UN ALGORITMO ELIGE DÓNDE EMPIEZAN LOS REFUGIADOS

A los refugiados a menudo les cuesta encontrar trabajo en su país de acogida. En veinte países europeos, señala el artículo, tienen alrededor de un 12 % menos de probabilidades de tener empleo que migrantes comparables, una brecha que dura de diez a quince años. Los primeros meses y años tras la llegada son los más importantes, y también lo es el lugar donde se ubica a un refugiado. Sin embargo, en muchos países, Suiza incluida, la asignación sigue cuotas administrativas, y los funcionarios disponen de poca información sobre dónde le iría mejor a cada persona.

Una recomendación, no una decisión

En 2018, Kirk Bansak, Jens Hainmueller y sus colegas propusieron la asignación algorítmica de refugiados. Un modelo de aprendizaje automático, entrenado con llegadas anteriores, predice la probabilidad de que cada refugiado encuentre trabajo en cada destino posible. Después, un paso de optimización recomienda las asignaciones que maximizan el empleo esperado respetando todas las cuotas. Un funcionario conserva la decisión final.

Hasta ahora, los beneficios solo se habían estimado reproduciendo datos del pasado. Este estudio, dirigido por Bansak (Universidad de California, Berkeley), Hainmueller (Universidad de Stanford) y Dominik Hangartner (ETH Zúrich), presenta lo que los autores consideran el primer ensayo controlado aleatorizado del enfoque, realizado con la Secretaría de Estado de Migración de Suiza (SEM), con una versión temprana de su herramienta, GeoMatch.

Un sorteo a ciegas en una administración real

De enero de 2020 a junio de 2023, cada caso elegible —una familia o un adulto solo que había obtenido el estatuto de refugiado o una protección provisional, y que podía ubicarse en cualquier cantón— fue asignado por ordenador a uno de dos grupos, al 50 %:

• algoritmo: el cantón que, según la predicción de GeoMatch, maximizaría el empleo;
• control: un cantón sorteado entre las plazas disponibles, como en el procedimiento habitual.

Los funcionarios de asignación veían la misma pantalla en ambos casos, y ni ellos ni los refugiados sabían en qué grupo estaba cada caso. Cada grupo tenía su propia copia idéntica de las cuotas por cantón y por nacionalidad. Ese diseño excluye un truco sencillo: el algoritmo no podía enviar más personas a los cantones con mercados laborales fuertes. Solo podía mejorar el encaje entre una persona y un lugar.

El modelo sabía muy poco: sexo, edad, estado civil, tamaño del hogar, fecha de llegada, nacionalidad y lengua materna. La formación, la trayectoria laboral y las competencias lingüísticas no figuran en el registro que utilizaba. Los funcionarios siguieron la recomendación mostrada alrededor del 97 % de las veces.

La muestra final: 2000 casos, 2156 adultos, procedentes sobre todo de Afganistán (54 %), Turquía (26 %) y Siria (9 %).

Los resultados

El resultado principal, fijado en un plan prerregistrado, es la proporción de meses con empleo durante los tres primeros años. En el grupo de control, los adultos trabajaron de media el 22,3 % de esos meses.

• Todas las cohortes (2020–2023): +2,2 puntos porcentuales para el grupo del algoritmo, alrededor de un 10 % más, con un intervalo de confianza que va de +0,05 a +4,3 puntos.
• Cohortes poscovid (2022–2023): +3,9 puntos, alrededor de un 17 % más. El ensayo empezó semanas antes de la pandemia y el modelo se había entrenado con datos prepandémicos; los efectos fueron indistinguibles de cero para las cohortes de 2020 y 2021. Estas comparaciones por cohorte no estaban prerregistradas.
• Creciente con el tiempo: 36 meses después de la asignación, la proporción de hogares con al menos un adulto trabajando era 5,2 puntos mayor (alrededor de un 11 %).
• Empleos más estables: un empleo de al menos seis meses, +5,6 puntos; un contrato indefinido a los tres años, +4,5 puntos.

Barato, por diseño

Contando solo las finanzas públicas —prestaciones que dejan de pagarse, más cotizaciones e impuestos—, los autores valoran cada mes adicional de empleo en unos 1950 francos suizos. Con un coste de funcionamiento supuesto de 50 francos por adulto, estiman un beneficio neto de unos 1300 francos por adulto, una proporción de aproximadamente 27 a 1. Comparan el efecto a tres años con el de programas que añaden cientos de horas de formación lingüística, aunque subrayan que el algoritmo no sustituye a esos cursos.

Califican el ensayo de prueba conservadora: una versión temprana y congelada de la herramienta, pocos predictores, una geografía poco detallada, cuotas estrictas y solo la mitad de los casos disponible para optimizar. Queda por comprobar si versiones más recientes y menos restringidas lo harían mejor.

Quién la construyó, quién la probó

Los autores desarrollaron ellos mismos el método GeoMatch. No declaran conflictos de intereses y afirman que no recibieron ningún pago del Gobierno suizo por desarrollar ni hacer funcionar la herramienta; el trabajo se financió con fondos de la Universidad de Stanford, fundaciones y entidades filantrópicas, entre ellas Google.org, y una beca de investigación europea. Más allá de los refugiados, ven el ensayo como una rara prueba de campo de que las herramientas de predicción pueden mejorar decisiones públicas de gran trascendencia cuando apoyan, en lugar de sustituir, a las personas que las toman, y como un recordatorio de que esas herramientas deben reentrenarse cuando el mundo cambia, como ocurrió en 2020.