El trabajo ya no es lo que era. El propio concepto de trabajo ha evolucionado considerablemente a lo largo de los siglos, a medida que las nuevas tecnologías se han integrado en nuestra forma de funcionar, tanto individualmente como en sociedad.
En ingeniería, el trabajo se define como el producto de la fuerza por la distancia. Las primeras máquinas amplificaron la fuerza y dispararon la productividad humana, sentando las bases iniciales de la sociedad industrializada. Eliminaron el trabajo físico pesado y crearon nuevos tipos de trabajo para las personas, como manejar y reparar máquinas y aprovechar sus capacidades de nuevas maneras. Del mismo modo, los ordenadores han reducido el trabajo rutinario relacionado con la información, lo que permite a las personas realizar un trabajo más productivo, creativo y gratificante.
Pero las máquinas de hoy son diferentes: cada vez más, encuentran soluciones por sí mismas. Han aprendido a aprender, una cualidad que hasta ahora había sido exclusiva de las personas. Nuestra capacidad para percibir el mundo e integrar espontáneamente información desestructurada constituye la base de gran parte del trabajo humano. Ahora que las máquinas desempeñan esta función, a menudo mejor que nosotros, ¿qué valor tendrán en el futuro los aspectos humanos —o «no rutinarios»— del trabajo?
La preocupación política actual por el número de empleos pasa por alto la distribución de su calidad. De las 50.000 personas que Amazon busca contratar de inmediato, por ejemplo, ¿qué proporción tiene posibilidades reales de progresar profesionalmente y aumentar sus ingresos?
No es posible responder a esta pregunta basándose en datos del pasado, porque el trabajo no rutinario no se presta bien a la observación al estilo de la gestión científica ni a las descripciones ocupacionales estándar establecidas por el sistema de clasificación ocupacional O*NET. La tecnología ha alterado la composición de los empleos y las competencias que requieren; por ejemplo, el trabajo de un contable o un abogado hoy es muy distinto del que desempeñaba hace una o dos décadas.
Los requisitos de competencias de los empleos cambian a medida que lo que era no rutinario se vuelve rutinario. Por ejemplo, la capacidad de los conductores profesionales para ver a larga distancia pierde valor si una máquina puede ver mejor que las personas, y la capacidad superior para memorizar precedentes es menos valiosa para los abogados si una máquina puede encontrarlos más rápido y mejor. Para predecir el impacto que tendrá la inteligencia artificial (IA) en el trabajo humano, necesitamos comprender en detalle la «huella digital» asociada al trabajo, y en especial al trabajo no rutinario.
Las investigaciones anteriores muestran que la automatización ha sustituido las tareas rutinarias y complementado las no rutinarias. Además, en las últimas décadas ha aumentado considerablemente la proporción de la fuerza laboral empleada en ocupaciones que hacen un uso intensivo de tareas no rutinarias, mientras que ha disminuido notablemente la de quienes realizan sobre todo tareas cognitivas y manuales rutinarias. Si el futuro sigue este rumbo, cabe proyectar razonablemente que la naturaleza del empleo humano dependerá de la oferta y, en particular, de la demanda de ocupaciones centradas en tareas no rutinarias.
Pero esta visión del mundo dividida entre lo rutinario y lo no rutinario es imprecisa y deja de funcionar cuando los sistemas de aprendizaje autónomo —a diferencia de los sistemas automatizados— llegan a ser capaces de realizar tareas que antes se consideraban no rutinarias. En 1972, el filósofo Hubert Dreyfus afirmó que los ordenadores nunca podrían realizar tareas sencillas como conducir. Hace tan solo 10 años, conducir un vehículo se consideraba una actividad no rutinaria y, por tanto, intrínsecamente humana. Sin embargo, los vehículos autónomos están a punto de convertir la navegación en una actividad mayormente rutinaria. En términos más generales, las máquinas están mejorando en otras tareas cognitivas consideradas durante mucho tiempo propias de las personas, como tomar decisiones de inversión, preparar declaraciones de impuestos y muchas más. Los macrodatos, especialmente los datos basados en la percepción obtenidos por sistemas capaces de ver, oír, leer y tocar, están dando a las máquinas la capacidad de aprender por sí mismas.
Un informe reciente del Instituto Global McKinsey señaló que el 60 % de las ocupaciones se pueden automatizar en un 30 %. El informe indica que esas ocupaciones representan casi 2,7 billones de dólares en salarios en Estados Unidos, algo más de la mitad de la actividad económica total del país. También prevé que las personas trabajen junto con las máquinas de nuevas maneras. De hecho, las máquinas de IA ya están redefiniendo loslímites del trabajo físico y cognitivo, ayudando a las personas con los componentes del trabajo que consumen mucho tiempo o son propensos a errores. Pero cuando las máquinas sean mucho mejores que nosotros al tomar decisiones importantes no rutinarias relacionadas, por ejemplo, con nuestra salud, nuestras finanzas, la navegación o el entretenimiento, ¿qué valor aportarán las personas?
En las universidades, enseñamos a los estudiantes a pensar para prepararlos para el lugar de trabajo del futuro. En gran medida, esto consiste en enseñarles a realizar indagaciones científicas, que empiezan por formular las preguntas adecuadas y continúan con el planteamiento del problema, su ejecución, el análisis de los resultados y la comunicación de las conclusiones. Algunos investigadores han propuesto fomentar el pensamiento computacional, que considera estos pasos en conjunto al «reformular un problema aparentemente difícil como uno que sabemos resolver, quizá mediante reducción, integración, transformación o simulación», según Jeannette Wing, directora del departamento de informática de la Universidad Carnegie Mellon. Las descripciones del trabajo existentes, basadas en competencias, no abordan adecuadamente estos aspectos cada vez más importantes del trabajo de conocimiento no rutinario.
Mi investigación sobre el límite entre las situaciones en las que confiamos en las máquinas para tomar decisiones y aquellas en las que no confiamos en ellas —que denomino «frontera de la automatización de decisiones»— depende de la frecuencia con que esperamos que la máquina se equivoque y de las consecuencias que eso podría tener, sobre todo en el peor de los casos. Confiamos en las máquinas cuando su precisión es predecible y el coste de sus errores es suficientemente bajo. Por ejemplo, las máquinas podrían buscar eficazmente precedentes para casos judiciales o clasificar predicciones de resultados, pero tareas como preparar los argumentos para presentar un caso judicial corresponden a las personas.
Curiosamente, la taxonomía ocupacional O*NET clasifica a los abogados como profesionales que requieren un alto nivel de expresión y comprensión oral y escrita, tolerancia al estrés e integridad. ¿Qué pasaría si pudiéramos obtener una «instantánea digital» ascendente de todo el trabajo jurídico y dejar que las características surgieran de los datos? Por ejemplo, ¿qué proporción del tiempo de los abogados se dedica a investigar, escribir y hablar, y qué valor les asigna el mercado laboral? La medición de la actividad cognitiva asociada al trabajo no rutinario, que he denominado huella digital del trabajo, es un campo de investigación fértil. Una mejor instrumentación ofrecerá una imagen de los empleos basada en datos, que muestre en qué consisten realmente, y una base para predecir cómo cambiarán.
Sin duda, la huella digital del trabajo variará de una profesión a otra. Para los profesionales sanitarios, las tareas no rutinarias podrían requerir conocimientos profundos o competencias médicas, además de habilidades como la empatía y la comunicación. Para los profesionales de los seguros, podrían implicar la capacidad de evaluar riesgos a partir de registros y señales sutiles. En el deporte, podrían consistir en analizar la toma de decisiones bajo presión. En principio, todo ello puede observarse y medirse en distintos grados. Sin embargo, hace falta investigar más para comprender cómo se complementarán y competirán las personas y las máquinas más inteligentes a escala micro antes de contar con una base para hacer predicciones sobre el futuro del trabajo.
