Según los líderes del sector de la tecnología y muchos expertos y académicos, la inteligencia artificial está a punto de transformar al mundo como lo conocemos con mejoras sin precedentes de la productividad. Aunque hay quienes creen que las máquinas pronto harán todo lo que los humanos son capaces de hacer y comenzará una nueva era de prosperidad ilimitada, otras predicciones tienen —al menos— los pies un poco más en la tierra. Por ejemplo, Goldman Sachs predijo que la IA generativa impulsará al PBI mundial un 7 % en la próxima década, y el McKinsey Global Institute prevé que la tasa de crecimiento anual del PBI podría aumentar entre tres y cuatro puntos porcentuales entre la actualidad y 2040. Por su parte, The Economist prevé que la IA creará una bonanza para los obreros.
¿Son estimaciones realistas? Como señalé en un artículo reciente, las perspectivas resultan mucho más inciertas de lo que la mayoría de los pronósticos y conjeturas sugieren; de todas formas, aunque es básicamente imposible predecir con confianza qué hará la IA en 20 o 30 años, sí se puede afirmar algo sobre la próxima década debido a que la mayor parte de esos efectos económicos de corto plazo deben involucrar a las tecnologías existentes y sus mejoras.
Es razonable suponer que el mayor impacto de la IA provendrá de la automatización de algunas tareas y las mejoras de la productividad de algunos trabajadores en ciertas ocupaciones. La teoría económica ofrece algunos lineamientos para evaluar esos efectos agregados: según el teorema de Hulten (así llamado en honor al economista Charles Hulten), los efectos agregados de la “productividad total de los factores” (PTF) equivalen sencillamente al producto de la participación de las tareas automatizadas por el ahorro promedio en los costos.
Aunque el ahorro promedio en los costos es difícil de estimar y varía de una actividad a otra, ya existen algunos estudios cuidadosos sobre los efectos de la IA en ciertas tareas; por ejemplo, Shakked Noy y Whitney Zhang examinaron el impacto de ChatGPT en tareas sencillas de escritura (como resumir documentos, o preparar propuestas para subvenciones o materiales de mercadeo de rutina), y Erik Brynjolfsson, Danielle Li y Lindsey Raymond evaluaron el uso de los asistentes de IA en la atención al cliente. En conjunto, esas investigaciones sugieren que las herramientas de IA generativa —actualmente disponibles— permiten ahorrar el 27% en mano de obra y el 14,4 % en total.
¿Qué sabemos sobre la proporción de las tareas que se verán afectadas por la IA y las tecnologías relacionadas? De acuerdo con los números de estudios recientes, estimo que está en torno al 4,6%, lo que implica que la IA solo aumentará la PTF un 0,66% en 10 años o el 0,06% al año (por supuesto. Como la IA impulsará además un boom en inversiones, el aumento en el crecimiento del PBI podría ser un poco mayor, tal vez en el rango del 1% al 1,5%).
En conjunto, esas investigaciones sugieren que las herramientas de IA generativa actualmente disponibles permiten ahorrar el 27% en mano de obra y el 14,4 % en total.
Son números mucho menores que los de Goldman Sachs y McKinsey; para aumentarlos hay que impulsar las mejoras de la productividad a escala micro o suponer que más tareas de la economía se verán afectadas, pero ninguno de esos escenarios parece plausible. Los ahorros en mano de obra muy por encima del 27%, no solo quedan fuera del rango ofrecido por los estudios existentes, sino que no se alinean con los efectos observados de otras tecnologías incluso más prometedoras. Por ejemplo, los robots industriales transformaron algunos sectores manufactureros y parecen haber reducido los costos de mano de obra en aproximadamente el 30%.
De manera similar, es poco probable que veamos un reemplazo en mucho más del 4,6% de las tareas, porque la mayoría de las tareas manuales y sociales no están ni remotamente al alcance de la IA (incluso funciones aparentemente simples con algunos aspectos sociales, como la contabilidad). Según una encuesta de 2019 sobre todas las empresas estadounidenses, sólo cerca del 1,5% contaba con alguna inversión en IA. Incluso en el caso de que esas inversiones se hayan acelerado durante el último año y medio, falta mucho, pero mucho, para la adopción generalizada de la IA.
Por supuesto, la IA podría tener efectos más significativos de los que permite mi análisis si revoluciona el proceso de descubrimiento científico o crea muchas nuevas tareas y productos; los recientes descubrimientos que facilitó sobre la estructura cristalina y los avances en el plegamiento de proteínas sugieren, efectivamente, esas posibilidades. Pero es poco probable que esos grandes adelantos constituyan una fuente importante de crecimiento económico en los próximos diez años (incluso si es capaz de evaluar los nuevos descubrimientos y convertirlos en productos mucho más rápidamente, la industria tecnológica está excesivamente dedicada a la automatización y monetización de los datos más que a la introducción de nuevas tareas de producción para los trabajadores).
Por otra parte, mis propias estimaciones podrían ser excesivas; la adopción temprana de la IA generativa tuvo lugar, naturalmente, en sectores donde se desempeña razonablemente bien, es decir, en tareas en las que el éxito se puede medir de manera objetiva (como la escritura de subrutinas simples de código o la verificación de información). En esos casos los modelos pueden aprender de la información externa y los datos históricos disponibles.
Pero para muchas del 4,6% de las tareas que se podrían automatizar dentro de los próximos 10 años —la evaluación de solicitudes, el diagnóstico de problemas de salud y la oferta de asesoramiento financiero— no hay indicadores de éxito tan claramente definidos, y suelen implicar variables complejas que dependen del contexto (lo que funciona para un paciente tal vez no sea adecuado para otro). En esos casos, el aprendizaje de la información externa es mucho más difícil y los modelos de IA generativa deben basarse, en lugar de ella, en el comportamiento de los trabajadores existentes.
La teoría económica y los datos disponibles justifican una perspectiva más modesta y realista para la IA. No hay demasiado sustento para el argumento de que no debemos preocuparnos por la regulación porque la IA será la proverbial marea creciente que eleva todos los botes.
En esas circunstancias habrá menos margen para mejorar significativamente el trabajo humano; estimo, entonces, que aproximadamente un cuarto del 4,6% de las tareas pertenecen a la categoría de “aprendizaje difícil” y experimentarán menores aumentos en la productividad. Una vez que aplicamos ese ajuste, el dato de crecimiento del 0,66% de la PTF cae aproximadamente al 0,53 %.
¿Qué hay de los efectos sobre los trabajadores, los salarios y la desigualdad? La buena noticia es que, frente a los de las olas de automatización anteriores —como las basadas en robots o sistemas de software— los efectos de la IA podrían distribuirse de manera más amplia entre los grupos demográficos. En ese caso, no tendrá un impacto tan grande sobre la desigualdad como las tecnologías de automatización anteriores (estimé esos efectos en mi trabajo anterior con Pascual Restrepo). Sin embargo, no encuentro evidencia que indique que la IA vaya a reducir la desigualdad o impulsar el aumento de los salarios. Algunos grupos —especialmente las mujeres blancas nativas de Estados Unidos— están significativamente más expuestos y se verán afectados negativamente, y el capital ganará más que el trabajo en términos generales.
La teoría económica y los datos disponibles justifican una perspectiva más modesta y realista para la IA. No hay demasiado sustento para el argumento de que no debemos preocuparnos por la regulación porque la IA será la proverbial marea creciente que eleva todos los botes. La IA es lo que los economistas llaman “una tecnología de uso general”, podemos hacer muchas cosas con ella, y ciertamente hay cosas mejores que automatizar el trabajo e impulsar la rentabilidad de la publicidad digital… pero si abrazamos acríticamente el tecnooptimismo o dejamos que sea la industria tecnológica quien fije la agenda, podríamos desperdiciar gran parte de su potencial.
Daron Acemoglu, profesor de Economía de máxima jerarquía del MIT, escribió (con Simon Johnson) Power and Progress: Our Thousand-Year Struggle Over Technology and Prosperity [Poder y progreso: mil años de dificultades frente a la tecnología y la prosperidad] (PublicAffairs, 2023). Copyright: Project Syndicate, 2024. Traducción al español por Ant-Translation.