9 de agosto de 2023
MILÁN – En todo el mundo, la oferta está luchando para mantenerse al día con la demanda. La inflación sigue obstinadamente alta, a pesar de las agresivas subidas de tipos de interés. La fuerza laboral mundial está envejeciendo rápidamente. La escasez de mano de obra es omnipresente y persistente.
Estas son solo algunas de las fuerzas detrás del desafío de la productividad que enfrenta la economía global. Y se ha vuelto cada vez más claro que debemos aprovechar la inteligencia artificial para abordar ese desafío.
En las últimas cuatro décadas, el rápido crecimiento de las economías emergentes generó un aumento en la capacidad productiva, que actuó como una poderosa fuerza desinflacionaria del lado de la oferta. China, en particular, sirvió como un sólido motor de crecimiento. Pero ese motor de crecimiento de las economías emergentes se ha debilitado sustancialmente en los últimos años. El crecimiento pospandémico de China está muy por debajo del potencial y está disminuyendo.
Además, las tensiones geopolíticas, los impactos de la era de la pandemia y el cambio climático están interrumpiendo las cadenas de suministro globales, y una combinación de incentivos de mercado y nuevas prioridades políticas, como "reducir el riesgo" y aumentar la resiliencia, está impulsando a los gobiernos a buscar la (muy costosa). ) proceso de diversificación de la cadena 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 realizar inversiones públicas orientadas al crecimiento y desestabiliza algunas economías.
Estas son tendencias seculares, lo que significa que es probable que sean características persistentes de la economía global en la próxima década. Las restricciones de suministro y el aumento de los costos frenarán el crecimiento. La inflación seguirá siendo una amenaza persistente, lo que requerirá tasas de interés más altas que elevan el costo del capital. Las inversiones a gran escala cada vez más urgentes en la transición energética serán extremadamente difíciles (económica, política y socialmente) de llevar a cabo; sin ellos, sin embargo, las perturbaciones relacionadas con el clima empeorarán.
Pero hay noticias prometedoras. Como Gordon Brown , Mohamed El-Erian y yo argumentamos en nuestro próximo libro, Permacrisis: A Plan to Fix a Fractured World , un aumento generalizado de la productividad podría cambiar sustancialmente este panorama. Y, con la tecnología de IA avanzando rápidamente, esto no es nada fácil. La clave es garantizar que el crecimiento de la productividad sea un foco central de la innovación y las aplicaciones de IA en los próximos años.
Incluso cuando la IA avanzó del reconocimiento de escritura a mano al reconocimiento de voz y al reconocimiento de imágenes y objetos, la sabiduría convencional 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 dominio según fuera necesario.
Eso cambió con el auge de los modelos de lenguaje grande (LLM) y la IA generativa en general. Los LLM son capaces de comprender el lenguaje y parecen capaces de detectar y cambiar de dominio de forma independiente, quizás acercándolos un paso más a la inteligencia artificial general. El potencial para una mejora de la productividad de base amplia es considerable.
Los LLM funcionan como plataformas de propósito general para crear aplicaciones para usos específicos en toda la economía del conocimiento. Debido a que entienden y producen lenguaje ordinario, cualquiera puede usarlos. Según los informes, ChatGPT atrajo a 100 millones de usuarios en los dos meses posteriores a su lanzamiento público.
Además, los LLM están capacitados en una gran cantidad de material digital, por lo que la gama de temas que pueden abordar es enorme. Esta combinación de accesibilidad y cobertura significa que los LLM tienen una gama mucho más amplia de aplicaciones potenciales que cualquier tecnología digital anterior, incluso herramientas anteriores basadas en IA.
La carrera para desarrollar este tipo de aplicaciones, vinculadas a una amplia gama de sectores y categorías laborales, ya ha comenzado. OpenAI, la empresa detrás de ChatGPT, ha creado una interfaz de programación de aplicaciones (API) que permite a otros crear sus propias soluciones de IA sobre la base de LLM, agregando datos y capacitación especializada para el uso específico al que se dirigen.
Un estudio de caso reciente realizado por el economista del MIT Erik Brynjolfsson y sus coautores proporciona una indicación temprana del potencial de productividad. El acceso a una herramienta basada en IA generativa entrenada en grabaciones de audio de interacciones de servicio al cliente y métricas de rendimiento aumentó la productividad en un 14 %, en promedio, según lo medido por problemas resueltos por hora.
Los agentes de servicio al cliente con menos experiencia fueron los que más se beneficiaron de la herramienta, lo que indica que la IA, que encapsula y filtra la experiencia acumulada de un sistema completo a lo largo del tiempo, puede ayudar a los trabajadores a "bajar en la curva de experiencia" más rápido. Este efecto de "subir de nivel" probablemente será una característica común de las aplicaciones de IA, particularmente aquellas que se ajustan a este "modelo de asistente digital".
Hay muchas versiones de ese modelo, que pueden aprovechar la capacidad de las IA y los sistemas de inteligencia ambiental para rastrear y registrar los resultados. Para los médicos que atienden pacientes o hacen rondas en un hospital, las herramientas de IA pueden producir un primer borrador de los informes requeridos, que el médico solo necesitará editar. Las estimaciones del ahorro de tiempo varían, pero todas son muy grandes.
Sin duda, la IA también puede permitir la automatización de muchas tareas y el reemplazo de trabajadores humanos. Pero las herramientas de IA son fundamentalmente máquinas de predicción; cometen errores, inventan cosas y perpetúan los sesgos en los que han sido entrenados. Dado esto, es poco probable que las aplicaciones prudentes excluyan a los humanos en el corto plazo.
Para darse cuenta del potencial de mejora de la productividad de la IA, los legisladores tendrán que actuar en varias áreas. Para empezar, la innovación, la experimentación y el desarrollo de aplicaciones dependen del acceso generalizado a los LLM. Quizás habrá suficiente competencia para asegurar el acceso a un costo razonable. Pero dado que pocas empresas tienen la capacidad informática para capacitar a los LLM, los reguladores deben permanecer atentos en este frente.
Además, el gobierno deberá 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 defender estos principios. Lograr el equilibrio adecuado entre seguridad y apertura es esencial; las reglas no pueden ser tan restrictivas que impidan la experimentación y la innovación.
Finalmente, los investigadores de IA necesitan acceso a una potencia informática considerable para probar y entrenar nuevos modelos de IA. Las inversiones del gobierno en un sistema de computación en la nube generarían un progreso a largo plazo en inteligencia artificial y robótica, con beneficios económicos de gran alcance. De hecho, la gestión eficaz y con visión de futuro del desarrollo de AI, junto con un compromiso renovado con la cooperación global, bien podría ser la clave para un futuro más próspero, inclusivo y sostenible.
MICHAEL SPENCE, premio Nobel de economía, es profesor emérito de economía y ex decano de la Graduate School of Business de la Universidad de Stanford. Es miembro principal de la Institución Hoover, asesor principal de General Atlantic y presidente del Instituto de Crecimiento Global de la empresa. Es presidente de la Junta Asesora del Instituto Global de Asia y es miembro del Comité Académico de la Academia Luohan. Es expresidente de la Comisión sobre Crecimiento y Desarrollo y autor de The Next Convergence: The Future of Economic Growth in a Multispeed World (Macmillan Publishers, 2012).