¿Eliminación o reestructuración? ¿Está preparada la IA?
Getty
Algunos puestos de trabajo corren el riesgo de verse inundados por la IA, mientras que otros tienen más probabilidades de ser reestructurados para aprovechar mejor las herramientas y plataformas de la IA. La pregunta es, ¿qué empleos son más vulnerables? Es posible que la métrica utilizada hasta ahora (la exposición a la IA) no tenga las respuestas correctas.
Esa es la esencia de un análisis reciente publicado por Ronnie Chatterjee, economista jefe de OpenAI, que ofrece un marco para comprender mejor y prepararse para el impacto potencial de la IA en el mercado laboral. «Si bien las capacidades de la IA están avanzando muy rápidamente, las empresas, las instituciones y los mercados laborales están tardando en adaptarse», dice el informe. «Este retraso significa que debemos evitar dos tipos de errores: sobreestimar la perturbación inmediata y subestimar el impacto a largo plazo».
El informe examina el impacto de la IA en más de 900 ocupaciones que cubren 153,7 millones de puestos de trabajo. Alrededor del 18 por ciento corren un alto riesgo de automatización en el corto plazo, según muestra el análisis. Alrededor del 25% de los empleos tienen una alta exposición y una fuerte necesidad humana y serán reorganizados. Según él, el 46% de los empleos tienen cambios menos inmediatos.
Otro 12% de los empleos podrían crecer gracias a la IA, ya que los costos efectivos más bajos pueden aumentar la utilización, la asequibilidad, el acceso o la producción ajustada por calidad.
El marco plantea cuatro preguntas:
- “¿Puede la IA hacer una parte importante del trabajo?
- «Si la IA reduce el costo efectivo de brindar el servicio, ¿es probable que la demanda aumente lo suficiente como para absorber el aumento de productividad?»
- “Si es posible, para las tareas restantes, ¿sigue siendo una persona fundamental para la realización del trabajo, el juicio, la responsabilidad o el desempeño físico?
- «¿Se está utilizando ya la IA de manera significativa para estas tareas?»
El marco se basa en la elasticidad de la demanda, o «cuánto cambia la demanda cuando cambian los precios, es lo que vincula la productividad con el empleo». Por lo tanto, si la IA abarata el costo de proporcionar un bien o servicio, «el efecto sobre el empleo en ocupaciones relacionadas es ambiguo. Cuando los bienes se abaratan, la gente suele comprar más, lo que a veces conduce a un aumento del empleo en los sectores afectados».
Utilizando esta fórmula, las ocupaciones «menos resilientes» incluyen a los bomberos y los asistentes de atención médica domiciliaria, muestra el análisis. Las ocupaciones «algo resistentes» incluyen fisioterapeutas, editores e higienistas dentales. Algunas de las ocupaciones «más flexibles» incluyen diseñadores gráficos y desarrolladores de software.
En general, en estos trabajos con mayor potencial de automatización, la IA puede realizar alrededor del 90% de las tareas, aunque el uso real actualmente es solo del 24%, estima OpenAI.
El economista de OpenAI reconoce que las predicciones sobre el desplazamiento de empleos por parte de la IA no son una ciencia exacta y, basadas principalmente en formulaciones técnicas, pueden no sostenerse cuando se las confronta con la cultura y la dinámica organizacional sobre el terreno. OpenAI considera que la brecha entre el potencial de automatización y el uso real es «el resultado de la fricción institucional y la lenta adopción», dijo Darlene Newman, socia gerente de Ivy Captech Advisors, en una publicación de LinkedIn. «Yo lo llamaría de otra manera. Es una deuda, una deuda de conocimiento».
No importa cuán avanzada o moderna sea la plataforma adoptada, los problemas surgen con datos no administrados o limitados «y la capa de inteligencia que vive en hojas de cálculo», explicó. «Es un problema de conocimiento organizacional. Y existe en todas partes. Se ve más claramente durante incidentes importantes. A las personas les puede llevar veinte horas o más simplemente entender qué hizo realmente un sistema y por qué».
Lo que complica las cosas es que «el sistema en sí es opaco, incluso para la organización que lo construyó. Las reglas están codificadas por personas que ya no están ahí. Hay una lógica que nadie puede explicar completamente. Los procesos nunca fueron registrados porque vivían en la cabeza de alguien. Ahora señale a un agente hacia ese entorno».
Un modelo de lenguaje grande en un entorno así «no es un razonamiento basado puramente en el conocimiento», advierte Newman. «Es una comparación de patrones contra la ambigüedad. Y a diferencia de las personas en esta conversación casual que saben que no saben, el patrón no nota su propia incertidumbre. Es por eso que la gente permanecerá actualizada por más tiempo de lo que sugieren la mayoría de las predicciones».
Lanzar IA sobre una «deuda de conocimiento no resuelta no demuestra que estés preparado», afirmó. «Simplemente hace que la deuda sea más difícil de analizar: hasta que salga a la superficie, como resultado, nadie puede auditarla ni respaldarla».
