Estimating time spent on work tasks
Este artículo introduce un método fundamentado para estimar las cuotas de tiempo para casi 18.000 tareas laborales en EE. UU. mediante la combinación de datos de frecuencia de ONET con comparaciones por pares de la duración de las tareas derivadas de modelos de lenguaje, revelando que ponderar la exposición de las tareas a la IA por tiempo en lugar de por número de tareas altera significativamente la clasificación de las ocupaciones afectadas y amplía la brecha entre los trabajos más y menos expuestos.
Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
Imagina la economía como una cocina gigante y bulliciosa donde cada trabajo es una receta diferente. Durante décadas, los economistas han intentado comprender cómo las nuevas herramientas —como una licuadora nueva y sofisticada o un brazo robótico— cambian estas recetas. Se dieron cuenta de que los trabajos no son simplemente bloques únicos e inquebrantables; son, en realidad, conjuntos de tareas más pequeñas, como picar cebollas, revolver la salsa o emplatar el plato. Esta visión "basada en tareas" es la forma estándar en que los científicos estudian cómo la tecnología transforma el trabajo. Si un robot puede picar cebollas más rápido, esa tarea específica cambia, y ese cambio se propaga hacia arriba para afectar a todo el trabajo. Pero aquí está la parte complicada: cuando sumamos todas estas pequeñas tareas para ver cómo se ve afectado un trabajo completo, ¿cómo las contamos? ¿Contamos cada tarea como un voto igualitario, o las ponderamos según cuánto tiempo pasa un trabajador realizándolas? Resulta que esta pregunta de "cuánto tiempo" es el ingrediente faltante que podría cambiar por completo nuestra comprensión de qué trabajos tienen más probabilidades de ser transformados por la Inteligencia Artificial.
Este artículo, escrito por investigadores de Stanford y la Universidad de São Paulo, es como un meticuloso rastreador de tiempo masivo para la fuerza laboral estadounidense. Los autores notaron que estudios previos que intentaban determinar qué trabajos estaban más expuestos a la IA habían estado adivinando cuánto tiempo pasan los trabajadores en tareas específicas. Algunos estudios simplemente contaban cuántas tareas tenía un trabajo, mientras que otros usaron categorías aproximadas como tareas "principales" o "suplementarias", tratando igual un chequeo rápido de 30 segundos que un análisis profundo de 4 horas. Los investigadores argumentan que esto es como juzgar una película contando el número de escenas en lugar de cuánto tiempo pasa la audiencia viendo el desarrollo de la trama.
Para solucionar esto, el equipo desarrolló un nuevo método para estimar la participación real del tiempo para casi 18,000 tareas diferentes en casi 1,000 ocupaciones de EE. UU. No se limitaron a pedirle a una computadora que adivinara; dividieron el problema en dos partes. Primero, observaron con qué frecuencia ocurre una tarea (frecuencia). Segundo, y esta es la parte ingeniosa, utilizaron un modelo de lenguaje (una IA) para clasificar las tareas entre sí para determinar cuáles tardan más en realizarse una sola vez. Luego, introdujeron estas clasificaciones en un rompecabezas matemático (un programa lineal) que tenía que encajar todo en una jornada laboral realista de 7 horas. Es como resolver un rompecabezas donde las piezas son tareas y la imagen es un día completo de trabajo.
Los resultados de este experimento de seguimiento del tiempo son sorprendentes y cambian el panorama de la conversación. Cuando los investigadores aplicaron sus nuevos pesos basados en el tiempo para ver qué trabajos están más expuestos a la IA, la lista de los trabajos "más en riesgo" cambió drásticamente. Estudios previos sugerían que los trabajos de oficina y administrativos eran los más vulnerables porque tenían el mayor número de tareas expuestas a la IA. Sin embargo, la nueva visión ponderada por el tiempo sugiere que, si bien estos trabajos tienen muchas tareas pequeñas y expuestas, esas tareas no ocupan realmente mucho del día del trabajador. En contraste, los trabajos que implican análisis profundo, investigación y escritura —que podrían tener menos tareas en total— dedican una gran parte del tiempo del trabajador a esas tareas específicas.
Cuando los autores volvieron a clasificar las 25 ocupaciones más expuestas utilizando sus datos de tiempo, 11 de ellas cambiaron de lugar. La lista se alejó de los roles de oficina y se movió hacia los analíticos. Por ejemplo, encontraron que para un Masajista, aunque el 44% de las tareas enumeradas podrían estar técnicamente "expuestas" a la IA, esas tareas solo representan el 16% del tiempo real de trabajo. Por el contrario, para un Actuario, las tareas expuestas podrían ser menos en número, pero consumen casi el 90% de su tiempo de trabajo. El artículo sugiere que, al enfocarse en la fracción del tiempo de trabajo expuesta a la IA, en lugar de solo en la fracción de tareas, obtenemos una imagen mucho más clara y, a menudo, más intensa del impacto en los roles más vulnerables. Los autores son cuidadosos al notar que esta es una nueva forma de medir la exposición, no una predicción de que estos trabajos desaparecerán definitivamente, pero sí sugiere que los trabajos "titulares" más afectados por la IA podrían ser diferentes de lo que pensábamos anteriormente.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.