Resumen Técnico: ¿Quién Utiliza la IA? Selección de Plataformas y Medición de la Exposición Ocupacional a la IA

1. El Problema: Error de Medición No Clásico en la Exposición Derivada de Plataformas

La literatura empírica sobre inteligencia artificial (IA) y mercados laborales ha cambiado progresivamente de medir la capacidad potencial de la IA (por ejemplo, calificaciones de expertos, coincidencia de patentes) a medir el uso observado de la IA mediante registros de conversaciones de plataformas como Claude de Anthropic, ChatGPT de OpenAI y Microsoft Copilot. Aunque esto acerca la medición al comportamiento revelado, los autores argumentan que estos registros constituyen una muestra no probabilística.

El problema central es que las puntuaciones de exposición derivadas de plataformas ($E_{o,p}$) confunden dos componentes distintos:

1. Exposición Ocupacional Verdadera ($E_o$): La proporción del conjunto de tareas de una ocupación donde la IA puede sustituir o complementar la entrada del trabajador.
2. Selección de Plataforma ($\psi_{o,p}$): El grado en que una ocupación está sobre o subrepresentada en la base de usuarios de la plataforma en relación con la fuerza laboral general.

Dado que la base de usuarios de las plataformas de IA está sistemáticamente sesgada hacia ocupaciones de alta cualificación y alto salario (por ejemplo, Ciencias de la Computación y Matemáticas) y alejada de las ocupaciones de servicios y trabajo manual, la medida de exposición resultante hereda este sesgo de selección. Los autores formalizan esto como error de medición no clásico, donde el término de error está correlacionado con la variable verdadera de interés. En consecuencia, los coeficientes de regresión que utilizan estas medidas no identifican la elasticidad estructural del empleo de la exposición a la IA; en su lugar, reflejan una mezcla de la exposición verdadera y la composición ocupacional específica de los usuarios de la plataforma.

2. Metodología

Marco Conceptual

Los autores definen el proxy derivado de la plataforma como:
$$E_{o,p} = \psi_{o,p} E_o + \eta_{o,p} + u_{o,p}$$
Donde:

• $\psi_{o,p}$ es el parámetro de selección entre ocupaciones (relación entre la cuota de conversaciones de la plataforma y la cuota de empleo de la fuerza laboral).
• $\eta_{o,p}$ es el residuo de selección de tareas dentro de la ocupación (diferencias en el desempeño de tareas condicionadas a estar en la plataforma).
• $u_{o,p}$ es ruido clásico.

Dado que $\psi_{o,p}$ se observa (a través de registros de plataformas y cuotas de empleo de la Oficina de Estadísticas Laborales), los autores proponen un procedimiento de reponderación de la fuerza laboral para eliminar el componente entre ocupaciones:
$$\tilde{E}_{o,p} = \frac{E_{o,p}}{\psi_{o,p}}$$
Bajo una condición de ordenamiento mantenida (que los sesgos de selección dentro de la ocupación afecten a los coeficientes en la misma dirección que la selección entre ocupaciones), la estimación de referencia y la estimación reponderada definen un intervalo de identificación parcial para la elasticidad estructural del empleo.

Diseño Empírico

El estudio emplea una especificación de diferencias en diferencias (DiD) sobre un panel de la Encuesta de la Comunidad Americana (ACS) de 2015–2024 con 13,1 millones de observaciones persona-año a nivel de la Clasificación Ocupacional Estándar (SOC) de seis dígitos.

• Tratamiento: Interacción de un indicador posterior a 2022 con diez medidas diferentes de exposición derivadas de plataformas.
• Variantes: Las diez medidas incluyen:
  • Tres variantes del compuesto de Massenkoff y McCrory (2026) (referencia, reponderada por fuerza laboral y pesos de la AEI de la Ola 5).
  • Cinco olas de datos de consumo de Anthropic Claude.ai (diciembre 2024–febrero 2026).
  • Dos olas de datos de API empresarial de Anthropic.
  • Puntuaciones de aplicabilidad de Microsoft Copilot (crudas y reponderadas).
• Controles: Demografía, estado, año y efectos fijos de SOC de seis dígitos.

Pruebas Diagnósticas

1. Dispersión entre Plataformas: Estimar la misma especificación DiD con diferentes insumos de plataforma para observar la inestabilidad de los coeficientes.
2. Sustitución de Canales dentro del Proveedor: Comparar los canales de consumo y empresarial del mismo proveedor (Anthropic) para aislar los efectos de la composición de la base de usuarios, manteniendo constantes el modelo y la rúbrica.
3. Estudios de Eventos: Probar tendencias previas para distinguir el sesgo de medición de la heterogeneidad genuina del efecto del tratamiento.
4. Resultados Transversales: Analizar las correlaciones entre las clasificaciones de plataformas y resultados no laborales (por ejemplo, salud, educación) para demostrar que la visibilidad de la plataforma se correlaciona con el estatus socioeconómico.

3. Resultados Clave

Inestabilidad de los Coeficientes

Cambiar únicamente el insumo de la plataforma manteniendo fijo el diseño empírico provoca una variación sustancial en los efectos estimados sobre el empleo:

• Magnitud: El coeficiente de empleo posterior a 2022 varía en un factor de 1.9 a través de las diez variantes.
• Inversión de Signo: Dentro del mismo proveedor (Anthropic), cambiar del canal de consumo al canal empresarial invierte el signo del coeficiente de empleo en cada lanzamiento observado. El canal de consumo produce coeficientes negativos y significativos, mientras que el canal empresarial produce coeficientes positivos e insignificantes.
• Inestabilidad Temporal: Incluso dentro del mismo canal (consumidor de Claude.ai), la magnitud del coeficiente cambia significativamente entre olas (por ejemplo, de -0.12 a -0.22 puntos porcentuales) a medida que cambia la composición de la base de usuarios debido al lanzamiento de productos (por ejemplo, Claude Code).

Efecto de la Reponderación

La reponderación de la fuerza laboral atenúa significativamente los efectos estimados, confirmando que las estimaciones de referencia están impulsadas en gran medida por la selección de la plataforma:

• Compuesto de Anthropic: La reponderación atenúa el coeficiente de empleo en un 93%, haciéndolo estadísticamente indistinguible de cero.
• Microsoft Copilot: Dado que la base de usuarios de Copilot está más cerca de la demografía de la fuerza laboral, la reponderación atenúa el coeficiente en un 42%, aunque sigue siendo significativo.
• Regresión Transversal de Ocupaciones: En la especificación de Massenkoff y McCrory (2026) que vincula la exposición con las proyecciones de empleo de la BLS, la reponderación reduce la asociación negativa estimada de -0.70 a -0.38 puntos porcentuales, lo que implica que el 45% de la magnitud publicada desaparece cuando la composición de la plataforma se reemplaza con la composición de la fuerza laboral.

Límites de Identificación Parcial

Utilizando las estimaciones de referencia y reponderadas como extremos, los autores construyen un intervalo de identificación parcial para la elasticidad estructural del empleo. Para el compuesto de Massenkoff y McCrory, el intervalo sugiere que un aumento de una desviación estándar en la exposición se asocia con una disminución proyectada en el crecimiento del empleo decenal entre 0.38 y 0.70 puntos porcentuales. La anchura de este intervalo (0.32 puntos porcentuales) representa la contribución de la selección de plataforma observable entre ocupaciones.

Incidencia Distributiva

La visibilidad de la plataforma está fuertemente correlacionada con la ventaja socioeconómica:

• Las ocupaciones sobrerepresentadas en las plataformas (por ejemplo, Ciencias de la Computación y Matemáticas) tienen salarios y niveles educativos más altos.
• Las ocupaciones subrepresentadas (por ejemplo, Preparación de Alimentos, Transporte) tienen salarios más bajos y tasas más altas de discapacidad.
• Simulación de Política: Un fondo hipotético de recapacitación de 10 mil millones de dólares asignado basándose en la exposición de la plataforma dirigiría el 39% de los fondos a ocupaciones de alto salario y alta educación que una asignación ponderada por fuerza laboral no identificaría como expuestas.

4. Contribuciones y Significancia

El artículo hace cuatro contribuciones principales a la literatura:

1. Identificación de un Error de Medición Específico: Formaliza el error de medición no clásico inherente a la exposición a la IA derivada de plataformas, mostrando que el error se selecciona sobre la misma estructura de tareas a nivel de ocupación que la medida pretende capturar.
2. Diagnósticos Empíricos: Proporciona evidencia de que la fuente de la plataforma, el canal de producto y la ola de lanzamiento alteran fundamentalmente los coeficientes aguas abajo, incluso cuando los diseños de regresión están fijos.
3. Procedimiento de Corrección: Introduce un procedimiento de reponderación de la fuerza laboral y límites de identificación parcial que convierten esta inestabilidad en un componente estimable, permitiendo a los investigadores acotar la elasticidad estructural.
4. Análisis Distributivo: Demuestra que la selección de la plataforma se correlaciona con salarios, educación y ventaja ocupacional, lo que implica que las clasificaciones de exposición basadas en registros pueden subponderar sistemáticamente a las poblaciones económicamente vulnerables donde el riesgo es menos visible en los datos de la plataforma.

Afirmaciones sobre la Significancia

Los autores no afirman que los registros de las plataformas carezcan de información. En cambio, argumentan que los datos de las plataformas son altamente informativos sobre la intensidad de tareas entre usuarios activos, pero menos informativos sobre los no usuarios, los trabajadores débilmente representados en la plataforma y las tareas desplazadas del par ocupación-plataforma observado.

El artículo concluye que las medidas basadas en el uso recuperan más directamente la ampliación entre usuarios observados que la sustitución en la fuerza laboral. Para las aplicaciones de políticas (por ejemplo, recapacitación, asesoramiento profesional), el objeto relevante es la exposición entre la fuerza laboral en riesgo, no la exposición entre los usuarios actuales de la plataforma. Los autores abogan por que el trabajo aplicado que utiliza exposición derivada de plataformas debe:

• Informar contrapartes reponderadas por fuerza laboral.
• Probar la sensibilidad a la fuente de la plataforma.
• Distinguir entre capacidad de tareas, adopción por parte del trabajador y uso condicionado a la adopción.

Sin estas distinciones, la variación en la exposición medida puede reflejar patrones de adopción de plataformas entre ocupaciones en lugar de la variación en la aplicabilidad subyacente de la IA.