Como resultado, la empresa dedicó mucho tiempo a capacitar a los nuevos trabajadores contratados para reemplazar a los que renunciaron. Muchas de las habilidades necesarias eran lo que los investigadores llamaron «conocimiento tácito», un conocimiento experiencial que no se puede codificar fácilmente pero que los grandes modelos de lenguaje pueden absorber de los registros de chat y luego imitar. El bot de la empresa ayudó con las habilidades técnicas y sociales, señalando a los agentes documentos técnicos relevantes y sugiriendo frases ingeniosas para calmar a los clientes furiosos, como «¡feliz de ayudarlo a solucionar esto lo antes posible!»
Después de que el bot comenzó a ayudar, la cantidad de problemas que el equipo resolvió por hora aumentó un 14 por ciento. Además, las probabilidades de que un trabajador renuncie en un mes determinado se redujeron en un 9 por ciento, y las actitudes de los clientes hacia los empleados también mejoraron. La compañía también vio una disminución del 25 por ciento en los clientes que solicitaron hablar con un gerente.
Pero cuando los investigadores desglosaron los resultados por nivel de habilidad, encontraron que la mayoría de los beneficios del chatbot se acumularon para los trabajadores menos calificados, quienes vieron un aumento de productividad del 35 por ciento. Los trabajadores más calificados no vieron ganancias e incluso vieron que sus puntajes de satisfacción del cliente bajaron levemente, lo que sugiere que el bot puede haber sido una distracción.
Mientras tanto, el valor de ese trabajo altamente calificado se multiplicó a medida que el asistente de IA dirigía a los trabajadores menos calificados a usar las mismas técnicas.
Hay razones para dudar de que los empleadores recompensen ese valor por su propia voluntad. Aaron Benanav, historiador de la Universidad de Syracuse y autor del libro La automatización y el futuro del trabajove un paralelo histórico en el taylorismo, un sistema de productividad desarrollado a fines del siglo XIX por un ingeniero mecánico llamado Frederick Taylor y luego adoptado en las fábricas de automóviles de Henry Ford.
Usando un cronómetro, Taylor dividió los procesos físicos en sus componentes para determinar la forma más eficiente de completarlos. Prestó especial atención a los trabajadores más calificados en un oficio, dice Benanav, “para poder lograr que los trabajadores menos calificados trabajen de la misma manera”. Ahora, en lugar de un ingeniero exigente con un cronómetro, las herramientas de aprendizaje automático pueden recopilar y difundir las mejores prácticas de los trabajadores.
Eso no funcionó tan bien para algunos empleados en la era de Taylor. Sus métodos se asociaron con la disminución de los ingresos de los trabajadores más calificados, porque las empresas podían pagar a los empleados menos calificados para que hicieran el mismo tipo de trabajo, dice Benanav. Incluso si seguían siendo necesarios algunos trabajadores de alto rendimiento, las empresas necesitaban menos y la competencia entre ellos aumentó.
“Según algunas versiones, eso desempeñó un papel bastante importante en el desencadenamiento de la sindicalización entre todos estos trabajadores menos calificados o medianamente calificados en la década de 1930”, dice Benanav. Sin embargo, surgieron algunos esquemas menos punitivos. Uno de los partidarios de Taylor, el ingeniero mecánico Henry Gantt (sí, el hombre de los gráficos) creó un sistema que pagaba a todos los trabajadores un salario mínimo pero ofrecía bonificaciones a aquellos que también alcanzaban objetivos adicionales.
Incluso si los empleadores se sienten incentivados a pagar una prima a los empleados de alto rendimiento por enseñar sistemas de IA, o si los empleados lo ganan por sí mismos, dividir el botín de manera justa puede ser complicado. Por un lado, los datos pueden agruparse desde varios lugares de trabajo y enviarse a una empresa de inteligencia artificial que construye un modelo y lo vende a empresas individuales.