foto: ARUN SANKAR/AFP VIA GETTY IMAGES
Es posible que la IA vaya camino de superar la inteligencia humana, así que debemos estar preparados
La inteligencia artificial (IA) avanza a gran velocidad, y el ritmo de progreso se ha acelerado en los últimos años. Tras su lanzamiento en noviembre de 2022, ChatGPT sorprendió a los usuarios al generar texto y código de calidad humana, traducir idiomas con fluidez, escribir contenido creativo y contestar preguntas de manera informativa, todo ello a un nivel nunca visto.
No obstante, los modelos fundacionales en los que se basa la IA generativa llevan más de una década avanzando a toda velocidad, alejados de los focos. Durante los últimos diez años, la cantidad de recursos computacionales que se viene utilizando para entrenar los sistemas de IA de vanguardia se ha duplicado cada seis meses. Lo que los principales modelos generativos son capaces de hacer hoy en día era impensable hace tan solo unos años: pueden generar aumentos sustanciales de la productividad de los consultores más reconocidos del mundo, de los programadores e incluso de los economistas (Korinek, 2023).
A raíz de los recientes avances de la inteligencia artificial, algunos de los principales investigadores han pronosticado que el ritmo de progreso actual puede no solo mantenerse, sino incluso acelerarse en los próximos años. En mayo de 2023, Geoffrey Hinton, el informático que sentó las bases teóricas del aprendizaje profundo, describió un cambio significativo en su punto de vista: “Repentinamente he cambiado de opinión sobre si estas cosas van a ser más inteligentes que nosotros”. Especuló que la inteligencia artificial general (IAG) —una IA capaz de comprender, aprender y llevar a cabo cualquier tarea intelectual que puede realizar un ser humano— puede ser una realidad en un plazo de entre 5 y 20 años.
Algunos investigadores de la IA son escépticos. Esta divergencia de opiniones es reflejo de la enorme incertidumbre que existe sobre la velocidad de los avances en el futuro y sobre si estos van a acelerarse o acabarán estancándose. También es mucha la incertidumbre sobre las consecuencias económicas más generales de los avances de la IA y la relación entre beneficios y perjuicios potenciales de aplicaciones de IA que son cada vez más sofisticadas.
En un plano elemental, la incertidumbre también está relacionada con interrogantes trascendentales sobre la naturaleza de la inteligencia y las capacidades del cerebro humano. En el gráfico 1 se muestran dos perspectivas opuestas sobre la distribución en función de la complejidad de las tareas laborales que el cerebro humano puede llevar a cabo.
En el panel 1 se ilustra la teoría que sostiene que la capacidad del cerebro humano para resolver tareas cada vez más complejas es ilimitada. Esto concuerda con nuestra experiencia económica desde la Revolución Industrial: a medida que la frontera de la automatización avanza, los seres humanos han automatizado tareas sencillas (tanto mecánicas como cognitivas) y reasignado trabajadores para que realicen una parte mayor de las tareas más complejas restantes; es decir, se han desplazado a la cola derecha de la distribución de complejidad ilustrada en el gráfico. Una extrapolación directa sugeriría que este proceso continuará a medida que la IA avance y permita automatizar un número creciente de tareas cognitivas.
Otro punto de vista, que se muestra en el panel 2 del gráfico 1, sostiene que la complejidad de las tareas que puede realizar el cerebro humano tiene un límite. La teoría del procesamiento de la información equipara el cerebro humano a una entidad computacional, que procesa constantemente infinidad de datos. El cerebro recibe información (inputs) en forma de estímulos sensoriales —imágenes, sonidos y sensaciones táctiles, entre otros— y sus respuestas (outputs) adoptan la forma de acciones físicas, pensamientos y respuestas emocionales. Incluso las dimensiones complejas que nos hacen humanos, como las emociones, la creatividad y la intuición, pueden considerarse outputs computacionales, derivados de las intrincadas interacciones de los circuitos neuronales y las reacciones bioquímicas. Aunque estos procesos son muy elaborados y complejos, y no podemos entenderlos en toda su extensión, esta teoría sugiere que existe un límite máximo para la complejidad de las tareas que puede realizar el cerebro humano.
Estas dos perspectivas tienen implicaciones radicalmente distintas en lo que respecta al alcance que la automatización puede llegar a tener en el futuro. En 2023, el cerebro humano es el dispositivo computacional más avanzado en lo que se refiere a la capacidad de realizar con solvencia una amplia gama de tareas intelectuales. Sin embargo, si la segunda de las teorías presentadas resulta ser la correcta, los sistemas modernos de IA van a reducir esa brecha rápidamente. De hecho, muchas mediciones de la complejidad computacional de los modelos fundacionales más avanzados ya se acercan a las del cerebro humano. La complejidad computacional del cerebro humano está condicionada por la biología, y su capacidad para transmitir información a otras entidades inteligentes (humanas o de IA) está limitada por la reducida velocidad a la que nuestros sentidos y nuestro lenguaje transmiten la información. En cambio, los sistemas de IA continúan avanzando rápidamente y pueden intercambiar información a velocidades notablemente superiores.
Hace mucho tiempo que los economistas constataron que la mejor forma de afrontar la incertidumbre es utilizar un método de cartera. Dadas las previsiones absolutamente dispares de expertos de renombre mundial sobre el progreso de la IA de ahora en adelante, sería poco inteligente poner todos los huevos en la misma cesta y formular planes económicos para un único escenario. La incertidumbre sobre lo que nos deparará el futuro debería convencernos, en cambio, de la necesidad de cubrir nuestras apuestas y analizar con sumo cuidado una serie de distintos escenarios que podrían materializarse, desde el mantenimiento del statu quo hasta las posibilidades de la IAG. Además de hacer justicia al nivel de incertidumbre actual, la planificación de escenarios hace tangibles las oportunidades y los riesgos potenciales y nos ayuda a elaborar planes de contingencia y a estar preparados para los múltiples desenlaces posibles.
A continuación se presentan tres escenarios de la evolución tecnológica que abarcan una amplia variedad de posibles desenlaces a los que las autoridades deberían prestar atención:
Escenario I (tradicional, statu quo). Los avances de la IA impulsan la productividad y permiten automatizar una serie de tareas laborales cognitivas, pero también crean nuevas oportunidades para que los trabajadores afectados se desplacen a nuevos empleos que son, en promedio, más productivos que aquellos de los que se han visto desplazados. Esta perspectiva se refleja en el panel 1 del gráfico 1.
Escenario II (base, IAG en el plazo de 20 años). A lo largo de los próximos 20 años, la IA avanza progresivamente hasta convertirse en IAG, de modo que es capaz de realizar todas las tareas laborales humanas para el final del período, devaluando el factor trabajo (Susskind, de próxima publicación). Este escenario se corresponde con la teoría de la capacidad cerebral finita que se ilustra en el panel 2 del gráfico 1, junto con el supuesto de que las tareas cognitivas más complejas tardarán 20 años en ser asequibles para la IA.
Escenario III (agresivo, IAG en el plazo de cinco años). Este escenario es como el escenario II, pero con un calendario más agresivo, ya que la IAG y todas sus consecuencias en el ámbito laboral se alcanzarían en el plazo de cinco años.
Si bien no tengo ninguna certeza en el momento de redactar este artículo, estimo que cada uno de estos escenarios tiene una probabilidad de materializarse superior al 10%. Considero que para tener en cuenta la incertidumbre y prepararse debidamente para el futuro, las autoridades deberían tomar en serio los tres escenarios, someter los marcos de política económica y financiera a pruebas de tensión para cada uno de ellos y, cuando sea necesario, reformar dichos marcos para garantizar su adecuación.
Los tres escenarios presentados pueden dar lugar a resultados económicos notablemente distintos reflejados en una amplia gama de indicadores, como el crecimiento económico, los salarios y los rendimientos del capital, la sostenibilidad fiscal, la desigualdad y la estabilidad política. Además, hacen necesarias reformas de nuestras redes de seguridad social y nuestros sistemas tributarios y afectan la ejecución de la política monetaria, la regulación financiera y las estrategias industrial y de desarrollo.
En Korinek y Suh (2023) se analizan las consecuencias de los escenarios descritos para el producto y los salarios en un modelo macroeconómico convencional de automatización. Los resultados correspondientes a los tres escenarios se ilustran en el gráfico 2; la trayectoria del producto para cada escenario se muestra en el lado izquierdo y la trayectoria de los salarios del mercado competitivo, en el derecho.
Hay tres observaciones que llaman especialmente la atención:
En primer lugar, mientras que en el escenario conservador de mantenimiento del statu quo el crecimiento sigue la misma trayectoria que hemos observado en las últimas décadas, en los dos escenarios de IAG el crecimiento del PIB es mucho más rápido, y la escasez de mano de obra deja de ser un factor limitante del producto.
En segundo lugar, los salarios suben en un primer momento en los tres escenarios, pero solo mientras la mano de obra sigue siendo escasa. Luego se desploman cuando la economía se acerca al escenario de IAG.
En tercer lugar, el despegue del producto y el desplome de los salarios en los dos escenarios de IAG están impulsados por la misma fuerza: la sustitución de la mano de obra escasa por máquinas comparativamente más abundantes. Esto sugiere que debería ser posible diseñar instituciones que compensen a los trabajadores por sus pérdidas de ingreso y velen por que los beneficios de la IAG conduzcan a una prosperidad compartida.
El gráfico 2 ilustra a grandes rasgos los efectos que unos cambios tecnológicos sin precedentes pueden tener sobre la macroeconomía, pero debe entenderse como una ilustración de las posibilidades y no como una predicción precisa. La lista de salvedades aplicables es larga. Para empezar, el modelo en el que se basa el gráfico se aplica a una economía eficiente en la que el factor trabajo obtiene rendimientos competitivos. Una serie de factores puede ralentizar la implantación de la IAG con respecto al ritmo tecnológicamente posible, desde las fricciones organizativas, la regulación y las restricciones a la acumulación de capital —como los cuellos de botella en las cadenas de suministro de semiconductores— hasta las decisiones sobre la aplicación de la IAG adoptadas por las sociedades. Incluso si tecnológicamente es posible sustituir a los trabajadores, las sociedades pueden optar por que determinadas funciones sigan desempeñándolas personas, por ejemplo, sacerdotes, jueces o legisladores. Los empleos “nostálgicos” resultantes podrían sostener la demanda de mano de obra humana para siempre (Korinek y Juelfs, de próxima publicación).
Para determinar a cuál de los escenarios sobre el desarrollo de la IA se va pareciendo más el futuro, las autoridades deberían hacer un seguimiento de los indicadores anticipados en múltiples ámbitos, teniendo en consideración que todos los intentos de predecir el ritmo del progreso se enfrentan a una enorme incertidumbre. Entre los indicadores útiles para ello cabe citar las pruebas de rendimiento de las tecnologías, los niveles de inversión en desarrollo de la IA, la adopción de tecnologías de IA en toda la economía y las tendencias macroeconómicas y del mercado de trabajo resultantes. Las pruebas de rendimiento de las tecnologías ofrecen la medición más directa del grado de eficacia de los sistemas de IA a la hora de realizar una amplia variedad de tareas laborales. Los niveles de inversión, en particular la inversión en investigación y desarrollo, en talento y en semiconductores, reflejan qué parte de nuestros recursos se está dedicando al desarrollo de la IA. Los indicadores del aumento de la adopción de la IA en todos los sectores de la economía reflejarían si los sistemas resultantes se están utilizando para fines útiles en la práctica. Por último, las consecuencias macroeconómicas saldrían a relucir en algún momento en las estadísticas de productividad y las tendencias del mercado de trabajo.
Realizar un seguimiento de estos indicios complementarios permite a las autoridades adaptar las políticas de respuesta a las realidades de la IA a medida que se manifiestan. Sin embargo, debemos seguir siendo humildes, es probable que el futuro nos sorprenda.
Las trayectorias económicas claramente distintas implícitas en los tres escenarios descritos ponen de manifiesto la importancia de establecer marcos de políticas adaptativos que puedan reaccionar de manera ágil a medida que el futuro avance. Las autoridades deberían someter a las instituciones existentes a pruebas de tensión para cada escenario y reformarlas cuando sea necesario para garantizar su resiliencia. Esto puede hacerse mediante medidas graduales, como la reforma de los sistemas tributarios y la ampliación de las redes de protección social, o mediante programas nuevos, como la introducción de un ingreso básico de pequeña cuantía que pueda incrementarse cuando sea necesario.
Las autoridades deberían encomendar a equipos de expertos la planificación iterativa de escenarios para que les ayuden a actualizar regularmente su punto de vista sobre la evolución de las probabilidades de que se materialicen los distintos escenarios. Asumir la incertidumbre mediante un enfoque adaptable y basado en escenarios nos permitirá maximizar los beneficios y mitigar los riesgos que la evolución continua de la IA puede deparar para la economía.
ANTON KORINEK es profesor en el Departamento de Economía y la Escuela de Negocios Darden de la Universidad de Virginia. Es el director de Economía de la IA en el Centro para la Gobernanza de la IA, investigador asociado en la Oficina Nacional de Investigación Económica e investigador del Centro de Investigación en Economía y Política.
Korinek, Anton. 2023. Generative AI for Economic Research: Use Cases and Implications for Economists. Journal of Economic Literature 2023, 61(4).
Korinek, Anton, and Megan Juelfs. Forthcoming. “Preparing for the (Non-existent?) Future of Work.” Oxford Handbook of AI Governance. Oxford, UK: Oxford University Press.
Korinek, Anton, and Donghyun Suh. 2023. “Scenarios for the Transition to AGI.” University of Virginia working paper, Charlottesville, VA.
Susskind, Daniel. Forthcoming. “Technological Unemployment.” Oxford Handbook of AI Governance. Oxford, UK: Oxford University Press.
© 2026 Fondo Monetario Internacional. Todos los derechos reservados.
