Proyecto final de MCAA 2025-1

Esta es una pequeña muestra del prototipo de mi proyecto de Seminario de Investigación.

Introducción

En los últimos años, la inteligencia artificial (IA) ha transformado diversos sectores, generando cambios significativos en la estructura laboral a nivel mundial. En América Latina, esta tecnología plantea oportunidades y desafíos, especialmente en el contexto de las pequeñas y medianas empresas (PyMEs) que conforman una parte importante de la economía de la región.

El objetivo de este análisis es explorar el impacto actual y potencial de la IA en los puestos de trabajo, evaluando cómo afecta a los trabajadores, y examinando el riesgo de automatización en funciones administrativas.

A lo largo de esta página web, se presentarán datos actualizados, gráficos y proyecciones que nos ayudarán a entender cómo la IA está moldeando el futuro del empleo en América Latina.

Antecedentes

Desde la década del 1950 Alan Turing se hizo la pregunta de si las máquinas pueden pensar, empezando por el concepto mismo de máquina y pensamiento, que al intentar definir noto que eran palabras ambiguas y generaba un nuevo problema sobre las habilidades físicas e intelectuales del ser humano. Con esto en mente hizo un experimento para hacer el comparativo entre una máquina y la inteligencia de un ser humano.

Sin embargo, no fue hasta 1956 que Jonh Mc Carthy citó por primera vez el término “Inteligencia Artificial” en la Conferencia de Dartmouth. Por desgracia pasó por un periodo en el que no hubo grandes avances, conocidos como “inviernos de la IA”, siendo estos momentos en los se tenían limitaciones tecnológicas y falta de financiarización para poder impulsar esta herramienta y tener progresos.

Durante las décadas siguientes, el campo de la IA experimentó avances significativos gracias a mejoras en el procesamiento computacional y el desarrollo de algoritmos más complejos. En los años 80 y 90, la IA comenzó a aplicarse en sectores especializados, como la medicina y las finanzas, permitiendo el desarrollo de sistemas de diagnóstico y de análisis predictivo.

La inteligencia artificial (IA) está transformando profundamente la organización del trabajo y la gestión de recursos humanos.

Las IA se clasifican de acuerdo con su función. La organización determinará cuál es la que va a elegir según sus necesidades. Una clasificación funcional se crea a partir de las actividades que estas ayudan a resolver:

  • Machine Learning: ayuda a procesar una gran variedad de datos con el fin de encontrar correlaciones en la población de estudio.

  • Deep Learning: permite organizar información no estructurada en bases de datos.

  • Data Extraction: trabaja únicamente con información en formato de texto.

  • Natural Language Generation: permite manipular datos con el objetivo de brindar soporte mediante reportes y avances de desempeño.

La IA con mayor uso es la NLG por su uso interactivo y facilidad para entregar datos y escenarios de apoyo para toma de decisiones (Hammond, 2017)

Mundo actual

Hoy en día, la IA ha evolucionado hasta convertirse en una tecnología capaz de realizar tareas complejas que antes se consideraban exclusivas de los seres humanos.

En 2013, Frey y Osborne publicaron una nueva metodología de categorización de las ocupaciones para conocer la probabilidad de automatización de 702 ocupaciones de empleos en Estados Unidos, clasificados en bajo, mediano y alto riesgo, como podemos observar en la figura 1, donde se demostraba que los empleosrelacionados a soporte de oficina y administración (color durazno) están considerados como alto riesgo de automatización.

Figura 1. Distribución del empleo ocupacional en Estados Unidos en función de la probabilidad de informatización según la categoría baja, media y alta.

Gráficas

A continuación, se presenta una gráfica que representa el riesgo percibido de automatización por empleados con nivel de estudios de licenciatura en adelante, de diversos países entre ellos México, obtenidos de la Encuesta de Habilidades de Adultos del sitio web Future of Jobs de la OCDE en 2022.

knitr::opts_chunk$set(echo = TRUE)

library(ggplot2) 
library(readxl)
library(dplyr)
## 
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
  #Datos para la gráfica

Percpdata <- read_excel("C:/Users/Mariana/Downloads/Mydata.xlsx")

# Verificar datos correctos
print(Percpdata)
## # A tibble: 5 × 2
##   Risk      Porcentaje
##   <chr>          <dbl>
## 1 Very Low          22
## 2 Low               24
## 3 Medium            32
## 4 High              15
## 5 Very high          7
# Calcular las posiciones de las etiquetas
Percpdata <- Percpdata %>%
  mutate(
    Proportion = Porcentaje / sum(Porcentaje),
    Label = paste0(round(Proportion * 100, 1), "%"),
    Cumulative = cumsum(Proportion),
    Midpoint = Cumulative - Proportion / 2 
  )

# Crear gráfica de pastel
ggplot(Percpdata,
       aes(x = 1, y = Porcentaje, fill = Risk)) +
  geom_bar(width = 1, stat = "identity", color = "black") +
  coord_polar(theta = "y") +
  scale_fill_manual(values = c("#F44336", "#FFC107", "#FFEB3B", "#8BC34A", "#4CAF50")) +
  labs(title = "Percepción del Riesgo de Automatización") +
  theme_void() +
  theme(
    plot.title = element_text(hjust = 0.5, size = 16, face = "bold")
  )

Justificación del proyecto

Sin embargo, sabemos que el nivel de automatización de los países varía, como se muestra en el siguiente gráfico.

En la siguiente gráfica podemos observar como incluso dentro de unidades geopolíticas, como lo es la Unión Europea, observamos diferencias en los porcentajes de riesgo de automatización de los trabajos.

Por ello es importante conocer la experiencia de los trabajadores de América Latina en cuanto al nivel de automatización en sus empleos, las tareas que desempeñan, lo que se les pide de ellos y cómo perciben estos cambios, para bien o para mal.

knitr::opts_chunk$set(echo = TRUE)

library(ggplot2)
library(readxl)

# Leer datos desde el archivo Excel
dataset <- read_excel("C:/Users/Mariana/Downloads/oecd_automation_risk.xlsx")

# 3. Verificar que los datos se hayan cargado correctamente
print(head(dataset))
## # A tibble: 6 × 2
##   Country         `High risk of automation`
##   <chr>                               <dbl>
## 1 Hungary                              36.4
## 2 Slovak Republic                      35.7
## 3 Czechia                              35.2
## 4 Poland                               33.5
## 5 Lithuania                            31  
## 6 Slovenia                             31
str(dataset)
## tibble [28 × 2] (S3: tbl_df/tbl/data.frame)
##  $ Country                : chr [1:28] "Hungary" "Slovak Republic" "Czechia" "Poland" ...
##  $ High risk of automation: num [1:28] 36.4 35.7 35.2 33.5 31 31 30.5 30.1 30.1 29.8 ...
palette_morado <- colorRampPalette(c("#E6E6FA", "#FFE4E1", "#FFBBFF", "#EEAEEE", "#DDA0DD", "#CD96CD", "#EE82EE", "#BA55D3", "#9932CC", "#4B0082"))(28)

# 4. Crear gráfica de columnas
ggplot(dataset, aes(x =Country,  y = `High risk of automation`, fill = Country)) +
  geom_col(color = "black", width = 0.5) +
  labs(
    title = "Porcentaje de trabajos en riesgo de automatización 2021",
    x = "Country",
    y = "Risk of automation %"
  ) +
  scale_fill_manual(values = palette_morado)  +
  scale_y_continuous(expand = expansion(mult = c(0, 0.05))) +
  theme_minimal() +
  theme(
    plot.title = element_text(hjust = 0.9, size = 12, face = "bold"),
    axis.text.x = element_text(angle = 45, hjust = 1)
  )

Objetivos del proyecto

  • Explorar cómo perciben los trabajadores administrativos el impacto en su productividad laboral con el uso de IA.

  • Obtener las opiniones de los trabajadores administrativos sobre los cambios en su empleos derivados de la implementación de IA.

  • Conocer las habilidades que consideran necesarias los trabajadores administrativos para mantener su trabajo.

Método

Este es un estudio exploratorio, cualitativo, transversal.

Para el cuál se realizarán encuestas a 100 empleados en puestos administrativos de la empresa BIMBO.

Conclusiones

Es muy pronto para determinar en cuánto tiempo pudiera haber una implementación mayor de la IA en latinoamérica, ya que el acceso a las tecnologías no es igual al de países desarrollados, entre muchos otros factores. De lo único que estamos seguros es de que la IA seguirá formando parte de nuestra vida laboral, en donde algunos servicios, profesiones y cadenas de suministros se verán más impactados que otros. Por ello es importante que los dirigentes de las organizaciones se encarguen de mantener a sus empleados capacitados, para mantenerse competitivos en el mercado laboral, tanto como trabajador y como empresa.

¡Gracias por su atención!