Milán – La oferta tiene dificultades para satisfacer la demanda en todo el mundo. La inflación sigue siendo alta a pesar de las agresivas subidas de los tipos de interés. La población activa mundial envejece a un ritmo acelerado. La escasez de mano de obra persiste en todas partes.
Estos son sólo algunos de los factores que explican las dificultades de la economía mundial para aumentar la productividad. Y cada vez está más claro que hay que aprovechar la inteligencia artificial para hacer frente a este reto.
En las últimas cuatro décadas, el rápido crecimiento de las economías emergentes ha dado lugar a un aumento de la capacidad de producción, que ha actuado como una poderosa fuerza desinflacionaria por el lado de la oferta. China, en particular, fue un potente motor de crecimiento. Sin embargo, este motor de crecimiento de las economías emergentes se ha debilitado considerablemente en los últimos años. Tras la pandemia, la tasa de crecimiento de China ha estado muy por debajo de su tasa de crecimiento potencial y sigue disminuyendo. Las tensiones geopolíticas, las crisis provocadas por pandemias y el cambio climático también están perturbando las cadenas mundiales de suministro. Mientras tanto, una combinación de incentivos de mercado y nuevas prioridades políticas, como la “aversión al riesgo” y el aumento de la resiliencia, están impulsando a los gobiernos a proseguir el (muy costoso) proceso de diversificación de la cadena de suministro. Mientras tanto, los niveles de deuda soberana son elevados y van en aumento, lo que reduce la capacidad fiscal de los países para realizar inversiones públicas orientadas al crecimiento y desestabiliza sus economías en algunos países.
Se trata de tendencias a largo plazo y es probable que sean características duraderas de la economía mundial durante la próxima década. Las restricciones de la oferta y el aumento de los costes socavarán el crecimiento. La inflación seguirá siendo una amenaza persistente, que requerirá tipos de interés más altos, lo que aumentará el coste del capital. La realización de inversiones urgentes y a gran escala en la transición energética será extremadamente difícil desde el punto de vista económico, político y social. Sin embargo, sin ella, los trastornos relacionados con el clima empeorarán.
Sin embargo, hay algunas noticias alentadoras. Como comentan Gordon Brown y Mohamed El-Erian en su próximo libro Permacrisis: A Plan to Fix a Fractured World, un aumento general de la productividad podría cambiar esta situación de forma significativa. Y con los rápidos avances de la tecnología de IA, no estamos hablando de castillos en el aire. Lo importante es garantizar que el aumento de la productividad se convierta en el eje central de la innovación y la aplicación de la IA en los próximos años.
La IA ha progresado desde el reconocimiento de la escritura a mano hasta el reconocimiento del habla, y después hasta el reconocimiento de imágenes y objetos, pero la sabiduría convencional es que la tecnología funciona mejor en dominios claramente definidos. No tenía la capacidad humana de detectar en qué dominio trabajaba y cambiar de un dominio a otro según las necesidades.
Esto ha cambiado con el auge del modelado del lenguaje a gran escala (GML) y la IA generativa en sentido amplio. GML parece tener la capacidad de entender el lenguaje y detectar y cambiar dominios por sí mismo, quizá un paso más hacia la inteligencia general artificial. El potencial de aumento de la productividad es considerable.
GML actúa como una plataforma de propósito general destinada a crear aplicaciones para usos específicos en toda la economía del conocimiento; GML entiende y genera un lenguaje común general, por lo que cualquiera puede utilizarlo; se dice que ChatGPT ha atraído a 100 millones de usuarios en los dos primeros meses de su lanzamiento.
Además, el abanico de temas que puede tratar GML es muy amplio, ya que ha sido entrenado en una gran cantidad de material digital. Esta combinación de accesibilidad y cobertura significa que GML tiene un abanico de aplicaciones potenciales mucho más amplio que cualquier otra tecnología digital anterior, incluidas las anteriores herramientas basadas en IA.
La carrera por desarrollar aplicaciones de este tipo que sean relevantes para distintos sectores y ocupaciones ya ha comenzado. OpenAI, desarrollador de ChatGPT, ha creado una interfaz de programación de aplicaciones (API) que permite a los usuarios construir sus propias soluciones de IA basadas en GML, incorporando datos y formación específica para cada aplicación.
Un reciente estudio de caso del economista del Instituto Tecnológico de Massachusetts (MIT) Erik Brynjolfsson y sus coautores es un ejemplo temprano del potencial de productividad. El acceso a una herramienta generativa basada en IA, entrenada a partir de grabaciones de audio de interacciones de atención al cliente y métricas de rendimiento, aumentó la productividad una media del 14%, medida en número de problemas resueltos por hora.
Los representantes de atención al cliente con menos experiencia fueron los que más se beneficiaron de esta herramienta, lo que indica que la IA, que encapsula y filtra la experiencia acumulada en el sistema a lo largo del tiempo, puede ayudar a los empleados a “ascender más rápidamente en la curva de la experiencia”. Es probable que este efecto de “subida de nivel” sea una característica común de las aplicaciones de IA, especialmente las que se ajustan a este “modelo de asistente digital”. Existen muchas versiones de este modelo, que pueden utilizar la capacidad de los sistemas de inteligencia artificial e inteligencia ambiental para seguir y registrar los resultados. Cuando un médico ve a un paciente o hace rondas en el hospital, la herramienta de IA puede producir un primer borrador del informe requerido, que el médico puede editar simplemente. Las estimaciones de ahorro de tiempo varían, pero todas son importantes.
De hecho, la IA puede automatizar muchas tareas e incluso sustituir a los trabajadores humanos. Sin embargo, las herramientas de IA son esencialmente máquinas predictivas. Cometen errores, inventan algo y perpetúan sesgos entrenados. Por ello, es poco probable que una aplicación prudente elimine a los humanos a corto plazo.
Para aprovechar el potencial de mejora de la productividad de la IA, los responsables políticos deben actuar en varios ámbitos. Para empezar, la innovación, la experimentación y el desarrollo de aplicaciones dependerán de un acceso generalizado a la GML. Quizá haya suficiente competencia para garantizar el acceso a un coste razonable. Sin embargo, dado que pocas empresas tienen capacidad informática para formar GML, los reguladores deben permanecer vigilantes en este frente.
Los gobiernos también tienen que trabajar con la industria y los investigadores para establecer principios ampliamente aceptados para la gestión y el uso responsables de los datos y aplicar normativas para hacer cumplir estos principios. Es esencial encontrar el equilibrio adecuado entre seguridad y apertura, y no se tolerarán normas restrictivas que repriman la experimentación y la innovación.
Por último, los investigadores de IA necesitan acceso a una potencia informática considerable para probar y entrenar nuevos modelos de IA. La inversión pública en sistemas de computación en nube generará avances a largo plazo en IA y robótica, con beneficios económicos de gran alcance. De hecho, una gestión eficaz y previsora del desarrollo de la IA, junto con un compromiso renovado de cooperación mundial, podría ser la clave de un futuro más próspero, integrador y sostenible.
***’.
