Por Michael Spence*
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. Éstas son sólo 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.
Como sostenemos, junto con Gordon Brown y Mohamed El-Erian en nuestro libro de próxima publicación 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 inteligencia artificial, 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 la aplicación 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.
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, creó 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.
Los agentes de atención al cliente menos experimentados fueron los que más se beneficiaron con la herramienta, lo que indica que la IA 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. 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.
Lograr el equilibrio 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 textear 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, 2023.
*Premio Nobel de Economía, es profesor emérito de economía y exdecano
de la Escuela de Posgrado de Negocios de la Universidad de Stanford
Con Información de Excelsior