Hitting the Books: AI podría ayudar a reducir la brecha salarial de género en Estados Unidos

WLas mujeres se han enfrentado a la discriminación basada en el género en la fuerza laboral a lo largo de la historia, se les ha negado el empleo en casi todos los roles subordinados, regularmente ignoradas para promociones y aumentos salariales, y rara vez han sido compensadas con las mismas tarifas que sus pares masculinos. Esta larga e histórica tradición socioeconómica de arruinar financieramente a más de la mitad de la población continúa en gran medida sin cesar en el siglo XXI, donde las mujeres todavía ganan 84 centavos por dólar que los hombres. En su nuevo libro, La máquina de la igualdad: aprovechar la tecnología digital para un futuro más brillante e inclusivoLa Dra. Orly Lobel, profesora de derecho y miembro fundadora del Centro de Derecho de la Propiedad Intelectual y Mercados de la Universidad de San Diego, explora cómo las tecnologías digitales, a menudo criticadas por su papel en la exacerbación de los males sociales, pueden aprovecharse para reparar el daño. han causado.

Este artículo ha sido extraído de La máquina de la igualdad: aprovechar la tecnología digital para un futuro más brillante e inclusivo por Orly Lobel. Copyright © 2022. Disponible en PublicAffairs, un sello de Perseus Books, LLC, una subsidiaria de Hachette Book Group, Inc.

Durante años, el doble estándar fue evidente: los empleadores exigieron secretos sobre los salarios mientras preguntaban a los posibles empleados por sus antecedentes salariales. Ahora, podemos abordar ambos extremos de esta asimetría. Así como la digitalización está ayudando a revertir los flujos de información para fomentar una mayor transparencia en el mercado sobre el valor de los empleados, las nuevas leyes también están ordenando a los empleadores que no confíen tanto en los niveles salariales anteriores, que pueden verse afectados por la desigualdad sistémica. En 2016, Massachusetts se convirtió en el primer estado en aprobar una ley que prohíbe a los empleadores preguntar a los candidatos sobre su historial salarial. Desde entonces, más de una docena de estados han seguido su ejemplo.

Prohibir que los empleadores pregunten a los posibles candidatos sobre su historial salarial tiene dos objetivos. El primero es romper el círculo vicioso de la brecha salarial, que surge cuando a las mujeres se les paga menos en un trabajo anterior y esa brecha la replica el siguiente empleador. El segundo es abordar las diferencias de género en el proceso de negociación. Las cifras salariales están plagadas de disparidades de género y pueden perpetuar y exacerbar aún más las disparidades existentes en el mercado. Cuando una mujer revela que actualmente gana menos que un hombre, podría estar perjudicando su trayectoria salarial, tanto en el puesto solicitado como para el resto de su carrera. Cada vez que revela su salario actual a un empleador potencial, es probable que esa brecha crezca, ya que los esfuerzos de contratación y las promociones a menudo se ofrecen como un aumento porcentual en relación con el salario base actual. En lugar de confiar en cifras sesgadas, las prohibiciones sobre la consulta del historial salarial inducen a los empleadores a utilizar otras formas de determinar el valor de un empleado potencial, incluido un cambio a la computación automatizada. Los empleadores que utilizan datos internos y de mercado pueden considerar las características relacionadas con el mérito al determinar el pago, como la experiencia, la capacitación, la educación, la habilidad y el desempeño anterior.

Y, sin embargo, como hemos visto, el sesgo humano puede infiltrarse en nuestros algoritmos, y es probable que un algoritmo alimentado con datos contaminados por el sesgo salarial perpetúe ese sesgo. Los bucles de retroalimentación son círculos viciosos digitales que pueden generar resultados autocumplidos. Una vez más: sesgo hacia adentro, sesgo hacia afuera. El riesgo es que un algoritmo aprenda que ciertos tipos o categorías de empleados están en promedio mal pagados y luego lo calcule en ofertas salariales. Este es el mal que la política reciente ha sido diseñada para eliminar, y que podemos programar AI para evitar. La eliminación de la cifra numérica anclada alienta a los empleadores a evaluar de manera proactiva el pago en función de las necesidades de la empresa y la idoneidad del candidato en lugar de un número contaminado. Al mismo tiempo, tener información sobre la escala salarial de un trabajo pero no tener un historial de salarios sobre la mesa puede animar a las mujeres a pedir más.

Además, la IA también puede ayudar en el futuro, tal vez ni siquiera en un futuro lejano, reemplazando parte de la negociación que tiene lugar en entornos desiguales. Los estudios empíricos sobre las diferencias de negociación entre hombres y mujeres han demostrado repetidamente que, en promedio, las mujeres negocian menos y que, cuando lo hacen, los empleadores reaccionan negativamente. Las mujeres no piden salarios más altos, mejores condiciones, promociones u oportunidades con tanta frecuencia como los hombres. En mi investigación, he llamado a esto el déficit de negociación. En un estudio de la Universidad Carnegie Mellon, el 93 % de las estudiantes de maestría en administración de empresas aceptaron una oferta salarial inicial, mientras que solo el 43 % de los hombres lo hicieron. En otro estudio, las participantes femeninas que simularon negociaciones salariales pidieron un promedio de $7,000 menos que los participantes masculinos. Los economistas Andreas Leibbrandt y John List también descubrieron que, si bien es mucho menos probable que las mujeres negocien el salario con los empleadores, esta diferencia desaparece cuando se les dice explícitamente a todos los que buscan trabajo que el salario es negociable, lo que mitiga la brecha salarial. Mi propia investigación experimental con el psicólogo del comportamiento y profesor de derecho Yuval Feldman, mi colaborador desde hace mucho tiempo, ha descubierto que las mujeres en algunos entornos laborales actúan menos como «homo economicus», es decir, como actores económicos racionales, y más como actores sociales altruistas, de modo que las mujeres no se exigen tanto como los hombres y es más probable que valoren los beneficios no monetarios, como una buena cultura empresarial.

¿Pueden estos conocimientos de investigación ofrecernos pistas para desarrollar nuevas herramientas de software que estimulen a las mujeres a negociar? Las plataformas digitales pueden servir a los empleados brindándoles consejos e información sobre cómo solicitar un aumento o prepararse para una entrevista. La información sobre el pago, y especialmente una expectativa explícita de que el pago puede y debe negociarse, puede empoderar a los solicitantes para negociar salarios más altos antes de aceptar ofertas de trabajo. La plataforma digital PayScale realiza encuestas anuales preguntando a miles de personas que buscan trabajo si revelaron su salario en trabajos anteriores durante el proceso de entrevista. La encuesta de PayScale de 2018 encontró que a las mujeres a las que se les preguntó sobre sus antecedentes salariales y se negaron a revelar se les ofrecieron puestos con un 1,8 % menos de frecuencia que a las mujeres a las que se les preguntó y se reveló. Por el contrario, los hombres que se negaron a revelar cuando se les preguntó sobre el historial salarial recibieron ofertas un 1,2 por ciento más que los hombres que sí lo hicieron.

Incluso cuando las mujeres negocian, reciben un trato diferente. En mi investigación, llamo a este fenómeno la pena de negociación. A las mujeres se les dice que se «inclinen» y hagan demandas, pero la realidad es que durante siglos, las mujeres han sido vistas universalmente como negociadoras más débiles que sus contrapartes masculinas. En una serie de experimentos, los participantes evaluaron relatos escritos de candidatos que iniciaron o no negociaciones para salarios más altos. Los resultados de cada experimento mostraron que los participantes penalizaban más a las candidatas que a los candidatos masculinos por iniciar negociaciones, considerando que las mujeres que pedían más no eran “agradables” o eran demasiado “exigentes”. Si bien cualidades como la asertividad, la fuerza y ​​la competitividad benefician culturalmente a los negociadores masculinos, las mujeres que muestran tales características a menudo se consideran demasiado agresivas. Otro estudio analizó los datos de un grupo de personas suecas que buscaban trabajo y descubrió que las mujeres no solo terminaban con salarios más bajos que sus pares masculinos igualmente calificados, sino que también a menudo eran penalizadas por negociar como ellos. Nick Yee y Jeremy Bailenson han demostrado que los avatares atractivos conducen a un comportamiento más íntimo con un cómplice en términos de autorrevelación y distancia interpersonal. En un segundo estudio, también observaron que los avatares altos conducen a un comportamiento más seguro que los avatares bajos en una tarea de negociación. Lo llaman el Efecto Proteo (se sabía que el dios griego Proteo tenía la capacidad de asumir muchas representaciones de sí mismo). El efecto Proteus sugiere que las características visuales y los rasgos de un avatar están asociados con la correlación de estereotipos y expectativas de comportamiento, incluidos aquellos que afectan la forma en que negociamos.

La undécima competencia anual de inteligencia artificial que ha sido entrenada para negociar, las Olimpiadas de Hagglebot, como se las denomina en los medios populares, se llevó a cabo en enero de 2021. Esta vez ganaron universidades de Turquía y Japón. En algunos experimentos que involucraron negociaciones con bots, la mayoría de las personas ni siquiera se dieron cuenta de que estaban hablando con un bot en lugar de con otra persona: los bots habían aprendido a mantener conversaciones fluidas que imitaban completamente a los humanos. Usando la teoría de juegos, los investigadores están mejorando cada vez más las formas en que los bots pueden negociar en nombre de los humanos, eliminando algunos de los aspectos en los que los humanos somos falibles, como tratar de tener en cuenta y sopesar muchos aspectos diferentes del trato. AI ahora puede predecir las preferencias del otro lado con bastante rapidez. Por ejemplo, una IA que escucha por micrófono los primeros cinco minutos de negociación está aprendiendo a predecir gran parte del trato final solo a partir de las voces de los negociadores. Siguiendo estos patrones de habla a través del aprendizaje automático, resulta que cuando la voz de un negociador varía mucho en volumen y tono, está siendo un jugador débil en la mesa de negociación. Cuando las partes negociadoras se reflejan entre sí, significa que están más cerca de llegar a un acuerdo. El uso de IA también ha ayudado a descubrir las formas en que se penaliza a las mujeres en la mesa de negociación. Un nuevo estudio de la Universidad del Sur de California utilizó un chatbot que no conocía las identidades de género de los participantes para evaluar las habilidades de negociación. El estudio mostró que a la mayoría de nosotros, tanto hombres como mujeres, nos va bastante mal negociando salarios. Más del 40 por ciento de los participantes no negociaron en absoluto, y la mayoría de la gente dejó dinero sobre la mesa que podrían haber recibido. Las mujeres valoraban menos las opciones sobre acciones que los hombres como parte de su paquete de compensación, lo que afectaba la probabilidad de que las mujeres acumularan riqueza con el tiempo. Estos avances también pueden ayudar con las disparidades de negociación entre diferentes identidades. Un grupo de investigadores israelíes y estadounidenses analizó cómo una computadora inteligente puede negociar con humanos de diferentes orígenes culturales. Sin decirle nada a la máquina sobre las características de las personas de tres países (Israel, Líbano y Estados Unidos), permiten que la IA aprenda sobre los patrones de las diferencias de negociación cultural participando en juegos de negociación. Descubrieron que la computadora podía superar a las personas en todos los países. Estos desarrollos son prometedores. Podemos imaginar que los bots aprendan sobre las diferencias de negociación y, en última instancia, contrarresten esas diferencias para crear intercambios más equitativos, nivelar el campo de juego y lograr resultados justos. Se pueden diseñar para abordar los objetivos distributivos específicos que tenemos.