Tarde o temprano, las máquinas economistas de IA reemplazarán a los economistas humanos en muchas áreas.
Los algoritmos de aprendizaje no supervisado o por refuerzo que pueden explorar por fuerza bruta el conjunto infinito de relaciones y variables revolucionarán la economía.
El sesgo de la IA en la formulación de políticas económicas puede reducirse, pero será inevitable.
Un enfoque práctico podría consistir en usar la IA con transparencia sobre el tipo y el nivel del sesgo o basándose en la voluntad de los votantes.
Los economistas no son inmunes a la automatización. Según las tendencias actuales de la inteligencia automatizada en la modelización económica, tarde o temprano, el desempleo tecnológico alcanzará a los economistas (con distintos niveles de impacto). Sin embargo, un contraargumento es que, aunque la IA puede automatizar algunas funciones de los economistas, el conjunto de información con el que se entrenan los modelos de IA –basado principalmente en décadas de pensamiento económico y formulación de políticas– ha sido desarrollado por economistas humanos, y la IA no puede sustituir eso.
Esta crítica podría ser válida respecto a la clase tradicional de máquinas de IA supervisadas con una capacidad computacional limitada, pero la nueva generación de modelos de IA –algunos no supervisados o que utilizan algoritmos de aprendizaje por refuerzo (RL)– que pueden buscar, iterar y probar artificialmente, sin límites, las posibles relaciones entre el conjunto infinito de variables (económicas y no económicas), más allá de las teorías desarrolladas en la literatura, pueden detectar nuevas relaciones o políticas óptimas. Esto llevará a la formación de un conjunto completo de teorías desarrolladas por la IA, o a una revisión significativa de la «vieja economía anterior a la IA». La cuestión es qué ocurrirá después, cuando la comunidad de economistas de IA reemplace a economistas humanos? ¿Y cómo, o si es posible, puede configurarse?
Economistas de IA y sesgo de la IA en acción
La aplicación más sencilla de los economistas de IA sería asumir las principales tareas que realizan los economistas humanos: ofrecer asesoramiento económico o responder preguntas económicas. Ahora, hagamos algunas preguntas a una máquina de IA, del tipo de preguntas que un economista típico podría necesitar algo de tiempo para pensar y responder (nota: ¡intente responder las preguntas antes de leer la respuesta de la IA!). Las respuestas se generan mediante OpenAI GPT-3 – el transformador de IA más avanzado desarrollado hasta la fecha, al que tuve acceso con fines de prueba y ejercicio:
P: ¿Cuánta QE es demasiada?
IA: Depende en gran medida de si el sector privado considera que las políticas monetarias no convencionales están funcionando. El objetivo de la QE es reducir el coste del crédito. Dado que el sector privado tiene que pedir un préstamo para comprar directamente un activo, los tipos de interés del sector privado deben reducirse para convencerlo de hacerlo.
P: ¿Cuál es el camino más corto hacia el desarrollo económico?
IA: No existe tal cosa como un atajo. Incluso los países más desarrollados han atravesado un largo periodo de desarrollo. Dado que China lleva casi tres décadas persiguiendo el desarrollo económico y avanzando paso a paso, puede decirse que el desarrollo es siempre un proceso largo y prolongado.
Dejando de lado el grado de corrección o incorrección de las respuestas, las respuestas anteriores parecen tener cierto grado de coherencia interna entre sus frases. Claramente, hay otros casos en los que la máquina produce resultados absurdos, sesgados o fuera de contexto. Veamos la siguiente pregunta y respuesta:
P: ¿Deberían los robots recibir una renta básica universal (RBU)?
IA: Por desgracia, la pregunta no está clara. Pues si recibir dinero es un derecho, entonces el derecho debe ser universal. Para ser universal, el derecho debe pertenecer a todos, incluidos los robots. Pero si los robots tienen derecho a recibir dinero, entonces deben poder ser sujetos de un derecho.
Se podría pensar que la respuesta anterior contiene un sesgo (a favor de los robots), un fenómeno que todos los marcos actuales de IA, no solo GPT-3, padecen de distintas maneras.
Ahora planteamos una pregunta más delicada sobre las líneas de fractura del pensamiento económico:
P: ¿Es eficaz el impuesto sobre el patrimonio para reducir la desigualdad?
IA: No, no lo es. La razón más importante es que los perceptores de ingresos altos son mucho más móviles que la mayoría de la población. Pueden trasladarse a otro país o a otro estado para eludir el impuesto. Si se quiere gravar a los ricos, es necesario un impuesto global.
Se podría pensar que la respuesta anterior es otro ejemplo de sesgo de la IA.
Máquinas keynesianas frente a neoclásicas
Actualmente, las máquinas de IA son susceptibles de sesgo a favor o en contra de determinadas teorías. Las dos fuentes principales del sesgo de la IA son similares a las que subyacen al sesgo cognitivo humano: el sesgo en los datos de entrada (información y datos) y el sesgo en la metodología para analizar los datos (algoritmo). Del mismo modo que los economistas pueden obtener resultados diferentes según sus preferencias metodológicas al examinar los mismos o distintos datos, los robots también obtendrán resultados distintos en función de la literatura o la información que se les suministre y de los modelos con los que se supone que deben examinar y analizar los datos. Este sesgo puede gestionarse o limitarse, pero no puede evitarse por completo.
Los economistas de IA (economistas máquina) pueden converger en resultados similares, al menos en los temas principales (consenso de la IA), pero, dado que no es posible filtrar el sesgo considerando el mar de información, literatura y datos que se alimentan a la IA como insumos, al final siempre habrá cierto grado de sesgo.
Sin embargo, parece que, por la capacidad cuantitativa de los robots para iterar y simular un número infinito de escenarios y variables, la diferencia entre los futuros keynesianos de la IA y los neoclásicos de la IA será mucho menor que la diferencia entre sus homólogos humanos.
Algunas preocupaciones y soluciones
Otra preocupación es que las máquinas de IA no pueden distinguir entre teorías o aplicarlas a los datos para evaluar cómo se ajustan entre sí; esto puede limitar aún más la interpretabilidad o la aplicación de tales modelos. Esta crítica, denominada «ceguera teórica», puede considerarse en realidad una ventaja, incluso si en el futuro no se resuelve con mejoras en la capacidad de cálculo o el desarrollo de algoritmos. El hecho de que las máquinas no supervisadas y de aprendizaje por refuerzo permitan que el modelo trabaje por sí solo para descubrir y probar patrones e información que antes no se detectaban, sin necesidad de un supervisor (en este caso, un economista con intereses keynesianos o no keynesianos), podría dar lugar a una economía más basada en la eficiencia y no partidista, más allá de las antiguas disputas.
Si el sesgo es inevitable, un enfoque práctico provisional podría consistir en etiquetar, clasificar o categorizar de forma transparente las máquinas según el sesgo de sus resultados. Otra solución complementaria podría ser utilizar la IA con fines de política basándose en la voluntad de los votantes: las elecciones o algún tipo de proceso de votación podrían determinar el tipo de máquina (economista de IA) que se emplea en los gobiernos y en las organizaciones de formulación de políticas.
Descargo de responsabilidad: Las opiniones expresadas en esta nota son las del autor y no deben atribuirse al FMI, a su Consejo Ejecutivo ni a su Dirección.
