Cuando Chad Syverson consulta estos días el sitio web de la Oficina de Estadísticas Laborales de Estados Unidos en busca de los últimos datos sobre productividad, lo hace con una sensación de optimismo que no había sentido en mucho tiempo.

Las cifras del último año, más o menos, han sido en general sólidas por diversas razones financieras y empresariales, recuperándose de los primeros días de la pandemia. Y aunque las cifras trimestrales son notoriamente ruidosas e inconsistentes, el economista de la Universidad de Chicago está escudriñando los datos para detectar cualquier indicio temprano de que el crecimiento económico impulsado por la IA ha comenzado.

Cualquier efecto sobre las estadísticas actuales, dice, será probablemente bastante pequeño y no “cambiará el mundo”, por lo que no le sorprende que aún no se hayan detectado signos del impacto de la IA. Pero está muy atento, con la esperanza de que en los próximos años la IA pueda ayudar a invertir la caída de dos décadas en el crecimiento de la productividad que está minando gran parte de la economía. Si eso ocurre, dice Syverson, “entonces cambiará el mundo”.

Las versiones más recientes de IA generativa son deslumbrantes, con vídeos realistas, prosa que parece de experto y otros comportamientos demasiado humanos. Los líderes empresariales se preguntan cómo reinventar sus empresas a medida que miles de millones fluyen hacia las startups, y las grandes empresas de IA crean modelos cada vez más potentes. Abundan las predicciones sobre cómo ChatGPT y la creciente lista de grandes modelos lingüísticos transformarán la forma en que trabajamos y organizamos nuestras vidas, proporcionando asesoramiento instantáneo sobre todo, desde inversiones financieras hasta dónde pasar las próximas vacaciones y cómo llegar hasta allí.

Pero para economistas como Syverson, la cuestión más crítica en torno a nuestra obsesión por la IA es cómo la incipiente tecnología impulsará (o no) la productividad general y, si lo hace, cuánto tardará. Piense en ello como la línea de fondo de la máquina del bombo publicitario de la IA: ¿Puede la tecnología conducir a una renovada prosperidad tras años de estancamiento del crecimiento económico?

El crecimiento de la productividad es la forma en que los países se enriquecen. Técnicamente, la productividad laboral es la medida de cuánto produce un trabajador por término medio y la innovación y los avances tecnológicos explican la mayor parte de su crecimiento. A medida que los trabajadores y las empresas pueden fabricar más cosas y ofrecer más servicios, los salarios y los beneficios aumentan (al menos en teoría y si los beneficios se reparten equitativamente); la economía se expande y los gobiernos pueden invertir más y acercarse al equilibrio presupuestario. Para la mayoría de nosotros, eso es progreso. Por eso, hasta las últimas décadas, la mayoría de los estadounidenses creían que su nivel de vida y sus oportunidades económicas serían mayores que los de sus padres y abuelos.

Pero cuando el crecimiento de la productividad es plano o casi plano, el pastel ya no crece. Incluso una desaceleración o aceleración del 1% anual puede marcar la diferencia entre una economía en dificultades y una floreciente. A finales de la década de 1990 y principios de la de 2000, la productividad laboral estadounidense creció a un ritmo saludable de casi el 3% anual a medida que despegaba la era de Internet. (Creció incluso más rápido, muy por encima del 3%, en los años de auge tras la Segunda Guerra Mundial). Pero desde 2005 aproximadamente, el crecimiento de la productividad en la mayoría de las economías avanzadas ha sido desalentador.

Hay varios posibles culpables. Pero hay un tema común: las tecnologías aparentemente brillantes inventadas en las últimas dos décadas, desde el iPhone hasta los omnipresentes motores de búsqueda y las redes sociales que todo lo consumen, han acaparado nuestra atención, pero no han logrado generar prosperidad económica a gran escala.

En 2016, escribí un artículo titulado “Querido Silicon Valley: Olvida los coches voladores y danos crecimiento económico”. Argumenté que pese a que las Big Techs estaban haciendo un gran avance tras otro, ignoraban en buena medida las innovaciones que sectores industriales esenciales, como la fabricación y los materiales, necesitaban con urgencia. Y, en cierto modo, tenía mucho sentido desde su punto de vista financiero: ¿Por qué invertir en esas empresas antiguas y arriesgadas cuando el éxito de una nueva red social podría reportar miles de millones?

Pero estas decisiones tienen un coste en el lento crecimiento de la productividad. Aunque unos pocos en Silicon Valley y otros lugares se hicieron fabulosamente ricos, al menos parte del caos político y el malestar social experimentados en varias economías avanzadas en las últimas décadas pueden achacarse al fracaso de la tecnología para aumentar las oportunidades financieras de muchos trabajadores y empresas y expandir sectores vitales de la economía en diferentes regiones.

Algunos predican la paciencia: “Los avances tecnológicos tardan en calar en la economía… pero una vez que lo hagan, ¡cuidado!”. Probablemente sea cierto. Pero hasta ahora, el resultado es un país profundamente dividido en el que el tecnooptimismo -y la inmensa riqueza- que brota de Silicon Valley sólo parece llegar a unos pocos.

Aún es demasiado pronto para saber cómo se desarrollarán las cosas esta vez: si la IA generativa es realmente un avance único en el siglo que estimulará el retorno a los buenos tiempos financieros o si hará poco por crear una prosperidad generalizada real. Dicho de otro modo, ¿será como el aprovechamiento de la electricidad y la invención del motor eléctrico, que condujeron a un auge industrial, o más bien como los teléfonos inteligentes y las redes sociales, que han consumido nuestra conciencia colectiva sin aportar un crecimiento económico significativo?

Para que la IA, en particular los modelos generativos, tenga un mayor impacto económico que otros avances digitales de las últimas décadas, tendremos que utilizar la tecnología para transformar la productividad en toda la economía, incluso en la forma de generar nuevas ideas. Es una tarea ingente y no se hará de la noche a la mañana, pero estamos en un punto de inflexión crítico. ¿Empezamos a recorrer ese camino hacia una prosperidad ampliamente creciente, o los creadores de los avances actuales en IA siguen ignorando el vasto potencial de la tecnología para mejorar realmente nuestras vidas?

Un jarro de agua fría sobre especulaciones (exageradas)

Una serie de estudios realizados el año pasado muestran cómo la IA generativa puede aumentar la productividad de las personas que realizan diversos trabajos. Economistas de Stanford y el MIT han descubierto que quienes trabajan en centros de atención telefónica son un 14% más productivos cuando utilizan la asistencia conversacional de la IA; en particular, se produjo una mejora del 35% en el rendimiento de los trabajadores sin experiencia y poco cualificados. Otro estudio demostró que los ingenieros de software podían codificar el doble de rápido con la ayuda de la tecnología.

El año pasado, Goldman Sachs calculó que la IA generativa probablemente impulsaría el crecimiento general de la productividad en 1,5 puntos porcentuales cada año en los países desarrollados y aumentaría el PIB mundial en 7 billones de dólares en 10 años. Y algunos predicen que los efectos aparecerán pronto.

Anton Korinek, economista de la Universidad de Virginia, afirma que el crecimiento añadido aún no se ha reflejado en las cifras de productividad porque la IA generativa tarda en difundirse por toda la economía. Pero predice un aumento de la productividad estadounidense de entre el 1% y el 1,5% para el año que viene. Y si siguen produciéndose avances en los modelos de IA generativa -pensemos en ChatGPT5-, el impacto final podría ser “significativamente mayor”, afirma Korinek.

No todo el mundo es tan optimista. Daron Acemoglu, economista del MIT, afirma que sus cálculos son un “correctivo contra los que dicen que en cinco años toda la economía estadounidense se va a transformar”. En su opinión, “la IA generativa podría ser algo grande. Aún no lo sabemos. Pero si lo es, no vamos a ver efectos transformadores en 10 años: es demasiado pronto. Llevará tiempo”.

Daron Acemoglu, del MIT, calcula que cualquier aumento de la productividad derivado de la IA generativa será modesto en los próximos 10 años, y mucho menor de lo que muchos predicen.

En abril, Acemoglu publicó un artículo en el que predice que el impacto de la IA generativa en la productividad total de los factores (PTF) -la parte que refleja específicamente la contribución de la innovación y las nuevas tecnologías- será de alrededor del 0,6% en total durante 10 años, mucho menos de lo que Goldman Sachs y otros esperan. Durante décadas, el crecimiento de la productividad total de los factores ha sido lento, y Acemoglu no cree que la IA generativa vaya a invertir significativamente la tendencia, al menos a corto plazo.

Acemoglu afirma que espera un aumento relativamente modesto de la productividad de la IA generativa porque sus creadores de Big Tech se han centrado en gran medida en el uso de la IA para sustituir a las personas por la automatización y permitir la “monetización en línea” de las búsquedas y las redes sociales. Para tener un mayor impacto en la productividad, argumenta, la IA tiene que ser útil para una parte mucho más amplia de la mano de obra y relevante para más partes de la economía. Y lo que es más importante, debe utilizarse para crear nuevos tipos de empleo, no sólo para sustituir a los trabajadores.

Acemoglu sostiene que la IA generativa podría utilizarse para ampliar las capacidades de los trabajadores, por ejemplo, proporcionando datos en tiempo real e información fiable para muchos tipos de trabajos. Pensemos en un agente inteligente de IA, pero versado en los entresijos de, por ejemplo, la producción en una fábrica. Sin embargo, escribe, “estos logros seguirán siendo difíciles de alcanzar a menos que se produzca una reorientación fundamental de la industria [tecnológica], incluyendo quizás un cambio importante en la arquitectura de los modelos generativos de IA más comunes”.

Resulta tentador pensar que tal vez sea simplemente cuestión de retocar los grandes modelos de base actuales con los datos adecuados para hacerlos ampliamente útiles para diversas industrias. Pero, de hecho, tendremos que replantearnos los modelos y cómo pueden desplegarse con mayor eficacia en una gama mucho más amplia de usos.

Producir progreso

Por ejemplo, la industria manufacturera. Durante muchos años, fue una de las fuentes importantes de aumento de la productividad de la economía estadounidense. Todavía representa gran parte de la I+D del país. Y el reciente aumento de la automatización y el uso de robots industriales podría sugerir que la industria manufacturera se está volviendo más productiva, pero no ha sido así. Por razones un tanto misteriosas, la productividad en el sector manufacturero estadounidense ha sido un desastre desde 2005 aproximadamente, lo que ha desempeñado un papel destacado en la ralentización general de la productividad.

La promesa de la IA generativa para reactivar la productividad es que podría ayudar a integrar todo, desde los materiales iniciales y las opciones de diseño hasta los datos en tiempo real de los sensores integrados en los equipos de producción. Las capacidades multimodales podrían permitir a un trabajador de una fábrica, por ejemplo, hacer una foto de un problema y pedir al modelo de IA una solución basada en la imagen, el manual de funcionamiento de la empresa, las directrices normativas pertinentes y grandes cantidades de datos en tiempo real de la maquinaria.

Esa es al menos la idea.

La realidad es que los esfuerzos por implantar los modelos de base actuales en el diseño y la fabricación están en sus inicios. Según Faez Ahmed, ingeniero mecánico del MIT especializado en aprendizaje automático, el uso de la IA se ha limitado hasta ahora a “ámbitos limitados”, como la programación del mantenimiento a partir de los datos de un equipo concreto. En cambio, los modelos generativos de IA podrían, en teoría, ser útiles para todo: desde mejorar los diseños iniciales con datos reales hasta supervisar los pasos de un proceso de producción o analizar los datos de rendimiento en la fábrica.

En un artículo publicado en marzo, un equipo de economistas e ingenieros mecánicos del MIT (entre ellos Acemoglu y Ahmed) identificó numerosas oportunidades para la IA generativa en el diseño y la fabricación, antes de concluir que “las soluciones actuales [de IA generativa] no pueden lograr estos objetivos debido a varias deficiencias clave”. Entre las principales deficiencias de ChatGPT y otros modelos de IA destacan su incapacidad para suministrar información fiable, su falta de “conocimientos de dominio relevantes” y su “desconocimiento de los requisitos de las normas industriales”. Además, los modelos están mal diseñados para gestionar los problemas espaciales de las plantas de fabricación y los distintos tipos de datos creados por los equipos de producción, incluida la maquinaria antigua.

La mayor dificultad es que los modelos de IA generativa existentes carecen de los datos adecuados, afirma Ahmed. Se entrenan con datos extraídos de Internet y “tratan mucho más de gatos y perros y contenidos multimedia que de cómo se maneja realmente una máquina de torno”, afirma. “La razón por la que estos modelos funcionan relativamente mal en tareas de fabricación es que nunca han visto tareas de fabricación”.

Acceder a esos datos es complicado porque muchos de ellos están protegidos por derechos de propiedad intelectual. “Algunas personas tienen mucho miedo de que un modelo coja mis datos y se los lleve”, afirma. Un problema relacionado es que la fabricación requiere precisión y, a menudo, el cumplimiento de estrictas directrices industriales o gubernamentales. “Si los sistemas no son precisos ni fiables, es menos probable que la gente los utilice”, afirma. “Y es un problema del huevo y la gallina: porque los modelos no son precisos; porque no hay datos”.

Los investigadores del MIT abogan por una “próxima generación” de modelos de IA que se adapten a la fabricación. Pero hay un problema: crear una IA relevante para la fabricación que aproveche la potencia de los modelos de base requerirá una estrecha colaboración entre la industria y las empresas de IA, y eso es algo que aún está en fase incipiente.

La falta de avances hasta ahora, afirma Ranveer Chandra, director gerente de investigación para la industria de Microsoft Research, “no se debe a que la gente no esté interesada o que no vea el valor empresarial”. El problema es encontrar la forma de proteger los datos y garantizar que sean útiles y ofrezcan respuestas pertinentes a cuestiones concretas de fabricación.

Microsoft está siguiendo varias estrategias. Una de ellas es pedir al modelo básico que base sus respuestas en datos propiedad de la empresa, como el manual de operaciones y los datos de producción. Una alternativa mucho más difícil pero atractiva es ajustar la arquitectura subyacente del modelo para que se adapte mejor a la fabricación. Otro enfoque: los pequeños modelos de lenguaje (SLM, por sus siglas en inglés) que también pueden entrenarse específicamente con los datos de una empresa. Al ser más pequeños que los modelos básicos como el GPT-4, necesitan menos potencia de cálculo y pueden orientarse mejor a tareas de fabricación específicas.

“Pero por ahora todo esto es investigación”, dice Chandra. “¿Lo hemos resuelto? Todavía no”.

Una mina de oro de nuevas ideas

Utilizar la IA para impulsar el descubrimiento científico y la innovación podría tener el mayor impacto global en la productividad a largo plazo. Los economistas llevan mucho tiempo reconociendo que las nuevas ideas son la fuente del crecimiento a largo plazo, y la esperanza es que las nuevas herramientas de IA puedan retroalimentar la búsqueda de las mismas. Mientras que la mejora de la eficiencia de, por ejemplo, un trabajador de un centro de atención telefónica podría suponer un aumento puntual de la productividad en ese negocio, el uso de la IA para mejorar el proceso de invención de nuevas tecnologías y prácticas empresariales -para crear nuevas ideas útiles- podría conducir a un aumento duradero de la tasa de crecimiento económico, ya que reconfigura el proceso de innovación y la forma en que se realiza la investigación.

Ya hay indicios tentadores del potencial de la IA.

En particular, Google DeepMind, que define su misión como “resolver algunos de los retos científicos y de ingeniería más difíciles de nuestro tiempo”, afirma que más de 2 millones de usuarios han accedido a su sistema de IA de aprendizaje profundo para predecir el plegamiento de proteínas. Muchos fármacos se dirigen a una proteína concreta, y conocer la estructura tridimensional de esas proteínas -algo que tradicionalmente requiere minuciosos análisis de laboratorio- podría ser un paso inestimable en la creación de nuevos medicamentos. En mayo, Google lanzó AlphaFold 3, afirmando que “predice la estructura y las interacciones de todas las moléculas de la vida” para ayudar a identificar cómo varias biomoléculas se alteran entre sí, proporcionando una guía aún más poderosa para encontrar nuevos fármacos.

Los creadores de modelos de IA, entre ellos DeepMind y Microsoft Research, también están trabajando en otros problemas de biología, genómica y ciencia de materiales. La esperanza es que la IA generativa pueda ayudar a los científicos a extraer información clave de los vastos conjuntos de datos comunes en estos campos, facilitando y acelerando, por ejemplo, el descubrimiento de nuevos fármacos y materiales.

Necesitamos urgentemente ese impulso. Hace unos años, un equipo de destacados economistas escribió un artículo titulado “Are Ideas Getting Harder to Find?“ (¿Son las ideas cada vez más difíciles de encontrar?) en el que constataban que cada vez se necesitan más investigadores y más dinero para encontrar el tipo de ideas nuevas que son clave para mantener los avances tecnológicos. El problema, en términos técnicos, es que la productividad de la investigación -la producción de ideas en relación con el número de científicos- está disminuyendo rápidamente. En otras palabras, las ideas son cada vez más difíciles de encontrar. En general, hemos mantenido el ritmo incorporando más investigadores e invirtiendo más en I+D, pero en general la productividad de la investigación en Estados Unidos está en profundo declive.

Para cumplir la Ley de Moore, que predice que el número de transistores en un chip se duplicará aproximadamente cada dos años, la industria de los semiconductores necesita 18 veces más investigadores que a principios de la década de 1970. Del mismo modo, se necesitan muchos más científicos que hace unas décadas para producir aproximadamente el mismo número de nuevos medicamentos.

¿Podría la IA idear nuevos fármacos seguros y eficaces y encontrar nuevos materiales sorprendentes para la computación y la energía limpia?

 

John Van Reenen, profesor de la London School of Economics y uno de los autores del artículo, sabe que aún es demasiado pronto para ver un cambio real en los datos de productividad gracias a la IA, pero afirma: “La esperanza es que [pueda] marcar alguna diferencia”. AlphaFold es “un ejemplo” de cómo la IA puede cambiar la ciencia, dice, y “la cuestión es si esto puede pasar de anécdotas a algo más sistemático”.

La ambición no es sólo proporcionar herramientas que faciliten la vida de los científicos, como la búsqueda bibliográfica automatizada, sino que la propia IA aporte ideas científicas originales y útiles que de otro modo escaparían a los investigadores. En esa visión, la IA sueña con nuevos compuestos más eficaces y seguros que los fármacos existentes, y materiales asombrosos que amplían las posibilidades de la computación y la energía limpia. El objetivo es especialmente atractivo porque el universo de moléculas potenciales es prácticamente ilimitado. Navegar por ese espacio casi infinito y explorar el enorme número de posibilidades es lo que se le da especialmente bien al aprendizaje automático.

Pero no esperemos el momento Thomas Edison de la IA. Aunque la popularidad científica de AlphaFold ha aumentado las expectativas sobre el potencial de la IA, aún es muy pronto para convertir la investigación en productos reales, ya sean nuevos fármacos o materiales novedosos. En un análisis reciente, un equipo de científicos del MIT lo explicaba así: “Sin duda, la IA generativa ha ampliado y acelerado las primeras fases del diseño químico. Sin embargo, el éxito en el mundo real tiene lugar más adelante, donde el impacto de la IA ha sido limitado hasta ahora”.

De hecho, el proceso de convertir los intrigantes avances científicos del uso de la IA en cosas reales y útiles está aún muy en pañales.

Es un mundo material

Tal vez en ningún otro ámbito sea mayor el entusiasmo por el potencial de la IA para transformar la investigación que en el campo, a menudo descuidado, del descubrimiento de materiales. El mundo necesita desesperadamente mejores materiales. Los necesitamos para baterías y células solares más baratas y potentes, y para nuevos tipos de catalizadores que harían posibles procesos industriales más limpios; necesitamos superconductores prácticos de alta temperatura para revolucionar cómo transportamos la electricidad.

Así que cuando DeepMind dijo que había utilizado el aprendizaje profundo para descubrir unos 2,2 millones de cristales inorgánicos - incluidos unos 380.000 que se predijo que eran candidatos estables y prometedores para la síntesis real- el informe fue recibido con gran entusiasmo, especialmente en la comunidad de IA. ¡Una revolución de los materiales! Parecía una mina de oro de material nuevo. “Una expansión de orden de magnitud en materiales estables conocidos por la humanidad”, escribieron los investigadores de DeepMind en Nature. La base de datos de DeepMind, llamada GNoME (acrónimo de “graph networks for materials exploration”, redes gráficas para la exploración de materiales), es “equivalente a 800 años de conocimiento”, según el comunicado de prensa de la empresa.

Pero en los meses posteriores a la publicación del artículo, algunos investigadores rebatieron la exageración. Científicos de materiales de la Universidad de California en Santa Bárbara publicaron un artículo en el que afirmaban haber encontrado “escasas pruebas” de que alguna de las estructuras de la base de datos de DeepMind cumpliera la “triplete de novedad, credibilidad y utilidad”.

Para algunos encargados de encontrar nuevos materiales, las enormes bases de datos de posibles cristales inorgánicos, muchos de los cuales pueden no ser lo suficientemente estables como para existir realmente, parecen una distracción. “Si nos bombardean con 400.000 nuevos materiales y ni siquiera sabemos cuál de ellos es realista, entonces no sabemos cuál de ellos será bueno para una batería o un catalizador o lo que sea que se quiera hacer con ellos. Entonces esta información no es útil”, afirma Leslie Schoop, química de Princeton coautora de un artículo que describe los retos de utilizar la automatización y la IA en el descubrimiento y la síntesis de materiales.

Para ser claros, esto no significa que la IA no vaya a ser importante en la ciencia de los materiales y la química. Incluso sus detractores se muestran entusiasmados con las posibilidades a largo plazo. Pero las críticas apuntan a lo pronto que estamos en el uso de la IA para abordar la abrumadora tarea del descubrimiento de materiales y convertirla en una herramienta fiable para encontrar nuevos compuestos que sean mejores que los existentes.

Fabricar y probar cualquier posible nuevo material es extremadamente caro y lleva mucho tiempo. Lo que realmente necesitan los investigadores industriales son pistas fiables que apunten a materiales previsiblemente estables, que puedan sintetizarse y que probablemente tengan propiedades intrigantes, como ser baratos de fabricar.

La base de datos GNoME probablemente incluye compuestos interesantes, dicen sus creadores científicos de DeepMind. Pero reconocen que es solo un paso preliminar para demostrar cómo la IA podría ayudar en el descubrimiento de materiales. Queda mucho trabajo por hacer para ampliar su utilidad.

Ekin Dogus Cubuk, investigador científico de Google y coautor del artículo de Nature, describe el trabajo del que informa como un avance en la predicción de un gran número de posibles cristales inorgánicos que son estables, basándose en cálculos de mecánica cuántica, en el cero absoluto, donde el movimiento atómico se detiene. Estas predicciones podrían ser útiles para quienes realizan simulaciones computacionales de nuevos materiales, una fase muy temprana del descubrimiento de materiales.

Pero el aprendizaje automático aún no se ha utilizado para predecir cristales estables a temperatura ambiente. Una vez conseguido esto, el objetivo es utilizar la IA para predecir cómo se pueden sintetizar las estructuras en el laboratorio y, finalmente, cómo fabricarlas a mayor escala. Todo esto debe hacerse antes de que el aprendizaje automático pueda transformar realmente el largo y costoso proceso de obtención de nuevos materiales, afirma.

Para quienes esperan que los modelos de IA puedan impulsar la productividad económica transformando la ciencia, una lección está clara: hay que tener paciencia. Estos avances científicos podrían tener repercusiones algún día. Pero llevará tiempo, probablemente décadas.

La paradoja de Solow

Como vicepresidente senior de Investigación, Tecnología y Sociedad de Google, James Manyika es un entusiasta del enorme potencial de la IA para transformar la economía. Pero está lejos de ser un animador descarado, consciente de las lecciones extraídas de sus años de estudio sobre cómo las tecnologías afectan a la productividad.

Antes de incorporarse a Google en 2022, Manyika pasó varias décadas como consultor, investigador y, finalmente, presidente del McKinsey Global Institute, la rama de investigación económica del gigante de la consultoría. En McKinsey se convirtió en una autoridad en la relación entre tecnología y crecimiento económico, y cuenta con Robert Solow -el economista del MIT que ganó el Premio Nobel en 1987 por explicar cómo los avances tecnológicos son la principal fuente de crecimiento de la productividad- como uno de sus primeros mentores.

Una de las enseñanzas de Solow, fallecido a finales del año pasado a los 99 años, es que incluso las tecnologías más potentes pueden tardar en influir en el crecimiento económico. En 1987, Solow bromeó: “La era informática se ve en todas partes menos en las estadísticas de productividad”. En aquel momento, la tecnología de la información estaba experimentando una revolución, más visible con la introducción del ordenador personal. Sin embargo, la productividad, medida por los economistas, era lenta. Esto se conoció como la paradoja de Solow. No fue hasta finales de la década de 1990, décadas después del nacimiento de la era informática, cuando el crecimiento de la productividad empezó por fin a repuntar.

La historia ha enseñado a Manyika a ser cauto a la hora de predecir cómo y cuándo la economía en general sentirá el impacto de la IA generativa. “No tengo un marco temporal”, afirma. “Las estimaciones [de aumento de la productividad] suelen ser espectacularmente grandes, pero cuando se trata de una cuestión de marco temporal, digo: 'Depende'“.

En concreto, depende de lo que los economistas llaman “el ritmo de difusión”, es decir, la rapidez con que los usuarios adoptan la tecnología tanto dentro de los sectores como entre ellos. También depende de la capacidad de los distintos usuarios, especialmente las empresas de los sectores más grandes de la economía, para “[reorganizar] funciones, tareas y procesos para sacar partido de la tecnología” y hacer que sus operaciones y trabajadores sean más productivos. Sin esas piezas, nos quedaremos atascados en el país de la paradoja de Solow, explica Manyika.

“La tecnología puede hacer lo que quiera, pero no importa desde el punto de vista de la productividad laboral”, afirma, ya que su mano de obra es relativamente pequeña. “Tienen que producirse cambios en los sectores más grandes antes de que podamos empezar a ver aumentos de productividad a nivel de la economía”.

A finales del año pasado, Manyika coescribió un artículo en Foreign Affairs con Michael Spence, Premio Nobel de Economía en 2001, titulado “The Coming AI Economic Revolution; Can Artificial Intelligence Reverse the Productivity Slowdown?” (La revolución económica de la IA: ¿puede la inteligencia artificial invertir la ralentización de la productividad?) En él, los autores ofrecían una respuesta decididamente optimista, aunque prudente.

“A principios de la próxima década, el cambio a la IA podría convertirse en uno de los principales motores de la prosperidad mundial”, escribían, porque tiene el potencial de afectar a “casi todos los aspectos de la actividad humana y económica”. Y añadían: “Si se pueden aprovechar estas innovaciones, la IA podría invertir los descensos a largo plazo en el crecimiento de la productividad a los que se enfrentan actualmente muchas economías avanzadas.” Pero es un gran “si”, reconocieron, diciendo que “no sucederá por sí solo” y requerirá “políticas positivas que fomenten los usos más productivos de la IA.”

James Manyika, de Google, afirma que el impacto de la IA en la economía es potencialmente enorme, pero dependerá de la rapidez con que los usuarios empresariales adopten y desplieguen la tecnología.

El llamamiento a la adopción de políticas es un reconocimiento de la inmensa tarea que tenemos por delante y de que ni siquiera empresas gigantes de IA como Google pueden hacerlo solas. Harán falta inversiones generalizadas en infraestructuras e innovaciones adicionales por parte de gobiernos y empresas.

Empresas que van desde pequeñas startups a grandes corporaciones tendrán que tomar los modelos básicos, como Gemini de Google, y “adaptarlos a sus propias aplicaciones en sus propios entornos”, dice Manyika. En algunos casos, dice, Google ha formado parte de la adaptación, “porque es interesante para nosotros”.

Por ejemplo, Google lanzó Med-Gemini en mayo, utilizando las capacidades multimodales de su modelo de base para ayudar en una amplia gama de tareas médicas, incluida la toma de decisiones diagnósticas basadas en imágenes, vídeos de cirugías e información de los historiales médicos electrónicos. Ahora, dice Manyika, corresponde a los profesionales de la salud y a los investigadores “pensar cómo aplicar esto, porque no estamos en el negocio de la atención sanitaria en ese sentido”. Pero, dice, “les está dando un buen comienzo”.

Pero ahí radica el gran reto de cara al futuro si queremos que la IA transforme la economía.

A pesar de la fanfarria que rodea a la IA generativa y de los miles de millones de dólares que fluyen hacia las startups en torno a esta tecnología, la velocidad de su difusión en el mundo empresarial no es muy alentadora. Según una encuesta realizada a miles de empresas por la Oficina del Censo de EE.UU., publicada en marzo, la proporción de empresas que utilizan IA pasó de alrededor del 3,7% en septiembre de 2023 al 5,4% este mes de febrero, y se espera que alcance alrededor del 6,6% a finales de año. La mayor parte de esta adopción se ha producido en sectores como finanzas y tecnología. Industrias como la construcción y la manufactura están prácticamente intactas. La principal razón de esta falta de interés es lo que la mayoría de las empresas consideran la “inaplicabilidad” de la IA a su negocio.

Para muchas empresas, sobre todo las pequeñas, sigue siendo necesario un enorme acto de fe para apostar por la IA e invertir el dinero y el tiempo necesarios para reorganizar las funciones empresariales en torno a ella. Además de no ver ningún valor en la tecnología, muchos líderes empresariales tienen dudas constantes sobre la fiabilidad de los modelos generativos de IA: las alucinaciones son una cosa en la sala de chat, pero otra muy distinta en la planta de fabricación o en las urgencias de un hospital. También les preocupa la privacidad de los datos y la seguridad de la información confidencial. Sin modelos de IA más adaptados a las necesidades de las distintas empresas, es probable que muchas se queden al margen.

Mientras tanto, Silicon Valley y las grandes tecnológicas están obsesionadas con los agentes inteligentes y con los vídeos creados por la IA generativa; se están amasando fortunas individuales y empresariales con la promesa de generar más y más contenido para los teléfonos inteligentes y las búsquedas en Internet. Como a principios de la década de 2010, gran parte del resto de la economía se está quedando al margen. No se están beneficiando ni de las recompensas financieras de la tecnología ni de su capacidad para ampliar grandes sectores y hacerlos más productivos.

Tal vez sea demasiado esperar que las grandes tecnológicas cambien, que de repente se preocupen por utilizar su enorme poder en beneficio de sectores como el manufacturero. Al fin y al cabo, las Big Techs son como son.

Y no será fácil para las empresas de IA replantearse sus enormes modelos de cimentación para este tipo de problemas del mundo real. Tendrán que comprometerse con expertos industriales de una amplia variedad de sectores y responder a sus necesidades. Pero la realidad es que las grandes empresas de IA son las únicas organizaciones con la enorme potencia computacional para ejecutar los modelos básicos actuales y el talento para inventar las próximas generaciones de la tecnología.

Les guste o no, al dominar este campo han asumido la responsabilidad sobre la amplia gama de aplicaciones. Si asumirán esa responsabilidad en beneficio de todos nosotros o (una vez más) la ignorarán por el canto de sirena de la acumulación de riqueza, es algo que acabará revelándose, quizá inicialmente en esas cifras trimestrales, a menudo casi indescifrables, del sitio web de la Oficina de Estadísticas Laborales de Estados Unidos.