22459/rfw.2019 

Pilatti, G. R., Pinheiro, F. L., & Montini, A. A. (2024). Systematic literature review on gig economy: Power dynamics, worker autonomy, and the role of social networks. Administrative Sciences, 14(10), 267. https://doi.org/10.3390/admsci14100267

Reljic, J., Evangelista, R., & Pianta, M. (2025). Digital technologies, employment, and skills. Industrial and Corporate Change, 34(3), 385–406. https://doi.org/10.1093/icc/dtab059

Rosales-Veítia, J. (2021). Evolución histórica de la concepción de la gestión de riesgos de desastres: algunas consideraciones. Revista Kawsaypacha: Sociedad y Medio Ambiente, (7), 67–81. https://doi.org/10.18800/kawsaypacha.202101.004

Sannon, S., Sun, B., & Cosley, D. (2022). Privacy, surveillance, and power in the gig economy. In Proceedings of the 2022 CHI Conference on Human Factors in Computing Systems (pp. 1-15). https://doi.org/10.1145/3491102.3502083 

Sum, C. M., Shi, C., & Fox, S. E. (2025). “it’s always a losing game”: How workers understand and resist surveillance technologies on the job. Proceedings of the ACM on Human-Computer Interaction, 9(2), 1–32. https://doi.org/10.1145/3710902

Tan, Z. M., Aggarwal, N., Cowls, J., Morley, J., Taddeo, M., & Floridi, L. (2021). The ethical debate about the gig economy: A review and critical analysis. Technology in Society, 65, 101594. https://doi.org/10.1016/j.techsoc.2021.101594

Teutloff, O., Einsiedler, J., Kässi, O., Braesemann, F., Mishkin, P., & del Rio-Chanona, R. M. (2025). Winners and losers of generative AI: Early Evidence of Shifts in Freelancer Demand. Journal of Economic Behavior & Organization, 235, 106845. https://doi.org/10.1016/j.jebo.2024.106845

Vallas, S., & Schor, J. B. (2020). What do platforms do? Understanding the gig economy. Annual Review of Sociology, 46, 273–294. https://doi.org/10.1146/annurev-soc-121919-054857

van Doorn, N. (2024). The contingencies of platform power and risk management in the gig economy. Internet Policy Review, 13(2). https://doi.org/10.14763/2024.2.1778

van Doorn, N., & Vijay, D. (2024). Gig work as migrant work: The platformization of migration infrastructure. Environment and Planning A: Economy and Space, 56(4), 1129–1149. https://doi.org/10.1177/0308518x211065049

van Slageren, J., & Herrmann, A. M. (2024). Skill specificity on high-skill online gig platforms: Same as in traditional labour markets? Social Forces, 102(4), 1332–1351. https://doi.org/10.1093/sf/soad153

Whalley, J., Stocker, V., & Lutz, C. (2024). A platform for doers? Fiverr and the gig economy. https://doi.org/10.2139/ssrn.4800456

Wood, A., & Lehdonvirta, V. (2021). Antagonism beyond employment: how the ‘subordinated agency’ of labour platforms generates conflict in the remote gig economy. Socio-Economic Review, 19(4), 1369–1396. https://doi.org/10.1093/ser/mwab016

Yu, J., & Abdul Hamid, R. (2024). Gig workers’ psychological contracts and turnover intention: A mediated path analysis of organizational identification and job satisfaction. Acta Psychologica, 251, 104587. https://doi.org/10.1016/j.actpsy.2024.104587

FINANCIACIÓN

El estudio no recibió financiación externa.

 

DECLARACIÓN DE CONFLICTO DE INTERÉS

El autor declara no tener conflictos de interés.

 

DECLARACIÓN DE USO DE INTELIGENCIA ARTIFICIAL

En la elaboración del presente documento el autor utilizó la herramienta ChatGPT (OpenAI) únicamente como apoyo para revisar aspectos formales del texto, buscando ideas para clarificar ciertas expresiones y organizar algunos párrafos. Su uso se limitó a sugerencias de redacción y mejoras de estilo. En cambio, el contenido académico del trabajo fue desarrollado íntegramente por el autor. Todas las decisiones conceptuales y metodológicas responden al propio proceso de investigación y reflexión. Se revisó cuidadosamente cada sección del documento y se verificó de manera directa todas las citas y referencias en sus fuentes originales. El autor asume plena responsabilidad por el contenido presentado y por la rigurosidad académica del manuscrito.

 

AGRADECIMIENTOS

El autor agradece a la Corporación Universitaria Minuto de Dios (UNIMINUTO) por el apoyo institucional.

 

CONTRIBUCIÓN DE AUTORÍA

Conceptualización: Andrés Camilo Aponte-López.

Curación de datos: Andrés Camilo Aponte-López.

Análisis formal: Andrés Camilo Aponte-López

Investigación: Andrés Camilo Aponte López.

Software: Andrés Camilo Aponte-López.

Supervisión: Andrés Camilo Aponte-López.

Validación: Andrés Camilo Aponte-López.

Visualización: Andrés Camilo Aponte-López.

Redacción – borrador original: Andrés Camilo Aponte-López.

Redacción – revisión y edición: Andrés Camilo Aponte-López.