Elaborando el futuro del trabajo: un marco de políticas para la era de la automatización

por Eric Carlson

Mi abuela trabajaba como bibliotecaria en Wisconsin Rapids, una ciudad industrial construida a lo largo de las orillas del río Wisconsin. Curaba la colección de libros para niños pero, la mayoría de las veces, estaba preocupada por la tarea de mantener el catálogo de fichas de la biblioteca. [1] Cada pocas semanas, llegaba un nuevo envío de libros en pilas apiladas hasta la altura de su barbilla y hojeaba cada volumen hasta que se le presentaba la signatura topográfica perfecta (nunca era la recomendada por los editores). Una vez que los números topográficos se habían ensamblado en un montón de fichas, se dirigía a un archivador donde colocaba cada ficha en su lugar. [2] El trabajo era lento y, en ese momento, no había máquinas para hacer este trabajo. Por supuesto, estaba feliz de hacerlo: mi abuela era una persona muy seria y asegurarse de que cualquier niño pudiera encontrar cualquier libro era un asunto muy serio.

Se jubiló años antes de que las bibliotecas de los EE. UU. comenzaran a automatizar el mantenimiento de sus catálogos de fichas. Pero cuando la informatización llegó a las bibliotecas en la década de 1980, fue un cambio bienvenido. En el otoño de 1984, los bibliotecarios de la Biblioteca de Ciencias de la Salud de la Universidad de Maryland en Baltimore ataron tarjetas del catálogo de tarjetas a una cuerda en los extremos de globos de helio rojo y azul que lanzaron al unísono, un dejar ir metafóricamente lo mundano. tarea rutinaria que tomaba demasiado de su tiempo. [3]

Por el contrario, la automatización en la fabricación encontró resistencia. En la década de 1970, en Youngstown, Ohio, a 700 millas de la biblioteca de mi abuela, General Motors estaba equipando su fábrica con robots de soldadura industrial llamados "unimates". En Working de Studs Terkel, una historia oral del trabajo en los EE. UU., Gary Bryner, un trabajador automotriz de GM, describe trabajar con sus colegas mecánicos como algo casi sacado de Player Piano de Vonnegut. "Parece una mantis religiosa. Va de un lugar a otro. Suelta esa cosa y vuelve a su posición, lista para el siguiente auto... Nunca se cansan, nunca sudan, nunca se quejan, nunca fallan". trabajar."

Estos robots de soldadura casi duplicaron la producción de la planta pero redujeron la necesidad de mano de obra. "Cuando tomaron los unimates, estábamos construyendo sesenta [automóviles] por hora", dijo Bryner. "Cuando volvimos al trabajo, con los unimates, estábamos construyendo cien autos por hora. Hacen el trabajo de unos doscientos hombres, así que hubo una reducción de hombres".

Hoy, el lanzamiento de grandes modelos de lenguaje como ChatGPT ha renovado las preocupaciones sobre la automatización y ha despertado temores sobre la adquisición hostil de la inteligencia artificial. Estas plataformas han avanzado mucho más allá de las tareas de almacenamiento de datos de memoria e incluso pueden aprobar el examen de la barra. Esto ha llevado a los trabajadores administrativos a preguntarse si sus trabajos pronto no seguirán el camino del bibliotecario, sino el del trabajador de fábrica.

El primero de una serie sobre la economía de la automatización, este ensayo se centra en el trabajo y lo que los datos pueden y no pueden decirnos sobre nuestro futuro. Demostrará tres cosas. Primero, la automatización es difícil de predecir. En segundo lugar, los ajustes del mercado laboral a la automatización han sido lentos y se han producido principalmente durante generaciones y no dentro de carreras individuales. En tercer lugar, dada la distribución geográfica desigual de industrias y ocupaciones y la naturaleza regional de los mercados laborales, la experiencia personal con la automatización depende en gran medida del lugar donde se viva. Finalmente, argumento que las políticas diseñadas para el futuro del trabajo no deben tratar de inhibir el cambio tecnológico; más bien, necesitamos políticas basadas en el lugar que se centren en ayudar a los trabajadores a hacer la transición de un trabajo al siguiente.

Un enfoque centrado en los datos para la automatización y los trabajos

El Departamento de Trabajo de EE. UU. lleva un registro de cómo trabajan los estadounidenses, entre otras estadísticas del mercado laboral. Esta información se recopila y almacena en una base de datos en línea llamada Red de Información Ocupacional (O*NET para abreviar), que es una actualización del Diccionario de Títulos Ocupacionales (DOT). O*NET tiene información detallada sobre el contenido de las tareas y las condiciones de trabajo de aproximadamente 1000 ocupaciones. Entre otras cosas, estos datos nos muestran cuán expuestos están los trabajadores a la automatización: O*NET pregunta a los encuestados "¿Qué tan automatizado está su trabajo actual?" con respuestas que van en una escala de uno ("Nada automatizado") a cinco ("Totalmente automatizado").

El gráfico de caja y patillas de la Figura 1 muestra la distribución de las puntuaciones de automatización para las ocupaciones agrupadas por sus códigos de clasificación ocupacional estándar (SOC) de dos dígitos. Las líneas verticales en el centro de cada cuadro brindan una medida de la exposición promedio a la automatización dentro de cada grupo de ocupación. El ancho de cada cuadro muestra el rango de exposición a la automatización para un trabajador típico, mientras que los bigotes que se extienden en cualquier dirección desde los bordes de los cuadros proporcionan una representación visual de los valores extremos de exposición a la automatización. [4]

Quizás sorprendentemente, la exposición a la automatización no se alinea fácilmente con las distinciones simples de cuello azul y cuello blanco: muchos trabajos de cuello blanco están altamente expuestos a la automatización y muchos trabajos de cuello azul apenas están expuestos. Los tres grupos de ocupación que citan el mayor grado de automatización son oficina y apoyo administrativo; producción; y ocupaciones de operaciones comerciales y financieras. Las tres categorías de ocupación que citan la menor exposición a la automatización son el cuidado y los servicios personales; instalación, mantenimiento y reparación; e instrucción educativa y ocupaciones de biblioteca. [5]

Los datos también muestran que los trabajadores en ocupaciones relacionadas pueden tener experiencias muy diferentes con la automatización. Por ejemplo, algunos trabajadores de producción están muy expuestos a la automatización mientras que otros no. En un extremo del espectro, los operadores de máquinas herramienta de torneado (SOC 51-4034) que usan maquinaria pesada para quitar el metal de las superficies de las piezas de trabajo giratorias ya están siendo automatizados fuera del trabajo. Por otro lado, los sastres personalizados (SOC 51-6052), que trabajan directamente con los clientes para arreglar o confeccionar prendas a veces complejas, informan un grado de automatización relativamente bajo.

Figura 1. La automatización afecta tanto a los trabajos de cuello azul como a los de cuello blanco

Fuente: Cálculos del autor utilizando datos O*NET de 2019

Estas diferencias en la exposición a la automatización pueden explicarse en parte por las diferencias en las características de cada trabajo. En 2003, los economistas David Autor, Frank Levy y Richard Murnane describieron la automatización como una forma de capital que puede realizar tareas rutinarias, tareas con reglas simples que se realizan una y otra vez, pero no puede realizar tareas no rutinarias, tareas que requieren resumen. juicio y toma de decisiones. [6] En otras palabras, argumentan que las máquinas no tripuladas, al menos desde el punto de vista de 2003, son buenas para trabajos repetitivos con instrucciones sencillas. En comparación con otros trabajadores, las personas en trabajos como estos enfrentan un mayor riesgo de desplazamiento inducido por la automatización.

Apoyando este marco, la Figura 2 muestra que las ocupaciones que involucran tareas más repetitivas tienen más probabilidades de estar expuestas a la automatización que los trabajos menos repetitivos. Por ejemplo, los empleados de nómina (SOC 43-3051), que mantienen registros de los datos de trabajo de los empleados, informan tanto altos grados de repetición en el trabajo como altos grados de exposición a la automatización. En contraste, los mediadores (SOC 23-1022), que negocian disputas legales complicadas, no experimentan altos grados de repetición ni altos grados de automatización. Sin embargo, la correlación entre los grados actuales de repetición y los grados actuales de automatización no nos dice si las máquinas reemplazan a las personas o si las máquinas trabajan con las personas para hacerlas más productivas.

Figura 2. Los trabajos repetitivos están más expuestos a la automatización

Fuente: datos O*NET de 2019

Otras correlaciones complican la idea de que la automatización sirve únicamente para reemplazar la mano de obra. Por ejemplo, casi no hay relación entre la libertad para tomar decisiones en el trabajo y el grado de automatización observado en una ocupación. Como se muestra en el panel (a) de la Figura 3, algunas ocupaciones que involucran una gran cantidad de toma de decisiones están muy expuestas a la automatización, mientras que algunas ocupaciones que involucran menos decisiones tienen muy poca exposición. Una posible explicación es que en algunas ocupaciones que requieren muchas decisiones, las máquinas manejan los elementos rutinarios del trabajo, liberando a los trabajadores para que se concentren en tareas más abstractas.

Para ver cómo la tecnología tiene el potencial de desplazar a algunos trabajadores y hacer que otros sean más productivos, considere, por ejemplo, una comparación entre operadores telefónicos y pilotos de líneas aéreas. A pesar del hecho de que ambos están altamente expuestos a la automatización, muchas tareas de operación telefónica ya están siendo realizadas por máquinas, mientras que el pilotaje de aviones, por otro lado, probablemente seguirá siendo realizado por humanos. Como se muestra en el panel (b) de la Figura 3, estas diferencias en la experiencia probablemente se deban a sus muy diferentes grados de libertad en la toma de decisiones.

Figura 3. La automatización no está relacionada con la libertad de tomar decisiones

Fuente: datos O*NET de 2019

En comparación con la mayoría de las otras ocupaciones, los operadores telefónicos tienen poca libertad para tomar decisiones. En Working, Terkel habla con Sharon Griggins (bajo el seudónimo de Heather Lamb), que trabajó como operadora telefónica en Illinois en 1972. Ella describe su trabajo como repetitivo y de alcance limitado. Griggins le dice a Terkel: "Hay unas siete u ocho frases que usas y eso es todo: 'Buenos días, ¿puedo ayudarlo?' 'Operador, ¿puedo ayudarlo?'... Eso es todo lo que puede decir". En la grabación de audio original, no incluida en el libro, se lamenta: "Te sientes como una máquina".

Por otro lado, se requiere que los pilotos tomen una gran cantidad de decisiones y respondan rápidamente a los cambios en el viento y el clima. Si bien algunas tareas involucradas en volar aviones ya se han automatizado, los robots tienden a tomar la forma de asistentes en lugar de reemplazos. Además, las preocupaciones de seguridad hacen que sea poco probable que los pilotos sean reemplazados por robots. [7]

Si bien estos datos ofrecen una idea de cómo la automatización interactúa con el trabajo, solo brindan una instantánea de la exposición a la automatización ocupacional en un momento dado. Pero los temores sobre la automatización se centran en el futuro del trabajo y no necesariamente en la vida laboral tal como está actualmente. Desafortunadamente, a pesar de los esfuerzos por predecir el impacto de la automatización en diferentes trabajos, los datos muestran que la automatización ha sido difícil de anticipar.

El futuro incierto de la automatización

O*NET ha registrado y actualizado periódicamente su medida de automatización desde principios de la década de 2000, brindándonos datos de casi dos décadas sobre cómo han cambiado los trabajos. Esos datos muestran que, en general, no todos los trabajos se han vuelto más automatizados con el tiempo. Si bien algunos trabajos se han vuelto más automatizados, otros lo han hecho menos. El panel (a) de la Figura 4 muestra la distribución de los cambios en el nivel de ocupación en el grado de automatización entre 2002 y 2019. La distribución se centra en torno a cero: muchas tareas que no se pudieron automatizar en 2002 todavía no se pudieron automatizar en 2019, pero hay mucha dispersión.

Curiosamente, los cambios en la exposición a la automatización no se alinean fácilmente con los límites de cuello azul y cuello blanco. Algunas ocupaciones de cuello azul informaron altos grados de automatización en 2002 y grados más bajos de automatización en 2019 y algunas ocupaciones de cuello blanco informaron bajos grados de automatización en 2002 pero altos grados de automatización en 2019. Por ejemplo, freno, señal y cambio de ferrocarril los operadores informaron un alto grado de automatización en 2002 pero un bajo grado de automatización en 2019. Por el contrario, los examinadores de reclamos, los agentes de viajes y los tasadores de seguros demostraron un marcado aumento en la exposición a la automatización durante este período de tiempo.

El diagrama de dispersión en el panel (b) de la Figura 4 demuestra aún más la débil correspondencia entre las medidas de automatización de 2002 y 2019. La línea diagonal discontinua representa puntos en los que la medida de 2002 predijo exactamente la medida de 2019. Los puntos a la izquierda de la línea muestran los casos en los que la medida de 2002 subestima la futura exposición a la automatización y los puntos a la derecha de la línea muestran los casos en los que la medida de 2002 sobrepredice la futura exposición a la automatización. Confirmando los datos del histograma, la medida de 2002 predice menos de la mitad de todas las ocupaciones en la base de datos y predice más de la otra mitad. En otras palabras, no existe una fuerte relación sistemática entre las medidas de automatización pasadas y presentes (autoinformadas).

Figura 4. La exposición a la automatización pasada no predice la exposición a la automatización futura

Fuente: datos O*NET de 2002 y 2019

Además, los expertos han tratado de predecir la probabilidad de automatización para diferentes ocupaciones usando descripciones textuales de diferentes trabajos. Estas predicciones muestran solo una relación débil con la exposición observada a la automatización medida a través del cuestionario O*NET. Por ejemplo, en un artículo de 2017 de Frey y Osborne, los autores usan descripciones textuales de ocupaciones para clasificar los trabajos según su probabilidad de automatización. [8] Los autores usan información sobre los conjuntos de conocimientos, habilidades y tareas necesarios para cada ocupación y usan un algoritmo de clasificación de aprendizaje automático para asignar probabilidades de automatización a cada trabajo. Es importante destacar que Frey y Osborne (2017) amplían la conceptualización de la automatización y el trabajo al enfatizar que los avances en inteligencia artificial implican que los trabajos de oficina pueden ser tan susceptibles a la automatización como los trabajos de producción.

Si bien el análisis de Frey y Osborne (2017) hizo una contribución importante a nuestra comprensión de la automatización, la Figura 5 muestra cuánto difieren estas predicciones de la realidad. El eje horizontal muestra la medida O*NET de exposición a la automatización observada de cada ocupación y el eje vertical muestra la probabilidad de automatización de cada ocupación basada en la metodología de Frey y Osborne. Los datos exhiben una serie de características notables. Primero, existe una relación muy débil entre la predicción experta y la exposición observada a la automatización. Por ejemplo, muchos trabajos que demuestran un alto nivel de exposición a la automatización se clasificaron como de baja probabilidad de automatización. En segundo lugar, la mayoría de los valores de la predicción experta se agrupan alrededor de cero y uno. En otras palabras, el algoritmo crea un marcado contraste entre ocupaciones seguras y susceptibles. Este método sigue enfoques anteriores que han empleado descripciones ocupacionales escritas para dividir los trabajos en automatizables o no, cuando la realidad es mucho más matizada.

Figura 5. Débil correlación entre la predicción experta y la exposición a la automatización observada

Fuente: Frey y Osborne (2017) y datos O*NET de 2019

Observar trabajos específicos muestra que el método de clasificación quizás esté más preocupado por el reemplazo completo de humanos por máquinas que por la introducción general de capital automatizado en el flujo de trabajo de cada ocupación. Por ejemplo, podemos volver a comparar a los operadores telefónicos con los pilotos de líneas aéreas. A diferencia de los pilotos de líneas aéreas, los operadores telefónicos están muy expuestos a la automatización y también corren un gran riesgo de ser reemplazados por máquinas. El panel (b) de la Figura 5 muestra que el algoritmo de Frey y Osborne (2017) asigna una alta probabilidad de automatización a los operadores telefónicos y una baja probabilidad a los pilotos de líneas aéreas. Pero debido a que O*NET mide la exposición realizada a la automatización y Frey y Osborne (2017) se enfocan en la reemplazabilidad, podemos usar estas medidas de manera conjunta para clasificar las ocupaciones según su exposición a la automatización que sustituye o complementa la mano de obra.

Las ocupaciones que se encuentran en el cuadrante superior derecho de la figura, como los operadores telefónicos, pueden clasificarse como expuestas a la automatización de sustitución de mano de obra. Estas son ocupaciones que tienen una alta probabilidad prevista de reemplazo de máquinas y una alta exposición observada a la automatización. Muchas de estas ocupaciones son trabajos administrativos de oficina. Por ejemplo, los preparadores de impuestos, los oficiales de préstamos y los suscriptores de seguros se incluyen en esta categoría. Según los datos de empleo de la Encuesta de población actual (CPS), este grupo representó alrededor del 17 por ciento del empleo total en los Estados Unidos en 2019.

Por otro lado, las ocupaciones que se encuentran en el cuadrante inferior derecho de la figura pueden clasificarse como expuestas a la automatización del complemento laboral. En contraste con los trabajos expuestos a la automatización de sustitución de mano de obra, estas ocupaciones tienen una baja probabilidad prevista de reemplazo por máquinas pero una alta exposición observada a la automatización. Estos incluyen un grupo diverso de ocupaciones que van desde las ciencias hasta la atención médica y la administración. Por ejemplo, bioquímicos, terapeutas respiratorios y gerentes de producción industrial informan un alto uso de tecnología automatizada pero tienen un puntaje de desplazamiento bajo según la metodología de Frey y Osborne (2017). En 2019, esta categoría representó alrededor del 10 por ciento del empleo total a nivel nacional.

La relación de la automatización con la forma en que trabajamos es compleja y multifacética. En algunos casos, las máquinas pueden reemplazar a los trabajadores, mientras que en otros casos, las máquinas hacen que los trabajadores sean más eficientes. Esta diversidad tecnológica ha hecho que la automatización sea difícil de predecir. Pero una combinación cuidadosa de datos de observación y predicción de expertos puede ofrecer mejores conocimientos sobre cómo la automatización afecta a los trabajadores. La distinción entre la sustitución de mano de obra y la automatización que aumenta la mano de obra tiene consecuencias sobre cómo las personas han tomado decisiones sobre el mercado laboral a lo largo del tiempo.

Automatización y patrones de empleo en evolución

En 2022, el New York Times habló con Paul Rizzo, un hombre de unos 30 años sin un título universitario de cuatro años que perdió su trabajo debido a la automatización. Después de un largo período de desempleo, encontró trabajo como repartidor en la aplicación DoorDash, lo que refleja una tendencia más amplia en el mercado laboral en el que la automatización ha llevado al sector de servicios a reemplazar al sector manufacturero como principal empleador de mano de obra sin educación universitaria. . [9] Esta transición puede ser difícil y, como señala el Times, dolorosamente lenta para muchos trabajadores, y a menudo implica largas temporadas fuera de la fuerza laboral.

Los datos del CPS confirman que la automatización está remodelando el mercado laboral a un ritmo constante. Podemos ver parte de este cambio en la proporción cada vez menor del empleo en ocupaciones expuestas a la automatización de sustitución de mano de obra. Como se muestra en la Figura 6, desde 1990 hasta 2019, el porcentaje de trabajadores en trabajos que pueden ser realizados por máquinas, como se define en el cuadrante inferior derecho de la Figura 5, ha ido disminuyendo, mientras que el porcentaje de trabajadores en trabajos que las máquinas pueden complementar, como se define en el cuadrante superior derecho de la Figura 5, ha ido aumentando lentamente. En 1990, alrededor del 22 por ciento de los trabajadores estadounidenses estaban empleados en un trabajo expuesto a la automatización que ahorra mano de obra. Para 2019, este número se había reducido a poco menos del 17 por ciento. En contraste, en 1990, alrededor del 8 por ciento de los estadounidenses estaban empleados en una ocupación que estaba expuesta a la automatización que aumentaba el trabajo. Para 2019, este número había crecido a poco más del 10 por ciento, un aumento del 25 por ciento. Dada la escala de la economía estadounidense, estos cambios son sustanciales y representan a millones de trabajadores. Estos cambios no solo son impulsados ​​por el cambio de trabajo de los trabajadores actuales, sino también por los nuevos trabajadores que eligen ocupaciones que están menos expuestas a la automatización de sustitución de mano de obra.

Figura 6. Los trabajadores han estado dejando trabajos sustituibles

Fuente: Cálculos del autor utilizando datos de Frey y Osborne (2017), O*NET y la Encuesta de población actual

Las transiciones en el mercado laboral pueden ser difíciles. Los trabajadores experimentados desarrollan habilidades especializadas que son difíciles de transferir a nuevos entornos. Por ejemplo, después de que los trabajadores perdieran sus empleos en la manufactura debido a la competencia de las importaciones chinas a principios de la década de 2000, muchos trabajadores con salarios bajos saltaron de un trabajo de producción a otro, a menudo aceptando un recorte salarial para hacerlo, en lugar de encontrar una nueva profesión a pesar del declive de la industria. [10] Por el contrario, muchos trabajadores con salarios altos lograron hacer la transición a otros trabajos bien remunerados fuera de la fabricación. Estos trabajadores que pudieron hacer la transición fuera de la manufactura no sufrieron pérdidas de ingresos en relación con sus pares en industrias que estaban menos expuestas a la competencia de las importaciones chinas. Gran parte del daño económico a los trabajadores, por lo tanto, provino de la incapacidad de hacer la transición a nuevas industrias más que del efecto directo de la disminución de los salarios de fabricación.

Debido a que las transiciones ocupacionales son difíciles en el transcurso de una carrera, los mayores movimientos fuera de los trabajos automatizables provienen de los nuevos ingresantes al mercado laboral en lugar de los titulares. En general, las personas ingresan a ocupaciones de menor calificación al principio de sus carreras y gradualmente hacen la transición a ocupaciones de mayor calificación a medida que envejecen y adquieren experiencia. La Figura 7 muestra que cada nueva generación de trabajadores ha tenido menos probabilidades de ingresar a ocupaciones que pueden ser sustituidas por tecnología que ahorra mano de obra que la generación anterior, como se ve en el panel (a). Pero las transiciones de estos trabajos en el transcurso de una carrera típica han sido constantes a lo largo de las generaciones.

La línea continua representa las decisiones de los trabajadores nacidos entre 1965 y 1974, la línea discontinua representa las decisiones de los trabajadores nacidos entre 1975 y 1984, y la línea discontinua larga representa las decisiones de los trabajadores nacidos entre 1985 y 1994. Con cada generación, un una proporción más pequeña ha entrado en ocupaciones que pueden ser realizadas por máquinas. Aproximadamente el 27 por ciento de las personas nacidas entre 1965 y 1974 ingresaron a ocupaciones expuestas a tecnología de sustitución de mano de obra cuando tenían poco más de 20 años, en comparación con aproximadamente el 21 por ciento de sus contrapartes nacidas entre 1985 y 1994. Sin embargo, una vez que las generaciones más jóvenes de trabajadores ingresaron a ocupaciones automatizables, sus transiciones de esos trabajos imita las transiciones de las generaciones anteriores. En cada cohorte, aproximadamente el 5 por ciento de los trabajadores abandonan las ocupaciones expuestas a la tecnología de sustitución de mano de obra cada 10 años.

Figura 7. Es menos probable que cada nueva generación ingrese a trabajos automatizables

Fuente: Cálculos del autor utilizando datos de Frey y Osborne (2017), O*NET y la Encuesta de población actual

Como se muestra en el panel (b), ha habido poco cambio generacional en la proporción de trabajadores que ingresan a trabajos que están expuestos a la automatización que aumenta la mano de obra. En cambio, gran parte de las opciones cambiantes del mercado laboral a lo largo de las generaciones ha implicado la selección en ocupaciones no expuestas a la automatización. Las razones detrás de estos cambios generacionales siguen sin estar claras. Sin embargo, una posibilidad es que las ocupaciones que usan tecnologías que aumentan la mano de obra requieran inversiones iniciales en capacitación o capital humano que no están disponibles para los tipos de trabajadores que de otro modo habrían tomado trabajos que ahora usan máquinas que ahorran mano de obra.

La automatización ha cambiado la estructura y composición del mercado laboral. Cada año, los trabajadores se han alejado de las ocupaciones que están expuestas a tecnología que ahorra mano de obra. Sin embargo, este ajuste es lento y tiene lugar durante generaciones. Otra investigación ha demostrado que las transiciones siguen siendo difíciles para los miembros existentes de la fuerza laboral porque, a lo largo de una carrera, los trabajadores realizan inversiones de capital humano específicas de la industria y la ocupación que no son transferibles. [11, 12] Además, muchos trabajadores en ocupaciones expuestas a la automatización pueden vivir en regiones del país donde la mayoría de los demás trabajos también están altamente expuestos a la automatización. Estos factores, junto con la disminución de la movilidad geográfica, sugieren que las opciones ocupacionales pueden estar más restringidas de lo que implicarían los datos agregados a nivel nacional. [13]

Geografía de la exposición a la automatización

La automatización afecta a todos los rincones de los Estados Unidos. En las zonas de tránsito, entre el 24 y el 36 por ciento de todos los trabajadores están expuestos a la automatización. Sin embargo, ese rango deja algunos lugares significativamente más expuestos que otros. Dada la naturaleza regional de las industrias y los mercados laborales, los formuladores de políticas deben entender la automatización a través de una lente geográfica. Considere a un trabajador que pierde su trabajo por culpa de una máquina. Si la mayoría de las otras empresas relacionadas en su mercado laboral también están despidiendo trabajadores debido a la automatización, su capacidad para recuperarse de la pérdida de su trabajo se ve muy limitada. Por otro lado, si viviera en una parte del país con una combinación más diversa de ocupaciones, podría hacer la transición a un nuevo trabajo más fácilmente.

De hecho, la exposición promedio a la automatización varía ampliamente en los Estados Unidos. [14] La figura 8 muestra un mapa de la proporción de trabajadores en ocupaciones altamente expuestas a la automatización según los datos de automatización de O*NET y los datos de empleo de la Encuesta sobre la comunidad estadounidense (ACS) de 2019. [15] Cada límite en el mapa representa un mercado laboral local llamado zona de desplazamiento, que es una colección de condados que exhiben una gran cantidad de desplazamientos dentro de las zonas y pocos desplazamientos entre zonas. [dieciséis]

Figura 8: La región de los Grandes Lagos está muy expuesta a la automatización

Fuente: Cálculos del autor usando datos de la Encuesta sobre la Comunidad Estadounidense de 2019 y datos de O*NET de 2019

La exposición a la automatización varía según las regiones y no está ni extremadamente concentrada ni muy dispersa. Por ejemplo, en contraste con la fuerte agrupación local exhibida por el sector manufacturero de EE. UU., la exposición a la automatización abarca una gama más amplia de regiones geográficas. Sin embargo, la exposición a la automatización está más concentrada que el sector de la salud distribuido de manera bastante uniforme. Por lo tanto, si bien las políticas macroeconómicas que promueven el pleno empleo pueden ayudar a los trabajadores afectados por la automatización, aún se necesitan políticas específicas basadas en el lugar para abordar desafíos regionales específicos.

La Figura 9 compara las distribuciones de la exposición a la automatización, la exposición a la fabricación en 1990 y la exposición al sector de la salud. Para centrarse en las comparaciones de distribución, cada medida se centra en 0. Una distribución más plana y más amplia implica una mayor especialización regional, mientras que una distribución más delgada y puntiaguda implica menos concentración. Como se muestra en el panel (a), la exposición a la automatización está mucho menos concentrada regionalmente que la exposición a la fabricación y, como se muestra en el panel (b), la exposición a la automatización está levemente más concentrada regionalmente que la exposición al sector de la salud.

Figura 9: La automatización está menos concentrada regionalmente que la fabricación pero más concentrada que la atención médica

Fuente: Cálculos del autor utilizando datos del Censo Decenal de 1990, la Encuesta sobre la Comunidad Estadounidense de 2019 y los datos de O*NET de 2019

La proporción de trabajadores en ocupaciones altamente expuestas a la automatización oscila entre el 25 % y el 36 % en las zonas de tránsito. Esto está más o menos en línea con otras estimaciones de la variación geográfica de la exposición a la automatización. Las tasas bajas y altas de exposición tienden a estar fuertemente agrupadas en el espacio. Las zonas de desplazamiento menos expuestas se encuentran principalmente en Mountain West, así como en las áreas costeras a ambos lados del país. En contraste, las zonas de transporte más expuestas tienden a estar ubicadas en las regiones de Great Plains y Rust Belt.

Los mercados laborales en Mountain West tienden a tener una alta proporción de trabajadores en ocupaciones de administración o de servicio al cliente, como vendedores minoristas o meseros. Además, también hay una proporción relativamente grande de trabajadores en la construcción y la carpintería. Estos trabajos aún requieren una gran cantidad de aportes humanos, ya sea por su orientación al servicio, como en el caso de los servidores de restaurantes, o porque la tecnología más nueva no se usa de forma generalizada, como en el caso de la construcción.

Curiosamente, el mapa de alta exposición a la automatización no está determinado por las ocupaciones de producción sino por los trabajos en la agricultura. Esto se debe en parte a un sector agrícola cada vez más automatizado y en parte a la amplia especialización sectorial regional. Por ejemplo, más del 6 por ciento de los trabajadores en la zona de desplazamiento de Ord, NE, trabajan en la gestión agrícola. Estos trabajos se han vuelto de alta tecnología en los últimos años, con muchas tareas de recopilación y almacenamiento de datos que ahora están automatizadas por computadoras. Muchos otros en la región de las Grandes Llanuras trabajan como contadores o gerentes financieros, que son ocupaciones con alta exposición a la automatización, que probablemente también sirvan al sector agrícola.

Si bien la Figura 8 describe la exposición a la automatización en un sentido amplio, podemos clasificar aún más la automatización como sustitutiva o complementaria de la mano de obra. La automatización de sustitución de mano de obra se refiere a robots o software que tienen la capacidad de reemplazar a los trabajadores. Defino las ocupaciones que están expuestas a la automatización de sustitución de mano de obra en función de los niveles de exposición a la automatización observados medidos por O*NET y la probabilidad de reemplazo medida por Frey y Osborne (2017) por encima de la mediana. Estas son ocupaciones que se encuentran en el cuadrante superior derecho de la Figura 5. La automatización que complementa el trabajo, por otro lado, se refiere a las máquinas que ayudan a los trabajadores al quitarles la carga de las tareas repetitivas y darles más tiempo para concentrarse en tareas abstractas. Clasifico las ocupaciones como expuestas a la automatización complementaria del trabajo si tienen una exposición a la automatización observada por encima de la mediana pero una probabilidad de reemplazo por debajo de la mediana. Estas son ocupaciones que se encuentran en el cuadrante inferior derecho de la Figura 5.

La Figura 10 muestra la distribución geográfica de la proporción de trabajadores expuestos a la automatización de sustitución de mano de obra. A nivel nacional, las acciones oscilan entre el 13 y el 22 por ciento. Como antes, hay una gran cantidad de agrupamiento geográfico. Las altas proporciones de automatización de sustitución de mano de obra se concentran en la región de los Grandes Lagos, así como en las áreas costeras de Alaska.

En general, la alta exposición a la automatización de sustitución de mano de obra no está impulsada por las ocupaciones de producción. Por ejemplo, la automatización en las zonas de tránsito a lo largo de la costa del Pacífico de Alaska proviene de la importante industria pesquera comercial de Alaska. La pesca en los Estados Unidos se ha automatizado cada vez más en los últimos años. [17] Además, incluso en zonas de tránsito con grandes industrias manufactureras, la exposición a la automatización de sustitución de mano de obra está impulsada por los servicios y las ocupaciones administrativas en lugar de las ocupaciones de producción. En la zona de tránsito que contiene Flint y Detroit, por ejemplo, la exposición a la automatización está impulsada por personas que trabajan como secretarias, contadores o empleados de facturación. Un poco más del 17 por ciento del total de horas laborales en esta zona de desplazamiento se dedica a ocupaciones expuestas a tecnología que ahorra mano de obra. Alrededor de 2 puntos porcentuales se deben a ocupaciones de producción, mientras que alrededor de 6 puntos porcentuales se deben a ocupaciones administrativas.

Figura 10: La automatización que ahorra mano de obra se concentra en los Grandes Lagos

Fuente: Cálculos del autor con datos de ACS de 2019, datos de O*NET de 2019 y datos de Frey y Osborne (2017)

La Figura 11 muestra la distribución geográfica de la proporción de trabajadores expuestos a formas de automatización que complementan el trabajo. En general, menos trabajadores están expuestos a la tecnología que complementa el trabajo que a la tecnología que ahorra trabajo. Las acciones oscilan entre el 6,6 y el 17,4 por ciento. La mayoría de las zonas de transporte altamente expuestas se encuentran en la región de las Grandes Llanuras.

Esta exposición a la automatización está impulsada en gran medida por una industria agrícola de alta tecnología. Por ejemplo, en la zona de desplazamiento que contiene Pierre, SD, casi el 10 por ciento de los trabajadores están en la gestión agrícola. Según O*NET, los administradores agrícolas usan software automatizado para registrar y recopilar datos, pero deben usar una gran cantidad de juicio para tomar decisiones sobre cómo asignar recursos según los datos disponibles. En las zonas de desplazamiento no agrícolas, la exposición a la automatización que aumenta la mano de obra se debe en gran medida a las finanzas, la gestión y la protección pública. Por ejemplo, en la zona de desplazamiento que comprende Washington, DC, partes de Maryland y el norte de Virginia, la exposición a la automatización está impulsada por investigadores criminales, supervisores de primera línea de trabajadores administrativos de oficina y gerentes financieros.

Figura 11: La automatización del complemento laboral se concentra en los llanos

Fuente: Cálculos del autor con datos de ACS de 2019, datos de O*NET de 2019 y datos de Frey y Osborne (2017)

Contrariamente a la creencia popular, la exposición a la automatización no está impulsada por ocupaciones de producción sino por ocupaciones agrícolas, financieras y administrativas. Este patrón es cierto tanto para la tecnología que ahorra mano de obra como para la tecnología que aumenta la mano de obra. Además, la especialización regional en diferentes industrias genera impactos dispares de automatización en los mercados laborales locales en los Estados Unidos. Esta geografía desigual de la automatización significa que los formuladores de políticas deben reconocer la importancia del lugar al elaborar propuestas de políticas para facilitar las transiciones en el mercado laboral para aquellos expuestos o desplazados por la automatización. [18]

Repensando las Políticas Laborales para la Economía de la Automatización

A medida que la tecnología continúa dando forma a nuestra economía, los legisladores se encuentran lidiando con los efectos de la automatización en el mercado laboral. Algunos, como los senadores demócratas Mark Warner y Chris Coons y el senador republicano Mike Lee, han propuesto políticas que promueven el desarrollo de la fuerza laboral. Otros, como el senador Bernie Sanders, han considerado gravar a los robots para combatir el desplazamiento de trabajadores. La evidencia que se muestra en este análisis sugiere que una política sólida del mercado laboral para la era de la automatización no debe centrarse en impedir las inversiones en nuevas tecnologías. Más bien, una buena política debe centrarse en permitir transiciones suaves para los trabajadores de un trabajo al siguiente.

Aunque bien intencionadas, las políticas como los impuestos a los robots pueden hacer más daño que bien porque el efecto de la automatización en la pérdida de empleos suele ser indirecto. Tome los robots industriales como ejemplo: en lugar de despedir trabajadores, las empresas que adoptan robots generalmente amplían su fuerza laboral después de invertir en automatización. [19] En cambio, las pérdidas de empleo ocurren cuando las pequeñas empresas que no adoptan robots pierden participación de mercado frente a empresas más grandes y cierran o reducen su fuerza laboral. [20] En el mejor de los casos, los impuestos a los robots condicionados a los despidos no tendrán ningún efecto, ya que las empresas que invierten en robots tienden a aumentar el empleo de todos modos. Pero si el impuesto es una sanción general por la adopción de robots de cualquier tipo, entonces una política que sancione a los creadores netos de empleo puede resultar contraproducente.

Esta "destrucción creativa" schumpeteriana causada por el crecimiento y la contracción de las empresas requerirá que los trabajadores pasen de un trabajo a otro. Pero las transiciones del mercado laboral pueden ser costosas para las personas y el mercado laboral en general tarda en adaptarse a las transformaciones económicas. Como se muestra arriba, los cambios en el mercado laboral en los Estados Unidos tienden a ocurrir a lo largo de generaciones. Cada nueva cohorte de trabajadores toma decisiones diferentes sobre sus ocupaciones iniciales pero, una vez empleados, tienden a continuar con una trayectoria profesional establecida.

La naturaleza costosa de las transiciones (ganancias perdidas por el tiempo en el desempleo combinadas con los costos de readiestramiento y la frecuencia de tener que "rebajar" en un rol de menor remuneración) históricamente ha sido la principal fuente de pérdidas económicas individuales de los cambios en el mercado laboral. Por ejemplo, la evidencia del ajuste a la competencia de las importaciones chinas muestra que la dificultad no radica en la disminución de la demanda de mano de obra en la manufactura, sino en la dificultad de pasar de la manufactura a otras industrias. [21] Debido a que la transición a un nuevo trabajo es difícil, la pérdida de empleo tiende a tener efectos a largo plazo en los trabajadores y disminuye los ingresos de por vida. [22]

Las transiciones laborales son aún más destacadas en el contexto de la automatización. Si bien las perturbaciones comerciales suelen ser cambios puntuales en la estructura de la economía, la automatización es un proceso continuo de cambio tecnológico. Como resultado, es probable que el futuro del trabajo sea el de un mercado laboral cambiante en lugar de un mercado laboral en declive.

Las disparidades geográficas y regionales también representan una barrera clave para el ajuste del mercado laboral. Las diferentes condiciones económicas iniciales pueden hacer que algunas regiones sean menos resistentes que otras a los cambios en la economía, ya sea la competencia de las importaciones o las nuevas tecnologías. [23] La concentración regional de trabajos expuestos a la automatización combinada con la variación geográfica natural en las industrias y ocupaciones significa que la transición será más o menos difícil según el lugar donde viva el trabajador. Muchos trabajadores no están dispuestos a aceptar trabajos con salarios perdidos, lo que resulta en periodos más prolongados de desempleo y pérdida de acumulación de capital humano. Las políticas de ajuste del mercado laboral basadas en el lugar, especialmente aquellas dirigidas a las regiones más desfavorecidas, son componentes esenciales de un marco político más amplio que facilita buenos resultados en el mercado laboral al trabajar en la dirección del cambio tecnológico, en lugar de en su contra.

Conclusión

Los efectos de la automatización en el mercado laboral son sutiles y complejos. Históricamente, las reacciones a la automatización han variado entre los trabajadores. Los bibliotecarios adoptaron la digitalización de la catalogación de sus colecciones ya que la eliminación de las tareas mundanas los liberó para hacer mejores cosas con su tiempo. Pero los trabajadores de la producción se resistieron al surgimiento de los robots por temor a perder sus trabajos.

Ahora, las nuevas tecnologías, como los modelos de lenguaje extenso, tienen a los trabajadores administrativos calificados preocupados por la seguridad de su trabajo. Parte del temor proviene de las incertidumbres que rodean la naturaleza impredecible de la automatización. Pero un análisis cuidadoso de los datos de observación, la predicción de expertos y la experiencia pasada puede ofrecer información sobre cómo la automatización puede afectar a los trabajadores.

Sin duda, la automatización ha transformado el mercado laboral, pero los ajustes se producen a un ritmo lento. Si bien es menos probable que cada nueva generación de trabajadores ingrese a trabajos automatizables, las transiciones siguen siendo difíciles para los miembros existentes de la fuerza laboral. A lo largo de una carrera, los trabajadores realizan inversiones de capital humano específicas de la industria y la ocupación que no son transferibles.

Además, muchos trabajadores en ocupaciones propensas a la automatización viven en partes del país donde la mayoría de los demás trabajos también están altamente expuestos a la automatización. Como resultado, las opciones ocupacionales pueden estar más restringidas de lo que sugieren los datos a nivel nacional. Debido a que el impacto de la automatización varía según la región, el contexto local es importante para diseñar políticas que se ajusten al cambio tecnológico.

Estas políticas no deben gravar ni impedir la adopción de nuevas tecnologías, ya que obstaculizar la automatización puede ser contraproducente. En cambio, la legislación debe tener como objetivo ayudar a las transiciones a un nuevo trabajo. Además, debido a la naturaleza regional de los mercados laborales, las políticas basadas en el lugar son cruciales y las medidas específicas deben abordar las necesidades de las regiones en dificultades. Al priorizar políticas que sean adaptables y específicas de la región, podemos aprovechar el poder transformador de la automatización y fomentar un futuro del trabajo que beneficie a todos los miembros de la sociedad.

notas

Dinamismo Económico | Política pública