Del progreso en las capacidades de las tecnologías basadas en Inteligencia Artificial al impacto en el empleo 

Por Sebastián Fernández Franco:  Doctorando CONICET en Economía Política UNSAM con lugar de trabajo en CEPED-IIEP-UBA. 

Introducción

En el último tiempo, y con mayor fuerza a partir del lanzamiento de ChatGPT a fines de noviembre de 2022, hemos sido bombardeados con noticias ligadas a los avances tecnológicos en el campo de la Inteligencia Artificial (IA) generativa. Así, grandes eventos dentro de la historia de la IA, como el triunfo de un programa de Deepmind al campeón mundial del juego Go de tradición china, parecen haber quedado viejos. En este escenario de emergencia de nuevas tecnologías basadas en IA, existen complejos debates en torno a cuáles serán los impactos económicos y sociales. Así, mientras para algunos se trata de una tecnología que podría salvarnos de varios males de este mundo, otros enfatizan los riesgos de usar una tecnología que es una caja negra y de que su producción esté concentrada en pocos países y empresas.   

El reciente boom en IA, que inicia en 2012, es producto de (1) incrementos de la capacidad computacional, de (2) la reducción del precio de las computadoras, (3) del desarrollo de internet y (4) del almacenamiento y producción de datos masivos (Naudé, 2021). En sintonía, de acuerdo con un reciente informe del Human-Centered Artificial Intelligence de la Universidad de Standford, los tests de evaluación del progreso de IA dan cuenta de un mejor desempeño “artificial” que humano – o, en ocasiones, uno muy similar- en clasificación de imágenes, compresión lectora básica, manejo del idioma inglés, razonamiento visual, entre otras. En efecto, distintos modelos basados en IA han mostrado tener capacidades en la creación de texto, imágenes y video.

Este avance de las capacidades tecnológicas basadas en IA invita a revisar viejas discusiones de la ciencia económica sobre el vínculo entre el cambio tecnológico y el empleo. Por un lado, la adopción de nuevas tecnologías puede reducir el empleo, vía automatización. Por el otro lado, existen varios mecanismos que pueden generar un crecimiento del empleo (aparición de nuevos productos; caída de precios y aumento de demanda; más inversión debido a ganancias por innovar). De manera que es muy difícil resolver teóricamente cuál va a ser el resultado neto de este proceso. 

El trabajo se divide de la siguiente manera. En la siguiente sección, resumimos de manera ligera algunos de los resultados de los trabajos que miden el impacto de la IA en el empleo. En la tercera sección, sintetizamos cómo esos trabajos abordan el impacto a nivel metodológico. Por último, presentamos otros factores que influencian la adopción (y por ende el impacto) y que deberían ser tenidos en cuenta tanto como el progreso tecnológico. 

2. ¿Qué dicen las investigaciones sobre el impacto de la IA en el empleo?

Siguiendo el estudio que dio origen a las discusiones sobre el futuro del trabajo, como ya muchos/as deben haber escuchado, un 47% del empleo de la economía estadounidense enfrenta un riesgo alto de computarización(Frey & Osborne, 2013). Las ocupaciones que serían más afectadas para los autores están ligadas al transporte, la logística, la administración y la producción.

Si bien dicho trabajo ha recibido fuertes críticas, nuevas estimaciones vuelven a predecir que las transformaciones en el mundo del trabajo serán grandes. 

Alrededor de un 25% de las tareas actuales, en promedio, podría ser automatizado tanto en Estados Unidos como en Europa, siendo el impacto mucho mayor para oficinistas y administrativos (46% en Estados Unidos) y menor para trabajadores de la construcción (6%) (Briggs & Kodnani, 2023). En esta línea, Eloundou et al. (2023) indicaron que alrededor de un 19% de las ocupaciones estadounidenses tendrían al menos un 50% de las tareas expuestas cuando se introduzcan los large lenguage models (LLM). En este caso, las ocupaciones más expuestas serían los contadores y auditores, los analistas, reporteros y periodistas, las secretarias legales y asistentes administrativos, entre otras. Más recientemente, en un nuevo reporte del Fondo Monetario Internacional, se arriba a que el 60% de los empleos en los países desarrollados está expuesto al impacto de la IA (Cazzaniga et al., 2024). De ese total de puestos expuestos a la IA, un 55% son ocupaciones cuya complementariedad con la tecnología es baja, es decir, aquellas en las que la probabilidad de reemplazar tareas es más alta.

3. Breve revisión de las metodologías

La probabilidad de computarización que tienen cargada cada ocupación bajo el método de Frey y Osborne (2013) es producto de varias etapas. Primero, los autores realizan una consulta a expertos en ML, en el marco de un workshop en el Departamento de Ciencias Ingenieriles de la Universidad de Oxford, sobre la posibilidad de automatizar 70 ocupaciones -se quedan con aquellas sobre las que están más seguros-. Les corresponderá un 1 a aquellas que sí se puede automatizar y un 0 a aquellas que no. En segundo lugar, bajo el reconocimiento de que existen límites ingenieriles, se procede a identificar cuáles son las variables que los aproximan (ver sección previa). Por último, utilizan un método de clasificación que sirve para predecir la probabilidad de automatizar todas las ocupaciones y no solo las seleccionadas en la primera etapa, siguiendo las variables elegidas. 

En contraste, otros trabajos se refieren a la exposición de algunas ocupaciones a la IA. Felten et al. (2021), linkean las características ocupacionales de Estados Unidos las funciones de 10 tecnologías basadas en IA -que van desde juegos abstractos de estrategia a reconocimiento de voz- sobre las que la Fundación de la Frontera Electrónica (EFF por sus siglas en inglés) tiene registros del progreso. La selección de aplicaciones también fue influida por conversaciones con expertos. La exposición a nivel ocupacional resulta de agregar la exposición que tiene cada habilidad -foco en 52 que salen de O*NET- en determinada ocupación. 

Cazzaniga et al. (2024) realizan una extensión del índice de exposición a la IA de Felten et al. al considerar la dimensión de la complementariedad. Para ello, estos autores utilizan no solo la variable skills sino también contexto laboral de O*NET que refleja algunas características físicas y sociales de la ocupación. Con este indicador, los autores buscan aproximar que no en todos los casos las sociedades van a permitir que la tarea se realice mediante IA. Esta es, también, una definición subjetiva. 

Tabla 1. Exposición a la IA y complementariedad

	Exposición alta	Exposición baja
Complementariedad alta	Ocupaciones “fortalecidas”	No relevante
Complementariedad baja	Ocupaciones reemplazables	No relevante

Briggs y Kodnani (2023) realizan primero un estado del arte de los usos probables de la IA generativa. Con este conocimiento, entienden que 13 de 39 actividades laborales de la base de O*NET pueden ser automatizadas debido a la IA. Los autores suponen que las tecnologías basadas en IA pueden completar tareas que tengan un nivel de hasta 4 (sobre 7 de acuerdo con la escala de la base de datos). Luego, evalúan la importancia y complejidad promedio de las tareas para cada ocupación. Por último, calculan la porción de tareas de cada ocupación automatizable.  

Eloundou et al. (2023) definen la exposición como la posibilidad de reducir el tiempo que requiere una persona para realizar una tarea en al menos un 50%, sin alterar la calidad, mediante el uso de LLM. En este caso, la tarea está expuesta directamente a los LLM. La exposición también podría ser indirecta si además se necesitara “software adicional”. En este trabajo, los mismos autores y otros especialistas que revisaron GPT4 y otras versiones anteriores clasifican cada tarea como expuesta o no expuesta (en este caso debido a que la reducción del tiempo está debajo del umbral definido o porque la calidad es peor). Además, se le solicita a GPT-4 que realice el mismo ejercicio; las etiquetas humanas y las artificiales son similares.  

4. ¿Por qué puede (no) ser tan grande el impacto? 

Los trabajos referidos en la sección anterior comparten que el progreso tecnológico determina el impacto en el empleo. Entonces, un mayor progreso tecnológico implicaría un mayor impacto laboral. Como escriben Frey y Osborne (2013), los “desarrollos recientes en  ML [Machine Learning] and MR [Mobile Robotics], a partir de big data, permiten el reconocimiento de patrones y entonces posibilitan al capital computacional sustituir rápidamente el trabajo a través de un amplio rango de tareas no rutinarias” (Frey & Osborne, 2013, p. 23) (traducción propia). El impacto de la tecnologías es, en ese y otros trabajos similares, una consecuencia de las capacidades ingenieriles y de programación para reproducir tareas.  

El tecno-determinismo queda también en evidencia cuando se ve que no todo se puede automatizar debido a que existen límites técnicos. Es decir, “la falta de progreso tecnológico” impide automatizar esto y esto. Por ejemplo, de acuerdo con Frey y Osborne (2013), las barreras ingenieriles del presente son la inteligencia social, la creatividad y la percepción y manipulación y por ello la probabilidad de automatización depende negativamente de ellas. En esos términos, el trabajo de un cirujano es más difícil de automatizar que el de un vendedor telefónico debido a que el primero requiere un grado mayor de percepción y manipulación.  

Frey y Osborne (2013) suponían cuando escribieron que los cambios podrían tener lugar en una o dos décadas. Sin embargo, los desarrollos tecnológicos no parecerían estar teniendo el impacto esperado. Esto se podría sintetizar en que no existe una igualdad automática entre el progreso tecnológico y la adopción. Como explicamos en un trabajo, en la adopción de tecnologías intervienen algunos factores que desde el mainstream están pasando por alto (Fernández Franco y Graña, forthcoming). 

En primer lugar, las empresas no están buscando incorporar tecnologías en todo momento y en todo lugar, sino que lo harán solamente cuando sirva a su proceso de valorización. Para ello, como se desprende de la llamada ecuación económica de reemplazo, comparan el costo unitario actual con aquel estimado si se adoptara la nueva tecnología, donde la masa salarial es una variable clave. Si la adopción de la nueva tecnología hace aumentar el costo unitario, la tasa de ganancia se reduce y la empresa preferirá seguir así como está.  En segundo lugar, la adopción se va a explicar por las capacidades que tengan las empresas de encarar ese proceso, las cuales son “sendero dependiente” (ligadas a inversiones en conocimiento y en infraestructura anteriores).

Estas dimensiones son super importantes para pensar las diferencias que puede tener el impacto en los países en desarrollo con respecto a los países desarrollados dado que en los primeros los salarios -en términos internacionales- son más bajos y las capacidades de adopción más reducidas.

Además, algunos autores aseguran que los estudios del impacto de las tecnologías basadas en IA también deberían considerar la aceptación social de la IA dado que no será lo mismo para cualquier actividad si es realizada artificialmente o por un ser humano. 

Bibliografía

Briggs, & Kodnani. (2023). The Potentially Large Effects of Artificial Intelligence on Economic Growth. Global Economics Analyst. Goldman Sachs.

Cazzaniga, M., Jaumotte, F., Li, L., Melina, G., Panton, A. J., Pizzinelli, C., Rockall, E., & Tavares, M. M. (2024). Gen-AI: Artificial Intelligence and the Future of Work. https://www.imf.org/en/Publications/Staff-Discussion-Notes/Issues/2024/01/14/Gen-AI-Artificial-Intelligence-and-the-Future-of-Work-542379

Eloundou, T., Manning, S., Mishkin, P., & Rock, D. (2023). GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models (arXiv:2303.10130). arXiv. https://doi.org/10.48550/arXiv.2303.10130

Felten, E., Raj, M., & Seamans, R. (2021). Occupational, industry, and geographic exposure to artificial intelligence: A novel dataset and its potential uses. Strategic Management Journal, 42(12), 2195–2217. https://doi.org/10.1002/smj.3286

Frey, C. B., & Osborne, M. A. (2013). The future of employment: How susceptible are jobs to computerisation? Technological Forecasting and Social Change, 114, 254–280. https://doi.org/10.1016/j.techfore.2016.08.019

Naudé, W. (2021). Artificial intelligence: Neither Utopian nor apocalyptic impacts soon. Economics of Innovation and New Technology, 30(1), 1–23. https://doi.org/10.1080/10438599.2020.1839173