A medida que la inteligencia artificial y el machine learning van mostrando sus posibilidades, no ya únicamente en términos de lo que pueden o no pueden hacer, sino también de las barreras de entrada que supone su uso al hilo deldesarrollo de plataformas de MLaaS, Machine Learning as a Service, surgen también debates sobre la sustitución de trabajadores por máquinas o, mejor, por algoritmos, en ámbitos de todo tipo.
La primera aproximación a estos procesos de sustitución puede enfocarse de manera abiertamente optimista, como “esto ya lo vimos antes, y a la sustitución y pérdida de puestos de trabajo siguió una reinvención de tareas antes inexistentes que remodelarán el mercado laboral y costará asimilar, pero que generarán otras ocupaciones”, o de manera más pesimista, entendiendo que el surplus de productividad que generarán las máquinas convertirá en redundante e innecesario una parte significativa del trabajo de las personas.
En este sentido, resulta interesante presenciar cómo las líneas de pensamiento en este sentido tienden a asumir una sustitución más rápida de los trabajos que se encuadran dentro de las llamadas “tres D”, Dull (aburridos), Dirty (sucios) y Dangerous(peligrosos), que suelen identificarse con lo que se conoce como “trabajos de cuello azul“: tareas de montaje, ensamblaje, construcción o mantenimiento, ocupaciones como la minería, las cadenas de producción, la conducción u otras afines. Esta interpretación, en realidad, apunta a la idea de relevar a las personas de trabajo alienantes, desagradables o en general poco motivadores que, supuestamente, no deberían estar haciendo. Parece claro, viendo los avances en la conducción autónoma, que conducir, por ejemplo, será una actividad pronto relegada a las máquinas, aunque a aquellos que hoy viven de conducir – taxistas, camioneros, etc. – el tema tienda a hacerles entre muy poca y ninguna gracia.
De la sustitución de los llamados “trabajadores de cuello blanco” tiende a hablarse menos, quizá porque sus tareas se interpretan como menos necesitadas de sustitución, o más basadas en cualidades que tendemos a considerar inherentes y propias del raciocinio humano. El trabajo administrativo en oficinas o entornos corporativos, las funciones directivas en general, se suelen considerar como más “a salvo” de la intromisión de las máquinas, o más apropiados para planteamientos del tipo “ayuda” o “soporte” a la función: cómo hacer que los directivos puedan hacer mejor su trabajo gracias al machine learning, o cómo introducir el machine learning en los entornos corporativos un poco en modo “sin romper nada”.
Esa mentalidad conservadora, sin embargo, no se ve corroborada con la experiencia: un trabajo como la planificación de campañas publicitarias en distintos medios, por ejemplo, que en principio se consideraría claramente como de cuello blanco, está sufriendo el impacto de los modelos de publicidad programática, en los que una serie de algoritmos negocian en tiempo real precios de anuncios en un soporte determinado en función de las características sociodemográficas o conductuales de cada usuario que pasa. Donde antes un ejecutivo tomaba decisiones y asignaba impresiones a cada soporte en función de una serie de criterios de diversos tipos (y no todos ellos especialmente claros o transparentes), ahora una máquina lleva a cabo un trabajo mucho más certero, más profesional y sin duda, con resultados más ajustados… que viene a ser exactamente lo mismo que ocurre en el caso de la conducción: las máquinas conducirán no solo de manera más productiva, sin necesidad de tiempos de descanso y sin distracciones, sino que además, lo harán mucho mejor, con muchos menos accidentes.
¿Hasta qué punto es sustituible el trabajo directivo por una máquina o un algoritmo? En realidad, la mayor parte de las tareas directivas tienden a identificarse con la toma de decisiones en entornos complejos, con procesos de negociación, o con otras responsabilidades que, en la práctica, sí podrían caer dentro de lo que los procesos dedeep learning pueden sistematizar. Y por “sistematizar” ya no entendemos “aplicar una receta” o “automatizar una decisión”, sino precisamente lo contrario: estudiar una situación compleja, y plantear un movimiento o decisión que maximice el retorno, bien de manera inmediata (a una jugada) o en el curso de una estrategia a largo plazo. En el momento en que hablamos de técnicas de machine learning, pasamos a identificar las tareas desarrolladas por una máquina no como la simple sustitución de un humano que las hacía antes, sino como la mejora de lo que el humano era capaz de hacer.
Que compañías como Google, Facebook o Microsoft, que no se caracterizan en absoluto por el predominio de tareas consideradas de cuello azul, esténremodelándose completamente en torno a la inteligencia artificial debería darnos alguna pista. En muchos casos, esos algoritmos mejorarán sus productos o servicios de maneras que muchos humanos de cuello blanco trabajando coordinadamente no podrían llegar a imaginar. Y en consecuencia, resultarán en la sustitución de personas que antes hacían trabajos considerados directivos, con todo lo que ello conlleva.
En el estado actual de la tecnología, con algoritmos capaces de analizar y comprender el lenguaje natural mejor que muchas personas, en múltiples idiomas y con contextosbien definidos y acotados por las redes sociales, la capacidad de un algoritmo de mantenerse completamente informado sobre una industria, una compañía o una actividad es ya muy superior a la que tiene una persona. Que sobre esas bases se desarrollen procesos de toma de decisiones basados en machine learning es simplemente una cuestión de tiempo, de propuesta de valor y de interés.
This article is also available in English in my Medium page, “Artificial intelligence and white-collar work“
No hay comentarios:
Publicar un comentario