Una investigación de Mercor sugiere un desajuste sustancial entre el alcance del trabajo estadounidense y las métricas utilizadas para evaluar la inteligencia artificial. Según el estudio, aproximadamente el 90% de las horas laborales en EE. UU. se dedican a tareas que tienen poca o ninguna cobertura en las pruebas de IA existentes. Esta discrepancia sugiere que, si bien los modelos de IA se prueban en capacidades específicas, esas pruebas pueden no representar el trabajo diario real realizado por la mayoría de la fuerza laboral. El estudio señala que, incluso controlando la exposición a la IA, las tareas de ocupaciones con salarios altos están significativamente sobrerrepresentadas en las instrucciones de las pruebas, lo que podría indicar un enfoque en la automatización de roles de alto valor en lugar de la mano de obra general.
Varios factores contribuyen a esta brecha, incluyendo la naturaleza del trabajo profesional y las limitaciones de las metodologías de prueba actuales. Algunos observadores señalan que muchos roles profesionales implican interacciones humanas complejas —como el trabajo social o la psiquiatría— que son difíciles de cuantificar o replicar con un conjunto de instrucciones. Otros sugieren que las pruebas de IA a menudo se centran en la capacidad de 'resolver' un problema, mientras que un componente crítico del trabajo del mundo real es la capacidad de detectar y corregir errores. Además, los datos se basan en O*NET, una base de datos de clasificaciones ocupacionales que algunos críticos argumentan está desactualizada y no logra capturar con precisión los roles modernos de cuello blanco en campos como la tecnología, las finanzas o la consultoría.
Las implicaciones prácticas de esta brecha involucran cómo se perciben la productividad y la automatización en el lugar de trabajo. Algunos argumentan que el 'cuello de botella' en muchas industrias no es la ejecución de una tarea, sino los procesos posteriores de revisión, retroalimentación y aprobación, que siguen siendo centrados en el ser humano. Otros observan un efecto de 'enfermedad de costos' donde, a medida que tareas específicas como la programación se vuelven más eficientes a través de la IA, los trabajadores pueden pasar una cantidad desproporcionada de tiempo en gastos administrativos no automatizados, como reuniones y gestión de proyectos. Estas perspectivas sugieren que el impacto de la IA puede ser más matizado que una simple sustitución de tareas, ya que el trabajo humano restante puede desplazarse hacia la gestión de los resultados y las complejidades creadas por los sistemas automatizados.