- A medida que la IA multiplica el conocimiento codificado, el conocimiento tácito —la pericia que se obtiene únicamente a través de la práctica, se vuelve más escasa y más valiosa.
- La región enfrenta un riesgo específico: los puestos de trabajo iniciales en los cuales los jóvenes principiantes adquieren habilidades prácticas son precisamente los más expuestos a la automatización de la IA.
- Los gobiernos deberían invertir sin demoras en pasantías de formación, capacitación dual y portabilidad de los historiales laborales para garantizar que la adopción de IA no socave las oportunidades de aprendizaje de las generaciones futuras.
Hubo un tiempo en que las discusiones acerca de la inteligencia artificial y el trabajo giraban en torno a un interrogante simple: ¿qué tareas pueden llevar a cabo las máquinas y cuáles seguirán requiriendo intervención humana? Esta pregunta sigue vigente, pero el debate ya pasó esa página. Las últimas investigaciones señalan una preocupación más amplia: la IA puede configurar no solo las tareas en el ámbito laboral, sino también el modo en que se forman y se transmiten las capacidades humanas a lo largo del tiempo; una cuestión que la región de América Latina y el Caribe debe abordar de manera urgente.
Lo que pone de relieve esta evolución del debate es que la experiencia y el juicio práctico son hoy más importantes que nunca. Para asegurarse de que la IA sirva para fortalecer el capital humano de nuestra región, los responsables de formular políticas deberían reforzar la formación práctica mediante pasantías y capacitación dual, garantizar la portabilidad de losregistros de experiencia laboral para acreditar las habilidades prácticas y otorgar subsidios específicos para apoyar el desarrollo de experiencia al inicio de la carrera.
Puede resultar útil empezar por una distinción muy sencilla que suele pasarse por alto: la diferencia entre el conocimiento explícito y el tácito. El conocimiento explícito puede codificarse, escribirse, enseñarse en el aula, almacenarse en una base de datos o transmitirse mediante manuales y documentos. El conocimiento tácito es diferente: consiste en la pericia obtenida a través de la experiencia práctica, los procedimientos de ensayo y error, y el contexto. Incluye la intuición de un enfermero experimentado, el olfato de campo de un trabajador social, el juicio práctico de un docente o la aplicación del saber hacer de un funcionario público. Buena parte de lo que realmente importa en el trabajo calificado es difícil de documentar, y más difícil aún es transmitirlo únicamente por medio de la instrucción.
Esta distinción es relevante porque la IA generativa parece ser particularmente eficaz para ampliar el conocimiento explícito a gran escala: puede resumir, clasificar, recuperar, comparar, redactar y recombinar información a muy bajo costo. Pero eso no significa que pueda replicar con la misma eficacia el juicio práctico fundado en la experiencia. De hecho, probablemente sea al revés: cuanto más volumen de conocimiento codificado se acumula, más valor cobra el conocimiento que solo se adquiere a partir de la experiencia, es decir, al hacer.
Esta es una posibilidad que atraviesa gran parte de la literatura más nueva, aunque desde distintos ángulos. Acemoglu, Kong y Ozdaglar estudian de qué modo la IA generativa —en particular, la IA agéntica o autónoma— puede reducir los incentivos a adquirir conocimiento específico del contexto y, así, erosionar gradualmente la base de conocimiento de la cual dependen las decisiones futuras.
Ide y Talamàs analizan el modo en que la IA reconfigura la organización del trabajo relacionado con el conocimiento, y cambia los roles de los trabajadores que resuelven problemas rutinarios y de los expertos que se encargan de las excepciones. El último artículo de Ide se centra en un riesgo asociado con esto: cómo la automatización de las tareas de los puestos de nivel inicial puede reducir las oportunidades mediante las cuales se transmite la pericia tácita de los trabajadores de generación en generación.
El interrogante que agregaría a todo esto tiene más que ver con la economía clásica del capital humano: si la IA amplía el conocimiento codificado con mayor facilidad que el conocimiento tácito, ¿qué cambios deberíamos esperar en términos de remuneraciones y valoración de los trabajadores?
Esto nos retrotrae a un interrogante previo del campo de la economía laboral, asociado con Ben-Porath y Mincer: ¿cómo se construye el capital humano a lo largo del ciclo de vida, a través de la escolarización y la experiencia, y de qué manera los salarios reflejan el rendimiento de ambas cosas?
En la era de la IA, este marco puede cobrar un nuevo significado. Puede que la IA genere algo más que un cambio de tareas entre los trabajadores. Al provocar una disminución de la escasez relativa de conocimiento codificado, incrementando al mismo tiempo la escasez relativa del juicio que se adquiere a través de la práctica, puede alterar la composición del capital humano son más valiosos.
Esta no es simplemente una conjetura liviana: los modelos económicos de acumulación de capital humano señalan varias implicancias observables. En las ocupaciones más expuestas a la IA, el rendimiento de la educación formal debería reducirse en relación con el rendimiento de la experiencia.
En la carrera de un trabajador, el punto en el cual la experiencia se vuelve más valiosa que sus credenciales académicas debería llegar antes para las cohortes más recientes —un cambio del cual los investigadores han hecho un seguimiento basándose en datos de ingresos de distintas generaciones, y que los últimos trabajos sobre el modo en que la escolarización y la experiencia laboral temprana interactúan en el ciclo de vida ayudan a explicar.
Asimismo, puede que las empresas empiecen a confiar más en la experiencia documentada que en los títulos y diplomas por sí solos: los antecedentes laborales, los portafolios y el desempeño comprobado al evaluar candidatos —un escenario en el que la portabilidad de los historiales laborales puede cobrar mayor importancia, erigiéndose en las nuevas «credenciales» de conocimiento práctico.
En nuestra región, durante las dos últimas décadas, gran parte del crecimiento de la participación del empleo formal ha sido impulsado por las ocupaciones del ámbito administrativo y de los servicios (apoyo administrativo y operativo interno, servicios al cliente, análisis de rutina e intermediación administrativa), precisamente porque ofrecían una forma accesible de ingresar al mercado de trabajo.
Muchos de esos trabajos son ahora también los más expuestos a la IA generativa. Si esas tareas que realizan quienes ingresan al mercado laboral se comprimen demasiado rápido, el riesgo —más allá de los despidos, la saturación de la reconversión de habilidades o del reciclaje laboral, el desánimo y el abandono prematuro del empleo— reside en que habrá menos oportunidades para acumular ese juicio práctico que los trabajadores adquieren, generalmente, al inicio de sus carreras.
La preocupación es que la IA asume precisamente las tareas de ensayo y error a través de las cuales los trabajadores principiantes adquieren experiencia. En una región en la cual las deficiencias del sistema educativo suelen compensarse, al menos en parte, por lo que se aprende en el trabajo, esa pérdida puede ser por demás costosa.
Además de las implicancias que esto tiene para los trabajadores, la erosión de los canales de aprendizaje por medio de la práctica también afecta la productividad y el crecimiento a largo plazo. Buena parte de las ganancias de productividad derivadas de la adopción de IA depende no solo de la tecnología en sí misma, sino también de la capacidad de la empresa para integrarla en procesos productivos complejos, una capacidad que depende significativamente del conocimiento tácito acumulado a través de la experiencia.
Hay sectores clave en los cuales la región de América Latina y el Caribe podría desarrollar ventajas comparativas, como los servicios globales y otras actividades intensivas en conocimiento, en los que la pérdida de oportunidades de aprendizaje al inicio de la carrera pone en riesgo la capacidad de absorción de las empresas y, en última instancia, la sostenibilidad de esas especializaciones productivas.
El BID ha identificado esta dinámica como un desafío central del grado de preparación para adoptar IA en la región: un reto que tiene implicancias no solo para los trabajadores, sino también para la productividad de las empresas y la capacidad de la región para sostener las actividades intensivas en conocimiento.
La formación laboral complementaria, en particular, la educación dual y las prácticas supervisadas, es fundamental para garantizar que la adopción de IA no se realice a expensas de las oportunidades disponibles para los trabajadores jóvenes.
El BID apoya desde hace ya mucho tiempo iniciativas que persiguen ese objetivo. Una de las más destacadas son los planes de capacitación finishing schools, en los que las empresas diseñan junto con los gobiernos programas para que los trabajadores jóvenes acumulen experiencia directa mientras aprenden las habilidades que la IA no reemplazará, sino que, eventualmente, complementará.
Desde esta perspectiva, las capacitaciones de finishing schools son más que simples programas de empleo; son mecanismos institucionales para preservar la transmisión de conocimiento implícito en contextos de cambio tecnológico vertiginoso. Los datos sintetizados por el BID sobre los programas finishing schools para la industria de servicios globales muestran un patrón sistemático: los resultados mejoran cuando la capacitación se diseña de manera conjunta con los empleadores, basándola en tareas reales y no en ejercicios simulados, y cuando las evaluaciones se realizan en función del desempeño demostrado y no solamente de las credenciales.
Este es precisamente el diseño más pertinente en un mercado de trabajo en el que la experiencia constituye cada vez más un indicador de valor, a la par de la capacitación formal o en su reemplazo.
¿Qué deberían hacer los países de ALC en este punto? Sobresalen tres caminos posibles.
En primer lugar, repensar la educación para priorizar el aprendizaje a través de la experiencia. Si la IA gestiona cada vez más el contenido codificado, puede que la ventaja comparativa de la capacitación centrada en las personas resida en cultivar, a través de la práctica, el desarrollo de un juicio capaz de considerar los matices y el contexto. Para ello, se necesita contar con más pasantías, residencias, mentorías, prácticas laborales supervisadas y entornos de aprendizaje estructurados, como la capacitación dual y los programas como finishing schools, que incorporan deliberadamente la práctica en la formación de capacidades, y no solo la suma de información.
Desde luego que esto no representa un llamado a reemplazar la educación formal, sino a reequilibrarla marginalmente, ampliando los componentes experienciales en contextos en los que la IA reduce de forma más directa la escasez de conocimiento codificado. Este argumento se apoya en evidencia empírica convergente: la literatura clásica sobre los rendimientos asociados a la experiencia, los registros operativos del propio BID referidos al programa finishing schools y los hallazgos iniciales del modo en que la automatización por IA de las tareas más básicas ya está estrechando los canales a través de los cuales se transmite la pericia tácita.
Esperar a contar con pruebas concluyentes de una relación causal entraña su propio riesgo: si la velocidad con que se erosionan esos canales de aprendizaje supera la velocidad de adaptación de las políticas, el costo puede ser difícil de revertir.
En segundo lugar, asegurar la portabilidad y accesibilidad de los historiales laborales. Actualmente, las tarjetas de presentación de los trabajadores jóvenes en el mercado laboral son sus credenciales académicas. Si la experiencia práctica va a ser cada vez más relevante, deberían poder documentarla y llevarla consigo: un registro de lo que hicieron, de lo que resolvieron y de dónde aprendieron. La mayoría de los países tiene historiales de empleo privado fragmentados y a los que los trabajadores no pueden acceder.
Garantizar la portabilidad de los historiales laborales y hacerlos públicos ayudaría a los trabajadores a validar sus conocimientos prácticos del mismo modo en que validan sus credenciales de educación formal. Un cambio de política claro y sencillo que conllevaría grandes beneficios.
En tercer lugar, considerar el otorgamiento de subsidios para adquirir experiencia al inicio de la carrera. Los trabajadores jóvenes sin capacitación previa son menos productivos al principio, pero generan derrames positivos al aprender en el trabajo. A medida que la IA reduce la cantidad puestos disponibles de nivel inicial, cobra fuerza el argumento económico en favor de brindar apoyo público a los programas para adquirir experiencia al inicio la carrera.
Si delegamos demasiado en el algoritmo, la dimensión del trabajo relacionada con el proceso de ensayo y error en el marco de la práctica, corremos el riesgo de privarnos de las experiencias a través de las cuales se forma ese saber hacer que es difícil de documentar.
El resultado podría ser una ganancia de productividad a corto plazo combinada con una erosión gradual de las competencias humanas de las cuales depende, en última instancia, esa productividad, lo cual conllevaría a externalidades económicas y sociales negativas sustanciales.
El debate en torno a la IA en nuestra región debería ir más allá de las cuestiones relacionadas con la adopción, la infraestructura o la regulación, y preguntarse qué tipo de capital humano estamos desarrollando.
¿Les estamos dando a los trabajadores la experiencia práctica para desarrollar ese capital humano? ¿Cuánto estamos dispuestos a pagar actualmente para que los trabajadores futuros tengan una oportunidad?
Para explorar las investigaciones y publicaciones del BID referidas a la inteligencia artificial y el futuro del trabajo en América Latina y el Caribe, visite nuestra biblioteca de publicaciones sobre IA.