Qué ocurre cuando la IA fija los salarios

La IA generativa está pasando de redactar correos electrónicos a dar forma a los mercados laborales. En plataformas como Fiverr, Freelancer.com y Upwork, millones de trabajadores confían en las tarifas por hora para competir por un empleo. A medida que la IA influye cada vez más en las recomendaciones de precios, los líderes empresariales se enfrentan a una cuestión crítica: ¿Los grandes modelos lingüísticos (LLM) toman estas decisiones de precios de forma justa? ¿O perpetúan los mismos sesgos y desigualdades que han plagado durante mucho tiempo los mercados laborales humanos? En un estudio reciente, realizamos un experimento a gran escala en el que introdujimos 60.000 perfiles de autónomos en ocho LLM muy utilizados, pidiendo a cada modelo que recomendara una tarifa por hora. A continuación, probamos cómo afectaban los distintos enfoques de prompt a los posibles sesgos, ordenando a los modelos que tuvieran en cuenta o ignoraran atributos específicos no relacionados con las habilidades, como el sexo, la ubicación y la edad. En todas las variaciones, generamos casi 4 millones de decisiones salariales de IA a través de consultas a la API. La investigación en resumen Alcance. Utilizamos 60.000 perfiles de un mercado líder en seis categorías: contabilidad y teneduría de libros, desarrollo completo, asistencia virtual general, análisis de datos, diseño gráfico y marketing en redes sociales. Cada perfil incluía servicios, habilidades, experiencia y ubicación. Modelos. Hemos promptado a ocho LLM: GPT-4.o, GPT 4.0-mini, Gemini 1.5 Flash, Gemini 2.5 Flash, Claude 3.7 Sonnet, GPT-5 Mini, DeepSeek-R1 y Llama 3.1 405B. El prompt de base les pedía que recomendaran una tarifa horaria en USD basada en un detalle del perfil. Diseño. Creamos duplicados controlados que variaban sólo un atributo no relacionado con la habilidad a la vez (género, geografía o edad), manteniendo constante el resto del contenido. A continuación, introdujimos variantes de prompt que o bien a) pedían a los modelos que tuvieran en cuenta el atributo, b) les pedían que lo ignoraran, o c) imponían una postura de forma firme y explícita. Lo que encontramos La IA hace subir los precios. En general, la IA puso precios más altos a los autónomos que los humanos. La tarifa media fijada por los humanos fue de 23,60 dólares la hora. Las recomendaciones generadas por la IA fueron mucho más elevadas, oscilando entre 30 y casi 46 dólares, según el modelo. Esta inflación de precios presenta una paradoja estratégica. A primera vista, los salarios inflados pueden parecer beneficiosos para los autónomos. Sin embargo, precios más altos no significan automáticamente mejores resultados. Si los clientes se resisten a las tarifas infladas, los trabajadores pueden acabar teniendo menos oportunidades. Para los empleadores, este cambio significa que la adopción de herramientas salariales basadas en la IA podría hacer subir inadvertidamente los costes de contratación o distorsionar las expectativas del mercado. El sesgo de género no era un problema Una de nuestras preguntas centrales era si la IA infravaloraría a las trabajadoras en comparación con los hombres. Sorprendentemente, la respuesta fue negativa. De hecho, en cientos de miles de pruebas, no encontramos diferencias salariales significativas en función del género. Incluso cuando forzamos los modelos incitándoles explícitamente a tener en cuenta el género, seguimos sin observar diferencias salariales por razón de género. Sólo bajo instrucciones muy sesgadas produjeron los modelos de IA disparidades basadas en el género, y entonces tendieron a sobrecompensar a las mujeres dándoles salarios más altos que a los hombres. Este es un raro punto brillante. Al menos en lo que respecta al género, es posible que los LLM actuales ya estén afinados para evitar la discriminación basada en el género. La geografía sigue marcando grandes diferencias. La ubicación, sin embargo, cuenta una historia diferente. Tomemos dos perfiles idénticos: uno con sede en EE.UU. y otro en Filipinas. El autónomo de EE.UU. recibió una tarifa media recomendada por la IA de 71 $. ¿El autónomo de Filipinas? Sólo 33 $. ¡Más de un 50% menos! Aún más sorprendente, cuando cambiamos el campo de ubicación del mismo freelance filipino a "EE.UU.", su tarifa recomendada aumentó más del doble. Este patrón se repitió en varios países. Los trabajadores de regiones prósperas recibieron sistemáticamente salarios más elevados impulsados por la IA que sus compañeros igualmente cualificados de regiones con ingresos más bajos. Curiosamente, pudimos alterar este resultado utilizando intervenciones prompt estratégicas. Cuando ordenamos explícitamente a los modelos que no tuvieran en cuenta la ubicación geográfica en sus recomendaciones, las disparidades se redujeron drásticamente. En algunos casos, la brecha salarial entre los autónomos con sede en EE.UU. y en Filipinas se redujo a más de la mitad. El sesgo de la edad favoreció a los trabajadores de más edad La edad resultó ser otra fuente de sesgo. Un trabajador autónomo de 60 años tenía un precio casi un 46% más alto que uno de 22 años y un 8,1% más alto que uno de 37 años con el mismo perfil. Sin embargo, al contrario que con la geografía, nuestras intervenciones prompt apenas hicieron mella. Decirle al modelo que "ignorara la edad" apenas sirvió para cerrar la brecha. Esto sugiere que las suposiciones relacionadas con la edad pueden estar profundamente arraigadas en los datos de entrenamiento y, por tanto, ser más difíciles de eliminar simplemente con el diseño de los prompt. Lo que los prompt pueden y no pueden hacer Una de las conclusiones más alentadoras provino de probar diferentes formas de instruir a los modelos. Cuando les dijimos que ignoraran la ubicación, las disparidades se redujeron drásticamente. En algunos casos, la diferencia salarial entre EE.UU. y Filipinas bajó de más del 100% a sólo el 25%. Pero con la edad, ningún énfasis prompt pareció cambiar los resultados. Esto pone de relieve un punto crítico para los líderes. Los prompt pueden moldear el comportamiento de la IA, pero sólo hasta cierto punto y en determinadas situaciones. Algunos sesgos son más fáciles de mitigar que otros. Para los empleadores y las plataformas, esto significa que el diseño de los prompt no es sólo un detalle técnico; es una palanca de gobernanza que puede reforzar o reducir la desigualdad. Más allá de los autónomos En un estudio de seguimiento, exploramos si estos patrones se mantienen en el contexto de los salarios anuales de los empleos a tiempo completo en lugar de las tarifas por hora de los autónomos. La historia fue en gran medida la misma en cuanto al género y la geografía: Ningún sesgo sistemático por género, pero disparidades persistentes en función de la ubicación. La edad, sin embargo, dio la vuelta. Mientras que los autónomos de 60 años tenían precios más altos que sus compañeros más jóvenes de entre 30 y 20 años, los LLM favorecían curiosamente a los trabajadores a tiempo completo de entre 30 y 30 años frente a los otros dos grupos de edad. ¿Por qué? Una explicación es que la IA parece tratar los salarios de forma diferente en función de la relación laboral (autónomos vs. a tiempo completo). Para los autónomos, el salario puede verse como un gasto puntual (en lugar de una inversión en una relación a largo plazo), donde una mayor experiencia conlleva una prima. Para los empleados a tiempo completo, el salario se asemeja a una inversión. Puede considerarse que los trabajadores de mediana edad (trabajadores de 37 años) ofrecen tanto experiencia como longevidad, lo que los hace más atractivos para los empleadores. Esta sutil distinción también subraya que los LLM pueden separar la edad de la experiencia laboral, una señal de que estos sistemas no se limitan a copiar la heurística humana, sino que aplican un razonamiento dependiente del contexto de formas que merecen un examen minucioso. Qué significa esto para los autónomos, los empleadores y las plataformas Los autónomos deben saber que la IA puede inflar sus tarifas recomendadas. Eso puede ser una baza para negociar, pero también un riesgo si les pone un precio fuera de su alcance. En los mercados globales, los que se encuentran fuera de los países desarrollados quizá deban pensar cuidadosamente cuántos datos de localización revelan. Los empleadores deben tratar las sugerencias salariales de la IA como un consejo, no como una autoridad. De lo contrario, corren el riesgo de pagar sistemáticamente de más a algunos trabajadores e infravalorar a otros basándose en atributos ajenos a la cualificación. Las plataformas que integran la IA en sus motores de fijación de precios se enfrentan a difíciles decisiones de diseño. Necesitarán capas de gobernanza -auditorías prompt, requisitos de transparencia y, posiblemente, procesos de apelación de los trabajadores- cuando las tarifas impulsadas por la IA parezcan discriminatorias. Los responsables políticos deben tener en cuenta: la fijación de precios impulsada por la IA no es neutral. Las disparidades basadas en la geografía y la edad sugieren la necesidad de una atención reguladora. Exigir una divulgación prompt, clarificar los atributos protegidos y obligar a la transparencia de cara a los trabajadores podrían estar sobre la mesa. . . . La IA generativa ya no se limita a automatizar textos; está dando forma a los salarios, los medios de vida y el acceso a las oportunidades. Si no se controlan, estos sistemas corren el riesgo de reforzar, o incluso ampliar, las desigualdades mundiales. La conclusión es sencilla pero urgente: La fijación de salarios basada en la IA puede ser más justa, pero sólo si la diseñamos y gobernamos de esa manera.

Qué ocurre cuando la IA fija los salarios

Resumen.

Partner Center