El término agrupa a trabajadores con exposiciones a la IA muy diferentes, lo que hace que la crisis sea más difícil de ver en los datos.
Getty Images
El término "cuello blanco" es ampliamente atribuido al sociólogo Upton Sinclair, quien hace un siglo lo utilizó para describir a los trabajadores asalariados que no ensuciaban sus manos. Durante la mayor parte del siglo XX, sirvió como un indicador razonable para una clase de trabajadores definida por la educación, el trabajo de oficina y la seguridad laboral relativa.
Casi 100 años después, esa categoría está haciendo demasiado trabajo, y su imprecisión puede ser una de las razones de la disrupción económica que la IA está infligiendo a los trabajadores del conocimiento sea tan difícil de medir y tan fácil de subestimar.
Únete a más de 500.000 lectores que comienzan su día con Quartz.
Al suscribirte, aceptas nuestros Términos de servicio y Política de privacidad.
Considere quién se agrupa bajo "cuello blanco" hoy: un ingeniero de software senior en una gran empresa tecnológica, un paralegal de primer año en un bufete de abogados, un analista de acciones junior en un banco, un redactor de marketing en una startup, un gerente de recursos humanos de nivel medio en un fabricante. Todos son educados universitarios, trabajan en oficinas y son asalariados. Todos aparecerían en la misma categoría del mercado laboral en la mayoría de los datos gubernamentales.
Sin embargo, su exposición al desplazamiento por IA no es remotamente similar.
Investigación de la Universidad de Pensilvania y OpenAI encontró que aproximadamente el 80 % de la fuerza laboral de EE. UU. tiene al menos el 10 % de sus tareas expuestas a la IA, pero esa exposición es extremadamente desigual. La revisión de documentos legales, el análisis financiero y la generación de contenido se encuentran entre las tareas de mayor exposición. La arquitectura de software senior, la gestión estratégica y la negociación compleja se encuentran entre las más bajas. El mismo paraguas de "cuello blanco" cubre a ambos.
El problema de medición que esto crea es significativo. Cuando los economistas informan que las nóminas de cuello blanco se han contraído durante 29 meses consecutivos, un hallazgo que Aaron Terrazas, ex economista jefe de Glassdoor, describió a Quartz como "increíblemente inusual, remontándose 70, 80 años" — esa cifra agrega trabajadores cuyas situaciones son fundamentalmente diferentes. Una contracción impulsada por despidos de analistas junior y asistentes legales cuenta una historia económica muy diferente de una impulsada por salidas de gerentes senior o jubilaciones anticipadas.
Los datos estándar del gobierno no hacen que esta distinción sea fácil de ver. La Oficina de Estadísticas Laborales clasifica ocupaciones por industria y función, no por perfil de tareas cognitivas o exposición a IA. El resultado es que las señales del mercado laboral llegan agregadas de maneras que oscurecen dónde está realmente concentrada la disrupción.
Esto importa tanto para la política como para la medición. Las intervenciones diseñadas para proteger genéricamente a los "trabajadores de cuello blanco" pasarán por alto a aquellos que más las necesitan.
Varios economistas e investigadores laborales han propuesto reorientar el análisis en torno a la exposición a tareas en lugar de la categoría ocupacional. La distinción clave no es si un trabajo es de oficina, sino si las tareas cognitivas que requiere son rutinarias o no rutinarias, y si implican el tipo de reconocimiento de patrones y síntesis de texto en los que los modelos de lenguaje grandes se desempeñan bien.
Bajo esa medida, los trabajadores con mayor riesgo a corto plazo se concentran en roles específicos: puestos junior en servicios legales y financieros, trabajos de contenido y comunicaciones, análisis de datos a nivel de entrada y coordinación administrativa. Estos trabajos comparten un perfil de tareas más que un color de cuello.
La categoría de "cuello blanco" pudo haber tenido sentido cuando la amenaza era la automatización física. Para la automatización cognitiva, es la unidad de análisis incorrecta, y usarla puede ser parte de la razón por la que tantas personas sienten la disrupción antes de que los datos alcancen.
