La automatización con la Inteligencia Artificial es diferente

En un artículo anterior, examinamos los principales estudios sobre el impacto de la automatización basada en la Inteligencia Artificial (IA) en los puestos de trabajo. Concluímos el mismo con una serie de cuestiones de interés alrededor del futuro de la automatización de los puestos de trabajo debido a la IA, que serán material para futuros artículos. En este artículo voy a tratar de responder a la primera de ellas:

¿Sucederá como en las revoluciones industriales anteriores y se compensarán los puestos perdidos con los nuevos puestos aún sin nombre?

Es cierto que en la revoluciones industriales anteriores, siempre ha habido una automatización de algún tipo y que los puestos de trabajo que se perdieron fueron reemplazados por otros, que ni siquiera existían, por ejemplo, el puesto de trabajo de la persona que encendía y apagaba las farolas de gas en las calles a principios del s.XX, fue sustituido por otros como electricista, fabricante de bombillas, además de que el encendido se automatizó y podía ser realizado a distancia.

Posteriormente, con la revolución de la información, en los años 70 a 90 del s.XX aparecieron puestos como el de informático, analista funcional, diseñador de interfaces de usuario, planificador de redes, etc., que pocos años antes, simplemente, no existían.

Y, naturalmente, ahora van a aparecer otros nuevos, como por ejemplo los que Alfonso Díez (@desflever), profesor mío, está deseando publicar en las ofertas de trabajo de su empresa b2tconcept (y aun le queda un poco para poder publicar ;->), dedicada entre  otras actividades a la transformación digital de empresas y de manera específica a realizar software que automatiza procesos de negocio sobre dominios de conocimiento específicos. Veamos:

Empresa necesita para el desarrollo de una App los siguientes
perfiles profesionales:

• Un ontólogo

• Un metamodelador de lenguajes de dominio de movilidad

• Un experto en DSL

• Un analista de modelos experto en editores de ontologías

• Un experto en lenguajes gráficos

• Un programador de APPs

(dejo al lector curioso que «Googlee», el significado de estos puestos de trabajo a caballo entre el presente y el futuro)

Pero no sólo es cosa de pioneros como Alfonso, la propia revista del MIT Sloan Management Review, da algunas pistas adicionales de cuáles pueden ser estos nuevos puestos de trabajo, esto es, que no existían con anterioridad y los etiqueta de la siguiente manera:

1. Entrenadores:  enseñan a los sistemas de IA cómo deben actuar, en chatbots o, por ejemplo, a «tener empatía».
2. Explicadores:  llenarán el hueco entre tecnólogos y directivos, proporcionando claridad a los cada vez más opacos algoritmos de decisión basados en IA. Esto va a tener una gran importancia a partir del Reglamento General Europeo de Protección de Datos -GDPR por sus siglas en inglés-,  que entra en vigor este próximo mes de mayo de 2018 y que crea el «derecho a la explicación», permitiendo a los consumidores preguntar y combatir cualquier decisión que les afecte basada estrictamente en un algoritmo. Por su importancia quiero dedicar  uno o varios artículos en un futuro próximo a esta cuestión.  Así, las empresas que implanten sistemas avanzados de IA necesitarán de un cuadro de empleados que expliquen las interioridades de algoritmos complejos a profesionales sin formación técnica en la materia.
3. Sustentadores:  estas personas se asegurarán de  que los sistemas IA están operando como se diseñaron y que las consecuencias no previstas se gestionar con la urgencia adecuada. Un puesto clave de esta categoría podría llamarse responsable de cumplimiento ético, que actuaría como guardián y «defensor del pueblo», manteniendo  los valores y la moralidad humanas, si por ejemplo un sistema de concesión de crédito automático basado en IA, está discriminando ciertas profesiones o áreas geográficas. Este perfil podría trabajar junto con el explicador (que podría llamarse «forense analista de algoritmos») para descubrir las causas subyacentes de dicha decisión e implementar las soluciones apropiadas.

Todos estos nuevos roles complementan tareas realizadas por tecnologías cognitivas, asegurando que el trabajo de las máquinas sea, al tiempo, efectivo y responsable, esto es, transparente, justo y auditable.

En resumen, estas nuevas profesiones (y también las del «anuncio de empleo futuro»), tienen como denominador común que requieren habilidades avanzadas y entrenamiento en cuestiones que no tienen precedentes.

Lo cierto es que como se aprecia en la siguiente figura, en cada revolución industrial, se ha automatizado un aspecto de la vida de las personas:

Se puede observar, que en esta ocasión la situación es diferente a las anteriores, puesto que la esencia de la automatización basada en la IA y el Aprendizaje Automático (ML por sus siglas en inglés), es la meta-automatización, o la automatización del propio proceso de automatización. Este proceso lleva décadas en curso.

Pero para poder establecer una tendencia, hemos de ser capaces de responder,  ¿cuál es el balance neto entre creación destrucción de puestos de trabajo antiguos y creación de puestos de trabajo?  Esta cuestión clave, ligada en principio, a la productividad por trabajador, es objeto del análisis de todos los economistas del mundo (aquí dejo un ejemplo de análisis del decaimiento de la productividad con la tecnología, cuando lo esperable sería lo contrario y aquí se puede encontrar otro, con una aproximación diferente al problema).

Si los más finos analistas económicos aún no han sido capaz de establecer la cuestión anterior, no voy a ser yo quien haga este análisis, sino que voy a establecer mis propias conclusiones a partir de un examen de tipo no económico, sino basado en la naturaleza de la IA y sobre todo, de que ésta tiene un crecimiento doblemente exponencial, lo cual tiene profundas implicaciones que muchos analistas de pensamiento «lineal» (porque es lo «intuitivo» según nuestra experiencia cotidiana de las cosas) no están considerando, o en todo caso están infravalorando.

En primer lugar, vimos en otro artículo, que el estudio de McKinsey, el más completo probablemente de los existentes, el 26% de los puestos de trabajos tenían un potencial de automatización del 70% o más. Podemos concluir, por otro lado, desde el punto de vista del empleador de estos puestos de trabajo, que estos puestos sencillamente desaparecerán, puesto que el 30% del trabajo no automatizable o se rediseña para eliminarlo gracias a las nuevas posibilidades que brinda la automatización, o bien se transfiere este contenido a otro puesto de trabajo similar, que pueda ser dotado de contenido suficiente con 2 o 3 «restos» de puestos de trabajo que puedan ser realizados por un trabajador con un mismo conjunto de habilidades (por ejemplo, contabilidad, control de gestión, auditoría financiera, etc.). Este proceso se hará normalmente vía transformación a un puesto de trabajo del siguiente grupo que se expone a continuación.

Según ese mismo estudio, el 62% de las profesiones tienen al menos un 30% de sus tareas automatizables, por lo que si quitamos el 26%, que se automatizarán completamente, nos queda que un 36% de estas profesiones tienen entre un 30% y un 70% automatizable. En esta profesiones el ritmo de automatización de acuerdo con las cinco variables que figuran en el estudio, pero en todo caso exigirán la formación del trabajador para complementar con su trabajo los puntos fuertes de la automatización basada en la IA.

La novedad que introducen las tecnologías de IA actuales es que permiten no sólo la automatización de tareas repetitivas manuales, sino también muchas de las tareas más mentales y cualificadas, que hasta ahora se pensaba que estaban «a salvo» de los procesos de automatización.

Sirva como ejemplo el caso de Goldman Sachs, uno de los bancos de inversión más importantes del mundo, que en 2000 empleaba 600 agentes de bolsa (traders) en Nueva York, cada uno de ellos con un salario medio de 500.000$ y en la actualidad tiene 200 programadores (que cobran entre 100.000-150.000$) y sólo dos traders, habiendo sido sustituidos los demás por máquinas. Así que los ahorros son mucho más que evidentes y en la actualidad es ya un proceso que parece imparable en todo el sector financiero.

Pero es no sólo una cuestión de producir enormes ahorros gracias a la IA (que también), sino que sus resultados también son mejores. Un estudio de Eurekahedge siguió a 23 fondos de inversión (hedge funds) que usaban IA y encontró que superaban a los fondos que se basaban en personas (8.44% de retorno anual de la inversión en los últimos 6 años, frente al 2,62% de los fondos «humanos»). Esto tiene que ver con las limitaciones cognitivas de los seres humanos y también con el hecho de que estos modelos siempre están aprendiendo del mundo. De hecho, esta aplicación de la IA es tan apasionante y tiene tantas implicaciones «ocultas» que tengo la intención de dedicarle uno o dos artículos al menos en el futuro.

O sea, que según este estudio que he tomado como referencia, un 38% de las profesiones tendrían una baja probabilidad de ser automatizadas, porque menos de un 30% de sus tareas, con las tecnologías y capacidades de la IA hoy (en 2017), según señala el propio estudio.

Y es aquí donde se hace preciso señalar la naturaleza doblemente exponencial de la IA. Por un lado como toda tecnología de la información, el hardware de la IA, sufre una aceleración exponencial en su potencia de cálculo, lo que le permite analizar conjuntos más grandes de datos, en menos tiempo cada vez, cosa que está permitiendo aplicaciones increíbles de Deep Learning hasta hace muy poco inimaginables.

También el software, los algoritmos ha sufrido un incremento exponencial en el número de publicaciones sobre IA  y Deep Learning(más de 3.100 artículos científicos presentados en el último NIPS 2017) , lo que convierte a la IA en dos veces exponencial (exponencial Hardware + exponencial de Software), pero no doblemente exponencial (exponencial de un exponencial), ¿de dónde sale esta exponencialidad doble? pues, sale de dos hechos:

1. La utilización de la IA para realizar automáticamente el análisis y prueba de los resultados, así como la generación de nuevas hipótesis.
2. El llamado «efecto de red» de los datos

Cuando se automatiza el proceso de generación de hipótesis, realización de pruebas y generación de resultados, lo que se tiene es el método científico «con esteroides». Como ejemplo de esto, Eva, es una IA de la Universidad de Manchester, que ya ha realizado contribuciones significativas al conocimiento científico sobre enfermedades tropicales. Prueba 10.000 compuestos al día contra la malaria y otras enfermedades tropicales. Esto ha permitido acelerar enormemente el proceso de generación y prueba de los diferentes compuestos. Naturalmente, nada impide extender este tipo de estrategias a otros campos donde el número de pruebas a realizar y de compuestos a probar sea potencialmente muy grande, por ejemplo para le generación automática de código.

El otro punto que provoca la exponencialidad doble, es el llamado efecto de red de los datos. El caso prototípico pero ni mucho menos el único es el buscador de Google: cuanto más gente busca, más datos proporcionan y cuanto más datos proporcionan, permite a Google refinar y mejorar el buscador constantemente, mejorando su buscador y personalizando la experiencia de usuario. Este bucle de realimentación puede apreciarse en la siguiente figura:

Lo que esto, quiere decir, de vuelta a nuestro estudio de referencia, es que las capacidades de los sistemas de IA de «mañana» puede variar drásticamente las capacidades de la IA de «hoy». Dos o tres avances conceptuales en la IA, puede hacer que se pase el punto crítico de cambio de tendencia que veíamos en la doble exponencial, «precipitando», el rango de tareas que una IA podrá asumir a partir de ese momento y, a partir de ese momento, como hemos visto en el ejemplo de Goldman Sachs, si puede hacerse, se hará y no en 17 años sino en 10 o menos, la lógica del capitalismo de maximización del beneficio es inexorable.

Mucha gente piensa que los trabajos «seguros» son aquellos que se basan en la intuición humana, pero no se dan cuenta, que como dice Carlos E. Pérez, el aprendizaje profundo  que tiene las mismas características que la intuición humana (ver por ejemplo AlphaGo o  Libratus, el sistema que ganó al poker a los jugadores profesionales). De manera que en el futuro  los seres humanos estarán entre la espada y la pared, es decir entre la Intuición Artificial que ya empieza a existir en los sistemas más avanzados gracias al Deep Learning y el Razonamiento Artificial general, del que aún estamos muy lejos, a pesar de la existencia de algunos grupos de investigación muy potentes basados en ciencias cognitivas, por la existencia de un hueco semántico, es decir, la dificultad de traducir hechos o descripciones tal y como es capaz de recogerlos los algoritmos actuales de Deep Learning a lenguajes formales o modelos científicos que permitan un razonamiento abstracto y jerárquico sobre dichos conceptos y todo ellos de forma no supervisada (sin seres humanos realizando esta asignación).

En definitiva, esto quiere decir, que dada la globalización del comercio mundial y dado que de acuerdo con la ONU, la población mundial alcanzará un máximo de 9.700 millones para 2050 y 11.500 millones de personas en 2100, no sólo hemos de sustituir puestos de trabajo sino crear muchísimos más para la gente que está venir, es decir, hemos de empezar a hablar de una refundación de las bases del capitalismo, donde primero pasaremos por unas décadas turbulentas en las cuales aumente mucho la desigualdad porque mucha gente que hoy tiene un buen empleo, pasará de la clase media a la economía precaria y temporal y tendrá poca capacidad de consumo y sólo los muy capaces y con conocimientos muy sofisticados, tendrán buenos empleos (cada vez mejores eso sí).

En esta condiciones, habrá que empezar a hablar  de cosas como, la economía del Bien Común  propuesta por Christian Felber (tachado de peligroso eco-comunista), la Renta Básica Universal (diversos países haciendo pruebas y gente como Elon Musk que no parece un peligroso izquierdista ;->),  si los robots u otras IA deben pagar impuestos por los trabajos  que sustituyen (Bill Gates) y otros temas como pagar a la mucha gente que va a perder su puesto de trabajo para que pueda formarse en otra cosa (Andrew Ng). Es decir, que tendremos que pasar de un modelo actual basado en la economía de la escasez a otro basado en la economía de la abundancia.

¡Hasta el próximo artículo!