Por qué la IA reemplaza algunos trabajos más rápido que otros

Mucho se habla de cómo la IA va a sustituir a los empleos, y en parte eso es cierto. Nos preocupa que la IA nos quite el trabajo, pero no entendemos del todo cómo esto va a suceder, cuándo va a ocurrir ni cuánto tiempo tenemos para prepararnos.

La mayoría de las personas cree que la complejidad de las tareas determinará la rapidez o lentitud con la que se adoptará la IA. Esta suposición es totalmente errónea. Como dice Sun Tzu: "Conócete a ti mismo y conoce a tus enemigos y siempre saldrás victorioso". Por lo tanto, es necesario comprender la siguiente dinámica.

La mecánica de la IA aún no está del todo clara, ni siquiera para los expertos. Sin embargo, sabemos una cosa importante: la inteligencia artificial aprende.

¿Alguna vez te has dado un toque al manipular un aparato electrónico? Yo sí, y esa experiencia me enseñó a no volver a hacerlo. Los seres humanos aprendemos de la experiencia.

Los modelos de IA aprenden de los datos. Un modelo de IA con datos limitados es como un niño pequeño. Por el contrario, uno con gran cantidad de datos es como un abuelo con mucha experiencia.

¿Qué es más difícil: conducir un automóvil o escribir código? La mayoría diría que programar. Sin embargo, en el desarrollo de la IA, parece ser todo lo contrario.

Los grandes modelos de lenguaje (LLM, por sus siglas en inglés) son relativamente nuevos. Antes de ChatGPT, pocos asociaban la IA con chatbots, sino más bien con Terminator. La era de los LLM comenzó alrededor de 2013-2014 con redes neuronales como word2vec. Los vehículos autónomos, por su parte, comenzaron en la década de 1980. En 1987, el equipo de Ernst Dickmanns consiguió que una furgoneta Mercedes-Benz circulase a 96 km/h por una autopista alemana utilizando visión artificial.

A pesar de esta enorme ventaja, los vehículos autónomos siguen por detrás de los LLM. Mientras que ChatGPT funciona de forma fiable en innumerables escenarios, la conducción autónoma sigue siendo inconsistente.

¿Pero por qué? Empresas como Tesla y Waymo han invertido miles de millones. Sin embargo, si una nueva empresa quisiera entrar en este sector, incluso con ingenieros brillantes y financiación ilimitada, seguiría necesitando miles de horas de datos diversos sobre conducciones. Algunos tipos de accidentes son tan poco frecuentes que es casi imposible entrenarse para ellos.

La IA es básicamente como el chico de la universidad que tiene acceso a todos los exámenes pasados y a las guías de estudio. Por supuesto que va a sacar buena nota en los exámenes frente a alguien que sólo cuenta con unos apuntes incompletos de unas cuantas clases.

Eso es exactamente lo que está ocurriendo en el mercado laboral. Algunas industrias están repletas de datos útiles de los que la IA puede aprender. ¿Y las demás? Trabajan con migajas. Las cifras son bastante contundentes. Los sectores con gran cantidad de datos útiles podrían tener tasas de adopción de la IA de alrededor del 60-70%. Mientras tanto, los sectores sin tantos datos podrían quedarse por debajo del 25%.

En respuesta a esta escasez de datos, algunas industrias están recurriendo a medidas invasivas. Los hospitales están instalando sistemas de monitoreo integral en los quirófanos, con el claro objetivo de entrenar a la IA quirúrgica, pero esto genera una vigilancia sin precedentes de los profesionales médicos. Asimismo, se están desarrollando sistemas de supervisión basados en IA que rastrean los movimientos oculares, las expresiones faciales y los patrones de escritura de los estudiantes durante los exámenes, lo que genera preocupación por la posibilidad de que estos sistemas de vigilancia superen su propósito original.

La transformación de la IA no está afectando a todos los sectores de la economía por igual. En los sectores con gran cantidad de datos, estamos asistiendo a lo que los economistas denominan "destrucción creativa" a una velocidad vertiginosa. Los empleos tradicionales desaparecen casi de la noche a la mañana, mientras que surgen otros nuevos, pero estos suelen requerir habilidades completamente diferentes y tienden a concentrarse en los polos tecnológicos. Un centro de atención al cliente que antes empleaba a 500 personas puede transformarse en lugar de trabajo de 50 especialistas en supervisión de IA que trabajan desde una única ubicación.

Las industrias con escasez de datos se enfrentan a un desafío completamente diferente. Deben digitalizarse para seguir siendo competitivas, pero esto crea fricciones diarias entre las tecnologías de vanguardia y las prácticas establecidas. La transformación es más lenta, pero más profunda, ya que se reestructuran departamentos enteros en lugar de simplemente sustituir roles individuales.

Es cierto que aparecen nuevos puestos de trabajo, pero no se trata de una matemática directa. Se prevé que para 2030 se perderán 92 millones de puestos de trabajo y se crearán 170 millones nuevos. Sin embargo, no son necesariamente intercambios que se producen en los mismos lugares con las mismas personas. El verdadero desafío no es solamente el número de vacantes, sino la brecha entre los lugares donde desaparecen los empleos y donde reaparecen, entre las habilidades que poseen los trabajadores y las que requieren las nuevas funciones.

Para los solicitantes de empleo, la idea clave es que las fronteras entre sectores se están difuminando más rápido que la cristalización de las nuevas categorías laborales. En lugar de centrarse únicamente en carreras profesionales tradicionales, hay que buscar roles que sirvan de puente entre distintos ámbitos, posiciones que combinen el juicio humano con las capacidades de la IA o que sirvan de enlace entre los sistemas técnicos y las necesidades empresariales.

Los candidatos deben reenmarcar su inventario de habilidades en torno a la adaptabilidad, no solo a la experiencia. En lugar de enumerar lo que han hecho, deben identificar cómo aprenden, resuelven problemas y trabajan con nuevos sistemas. Las empresas valoran cada vez más a las personas que saben gestionar la incertidumbre e integrar nuevas herramientas en los flujos de trabajo existentes. La capacidad de adoptar con éxito los últimos cambios importantes en el lugar de trabajo puede ser más importante que el dominio de un software específico.

Centrarse en los puntos de fricción. Todas las organizaciones que implementan la IA se enfrentan al mismo reto: cómo hacer que una tecnología sofisticada funcione dentro de sistemas humanos desorganizados. Eso aumenta el potencial de los roles responsables de la gestión, la formación o la optimización de procesos dentro de las empresas que adoptan la IA. Estos puestos no suelen requerir conocimientos técnicos profundos, pero sí personas que comprendan cómo funcionan en la práctica las organizaciones cuando la teoría se enfrenta a la realidad.

Considerar las oportunidades de implementación en la industria. Si bien los hubs tecnológicos acaparan los titulares, todos los sectores necesitan personas que puedan salvar la brecha entre las capacidades de la IA y su implementación local. Los sistemas de salud necesitan personas que entiendan tanto el sistema de cuidados como el análisis de datos. Las plantas de manufactura necesitan operadores que puedan trabajar junto con sistemas automatizados. A menudo, el conocimiento de la industria existente, combinado con conocimientos básicos de IA, crea más oportunidades que empezar desde cero en un campo completamente nuevo.