El 30 de septiembre, Anthropic publicó un gráfico con forma de telaraña que en pocas horas vi circular en LinkedIn acompañado de lecturas apocalípticas. Anthropic es la empresa que desarrolla Claude, uno de los modelos de inteligencia artificial más usados del mundo. El dato que acompañaba al gráfico dice que cerca del 80% de las tareas laborales de Estados Unidos, medidas en horas de trabajo, están expuestas a los robots o a los modelos de lenguaje. Leído rápido, suena a sentencia contra el empleo. Leído con calma, se parece mucho más a un pronóstico del tiempo.
Cuando el Servicio Meteorológico anuncia 80% de probabilidad de lluvia, nadie entiende que el 80% de la ciudad se va a inundar. Entendés que conviene salir con paraguas, y sabés que mojarse de verdad depende de otras cosas: si tenés techo, si llevás paraguas, si te toca esperar el colectivo a la intemperie. Con la inteligencia artificial y el trabajo pasa algo muy parecido. Tres estudios publicados este año permiten separar el pronóstico, la lluvia que efectivamente cae y la gente que se moja.
Los tres miden el mercado laboral de Estados Unidos, necesito aclarar eso desde el principio. Mi experiencia es que allá las curvas se dibujan primero, y en Latinoamérica suelen aparecer después, con demora y formas similares. Mirarlas sirve para anticipar lo que puede venir.
El mapa se agrandó en seis meses.
En marzo, Maxim Massenkoff y Peter McCrory, investigadores de Anthropic, publicaron una primera telaraña con dos capas (a continuación de este párrafo). La azul mostraba la capacidad teórica de los modelos de lenguaje (los sistemas como ChatGPT o Claude, que leen y escriben texto) para hacer las tareas de cada ocupación. La roja mostraba cuánto de eso aparecía en el uso real de Claude en el trabajo. En computación y matemática, la capa azul llegaba al 94% de las tareas y la roja apenas al 33%.
El gráfico de septiembre (a continuación de este párrafo), firmado por Russell Legate-Yang y el mismo Massenkoff, repite la capa azul casi punto por punto. Lo que agrega es una capa naranja, que suma las tareas que pueden hacer los robots, definidos por el estudio como máquinas autónomas que perciben su entorno y actúan sobre él. Transporte, producción, gastronomía y construcción eran en marzo apenas un punto cerca del centro, y ahora se estiran hasta el borde del círculo.
En seis meses creció el mapa, y la capa nueva mide capacidad, igual que la azul. Según el mismo estudio, los robots pueden hacer tres cuartos de las tareas físicas, que suman el 34% de las horas trabajadas, aunque mayormente en entornos limitados como fábricas o depósitos. Hay un dato que tamiza mucho de ese informe: los robots son competitivos en costo para apenas el 0,3% de las tareas. Con el abaratamiento histórico, de alrededor del 3% anual, llegar al 10% llevaría unos 40 años.
El pronóstico cubre casi todo el mapa, mientras el agua, por ahora, cae en pocos lugares.
Ya empezó a llover
El estudio de marzo encontró que el 75% de las tareas de los programadores y el 67% de las de quienes cargan datos ya aparecen con frecuencia en el uso laboral de Claude. El 29 de septiembre, McKinsey Global Institute publicó un informe firmado por María Jesús Ramírez, Kweilin Ellingrud y otros tres autores. Ese informe agrega la velocidad: Entre 2022 y 2026, la demanda de fluidez en IA (saber trabajar con estas herramientas) se multiplicó por once, y la de adaptabilidad, por cinco.
Para la próxima década, McKinsey estima que hacia 2035 la automatización podría absorber cerca del 54% de las horas de trabajo actuales. Esa cifra cuenta tanto las horas que se automatizan como las que la tecnología transforma de manera significativa. El informe calcula también que unos 11 millones de trabajadores de ocupaciones en retroceso tendrían que pasar a otra, en un rango de 6 a 16 millones según el ritmo de adopción. Eso supone que unas 770.000 personas por año cambien de grupo ocupacional, 3,6 veces el promedio histórico de 215.000. McKinsey calcula también que distintos mecanismos de las organizaciones y del mercado compensarían cerca del 60% de ese impacto. Con esa compensación, la caída neta en la demanda de trabajo equivale a un 21% de las horas actuales.
Estar expuesto y perder el trabajo son dos cosas distintas
Los dos estudios de Anthropic comparan a los trabajadores más expuestos con los no expuestos, y dejan ver dos poblaciones casi opuestas. Según el de marzo, los más expuestos a los modelos de lenguaje tienen 16 puntos más de probabilidad de ser mujeres y ganan en promedio un 47% más. Entre ellos, la proporción de posgrados se cuadruplica: 17,4% contra 4,5% entre los no expuestos. Según el de septiembre, los más expuestos a los robots tienen 20 puntos menos de probabilidad de ser mujeres y 55 puntos menos de tener título universitario. Ganan unos 30 dólares menos por hora y tienen un desempleo de más del doble.
Con esos perfiles, sería lógico esperar que la reconversión golpeara parejo a los dos extremos. McKinsey encuentra otra cosa: Los trabajadores de menores ingresos tienen 7,6 veces más probabilidad de tener que cambiar de ocupación que los de mayores ingresos. Más del 70% del empleo en retroceso se concentra en los dos quintiles salariales más bajos. Más del 75% de quienes tendrían que reconvertirse trabajan en apenas tres grupos: soporte administrativo, comercio y ventas, y transporte y logística.
La explicación está en el mismo informe, que separa la exposición del riesgo de transición. Una ocupación muy expuesta puede atravesar el cambio sin expulsar gente si su demanda crece, si aparecen tareas nuevas o si el paso a un puesto vecino es corto. Una ocupación expuesta a medias, en cambio, puede quedar mucho peor si su demanda cae y casi no hay caminos directos hacia otra.
Mi lectura, cruzando las fuentes, es que el gerente y el administrativo están los dos bajo la capa azul, con trayectorias que se separan. Las ocupaciones de gestión figuran entre las más expuestas en las dos telarañas de Anthropic, pero McKinsey las ubica, junto con salud y construcción, entre las que concentran el crecimiento del empleo. Para el administrativo, McKinsey proyecta la adopción más alta de toda la economía, cerca del 80% de sus horas, en el grupo que concentra la mayor cantidad de trabajadores que tendrían que cambiar de ocupación. En criollo: a los dos les llueve, pero los gerentes están más protegidos.
El paraguas está mal repartido
McKinsey clasificó los caminos de reconversión según tres variables. Mide cuánto se parecen las habilidades de origen y de destino, cuánta formación hace falta y si el cambio implica cobrar menos, siempre hacia ocupaciones en crecimiento. Solo uno de cada siete trabajadores tiene un camino directo, con poca capacitación y sin perder salario. Cuatro de cada diez enfrentan un camino sinuoso, que exige desarrollar bastantes habilidades nuevas o aceptar un sueldo menor. Casi la mitad enfrenta un camino sin asfaltar, con brechas grandes de habilidades, salarios más bajos o requisitos de títulos o certificaciones difíciles de cumplir.
La distribución tampoco es pareja entre grupos. Los trabajadores sin título universitario tienen 1,8 veces más probabilidad de tener que cambiar de ocupación que quienes tienen al menos una licenciatura. Los jóvenes tienen 1,6 veces más probabilidad que los adultos en plena edad laboral, y las mujeres, 1,6 veces más que los hombres.
El dato que enfría el pronóstico
Seamos justos con la evidencia que va en sentido contrario. El estudio de marzo no encontró un aumento sistemático del desempleo entre los trabajadores más expuestos desde fines de 2022, cuando apareció ChatGPT. La única señal aparece en los jóvenes de 22 a 25 años. Su tasa de ingreso a las ocupaciones más expuestas cayó un 14% respecto de 2022, un resultado que los autores califican de apenas estadísticamente significativo. En los mayores de 25 esa caída no aparece. Los mismos investigadores advierten que esos jóvenes pueden estar quedándose en sus trabajos actuales, tomando otros o volviendo a estudiar.
El estudio de robots ofrece una pista sobre los tiempos. Desde 1977, cada año los robots se volvieron capaces de hacer alrededor del 2% de las tareas físicas que antes no podían. Los empleos más expuestos a esos robots sufrieron caídas de salario y de empleo recién en las décadas siguientes. La hipótesis más honesta es que nadie sabe todavía si el efecto de la IA sobre el empleo es pequeño o si aún no lo notamos.
En Latinoamérica, el cielo está nublado
Para Latinoamérica, mi lectura de estas curvas tiene dos caras. El 0,3% de tareas donde un robot sale más barato que una persona está calculado con salarios estadounidenses. Con salarios de Latam, es probable que ese umbral quede todavía más lejos, aunque importar un robot también cuesta más. Algo parecido pasa con las suscripciones de IA y los tokens, que se pagan en dólares y compite contra monedas locales. La otra cara es menos tranquilizadora: Las ocupaciones que concentran la reconversión en Estados Unidos, el trabajo administrativo, el comercio y el transporte y la logística, también emplean a mucha gente acá. Tampoco tengo motivos para pensar que los caminos de reconversión de la región estén mejor asfaltados que los de allá.
El debate sobre IA y empleo se cuenta casi siempre desde el escritorio de quien trabaja con conocimiento, el profesional que se pregunta si un modelo va a escribir sus informes. Los datos cruzados apuntan a otro lado. La cuenta de la reconversión la paga sobre todo la cajera, el operador del centro de llamadas y el empleado administrativo, que tienen menos tiempo, menos ahorro y menos títulos para reinventarse. Si esa desigualdad se reproduce acá, van a hacer falta políticas de formación pensadas para ellos antes que para los que ya tienen paraguas.
El 80% del estudio de septiembre es un pronóstico de lluvia, y debemos leerlo como tal. Antes de entrar en pánico, miremos quién está sin techo y sin paraguas.
Eduardo Laens es CEO de Varegos, docente universitario y autor de Humanware.
