¿La próxima temporada de su serie favorita será escrita por un sistema de inteligencia artificial? El tema se coló con fuerza en las negociaciones que tuvieron lugar, unas semanas atrás, durante una huelga de guionistas en Hollywood, quienes ahora, además de reclamar por sus ingresos, temen por el futuro de su trabajo. Lo mismo sucede con los actores, cuyos gremios negocian con los grandes estudios cómo repartir las ganancias por futuros productos que incluyan un “gemelo digital” generado a partir de un artista conocido, pero creado con inteligencia artificial (IA).
Así están las cosas: las novedades sobre “segundas derivadas” en el mundo de los negocios que trae la explosión de IA generativa (cuya cara más conocida es el ChatGPT) aparecen a diario. En paralelo, el debate sobre la economía de esta tecnología emergente se calienta. ¿Cuánto tardará el mundo de los negocios en adoptar masivamente este motor de cambio? ¿Cómo afectará la productividad agregada? ¿Cuáles serán los efectos sobre el empleo? ¿Qué recorrido tendrá este despliegue?
Esta última pregunta (la de la forma del despliegue) tal vez sea una de las más difíciles de responder, pero para el economista Ramiro Albrieu, que investiga sobre nuevas tecnologías para la Red Sur de Uruguay, hay pistas muy interesantes para abordar este tema en el libro Prediction and Power (aún no traducido), de Ajay Agrawal, Joshua Gans y Avi Goldfarb, que fue publicado a fines del año pasado, antes de que se lanzara ChatGPT. Son los mismos autores de otro best seller sobre este tema, Máquinas de predicción.
“La idea principal es que la IA generativa, al igual que otras tecnologías de propósito general –como la electricidad, la masificación de las PC, etcétera–, comparte un recorrido-secuencia que empieza con ‘soluciones de punto’ y de aplicaciones y, más tarde, de ‘soluciones sistémicas’”, dice Albrieu.
Las “soluciones de punto” y las de aplicación son los frutos al alcance de la mano: una empresa detecta cuáles de las funciones que realiza pueden ser abordadas de manera más eficiente y con ahorro de costos por la IA: un banco tradicional reemplaza su call center por un bot conversacional, un hospital pasa a utilizar IA para lectura de imágenes, etcétera. Es lo más obvio y fácil de adoptar, porque no cambia nada importante del sistema, sino todo lo contrario: lo solidifica.
La parte del león está, en términos de ganancias y de “rentas schumpeterianas”, en las soluciones de sistema: cómo repensar un negocio entero desde cero –con la hoja en blanco– con la nueva tecnología en el ADN. Mientras que las soluciones de punto ahorran costos, las de sistema crean nuevo valor.
Agrawal, Gans y Goldfarb repasan este recorrido en otras “tecnologías de propósito general”, como la irrupción de la electricidad, que tardó casi 30 años desde su descubrimiento hasta volverse ubicua en los negocios. En los inicios, las fábricas aplicaban “soluciones de punto”: reemplazaban un antiguo motor por un nuevo generador eléctrico. Pero más tarde vinieron reconfiguraciones enteras de las industrias a partir de la novedad de que la generación de energía proviniera de otro lugar, en lugar de originarse en las fábricas.
Según Tomás Castagnino, economista jefe de Accenture, que sigue muy de cerca la agenda de IA generativa, estamos por varios motivos en lo que llama un “momento Edison vs. Tesla” para los negocios. Al igual que en aquella instancia, la discusión con IA en la actualidad se centra en el trade off entre el potencial y los riesgos: “Idealmente uno querría tener el máximo de aprovechamiento, pero con los riesgos controlados”, explica Castagnino. En la discusión originaria de cómo distribuir electricidad, la opción directa de Edison parecía más segura, pero menos eficiente que la alterna de Tesla, que fue la que terminó imponiéndose en el largo plazo gracias a regulaciones que la volvieron menos riesgosa.
Castagnino cree que hay otro aprendizaje de la historia para predecir una rápida adopción de los negocios de la IA generativa: en la evolución del capitalismo, el despliegue de tecnologías disruptivas fue más veloz en los contextos de mercados laborales “tensos” o ajustados, como sucede en la actualidad en muchos países: cuando hay dificultades para conseguir recursos humanos en algunas áreas, hay más incentivo en las empresas hacia la automatización.
En las últimas semanas la cuestión ética sobre si hay que ponerle un freno al entrenamiento por algoritmos porque la humanidad puede estar en peligro, acaparó la conversación, luego de las advertencias públicas al respecto de expertos de mucho renombre en IA y en tecnología.
Evidencia en contrario
Hay un par de problemas con estas predicciones distópicas. El experto canadiense-americano en pronósticos Philip Tetlock (autor de Superforecasting) suele enfatizar que las personas que trabajan en un determinado campo o son expertas en él no necesariamente son los mejores pronosticadores al respecto, por falta de perspectiva y por otros factores. Uno tiende a pensar que debería ser así, pero la evidencia muestra lo contrario.
El otro factor es lo que Nassim Taleb (autor de El cisne negro) suele destacar como “evidencia asimétrica”: por cada experto en IA que firmó una carta de advertencia sobre el fin de la humanidad, hay cientos o miles que piensan que no es tan así, pero que no adhieren a una carta para expresar que “no saben” o que “no creen que sea tan así”. Y si lo hacen, los periodistas no lo reflejamos en una nota, porque no es un título tan sexy y atrapante como el distópico.
El pasado viernes 19 de mayo, en el espacio Cero+Infinito de la Facultad de Ciencias Exactas de la UBA, se organizó un debate muy interesante sobre el impacto de la IA generativa (el evento entero está subido a YouTube). Abrió la discusión Carlos Diuk, un experto argentino en IA que vive en la costa oeste de los Estados Unidos y que se declaró “krugmanista”, en relación con la visión del economista Paul Krugman de que las consecuencias tardarán un tiempo en masificarse en el mundo de los negocios. Entre otros obstáculos, Diuk remarcó que las “alucinaciones” actuales de ChatGPT no son solucionables con más datos o mejores algoritmos.
Participaron también de la mesa de discusiones Diego Fernández Slezak, Luciana Ferrer, Vanina Martínez, Jorge Sanz, Fernando Schapachnik, Marina Sued y Guillermo Durán.
Con respecto al debate ético y los riesgos asociados, Fernández Slezak, doctor en Ciencias de la Computación, propuso como una actitud deseable “abrazar” a esta nueva tendencia para aprovecharla y sacarle todo el jugo posible, pero, al mismo tiempo, para “no dejarla demasiado suelta”. Una terapia de abrazos, contenedores, cariñosos pero no asfixiantes, para lidiar con la tecnología del momento.
