Follow the money: a startup-based measure of AI exposure across occupations, industries and regions

Resumen Técnico: Siga el rastro del dinero: Una medida de la exposición a la IA basada en startups a través de ocupaciones, industrias y regiones

Planteamiento del problema
La rápida integración de la Inteligencia Artificial (IA) en el lugar de trabajo requiere métricas robustas para evaluar su impacto tangible en el mercado laboral. Las medidas existentes de exposición ocupacional a la IA, como el índice de Exposición Ocupacional a la IA (AIOE, por sus siglas en inglés) propuesto por Felten et al. (2019, 2021), dependen en gran medida del potencial teórico de la IA para sustituir o complementar el trabajo humano basándose en la viabilidad técnica. Estos enfoques suelen utilizar juicios de expertos, evaluaciones de la multitud o análisis de patentes para mapear las capacidades de la IA con las tareas ocupacionales. Sin embargo, estas métricas sufren limitaciones significativas: a menudo son subjetivas, no reproducibles o se quedan rezagadas respecto a los desarrollos actuales debido a los retrasos en la presentación de patentes. Crucialmente, miden la exposición potencial en lugar de la adopción real, fallando al no contabilizar la viabilidad económica, la deseabilidad social y las decisiones de mercado específicas de los desarrolladores de IA. En consecuencia, existe una falta de conocimiento sobre qué ocupaciones están siendo genuinamente el objetivo de las innovaciones actuales de IA, lo que limita la utilidad de estos índices para los responsables de la formulación de políticas.

Metodología
Para abordar estas brechas, los autores introducen el índice de Exposición a Startups de IA (AISE), una métrica novedosa fundamentada en la actividad real de inversión en lugar de la capacidad teórica. La metodología procede de la siguiente manera:

1. Fuentes de datos:

   • Descripciones ocupacionales: El estudio utiliza la base de datos O*NET, específicamente los resúmenes cortos de descripciones de las tareas esenciales para 1,016 empleos de la Clasificación Estándar de Ocupaciones (SOC). Estos resúmenes fueron elegidos sobre las listas completas de tareas para reducir el ruido y centrarse en las características salientes del trabajo.
   • Datos de innovación de IA: Los autores extrajeron descripciones de startups financiadas por Y Combinator (YC), una firma de capital de riesgo y aceleradora líder con sede en EE. UU. Filtraron las startups con etiquetas específicas relacionadas con la IA (por ejemplo, "IA generativa", "aprendizaje automático", "visión computacional"), lo que resultó en un conjunto de datos de 958 startups de IA financiadas entre 2005 y marzo de 2024.
   • Datos geográficos y sectoriales: Las participaciones de empleo para las ocupaciones se extrajeron del Censo Trimestral de Empleo y Salarios (QCEW) de la Oficina de Estadísticas Laborales de EE. UU. para calcular promedios ponderados para Áreas Estadísticas Metropolitanas (MSA) y sectores NAICS.

2. Análisis basado en LLM:

   • Los autores emplean Llama 3 de Meta (un modelo de lenguaje de gran tamaño de pesos abiertos y estado del arte) para evaluar la similitud entre las descripciones de productos de las startups y los resúmenes de tareas ocupacionales.
   • Estrategia de prompting: Para cada par de (Startup, Ocupación), se le pide al LLM que determine si el producto o servicio de la startup puede reemplazar directamente a los humanos en la realización de una o más de las tareas esenciales descritas en el resumen de O*NET. Se instruye al modelo para que responda únicamente "sí" o "no" basándose estrictamente en el texto proporcionado.
   • Calificación: El AISE Ocupacional para un trabajo específico se calcula como el número normalizado de startups de IA financiadas por YC identificadas por el LLM como capaces de sustituir tareas esenciales para ese trabajo.

3. Validación y comparación:

   • El índice AISE se compara con el índice AIOE estándar (Felten et al., 2021). Mientras que el AIOE es una medida basada en la capacidad derivada de encuestas de la multitud que vinculan aplicaciones de IA con 52 habilidades de O*NET, el AISE es una medida basada en tareas derivada de ofertas reales de startups.
   • Exposición a Startups Robóticas (RSE): Se aplica una metodología paralela a 103 startups centradas en la robótica para crear un índice RSE, analizando la intersección de la IA y la automatización física.

4. Agregación geográfica y sectorial:

   • La exposición geográfica se computa como el promedio ponderado por el empleo de la AISE ocupacional a través de las MSA.
   • La exposición sectorial se computa como el promedio ponderado por el empleo a través de 19 sectores NAICS de dos dígitos.

Resultados clave

• Patrones de exposición ocupacional:

  • Alta exposición: Las ocupaciones con las puntuaciones de AISE más altas son aquellas que involucran tareas rutinarias de organización y procesamiento de información. Ejemplos destacados incluyen Oficinistas generales, Científicos de datos, Gerentes de sistemas de computación e información y Analistas de investigación de mercado. Estos roles están siendo cada vez más el objetivo de startups que desarrollan LLMs, sistemas multi-agente y herramientas de automatización.
  • Baja exposición: Las ocupaciones con puntuaciones de AISE bajas incluyen Atletas, Jueces magistrados y Cirujanos pediátricos. A pesar de tener una alta exposición teórica según el AIOE (debido a la complejidad cognitiva), estos roles son menos objeto de las startups. Los autores atribuyen esto a las restricciones éticas, la toma de decisiones de alto riesgo y la necesidad de responsabilidad humana, lo que crea barreras para la adopción más allá de la mera viabilidad técnica.
  • Divergencia de AIOE: Un hallazgo significativo es la heterogeneidad entre el AISE y el AIOE. Mientras que el AIOE sugiere que los trabajos de alta cualificación y alta educación están uniformemente en riesgo, el AISE revela que muchos roles de alta cualificación (ej. jueces, médicos) tienen una exposición real baja. Este "sesgo inverso de la cualificación" sugiere que la necesidad de habilidades avanzadas y el alto costo de los errores en estos roles disuaden la inversión actual en IA, incluso cuando las tareas son teóricamente automatizables.

• Distribución geográfica:

  • La exposición a la IA está altamente concentrada en áreas metropolitanas intensivas en conocimiento con economías digitales en expansión, tales como San José, San Francisco, Seattle, Austin y Boulder.
  • Por el contrario, el Medio Oeste exhibe la menor exposición, lo que correlaciona con su dependencia de la manufactura y la agricultura, sectores que han sido más lentos en integrar la IA.

• Distribución sectorial:

  • Los sectores orientados al servicio que requieren altos niveles de procesamiento de información y educación muestran la mayor exposición.
  • Sectores como los Servicios Educativos y la Atención Médica, aunque son intensivos en educación, muestran una exposición relativamente menor debido a la naturaleza de alto riesgo de sus tareas principales.
  • Los sectores tradicionales como la Construcción y la Agricultura son menos frecuentemente el objetivo de las startups de IA.

• Convergencia de IA y Robótica:

  • El análisis preliminar de RSE indica que, si bien muchos trabajos de bajo AISE (tareas manuales) tienen un alto RSE, muchos trabajos de alto AISE también muestran un alto RSE. Esto sugiere que la acción conjunta de la IA y la robótica puede conducir a una disrupción más generalizada tanto en ocupaciones de cuello blanco como de cuello azul.

Significancia y Reivindicaciones
El artículo afirma que el índice AISE ofrece una evaluación más realista, con visión de futuro y con base económica del impacto de la IA en el mercado laboral en comparación con las métricas teóricas existentes. Al centrarse en las innovaciones respaldadas por capital de riesgo, el índice captura la "deseabilidad social" y las "decisiones orientadas al mercado" de los actores de la IA, que son determinantes críticos de la adopción real.

Las contribuciones clave incluyen:

1. Desafiar la "catástrofe de las altas cualificaciones": Los hallazgos sugieren que los temores de un desplazamiento generalizado e inmediato de los profesionales altamente cualificados pueden estar exagerados. En cambio, la adopción de la IA parece ser gradual, priorizando tareas rutinarias y económicamente viables, mientras deja los roles impulsados por expertos y de alto riesgo relativamente protegidos en el corto plazo.
2. Utilidad para las políticas: El AISE proporciona una herramienta dinámica y reproducible para que los responsables de la formulación de políticas monitoreen el panorama evolutivo de la adopción de la IA. Debido a que depende de LLMs de pesos abiertos y datos de startups disponibles públicamente, el índice puede actualizarse en tiempo casi real a medida que ocurren nuevas rondas de financiación.
3. Innovación metodológica: El estudio demuestra cómo combinar descripciones ocupacionales con datos de startups mediante LLMs puede desentrañar la capacidad teórica de la demanda real del mercado, ofreciendo una visión matizada de cómo la IA está remodelando el panorama laboral.

Los autores se mantienen modestos respecto a los efectos netos en el mercado laboral (sustitución vs. complementariedad), señalando que el AISE mide la exposición a la innovación en lugar de la pérdida definitiva de empleos. Reconocen limitaciones, incluyendo el posible sesgo de las preferencias de financiación de Y Combinator y la suposición de homogeneidad ocupacional a través de empresas y regiones, sugiriendo que el trabajo futuro debería expandir las fuentes de datos e incorporar la dinámica a nivel de empresa.