La IA, la automatización y el futuro del trabajo: más allá del horizonte

En los últimos años ha habido muchos posts, artículos e informes sobre cómo la IA y la automatización darán forma al futuro del trabajo. Dependiendo de la perspectiva o la visión del autor, estos artículos van en una de las dos direcciones: bien la nueva tecnología destruirá puestos de trabajo y tendrá efectos devastadores en el mercado laboral, bien creará un futuro mejor y más brillante para todos al eliminar solo los trabajos aburridos y generar otros mejores y mucho más interesantes. Como es habitual, la verdad probablemente se encuentre en algún punto entre estos dos extremos. En este post, queremos adoptar una visión más matizada abordando los argumentos y afirmaciones más comunes y compararlos con los hechos. Pero antes de entrar en materia, aclaremos primero qué es la transformación digital impulsada por la IA. En pocas palabras, se trata de la automatización, del uso de la tecnología de IA para completar tareas que no queremos que los humanos realicen o que los humanos no pueden realizar. Al igual que hicimos en el pasado, en la primera, segunda y tercera revolución industrial.

Desde máquinas textiles hasta el arte de la IA

Con cada una de estas revoluciones llegó el temor de que los trabajadores humanos quedaran relegados. Entonces, ¿por qué queremos automatizar? Aunque en algunos casos los inventores estaban, y siguen estando, simplemente interesados en la hazaña de la invención en sí, la mayoría de las veces un invento o desarrollo estaba impulsado por intereses comerciales, al igual que la aprobación generalizada. Independientemente de la época, las empresas rara vez tienen otros objetivos que seguir siendo competitivas y aumentar los beneficios. Los telares de medias en el siglo XVI se inventaron para aumentar la productividad y reducir los costes sustituyendo el trabajo humano. Las máquinas de vapor de los molinos y fábricas del siglo XIX y la maquinaria agrícola se utilizaron por la misma razón. Los robots en la fabricación de vehículos en la segunda mitad del siglo XX, también. Tanto si se trata de tractores como de cadenas de montaje u hojas de cálculo, el objetivo de primer orden era sustituir la musculatura humana por la fuerza mecánica, el trabajo manual humano por la consistencia de la máquina y el HumanwWare lento y propenso a errores por el cálculo digital. Pero hasta ahora, aunque se han perdido muchos puestos de trabajo por la automatización, se han creado otros. El aumento masivo de la producción exigía puestos de trabajo relacionados con el aumento de la distribución. Cuando los coches de pasajeros reemplazaron los viajes a caballo y las ocupaciones ecuestres, se vio un aumento de la movilidad privada, y se crearon, en cambio, puestos de trabajo en la industria en expansión de la alimentación y el alojamiento en carretera. El incremento de la potencia informática utilizada para sustituir las tareas humanas en las oficinas también dio lugar a productos totalmente nuevos y a la industria del juego. Además, el aumento de la riqueza y el crecimiento de la población que acompañan a estos desarrollos condujeron a un aumento de la demanda de ocio y consumo, impulsando estos sectores y creando puestos de trabajo, si bien no tantos como uno puede pensar, tal y como veremos más adelante. Sin embargo, no podemos dar por sentado que la revolución actual seguirá el mismo patrón y creará más puestos de trabajo y riqueza de los que destruirá solo porque así haya ocurrido en el pasado. A diferencia de la tecnología mecánica y la informática básica, las tecnologías de IA no solo tienen el potencial de sustituir a los trabajadores baratos, por ejemplo, con robots de limpieza o agrícolas. También han empezado a superar a trabajadores caros como los patólogos que diagnostican el cáncer y otros profesionales de la medicina que diagnostican y tratan a los pacientes, y también están tocando tareas creativas como la elección de escenas para trailers de películas o la producción de arte digital. Por supuesto, tampoco debemos asumir sin más un futuro distópico con menos puestos de trabajo y una caída de la riqueza. Pero debemos tener en cuenta que actualmente, en muchos casos, es más rentable sustituir a trabajadores caros con soluciones de IA que a mano de obra barata, como los trabajadores textiles de Bangladesh.

Con tal de tener una visión más diferenciada, echemos un vistazo a las afirmaciones más comunes en la actualidad y a cómo resisten un análisis más detallado.

Afirmación 1. La IA creará más o menos puestos de trabajo de los que destruirá

Este es el principal argumento planteado en los escenarios utópicos/distópicos, incluidos los informes del FEM, «97 millones de nuevos puestos de trabajo frente a 85 millones de puestos de trabajo reemplazados en 26 países para 2025»; PwC afirma que «es probable que cualquier pérdida de puestos de trabajo debido a la automatización se vea ampliamente compensada a largo plazo por la creación de nuevos puestos de trabajo»; Forrester informa que «habrá una pérdida de puestos de trabajo del 29 % para 2030 con solo un 13 % de creación de puestos de trabajo para compensar», entre otros. En todo caso, cualquier cambio radical puede plantear grandes obstáculos. Tal y como afirma BCG en un informe reciente sobre este tema, «el número neto de puestos de trabajo perdidos o ganados es una métrica artificialmente simple» para estimar el impacto de la digitalización. Un cambio neto de cero o incluso un aumento de puestos de trabajo podría causar grandes asimetrías en el mercado laboral con una dramática escasez de talento en algunas industrias u ocupaciones y un excedente masivo de trabajadores y desempleo en otras. Por otro lado, en lugar de provocar el desempleo, o al menos el subempleo, un menor número de puestos de trabajo también podría dar lugar a un mayor reparto del trabajo y, por tanto, a semanas laborales más cortas. Por otra parte, aunque esto puede sonar bien en teoría, también plantea otras cuestiones: ¿Cómo se verán afectados los salarios y las prestaciones? ¿Quién se llevaría la mayor parte de las recompensas monetarias?, ¿las empresas, ¿los trabajadores?, ¿el gobierno? Hay que admitir que es demasiado pronto para ver los efectos de la adopción de la IA en lo que respecta al empleo o los salarios en general. No obstante, los resultados del pasado, es decir, de las revoluciones industriales anteriores, no garantizan resultados similares en el futuro. Esos resultados incluso muestran que el crecimiento del empleo y de la riqueza no fue necesariamente tan maravilloso como se suele describir. La relación entre el empleo y la población en edad de trabajar se ha mantenido bastante constante en los países de la OCDE desde 1970, pasando únicamente de algo más del 64 % a algo menos del 69 %. [1] Gran parte de este aumento puede atribuirse a las mayores tasas de participación laboral, especialmente de las mujeres. Y es evidente que el aumento de la riqueza no se distribuye de manera uniforme, por ejemplo, en Estados Unidos:

 

Fuente: Economic Policy Institute, https://www.epi.org/publication/charting-wage-stagnation/

 

Fuente: Economic Policy Institute, https://www.epi.org/publication/charting-wage-stagnation/

 

Sencillamente, no hay motivos para suponer que la IA y la automatización nos harán automáticamente más ricos como sociedad o que el aumento de la riqueza se distribuirá de manera uniforme. Por tanto, deberíamos estar igualmente preparados para escenarios más negativos y debatir cómo mitigar las consecuencias. Por ejemplo, ¿sería aceptable tratar los procesos de la IA como el trabajo humano? Si es así, podríamos considerar la posibilidad de gravarlos para apoyar la redistribución de la riqueza o para financiar la formación o las prestaciones y pensiones de los trabajadores reemplazados.

Además, estas estimaciones deberían cuestionarse en un nivel básico. ¿Quién puede afirmar con seguridad que este empleo va a disminuir? ¿Cómo podemos saber qué tipo de empleos habrá en el futuro? Ninguna de estas proyecciones es realmente fiable u objetiva, ya que se basan principalmente en las opiniones de un grupo de personas. Por ejemplo, el informe sobre el futuro del empleo del FEM, uno de los más influyentes sobre este tema, se basa en encuestas a empresarios. No obstante, es sencillamente ingenuo pensar que cualquier persona, y menos aún un grupo de dirigentes empresariales arbitrarios, puede tener un conocimiento seguro de los puestos de trabajo y las competencias que se necesitarán en el futuro. No se puede esperar más de esto que de una sesión de adivinación en una feria. Basta con echar un vistazo a las predicciones sobre los coches a principios del siglo XIX, las compras a distancia en los años sesenta, los teléfonos móviles en los ochenta o los ordenadores desde los años cuarenta. Si tantas predicciones tecnológicas fueron totalmente erróneas, ¿por qué debería cambiar esto ahora? Sin embargo, esas predicciones son un elemento clave en las estimaciones sobre el «futuro del trabajo».

La realidad es que la investigación fundamentada científicamente sobre este tema es extremadamente escasa. Uno de los pocos estudios en este ámbito analizó el impacto de la IA en los mercados laborales de EE.UU. entre 2007 y 2018. Los autores (del MIT, Princeton y la Universidad de Boston) encontraron que una mayor exposición a la IA dentro de las empresas se asocia con menores tasas de contratación, es decir, que la adopción de la IA se ha concentrado hasta ahora en la sustitución en lugar del aumento de puestos de trabajo. El mencionado estudio tampoco encuentra pruebas de que los grandes efectos de productividad de la IA aumenten la contratación. Algunos pueden sentirse inclinados a decir que esto apoya la visión distópica, sin embargo, también hay que tener en cuenta que este estudio se basa en datos de vacantes en línea, por lo que los resultados deben tratarse con precaución, como explicamos en detalle en otro de nuestros posts. Además, debido a la dinámica de la innovación y la adopción tecnológica, es casi imposible extrapolar y proyectar estos resultados para hacer predicciones sólidas sobre la evolución futura.

Y desde un punto de vista más filosófico, ¿qué significaría para la existencia humana que trabajáramos sustancialmente menos? El trabajo está arraigado en nuestra propia naturaleza; es un rasgo que nos define.

Afirmación 2: Los ordenadores son buenos para lo que nos resulta difícil y malos para lo que nos resulta fácil

¿Difícil y fácil para quién? Por suerte, no todos tenemos los mismos puntos fuertes y débiles, así que está claro que no todos encontramos las mismas tareas «fáciles» y «difíciles». Esta es otra afirmación extremadamente generalizadora basada en un juicio completamente subjetivo. Y si fuera cierto, entonces la mayoría de la gente probablemente consideraría las tareas repetitivas comúnmente fáciles, o al menos más fáciles. Esto contradice directamente la siguiente afirmación.

Afirmación 3: La IA (solo) destruirá los trabajos repetitivos y generará otros más interesantes y de mayor importancia.

El FEM afirma que la IA automatizará tareas repetitivas como la introducción de datos y la fabricación en línea de montaje, «permitiendo a los trabajadores centrarse en tareas más importantes y más precisas» con «beneficios tanto para las empresas como para los individuos, que tendrán más tiempo para ser creativos, estratégicos y emprendedores». El BCG habla del «cambio de puestos de trabajo con tareas repetitivas en las líneas de producción a los de programación y mantenimiento de la tecnología de producción» y de cómo «la eliminación de tareas mundanas y repetitivas en profesiones legales, contables, administrativas y similares abre la posibilidad de que los empleados asuman funciones más estratégicas». La pregunta es, ¿quién se beneficia exactamente de esto? No todos los trabajadores que pueden realizar tareas repetitivas tienen el potencial de asumir funciones estratégicas, creativas y empresariales, o de programar y mantener la tecnología de producción. Es un hecho que no todo el mundo puede formarse para todas las funciones. Las tareas más satisfactorias e interesantes para los intelectuales (como los defensores de un futuro laboral más brillante gracias a la IA) pueden resultar demasiado desafiantes para un obrero cuyo trabajo ¾que puede haber sido perfectamente satisfactorio para él¾ acaba de automatizarse. Y no todos los obreros pueden o quieren ser empresarios o estrategas. Además, ¿qué significa exactamente «más importantes»? ¿Quién se beneficia de ello? Los nuevos puestos de trabajo creados hasta ahora, como los trabajadores de los almacenes de Amazon, los conductores de Uber o repartidores, no reciben precisamente salarios dignos y seguros para vivir. Además, desde principios de los años 70, las empresas han demostrado un claro desinterés por compartir el valor añadido obtenido de las ganancias de productividad con los trabajadores:

 

Fuente: Economic Policy Institute, https://www.epi.org/publication/charting-wage-stagnation/

 

Por otra parte, un gran número de aplicaciones de IA que ya están disponibles realizan tareas de alta o muy alta cualificación, que se basan en la extracción de datos, el reconocimiento de patrones y el análisis de datos: diagnóstico y tratamiento de enfermedades; chatbots de atención al cliente; optimización de cultivos y estrategias agrícolas; asesoramiento financiero o de seguros; detección de fraudes; programación y encaminamiento en logística y transporte público; estudios de mercado y análisis de comportamiento; planificación de personal; diseño de productos y mucho más. El efecto total de estas aplicaciones en el mercado laboral aún no está claro, pero sin duda no solo están eliminando las tareas triviales y repetitivas de los perfiles laborales.

Afirmación 4: (solo) necesitamos mejorar la capacitación de los trabajadores.

Aunque no estamos en desacuerdo con esta afirmación en general, a menudo se plantea como un remedio más o menos sencillo para prepararse para los futuros cambios impulsados por la IA en el mercado laboral y «adoptar los beneficios sociales positivos de la IA» (FEM). La realidad es que esto viene acompañado de varias advertencias que lo convierten en una solución para nada sencilla.

En primer lugar, no podemos olvidar que no es posible predecir el «futuro del trabajo» de forma fiable, especialmente qué puestos de trabajo tendrán realmente demanda en el futuro y cuáles no. Además, basándonos en los efectos de las revoluciones industriales anteriores y en las investigaciones actuales, es muy probable que la implementación generalizada de la IA introduzca nuevos puestos de trabajo con perfiles que no podemos anticipar por el momento. Esto significa que tenemos que dotar a los profesionales actuales y futuros de las habilidades necesarias para trabajos de los que actualmente no sabemos nada. Una de las formas que se suelen sugerir para solucionar este problema es fomentar el aprendizaje permanente y promover formas de formación y educación más adaptables y a corto plazo. Esta es sin duda una opción válida y claramente en auge. Sin embargo, hay que tener en cuenta varios aspectos. Por ejemplo, entre el 15 % y el 20 % de la población adulta de Estados Unidos y la UE [2] tiene un nivel bajo de alfabetización (nivel PIAAC 1 o inferior). Esto significa que tienen problemas para realizar tareas como rellenar formularios o comprender textos sobre temas desconocidos. ¿Cómo se puede formar a estas personas para que tengan éxito en «proyectos más complejos y enriquecedores» si no pueden leer un libro de texto, navegar por un manual o escribir un simple informe? Además, alrededor del 10 % de los trabajadores a tiempo completo en EE.UU. y la UE son trabajadores pobres. [3] Estas personas no suelen tener ni el tiempo ni los recursos ni el apoyo de los empleadores para el aprendizaje permanente y, por tanto, no tienen un acceso bien informado a una recapacitación eficiente, específica y asequible.

Para cuando se aborden estas cuestiones, es posible que muchos de estos trabajadores ya hayan perdido el tren. En 2018, los empleadores estadounidenses estimaron que más de una cuarta parte de su mano de obra necesitaría al menos tres meses de formación solo para seguir el ritmo de los requisitos de cualificación necesarios para sus funciones actuales en 2022. [4] Dos años después, esa proporción se ha duplicado con creces hasta superar el 60 %, y las cifras son similares en todo el mundo. [5] Además, incluso antes del periodo posterior a la Gran Recesión, solo aproximadamente 6 de cada 10 trabajadores estadounidenses reemplazados se volvieron a contratar en un plazo de 12 meses, en el periodo comprendido entre 2000 y 2006. [6] En 2019, esta tasa era la misma en la UE. [7] Con cambios cada vez más rápidos en la demanda de capacitación, combinados con la falta de tiempo y/o recursos para los grupos vulnerables, así como los trabajadores pobres y los trabajadores con bajo nivel de alfabetización, por no hablar de la falta de redes de seguridad y de medidas específicas en los sistemas infrafinanciados de desarrollo de mano de obra, es muy poco probable que las perspectivas para estos trabajadores mejoren.

Además, la pandemia ha acelerado masivamente la adopción de la automatización y la IA en el lugar de trabajo en muchos sectores. Los robots, las máquinas y los sistemas de IA se han implantado para limpiar suelos, tomar la temperatura o los pedidos de comida, sustituir a los empleados de los comedores, las cabinas de peaje o los centros de llamadas, así como patrullar propiedades inmobiliarias vacías, aumentar la producción industrial de suministros hospitalarios y mucho más en un periodo de tiempo extremadamente corto. En el pasado, la nueva tecnología se desplegaba gradualmente, dando tiempo a los empleados para la transición a las nuevas funciones. Esta vez, los empresarios se apresuraron a sustituir a los trabajadores por máquinas o programas informáticos debido a las repentinas órdenes de cierre o distanciamiento social. Esta es una diferencia crucial con respecto a las revoluciones industriales precedentes. Muchos trabajadores han sido despedidos sin tiempo suficiente para reciclarse. Es posible que en el futuro se produzcan acontecimientos similares – ya sea otra pandemia o un avance tecnológico – y, como sociedad, debemos estar preparados para ellos y ofrecer a los trabajadores afectados un apoyo rápido, eficaz y, sobre todo, realista.

Afirmación 5: Los empresarios deben considerar la mejora y la recapacitación como una inversión, no como un gasto

Si una empresa sustituye a todos sus cajeros por robots, ¿por qué iba a querer volver a formar a los nuevos trabajadores despedidos? Incluso a los gobiernos les cuesta adoptar esta postura en materia de formación y educación. Muchos países se centran principalmente en la educación universitaria o de otro tipo para los trabajadores jóvenes, en lugar de reciclar a los solicitantes de empleo o a los empleados. Por ejemplo, el gobierno de EE.UU. gasta el 0,1 % del PIB en ayudar a los trabajadores a superar la transición laboral, menos de la mitad de lo que gastaba hace 30 años, a pesar de que la demanda de cualificaciones está cambiando mucho más rápido que hace tres décadas. Y la gran mayoría de las empresas está interesada principalmente en maximizar los beneficios, así es como funciona nuestra economía. Hay que recordar que vivimos en un mundo en el que incluso los fabricantes de sándwiches y los paseadores de perros se ven obligados a firmar acuerdos de no competencia para evitar que obtengan un ascenso si amenazan con marcharse a un competidor para obtener un salario mayor.

Un software conversacional de buen rendimiento podría permitir a una empresa hacerse con un centro de llamadas de 1 000 personas y gestionarlo con 100 personas más chatbots. Un bot puede responder a 10 000 consultas en una hora, un volumen muy superior al que podría manejar incluso el representante más eficiente de un centro de llamadas. Además, un chatbot no se pone enfermo, no necesita tiempo libre en el trabajo ni pide ventajas y beneficios. Toman decisiones coherentes y basadas en pruebas, y no roban ni defraudan a sus empleadores. Así que, si la calidad de este software es suficiente y el precio es adecuado, lo más probable es que se levanten protestas entre los accionistas si una empresa no apuesta por esta oferta. Al fin y al cabo, una solución que aumente la eficacia y la productividad al tiempo que reduzca los gastos es el ideal de las empresas de nuestro tiempo. Así que, si esta empresa no opta por ella, lo hará su competencia. Y a pesar de la propaganda de «tecnología para el bien social» que oímos constantemente desde Silicon Valley, la mayoría de las empresas simplemente no están interesadas en el futuro de los trabajadores que pronto serán despedidos.

Más allá del horizonte

La conclusión es que no podemos permitirnos el lujo de dramatizar en exceso o confiar en que habrá suficientes puestos de trabajo para todos, ya que si no, estaremos constantemente tratando de ponernos al día. La mayoría de los problemas o soluciones que se citan habitualmente tienden a debatirse de forma académica entre investigadores, empresarios tecnológicos y responsables políticos, junto con una buena dosis de idealismo. Pero para adelantarnos a estos desarrollos que – para bien o para mal – tienen un enorme potencial para transformar por completo el mercado laboral y nuestra sociedad, tenemos que mirar más allá de nuestro horizonte y diseñar estrategias realistas para el futuro que se basen en hechos y datos objetivos.

 

[1]    https://stats.oecd.org/Index.aspx?DatasetCode=LFS_SEXAGE_I_R#
[2]   US: https://www.libraryjournal.com/?detailStory=How-Serious-Is-Americas-Literacy-Problem
        EU: http://www.eli-net.eu/fileadmin/ELINET/Redaktion/Factsheet-Literacy_in_Europe-A4.pdf
[3]   US: https://www.policylink.org/data-in-action/overview-america-working-poor
        EU: http://www.europeanrights.eu/public/commenti/BRONZINI13-ef1725en.pdf
[4]   The Future of Jobs Report 2018, World Economic Forum, 2018.
[5]   The Future of Jobs Report 2020, World Economic Forum, 2020.
[6]   Back to Work: United States: Improving the Re-employment Prospects of Displaced Workers, OECD, 2016.
[7]   https://skillspanorama.cedefop.europa.eu/en/dashboard/long-term-unemployment-rate?year=2019&country=EU#1

Los datos de competencias «fáciles», una manzana envenenada, ¿estás dispuesto a renunciar a ese dulce sabor?

Este es el tercero de una serie de posts sobre habilidades. Si aún no lo has hecho, lee primero los otros artículos:
Dejemos las tonterías aparte y Lo sentimos, pero »Microsoft Office» NO es una habilidad.

En el segundo artículo de esta serie, hablamos de las competencias y de los problemas que plantea su definición y especificación. Suponiendo que podamos llegar a algún tipo de entendimiento común de esta valiosa «nueva moneda», el siguiente paso es encontrar una manera de generar habilidades y datos de trabajo significativos.

 

Datos poco fiables, resultados poco fiables

Las grandes cantidades de datos de las plataformas de empleo en línea o de los sitios de redes profesionales pueden arrojar una gran cantidad de información con una precisión mucho mayor que los datos habituales recogidos por las oficinas nacionales de estadística en las encuestas, especialmente en lo que respecta a las competencias. Una de las razones es que, a diferencia de los anuncios impresos, los empleadores no tienen que pagar por espacio para los anuncios de empleo en línea y, por lo tanto, pueden proporcionar información más detallada sobre los conocimientos y habilidades que requieren. Estos datos en línea también permiten supervisar una muestra mucho mayor en tiempo real, lo que puede ser muy valioso para que los analistas y los responsables políticos desarrollen una comprensión oportuna y más detallada de las condiciones y tendencias del mercado laboral.

Sin embargo, al trabajar con los datos disponibles en línea, como los anuncios de empleo en línea (AEL) o los perfiles profesionales (por ejemplo, los perfiles de LinkedIn), debemos tener claro que estos datos no son ni completos ni representativos y, por tanto, cualquier resultado debe interpretarse siempre con precaución. No solo por el hecho evidente de que los resultados estarán distorsionados, sino sobre todo por las implicaciones. La promoción de determinadas competencias sobre la base de datos distorsionados puede ser perjudicial para el mercado laboral: si los trabajadores se centran en la obtención de estas competencias – que por naturaleza tienden a derivarse de datos sesgados hacia profesionales altamente cualificados en sectores como la informática y otras áreas que implican una educación superior – es más improbable que opten por trayectorias profesionales que impliquen otras competencias que realmente tienen una gran demanda, por ejemplo, carreras profesionales en oficios cualificados, construcción, sanidad, fabricación, etc. El hecho es que la digitalización afectará principalmente a los trabajadores mejor formados y con salarios elevados en los países industrializados, simplemente porque es mucho más fácil digitalizar o automatizar al menos algunas de las tareas de estos trabajos que las de muchas ocupaciones de construcción y vocacionales como la carpintería, el trabajo de cuidados, etc. Lo último que querría cualquier responsable de la política del mercado laboral es acentuar el ya crítico déficit de cualificación en este ámbito o crear un mercado laboral aún más reducido para determinadas profesiones, por ejemplo, los profesionales de la informática. [1] Del mismo modo, los proveedores de educación que pretenden alinear sus planes de estudio con la demanda del mercado necesitan datos fiables para no amplificar las carencias de competencias en lugar de aliviarlas. Sin embargo, un número creciente de SPE se basa en estos datos, a menudo poco fiables, para la toma de decisiones y el diseño de las PAE.

Por ejemplo, hay varios proyectos que pretenden recopilar y analizar todos los AEL disponibles de todas las fuentes posibles en un mercado laboral determinado y utilizar estos datos agregados para hacer recomendaciones que incluyan previsiones de empleabilidad y demanda de competencias futuras. Sin embargo, las competencias suelen procesarse y presentarse sin ningún contexto semántico, lo que puede resultar muy engañoso.

Los desafíos de los datos de AEL

En 2018, el proyecto ESSnet Big Data del sistema estadístico europeo emitió un informe [2] sobre la viabilidad de utilizar los datos de AEL para las estadísticas oficiales. Su conclusión fue que «los problemas de calidad son tales que no está claro si estos datos podrían integrarse de una manera que les permita cumplir con los estándares que se esperan de las estadísticas oficiales».

Veamos algunos de los problemas principales de los datos de AEL.

  1. Incompletos y sesgados: No todas las ofertas de empleo se anuncian en línea. Una parte importante de los puestos se cubren sin anunciarse en absoluto (algunas fuentes afirman que alrededor del 20 %, otras que hasta el 85 % de las vacantes); no obstante, no todas las que se anuncian se publican en línea. El Cedefop comunicó que en 2017, la proporción de vacantes publicadas en línea en los países de la UE varía sustancialmente, desde casi el 100 % en Estonia, Finlandia y Suecia hasta menos del 50 % en Dinamarca, Grecia y Rumanía. [3] Además, algunos tipos de puestos de trabajo tienen más probabilidades de anunciarse en línea que otros. Y las grandes empresas o las que tienen la obligación de publicar las vacantes suelen estar estadísticamente muy representadas, mientras que las pequeñas empresas, que suelen preferir otros canales como la prensa escrita, el boca a boca o los carteles en los escaparates, no están lo suficientemente representadas. Otro punto relevante es que algunos mercados están tan vacíos que no vale la pena publicar las vacantes, y en su lugar se recurre a cazatalentos especializados. En resumen, esto significa que los datos de AEL no solo no captan muchas ofertas de empleo, sino que tampoco son representativos del mercado laboral en general. [4]
  2. Duplica: En la mayoría de los países, no existe una única fuente de datos de AEL. Cada país cuenta con numerosos portales de empleo en línea, algunos de los cuales solo publican anuncios originales, otros vuelven a publicar anuncios de otras fuentes, versiones híbridas, sitios especializados para determinados sectores o niveles de carrera, etc. Por lo tanto, para garantizar una cobertura adecuada, los datos de AEL generalmente deben obtenerse a partir de diversas fuentes. Esto conduce inevitablemente a muchas duplicidades, que deben ser tratadas con eficacia para medir de forma fiable las tendencias del mercado laboral en el mundo real. Por ejemplo, en un proyecto de 2016, el Instituto Nacional de Estadística del Reino Unido (NSI por sus siglas en inglés) informó de porcentajes de duplicación del 8 % al 22 %, dependiendo del portal, y de una tasa de duplicación global del 10 %. [5] En el proyecto ESSnet Big Data, el INE sueco identificó entre un 4 % y un 38 % de duplicados por portal y un 10 % del conjunto de datos combinados. [6]
  3. Falta de detalle en la información: Algunas ofertas de empleo ofrecen información mucho más explícita sobre las competencias requeridas que otras, como en función del sector (por ejemplo, técnico/TI) o del país (por ejemplo, debido a la legislación o a los hábitos culturales). Además, la información implícita solo se registra de forma limitada y está estadísticamente mal representada, a pesar de su gran relevancia. Una de las razones es que los proveedores de datos estadounidenses a menudo no reconocen lo detallado que son los AEL en Estados Unidos, por lo que asumen que esto es así en todas partes y basan sus métodos en esta suposición. Sin embargo, esto dista mucho de ser correcto. Por ejemplo, una descripción de trabajo como la que se muestra a continuación, que es bastante común en EE.UU., a menudo se limita a «realizar todos los trabajos de pintura en las áreas de mantenimiento, conversiones y renovaciones; cumplimiento las normas de seguridad y calidad; mínimo de tres años de experiencia o aprendizaje» en los países europeos. Además, en este tipo de anuncios de empleo, muchas de las competencias requeridas deben derivarse de las tareas o responsabilidades enumeradas. Esto demuestra lo importante que es extraer información implícita.

 

The poison apple of “easy” skills data – are you ready to give up that sweet taste?

 

Por lo tanto, la cuestión es si se pueden tratar estos temas de forma que se generen datos significativos.

La respuesta es aproximada. Las limitaciones de la capacidad de representación pueden abordarse con diversos enfoques. No existe una solución única, pero dependiendo de los datos disponibles y del mercado laboral en cuestión, la ponderación estadística de los datos, según la estructura de la industria derivada de las encuestas de población activa, podría ser prometedora; del mismo modo que comparar los resultados de varias fuentes de datos para realizar comprobaciones de solidez o simplemente centrarse en aquellos segmentos del mercado con un sesgo de cobertura menos problemático. [7]

Los problemas de deduplicación pueden resolverse técnicamente hasta cierto punto y existe una amplia investigación en este ámbito. Básicamente, la mayoría de los métodos consisten en cotejar los campos comunes, comparar el contenido del texto y, a continuación, calcular una métrica de similitud para determinar la probabilidad de que dos ofertas de empleo sean duplicadas. Algunos agentes de búsqueda de empleo también intentan eliminar los duplicados, con mayor o menor éxito. La identificación de duplicados es bastante sencilla cuando los AEL contienen backlinks a un anuncio original, ya que estos enlaces serán idénticos. Por otro lado, los anuncios de empleo que se han publicado en varias bolsas de trabajo suponen un reto mayor. Por ello, lo ideal es que se realicen comprobaciones sólidas de garantía de calidad, como la validación manual en conjuntos de datos más pequeños.

Seriamente subestimadas: el problema de la extracción de competencias

El tercer problema, el nivel de detalle, parece ser el más subestimado. Los AEL de Estados Unidos suelen ser mucho más detallados que los de otros países. Se expone explícitamente mucha información que solo está presente de forma implícita en los datos de los AEL de Reino Unido y otros países (por ejemplo, cubierta por los requisitos de formación o la experiencia laboral) o no se da en absoluto. Pero incluso dentro de EE.UU., esto puede variar mucho.

 

The poison apple of “easy” skills data – are you ready to give up that sweet taste?

 

Resulta innegable que, incluso si podemos resolver las cuestiones relativas a la capacidad de representación y a los duplicados, el simple registro de los datos explícitos seguirá dando lugar a previsiones o pronósticos muy poco fiables. En cambio, hay que extraer tanto los datos explícitos como los implícitos, junto con su contexto. Para reducir las distorsiones de los datos recogidos, hay que analizarlos semánticamente con precisión. Esto puede hacerse con una amplia representación del conocimiento que incluya no solo las habilidades o los puestos de trabajo, sino también la educación, la experiencia laboral, los certificados, etc., así como los niveles requeridos y las complejas relaciones entre las distintas entidades. De este modo, podremos recoger más habilidades implícitas ocultas en las estipulaciones sobre educación, cualificaciones y experiencia. Además, la mayor granularidad de los datos de los AEL solo resulta útil si las habilidades extraídas no se agrupan o generalizan demasiado en el proceso posterior, por ejemplo, en términos como «gestión de proyectos», «habilidades digitales» o «atención sanitaria» (véase nuestro post anterior), debido a que se trabaja con clasificaciones o taxonomías demasiado simplificadas en lugar de aprovechar ontologías completas con un elevado nivel de detalle.

Por otro lado, está la cuestión de cómo analizar los datos. Profundizaremos en este aspecto en el próximo artículo, pero por ahora, podemos decir lo siguiente: incluso si somos capaces de establecer el sistema perfecto para extraer todos los datos relevantes de los AEL (y, por ende, de los perfiles de los candidatos), todavía nos enfrentaríamos al reto de interpretar los resultados (o simplemente hacer las preguntas correctas). Cuando se trata del análisis del mercado de trabajo, de previsiones y de pronósticos, por ejemplo, de la demanda de competencias, la combinación de los datos de los AEL con datos externos, como los de las encuestas de los INE, promete resultados más sólidos, ya que los datos de los AEL pueden cotejarse y, por tanto, calibrarse, ponderarse y estratificarse mejor. Sin embargo, los datos externos relevantes y actualizados son extremadamente raros. Es posible que nos encontremos con otro problema. Es mucho más fácil y más barato mejorar o volver a formar a los solicitantes de empleo, por ejemplo, con un curso de SEO en línea que con una formación profesional o técnica en soldadura MIG/MAG. Así que tal vez algunos de nosotros no estemos tan interesados en la verdadera demanda de habilidades…

 

[1] Según la encuesta de 2020 del Manpower Group, los puestos de TI ocupan un lugar destacado en la lista de puestos más difíciles de cubrir en EE.UU., pero no en todos los demás países. En algunos países, incluidos los desarrollados como Reino Unido y Suiza, los profesionales de las tecnologías de la información no figuran en absoluto en la lista de los diez primeros puestos.
[2] https://ec.europa.eu/eurostat/cros/sites/crosportal/files/SGA2_WP1_Deliverable_2_2_main_report_with_annexes_final.pdf
[3] The feasibility of using big data in anticipating and matching skills needs, Section 1.1, ILO, 2020 https://www.ilo.org/wcmsp5/groups/public/—ed_emp/—emp_ent/documents/publication/wcms_759330.pdf
[4] El proyecto ESSnet Big Data también investigó la cobertura; para los resultados detallados, véanse los anexos C y G del 2018 report.
[5] https://ec.europa.eu/eurostat/cros/content/WP1_Sprint_2016_07_28-29_Virtual_Notes_en
[6] https://ec.europa.eu/eurostat/cros/sites/crosportal/files/WP1_Deliverable_1.3_Final_technical_report.pdf
[7]Véase, por ejemplo Kureková et al.: Using online vacancies and web surveys to analyse the labour market: a methodological inquiry, IZA Journal of Labor Economics, 2015, https://izajole.springeropen.com/track/pdf/10.1186/s40172-015-0034-4.pdf

Lo sentimos, pero «Microsoft Office» NO es una habilidad.

Una de las palabras de moda más destacadas en torno al empleo, la empleabilidad y la gestión de la mano de obra son las competencias. No todo es oro lo que reluce en torno a este concepto y a las palabras de moda, como recapacitación, mejora de las competencias, adecuación de las habilidades, adaptación de las destrezas, anticipación de las habilidades, predicción de las competencias, etc. Se pueden encontrar innumerables publicaciones que explican por qué las habilidades son tan importantes,  » Lea más sobre: Lo sentimos, pero «Microsoft Office» NO es una habilidad.  »

Dejemos las tonterías aparte

Adaptabilidad y flexibilidad, habilidades digitales, creatividad e innovación, inteligencia emocional… Desde que la pandemia se hizo global, todo el mundo ha estado hablando de las principales habilidades post-Covid que los empleados necesitarán. Pasando por numerosas publicaciones desde Forbes y Randstad hasta EURES, parece que el punto clave que tienen en común es que son poco transparentes, si no completamente infundados. A pesar de todo el ruido que generan, ninguna de estas publicaciones da una idea de en qué datos se basan sus afirmaciones,  » Lea más sobre: Dejemos las tonterías aparte  »