El 37% de los españoles se plantean un segundo empleo para hacer frente a sus gastos

Miguel Ángel Valero

El 37% de los españoles se plantean buscar un segundo empleo para hacer frente a sus gastos. La última edición del Informe Europeo de Pagos de Consumidores de Intrum muestra que este porcentaje es 8 puntos mayor en Europa, con un 45% planteándose la búsqueda de una segunda fuente de ingresos.

Según el análisis realizado a más de 20.000 personas procedentes de 20 países europeos, España se sitúa como el quinto país con menos personas con necesidad de ingresos adicionales. Los irlandeses (58%), húngaros (57%), griegos (55%) y noruegos (55%) son los que más están teniendo en cuenta esta consideración. En el lado opuesto estarían Países Bajos(32%), Bélgica (35%), Francia (35%) y Alemania (36%).

Pero el 35% de españoles reconoce sentirse más negativo sobre sus perspectivas financieras de lo que normalmente se sentiría en esta época del año. Una cifra 7 puntos porcentuales inferior a la registrada de media en Europa (42%), y que sitúa a España como el tercer país donde un menor porcentaje de ciudadanos comparten este sentimiento, solo por debajo de Alemania (34%) y Países Bajos (32%). Por el contrario, Noruega (55%), Irlanda (54%) y Grecia (49%) se sitúan al inicio de la tabla.

Tres de cada 10 españoles afirma que, aunque el año pasado estaba preocupado por el coste de vida, una reciente mejora le ha hecho sentirse más tranquilo respecto a sus finanzas.

Randstad: el 57,9% de los trabajadores teme que la IA suprima su empleo

Por otra parte, y aunque por el momento el impacto de la inteligencia artificial (IA) en las empresas es pequeño, los empleados y profesionales ya muestran inquietud por la repercusión que esta tecnología puede tener en sus puestos de trabajo. A un plazo de cinco años vista, más de la mitad de los empleados (57,9%) manifestaron estar algo (30,4%) o muy preocupados (27,5%) por el impacto que pueda tener la IA en su puesto de trabajo, según el estudio IA y Mercado de trabajo en España elaborado por Randstad Research, el centro de estudios y análisis de Randstad España. Un volumen que aumenta al 59,3% a un plazo de 10 años. En un horizonte de doce meses, el porcentaje de trabajadores preocupados es del 50,1%, según el estudio.

“Aunque es una tecnología aún incipiente, la IA penetrará poco a poco en las empresas e impactará en la forma de trabajar de muchos empleados lo que, entre otras cosas, plantea el reto de formarlos en el uso de este tipo de herramientas”, sostiene Valentín Bote, director de Randstad Research.

Solo el 17,3% de los empleados utiliza la IA en el trabajo. Otro 16,4% reconoce que interactúa con la IA de otra manera como, por ejemplo, al ser usuarios de algún input generado por estas herramientas innovadoras en otras fases del proceso productivo. El 54,5% de los empleados asegura que en su empresa no utilizan IA, frente a un 45,5% que afirma que ya la ha probado.

El 43.6% de los trabajadores de empresas que usan la IA detectan mejoras en la toma de decisiones (43,6%) y en la velocidad con la que pueden tomar decisiones (52,9%). Además, un 39,4% se identifica con la idea de que la IA ha cambiado de forma radical su manera de trabajar.

Cuatro de cada diez trabajadores no es capaz de vaticinar cuáles pueden ser las implicaciones salariales a un horizonte de cinco años. Los que sí dan una respuesta concreta reparten de manera casi igual sus respuestas entre los que consideran que la IA incrementará los salarios, tanto en su sector, empresa como el propio, y los que creen que, por el contrario, la IA tendrá un efecto negativo sobre los salarios futuros.

La adopción de la IA generativa dará lugar a la pérdida de cerca de 400.000 empleos en los próximos diez años en el mercado laboral español, según los cálculos realizados por Randstad Research. Esta cifra surge de la diferencia entre los empleos que potencialmente pueden desaparecer con la adopción de la IA por parte de las empresas (2 millones) con los que se crearán fruto de las nuevas oportunidades económicas surgidas a raíz del uso general de este tipo de tecnología (1,61 millones).

Mapfre: datos sintéticos para combatir el fraude

Dentro de la IA, los modelos generativos son algoritmos de diseñados para aprender patrones. Y los datos sintéticos se han consolidado como una herramienta clave para el desarrollo tecnológico y la innovación empresarial, permitiendo la simulación de escenarios complejos y la mejora de modelos de Inteligencia Artificial (IA) sin comprometer la privacidad de datos personales.

Al replicar los perfiles estadísticos de los datos reales, ofrecen una alternativa ética y legal frente a las restricciones impuestas por regulaciones como el RGPD, permitiendo la experimentación y el análisis de la información. Su capacidad para generar conjuntos de datos diversificados y controlados fomenta la innovación y mejora la precisión y robustez de los sistemas que dependen de estos para su funcionamiento.

Los modelos generativos son algoritmos de IA diseñados para aprender patrones a partir de extensos conjuntos de datos y generar nuevas instancias que conservan la coherencia estadística con los datos originales. A diferencia de otros modelos de IA, que se enfocan en clasificar o predecir datos basándose en entradas específicas, los modelos generativos aspiran a captar y replicar la distribución de los datos estructurados y desestructurados para crear algo nuevo.

Por ejemplo, después de examinar miles de imágenes de rostros, un modelo generativo podría sintetizar imágenes de personas inexistentes que, no obstante, parecerían fotografías reales. Este proceso se realiza mediante técnicas basadas en modelos de redes neuronales artificiales, como las Generative Adversarial Networks (Redes Generativas Adversativas o GAN por sus siglas en inglés), y Autoencoder Models (o modelos autocodificadores en español), utilizados para aprender representaciones eficientes de datos (aprendizaje automático)

.Las GAN, compuestas por dos redes neuronales —el generador y el discriminador—, ilustran el funcionamiento de los modelos generativos. Mientras el generador fabrica datos nuevos, el discriminador los evalúa en comparación con un conjunto real, aprendiendo a diferenciarlos. Durante el entrenamiento, el generador mejora su habilidad para crear datos cada vez más convincentes, intentando engañar al discriminador, el cual, a su vez, se esfuerza en reconocer las imitaciones.Lo que distingue a los modelos generativos es su facultad para concebir y crear, otorgándoles un valor especial en áreas donde la creatividad y la generación de ideas son esenciales. Ofrecen un enfoque más flexible y amplio para explorar soluciones, superando las limitaciones de los métodos convencionales de IA.

Entre los modelos generativos más destacados se encuentran cuatro:

• Generative Adversarial Networks (GANs): crean imágenes, vídeos y audios sorprendentemente realistas. Un ejemplo práctico es la creación de rostros de personas que no existen, utilizados en la industria del entretenimiento para generar personajes de videojuegos o películas.
• Conditional Tabular Generative Adversarial Networks (CTGAN): generan datos tabulares sintéticos, preservando, en todo momento, la privacidad. Por ejemplo, en el sector financiero, pueden simular datos de transacciones bancarias para probar algoritmos sin exponer información sensible del cliente.
• Autoregressive Models (Modelos Autorregresivos, en español, o AR): son modelos basados en series temporales que predicen el siguiente elemento en una secuencia, fundamentales en herramientas de predicción de texto o en la generación automática de música, donde cada nota se basa en las anteriores.
• Autoencoder Models: son modelos diseñados para comprimir o codificar los datos de entrada para reducirlos a su máxima expresión, volviendo a reconstruir o decodificar después la información original a partir de la representación comprimida. Se entrenan a partir de Machine Learning no supervisado. Un ejemplo de estos modelos son los Variational Autoencoder (VAEs), aplicados en la creación de imágenes.

En este sentido, Mapfre está empleando este tipo de modelos generativos a través de Mapfre Insurance en  EEUU. Con la ayuda de sistemas de IA que aplican machine learning y análisis de grafos, los equipos de Advanced Analytics y Technical Claims han desarrollado un proyecto con el que se pueden identificar patrones de fraude en los siniestros, inicialmente en Autos y posteriormente en Hogar. Este enfoque logra una gestión más eficiente de la tramitación de siniestros y la detección de fraude, lo que supone un avance significativo en la lucha contra las pérdidas económicas anuales provocadas por las estafas al seguro.

El modelo generativo empleado ha sido el CTGAN. Al declararse un parte de Hogar, el modelo evalúa su probabilidad de fraude, derivando casos sospechosos para una posterior investigación más detallada. Para esta labor, Mapfre Insurance utiliza datos sintéticos en el entrenamiento del modelo de IA. 

Esta estrategia permite superar el desequilibrio y la escasez de siniestros fraudulentos históricos, mejorando la capacidad del algoritmo para identificar patrones de fraude de una manera más precisa. Generando un conjunto de datos más equilibrado, la compañía logra que sus modelos de detección de fraude en seguros de Hogar sean mucho más precisos. La adopción de modelos generativos y datos sintéticos está transformando el sector empresarial, en especial en lo relativo al análisis de datos complejos y la protección de información sensible. Esa transformación se está haciendo tangible en la mejora de la eficiencia, la productividad o en el uso óptimo de los recursos disponibles.Estas tecnologías innovadoras permiten simular escenarios realistas sin comprometer datos reales, permitiendo una toma de decisiones más precisa y facilitando el desarrollo de productos y servicios más adaptados a las necesidades concretas del mercado. Al facilitar un análisis de datos más profundo y libre de sesgos, las empresas pueden anticipar tendencias de mercado, optimizar operaciones y explorar nuevas oportunidades de crecimiento.