Introducción

La rápida difusión de la estrategia Industria 4.0 (I4.0) implica desafíos y oportunidades para las relaciones industriales y la vida laboral futura, en donde se espera que la eficiencia de los sistemas de producción aumente, generando ahorro de recursos y una mayor productividad, también se prevé que la automatización y la producción robótica impacten negativamente en la fuerza laboral no calificada, lo que podría resultar en una disminución crítica de trabajadores en ciertas industrias. (^{Kurt, 2019})

En este contexto, se identifican tres aspectos clave. En primer lugar, el aumento de la productividad económica a través de la digitalización, inteligencia artificial y robótica, lo cual puede impulsar la eficiencia, la producción y la competitividad regional, favoreciendo el crecimiento económico (^{Kurt, 2019}). En segundo lugar, el desplazamiento de empleos debido a la implementación de estas tecnologías, que podría llevar a la sustitución de ciertos trabajos por automatización, con la consiguiente pérdida de empleos en algunos sectores (^{Kurt, 2019}). Y, en tercer lugar, el impacto en la fuerza laboral, ya que la introducción de inteligencia artificial y robótica podría cambiar los requisitos de habilidades para los trabajadores, afectando la división del trabajo y las habilidades demandadas por los empleadores. ^{Egana-delSol, et al. (2022}) sugieren que las mujeres enfrentan un mayor riesgo de automatización que los hombres, y que las habilidades relacionadas con las “habilidades del futuro” tienen un menor riesgo de automatización. Esta observación es crucial en el contexto actual, donde las mujeres en América Latina experimentan tasas de participación laboral más bajas, salarios más bajos, ocupan menos puestos gerenciales en comparación con los hombres (^{Scott et al., 2016}; ^{Marchionni, Gasparini y Edo, 2019}; ^{Marchionni, Gluzmann, et al., 2019}).

En el ámbito industrial de México, la ^{Secretaría de Economía} del Gobierno Federal presentó formalmente las directrices de la política industrial el 20 de septiembre de 2022. Los objetivos de esta política buscan promover el desarrollo económico sostenible e incluyente, fomentando la competitividad y la capacitación del personal ocupado en el área de producción mediante la actualización de habilidades y competencias tecnológicas-científicas que se requieren en la industria 4.0, con el fin de fortalecer e impulsar el mercado interno.

En este sentido, es imperativo considerar medidas específicas para reducir la persistente brecha salarial, formación educativa, y productividad entre hombres y mujeres en la industria manufacturera. El trabajo decente debe enfocarse en reorientar políticas y acciones que garanticen la igualdad salarial, así como en la implementación de medidas para reducir la segregación y discriminación de las mujeres en el sector manufacturero. Esto no solo contribuirá a la equidad de género, sino que también permitirá que las mujeres se beneficien de las oportunidades generadas por la Industria 4.0, mitigando el riesgo de automatización y promoviendo la adaptabilidad de la fuerza laboral femenina a las demandas cambiantes del mercado laboral (^{Scott et al., 2016}; ^{Marchionni, Gasparini y Edo, 2019}; ^{Marchionni, Gluzmann, et al., 2019}).

Por lo que la pregunta de investigación del presente artículo es ¿Determinar en qué medida la incorporación de inteligencia artificial contribuye a incrementar o reducir la productividad y remuneraciones de hombres y mujeres en las 79 ramas de la industria manufacturera en México? Se utiliza un modelo de estimación, una regresión, específicamente un modelo de panel dinámico mediante el Método Generalizado de Momentos (GMM) de corte transversal, aplicado a datos sobre 79 ramas de la industria manufacturera mexicana, para el periodo 2019-2022. Replicando la metodología de ^{Md. Aminul Islam, en su artículo Industry 4.0: Skill set for employability. (2022}). Con el fin de analizar el impacto de la incorporación de la inteligencia artificial en la productividad y las remuneraciones de hombres y mujeres en las 79 ramas de la industria manufacturera en México, mediante la estimación de modelos econométricos de panel dinámico, pruebas de causalidad y regresiones, para de identificar los principales resultados y generar información relevante para las empresas que forman parte de la industria manufacturera mexicana.

En este estudio se presenta un análisis detallado de la industria manufacturera mexicana durante el período 2019 a 2022, incluyendo una descripción de las ramas productivas que experimentaron mayor dinamismo, como la fabricación de equipos electrónicos y de comunicación, y aquellas que enfrentaron desafíos, como los sectores tradicionales de confección y calzado. Además, se revisa la literatura reciente sobre el impacto de la inteligencia artificial en el mercado laboral, orientando el enfoque en las habilidades, productividad y remuneraciones, con especial atención a las desigualdades de género. La metodología utilizada se basa en modelos econométricos de panel dinámico, específicamente el método Generalizado de Momentos (GMM), para analizar las relaciones causales entre la incorporación de IA y los cambios en productividad y salarios. Los resultados obtenidos permiten identificar los efectos diferenciados en las ramas de la industria, así como las implicaciones para las políticas públicas y las estrategias empresariales. Finalmente, se discuten las principales conclusiones, resaltando la importancia de la adaptación de la fuerza laboral y la necesidad de promover la igualdad de oportunidades en el contexto de la transformación tecnológica.

Análisis de la industria manufacturera mexicana de 2019 a 2022

En el Cuadro 1 se presenta la tasa de crecimiento media anual, observándose que las ramas con mayor crecimiento de personal ocupado dependiente de la razón social son: 3366 Fabricación de embarcaciones (16.41 %), 3342 Equipos de comunicación electrónica (7.27 %), 3341 Equipos de cómputo y medición (4.62 %), 3391 Fabricación de equipo no electrónico y material desechable de uso médico, dental y para laboratorio, y artículos oftálmicos (3.59 %), y 3271 fabricación de productos a base de arcillas y minerales refractarios (3.02 %), por lo que estas ramas se mantuvieron dinámicas, indicando una rápida recuperación pospandemia. Se observa que estas ramas presentan una expansión significativa, en especial los sectores tecnológicos y de salud, que ha intensificado la contratación de personal calificado, particularmente hombres con educación media superior o superior, y mujeres con nivel superior (3341 Fabricación de computadoras y equipo periférico), lo que refleja la reconfiguración de la demanda laboral pospandemia, favoreciendo el capital humano especializado.

En el Cuadro 2 se observa que las ramas con mayor caída en el personal ocupado fueron 3169 Fabricación de productos de cuero (-6.5%), 3159 Confección de accesorios de vestir (-5.22 %), 3152 Confección de ropa de trabajo (-2.66 %), 3116 Molienda de granos y producción de alimentos balanceados (-1.59 %), y 3115 Elaboración de productos lácteos (-1.04 %). Las ramas presentan un proceso de desindustrialización o sustitución tecnológica, especialmente en sectores intensivos en mano de obra poco calificada como el calzado y la confección. Las mujeres han sido las más afectadas considerando los resultados obtenidos de la tasa de crecimiento media anual (TCMA), comparados con las de los hombres.

En el Cuadro 3 se presenta el análisis propio TCMA, calculadas para las ramas de la industria manufacturera, observando que el mayor crecimiento en las remuneraciones de 2019 a 2022 se presentaron en las ramas: 3366 Fabricación de embarcaciones (17.96%), 3342 Fabricación de equipo de comunicación (14.04%) y 3365 Fabricación de equipo ferroviario; estas ramas se encuentran vinculadas a la industria de exportación (automotriz, electrónica, tecnología) (11.46%), y, 3362 Carrocerias y remolques (11.28%), lo cual eleva las remuneraciones debido a la demanda de mano de obra calificada, uso intensivo de capital y productividad laboral alta. También se benefician de inversión extranjera directa y están integradas en cadenas de valor globales.

En el Cuadro 4 se presenta el análisis del cálculo de las TCMA para las ramas de la industria manufacturera, observando que las ramas con mayor caída salarial fueron: 3115 Elaboración de productos lácteos (-6.89%), 3159 Confección de accesorios de vestir y otras prendas de vestir no clasificados en otra parte (-5.83%) y, 3114 Conservación de frutas, verduras, guisos y otros alimentos preparados (-3.53%), las cuales son ramas que se encuentran expuestas a altos costos de insumos y competencia internacional, lo que impide una mejora salarial. La industria de la confección, particularmente, sufre por la externalización hacia países de bajo costo laboral.

En el Cuadro 5 se presenta el análisis de las TCMA calculadas para las ramas de la industria manufacturera, observando que las ramas con mayor incremento en el uso de tecnología de 2019 a 2022 fueron: 3341 Fabricación de computadoras y medición (9.84%), 3342 Fabricación de equipo de comunicación (6.63%) y 3344 Fabricación de componentes electrónicos (5.96%). Se destaca que estas ramas están en el núcleo de la Industria 4.0, caracterizadas por un fuerte impulso hacia la digitalización, automatización y robotización. Estos sectores requieren personal calificado para desarrollar innovaciones, más allá de las empresas armadoras instaladas en México ante la falta de fabricantes nacionales de maquinara industrial de alta tecnología (^{Almanza, 2015}; ^{Durán Peñaloza, 2016}), y están directamente asociadas a la producción tecnológica avanzada para mercados globales. Su crecimiento en el uso de tecnología es indicador clave de competitividad y adaptación al cambio.

En el Cuadro 6 se presenta el análisis de las TCMA calculadas para las ramas de la industria manufacturera, observando que las ramas: 3169 Fabricación de otros productos de cuero, piel y materiales sucedáneos y 3152 Confección de prendas de vestir forman parte de las manufacturas tradicionales en las que predominan procesos manuales o semimanuales, con escasa adopción de nuevas tecnologías; por lo que presentan un rezago estructural en innovación, bajo nivel de inversión en modernización y competencia fuerte de mercados con menores costos laborales, como Asia. La falta de actualización tecnológica limita su productividad y capacidad de crecimiento.

En cuanto a las horas trabajadas del personal ocupado dependiente de la razón social, en el Cuadro 7 se observa el resultado del cálculo de las TCMA, donde las ramas con mayor incremento en horas trabajadas fueron: 3366 Fabricación de embarcaciones (4.89%), 3342 Fabricación de equipo de comunicación (4.33%), y 3255 Fabricación de pinturas, recubrimientos y adhesivos (3.85%), presentando una expansión significativa en la carga laboral, lo que refleja incremento en la demanda de producción, proyectos industriales de largo plazo o mayores requerimientos de tiempo operativo como complejidad técnica o volumen. En sectores como transporte o tecnología, es reflejo de un crecimiento sostenido, inversión extranjera y mayor presión sobre la capacidad instalada.

En el cuadro 8 se presenta el análisis de las tasas de crecimiento media anual calculadas para las ramas de la industria manufacturera, observando que las ramas con mayor disminución en las horas trabajadas fueron: 3169 Fabricación de otros productos de cuero, piel y materiales sucedáneos (-5.72%), 3115 Elaboración de productos lácteos (-4.66%), y 3151 Fabricación de prendas de vestir (-4.21%), siendo la reducción en las horas trabajadas una contracción de la demanda, automatización parcial, deslocalización de producción, o bien con medidas de eficiencia laboral como recorte de turnos o tecnificación no acompañada de reentrenamiento. Son industrias altamente sensibles a choques económicos y suelen tener menor resiliencia frente a crisis o cambios estructurales.

En el cuadro 9 se muestran los niveles educativos por sexo en las ramas con mayor crecimiento, observándose que en la rama 3341 Fabricación de equipos de cómputo y medición, las mujeres con educación superior son el segmento con mayor crecimiento, reflejo de un cambio estructural hacia la inclusión femenina calificada en sectores tecnológicos. La tasa de crecimiento media anual muestra una evolución hacia una industria manufacturera más calificada, incluyente y tecnológicamente avanzada, en la que tanto hombres como mujeres están mejorando su nivel educativo. La mayor participación de las mujeres con educación superior en sectores de alta tecnología es un indicativo de un cambio estructural e igualdad en el acceso a empleos de calidad.

En el cuadro 10 se observa que las ramas 3169 Fabricación de productos de cuero, piel y materiales sucedáneos, 3152 Confección de prendas de vestir, y 3115 Elaboración de productos lácteos, presentan un proceso de desindustrialización o sustitución tecnológica, especialmente en sectores intensivos en mano de obra poco calificada como el calzado y la confección. Las mujeres han sido las más afectadas, posiblemente por la automatización o reestructuras en las cadenas de suministro, como lo señala Egana-del Sol, et al. (2022). La reducción de trabajadores sin educación formal es un indicio positivo, pero la debilidad general de estos sectores limita la absorción de talento calificado, lo que plantea un reto para la reconversión de la productividad laboral, donde será clave apoyar la capacitación, diversificación y modernización tecnológica, para evitar una mayor exclusión de trabajadores con menor formación.

A partir del análisis de las tasas de crecimiento media anual de la industria manufacturera mexicana entre 2019 y 2022, presentadas previamente, puede concluirse que el sector ha atravesado un proceso de transformación estructural marcado por contrastes significativos entre ramas dinámicas y ramas en declive. La evidencia muestra que las industrias intensivas en tecnología y orientadas a la exportación -como la fabricación de componentes electrónicos, equipos de comunicación y partes automotrices- experimentaron un crecimiento sostenido en personal ocupado, remuneraciones y uso de tecnología, acompañado de un aumento en el nivel educativo de sus trabajadores, especialmente mujeres con educación superior. Esto sugiere un proceso de modernización y fortalecimiento competitivo, vinculado con la digitalización, la automatización y la demanda global.

En contraste, sectores tradicionales como el cuero, los accesorios de vestir y los productos lácteos enfrentaron caídas pronunciadas en el empleo, inversión tecnológica y salarios, lo que refleja una pérdida de competitividad estructural. No obstante, incluso en estas ramas se observan señales de mejora relativa en el perfil educativo de la fuerza laboral que permanece, indicando una posible transición hacia modelos productivos más calificados, aunque todavía limitada por condiciones económicas adversas y rezago tecnológico.

Otro hallazgo relevante es la brecha de género persistente en muchas ramas, tanto en participación como en niveles educativos, aunque con avances notables en sectores tecnológicos, donde las mujeres con educación superior han incrementado su presencia. Esto representa una oportunidad para consolidar políticas que fomenten la equidad laboral y la inclusión del talento femenino en actividades de mayor valor agregado.

Finalmente, la industria manufacturera mexicana presenta una doble realidad: por un lado, un conjunto de ramas tecnológicamente avanzadas que lideran el crecimiento y la transformación digital, y por otro, sectores tradicionales que requieren estrategias urgentes de reconversión productiva.

Revisión de la literatura

La literatura reciente ha mostrado evidencia sobre los múltiples impactos de la inteligencia artificial (IA) en el mercado laboral, abordando dimensiones como las habilidades y niveles educativos, la productividad, las remuneraciones o salarios y el empleo. Diversos estudios teóricos y empíricos permiten identificar patrones diferenciados según el tipo de ocupación y el grado de exposición tecnológica. Por ejemplo, respecto de las habilidades y niveles educativos, ^{Brynjolfsson et al. (2021}) sostienen que la IA incrementa la demanda de habilidades cognitivas y técnicas, lo cual beneficia principalmente a ocupaciones que requieren un alto nivel educativo. De manera similar, ^{Chugunova y Sele (2022}) encuentran que los trabajadores calificados tienden a obtener mayores beneficios, y que la IA podría incluso contribuir a reducir la desigualdad entre los percentiles medios y bajos de ingreso. Por su parte, ^{Zhang y Dafoe (2023}) destacan que la IA está reestructurando la demanda laboral, orientándola hacia ocupaciones con mayores requerimientos técnicos y educativos (ver Cuadro 11).

Respecto a la productividad, ^{Bessen et al. (2022}) documentan que la adopción de IA a nivel empresarial puede incrementar de forma significativa la productividad, especialmente cuando la tecnología complementa las tareas humanas. En una línea convergente, ^{Trajtenberg (2019}) argumenta que la IA impulsa el crecimiento de la productividad, aunque sus efectos sobre el empleo pueden ser mixtos dependiendo del tipo de tareas automatizadas (ver Cuadro 11).

En cuanto a las remuneraciones o salarios, ^{Acemoglu y Restrepo (2022}) advierten que la IA puede reducir los salarios en tareas automatizadas, pero también posibilitar la creación de nuevas tareas más complejas y mejor remuneradas. ^{Brynjolfsson et al. (2021}) identifican un aumento de los salarios en ocupaciones con alto contenido de software y habilidades especializadas. Asimismo, ^{Chugunova y Sele (2022}) evidencian una disminución en la desigualdad salarial entre los percentiles 90 y 10, sin que ello afecte negativamente al 1% más alto.

Finalmente, en el eje de empleo, ^{Brynjolfsson et al. (2021}) concluyen que el efecto promedio de la IA sobre el empleo es limitado, aunque puede polarizar el mercado laboral favoreciendo a los trabajadores altamente calificados. ^{Acemoglu y Restrepo (2022}) señalan que la automatización mediante IA tiende a reducir la demanda laboral en tareas rutinarias, pero también puede dar lugar a nuevas ocupaciones. En contraste con tecnologías anteriores, ^{Chugunova y Sele (2022}) resaltan que la IA no ha reducido significativamente el empleo entre los trabajadores calificados.

Ahora bien, en el cuadro 12 se presenta una sistematización de estudios recientes sobre el impacto de la inteligencia artificial (IA) en el trabajo, organizados en cuatro ejes analíticos claves. La interpretación destaca la diversidad de enfoques metodológicos adoptados por los autores para abordar fenómenos complejos vinculados al cambio tecnológico.

La metodología utilizada en el eje de habilidades y niveles educativos señala que predomina el uso de métricas ocupacionales combinadas con análisis empíricos, como la desarrollada por ^{Brynjolfsson et al. (2021}) mediante el AI Occupational Impact (AOI), una herramienta innovadora que permite cuantificar la exposición de diferentes ocupaciones a la IA en función de las habilidades requeridas. Este enfoque se complementa con estudios como los de ^{Chugunova y Sele (2022}) que integran AOI con microdatos de ingresos y tareas para evaluar desigualdades. ^{Zhang y Dafoe (2023}) introducen una metodología basada en encuestas masivas y análisis estadístico, enfocándose en la evolución de la demanda de habilidades cognitivas y técnicas, lo cual aporta una visión más perceptual y proyectiva del fenómeno (ver Cuadro 12).

Los estudios sobre productividad se apoyan en diseños empíricos a nivel de empresa e industria, como en el caso de ^{Bessen et al. (2022}), quienes recolectan datos sobre adopción tecnológica y productividad laboral para aplicar regresiones con variables de control, buscando inferencias causales. Este enfoque cuantitativo contrasta con el trabajo de ^{Trajtenberg (2018}), quien emplea una perspectiva teórica e institucional articulando conceptos de economía, sociología y ciencia política para plantear desafíos metodológicos asociados a la medición de la productividad en contextos de automatización.

En cuanto al análisis de los efectos salariales, se destaca el uso de modelos basados en tareas, como el de ^{Acemoglu y Restrepo (2022}), que simulan escenarios de automatización y creación de nuevas funciones con capital endógeno. Otros estudios, como los de ^{Brynjolfsson et al. (2021}), aplican análisis econométricos combinando AOI con microdatos para identificar correlaciones entre exposición a la IA y variaciones salariales. ^{Chugunova y Sele (2022}) recurren a un enfoque distributivo mediante percentiles salariales (P90/P10), lo cual permite capturar los efectos de la IA en la desigualdad salarial, destacando que su impacto ha sido más redistributivo que regresivo.

Para evaluar el empleo los autores aplican modelos empíricos y teóricos complementarios. ^{Brynjolfsson et al. (2021}) nuevamente emplean el AOI, en este caso correlacionando exposición a la IA con la reconfiguración de la estructura ocupacional. ^{Acemoglu y Restrepo (2022}) optan por un modelo macroeconómico estructural, diferenciando entre tareas automatizadas y creadas, permitiendo estimar los efectos netos sobre el empleo. Finalmente, ^{Chugunova y Sele (2022}) adoptan un enfoque distributivo del empleo, integrando series históricas y niveles de habilidades, con lo cual identifican tendencias en la adaptación de la fuerza laboral frente a la tecnología (ver Cuadro 12).

La revisión de literatura evidencia que el estudio del impacto de la inteligencia artificial (IA) en el ámbito laboral ha evolucionado hacia enfoques metodológicos sofisticados, multiescalares y complementarios. La combinación de modelos cuantitativos (como el AI Occupational Impact), técnicas econométricas con microdatos ocupacionales, modelos macroeconómicos basados en tareas, encuestas masivas y análisis distributivos ha permitido una comprensión más integral de los efectos diferenciados de la IA en diversos ejes laborales.

En cuanto a habilidades y niveles educativos, los hallazgos destacan que la IA está reconfigurando la demanda de habilidades, con un mayor énfasis en competencias cognitivas avanzadas, lo que puede amplificar desigualdades entre ocupaciones y niveles de formación. En el eje de productividad, se observa que la adopción de IA a nivel empresa e industria puede mejorar el rendimiento laboral, aunque sus efectos varían según el contexto organizacional y los sectores económicos. Las investigaciones sobre remuneraciones y salarios revelan que la exposición a la IA contribuye a una mayor desigualdad salarial, beneficiando en mayor medida a trabajadores con alta cualificación, mientras que los de menor calificación enfrentan riesgos de estancamiento o pérdida salarial. Finalmente, en el eje de empleo, los estudios muestran resultados mixtos: mientras que algunas tareas son desplazadas por la automatización, también surgen nuevas ocupaciones, lo que da lugar a una transformación más que a una simple destrucción del empleo.

Un punto de vista clave en este análisis es el de ^{Graetz y Michaels (2018}) en su artículo “Robots at Work”, donde analizan el impacto de la adopción de robots industriales en la productividad, el empleo y los salarios en la industria manufacturera de 17 países desarrollados principalmente europeos, durante el periodo de 1993 a 2007, utilizando datos sectoriales y modelos de regresión de panel, los autores examinan cómo la incorporación de los robots ha contribuido de manera significativa al crecimiento de la productividad y el valor agregado, destacando en que los sectores con mayor intensidad robótica y mayor proporción de trabajadores calificados son los que más se benefician de la automatización.

Aspectos metodológicos

Desde los años ochenta a la fecha ha crecido el interés por aplicar datos panel en los estudios econométricos, esto por la disponibilidad de nuevos conjuntos de datos y la posibilidad de estimar modelos de comportamiento individual con datos agregados de series temporales, para evitar las distorsiones obtenidas en las encuestas de corte transversal (^{Holtz-Eakin, Newey y Rosen, 1988}; ^{Arellano y Bond, 1991}; ^{Arellano y Bover, 1990}; ^{Blundell y Bond, 1998}).

Un panel de datos cuenta con una sección transversal (N) y una dimensión temporal (T). Generalmente, la dimensión temporal del panel (T) es corta (paneles microeconómicos o micro panel), con una dimensión transversal (N) muy grande. En este caso se busca la consistencia de las estimaciones a lo largo de la dimensión (N) por su orientación al análisis transversal y la heterogeneidad entre las unidades de análisis (^{Arellano y Bover, 1990}). Por su parte, ^{Roodman (2009}) señaló que la temporalidad no deberá sobrepasar la de 10 años, e idealmente ser inferior a 10 años en el caso de paneles dinámicos. Lo anterior permite analizar el efecto de cada individuo sin recurrir a variables dicotómicas; existen menos problemas de colinealidad porque la dimensión transversal añade variabilidad, permite estudiar dinámicas de ajuste en el tiempo, identifica y cuantifica efectos que no son posibles de detectar con sección cruzada o series de tiempo, y reduce el sesgo de agregación al recoger información de micro unidades -como las ramas de la industria manufacturera-. (^{Arellano y Bond, 1991}; ^{Beltrán y Castro, 2010})

Para estimar datos tipo panel, es necesario contar con un conjunto de observaciones que abarque individuos, empresas, países, u otras entidades a lo largo de varios años. Entre los métodos más empleados en el análisis de datos de panel se encuentra el Método Generalizado de Momentos (GMM), especialmente aplicado a diferencias y sistemas en paneles dinámicos. Este enfoque es preferido debido a su capacidad para abordar aspectos críticos del modelo, como los efectos fijos y la endogeneidad de los regresores, al mismo tiempo que mitiga el sesgo inherente en los paneles dinámicos (^{Nickell, 1981}).

El GMM también es adaptable a paneles desequilibrados y a situaciones que involucran múltiples variables endógenas. De esta manera, los estimadores asociados están diseñados para adaptarse tanto a paneles cortos (T) como a paneles anchos (N). Este ajuste permite su aplicación en modelos lineales con variables dependientes dinámicas, controles adicionales y efectos fijos (^{Roodman, 2009}). Es importante destacar que el GMM puede ser empleado tanto con la presencia de efectos fijos como aleatorios, especialmente en situaciones donde el tamaño de la muestra implica un número pequeño de periodos (T) y un gran número de unidades (N), evitando de esta manera que el enunciado pueda interpretarse como contradictorio.

Por otra parte, respecto a la disponibilidad de datos para el uso de micropaneles, se observó que la primera publicación de 1997 del Instituto Nacional de Estadística y Geografía (INEGI), Mujeres y Hombres en México, ha mantenido una periodicidad anual como resultado del “Programa Nacional de la Mujer 1995-2000: Alianza para la Igualdad”. No obstante, este documento no incluye aspectos sobre capacitación laboral, ni el nivel de instrucción del personal ocupado en la industria manufacturera o sus remuneraciones por hora trabajada. En su lugar, recupera información de la Encuesta Nacional de Ocupación y Empleo (ENOE) referente a ingresos promedio por hora según una ocupación que difiere del Sistema de Clasificación Industrial de América del Norte (SCIAN). Este último se utiliza en la Encuesta Anual de la Industria Manufacturera (EAIM) (^{INEGI, 2018}), la cual incorporó por primera vez en 2019 el desglose por género. Lo anterior derivó de la reforma a la Ley del Sistema Nacional de Información Estadística y Geográfica para obligar a los subsistemas a producir y difundir información con perspectiva de género. (^{Cámara de Diputados, 2019})

A pesar de la entrada en vigor de las modificaciones de dicha ley, el formulario de la EMIM aun no incorpora variables de género respecto al personal ocupado. Ninguna de las dos encuestas ha incorporado la remuneración del personal ocupado, ni las horas trabajadas con perspectiva de género, pese a ser parte de los Objetivos de Desarrollo Sostenible (ODS) de la Agenda 2030 (^{Organización de las Naciones Unidas [ONU], 2015a}, ^2015b). Finalmente, la recopilación de datos por sexo en el formulario se restringió al periodo 2019 - 2022.

El modelo estimado correspondió a un modelo de panel dinámico utilizando el Método Generalizado de Momentos (GMM) de corte transversal aplicado a datos de 79 ramas de la industria manufacturera mexicana, para el periodo 2019-2022. Por lo que se replica la metodología de ^{Md. Aminul Islam, en su artículo Industry 4.0: Skill set for employability. (2022}).

En donde:

VAHRS_it: Valor agregado de las horas trabajadas en la rama i en el periodo t POH_it: Población ocupada TECH_it: Uso de tecnología RM_it: Remuneraciones SNB_it: Población con nivel básico por sexo SNMS_it: Población con nivel medio superior por sexo SNS_it: Población con nivel superior por sexo SSNE_it: Población sin nivel educativo por sexo ε _it : Término de error

El modelo ha sido replicado en esta investigación por su relevancia para evaluación de las interacciones entre factores como el uso de tecnología (Tech), las remuneraciones, el nivel de estudios de los hombres (SNB, SNMS, SNS, SSNE), y el término de error (Ei), puesto que estos elementos permiten abordar preguntas sobre cómo las tecnologías avanzadas afectan la productividad laboral y la inclusión social en un sector estratégico como la manufactura, y es importante destacar que la inclusión de la capacitación laboral de hombres y mujeres es crucial para identificar desigualdades. En un estudio realizado por ^{Graetz y Michaels (2018}), sobre los impactos de la automatización en la industria manufacturera europea, se utilizaron modelos de panel similares para identificar el efecto de la adopción de robots industriales y tecnologías avanzadas sobre la productividad y el empleo en 17 países, tomando en cuenta datos de variables sobre capital humano y remuneraciones. Su enfoque permitió descomponer el impacto de la automatización sobre el valor agregado, considerando el efecto directo de la tecnología y las interacciones con el perfil educativo de la fuerza laboral. De esta manera, la selección de la ecuación anteriormente mencionada no solo es metodológicamente robusta, sino que se alinea con prácticas internacionales ya utilizadas y validadas, lo que permite adecuarla a un caso mexicano, el cual aportará evidencia de cómo la inteligencia artificial y la automatización está transformando la industria manufacturera.

Finalmente, es importante señalar que en la revisión literaria se destacó que para analizar el impacto de la incorporación de tecnologías avanzadas, como la inteligencia artificial en la productividad y remuneraciones, es habitual utilizar variables que capturan el nivel de adopción tecnológica en las ramas industriales. En concreto, la variable - definida como el uso de tecnología en la rama en el periodo - se emplea como proxy para la incorporación de IA y otras tecnologías digitales.

Esta equivalencia entre y productividad se justifica en varios argumentos presentados que se retoman a continuación:

Marco teórico y prácticas internacionales: ^{Graetz y Michaels (2018}), emplean variables similares para capturar el grado de automatización o adopción de tecnologías avanzadas (como robots o IA) y su efecto en la productividad. Por tanto, la variable está alineada metodológicamente con enfoques validados para analizar cómo la tecnología afecta el valor agregado y el empleo.

Relación con productividad medida en valor agregado de horas trabajadas: En el modelo econométrico estimado, se relaciona directamente con el valor agregado por hora trabajada en cada rama en el periodo . Esto implica que un mayor uso de tecnología (incluyendo inteligencia artificial) se asocia con aumentos en la productividad laboral, representando así el impacto económico y productivo de la IA en términos prácticos.

Disponibilidad y alcance de datos: La variable permite capturar la incorporación tecnológica de manera más amplia y cuantificable en el contexto mexicano, donde la medición directa y específica de IA puede ser limitada o difícil de aislar. Por tanto, funciona como una medida integrada de la adopción tecnológica, que incluye la IA como componente.

Evolución del sector y perfiles educativos: El análisis muestra que las ramas con mayores niveles de coinciden con las que experimentan mayor participación de trabajadores calificados y mejor remunerados, sugiriendo que refleja la modernización tecnológica impulsada por IA y otras herramientas digitales.

Análisis de resultados econométricos

Para determinar la pertinencia de utilizar un modelo de efectos fijos o aleatorios, se aplicó la prueba de Hausman tras una estimación de mínimos cuadrados ordinarios (MCO). Los resultados, para hombres y mujeres, muestran valores menores al 0.5%, por lo que se rechaza la hipótesis alternativa de que el modelo tiene efectos fijos y se acepta la hipótesis nula sobre la presencia de efectos aleatorios, tanto para el modelo de hombres como el de mujeres.

Los resultados de la pruebas de causalidad de Granger, de los cuadros 14 y 15, sugieren que para los hombres y mujeres de la industria manufacturera mexicana, el uso de tecnología, las remuneraciones y los niveles educativos son variables que anticipan y explican cambios en la productividad laboral, esto implica que la creación de políticas, el incremento de las remuneraciones y fomentar la adopción tecnológica puedan tener efectos causales y positivos sobre la productividad de la industria; por el contrario, la población ocupada de hombres no muestra evidencia de causalidad sobre la productividad.

En el cuadro 16 se observan los resultados de las estimaciones del micro panel en Eviews 13 , utilizando el Método Generalizado de Momentos (GMM) con efectos aleatorios de sección transversal (EGLS). Debido a la presencia de los efectos aleatorios, y previo a la estimación, se selección la prueba de Swamy y Arora. Los resultados obtenidos confirman que la productividad laboral, medida a través del valor agregado de las horas trabajadas, se encuentra influida por la estructura educativa y las remuneraciones, evidenciando que los hombres con educación media superior y superior aportan de manera significativa al incremento del valor agregado, destacando la importancia de la formación técnica y profesional llevada de la mano de la industria 4.0. Asimismo, el aumento en las remuneraciones se asocia positivamente con la productividad, lo que puede deducir que, ante mejores condiciones salariales, se puede incentivar el desempeño y la eficiencia laboral. Por el contrario, la presencia de trabajadores sin nivel educativo y educación básica se relacionan con menores niveles de productividad.

Por otro lado, en el cuadro 17 se observan los resultados de la estimación para las mujeres en la industria manufacturera mexicana. Revelan que la educación desempeña un papel clave, siendo las mujeres con nivel básico y medio superior, quienes contribuyen de manera positiva al valor agregado. Asimismo, las mujeres con nivel superior que se encuentran en esta contribución positiva se asocian a un nivel de menor aporte, lo que puede estar relacionado con la baja proporción de mujeres con este nivel en ciertas ramas de la industria. Las mujeres sin educación presentan menores niveles de productividad.

Los hallazgos presentados confirman que la modernización y la competitividad del sector manufacturero dependen de la integración de capital humano calificado, donde hombres y mujeres con adopción tecnológica estratégica orientada a la formación continua, ha logrado la adaptación de los retos de la digitalización.

Discusión

Los resultados econométricos obtenidos confirman la relevancia del uso de tecnologías avanzadas, representadas en este estudio por la variable , en la mejora de la productividad laboral y en la configuración de las remuneraciones dentro de la industria manufacturera mexicana. Este hallazgo se alinea con la evidencia empírica internacional y las tendencias documentadas en la literatura revisada.

En primer lugar, los resultados que muestran un impacto positivo del uso de tecnología en el valor agregado por hora trabajada coinciden con los estudios de ^{Bessen et al. (2022}) y ^{Trajtenberg (2019}), quienes señalan que la adopción de inteligencia artificial y automatización incrementa la productividad empresarial, especialmente cuando se complementa con tareas humanas que requieren habilidades cognitivas avanzadas. De igual manera, la mayor productividad asociada a observada en las ramas con tecnología avanzada refleja la dinámica señalada por ^{Brynjolfsson et al. (2021}), donde la incorporación creciente de IA reconfigura tanto las tareas como la cualificación de los trabajadores implicados.

Respecto a las remuneraciones, la evidencia muestra un escenario mixto que reproduce las tendencias identificadas en la literatura. El uso intensivo de tecnología impacta diferenciadamente según los niveles educativos y género, lo cual es consistente con ^{Acemoglu y Restrepo (2022}) y ^{Chugunova y Sele (2022}), quienes destacan que la IA puede generar aumentos en salarios para ocupaciones calificadas, al tiempo que provoca una polarización salarial que afecta más a tareas rutinarias y menos especializadas. Esta polarización pone de manifiesto la necesidad de políticas enfocadas en la capacitación y la inclusión laboral para mitigar brechas desigualitarias.

Adicionalmente, la aplicabilidad del método econométrico de panel dinámico con GMM, utilizado para controlar endogeneidad y efectos fijos, fortalece la validez de los resultados al capturar la dinámica temporal y heterogeneidad sectorial, una práctica común en análisis similares (^{Nickell, 1981}; ^{Arellano y Bond, 1991}). Esto permite afirmar que las asociaciones halladas entre la variable y la productividad no son meramente anecdóticas, sino consistentes con patrones estructurales en la industria manufacturera.

Finalmente, se contribuye a la comprensión contextual de la transformación digital en México, donde las ramas tecnológicas muestran un crecimiento claro en productividad y remuneraciones, mientras que los sectores tradicionales enfrentan desafíos para adaptarse a la automatización y competencia global. Esto subraya la importancia de fomentar políticas públicas que impulsen la adopción inclusiva de IA, apoyen la reconversión de trabajadores y promuevan la igualdad de género en el acceso a empleos tecnológicos.

Conclusiones

Considerando la evidencia sobre la incorporación de la inteligencia artificial (IA) y tecnologías asociadas a la Industria 4.0 ha generado una transformación significativa en la industria manufacturera mexicana durante el periodo 2019-2022. Las ramas tecnológicas y de exportación, como la fabricación de equipos de comunicación, computadoras y componentes electrónicos, han experimentado un crecimiento destacado en empleo, remuneraciones y adopción tecnológica, reflejando una mayor demanda de personal calificado y la evolución hacia procesos productivos más avanzados. En contraste, sectores tradicionales como la confección y el calzado enfrentan disminuciones en empleo, salarios y uso de tecnologías, lo que señala un rezago estructural y una mayor vulnerabilidad ante la automatización y la competencia internacional. Este fenómeno ha afectado especialmente a la mano de obra menos calificada y a las mujeres en estos sectores, evidenciando la persistencia de brechas de género y educativas.

Los resultados econométricos, basados en el modelo de panel dinámico con Método Generalizado de Momentos (GMM), confirman que el uso intensivo de tecnología impacta de manera diferenciada según niveles educativos y género. Se observaron aumentos en salarios en ocupaciones calificadas ligados a la adopción de IA, pero también una polarización salarial que afecta principalmente a tareas rutinarias y menos especializadas. Esto subraya la necesidad urgente de diseñar políticas públicas enfocadas en la capacitación continua, la inclusión laboral y la reconversión productiva, con especial énfasis en promover la igualdad de género y la reducción de brechas educativas.

Además, se destaca la importancia de integrar competencias en tecnologías emergentes y habilidades digitales en la formación académica y profesional, para mejorar la adaptación de la fuerza laboral a los retos de la Industria 4.0.

Finalmente, la industria manufacturera mexicana presenta una doble realidad: por un lado, ramas tecnológicamente avanzadas que lideran el crecimiento y la transformación digital; por otro, sectores tradicionales que requieren estrategias urgentes de reconversión productiva y políticas inclusivas para evitar que la automatización aumente la desigualdad social y laboral. La adopción inclusiva de la inteligencia artificial, junto con medidas que impulsen la capacitación, la equidad de género y la reconversión, será clave para promover una productividad equilibrada y un desarrollo sostenible del sector manufacturero en México.