Por David Rotman en MIT Technology Review
La inteligencia artificial podría ponernos en el camino hacia un futuro económico floreciente, pero para llegar allí será necesario hacer algunas correcciones de rumbo importantes
Cuando Chad Syverson ingresa estos días al sitio web de la Oficina de Estadísticas Laborales de Estados Unidos en busca de los últimos datos sobre productividad, lo hace con un sentido de optimismo que no ha sentido en mucho tiempo.
Las cifras del último año han sido, en general, sólidas por diversas razones financieras y comerciales, y se han recuperado de los primeros días de la pandemia. Y aunque las cifras trimestrales son notoriamente ruidosas e inconsistentes, el economista de la Universidad de Chicago está analizando los datos para detectar cualquier indicio temprano de que el crecimiento económico impulsado por la IA haya comenzado.
Según Syverson, cualquier efecto sobre las estadísticas actuales probablemente será muy pequeño y no “cambiará el mundo”, por lo que no le sorprende que aún no se hayan detectado señales del impacto de la IA. Pero está observando de cerca, con la esperanza de que en los próximos años la IA pueda ayudar a revertir una caída de dos décadas en el crecimiento de la productividad que está socavando gran parte de la economía. Si eso sucede, dice Syverson, “entonces cambiará el mundo ”.
Las versiones más nuevas de la IA generativa son deslumbrantes, con videos realistas, prosa que parece de un experto y otros comportamientos muy parecidos a los humanos. Los líderes empresariales se preocupan por cómo reinventar sus empresas a medida que miles de millones fluyen hacia las nuevas empresas y las grandes empresas de IA están creando modelos cada vez más poderosos. Abundan las predicciones sobre cómo ChatGPT y la creciente lista de grandes modelos de lenguaje transformarán la forma en que trabajamos y organizamos nuestras vidas, brindando asesoramiento instantáneo sobre todo, desde inversiones financieras hasta dónde pasar sus próximas vacaciones y cómo llegar allí.
Pero para economistas como Syverson, la pregunta más crítica en torno a nuestra obsesión con la IA es cómo esta tecnología incipiente aumentará (o no) la productividad general y, si lo hace, cuánto tiempo llevará. Pensemos en ello como el resultado final de la máquina de propaganda de la IA: ¿puede la tecnología conducir a una prosperidad renovada después de años de crecimiento económico estancado?
El crecimiento de la productividad es la manera en que los países se enriquecen. Técnicamente, la productividad laboral es una medida de cuánto produce un trabajador en promedio; la innovación y los avances tecnológicos explican la mayor parte de su crecimiento. A medida que los trabajadores y las empresas pueden producir más cosas y ofrecer más servicios, los salarios y las ganancias aumentan, al menos en teoría, y si los beneficios se comparten de manera justa. La economía se expande y los gobiernos pueden invertir más y acercarse al equilibrio de sus presupuestos. Para la mayoría de nosotros, se siente como un progreso. Es por eso que, hasta las últimas décadas, la mayoría de los estadounidenses creían que su nivel de vida y sus oportunidades financieras serían mayores que los de sus padres y abuelos.
Pero cuando el crecimiento de la productividad es plano o casi plano, la torta ya no crece. Incluso una desaceleración o aceleración anual del 1% puede marcar la diferencia entre una economía en crisis y una floreciente. A fines de los años 1990 y principios de los años 2000, la productividad laboral estadounidense creció a un ritmo saludable de casi el 3% anual, cuando despegó la era de Internet (y creció aún más rápido, muy por encima del 3%, en los años de auge posteriores a la Segunda Guerra Mundial). Pero desde aproximadamente 2005, el crecimiento de la productividad en la mayoría de las economías avanzadas ha sido desalentador.
Hay varios posibles culpables, pero hay un denominador común: las tecnologías aparentemente brillantes inventadas en las últimas dos décadas, desde el iPhone hasta los omnipresentes motores de búsqueda y las omnipresentes redes sociales, han captado nuestra atención pero no han logrado generar prosperidad económica a gran escala.
En 2016 escribí un artículo titulado “ Querido Silicon Valley: olvídense de los autos voladores, dennos crecimiento económico ”. Sostenía que, si bien las grandes empresas tecnológicas estaban logrando avances tras avances, ignoraban en gran medida innovaciones desesperadamente necesarias en sectores industriales esenciales, como la fabricación y los materiales. En cierto modo, tenía perfecto sentido financiero: ¿por qué invertir en estos negocios maduros y riesgosos cuando una startup exitosa de redes sociales podría generar miles de millones?
Pero esas decisiones tuvieron un costo: un crecimiento lento de la productividad. Si bien algunos en Silicon Valley y otros lugares se volvieron fabulosamente ricos, al menos parte del caos político y el malestar social experimentados en varias economías avanzadas durante las últimas décadas se pueden achacar a la incapacidad de la tecnología para aumentar las oportunidades financieras de muchos trabajadores y empresas y expandir sectores vitales de la economía en diferentes regiones.
Algunos predican la paciencia : los avances tardarán en repercutir en la economía, pero una vez que lo hagan, ¡cuidado! Probablemente sea cierto. Pero hasta ahora, el resultado es un país profundamente dividido donde el optimismo tecnológico (y la inmensa riqueza) que emana de Silicon Valley parecen ser relevantes sólo para unos pocos.
Todavía es demasiado pronto para saber cómo se desarrollarán las cosas esta vez: si la IA generativa es realmente un avance que se produce una vez cada siglo y que impulsará el regreso a los buenos tiempos financieros o si no contribuirá a crear una verdadera prosperidad generalizada. Dicho de otro modo, ¿será como el aprovechamiento de la electricidad y la invención del motor eléctrico, que condujeron a un auge industrial, o más bien como los teléfonos inteligentes y las redes sociales, que han consumido nuestra conciencia colectiva sin generar un crecimiento económico significativo?
Para que la IA, en particular los modelos generativos, tenga un mayor impacto económico que otros avances digitales de las últimas décadas, tendremos que utilizar la tecnología para transformar la productividad en toda la economía, incluso en la forma en que generamos nuevas ideas. Es una tarea enorme y no sucederá de la noche a la mañana, pero estamos en un punto de inflexión crítico. ¿Comenzamos a transitar ese camino hacia una prosperidad ampliamente mayor o los creadores de la IA revolucionaria de hoy siguen ignorando el enorme potencial de la tecnología para mejorar verdaderamente nuestras vidas?
Agua fría sobre especulaciones (sobre)calentadas
Una serie de estudios realizados durante el último año muestran cómo la IA generativa puede aumentar la productividad de las personas que realizan diversos trabajos. Economistas de Stanford y del MIT han descubierto que quienes trabajan en centros de llamadas son un 14 % más productivos cuando utilizan la asistencia conversacional de IA; en particular, se produjo una mejora del 35 % en el rendimiento de los trabajadores inexpertos y poco cualificados. Otro estudio mostró que los ingenieros de software podían codificar el doble de rápido con la ayuda de la tecnología.
El año pasado, Goldman Sachs calculó que la IA generativa probablemente impulsaría el crecimiento general de la productividad en 1,5 puntos porcentuales cada año en los países desarrollados y aumentaría el PIB mundial en 7 billones de dólares en 10 años. Y algunos predicen que sus efectos aparecerán pronto.
Anton Korinek, economista de la Universidad de Virginia, dice que el crecimiento adicional aún no se ha reflejado en las cifras de productividad porque la IA generativa tarda en difundirse por toda la economía. Pero predice un aumento de entre el 1% y el 1,5% en la productividad estadounidense para el próximo año. Y si siguen produciéndose avances en los modelos de IA generativa (como ChatGPT5), el impacto final podría ser «significativamente mayor», dice Korinek.
No todo el mundo es tan optimista. Daron Acemoglu, economista del MIT, afirma que sus cálculos son un “corrector contra aquellos que dicen que en cinco años toda la economía estadounidense se va a transformar”. En su opinión, “la IA generativa podría ser algo muy importante. Todavía no lo sabemos. Pero si lo es, no vamos a ver efectos transformadores en diez años; es demasiado pronto. Llevará tiempo”.
En abril, Acemoglu publicó un artículo en el que predice que el impacto de la IA generativa en la productividad total de los factores (PTF), la parte que refleja específicamente la contribución de la innovación y las nuevas tecnologías, será de alrededor del 0,6% en total durante 10 años, mucho menos de lo que esperan Goldman Sachs y otros. Durante décadas, el crecimiento de la PTF ha sido lento y él cree que la IA generativa hará poco para revertir significativamente la tendencia, al menos en el corto plazo.
Acemoglu dice que espera ganancias de productividad relativamente modestas gracias a la IA generativa porque sus creadores, las grandes tecnológicas, se han centrado principalmente en utilizar la IA para reemplazar a las personas con la automatización y permitir la “monetización en línea” de las búsquedas y las redes sociales. Para tener un mayor impacto en la productividad, sostiene, la IA debe ser útil para una porción mucho más amplia de la fuerza laboral y relevante para más sectores de la economía. Fundamentalmente, debe utilizarse para crear nuevos tipos de empleos, no solo para reemplazar a los trabajadores.
Acemoglu sostiene que la IA generativa podría utilizarse para ampliar las capacidades de los trabajadores, por ejemplo, suministrando datos en tiempo real e información fiable para muchos tipos de trabajos. Pensemos en un agente de IA inteligente, pero versado en las complejidades de, por ejemplo, la producción en fábrica. Sin embargo, escribe, “estos avances seguirán siendo difíciles de alcanzar a menos que haya una reorientación fundamental de la industria [tecnológica], incluido tal vez un cambio importante en la arquitectura de los modelos de IA generativa más comunes”.
Es tentador pensar que tal vez se trate simplemente de ajustar los grandes modelos básicos actuales con los datos adecuados para que sean de amplia utilidad para diversas industrias. Pero, de hecho, tendremos que repensar los modelos y cómo pueden implementarse de manera más efectiva en una gama mucho más amplia de usos.
Produciendo progreso
Tomemos como ejemplo el sector manufacturero. Durante muchos años, fue una de las fuentes más importantes de aumento de la productividad en la economía estadounidense y todavía representa gran parte de la I+D del país. Y los recientes aumentos en la automatización y el uso de robots industriales podrían sugerir que el sector manufacturero se está volviendo más productivo, pero no ha sido así. Por razones un tanto misteriosas, la productividad en el sector manufacturero estadounidense ha sido un desastre desde aproximadamente 2005, lo que ha jugado un papel descomunal en la desaceleración general de la productividad.
La promesa de la IA generativa para reactivar la productividad es que podría ayudar a integrar todo, desde los materiales iniciales y las opciones de diseño hasta los datos en tiempo real de los sensores integrados en los equipos de producción. Las capacidades multimodales podrían permitir que un trabajador de una fábrica, por ejemplo, tome una fotografía de un problema y pida al modelo de IA una solución basada en la imagen, el manual de operaciones de la empresa, las directrices regulatorias pertinentes y grandes cantidades de datos en tiempo real de la maquinaria.
Esa es la visión, al menos.
La realidad es que los esfuerzos por implementar los modelos básicos actuales en el diseño y la fabricación están en sus primeras etapas. Hasta ahora, el uso de la IA se ha limitado a «dominios estrechos», dice Faez Ahmed, ingeniero mecánico del MIT especializado en aprendizaje automático (piense en programar el mantenimiento en función de los datos de un equipo en particular). En cambio, los modelos de IA generativa podrían, en teoría, ser ampliamente útiles para todo, desde mejorar los diseños iniciales con datos reales hasta monitorear los pasos de un proceso de producción o analizar los datos de rendimiento en la planta de producción.
En un artículo publicado en marzo , un equipo de economistas e ingenieros mecánicos del MIT (incluidos Acemoglu y Ahmed) identificó numerosas oportunidades para la IA generativa en el diseño y la fabricación, antes de concluir que “las soluciones [de IA generativa] actuales no pueden lograr estos objetivos debido a varias deficiencias clave”. Las principales deficiencias de ChatGPT y otros modelos de IA son su incapacidad para proporcionar información confiable, su falta de “conocimiento del dominio relevante” y su “desconocimiento de los requisitos de los estándares de la industria”. Los modelos también están mal diseñados para manejar los problemas espaciales en las plantas de fabricación y los diversos tipos de datos creados por el equipo de producción, incluida la maquinaria antigua.
La mayor dificultad es que los modelos de IA generativa existentes carecen de los datos adecuados, dice Ahmed. Se entrenan con datos extraídos de Internet y “se trata más de gatos, perros y contenido multimedia que de cómo se opera realmente un torno”, dice. “La razón por la que estos modelos tienen un rendimiento relativamente bajo en las tareas de fabricación es que nunca han visto tareas de fabricación”.
Acceder a esos datos es complicado porque gran parte de ellos son de propiedad privada. “Algunas personas tienen mucho miedo de que un modelo tome mis datos y se los lleve”, afirma. Un problema relacionado es que la fabricación requiere precisión y, a menudo, el cumplimiento de estrictas directrices de la industria o del gobierno. “Si los sistemas no son precisos ni fiables, es menos probable que la gente los use”, afirma. “Y es un problema del tipo del huevo y la gallina: porque los modelos no son precisos y porque no hay datos”.
Los investigadores del MIT pidieron una “próxima generación” de modelos de IA que se adaptarían a la industria. Pero hay un problema: crear una IA relevante para la industria que aproveche el poder de los modelos básicos requerirá una estrecha colaboración entre la industria y las empresas de IA, y eso es algo que todavía está en su etapa inicial.
Según Ranveer Chandra, director ejecutivo de investigación para la industria en Microsoft Research, la falta de avances hasta el momento “no se debe a que la gente no esté interesada o no vea el valor comercial”. El problema es encontrar formas de proteger los datos y asegurarse de que estén en un formato útil y brinden respuestas relevantes a preguntas específicas sobre la fabricación.
Microsoft está siguiendo varias estrategias. Una de ellas es pedirle al modelo base que base sus respuestas en datos propios de una empresa (por ejemplo, el manual de operaciones y los datos de producción de la empresa). Una alternativa mucho más difícil, pero atractiva, es ajustar la arquitectura subyacente del modelo para que se adapte mejor a la fabricación. Otra estrategia son los denominados modelos de lenguaje pequeño, que también se pueden entrenar específicamente con los datos de una empresa. Como son más pequeños que los modelos base como GPT-4, necesitan menos potencia computacional y se pueden orientar mejor a tareas de fabricación específicas.
“Pero, por ahora, todo esto es investigación”, dice Chandra. “¿Lo hemos resuelto? Todavía no”.
Una mina de oro de nuevas ideas
El uso de la IA para impulsar el descubrimiento científico y la innovación podría tener el mayor impacto en la productividad general a largo plazo . Los economistas reconocen desde hace tiempo que las nuevas ideas son la fuente del crecimiento a largo plazo, y la esperanza es que las nuevas herramientas de IA puedan impulsar la búsqueda de ellas. Si bien mejorar la eficiencia de, por ejemplo, un empleado de un centro de llamadas podría significar un salto puntual en la productividad de esa empresa, el uso de la IA para mejorar el proceso de invención de nuevas tecnologías y prácticas comerciales (para crear nuevas ideas útiles) podría conducir a un aumento duradero en la tasa de crecimiento económico, al tiempo que reconfigura el proceso de innovación y la forma en que se realiza la investigación.
Ya existen pistas tentadoras sobre el potencial de la IA.
En particular, Google DeepMind, que define su misión como “resolver algunos de los desafíos científicos y de ingeniería más difíciles de nuestro tiempo”, dice que más de 2 millones de usuarios han accedido a su sistema de inteligencia artificial de aprendizaje profundo para predecir el plegamiento de proteínas. Muchos medicamentos se dirigen a una proteína en particular, y conocer la estructura 3D de dichas proteínas (algo que tradicionalmente requiere un minucioso análisis de laboratorio) podría ser un paso invaluable para crear nuevos medicamentos. En mayo, Google lanzó AlphaFold 3 , afirmando que “predice la estructura y las interacciones de todas las moléculas de la vida” para ayudar a identificar cómo varias biomoléculas se alteran entre sí, proporcionando una guía aún más poderosa para encontrar nuevos medicamentos.
Los creadores de modelos de IA, entre ellos DeepMind y Microsoft Research, también están trabajando en otros problemas de biología, genómica y ciencia de los materiales. La esperanza es que la IA generativa pueda ayudar a los científicos a extraer información clave de los vastos conjuntos de datos comunes en estos campos, lo que facilitaría y aceleraría, por ejemplo, el descubrimiento de nuevos medicamentos y materiales.
