En las reuniones del Fondo Monetario Internacional (FMI) y el Banco Mundial (BM) de la semana antepasada (“FMI/BM Primavera 2024: Avance estable, pero lento”, 23 de abril), tuve la oportunidad de asistir a una conferencia del distinguido economista y profesor del Massachusetts Institute of Technology (MIT), Daron Açemoglu, sobre la inteligencia artificial (o AI, por sus siglas en inglés). Al inicio pensé que la presentación iba a ser solamente sobre su último documento de investigación (o paper) titulado “El impacto de la Inteligencia Artificial en un modelo macroeconómico simple” (“The Simple Macroeconomics of AI”, 2024). No obstante lo anterior, el enfoque de la plática fue más allá, incorporando algunos temas de carácter filosófico.
En cuanto al impacto, Açemoglu estima un aumento en la productividad total de los factores no mayor de 0.71 por ciento en 10 años. Aunque no es cero, es muy pequeño, máxime con el frenesí que hay ahora por estas tecnologías en el mercado de valores a nivel global. Para tener una idea más aterrizada, las estimaciones de Açemoglu son equivalentes a solo 1.1 por ciento del PIB en diez años, siempre y cuando se lleven a cabo inversiones en esta tecnología entre 1.6 y 1.8 por ciento (del PIB), en ese lapso de tiempo. Asimismo, concluye que es poco probable que los avances en AI aumenten la desigualdad tanto como las tecnologías de automatización anteriores. Tampoco hay evidencia de que AI reduzca la desigualdad de los ingresos laborales. También prevé que AI ampliará la brecha entre los ingresos del capital y del trabajo. El impacto tan pequeño que estima Açemoglu me recordó a quienes cuentan, a manera de chiste, que un teléfono inteligente actual (e.g. iPhone) es en términos de capacidad de procesamiento que la computadora que llevó al Apollo 11 a la luna y que, sin embargo, lo usamos para chatear y mandar memes. Entonces probablemente no veremos grandes resultados en materia de productividad en la próxima década, solo por este fenómeno tecnológico de AI. Ahora bien, creo que independientemente si creemos o no los resultados de Açemoglu, considero que el tema se vuelve todavía más interesante cuando nos adentramos en algunos aspectos del modelo que utiliza Açemoglu.
El modelo de Açemoglu se basa en dos formas en las que la inteligencia artificial puede mejorar la productividad. Dicho de otra forma, existen dos maneras en las que se pueden disminuir los costos o aumentar el ahorro: (1) Reemplazo de mano de obra; o (2) brindar apoyo a la mano de obra en las actividades que realiza. En este sentido, el modelo define dos tipos de actividades: (a) Las que son sencillas de reemplazar por AI; y (b) las difíciles de reemplazar por AI. Cabe destacar que la diferencia entre (a) y (b) radica en el tipo de “barreras de entrada” que existen para cada una. Una tarea simple, como hacer un huevo cocido –utilizando el mismo ejemplo de Açemoglu–, tiene barreras de entrada bajas porque el algoritmo es relativamente sencillo y las herramientas para hacerlo son relativamente baratas y fáciles de adquirir. Sin embargo, existe una gran cantidad de actividades en las que no se tiene un buen mapeo de los pasos a seguir con los objetivos intermedios a los que se desea llegar con una medición medianamente objetiva.
Un ejemplo que se me ocurre es que en la hechura de ciertos pasteles (no veganos), un paso es batir las claras de huevo hasta “punto de turrón”. No tengo duda de que deben de existir mediciones y medidores o sensores que puedan observar en qué momento se obtiene esta consistencia o que, bajo ciertas condiciones controladas, como uso de cierta batidora en cierto recipiente, a cierta velocidad y con cierto ángulo, en una cantidad de claras de huevo determinada y bajo ciertas condiciones atmosféricas, se logra el objetivo con solo contar el tiempo. Sin embargo, esto ya suena complicada per se y puede haber otras medidas mucho más complejas por su alto grado de subjetividad como “hasta que sepa rico”. Quizá esta última es un poco exagerada, pero considero que existen un sinnúmero de actividades en las que va a tomar mucho más tiempo para que puedan ser llevadas a cabo por AI o robots.
Asimismo, hay que tomar en cuenta que muchas actividades necesitan de condiciones o herramientas que tampoco son fáciles de conseguir. Adicionalmente hay que tomar en cuenta que la AI generativa en arquitectura abierta aprende o “se entrena” de muchas personas que no necesariamente son expertas por lo que los resultados de un producto desarrollado por AI podrían ser de menor calidad que los de un humano promedio y que los de un experto, inclusive si solo aprende de expertos. Asimismo, también se necesita tomar en cuenta que el mal uso de AI también limita sus ganancias en productividad. Tal es el caso de su utilizacion para propagar hechos o resultados falsos.
Ahora bien, el punto de carácter más filosófico de la plática de Açemoglu fue que los humanos inventamos AI y que por ende, debemos de ser los humanos quienes orientemos hacia dónde queremos usarla, tanto del lado de la mentalidad de los empresarios, como de lado de regulación. ¿Orientarla a qué? Açemoglu se refiere a si queremos ver la mano de obra como costo y por lo tanto tenemos que usar AI para reemplazarla o si vemos a la mano de obra como un recurso (humano) y entonces lo que queremos es dotarle de las mejores herramientas para que desarrolle mejor su trabajo. Al final del día, además de que no queremos un mundo como el que se describe en las películas de Terminator, queremos un mundo mejor para los humanos.
Considero que los resultados que se obtienen a partir de la estructura macroeconómica que le pone Açemoglu a los conocimientos y datos que han publicado expertos en AI es muy interesante para moderar el optimismo con el que se ha visto la entrada de este fenómeno tecnológico en la sociedad, sobre todo en los precios de las acciones de este ramo. Asimismo, me parece clave que el aspecto filosófico de la manera en que queremos desarrollar AI –si queremos que sea como reemplazo de mano de obra o de manera complementaria para empoderar a los empleados–, permee tanto en los marcos ASG (ESG, en inglés), como en la regulación.
Referencia
Açemoglu, Daron (2024) “The Simple Macroeconomics of AI”, Working Paper. Mimeo.
* El autor es Economista en Jefe para Latinoamérica del banco Barclays y miembro del Consejo Asesor del Sector Financiero del Fed de Dallas y del Comité de Fechado de Ciclos de la Economía de México.