Parte 22 Qué Dicen los Estudios
Tiempo de Lectura: 11 minutos.
Prediciendo la escala de la pérdida de trabajos inducida por la inteligencia artificial se ha convertido en una industria artesanal para los economistas y firmas de consultoría alrededor del mundo.
Dependiendo del modelo que utilices el rango de estimaciones va desde desapariciones aterradoras hasta totalmente sin problemas. Aquí yo doy una breve visión general de la literatura y los métodos destacando los estudios que han dado forma al debate. Muy pocos buenos estudios se han hecho para el mercado Chino así que más que nada me apego a los estudios estimando el potencial de la automatización en los Estados Unidos y luego extrapolando esos resultados a China.
Un par de investigadores de la Universidad de Oxford hicieron en 2013 un documento con terribles predicciones: el 41% de los trabajos podrían ser automatizados en las próximas dos décadas. Los autores del documento Benedic Frey y Michel Osborne empezaron preguntando a los expertos en machine learning para evaluar la posibilidad de que 70 ocupaciones pudieran ser automatizadas en los próximos años.
Combinando esos datos con una lista de los principales cuellos de botella de ingeniería en machíne learning, Frey y Osborne usaron un modelo de probabilidad para proyectar las 70 ocupaciones que pudieran ser automatizadas en los próximos años.
Y denotando la zona segura ya descrita Frey y Osborne usaron un modelo de probabilidad para proyectar cuán susceptibles serían un adicional de 632 ocupaciones más que podieran ser automatizadas.
El resultado es que casi la mitad de los trabajos tienen un alto riesgo en las próximas dos décadas, causando una predicción bastante dura. Frey y Osborne fueron cautelosos al hacer notar muchas advertencias a sus conclusiones. Más importante era una estimación de lo que los trabajos que serían técnicamente posibles con máquinas, no pérdidas de empleo o resultando en los niveles de desempleo. Pero la ráfaga de cobertura de prensa pasó por alto esos importantes detalles, de tal forma que advirtieron a los lectores que la mitad de los trabajadores estaría pronto sin trabajo.
Otros economistas se atascaron en 2016, un trío de investigadores en la Organización para la Cooperación Económica y el Desarrollo (OCDE) usaron un modelo alterno que produjo un resultado que contradice directamente al estudio de Oxford: y concluyeron que solo en el 9 porciento de los trabajos estaban en alto riesgo de automatización.
Porque la gran diferencia? Los investigadores de la OCDE tomaron el asunto con el enfoque de la base ocupacional. Mientras que los investigadores de Oxford le preguntaron a los expertos de maching learning para que juzgarán la automatizhabilidad de las ocupaciones, los del equipo de la OCDE argumentaron que ese enfoque en las ocupaciones subestima las diferentes tareas que un trabajador hace, que un algoritmo no puede hacer, trabajar con colegas en grupos lideando con clientes cara a cara.
El equipo de la OCDE propuso entonces un enfoque basado en las tareas rompiendo cada trabajo y los componentes activos y mirando cuáles de ellos se podría automatizar. En este modelo un preparador de impuestos no solo es un catalogado como una ocupación sino como una serie de tareas que se pueden automatizar. (Cómo revisar documentos de ingresos, calcular las deducciones máximas, revisando formas por inconsistencias, etc.) y tareas que no son automatizables cómo reunirse con los clientes, y explicando sus decisiones a los clientes. El equipo de la OCDE entonces corrieron un modelo de probabilidad para encontrar qué porcentaje de trabajos estaban en riesgo alto y cuando menos de las tareas pudieron ser automatizadas cómo se notó ellos encontraron que solo el 9% de los trabajos cae en la categoría de alto riesgo. Aplicando este mismo modelo a otros países se desarrollaron desde el 6% en Corea hasta el 12% en Australia. No te preocupes parece decir el estudio: los reportes de la muerte de los empleados han sido exagerados.
Otros estudios usando diferentes algoritmos nos llevan a resultados diferentes. Por ejemplo el PwC (PricwaterhauseCoopers) usando el enfoque de tareas encontró que el 38% de los trabajos en Estados Unidos están en riesgo de automatización para los tempranos 2030. O el estudio de McKinsey que ha estimado que el 50% de los trabajos alrededor del mundo ya son automatizables actualmente.
Pero cuando se refiere al desplazamiento de trabajos los investigadores de McKinsey se pusieron menos pesimistas. Si hay una rápida adopción de las técnicas de automatización (un escenario más comparable a los anteriores estimaciones) 30% las actividades de trabajo pudieran ser automatizados para 2030. Pero solo el 14% de los trabajadores necesitarán cambiar ocupación.
Hacia dónde nos deja la literatura? Los expertos continúan estando sobre todo el mapa, con estimaciones potenciales de automatización en los Estados Unidos en un Rango del 9 al 47%. Aún si nos mantenemos únicamente concentrados en los trabajos basados en el enfoque de las habilidades aún tenemos separación del 9 al 38% una diferencia que podía significar entre la mejora en la prosperidad y la crisis de empleo.
Esa diferencia entre estimados no debería causar confusión, en vez debería espolearnos para pensar críticamente acerca de esos estudios, que nos pueden enseñar y que pudiera haber faltado.
Lo que los estudios omitieron
Mientras yo respeto la experiencia de los economistas que colocaron estás estimaciones juntas, yo también estoy en desacuerdo respetuosamente con los estimados más bajos de la OCDE.
Esa diferencia está fundamentada en dos desacuerdos uno en término de las entradas de sus ecuaciones y una diferencia mayor en la que ven en la disrupción de los mercados laborales. Las objeciones causales con las sesiones de alto nivel para llevar ese número aún más alto.
La discrepancia central se deriva de los estudios estimados de la capacidad técnica de las máquinas para los próximos años. En 2013 el estudio de Oxford le preguntó a un grupo de expertos en machine learning para predecir si un grupo de 70 ocupaciones pudieran ser automatizadas en las próximas dos décadas usando estas evaluaciones para proyectar más ampliamente la automatización. Y al través de los estudios de la OCDE y luego se diferencian con los estimados de 2013 de las capacidades futuras.
Esos estimados probablemente constituyen la mejor y más atinado por ahora pero avances significativos en la precisión y el poder del machine learning o en el aprendizaje automático sobre los últimos 5 años que se han movido hasta ahora los postes de la meta. Los expertos respaldan entonces y han sido capaces de proyectar algunas de las mejoras que se ven en el horizonte. Pero pocas, asi alguna, predijeron que el aprendizaje profundo o deep learning fuera a ser “tan bueno y tan rápido”. Estás mejoras inesperadas están expandiendo el reino de la fantasía en cuanto llega a los usos en el mundo real y por lo tanto: disrupciones en el empleo.
Uno de los más claros ejemplos de esas mejoras aceleradas es la competencia ImageNet. En la competencia algoritmos presentados por los diferentes equipos fueron asignados para identificar miles de diferentes objetos, dentro de millones de imágenes diferentes tales como pájaros, pelotas de béisbol, desatornilladores, mosquitos y rápidamente se convirtió en la más respetada competencia en reconocimiento de imágenes y una clara prueba de rendimiento para el progreso en la visión computarizada (computer vision).
Ya era suficiente para despertar a muchos de la comunidad de esta cosa llamada deep learning (aprendizaje profundo) pero era una probada de lo que vendría.
Para 2017 casi todos los equipos de un porcentaje de error menor del 5% aproximadamente de la precisión de los humanos ejecutando la misma tarea, con el promedio del algoritmo de ese año haciendo solo una tercera parte de los errores del algoritmo superior de 2012.
En los años desde que los expertos de Oxford dieron sus predicciones la visión computarizada ahora ha sobrepasado las capacidades humanas y dramáticamente expandido los casos reales para la tecnología.
Esas capacidades aplicadas se extienden más allá de la visión por computadora. Nuevos algoritmos constantemente fijan y sobrepasan récords en Campos como el de reconocimiento de voz, maquinaria que lee, y maquinas que traducen.
Mientras que esas capacidades reforzadas no constituyan fundamentales avances en la inteligencia artificial nos abren los ojos y encienden las imaginación de los empresarios. Tomandolos todos juntos los avances técnicos y usos emergentes llegaron a el extremo más elevado en los estimados de las aplicaciones basadas en tareas díganse las predicciones de PwC que el 38% de los empleos están en un alto riesgo de automatización para el 2030.
Dos tipos de pérdidas de trabajos,una por reemplazo de uno a uno y otra por completamente nuevas disrupciones
Ver más allá de los acuerdos sobre la metodología yo creo que utilizar únicamente el enfoque basado en las tareas pierde una categoría separada de las pérdidas potenciales de trabajos: las disrupciones debidas a las nuevas tecnologías de inteligencia artificial en los trabajos. Separados de las ocupaciones o los enfoques basados en las tareas. Parte de esa diferencia en visión puede ser atribuida a los antecedentes profesionales.
Muchos estudios previos fueron hechas por economistas. Mientras yo soy un tecnólogo y un inversionista en etapa temprana. Pero diciendo cuáles son los trabajos que están en riesgo de automatizarse los economistas buscaron en las tareas que una persona completa en su trabajo y preguntaron si una máquina sería capaz de cumplir dichas tareas. En otras palabras el enfoque basado en las tareas, pregunta qué tan posible puede ser el reemplazado de uno a uno por una máquina en un trabajo determinado?.
Mis antecedentes de entrenamiento me llevan a enfocar el problema en forma diferente. Al principio de mi carrera yo trabajé en convertir tecnologías de inteligencia artificial en productos útiles y como un capitalista de riesgo que funda y ayuda a construir nuevas startups me da una perspectiva diferente. Ese trabajo me ayuda a ver a la inteligencia artificial como formando dos tipos de amenazas para los trabajos: reemplazo de uno a uno y disrrupciones construidas de la tierra hacia arriba.
Muchas de las compañias en inteligencia artificial en las que he invertido buscan construir un único producto que pueda reemplazar un tipo específico de trabajo, por ejemplo, un robot que pueda cargar estibas y llevarlas a un empleado de almacén o un algoritmo de un vehículo autónomo que puede hacer las tareas centrales de un taxista. Sí son exitosas esas compañías terminarán vendiendo sus productos a compañías, muchas de las cuales pueden despedir al personal redundante como resultado. Ese tipo de reemplazo de uno a uno son exactamente las pérdidas de los trabajos capturadas por los economistas usando el enfoque basado en las tareas y yo tomo la estimación de PwC del 38% como una estimación para esta categoría.
Pero entonces existe una raza diferente de startups de inteligencia artificial. Esas que imaginanan una industria desde la base hacia arriba. Esas compañías no buscan reemplazar un trabajador humano con una robot que pueda ser la misma tarea, más bien ellas buscan nuevas formas de satisfacer la necesidad fundamental humana guiando a una nueva industria.
O startups como SmartFinance (el prestamista que no utiliza funcionarios humanos, la tienda del futuro F5 que carece de empleados (una startup china que crea una experiencia de compra similar a la del supermercado de Amazon go). O Tuitiao la aplicación de noticias que no emplea editores, son ejemplos principales de ese tipo de compañías simplemente porque los algoritmos no están desplazando trabajadores humanos en esas compañías. Simplemente porque nunca hubo humanos para empezar, pero los precios bajos y servicio superior hacen que esas compañías aumentan su participación en el mercado. Estas empresas aplicarán presión a su rival que emplean gran cantidad de empleados. Esas compañías se forzaran a adaptarse desde la tierra hacia arriba restructurando sus flujos de trabajo para adaptarse con inteligencia artificial y reducir el riesgo de salir del mercado. De cualquier forma el resultado es el mismo: habrá menos trabajadores.
Este tipo de pérdida de empleos inducida por la inteligencia artificial es tan largamente omitido de las estimaciones basadas en tareas de los economistas. Si uno aplica el enfoque basado en tareas para medir la automatización del editor de una aplicación de noticias encontrará docenas de tareas que no pueden ser ejecutadas por las máquinas, ellos no pueden leer y entender las noticias y artículos de fondo y subjetivamente evalúar la propiedad para una audiencia particular o comunicarse con reporteros y otros editores pero cuando los fundadores de Toutiao construyeron la aplicación no buscaron un algoritmo que pudiera hacer todos las tareas mencionadas.
En su lugar ellos se imaginaron como una aplicación de noticias podría ejecutar su función central, seleccior una alimentación de noticias qué los usuarios desean leer y entonces la hicieron empleando el algoritmo de inteligencia artificial.
Yo estimo que ese tipo de disrupciones de la tierra hacia arriba afectara al 10% de la fuerza laboral de Estados Unidos. Las más golpeadas industrias serán aquellas que involucran grandes volúmenes de rutinas utilizables parecidos con mercadotecnia externa o servicio al cliente tales como el servicio de comidas rápidas, los servicios financieros y aún los radiólogos. Con compañías consolidadas, las tareas de interacción con el cliente se concentraran en unos cuántos empleados mientras los algoritmos hacen la mayoría del trabajo sucio con máquinas tras bambalinas, el resultado será notables reducciones en los trabajos en esos campos.
Comentarios
Tratando de predecir la escala de pérdida de trabajos inducida por por la inteligencia artificial iniciamos con un par de investigadores de la Universidad de Oxford que en 2013 emitieron un documento que hizo terribles predicciones, hablaban del 47% de los trabajos que podrían ser automatizados en las próximas dos décadas, estamos hablando de 2030. Mientras tanto por ejemplo el PwC usando el enfoque hacia las tareas encontró que el 38% de los trabajos en Estados Unidos están en riesgo de automatización para el temprano 2030 y McKinsey ha estimado que el 50% de los trabajos alrededor del mundo ya son automatizabless actualmente en 2022.
Sin embargo los expertos no fueron capaces de proyectar algunas de las mejoras que se ven en el horizonte porque no predijeron qué el aprendizaje profundo (deep learning) fuera tan buenoy tan rápido.
Desde que los hicieron sus predicciones la visión computarizada ha sobrepasado las capacidades humanas y dramáticamente expandido los casos reales para aplicación en la tecnología. Esas capacidades amplificadas se extienden más allá de la visión por computadora, nuevos algoritmos constantemente fijan y sobrepasan récords en campos como el reconocimiento de voz, maquinaria que lee o máquinas que traducen.
Estos avances técnicos y usos emergentes me llevaron el extremo más elevado de los estimados de las aplicaciones basadas en tareas en las que PwC hace predicciones de que 38% de los empleos están en un alto riesgo de automatización para el 2030. Este es el enfoque de los economistas con la sustitución de uno a uno. Sin embargo existe una raza diferente de startups de inteligencia artificial, esas que reimaginan una nueva industria completa de la base hacia arriba. Más bien ellas buscan nuevas formas de satisfacer una necesidad humana guiando a la industria.
Startups cómo es SmartFinance que es un prestamista que no utiliza oficiales humanos. La tienda del futuro F5 que carece de empleados un starup China que crea una experiencia de compra similar al supermercado del Amazon Go. O Toutiao la aplicación de noticias qué no emplea editores. En todos estos casos los precios bajos y los servicios superiores de estas compañías aumentan su participación en el mercado y aplican presion a rivales que emplean una gran cantidad de empleados, que se ven amenazados si no ajustan su modelo de negocio, con el riesgo de salir del mercado. De cualquier forma el resultado es el mismo habrá menos trabajadores. En todos estos ejemplos no se sustituyó ningún trabajador simplemente porque antes no existían, son negocios completamente nuevos.
Es estimado qué estas disrupciones de tierra hacia arriba afectaran al 10% de la fuerza laboral de Estados Unidos.
Deja una respuesta