¿Y las diferencias salariales en la universidad pa’ cuándo?

"Part of a lively group of pickets outside the rear entrance of the University of East Anglia this morning" by Roger Blackwell is licensed under CC BY 2.0.

Esta entrada ha sido publicada originalmente en Universidad Sí, pero me pareció que el asunto merece toda la difusión posible y por esto la reproducimos aquí. En este blog hemos comentado otras veces este tema. Por ejemplo aquí y aquí.

Las universidades anglosajonas se parecen más que las españolas a los equipos de fútbol. No todas pagan lo mismo, y no les importa hacer diferencias entre individuos y disciplinas si hace falta. En algunas universidades los salarios son públicos, las de California (Berkeley, UCLA, UCSD) por ejemplo, y si les apetece es instructivo consultarlos (pueden ir a la página web de varios departamentos para saber los nombres de los profesores)-. Miren a cualquier ranking de universidades, el que más rabia les dé, y verán que es una estrategia que como mínimo correlaciona bien con el éxito.

Por cierto, las universidades públicas chinas, nominalmente en un país comunista, llevan tiempo haciendo lo mismo. Y mirando los rankings, tampoco les va nada mal. Porque el gobierno chino se da cuenta de que el éxito en ciencia es crucial para el progreso económico y social del país, y esto a veces requiere pagar más al que es más productivo. No porque lo merezca desde un punto de vista filosófico, claro que no. Uno nace con más talento, y/o lo desarrolla durante la vida por motivos que a menudo dependen poco de sus esfuerzos diferenciales. Pero si me niego a pagar a Lio Messi, o a Daron Acemoglu esos dinerales porque “no se los merecen” no voy a ganar la Champions o la liga del ranking de Shanghai. Y eso lo entienden hasta los gobiernos comunistas.

Alguien pensará, ¿y a mí qué me importa perder la liga de Shanghai? Total, esos rankings suelen primar la investigación y yo lo que quiero es tener (o que mi hija tenga) una cualificación profesional que me permita un futuro mejor. Pues verán que no, que dejar irse a los buenos por no pagar lo que el mercado les ofrece en otro lado, además de hacernos perder la Champions es malo para nuestro bolsillo y el progreso del país.

Lo voy a discutir en el contexto de un interesante artículo de Gofman y Jin en el Journal of Finance. La investigación aprovecha un experimento natural. En plena fiebre por la Inteligencia Artificial, las grandes tecnológicas han contratado a muchos de los mejores profesores del área. Y ni siquiera las poderosas universidades anglosajonas han podido competir con esas empresas para que los profesores se queden.  Y los autores se preguntan si esto tiene eso consecuencias medibles sobre la creación de startups y su financiación.

El trabajo documenta, primero, una fuga de cerebros de profesorado de IA desde la universidad hacia la empresa entre 2004 y 2018; y, segundo, estima su efecto sobre la tasa de emprendimiento y la captación de capital por parte de estudiantes graduados en las universidades afectadas. La conclusión central es muy clara: cuando se marchan, se crean menos startups de IA y recaudan menos fondos, especialmente si quienes se van son catedráticos de centros punteros y especialistas en deep learning. La explicación más consistente es la pérdida de transferencia de conocimiento avanzado desde el profesorado hacia el estudiantado.

Los autores construyen un conjunto de datos novedoso que combina: (i) emprendedores y startups egresados de 84 universidades norteamericanas (2010–2018), clasificados como de IA si en Crunchbase aparecen palabras clave como machine learning, computer vision o NLP; y (ii) medidas de “brain drain” que capturan, para cada universidad y año, el porcentaje de profesorado de IA (de plantilla) que pasa a la industria o funda su propia empresa, con ventanas temporales relativas al año de graduación del alumnado (de 1 a 3 años antes y de 4 a 6 años antes).

Dos rasgos metodológicos importan. Primero, separan profesorado tenured (permanente) y untenured (porque las salidas de los segundos pueden ser involuntarias) y distinguen también especialistas en deep learning. Segundo, estiman modelos de panel OLS con efectos fijos de año de graduación y universidad, y controlan la calidad del departamento (ranking de CSRankings), para explicar (a) el número de emprendedores de IA egresados cada año en cada universidad (margen extensivo) y (b) la financiación temprana (presemilla, semilla y Serie A) que logran sus startups (margen intensivo).

Los resultados son, como decía, bastante concluyentes.

1) Menos creación de startups de IA cuando hay fuga de profesorado clave. En el margen extensivo, la salida de profesorado permanente 4–6 años antes de la graduación del alumnado reduce de forma significativa la probabilidad de que ese alumnado acabe fundando startups de IA. En cambio, las salidas de profesores no permanentes no muestran efecto. En términos de magnitud, un incremento de una desviación estándar en la medida de fuga de talento permanente implica alrededor de un 5% menos de futuros emprendedores de IA (en una regresión con controles). No hay efecto sobre el emprendimiento no-IA dentro del sector IT, lo que ayuda a descartar shocks locales o universitarios no observados como explicación alternativa.

2) Menos financiación temprana para las startups de estudiantes. En el margen intensivo, la fuga de permanentes cuatro a seis años antes del año de graduación se asocia con una caída cercana al 20% en la financiación temprana, lo que equivale a 1,66 millones de dólares menos en relación con la media de la muestra. Para salidas más recientes (1–3 años antes), el efecto existe, pero es menor (~17%). De nuevo, no se observan efectos sobre startups no-IA, reforzando la interpretación causal vía pérdida de conocimiento específico en IA.

3) El conocimiento que “se va” importa, y mucho: deep learning y top-10. Las salidas que más “duelen” para el emprendimiento y la financiación de exalumnos son las de especialistas en deep learning y las de profesorado permanente en universidades top-10 de CS. El patrón es coherente con una historia de transferencia de conocimiento avanzado y no de habilidades genéricas: el efecto es más fuerte entre egresados de máster y doctorado, y no aparece para grado, donde ese conocimiento de frontera es menos determinante.

4) ¿Y si las startups de exalumnos se ven afectadas por “conexiones” con Capital Riesgo (VC) o por shocks locales? Dos ejercicios ayudan a descartarlo. Primero, solo el 13% de los emprendedores de IA funda en la misma ciudad que su universidad (la mayoría emprende en otro lugar), y los no locales son quienes más sufren la fuga de cerebros; esto hace poco plausibles los shocks de ciudad o de red local como motor de los resultados. Segundo, no hay efectos sobre la creación ni la financiación de startups no-IA de IT.

El artículo es importante por varios motivos. Aporta evidencia contra la idea de que para emprender en IA basta con “ser generalista y contratar talento técnico”. También conecta con debates sobre productividad, desigualdad e innovación: si la escasez de capital humano en IA limita la creación y consolidación de nuevas empresas, eso puede retrasar el progreso técnico, con consecuencias macro relevantes.

Pero para nuestros lectores, lo más relevante es que el trabajo ilumina el papel diferencial de la universidad no solo como semillero de ideas, sino como canal de transmisión de conocimiento tácito (vía docencia avanzada, supervisión, seminarios, proyectos conjuntos, etc.). Cuando ese canal se corta, la pérdida no se sustituye fácilmente con recursos abiertos, cursos online o repositorios de código.

Los autores exploran alternativas. ¿Se van los mejores estudiantes a otras universidades cuando ven que “se vacía” el departamento? Mirando a la calidad de los nuevos doctorandos (becas prestigiosas), no encuentran evidencia de caída tras el fuga de cerebros. ¿Se llevan los profesores a sus mejores alumnos a sus nuevas empresas? Si así fuese, el efecto debería ser mayor para salidas recientes; sin embargo, el patrón es más fuerte cuando la salida ocurrió 4–6 años antes, lo que encaja mejor con una historia de formación (o ausencia de formación) durante el periodo de estudios.

Es claro que esto es solamente un ejemplo concreto, pero en otras disciplinas no sería muy diferente. De hecho, las empresas tecnológicas también han contratado muchos economistas de élite. Hal Varian, con cuyos libros de texto han estudiado la mayoría de los economistas, es economista jefe en Google, y Preston MasAfee, otro distinguido profesor americano, lo fue de Microsoft. Y cientos de economistas relevantes pasaron por, o acabaron en, bancos de inversión y hedge funds. Y si esos profesores se van es más difícil generar conocimiento que permita controlar a esos gigantes tecnológicos y financieros con tendencias monopólicas de implicaciones serias para el bienestar social.

No siempre se va a poder retener al profesorado estrella, pero hay que intentarlo. Ni siquiera es siempre necesario pagar los mismos salarios que la competencia extranjera o empresarial. Existen lo que los economistas llamamos “diferenciales compensadores”, que en román paladino sería “no todo es dinero”. Pero que el dinero no sea todo, no quiere decir que no sea nada. Hagamos un esfuerzo para retener a los Messi y los Yamal de nuestra ciencia, que los hay. Puede que gracias a ello la próxima vacuna de la próxima pandemia la invente un científico que trabaje en España.