Colpire i libri: l’IA potrebbe aiutare a ridurre il divario salariale di genere in America

wpresagio ha subito discriminazioni di genere nella forza lavoro nel corso della storia, ha negato il lavoro in tutti i ruoli sottomessi tranne una manciata, regolarmente ignorato per promozioni e aumenti di stipendio e raramente e mai compensato alle stesse tariffe dei loro coetanei maschi. Questa lunga e leggendaria tradizione socioeconomica di fottere finanziariamente oltre metà della popolazione continua in gran parte senza sosta nel 21° secolo, dove le donne continuano a 84 centesimi sul dollaro che fanno gli uomini. Nel suo nuovo libro, La macchina dell’uguaglianza: sfruttare la tecnologia digitale per un futuro più luminoso e inclusivoProfessore di diritto e membro fondatore del Center for Intellectual Property Law and Markets presso l’Università di San Diego, il dottor Orly Lobel, esplora come le tecnologie digitali, spesso diffamate per il loro ruolo nell’esacerbare i mali sociali, possono essere sfruttate per riparare il danno hanno causato.

Affari pubblici

Questo articolo è stato estratto da La macchina dell’uguaglianza: sfruttare la tecnologia digitale per un futuro più luminoso e inclusivo di Orly Lobel. Copyright © 2022. Disponibile da PublicAffairs, un marchio di Perseus Books, LLC, una sussidiaria di Hachette Book Group, Inc.


Per anni, il doppio standard è stato lampante: i datori di lavoro hanno chiesto segretezza sugli stipendi mentre chiedevano ai potenziali dipendenti la loro storia salariale. Ora, possiamo affrontare entrambe le estremità di questa asimmetria. Proprio come la digitalizzazione sta aiutando a invertire i flussi di informazioni per promuovere una maggiore trasparenza nel mercato sul valore dei dipendenti, le nuove leggi stanno anche indirizzando i datori di lavoro a non fare troppo affidamento sui livelli salariali passati, che possono essere contaminati dalla disuguaglianza sistemica. Nel 2016, il Massachusetts è diventato il primo stato ad approvare una legge che vieta ai datori di lavoro di chiedere ai candidati di lavoro le loro storie di stipendio. Da allora, più di una dozzina di stati hanno seguito l’esempio.

Impedire ai datori di lavoro di chiedere ai potenziali candidati di lavoro informazioni sulla loro storia salariale ha due obiettivi. Il primo è rompere il circolo vizioso del divario retributivo, che emerge quando le donne vengono pagate meno in un lavoro precedente e quel divario viene poi replicato dal datore di lavoro successivo. Il secondo riguarda le differenze di genere nel processo di negoziazione Le cifre salariali sono afflitte dalla disparità di genere e possono perpetuare e aggravare ulteriormente le disparità di mercato esistenti. Quando una donna rivela che attualmente guadagna meno di un uomo, potrebbe danneggiare la sua traiettoria salariale, sia nella posizione richiesta che per il resto della sua carriera. Ogni volta che rivela il suo stipendio attuale a un potenziale datore di lavoro, è probabile che il divario aumenti, poiché gli sforzi di reclutamento e le promozioni sono spesso offerti come aumento percentuale rispetto allo stipendio base attuale. Piuttosto che fare affidamento su cifre distorte, i divieti all’indagine sulla cronologia degli stipendi inducono i datori di lavoro a utilizzare altri modi per determinare il valore di un potenziale dipendente, incluso il passaggio al calcolo automatizzato. I datori di lavoro che utilizzano dati di mercato e interni possono considerare le caratteristiche legate al merito nel determinare la retribuzione, come esperienza, formazione, istruzione, abilità e risultati passati.

Eppure, come abbiamo visto, il pregiudizio umano può insinuarsi nei nostri algoritmi, ed è probabile che un algoritmo alimentato da dati contaminati dal pregiudizio salariale perpetui quel pregiudizio stesso. I circuiti di feedback sono circoli viziosi digitali che possono portare a risultati che si autoavverano. Ancora una volta: bias in, bias out. Il rischio è che un algoritmo apprenda che determinati tipi o categorie di dipendenti sono in media sottopagati e quindi lo calcoli nelle offerte di stipendio. Questo è l’errore che la politica recente è stata progettata per eliminare e che possiamo programmare l’IA per evitare. La rimozione della cifra numerica ancorata incoraggia i datori di lavoro a valutare in modo proattivo la retribuzione in base alle esigenze dell’azienda e all’idoneità del candidato piuttosto che in base a un numero alterato. Allo stesso tempo, avere informazioni sulla scala retributiva per un lavoro ma non avere una storia salariale sul tavolo può incoraggiare le donne a chiedere di più.

Inoltre, l’IA può anche aiutare in futuro, forse nemmeno in un futuro lontano, sostituendo parte della negoziazione che si svolge in contesti disuguali. Studi empirici sulle differenze di negoziazione tra uomini e donne hanno ripetutamente dimostrato che le donne in media negoziano meno e che, quando lo fanno, i datori di lavoro reagiscono negativamente. Le donne non chiedono salari più alti, condizioni migliori, promozioni o opportunità con la stessa frequenza degli uomini. Nella mia ricerca, l’ho chiamato deficit di negoziazione. In uno studio della Carnegie Mellon University, il 93% delle studentesse MBA ha accettato un’offerta di stipendio iniziale, mentre solo il 43% degli uomini l’ha fatto. In un altro studio, le partecipanti di sesso femminile che simulavano le negoziazioni salariali hanno chiesto una media di $ 7.000 in meno rispetto ai partecipanti maschi. Gli economisti Andreas Leibbrandt e John List hanno anche scoperto che mentre le donne hanno molte meno probabilità di negoziare con i datori di lavoro in merito allo stipendio, questa differenza scompare quando a tutte le persone in cerca di lavoro viene esplicitamente detto che la retribuzione è negoziabile, mitigando il divario retributivo. La mia ricerca sperimentale con lo psicologo comportamentale e professore di diritto Yuval Feldman, mio ​​collaboratore di lunga data, ha scoperto che le donne in alcuni ambienti di lavoro agiscono meno come “homo economicus” – cioè come attori economici razionali – e più come attori sociali altruistici, in modo tale che le donne non chiedono per se stesse quanto gli uomini ed è più probabile che apprezzino i benefici non monetari, come una buona cultura aziendale.

Questi approfondimenti di ricerca possono offrirci indizi per lo sviluppo di nuovi strumenti software che stimoleranno le donne a negoziare? Le piattaforme digitali possono servire i dipendenti fornendo consigli e informazioni su come chiedere un aumento o prepararsi per un colloquio. Le informazioni sulla retribuzione, e in particolare un’aspettativa esplicita che la retribuzione possa e debba essere negoziata, possono consentire ai candidati di negoziare salari più elevati prima di accettare offerte di lavoro. La piattaforma digitale PayScale conduce sondaggi annuali chiedendo a migliaia di persone in cerca di lavoro se durante il processo di colloquio hanno rivelato la loro retribuzione per lavori precedenti. Il sondaggio del 2018 di PayScale ha rilevato che alle donne a cui è stato chiesto informazioni sulla loro storia salariale e che si sono rifiutate di rivelare sono state offerte posizioni l’1,8% in meno rispetto alle donne a cui è stato chiesto e divulgato. Al contrario, gli uomini che si sono rifiutati di rivelare quando gli è stato chiesto della storia salariale hanno ricevuto offerte l’1,2% in più rispetto agli uomini che hanno rivelato.

Anche quando le donne negoziano, vengono trattate in modo diverso. Nella mia ricerca, chiamo questo fenomeno la sanzione della negoziazione. Alle donne viene detto di “appoggiarsi” e fare richieste, ma la realtà è che per secoli le donne sono state universalmente viste come negoziatori più deboli rispetto alle loro controparti maschili. In una serie di esperimenti, i partecipanti hanno valutato i resoconti scritti di candidati che hanno avviato o meno trattative per salari più elevati. I risultati di ciascun esperimento hanno mostrato che i partecipanti penalizzavano le candidate donne più dei candidati maschi per l’avvio di trattative, ritenendo le donne che chiedevano di più non “simpatiche” o troppo “esigenti”. Mentre qualità come assertività, forza e competitività avvantaggiano culturalmente i negoziatori maschi, le donne che mostrano tali caratteristiche sono spesso considerate troppo aggressive. Un altro studio ha esaminato i dati di un gruppo di persone in cerca di lavoro svedesi e ha scoperto non solo che le donne finivano con salari più bassi rispetto a coetanei maschi ugualmente qualificati, ma anche che erano spesso penalizzate per negoziare come loro. Nick Yee e Jeremy Bailenson hanno dimostrato che avatar attraenti portano a comportamenti più intimi con un complice in termini di auto-rivelazione e distanza interpersonale. In un secondo studio, hanno anche osservato che gli avatar alti portano a un comportamento più sicuro rispetto agli avatar bassi in un’attività di negoziazione. Lo chiamano Effetto Proteus (il dio greco Proteus era noto per avere la capacità di assumere molte autorappresentazioni). L’effetto Proteus suggerisce che le caratteristiche visive e i tratti di un avatar sono associati alla correlazione di stereotipi e aspettative comportamentali, compresi quelli che influenzano il modo in cui negoziamo.

L’undicesima competizione annuale per l’intelligenza artificiale che è stata addestrata a negoziare – le Olimpiadi di Hagglebot, come sono state definite dai media popolari – si è tenuta a gennaio 2021. Questa volta hanno vinto le università della Turchia e del Giappone. In alcuni esperimenti che prevedevano negoziazioni con i bot, la maggior parte delle persone non si rendeva nemmeno conto di parlare con un bot piuttosto che con un’altra persona: i bot avevano imparato a tenere conversazioni fluide che imitavano completamente gli umani. Usando la teoria dei giochi, i ricercatori stanno migliorando sempre più i modi in cui i robot possono negoziare per conto degli umani, eliminando alcuni degli aspetti in cui noi umani siamo fallibili, come cercare di tenere conto e valutare molti aspetti diversi dell’accordo. L’IA ora può prevedere le preferenze dell’altra parte abbastanza velocemente. Ad esempio, un’IA che ascolta al microfono i primi cinque minuti di negoziazione sta imparando a prevedere gran parte dell’eventuale accordo solo dalle voci dei negoziatori. Seguendo questi schemi vocali attraverso l’apprendimento automatico, si scopre che quando la voce di un negoziatore varia molto in volume e tono, è un giocatore debole al tavolo delle trattative. Quando le parti negoziali si rispecchiano, significa che sono più vicine al raggiungimento di un accordo. L’uso dell’IA ha anche aiutato a scoprire i modi in cui le donne vengono penalizzate al tavolo delle trattative. Un nuovo studio della University of Southern California ha utilizzato un chatbot che non conosceva le identità di genere dei partecipanti per valutare le capacità di negoziazione. Lo studio ha mostrato che la maggior parte di noi – uomini e donne – se la cavano piuttosto male nel negoziare gli stipendi. Oltre il 40 percento dei partecipanti non ha negoziato affatto e la maggior parte delle persone ha lasciato sul tavolo dei soldi che avrebbero potuto ricevere. Le donne valutavano le stock option meno degli uomini come parte del loro pacchetto di compensazione, influendo sulla probabilità delle donne di accumulare ricchezza nel tempo. Questi progressi possono anche aiutare con le disparità di negoziazione tra identità diverse. Un gruppo di ricercatori israeliani e americani ha esaminato come un computer intelligente può negoziare con esseri umani di diversa estrazione culturale. Senza dire nulla alla macchina sulle caratteristiche delle persone di tre paesi – Israele, Libano e Stati Uniti – hanno permesso all’IA di conoscere i modelli delle differenze di negoziazione culturale impegnandosi in giochi di negoziazione. Hanno scoperto che il computer era in grado di superare le persone in tutti i paesi. Questi sviluppi sono promettenti. Possiamo immaginare che i robot apprendano le differenze di negoziazione e, in ultima analisi, contrastino tali differenze per creare scambi più equi, livellare il campo di gioco e ottenere risultati equi. Possono essere progettati per affrontare gli obiettivi distributivi specifici che abbiamo.

Tutti i prodotti consigliati da Engadget sono selezionati dalla nostra redazione, indipendente dalla nostra casa madre. Alcune delle nostre storie includono link di affiliazione. Se acquisti qualcosa tramite uno di questi link, potremmo guadagnare una commissione di affiliazione. Tutti i prezzi sono corretti al momento della pubblicazione.

Leave a Comment