La amenaza de la automatización en ciertos puestos laborales

La amenaza de la automatización en ciertos puestos laborales

El trabajo ya no es lo que solía ser. El mismo concepto de trabajo ha evolucionado considerablemente a lo largo de los siglos, a medida que las nuevas tecnologías se han integrado en la forma en que funcionamos tanto individualmente como en una sociedad.

En ingeniería, el trabajo se define como el producto de la fuerza y ​​la distancia. Las primeras máquinas amplificaron la fuerza y ​​la productividad humana turboalimentada, proporcionando una plataforma inicial para la sociedad industrializada. Eliminaron el trabajo físico y crearon nuevos tipos de trabajo para los humanos, como operar y arreglar máquinas y usar sus capacidades de nuevas maneras. Las computadoras también han reducido nuestro trabajo gruñido informativo, lo que permite un trabajo más productivo, creativo y gratificante para los humanos.

Pero las máquinas de hoy en día son diferentes en el sentido de que cada vez se están dando cuenta de las cosas por sí mismas. Han aprendido a aprender, una cualidad que hasta ahora ha sido exclusiva de los humanos. Nuestra capacidad de percibir el mundo e integrar información no estructurada de manera espontánea sirve como base de gran parte del trabajo humano. Ahora que las máquinas desempeñan este papel, a menudo mejor que nosotros, ¿qué tan valiosos serán los aspectos del trabajo humano o "no rutinario" en el futuro?

La importancia de la calidad


La preocupación política actual con los números de trabajo ignora la distribución de la calidad de tales trabajos. De las 50,000 personas que Amazon busca contratar de inmediato, por ejemplo, ¿qué proporción tiene el potencial de crecimiento real de carrera y ganancias?

No es posible responder a esta pregunta sobre la base de datos pasados, porque el trabajo no rutinario no se presta bien a la observación científica del estilo de gestión, o las descripciones ocupacionales estándar establecidas por el sistema de clasificación ocupacional de O * NET . La tecnología ha alterado la composición de los trabajos y las habilidades asociadas requeridas; el trabajo de un contador o abogado hoy, por ejemplo, es muy diferente de lo que era hace una década o dos.


Los requisitos de habilidades de los trabajos cambian ya que lo que no era rutina se convierte en rutina. La capacidad superior de visión lejana de los conductores profesionales, por ejemplo, disminuye su valor si una máquina puede ver mejor que los humanos, y una habilidad superior para memorizar precedentes es menos valiosa para los abogados si una máquina puede encontrarlos más rápido y mejor que los humanos. Para predecir qué impacto tendrá la inteligencia artificial (IA) en el trabajo humano, debemos comprender a un nivel detallado la 'huella digital' asociada con el trabajo, y especialmente el trabajo no rutinario.

El trabajo rutinario


Investigaciones anteriores muestran que la automatización ha reemplazado las tareas rutinarias y complementa las que no son rutinarias. Además, la participación de la fuerza de trabajo empleada en ocupaciones que hacen un uso intensivo de tareas no rutinarias ha aumentado sustancialmente en las últimas décadas, mientras que aquellas que involucran principalmente tareas cognitivas y manuales de rutina han disminuido sustancialmente. Si así es como se desarrollará el futuro, uno podría razonablemente proyectar que la naturaleza del empleo humano dependerá de la oferta, y en particular de la demanda, de ocupaciones no rutinarias orientadas a tareas.

Pero esta visión rutinaria / no rutinaria del mundo es borrosa y se rompe cuando los sistemas de aprendizaje autónomos, a diferencia de los sistemas automatizados, se vuelven capaces de realizar tareas que antes se consideraban no rutinarias. En 1972, el filósofo Hubert Dreyfus afirmó que las computadoras nunca serían capaces de realizar tareas simples como conducir. Hace tan solo 10 años, conducir un vehículo no se consideraba rutinario y, por lo tanto, inherentemente humano. Y sin embargo, los vehículos de conducción autónoma están a punto de hacer la navegación en gran medida de rutina. En términos más generales, las máquinas son cada vez mejores en otras tareas cognitivas consideradas desde hace mucho tiempo como humanas, incluida la toma de decisiones de inversión, la creación de declaraciones de impuestos y más. Los datos grandes, especialmente los datos basados ​​en la percepción de los sistemas que pueden ver, oír, leer y tocar, proporcionan a las máquinas la capacidad de aprender por sí mismas.

Un informe reciente del McKinsey Global Institute informó que el 60% de las ocupaciones son 30% automatizables. El informe señala que tales ocupaciones representan casi $ 2.7 trillones en salarios en los Estados Unidos, poco más de la mitad de la actividad económica total del país. El informe también visualiza a los humanos trabajando junto a las máquinas de nuevas maneras. De hecho, las máquinas de AI ya están redefiniendo los límites del trabajo físico y cognitivo, ayudando a los humanos con los componentes de trabajo que consumen tiempo o son propensos a errores. Pero cuando las máquinas se vuelven mucho mejores que nosotros al tomar importantes decisiones no rutinarias que involucran nuestra salud, finanzas, navegación o entretenimiento, por ejemplo, ¿qué valor agregarán los humanos?

En las universidades, les enseñamos a los estudiantes a pensar para prepararlos para el futuro lugar de trabajo. En gran medida, se trata de cómo llevar a cabo una investigación científica, que comienza haciendo las preguntas correctas, formulando el problema, la ejecución, el análisis de los resultados y la comunicación de los resultados. Algunos investigadores han propuesto que debemos alentar el pensamiento computacional, que considera estos pasos como un todo al "reformular un problema aparentemente difícil en uno que sabemos cómo resolver, tal vez mediante reducción, incrustación, transformación o simulación", según Jeannette Wing, jefe del departamento de informática de la Universidad Carnegie Mellon. Las descripciones de trabajo existentes basadas en habilidades no abordan adecuadamente estos aspectos cada vez más importantes del trabajo de conocimiento no rutinario.

Mi investigación sobre el límite entre situaciones en las que confiamos y aquellas en las que no confiamos en las máquinas para la toma de decisiones -que denomino la " frontera de automatización de decisiones " - depende de cuán a menudo esperemos que la máquina esté equivocada y cuáles son las consecuencias de eso podría ser, especialmente en el peor de los casos. Confiamos en las máquinas cuando funcionan a un ritmo predecible de precisión y el costo de sus errores es suficientemente bajo. Por ejemplo, la búsqueda de precedentes para casos legales o predicciones de resultados de clasificación puede ser efectivamente realizada por máquinas, pero las tareas como preparar la argumentación sobre cómo se presenta un caso legal son humanas.


Curiosamente, la taxonomía de trabajo de O * NET categoriza a los abogados que requieren altos niveles de expresión oral y escrita y comprensión, tolerancia al estrés e integridad. Imagine si pudiéramos tomar una "instantánea digital" de abajo a arriba de todo el trabajo legal y permitir que las características surjan de los datos. Por ejemplo, ¿qué proporción del tiempo de los abogados se dedica a aspectos del trabajo, como investigar, escribir y hablar, y cómo el mercado laboral los valora? La medición de la actividad cognitiva asociada con el trabajo no rutinario, que he denominado la huella digital del trabajo, es un área fértil para la investigación. Una mejor instrumentación arrojará una imagen basada en datos de los trabajos en realidad consistentes, y una base para predecir cómo cambiarán.

La huella digital del trabajo variará indudablemente en todas las profesiones. Para los profesionales de la salud, las tareas no rutinarias pueden implicar conocimientos profundos o habilidades médicas, así como habilidades como la empatía y la comunicación. Para los profesionales de seguros, puede implicar la capacidad de evaluar el riesgo en función de registros y señales sutiles. En los deportes, podría implicar un análisis de la toma de decisiones bajo presión. En principio, todos estos son observables y mensurables en diversos grados. Pero se necesita más investigación para comprender cómo los humanos y las máquinas más inteligentes se complementarán y competirán entre sí a un nivel micro antes de que tengamos la base para hacer predicciones sobre el futuro del trabajo.

VasantDhar, profesor, Stern School of Business y el Centro de Ciencia de Datos