The New Yorker: El dilema de la rentabilidad y las lecciones históricas de la inteligencia artificial Autor: John Cassidy En un artículo de 1987 publicado en *The Times Book Review*, el premio Nobel de Economía Robert Solow, del MIT, comentó: «La era de la informática está en todas partes, excepto en las estadísticas de productividad». A pesar del rápido aumento de la potencia informática y la creciente popularidad de los ordenadores personales, los datos gubernamentales mostraban que un indicador clave de los salarios y el nivel de vida —la producción total por trabajador— se había estancado durante más de una década. Esto se conoció como la «paradoja de la productividad». Esta paradoja persistió durante la década de 1990 y más allá, generando un intenso debate en la investigación académica. Algunos economistas la atribuyeron a una mala gestión de las nuevas tecnologías; otros argumentaron que la importancia económica de los ordenadores palidecía en comparación con inventos anteriores como la máquina de vapor y la electricidad; otros, en cambio, la achacaron a errores estadísticos, creyendo que la paradoja desaparecería una vez corregida. Casi cuarenta años después de la publicación del artículo de Solow y casi tres años después del lanzamiento del chatbot ChatGPT de OpenAI, podríamos estar ante una nueva paradoja económica, esta vez centrada en la inteligencia artificial generativa. Según una encuesta reciente realizada por economistas de la Universidad de Stanford, la Universidad de Clemson y el Banco Mundial, casi la mitad de la fuerza laboral (el 45,6%, para ser exactos) utilizaba herramientas de IA en junio y julio de este año. Sin embargo, un nuevo estudio de un equipo del MIT Media Lab revela un resultado sorprendente: «A pesar de que las empresas invirtieron entre 30.000 y 40.000 millones de dólares en IA generativa, este informe constató que el 95% de las organizaciones no obtuvieron ningún retorno de la inversión». Los autores del estudio revisaron más de 300 proyectos y anuncios de IA disponibles públicamente y entrevistaron a más de 50 ejecutivos de empresas. Su definición de una "inversión exitosa en IA" fue aquella que ha superado la fase piloto y se ha implementado en la práctica, generando retornos financieros cuantificables o aumentos significativos de productividad seis meses después. Escribieron: "Solo el 5 % de los proyectos piloto de IA integrados con éxito generan millones de dólares en valor, mientras que la gran mayoría permanece estancada, sin ningún impacto cuantificable en el estado de resultados". La investigación suscitó diversas respuestas, algunas cargadas de escepticismo. «En LinkedIn se habla mucho de ello, como si todo hubiera cambiado, pero en nuestra práctica, los fundamentos siguen siendo los mismos», declaró a los investigadores el director de operaciones de una empresa manufacturera mediana. «Estamos tramitando los contratos un poco más rápido, pero nada más». Otro participante comentó: «Hemos visto decenas de demostraciones este año. Quizá una o dos sean realmente útiles. El resto son meros “envoltorios” (que simplemente empaquetan tecnología existente sin verdadera innovación) o “proyectos científicos” (exploraciones tecnológicas alejadas de cualquier aplicación comercial práctica)». Para ser justos, el informe también señala que algunas empresas han realizado inversiones exitosas en IA. Por ejemplo, destaca las mejoras en la eficiencia generadas por herramientas personalizadas para las operaciones administrativas, señalando que «estos primeros resultados demuestran que los sistemas con capacidad de aprendizaje pueden aportar un valor real, incluso sin una reestructuración organizativa importante, si se adaptan a procesos específicos». El estudio también menciona empresas que reportan «una mayor retención de clientes y mejores tasas de conversión de ventas gracias a la automatización de la comunicación y los sistemas inteligentes de seguimiento», lo que sugiere que los sistemas de IA pueden ser útiles para el marketing. Sin embargo, la opinión de que "muchas empresas tienen dificultades para obtener beneficios sustanciales" coincide con otra encuesta reciente realizada por la consultora multinacional Akkodis. Tras contactar con más de dos mil ejecutivos, la firma descubrió que el porcentaje de directores generales que confiaban plenamente en la estrategia de implementación de IA de su empresa se ha desplomado del 82 % en 2024 al 49 % este año. La confianza entre los directores de tecnología también ha disminuido, aunque no tan drásticamente. La encuesta de Akkodis afirma que estos cambios "podrían reflejar resultados decepcionantes en proyectos anteriores de digitalización o IA, retrasos o fracasos en la implementación y preocupaciones sobre la escalabilidad". La cobertura mediática de la semana pasada sobre la investigación del MIT Media Lab coincidió con una caída en el precio de acciones de empresas de IA de alto valor, como Nvidia, Meta y Palantir. Por supuesto, correlación no implica causalidad, y los recientes comentarios del CEO de OpenAI, Sam Altman, podrían haber influido significativamente en esta liquidación (dado el reciente aumento de precios, era inevitable). Según CNBC, Altman afirmó en una cena con periodistas que las valoraciones actuales son "una locura", y utilizó la palabra "burbuja" tres veces en 15 segundos. Sin embargo, el estudio del MIT atrajo mucha atención. Tras la primera oleada de cobertura mediática, surgieron informes de que el Media Lab, vinculado a numerosas empresas tecnológicas, estaba restringiendo discretamente el acceso al informe. Mis mensajes a la oficina de relaciones públicas de la organización y a los dos autores del informe quedaron sin respuesta. Aunque este informe es más matizado de lo que sugieren algunas noticias, sin duda cuestiona la gran narrativa económica que ha sustentado el auge tecnológico desde que OpenAI lanzó ChatGPT en noviembre de 2022. La versión simplificada de esta narrativa es que la adopción generalizada de la IA generativa es perjudicial para los trabajadores (especialmente los trabajadores del conocimiento) pero extremadamente beneficiosa para las empresas y sus accionistas, ya que conducirá a un salto masivo en la productividad y, por lo tanto, a ganancias sustanciales. ¿Por qué este escenario aún no se ha materializado? Una posible razón recuerda a la visión de los años 80 y 90 de que la mala gestión limita las ganancias de productividad de las computadoras. Un estudio del Media Lab reveló que algunas de las inversiones más exitosas en IA fueron realizadas por startups que utilizaban herramientas altamente personalizadas en ámbitos específicos de flujos de trabajo. Por otro lado, las startups menos exitosas se dedican a crear herramientas de propósito general o a desarrollar capacidades internamente. El informe señala, en términos más generales, que la diferencia entre el éxito y el fracaso no parece deberse a la calidad del modelo ni a la regulación, sino más bien a la metodología de implementación. Es comprensible que la novedad y la complejidad de la IA generativa puedan disuadir a algunas empresas. Un estudio reciente de la consultora Gartner reveló que menos de la mitad de los directores ejecutivos creían que sus directores de informática eran expertos en IA. Pero existe otra posible explicación para los decepcionantes resultados que destaca el informe de Media Lab: para muchas empresas consolidadas, la IA generativa (al menos en su forma actual) simplemente no es tan milagrosa como se anuncia. «Es excelente para generar ideas y redactar, pero no recuerda las preferencias del cliente ni aprende de los editores anteriores», comentó un participante en la encuesta de Media Lab. «Repite los mismos errores y cada sesión requiere mucho contexto. Para trabajos de alto riesgo, necesito un sistema que pueda acumular conocimiento y mejorar continuamente». Por supuesto, muchas personas consideran útil la IA, y existen estudios académicos que lo respaldan: en 2023, dos economistas del MIT descubrieron que, en un ensayo aleatorizado, los participantes que utilizaron ChatGPT completaron tareas de redacción profesional más rápido y con mayor calidad. Ese mismo año, otros equipos de investigación también hallaron que los programadores que usaban Copilot de GitHub (un asistente de programación con IA) y los agentes de atención al cliente que utilizaban herramientas de IA propias experimentaron una mayor productividad. Investigadores del Media Lab descubrieron que muchos empleados utilizan sus herramientas personales, como GPT o Claude, en el trabajo; el informe denomina a este fenómeno la «economía paralela de la IA» y señala que su retorno de la inversión (ROI) suele superar al de los proyectos patrocinados por las empresas. Sin embargo, la pregunta persiste, y es una que probablemente los ejecutivos se plantearán con mayor frecuencia: ¿Por qué no se traducen estos beneficios en ganancias corporativas para más empresas? Parte del problema radica en que, si bien la IA generativa resulta atractiva, su aplicación es limitada en muchos sectores de la economía. El sector del ocio y la hostelería, el comercio minorista, la construcción, el sector inmobiliario y el sector de los cuidados (a niños, ancianos o personas con discapacidad) —que en conjunto dan empleo a unos 50 millones de estadounidenses— no parecen ser candidatos directos para la transformación mediante IA. Otro punto clave a destacar es que la adopción generalizada de la IA en la economía probablemente sea un proceso largo. En Silicon Valley, existe una marcada tendencia a "actuar rápido y arriesgarse". Sin embargo, la historia económica nos enseña que incluso las tecnologías más transformadoras —lo que los economistas denominan "tecnologías de propósito general"— solo pueden alcanzar su máximo potencial una vez que se desarrollan la infraestructura, las habilidades y los productos necesarios. Y esto puede ser un proceso prolongado. El inventor escocés James Watt inventó su máquina de vapor cilíndrica en 1769. Treinta años después, la mayoría de las fábricas de algodón en Gran Bretaña aún funcionaban con ruedas hidráulicas, en parte debido a la dificultad de transportar carbón para las máquinas de vapor. Esto no cambió hasta principios del siglo XIX con el desarrollo de las locomotoras de vapor. La adopción de la electricidad también fue lenta, y no condujo de inmediato a un crecimiento generalizado de la productividad en toda la economía. Como señala Solow, el desarrollo de las computadoras ha seguido el mismo patrón. (Entre 1996 y 2003, el crecimiento general de la productividad en la economía estadounidense finalmente se aceleró, lo que muchos economistas atribuyeron a los efectos retardados de la tecnología de la información. Pero posteriormente, la tasa de crecimiento disminuyó). Los economistas argumentan que, en algunos casos, las nuevas tecnologías pueden incluso reducir el crecimiento de la productividad, ya que son disruptivas y difíciles de integrar en las prácticas laborales existentes. Las ganancias de productividad pueden manifestarse más tarde, un patrón conocido como la "curva J" (que se refiere a la disminución inicial de la productividad durante la adopción de una nueva tecnología, debido a los altos costos, el tiempo de adaptación y la reingeniería de procesos; posteriormente, a medida que la tecnología madura y la infraestructura de apoyo mejora, la productividad aumenta rápidamente, formando la parte ascendente de la J). A principios de este año, cuatro economistas de diferentes instituciones publicaron un artículo en el que argumentaban que la industria manufacturera estadounidense podría encontrarse actualmente en la fase descendente de la "curva J" de la IA. Tras recopilar datos sobre la adopción de IA a nivel empresarial en colaboración con la Oficina del Censo, los economistas afirmaron haber encontrado evidencia de que "las pérdidas de rendimiento a corto plazo preceden a las ganancias a largo plazo". Una de las autoras del estudio, la profesora Kristina McElheran de la Universidad de Toronto, escribió en un artículo relacionado publicado en la MIT Sloan School of Management: "La IA no es plug-and-play. Requiere un cambio sistémico, y este proceso introducirá fricción, especialmente para las empresas establecidas". A primera vista, este argumento parece optimista para las empresas, aunque no necesariamente para los trabajadores cuyas habilidades pueden ser replicadas por la IA. (Como ya han descubierto algunos programadores novatos, estos últimos tienen motivos de sobra para ser cautelosos). En la curva en J de la tecnología, la productividad se dispara una vez superada la "fricción". Pero dado que el camino a lo largo de la curva puede ser largo, es difícil predecir quiénes serán los ganadores y los perdedores. En la ola de comercialización de internet, muchos de los grandes triunfadores no surgieron hasta después del estallido de la burbuja puntocom en el año 2000. (Google se fundó en 1998, pero no salió a bolsa hasta 2004. Facebook no se fundó hasta 2004, y Airbnb no lo hizo hasta 2008). La historia no tiene por qué repetirse. Pero para aquellos inversores que aún se benefician de la IA, liquidar parte de sus participaciones ahora podría ser una decisión acertada.
Fuenewyorker.com/news/the-finan…Pe7HI