La automatización y la digitalización exigen cada vez más trabajadores con conocimientos especializados para tareas específicas, según afirman tres expertos.
El progreso tecnológico también está provocando un aumento de la desigualdad salarial, porque las primas salariales por el trabajo especializado son cada vez mayores.
La automatización puede no limitarse a sustituir trabajadores, sino también aumentar la necesidad de determinados trabajadores para desempeñar ciertos puestos.
La desigualdad salarial aumenta al mismo ritmo que la desigualdad de la riqueza. Existe consenso en que parte de este aumento se debe al progreso tecnológico. Sin embargo, el mecanismo exacto por el que la adopción de la tecnología moderna afecta a la desigualdad sigue siendo objeto de debate. Katz y Murphy (1982) popularizaron la idea de que, al asignar primas elevadas a la educación, el «cambio tecnológico sesgado hacia las competencias» (SBTC, por sus siglas en inglés) incrementa la desigualdad salarial a través de la adquisición vertical de competencias. Las olas anteriores de mejoras tecnológicas, sin embargo, no produjeron los mismos efectos, lo que llevó a los investigadores a preguntarse qué tienen de especial las olas más recientes. Estudios recientes indican que la prima no está tanto relacionada con la competencia en sí, sino con el contenido de tareas de cada ocupación. Determinadas tareas, en particular las no rutinarias, tienen una gran demanda y generan primas adicionales, una perspectiva que se ha denominado cambio tecnológico sesgado hacia las tareas rutinarias. Mientras que con el cambio tecnológico sesgado hacia las competencias la nueva tecnología complementa a los trabajadores con altas competencias, con el «cambio tecnológico sesgado hacia las tareas rutinarias» (RBTC, por sus siglas en inglés) la nueva tecnología reduce la demanda de trabajadores en tareas rutinarias tradicionales, al tiempo que crea una demanda adicional de trabajadores en nuevas tareas complejas.
Vamos un paso más allá al sostener que las tecnologías modernas, como la automatización y la digitalización, exigen cada vez más operadores humanos con conocimientos especializados sobre sistemas automatizados que implican algoritmos, software y máquinas específicos. La creciente demanda asociada de conocimientos especializados favorece una forma de especialización de los trabajadores que cada vez importa más, más allá de lo que requeriría el alto contenido de competencias de las tareas o su intensidad rutinaria. Esta perspectiva implica que la diferenciación salarial se debe no solo a la especialización vertical (más conocimientos en general), sino también a la especialización horizontal (conocimientos especializados en la tarea, independientemente de que esta sea rutinaria o compleja). El mecanismo subyacente se basa en el concepto de asortatividad positiva entre trabajadores y empresas/tareas: el excedente de emparejamiento es máximo cuando la empresa que adopta la tecnología contrata al trabajador especializado en esa tecnología. Si es así, los salarios de los trabajadores especializados también aumentan debido a argumentos de reparto de rentas, y lo mismo ocurrirá con la dispersión salarial (véase también Benzell y Yifan Ye 2021 sobre el impacto de la automatización en la desigualdad salarial).
Para investigar este argumento, aprovechamos un conjunto de datos administrativos confidenciales de alta calidad que abarca el universo de contratos del sistema italiano de relaciones laborales. La especial relevancia de este tipo de datos, en comparación con las encuestas a trabajadores y empresas, es que recoge los salarios reales obtenidos de los contratos de todo el universo de trabajadores. Para medir la adopción de tecnología, utilizamos datos de la Federación Internacional de Robótica (IFR) y construimos un instrumento de shift-share que imputa los cambios sectoriales en el stock de robots de la IFR sobre el valor añadido de una economía local en función de sus cuotas de empleo sectoriales.
La hipótesis subyacente es que la automatización ha incrementado la asortatividad y, por tanto, la especialización, y que, a través de ello, ha aumentado la prima salarial de los trabajadores especializados y la dispersión de los salarios. Ponemos a prueba esta hipótesis mediante el diseño de una estrategia econométrica en dos etapas. La primera etapa mide en qué medida los salarios dependen de la asortatividad, adoptando y adaptando metodologías econométricas recientes (en concreto, el método de mezcla finita de Bonhomme et al. 2019), destinadas a identificar con precisión y descomponer los salarios en un componente del trabajador, un componente de la empresa y un tercer término dado por la interacción de los otros dos componentes, que pretende captar las complementariedades entre ellos.
La identificación depende de los trabajadores que cambian de empleador: es el mismo trabajador que se traslada entre empresas el que permite a los investigadores identificar la prima de la empresa. En otras palabras, las empresas pueden clasificarse según sus primas salariales en la medida en que estén «conectadas» por al menos un trabajador que cambia de empresa. Con frecuencia, la proporción de trabajadores que cambian de empleo es demasiado pequeña para permitir una identificación adecuada. La metodología de mezcla finita supera este obstáculo mediante un procedimiento de agrupación previa, por el que empresas similares se asignan al mismo grupo y los trabajadores se desplazan entre grupos. En la segunda etapa de nuestra estrategia econométrica utilizamos un enfoque de variables instrumentales para estudiar el impacto de la adopción de robots en la complementariedad estimada («clasificación») entre trabajadores y empresas.
Al describir nuestros resultados, es importante partir de algunos hechos que surgen de una sencilla descomposición estadística de la varianza salarial en dispersión entre empresas y dentro de las empresas, que consideramos antes del análisis econométrico. Esta descomposición (véase la Figura 1) muestra que el componente entre empresas es predominante, lo que podría sugerir que las diferencias en las características de las empresas explican principalmente la dispersión de los salarios. Sin embargo, el análisis de varianza de la metodología de mezcla finita descrita anteriormente ofrece una imagen diferente (véase la Figura 2): las diferencias en las características estimadas de las empresas explican mucho menos la dispersión salarial, ya que predomina la contribución estimada de los trabajadores, y la contribución de las complementariedades entre las características de las empresas y de los trabajadores es tan importante como la de las características de las empresas.
Figura 1 Descomposición de la varianza salarial dentro y entre empresas
Figura 2 Descomposición de la varianza salarial: modelo de mezcla finita
En la segunda etapa de la metodología econométrica relacionamos la complementariedad estimada con nuestra medida de adopción de robots y encontramos una relación causal positiva, significativa y robusta desde esta última hacia la primera, que se mantiene en una batería de pruebas de robustez: la automatización aumenta la clasificación trabajador-empresa y el aumento de la clasificación contribuye al crecimiento de la dispersión salarial (véase Steibale et al. 2020 sobre el papel de los robots en las empresas situadas en la parte superior de la distribución). Corroboramos aún más nuestros resultados mediante la construcción de un índice de segregación de trabajadores que mide la concentración de trabajadores similares en ocupaciones similares, y comprobamos que la segregación también se ve afectada positivamente por la automatización.
Demostramos que nuestras evidencias pueden explicarse mediante una clase de modelos con heterogeneidad bilateral, búsqueda en el puesto de trabajo, reparto de rentas y captación de empleados, en los que los trabajadores buscan de forma continua empresas que les resulten más complementarias que sus empleadores actuales. En este marco, el impacto de la automatización puede interpretarse como un refuerzo de las complementariedades entre las competencias especializadas de los trabajadores y las tareas específicas de las empresas, y como un aumento desproporcionado de la intensidad de búsqueda endógena de los trabajadores con mejores características (que son quienes más tienen que ganar con empleadores mejor emparejados). Las complementariedades más fuertes y la mayor intensidad de búsqueda de los mejores trabajadores aumentan la dispersión salarial, con un papel relevante tanto de la dispersión entre empresas como de la dispersión dentro de las empresas, tal como se observa en los datos.
En resumen, nuestro trabajo pone de relieve que la automatización y la digitalización pueden no limitarse a sustituir trabajadores por capital, sino también aumentar la complementariedad de las tareas de los trabajadores de un modo que agrava la dispersión entre empresas de la distribución salarial. Sigue sin resolverse cuáles serán las consecuencias para el bienestar y las perspectivas de crecimiento derivadas de este mecanismo.
Referencias
Bonhomme, S, T Lamadon y E Manresa (2019), "Un marco distribucional para datos de empleador y empleado emparejados”, Econometrica 87(3): 699-739.
Benzell, S y V Yifan Ye (2021), “Simulación del futuro de la automatización mundial, sus consecuencias y la evaluación de opciones de política”, VoxEU.org, 12 de octubre.
Cahuc, P, F Postel‐Vinay y J M Robin (2006), “La negociación salarial con búsqueda en el puesto de trabajo: teoría y evidencia”, Econometrica 74(2): 323-364.
Cortes, G M, A Lerche, U Schonberg y J Tschopp (2021), “Cambio tecnológico, heterogeneidad de las empresas y desigualdad salarial”, mimeo.
Faia, E, G Ottaviano y S Spinella (2022), “Adopción de robots, clasificación trabajador-empresa y desigualdad salarial: evidencia a partir de datos de panel administrativos”, CEPR Discussion Paper n.º 17451.
Katz, L F y K M Murphy (1992), «Cambios en los salarios relativos, 1963–1987: factores de oferta y demanda», The Quarterly Journal of Economics 107(1): 35-78.
Song, J, D J Price, F Guvenen, N Bloom y T von Wachter (2019), «Consolidación de la desigualdad”, The Quarterly Journal of Economics 134(1): 1-50.
Steibale, J, J Südekum y N Woessner (2020), “Robots y el auge de los grandes fabricantes europeos”, VoxEU.org, 30 de julio.
