Michael Spence

MILÁN – En todo el mundo, la oferta tiene dificultades para satisfacer la demanda. La inflación se mantiene obstinadamente alta, a pesar de las alzas agresivas de las tasas de interés. La fuerza laboral global envejece a pasos acelerados. La escasez de mano de obra es ubicua y persistente.

Estas son solo algunas de las fuerzas detrás de las dificultades que enfrenta la economía global en materia de productividad. Y resulta cada vez más evidente que debemos aprovechar la inteligencia artificial para abordar ese desafío.

En las últimas cuatro décadas, un crecimiento rápido de las economías emergentes trajo aparejada un alza de la capacidad productiva, que actuó como una fuerza desinflacionaria potente del lado de la oferta. China, en particular, fue un motor robusto de crecimiento. Pero ese motor de crecimiento de las economías emergentes se ha debilitado sustancialmente en los últimos años. El crecimiento post-pandémico de China está muy por debajo del potencial y sigue cayendo.

Asimismo, las tensiones geopolíticas, las crisis generadas por la pandemia y el cambio climático están alterando las cadenas de suministro globales, mientras que una combinación de incentivos de mercado y nuevas prioridades en materia de políticas -como la “reducción del riesgo” y el impulso de la resiliencia- empuja a los gobiernos a llevar a cabo el proceso (muy costoso) de diversificación de las cadenas de suministro. Mientras tanto, los niveles de deuda soberana son altos y van en aumento, lo que reduce la capacidad fiscal de los países para llevar adelante una inversión pública orientada al crecimiento, a la vez que desestabiliza a algunas economías.

Estas son tendencias seculares, lo que significa que, probablemente, sean características persistentes de la economía global en la próxima década. Las restricciones de la oferta y los costos crecientes atenuarán el crecimiento. La inflación seguirá siendo una amenaza persistente, que va a requerir tasas de interés más elevadas que aumentarán el costo del capital. Las inversiones de gran escala cada vez más urgentes en la transición energética serán extremadamente difíciles de implementar, desde un punto de vista económico, político y social. Pero, sin ellas, las alteraciones relacionadas con el clima se agravarán.

Sin embargo, hay una noticia alentadora. Como sostenemos junto con Gordon Brown y Mohamed El-Erian en nuestro libro de publicación inminente Permacrisis: A Plan to Fix a Fractured World (Permacrisis: un plan para restaurar un mundo fracturado), un alza generalizada de la productividad podría cambiar sustancialmente este panorama. Y, con el rápido avance de la tecnología de IA, no estamos hablando de castillos en el aire. La clave es garantizar que el crecimiento de la productividad sea un foco central de la innovación y de las aplicaciones de IA en los próximos años.

Si bien la IA avanzó del reconocimiento de escritura a mano al reconocimiento de voz y luego al reconocimiento de imágenes y objetos, la opinión generalizada era que la tecnología funcionaba mejor en dominios bien definidos. No tenía una capacidad similar a la humana para detectar en qué dominio estaba trabajando y cambiar de dominios según fuera necesario.

Eso cambió con el ascenso de los grandes modelos de lenguaje (GML) y la IA generativa en términos más amplios. Los GML son capaces de comprender el lenguaje y parecen capaces de detectar y cambiar dominios de manera independiente, lo que tal vez los acerque un paso más a la inteligencia general artificial. El potencial para una mejora generalizada de la productividad es considerable.

Los GML funcionan como plataformas de propósito general destinadas a crear aplicaciones para usos específicos en toda la economía del conocimiento. Como entienden y producen un lenguaje común y ordinario, cualquiera puede usarlos. Se dice que ChatGPT atrajo a 100 millones de usuarios en los dos meses posteriores a su lanzamiento público.

Por otra parte, los GML están entrenados en una vasta cantidad de material digital, de modo que el rango de temas que pueden abordar es enorme. Esta combinación de accesibilidad y cobertura implica que los GML tienen un conjunto mucho más amplio de aplicaciones potenciales que cualquier tecnología digital pasada, inclusive las herramientas previas basadas en IA.

La carrera para desarrollar este tipo de aplicaciones, asociadas a un amplio rango de sectores y categorías laborales, ya ha comenzado. OpenAI, la firma detrás de ChatGPT, ha creado una interfaz de programación de aplicaciones (API) que les permite a otros construir sus propias soluciones de IA en base al GML, incorporando datos y entrenamiento especializado para el uso específico al que apuntan.

Un estudio de caso reciente del economista del MIT Erik Brynjolfsson y sus coautores ofrece un indicio temprano del potencial de productividad. El acceso a una herramienta basada en IA generativa entrenada en grabaciones de audio de interacciones de atención al cliente y métricas de desempeño aumentó la productividad, en promedio, un 14%, medida según los problemas resueltos por hora.

Los agentes de atención al cliente menos experimentados fueron los que más se beneficiaron con la herramienta, lo que indica que la IA -que encapsula y filtra la experiencia acumulada de un sistema entero con el transcurso del tiempo- puede ayudar a los trabajadores a “avanzar más rápido en la curva de experiencia”. Este efecto “nivelador hacia arriba” probablemente sea una característica común de las aplicaciones de IA, particularmente aquellas que encajan en este “modelo de asistente digital”.

Existen muchas versiones de ese modelo, que pueden sacar ventaja de la capacidad de las inteligencias artificiales y de los sistemas de inteligencia ambiental para rastrear y registrar resultados. En el caso de los médicos que ven pacientes, o hacen rondas en un hospital, las herramientas de IA pueden producir un primer borrador de los informes requeridos, que el médico luego solo necesitará editar. Las estimaciones de ahorro de tiempo varían, pero todas son importantes.

Sin duda, la IA también puede permitir la automatización de muchas tareas y el reemplazo de los trabajadores humanos. Pero las herramientas de IA son fundamentalmente máquinas de predicción; cometen errores, inventan cosas y perpetúan los prejuicios en base a los cuales se han entrenado. Frente a esto, es poco probable que las aplicaciones prudentes excluyan a los seres humanos en lo inmediato.

Para materializar el potencial de mejora de la productividad de la IA, los responsables de las políticas tendrán que actuar en varias áreas. Por empezar, la innovación, la experimentación y el desarrollo de aplicaciones dependen de un acceso generalizado a los GML. Quizás haya suficiente competencia como para garantizar el acceso a un costo razonable. Pero teniendo en cuenta que son pocas las empresas que tienen la capacidad informática como para entrenar a los GML, los reguladores deben seguir vigilando este frente.

Asimismo, el gobierno tendrá que colaborar con la industria y los investigadores para establecer principios ampliamente aceptados para la gestión y el uso responsable de los datos, e implementar regulaciones para que se respeten esos principios. Lograr el equilibro adecuado entre seguridad y apertura es esencial; las reglas no pueden ser tan restrictivas como para impedir la experimentación y la innovación.

Finalmente, los investigadores de IA necesitan acceder a un poder informático considerable para testear y entrenar a los nuevos modelos de IA. Las inversiones gubernamentales en un sistema de computación en la nube generarían un progreso de largo plazo en IA y robótica, con beneficios económicos de amplio alcance. De hecho, una gestión efectiva y prospectiva del desarrollo de la IA, junto con un compromiso renovado con la cooperación global, perfectamente podrían ser la clave para un futuro más próspero, inclusivo y sostenible.

Copyright: Project Syndicate, 2022.
www.project-syndicate.org

Michael Spence

Michael Spence, a Nobel laureate in economics, is Professor of Economics Emeritus and a former dean of the Graduate School of Business at Stanford University. He is Senior Fellow at the Hoover Institution, Senior Adviser to General Atlantic, and Chairman of the firm’s Global Growth Institute. He is Chair of the Advisory Board of the Asia Global Institute and serves on the Academic Committee at Luohan Academy. He is a former chair of the Commission on Growth and Development and the author of The Next Convergence: The Future of Economic Growth in a Multispeed World (Macmillan Publishers, 2012).