El hecho de que las búsquedas en Google del término IA se hayan multiplicado por diez en los últimos años es una prueba de lo nueva que es esa tecnología y de lo poco que la entendemos
La inteligencia artificial (IA) consiste en la simulación de la inteligencia humana en máquinas. Ese objetivo difuso incluye muchas técnicas y tecnologías que permiten a ordenadores y máquinas realizar una amplia gama de tareas; entre ellas, tomar decisiones, aprender, reconocer elementos concretos en imágenes o vídeos, comprender la voz humana y reaccionar ante estímulos concretos.
Algunas aplicaciones de la IA son muy familiares. P. ej., los asistentes virtuales como Siri o Alexa reconocen el lenguaje natural, procesan las preguntas o las peticiones que les hacemos y responden a ellas. Las plataformas de streaming hacen recomendaciones personalizadas basadas en nuestras elecciones anteriores. Los algoritmos de detección de fraudes logran identificarlos estudiando desviaciones en los patrones de gasto. Las aplicaciones de navegación utilizan información del tráfico en tiempo real para indicar las mejores rutas. En definitiva, todas esas aplicaciones de la IA tienen dos elementos comunes: recopilan información digital y la analizan utilizando métodos sofisticados.
La IA es una tecnología de propósito general, es decir, con una amplia gama de aplicaciones en diferentes sectores y el potencial de cambiar los procesos de producción en toda la economía
El potencial ofrecido por la aplicación de la IA a muchas actividades productivas ha llevado a los analistas a plantearse todo tipo de preguntas. ¿Reemplazarán las máquinas a los seres humanos? ¿Revolucionará la IA los procesos de producción y dará lugar a un crecimiento sin precedentes de los niveles de vida? ¿Transformará las organizaciones, con la eliminación de los mandos intermedios y su sustitución por un ejército de tecnólogos encargados de entrenar algoritmos? ¿Hará más desigual la distribución de la renta y llevará a un incremento de las tensiones sociales?
Por más que sean preguntas que susciten amplias reflexiones, cualquier respuesta concreta es hoy mera especulación dada la incertidumbre sobre la evolución futura de la IA, sus aplicaciones y el modo en que las usaremos. Además, una dificultad añadida es que, a diferencia de otras tecnologías cuyo uso es evidente a simple vista (los coches o las turbinas eólicas, p. ej.), la mayoría de las aplicaciones de la IA no son fáciles de observar cuando uno hace footing por un parque o trabaja en la oficina, lo que hace difícil incluso medir su difusión actual y su repercusión en la economía.
Tecnología de propósito general
Tras estas salvedades, es posible hacer conjeturas sobre las respuestas a algunas de esas preguntas porque, como la electricidad o los ordenadores, la IA es lo que llamamos una tecnología de propósito general (TPG). Las TPG son tecnologías con una amplia gama de aplicaciones en diferentes sectores y el potencial de cambiar los procesos de producción en toda la economía. El desarrollo y la difusión de las TPG siguen unos patrones comunes. Por lo tanto, observando el pasado podemos entender lo que ocurrirá en el futuro.
La primera característica de las TPG es que no son tecnologías aisladas, sino un grupo de tecnologías complementarias que aportan, usadas juntas, muchos más beneficios que usadas por separado. Una consecuencia es que las TPG solo adquieren amplia difusión a partir del desarrollo de un número significativo de aplicaciones. De ahí su largo retraso en la difusión con respecto a las tecnologías que no son TPG. Por ejemplo, la demanda de electricidad solo alcanzó niveles notables tras el invento de un conjunto de electrodomésticos que incluía la radio, la lavadora, el frigorífico y el horno eléctrico en las dos primeras décadas del siglo XX. Es decir, unas cuatro décadas después de que Edison inventara la primera bombilla viable en términos comerciales.
Las primeras calles conectadas con electricidad, un paso que se asentó de forma global en el siglo XX. El XXI se cree digital y en manos de la IA.
El desarrollo de tecnologías radicalmente nuevas como las TPG resulta largo y complejo. Thomas Edison, por ejemplo, probó más de seis mil materiales distintos para fabricar el filamento de su bombilla en 1879. Y eso ocurrió décadas después de que otros inventores desarrollaran los primeros modelos de bombillas; pero eran unas bombillas con una vida útil tan corta que no resultaban viables en términos comerciales.
Debido a la complementariedad de las tecnologías que integran una TPG y la dificultad de desarrollar esas tecnologías, su repercusión en la economía es muy gradual y solo se manifiesta en las estadísticas de productividad décadas después de haber sido introducidas. El ejemplo clásico son los ordenadores. En 1987, dieciséis años después de la comercialización del primer ordenador personal, el premio Nobel Robert Solow formuló su célebre paradoja: “los ordenadores están en todas partes menos en las estadísticas de productividad”. No fue hasta mediados de la década de 1990 cuando el crecimiento de la productividad estadounidense repuntó y tuvo entonces, durante una década, un ritmo comparable al de la dorada década de 1960.
Efectos en la productividad
Más allá del efecto sobre la productividad, gran parte del interés por las TPG se centra en sus posibles efectos distributivos. ¿Tiene su difusión ganadores y perdedores? Y, en caso afirmativo, ¿podemos prever quiénes serán? Los economistas han estudiado a fondo la repercusión de determinadas TPG en la demanda relativa de trabajadores con estudios universitarios frente a quienes no los tienen. Por ejemplo, las empresas aprovecharon las mejoras aportadas por la potencia de cálculo y los nuevos programas informáticos para incorporar a sus procesos de producción nuevas tareas que requerían el uso de ordenadores por parte de los trabajadores. Aparecieron así nuevas ocupaciones como las de programador, diseñador de chips o consultor en materia de tecnologías de la información; y el hecho de que, tanto en las ocupaciones nuevas como en las antiguas, los trabajadores con estudios universitarios tuvieran una ventaja en el manejo de ordenadores fomentó su demanda relativa y provocó un aumento de su salario en relación con el de los trabajadores sin estudios universitarios.
Sin embargo, las TPG no siempre aumentan la demanda relativa de trabajadores cualificados. La electricidad facilitó la creación de fábricas más grandes y eficientes, lo cual subió la productividad de los trabajadores de producción, relativamente poco cualificados. Las TPG relacionadas con el transporte, como es el caso de automóviles, camiones o aviones, permitieron a las empresas llegar a mercados nuevos y más distantes y aumentaron la escala de sus operaciones, lo que supuso un aumento de la eficiencia. Y eso tuvo una repercusión simétrica en la productividad de todos los trabajadores, cualificados y no cualificados. Por lo tanto, las pruebas históricas no apoyan un sesgo distributivo consistente provocado por las TPG, por más que algunas puedan producirlo.
Preveo que la opacidad y los sesgos potenciales de los algoritmos crearán resistencia al desarrollo de aplicaciones y frenarán la repercusión potencial de la IA en la economía
¿Qué podemos extrapolar a la IA de las regularidades históricas de las TPG? ¿Qué semejanzas y diferencias hay entre la IA y las TPG anteriores?
Empecemos por la velocidad de difusión y el tiempo que tardará la IA en aparecer en los datos agregados de productividad. En la actualidad, ya estamos en capacidad de afirmar que la difusión de la IA se asemeja a las anteriores TPG. Las técnicas utilizadas para analizar datos (por ejemplo, el aprendizaje automático o las redes neuronales) existen desde hace varias décadas. Al igual que ocurre con la electricidad o los ordenadores, se están desarrollando nuevas aplicaciones que aumentan el atractivo de la incorporación de la IA a los procesos de producción. Evidentemente, las aplicaciones de la IA distan mucho de estar pulidas. Por ejemplo, le pedí a ChatGPT que me escribiera este artículo, y el resultado fue tan decepcionante que aquí estoy, tecleando.
En mi opinión, hay tres aspectos que debemos considerar para evaluar cuánto tiempo habrá que esperar hasta ver un reflejo de la IA en las estadísticas de productividad.
Un desarrollo lento
Las aplicaciones de IA pueden tardar en desarrollarse más que las aplicaciones para otras TPG por dos razones. En primer lugar, las técnicas de aprendizaje automático y redes neuronales son muy eficaces para identificar valiosos patrones no lineales presentes en los datos. Sin embargo, requieren muchos datos para funcionar. Se necesitan, por ejemplo, datos sobre transacciones financieras de varios millones de prestatarios para desarrollar un algoritmo de redes neuronales que prediga el impago de créditos con más precisión que los modelos econométricos tradicionales usados por los bancos. Ese tipo de datos no existe en la mayoría de los contextos, y su recopilación es difícil y costosa.
En segundo lugar, los resultados de los algoritmos son opacos. Por ejemplo, un algoritmo puede predecir la probabilidad de que un cliente potencial incumpla el pago de un préstamo, pero no arroja luz sobre cómo ha llegado a esa estimación ni sobre la relevancia de las distintas variables consideradas en la aplicación. Además, los algoritmos pueden verse afectados por factores de confusión que tienen poder predictivo sobre una variable de interés. Por ejemplo, la condición racial de un solicitante puede desempeñar un papel importante en un algoritmo aunque no sea causa de impago per se, y ello debido a que la raza está correlacionada con algunos factores causales de impago de préstamos que no ha sido tenidos en cuenta por el algoritmo. Por otra parte, los algoritmos pueden estar sesgados por los datos utilizados en la fase de entrenamiento. Un estudio reciente1 ha demostrado que los modelos lingüísticos de IA contienen diferentes sesgos políticos en función de los datos utilizados para entrenarlos, y que es prácticamente imposible limpiar los datos de entrenamiento a priori para evitar esos sesgos a posteriori. Preveo que la opacidad y los sesgos potenciales de los algoritmos que son la base de todas las aplicaciones de IA crearán resistencia al desarrollo de aplicaciones y frenarán la repercusión potencial de la IA en la economía.
La IA está aplanando las organizaciones, eliminando los niveles intermedios de gestión y aumentando la demanda de trabajadores con formación técnica y científica
Sin embargo, existe una fuerza compensatoria que facilitará la difusión de las aplicaciones de la IA en relación con las tecnologías anteriores. Durante los últimos doscientos años, la velocidad de difusión de las nuevas tecnologías no ha dejado de acelerarse.2 Las tecnologías inventadas diez años más tarde se han difundido una media de cuatro años más deprisa. Esa tendencia comenzó con la revolución industrial y no se vio alterada por la llegada de las tecnologías digitales. Sin embargo, dado que son más recientes, estas se han difundido más deprisa que cualquier tecnología anterior. Las aplicaciones de la IA son aun más recientes y sin duda se difundirán más deprisa que cualquier otra tecnología que hayamos experimentado. El ejemplo de ChatGPT, con 1 millón de usuarios a los 2 días de su lanzamiento, 100 millones 9 meses después y 200 millones (previstos) 13 meses después, es coherente con tal predicción.
¿Cambios en la innovación?
Un asunto diferente es la repercusión de la IA en el crecimiento a largo plazo de la economía. Algunos analistas han conjeturado que la IA cambiará el modo en que innovamos y que acelerará el crecimiento a largo plazo de la economía. Su razonamiento es el siguiente. Los cerebros artificiales sustituirán a los cerebros humanos en el desarrollo de ideas; y, como aquellos serán más potentes y no estarán sujetos a rendimientos decrecientes, el ritmo de creación de ideas nuevas aumentará y ello dará lugar a una nueva época de cambios tecnológicos más rápidos y a mayores tasas de crecimiento de la productividad.
Por muy atractiva que suene esa historia, albergo dudas acerca de su verosimilitud. La innovación es un proceso complejo, y estamos lejos de comprenderlo bien. Algo que sabemos de la innovación es que no consiste solo en tener ideas nuevas. Las ideas deben convertirse en prototipos que las materialicen antes de poder ser comercializadas y utilizadas. Y la parte del proceso de innovación que más tiempo y recursos consume suele consistir en experimentar con los prototipos y retocarlos hasta lograr convertirlos en máquinas, programas informáticos, productos o procesos viables. Ese experimentar y retocar no es fácil de automatizar y digitalizar, y resulta poco probable que la IA cambie la situación.
Elon Musk es uno de los referentes en el uso de tecnología avanzada y fue uno de los primeros en invertir en OpenAI
Además, las buenas ideas no surgen sin más de la combinación de unos conceptos de modo razonado. Los chefs no crean nuevas recetas mezclando ingredientes ordenadamente, sino que se basan en la inspiración, que es la “capacidad de entender algo inmediatamente, sin necesidad de razonamiento consciente”. Una cosa es aprender qué palabra viene a continuación en un texto o qué concepto combina bien con otro basándose en lo que los humanos han hecho en el pasado. Un reto mucho más exigente es desarrollar el instinto que guía a los buenos investigadores hacia la producción de grandes innovaciones. Por eso soy escéptico sobre las posibilidades de que la IA transforme el proceso de innovación y aporte las extraordinarias riquezas soñadas por algunos.
Qué cabe esperar
La importante repercusión de las tecnologías de la información sobre la prima de cualificación de un empleo y la desigualdad ha suscitado un interés por los efectos distributivos de la IA. En esta fase inicial, hay ya algunas observaciones relevantes que apuntan a lo que cabe esperar en el futuro. Según algunas investigaciones recientes, las tecnologías de IA están aplanando las organizaciones, eliminando los niveles intermedios de gestión y aumentando la demanda de trabajadores con formación técnica y científica.3 Esa tendencia incipiente repercutirá en las trayectorias profesionales de los trabajadores, ya que los puestos directivos intermedios dejarán de ser una progresión natural para los jóvenes profesionales.
Las pruebas también señalan que la IA está cambiando la demanda relativa de trabajadores universitarios y de posgrado formados en STEM (ciencia, tecnología, ingeniería y matemáticas) en relación con los trabajadores formados en ciencias sociales y humanidades. Por otra parte, las empresas que empiezan con una mayor proporción de mano de obra STEM son también las más propensas a adoptar tecnologías de IA con mayor potencial para crecer y captar cuota de mercado en sus respectivos sectores en comparación con las empresas que tienen una menor dependencia de trabajadores STEM. En consecuencia, estamos empezando a ver en los salarios una prima STEM que eleva los de los trabajadores cualificados formados en esos campos en relación con aquellos que son menos capaces de adaptarse o cuyo trabajo puede ser reemplazado más fácilmente por la IA. En esa línea, es revelador que una de las demandas clave de los guionistas de Hollywood para acabar su huelga fuera limitar la IA generativa en los guiones.
Pese a la verosimilitud de esas tendencias, es importante tener en cuenta que se basan en proyecciones realizadas en fases muy tempranas de la difusión de la IA y que existe un margen de error considerable. Al fin y al cabo, en el año más reciente para el que he visto un indicador (2018), menos de un 0,1% de la población activa estadounidense estaba empleada en ocupaciones intensivas en IA. Por lo tanto, puede que aún sea un poco pronto para obsesionarse con la IA.
