La IA está revolucionando las industrias, impulsando la eficiencia y transformando el futuro del trabajo.
Descubre el profundo impacto que las máquinas pensantes pueden tener en nuestro mundo impulsado por la productividad, y cómo abren una nueva era de innovación y crecimiento.
Conoce el auge de la productividad impulsado por la IA y cómo está llamado a transformar distintos sectores, allanando el camino para una mayor eficiencia y progreso económico.
Un viernes por la mañana, hace poco, uno de nosotros se sentó en su cafetería favorita para trabajar en un nuevo artículo de investigación sobre cómo afectará la IA al mercado laboral. Para empezar, abrió ChatGPT, una herramienta de IA generativa. Tras introducir unas cuantas instrucciones sencillas en inglés, el sistema pudo proponer un modelo económico adecuado, redactar el código para ejecutarlo y sugerir posibles títulos para el trabajo. Al terminar la mañana, había avanzado en su investigación lo equivalente a una semana de trabajo.
Esperamos que, en unos pocos años, si no antes, millones de trabajadores del conocimiento —desde médicos y abogados hasta gerentes y vendedores— experimenten cambios igualmente revolucionarios en su productividad.
El potencial de la generación más reciente de sistemas de IA queda claramente ilustrado por la adopción viral de ChatGPT, un modelo de lenguaje grande (LLM) que captó la atención del público por su capacidad para generar textos coherentes y adecuados al contexto. No es una innovación que esté languideciendo en un sótano. Sus capacidades ya han cautivado a cientos de millones de usuarios.
Entre otros LLM que se han puesto recientemente a disposición del público figuran Bard de Google y Claude de Anthropic. Pero la IA generativa no se limita al texto: en los últimos años también hemos visto sistemas de IA generativa capaces de crear imágenes, como Midjourney, Stable Diffusion o DALL-E, y, más recientemente, sistemas multimodales que combinan texto, imágenes, vídeo, audio e incluso funciones robóticas. Estas tecnologías son modelos fundacionales: vastos sistemas basados en redes neuronales profundas, entrenados con cantidades enormes de datos y que luego pueden adaptarse para realizar una amplia variedad de tareas. Dado que la economía estadounidense está dominada por la información y el trabajo del conocimiento, estas máquinas pensantes impulsarán drásticamente la productividad general.
El poder del crecimiento de la productividad
El principal determinante de nuestra prosperidad y bienestar a largo plazo es la tasa de crecimiento de la productividad: la cantidad de producción generada por hora trabajada. Esto sigue siendo así aunque los cambios en la productividad no se perciban de inmediato y, a corto plazo, las percepciones de los trabajadores sobre la economía estén dominadas por el ciclo económico. Desde la Segunda Guerra Mundial hasta principios de la década de 1970, la productividad laboral creció a más del 3 % anual, más del doble durante ese período, lo que dio paso a una era de prosperidad para la mayoría de los estadounidenses. A principios de la década de 1970, el crecimiento de la productividad se desaceleró drásticamente; repuntó en la década de 1990, pero volvió a desacelerarse desde principios de la década de 2000.
Figura 1: Componentes del crecimiento de la productividad laboral entre 1948 y 2022. Contribución de la productividad total de los factores. Contribuciones de la intensidad de capital y de la composición de la fuerza laboral.
La figura 1 ilustra esta historia. Descompone el crecimiento general de la productividad laboral en dos componentes: la productividad total de los factores (que mide el impacto de la tecnología) y la contribución de la composición laboral y la intensidad de capital. La figura muestra que el principal factor de los cambios en la productividad laboral son los cambios en la productividad total de los factores (PTF). Hay muchas razones para las recientes dificultades económicas de Estados Unidos, pero el lento crecimiento de la PTF es una de las causas principales: erosiona poco a poco la prosperidad del país, dificulta la lucha contra la inflación, reduce los salarios de los trabajadores y agrava los déficits presupuestarios.
El ritmo generalmente lento del crecimiento económico, junto con los enormes beneficios de las empresas tecnológicas, ha generado escepticismo sobre las ventajas de las tecnologías digitales para el conjunto de la economía. Sin embargo, durante unos 10 años a partir de la década de 1990, el crecimiento de la productividad se disparó, como muestra la figura 1, impulsado principalmente por una enorme ola de inversiones en informática y comunicaciones, que a su vez propició transformaciones empresariales. Aunque también hubo una burbuja bursátil y una importante reasignación de mano de obra y recursos, los trabajadores salieron beneficiados en general. Además, el presupuesto federal estuvo equilibrado entre 1998 y 2001: un doble triunfo. La tecnología digital puede impulsar el crecimiento económico general, y eso ocurrió hace menos de treinta años.
Primeras estimaciones de los efectos de la IA en la productividad
Los recientes avances de la IA generativa han sido posibles gracias al progreso del software, el hardware y la recopilación de datos, así como al aumento de las inversiones en modelos de vanguardia. Sevilla et al. (2022)señalan que la capacidad de cómputo utilizada para entrenar sistemas de IA de vanguardia se ha duplicado cada seis meses durante la última década. Las capacidades de los sistemas de IA generativa han crecido a la par, lo que les permite realizar muchas tareas que antes se reservaban a los trabajadores del conocimiento: redactar textos bien elaborados, crear código informático, resumir artículos, proponer ideas, organizar planes, traducir a otros idiomas, escribir correos electrónicos complejos y mucho más.
La IA generativa tiene aplicaciones amplias que afectarán a numerosos trabajadores, ocupaciones y actividades. A diferencia de la mayoría de los avances anteriores en automatización, es una máquina pensante que incide en el trabajo cognitivo. Como señala un artículo de investigación reciente (Eloundou et al., 2023), los LLM podrían afectar de algún modo al 80 % de la fuerza laboral de Estados Unidos.
Está surgiendo una bibliografía que estima los efectos de la IA en la productividad de ocupaciones o tareas específicas. Kalliamvakou (2022)concluye que los ingenieros de software pueden programar hasta el doble de rápido con una herramienta llamada Codex, basada en la versión anterior del modelo de lenguaje grande GPT-3. Es un efecto transformador. Noy y Zhang (2023)concluyen que muchas tareas de redacción también pueden completarse en la mitad de tiempo, y Korinek (2023)estima, a partir de 25 casos de uso de modelos lingüísticos, que los economistas pueden ser entre un 10 % y un 20 % más productivos al utilizar modelos de lenguaje grandes.
Pero ¿pueden estas mejoras en tareas específicas traducirse en avances significativos en situaciones reales? Al parecer, sí. Brynjolfsson, Li y Raymond (2023)muestran que los operadores de centros de llamadas fueron un 14 % más productivos al utilizar esta tecnología, y que las mejoras superaron el 30 % entre los trabajadores con menos experiencia. Además, la opinión de los clientes fue más favorable al interactuar con operadores que usaban IA generativa como apoyo y, quizá como resultado, la rotación de personal fue menor. Al parecer, el sistema crea valor al captar y transmitir parte del conocimiento organizativo tácito sobre cómo resolver problemas y satisfacer a los clientes, que antes solo se adquiría mediante la experiencia laboral.
Las críticas a los modelos de lenguaje grandes por ser meros «loros estocásticos» están fuera de lugar. La mayor parte del trabajo cognitivo consiste en recurrir a los conocimientos y la experiencia previos y aplicarlos al problema en cuestión. Es cierto que los programas de IA generativa tienden a cometer ciertos tipos de errores, pero su naturaleza es predecible. Por ejemplo, los modelos lingüísticos tienden a producir «alucinaciones»,es decir, inventar datos y referencias. Por eso, sin duda requieren supervisión humana. Sin embargo, su valor económico no depende de que sean infalibles, sino de que puedan utilizarse de forma productiva. Según ese criterio, ya están a punto de tener un impacto enorme. Además, la precisión de los modelos de IA generativa sigue mejorando rápidamente.
Cuantificación de los efectos en la productividad
Un informe reciente de Goldman Sachssugiere que la IA generativa podría elevar el PIB mundial un 7 %, un efecto verdaderamente significativo para una sola tecnología. A partir de nuestro análisis de diversos casos de uso y de la proporción de la fuerza laboral que realiza principalmente trabajo cognitivo, esta estimación nos parece razonable, aunque persiste una gran incertidumbre sobre los efectos finales de la IA en la productividad y el crecimiento.
Conviene desglosar rigurosamente, mediante un modelo, los mecanismos por los que esperamos que la IA generativa impulse el crecimiento de la productividad y la producción y, en última instancia, el bienestar social.
El primer mecanismo es el aumento de la eficiencia en la producción. Al hacer más eficientes a los trabajadores del conocimiento que participan en la producción, aumenta el nivel de producción. La teoría económica nos dice que, en mercados competitivos, el efecto de un aumento de la productividad en un sector determinado sobre la productividad y la producción agregadas equivale al tamaño de ese aumento multiplicado por el tamaño del sector (teorema de Hulten). Por ejemplo, si la IA generativa hace que los trabajadores del conocimiento sean, en promedio, un 30 % más productivos durante una o dos décadas y el trabajo cognitivo representa alrededor del 60 % de todo el valor añadido de la economía (medido por la masa salarial atribuible a las tareas cognitivas), esto supone un aumento del 18 % en la productividad y la producción agregadas, distribuido a lo largo de esos años.
El segundo mecanismo, y a la larga el más importante, es la aceleración de la innovación y, por tanto, del crecimiento futuro de la productividad. Los trabajadores del conocimiento no solo producen lo que se consume hoy, sino que también inventan cosas nuevas, realizan descubrimientos y generan el progreso tecnológico que impulsa la productividad futura. Esto incluye la I+D —lo que hacen los científicos— y, quizá más importante, el proceso de incorporar nuevas innovaciones a las actividades productivas de toda la economía —lo que hacen los gerentes—. Si los trabajadores del conocimiento son más eficientes, acelerarán el progreso tecnológico y, con ello, elevarán de forma permanente la tasa de crecimiento de la productividad. Por ejemplo, si el crecimiento de la productividad fuera del 2 % y el trabajo cognitivo que lo sustenta fuera un 20 % más productivo, la tasa de crecimiento de la productividad aumentaría un 20 %, hasta el 2,4 %. En un año determinado, ese cambio apenas se percibe y suele quedar eclipsado por las fluctuaciones cíclicas.
Pero el crecimiento de la productividad se acumula. Al cabo de una década, el pequeño aumento descrito dejaría la economía un 5 % más grande, y el crecimiento seguiría acumulándose cada año. Además, si la aceleración afectara a la tasa de crecimiento de la propia tasa de crecimiento (por ejemplo, si una de las aplicaciones de la IA consistiera en mejorar la propia IA), el crecimiento, por supuesto, se aceleraría aún más con el tiempo.
La figura 2 ilustra esquemáticamente los efectos de los dos mecanismos de crecimiento de la productividad a lo largo de un horizonte de veinte años. El escenario de referencia sigue la proyección actual de la Oficina Presupuestaria del Congreso (CBO): un crecimiento de la productividad del 1,5 %, que se traduce en un crecimiento total de la productividad del 33 % en 20 años. La proyección denominada «Nivel» supone que la IA generativa eleva un 18 % adicional el nivel de productividad y producción en diez años, según las cifras ilustrativas que planteamos para el primer mecanismo. Después de diez años, el crecimiento vuelve a la tasa de referencia. La tercera proyección, denominada «Nivel+Crecimiento», incluye además un aumento de un punto porcentual en la tasa de crecimiento respecto de la tasa de referencia, fruto de la innovación adicional impulsada por la IA generativa. Al principio, la trayectoria de crecimiento resultante apenas se distingue de la proyección «Nivel», pero, gracias al efecto acumulativo, sus efectos aumentan con el tiempo y la producción casi se duplica al cabo de 20 años, superando con creces la proyección de referencia.
Obstáculos y factores que impulsan la adopción
Para que se materialicen las mejoras de productividad, los avances en IA deben difundirse por toda la economía. Tradicionalmente, esto siempre ha llevado tiempo, así que no cabe esperar que las posibles mejoras de productividad se hagan notar de inmediato. Las empresas y organizaciones de toda la economía que emplean trabajadores del conocimiento deben adoptar y desplegar estos avances, incluidas las pequeñas y medianas empresas; algunas pueden tardar en reconocer el potencial de adaptación de estas nuevas tecnologías avanzadas o carecer de las competencias necesarias para utilizarlas bien. Por ejemplo, el informe de Goldman supone que las mejoras tardarán 10 años en materializarse por completo.
La «curva J de la productividad» (Brynjolfsson et al., 2021)describe cómo las nuevas tecnologías, en especial las de propósito general, solo generan mejoras de productividad tras un período de inversión en bienes intangibles complementarios, como los procesos empresariales y las nuevas competencias. De hecho, esto puede reducir temporalmente la productividad medida. Por eso, las primeras tecnologías de propósito general, como la electricidad y la primera oleada de ordenadores, tardaron décadas en tener un efecto significativo en la productividad. Otros obstáculos para la adopción y el despliegue son la preocupación por la pérdida de empleos, la inercia institucional y la regulación en ámbitos como la medicina, las finanzas y el derecho.
Sin embargo, en el caso de la IA generativa también hay factores que pueden atenuar estos obstáculos o incluso acelerar su adopción. En primer lugar, a diferencia de la automatización física, una ventaja de la automatización cognitiva es que a menudo puede desplegarse rápidamente mediante software. Esto es especialmente cierto ahora que existe una infraestructura digital ubicua: Internet. ChatGPT fue, como es sabido, el lanzamiento de producto más rápido de la historia: alcanzó los 100 millones de usuarios en tan solo dos meses porque estaba al alcance de cualquiera con conexión a Internet y no requería que los usuarios invirtieran en hardware.
Microsoft y Google están incorporando herramientas de IA generativa a sus motores de búsqueda y suites ofimáticas, con lo que ofrecen acceso a la IA generativa a una gran proporción de los trabajadores del conocimiento de los países avanzados que utilizan habitualmente estas herramientas. Además, cada vez hay más interfaces de programación de aplicaciones (API) que permiten una modularización y conectividad fluidas entre sistemas, y crece rápidamente un mercado de complementos y extensiones, lo que facilita mucho la incorporación de nuevas funciones. Por último, a diferencia de otras tecnologías, los usuarios pueden interactuar con la IA generativa en lenguaje natural, en vez de utilizar códigos o comandos especiales, lo que facilita el aprendizaje y la adopción de estas herramientas.
Estos motivos para el optimismo apuntan a que el despliegue de estas nuevas tecnologías podría ser más rápido que en el pasado. Aun así, no se puede subestimar la importancia de la formación para aprovechar al máximo estas herramientas.
Problemas de medición: crecimiento silencioso de la productividad
La medida más habitual de la productividad, la productividad empresarial no agrícola, capta bastante bien los aumentos de la productividad en el sector industrialdonde los insumos y los productos son tangibles y fáciles de contabilizar. Sin embargo, medir la productividad del trabajo cognitivo es más difícil. En ocasiones, los estadísticos que elaboran las estadísticas del PIB y de productividad valoran la producción de la actividad cognitiva suponiendo, sencillamente, que es proporcional a la cantidad de trabajo empleada para generarla, lo que, por supuesto, elimina toda posibilidad de que se registre un crecimiento de la productividad.
Por ejemplo, la IA generativa permite a los economistas escribir más artículos de opinión y ofrecer análisis de la economía más profundos que antes; sin embargo, estos productos no aparecerían directamente en las estadísticas del PIB. Los lectores pueden sentir que tienen acceso a análisis económicos mejores y más profundos (lo que contribuye al mecanismo 1 anterior). Además, esos análisis también pueden ayudar a los líderes empresariales y a los responsables de políticas a aprovechar mejor los efectos positivos de la IA generativa en la productividad (lo que contribuye al mecanismo 2 anterior). Ninguno de estos efectos positivos en la productividad se reflejaría directamente en las estadísticas oficiales del PIB o de productividad; aun así, las mejoras de productividad de los economistas seguirían aumentando el bienestar social.
Lo mismo ocurre con muchos otros trabajadores del conocimiento en toda la economía. Esto puede dar lugar a una subestimación significativa o a un «crecimiento silencioso de la productividad».
Crecimiento de la productividad, mercados laborales y distribución de los ingresos
Que la tarta sea más grande no significa automáticamente que todos se beneficien por igual, ni siquiera que se beneficien. Es probable que los efectos de la IA generativa en la productividad vayan acompañados de importantes alteraciones en el mercado laboral, ya que muchos trabajadores podrían sufrir presiones a la baja sobre sus salarios. Por ejemplo, el artículo de Eloundou et al. citado anteriormente predice que, con el tiempo, hasta el 49 % de la fuerza laboral podría llegar arealizar la mitad o más de sus tareas laborales mediante IA. ¿Aumentará lo suficiente la demanda de esas tareas para compensar estas ganancias de eficiencia? ¿Encontrarán otras tareas que hacer los trabajadores? Las respuestas distan mucho de ser seguras. En anteriores transformaciones tecnológicas, los trabajadores que perdieron sus empleos pudieron pasar a otros nuevos y, en promedio, sus salarios aumentaron. Sin embargo, dada la magnitud de los cambios que se avecinan y su carácter ahorrador de mano de obra, está por ver si ocurrirá lo mismo en la era de la IA generativa.
Además, la actual ola de automatización cognitiva supone un cambio respecto de la mayoría de las anteriores, centradas en empleos físicos o tareas cognitivas rutinarias. Ahora también se ven afectados los trabajos creativos y cognitivos no estructurados. En lugar de que las consecuencias recaigan en los trabajadores peor pagados, ahora se verán afectadas muchas de las ocupaciones mejor remuneradas. Es posible que estos trabajadores se vean sorprendidos por el cambio. Si sus competencias son generales, quizá les resulte más fácil adaptarse al desplazamiento que a los trabajadores manuales. Sin embargo, si han acumulado una cantidad considerable de capital humano que queda obsoleto, podrían sufrir pérdidas de ingresos mucho mayores que las de los trabajadores manuales desplazados por anteriores oleadas de automatización.
La idea de los empleos creados frente a los empleos desplazados es la expresión más tangible de las alteraciones del mercado laboral para la población general. La pérdida de empleos es, sin duda, un motivo de preocupación social importante y necesitamos políticas que faciliten la adaptación. Sin embargo, como economistas, observamos que el factor clave para determinar la influencia de las nuevas tecnologías en el mercado laboral es, en última instancia, su efecto en la demanda de mano de obra. Contar cuántos empleos se crean y cuántos se destruyen no tiene en cuenta que el empleo queda determinado por el equilibrio entre la demanda y la oferta de trabajo. La oferta de trabajo es bastante inelástica, lo que refleja que la mayoría de las personas en edad de trabajar quieren o necesitan trabajar, tanto si sus ingresos suben como si bajan. Los trabajadores que pierdan su empleo debido a los cambios tecnológicos buscarán otro. Y, en la medida en que estos cambios aumenten la productividad, elevarán los ingresos nacionales e impulsarán la demanda de mano de obra. A largo plazo, cabe esperar que el mercado laboral alcance el equilibrio, es decir, que la oferta y la demanda de empleo, así como el nivel de los salarios, se ajusten para mantener el pleno empleo. Así lo demuestra el hecho de que la tasa de desempleo en Estados Unidos se haya mantenido constantemente baja durante la posguerra(con ayuda de políticas monetarias y fiscales para recuperarse de las recesiones). La destrucción de empleos siempre se ha visto compensada por la creación de otros nuevos. En cambio, los efectos de la automatización y el aumento de las capacidades suelen reflejarse en los salarios y los ingresos.
El efecto de la IA generativa en la demanda de mano de obra depende de si los sistemas complementan o sustituyen la mano de obra. Hay sustitución cuando los modelos de IA automatizan la mayoría o la totalidad de las tareas de determinados empleos, y complementariedad cuando automatizan una pequeña parte de esas tareas y las personas siguen siendo indispensables. Además, los sistemas de IA pueden complementar el trabajo humano si permiten realizar nuevas tareas o mejorar la calidad.
A medida que las empresas invierten más en IA generativa, a menudo pueden elegir si dan prioridad a la sustitución o a la complementariedad. Por ejemplo, los centros de llamadas pueden usar la IA para complementar la labor de los operadores humanos o, a medida que la IA mejora, pueden reorganizar sus procesos para que los sistemas atiendan cada vez más consultas sin la intervención de operadores. Al mismo tiempo, un mayor crecimiento de la productividad en toda la economía puede hacer que los efectos generales sean más complementarios, al elevar la demanda total de mano de obra, y atenuar las alteraciones.
En las últimas décadas, tres fuerzas principales han influido en la distribución de los ingresos. En primer lugar, se ha producido un desplazamiento general de los ingresos, desde los salarios hacia el capital empresarial. En segundo lugar, ha habido un aumento del rendimiento de las competencias que valoran las empresas (reflejado en parte en un mayor rendimiento de la educación). En tercer lugar, se ha producido un cambio provocado por la intensificación de la competencia extranjera.
Es difícil predecir cómo afectará la IA generativa a esta combinación. Una interpretación positiva es que los trabajadores que ahora tienen dificultades con las matemáticas y la escritura serán más productivos con ayuda de estas nuevas herramientas y podrán acceder a empleos mejor pagados gracias a la nueva tecnología. Una interpretación negativa es que las empresas usarán la tecnología para eliminar o reducir las competencias necesarias en cada vez más puestos, lo que empujará a una mayor proporción de la fuerza laboral hacia empleos poco satisfactorios, aumentará la proporción de los beneficios en los ingresos y, quizá, elevará la demanda de los trabajadores más selectos.
Sin duda, el progreso tecnológico no se detendrá con la actual ola de IA generativa. Podemos esperar avances aún más espectaculares en IA, que acercarán la tecnología a lo que se conoce como inteligencia artificial general (IAG). Esto transformará aún más radicalmente la vida y el trabajo. La escasez de mano de obra humana ha sido un arma de doble filo a lo largo de nuestra historia: por un lado, ha frenado el crecimiento económico, porque producir más requería más mano de obra; por otro, ha sido muy beneficiosa para la distribución de los ingresos, ya que los salarios representan el valor de mercado de la mano de obra escasa. Si en el futuro las máquinas pueden sustituir a los trabajadores en una amplia variedad de tareas, es posible que ninguna de estas dos premisas siga siendo válida y que, al mismo tiempo que la IA impulsa una aceleración del crecimiento, disminuya el valor de la mano de obra. Esto supondría un importante desafío para nuestra sociedad. Además, la IAG también podría plantear grandes riesgos para la humanidad si no está alineada con los objetivos humanos.
Conclusión
Los modelos de lenguaje de gran tamaño y otras formas de IA generativa aún se encuentran en una fase temprana, por lo que resulta difícil predecir con gran confianza los efectos exactos que tendrán sobre la productividad. Sin embargo, como hemos sostenido, esperamos que la IA generativa tenga efectos muy positivos en la productividad, tanto al elevar su nivel como al acelerar el crecimiento futuro de la productividad.
Para los responsables de la formulación de políticas, el objetivo debería ser permitir que se materialicen los aumentos positivos de productividad, al tiempo que se mitigan los riesgos y las desventajas de una IA cada vez más potente. Un crecimiento más rápido de la productividad es un elixir que puede resolver o mitigar muchos de los desafíos de nuestra sociedad: desde elevar el nivel de vida y combatir la pobreza hasta proporcionar atención sanitaria a todas las personas y fortalecer nuestras defensas. De hecho, será casi imposible resolver algunos de nuestros desafíos presupuestarios, incluidos los déficits crecientes, sin un crecimiento suficientemente más sólido.
El crecimiento de la productividad impulsado por la IA también planteará desafíos. Puede ser necesario actualizar los programas sociales y la política tributaria para amortiguar los costos de bienestar derivados de las perturbaciones del mercado laboral y garantizar que los beneficios de la IA propicien una prosperidad compartida, en lugar de una concentración de la riqueza. También será necesario abordar otros daños, como la amplificación de la desinformación y la polarización, que podrían desestabilizar nuestra democracia, y la creación de nuevas armas biológicas y de otro tipo que podrían herir o matar a un número incalculable de personas.
Por lo tanto, no podemos permitir que las capacidades de la IA superen nuestra comprensión de sus posibles efectos. Los economistas y otros científicos sociales deberán acelerar su trabajo sobre los efectos de la IA para seguir el ritmo de nuestros colegas en la investigación de IA, que están haciendo avanzar rápidamente estas tecnologías. Si lo hacemos, confiamos en que nuestra sociedad podrá aprovechar los beneficios de productividad y la aceleración del crecimiento que ofrece la inteligencia artificial para mejorar sustancialmente el bienestar humano en los próximos años.