 La economía de la inteligencia artificial (IA) La nueva economía |
Los retos La IA tiene el potencial de transformar la economía mundial, pero también presenta una serie de retos. Es importante que los gobiernos y las empresas trabajen juntos para aprovechar las oportunidades económicas de la IA y atenuar los desafíos. Los países tienen la obligación de adoptar políticas que apoyen la inversión en IA, la capacitación de los ciudadanos y la protección de la privacidad. Las empresas, por su parte, podrían concertar prácticas responsables de IA, como garantizar que la gente sea tratada de modo justo y que los datos personales se utilicen de manera ética. En última instancia, el éxito de la IA dependerá de cómo la sociedad la gestione. Si la IA se utiliza de forma responsable, tiene el potencial de crear un futuro más próspero y equitativo para todos. Francisco José Contreras Márquez |
La economía de la inteligencia artificial (IA)
Introducción
“In other words, the problem that is usually being visualized is how capitalism administers existing structures, whereas the relevant problem is how it creates and destroys them. As long as this is not recognized, the investigator does a meaningless job. As soon as it is recognized, his outlook on capitalist practice and its social results changes considerably. (Schumpeter, J. 1976. P. 84)”
La IA representa una tecnología que mejora la productividad y la eficiencia, lo que a su vez impulsa el crecimiento económico a largo plazo. Las empresas que invierten en IA experimentan aumento de la rentabilidad a medida que la tecnología se integra en sus operaciones[1]. Por supuesto, al no poseer las capacidades humanas de creación y pensamiento, la IA depende del uso que le den quienes tienen poder y recursos, actores que pueden transformar esas oportunidades en resultados perversos.
La introducción de la IA influye en la curva de posibilidades de producción (CPP) de una economía, representando una expansión de las capacidades productivas. La IA permite a las empresas producir más con menos recursos, lo que se traduce en un desplazamiento hacia afuera de la CPP, lo que indica un aumento en la producción potencial de la economía.
La teoría del capital humano sostiene que la inversión en educación y formación puede mejorar la productividad y el rendimiento económico. En el contexto de la IA, la capacitación y el desarrollo de competencias en el ámbito de la tecnología y de gestión de datos son fundamentales para aprovechar al máximo el potencial de la IA. La formación en habilidades relacionadas con la IA aumenta la productividad de los trabajadores.
En algunos contextos, la adquisición de conocimiento puede producirse a través de la acumulación de ambigüedades. Esto ocurre cuando los datos son complejos, subjetivos y carecen de un marco de información exhaustiva. En estos casos, la acumulación de ambigüedades facilita, en los agentes económicos, interpretar mejor el mundo que les rodea. Por ejemplo, para comprender los efectos de las políticas públicas, o identificar nuevas oportunidades de negocio. La acumulación de ambigüedades es un proceso complejo y desafiante. Sin embargo, también puede ser una fuente valiosa de entendimiento.
La fuerza de la IA se encuentra la aplicación de algoritmos de aprendizaje automático [2] y técnicas de procesamiento de lenguaje natural. Con este enfoque, la IA responde a la necesidad de mejorar la capacidad de discernimiento y comprensión de datos complejos. La amplitud de la IA para captar y comprender la ambigüedad permite una interpretación más precisa y objetiva de la información disponible[3]. La IA presenta a la sociedad una serie de desafíos económicos, cada uno de los cuales implica un compromiso.
La inteligencia artificial y la complementariedad entre el conocimiento certero y el ambiguo
La inteligencia artificial (IA) es un campo amplio y diverso. Es una herramienta poderosa que permite a las máquinas aprender (machine learning / ML) de los datos y mejorar con el tiempo. El aprendizaje automático es un subcampo de la IA que se centra en el desarrollo de algoritmos y modelos que las ML usan en tareas sin ser de manera explícita programadas para hacerlo.
Por lo tanto, la IA no es una sola tecnología, sino un conjunto de ellas que incluyen diversas formas de aprendizaje automático. Juntas permiten a las máquinas aprender, adaptarse y mejorar, ampliando así las posibilidades de lo que son capaces de hacer.
La construcción del saber es un proceso complejo que puede abordarse desde diferentes perspectivas. Los dos enfoques más destacados para la construcción del saber son el que se alcanza por acumulación de certezas refutables y el derivado de las ambigüedades
La construcción del conocimiento mediante la acumulación de ambigüedades
Se sustenta en la creación del saber a través de la acumulación de afirmaciones que presentan vaguedad, ambigüedad o imprecisión [4]. Este enfoque admite la presencia de la subjetividad en el conocimiento científico, el cual se encuentra influido por una amalgama de factores sociales, culturales e históricos. La conciencia de esta interrelación dinámica impulsa la apreciación de la diversidad de perspectivas que pueden incidir en la construcción y desarrollo del saber científico. Entre capas de complejidad, en este paradigma la noción de verdad no siempre se expresa de manera precisa y la interpretación varía según el contexto.
La acumulación de ambigüedades emerge como un paradigma valioso y enriquecedor en la construcción del saber en el campo de la inteligencia artificial y las redes neuronales. Es un enfoque que se basa en la idea de que la verdad es compleja y que no siempre puede ser expresada de manera precisa.
En el marco de la IA y las redes neuronales (McCulloch, W. S., & Pitts, W. 1943)[5], el enfoque de acumulación de ambigüedades cobra una dimensión significativa. En un campo marcado por la rápida evolución y la complejidad propia, la creación de conocimiento se nutre de la flexibilidad interpretativa que ofrece este enfoque. En el contexto de la IA y las ANN, la técnica de la acumulación de ambigüedades cobra una dimensión significativa. En un campo marcado por la rápida evolución y la complejidad propia, la creación de conocimiento se nutre de la flexibilidad interpretativa que rinde este enfoque.
Las ANN aún no alcanzan el nivel de capacidad del cerebro humano. Una investigación de Charu C. Aggarwal (2023) [6] muestra que las ANN necesitan un conjunto de datos amplio y relevante para funcionar de modo. Además, consumen mucha más energía que el cerebro humano al realizar tareas similares. Por lo tanto, estas redes tienen limitaciones inherentes que les impiden igualar o superar ciertos aspectos del rendimiento humano. Estas restricciones derivan tanto de su estructura arquitectónica como de su modo de procesar la información.
No obstante, la ambigüedad ofrece una serie de beneficios para la construcción del conocimiento en la IA:
- Fomenta la exploración y la creatividad: Cuando un concepto es abierto a múltiples interpretaciones, invita a un examen más profundo y a la consideración de diversas perspectivas. Esta exploración puede llevar a nuevos descubrimientos y a una comprensión más matizada de los problemas.
- Facilita la adaptabilidad y la antifragilidad frente a los cambios: Es un campo en constante evolución, la reinvención de la ambigüedad ofrece un margen de maniobra para la adaptación a nuevos datos y perspectivas. Esto impide que el conocimiento se estanque y se mantenga dinámico y receptivo a los cambios.
El ámbito de la IA es un reflejo de la intersección de factores sociales, culturales e históricos en la construcción del saber. Para entender el tema, hay que escuchar a especialistas de diferentes áreas. La variedad de perspectivas en este campo complejo impulsa la innovación y la adaptación constante. La flexibilidad interpretativa de la IA permite ajustarse a las circunstancias cambiantes y fomenta la creatividad de su transformación.
Este proceso de colaboración puede ayudar a comprender mejor los diferentes usos de la IA y a desarrollar nuevas tecnologías. Por ejemplo, los expertos en sistemas de respuestas automáticas pueden aprender de los que trabajan en vehículos autónomos sobre cómo aprovechar la IA para mejorar el rendimiento de sus sistemas.
La ambigüedad de la IA también promueve la comunicación entre expertos de diferentes campos. Por ejemplo, quienes pertenecen al ámbito de las ciencias de la computación pueden aprender de los investigadores de ingeniería sobre cómo aplicar la IA a problemas del mundo real.
Ejemplos de conocimiento por acumulación de ambigüedades:
- El amor es complejo.
- El significado de la vida es un misterio.
- El futuro es incierto.
Construcción de Conocimiento mediante la Acumulación de Certezas Refutables
Se basa en la premisa de que la verdad es provisional y siempre está sujeta a revisión constante. El conocimiento se construye a través de afirmaciones consideradas verdaderas hasta que se refutan. Este proceso se basa en la idea de que el saber es tentativo con posibilidades de cambiar con el tiempo[7].
Este paradigma presenta las siguientes características distintivas:
- La verdad es provisional: Se la concibe como temporal, siempre abierta a validación ante la posible emergencia de nuevas evidencias en el futuro.
- Es el proceso de creación con base en conjeturas refutables, lo que fortalece la comprensión y profundidad del saber. La acumulación de certezas es esencial en el mantenimiento de la relevancia y vigencia de cualquier sistema de conocimiento, proporcionando una base sólida para la comprensión del mundo que nos rodea.
- La validez de una afirmación se determina por su posibilidad de ser contrastada con la realidad. Esto significa que es válida si, y solo si, puede ser verificada o refutada mediante observación, experimentación o consenso.
Este enfoque se destaca por su objetividad y rigurosidad al basarse en evidencia empírica[8]. Esta aproximación lo convierte en un método valioso para la construcción del entendimiento, en contextos científicos. Asimismo, su apego a la objetividad y rigurosidad se mantiene firme al respaldarse en la evidencia empírica.
Sin embargo, presenta desventajas notables, porque la precariedad de la verdad genera incertidumbre y socava la confianza en la ciencia. El conocimiento crece y se enriquece con la acumulación gradual de proposiciones verdaderas. Es un proceso lento y constante que permite una comprensión más profunda y una visión más clara de la ciencia. Sin embargo, este método puede entrar en conflicto con la necesidad de soluciones rápidas a preguntas fundamentales.
Las respuestas inmediatas son esenciales en muchas situaciones. A menudo, no hay tiempo para un análisis detallado o una reflexión cuidadosa. En estos casos, este acervo gradual de conocimientos puede parecer un obstáculo en lugar de una ayuda.
Por lo tanto, debemos reconocer y abordar la tensión entre este proceso y la necesidad de respuestas rápidas a preguntas esenciales. La consideración cuidadosa de estas aprehensiones es clave para mantener la armonía y la efectividad en situaciones complejas. Ofrece una aproximación objetiva y rigurosa que permite el desarrollo gradual y seguro del saber.
Ejemplos de conocimiento por acumulación de certezas refutables:
La Tierra es redonda.
La gravedad es una fuerza.
La luz viaja a la velocidad de la luz.
Diferencias entre los dos enfoques
Las principales diferencias entre el conocimiento por acumulación de certezas refutables y el conocimiento por acumulación de ambigüedades son las siguientes:
Percepción de la verdad:
El conocimiento por acumulación de certezas refutables se fundamenta en el principio de que el saber es hipotético y provisional, mientras que el conocimiento por acumulación de ambigüedades se basa en la idea de que la verdad es compleja.
Requisitos:
El enfoque de acumulación de certezas refutables exige la voluntad crítica de cuestionar y desafiar las premisas establecidas, mediante la falsación. Se destaca su visión analítica y proactiva.
El método de acumulación de ambigüedades permite la acumulación de afirmaciones que, por su propia naturaleza, son vagas o ambiguas, sin que sea necesario la refutación inmediata. Es una aproximación más flexible y adaptativa en la búsqueda del saber.
Objetividad:
El conocimiento por acumulación de certezas refutables se basa en la objetividad, mientras que el saber por acumulación de ambigüedades se apoya en la subjetividad.
Precisión:
El conocimiento preciso se logra con certezas refutables, mientras que el amplio se basa en ambigüedades.
Complementariedad entre los dos enfoques
Los dos enfoques no se excluyen de modo mutuo. En la práctica, se complementan entre sí.
El conocimiento se construye a partir de certezas refutables y se perfecciona mediante la incorporación de ambigüedades.
Por ejemplo, el conocimiento de que la Tierra es redonda se basó en la acumulación de observaciones empíricas. Sin embargo, el conocimiento de la complejidad del sistema climático requiere un enfoque que sea capaz de abordar la ambigüedad.
La inteligencia artificial se basa en acumular información sin identificación precisa de la fuente y a tratarla de manera probabilística en búsqueda de la mejor respuesta. Esta facultad recrea la posibilidad de integración entre las diversas perspectivas de la exploración del saber que hemos descrito en este ensayo.
La economía de la inteligencia artificial
El equilibrio entre la innovación tecnológica y la distribución de la riqueza.
A pesar de las sugerencias de que la IA podría empobrecernos o perjudicarnos, existe un consenso entre los expertos de que el progreso tecnológico beneficia y aumenta la productividad. Sin lugar a duda, la IA la mejorará. El problema no radica en la creación de riqueza, sino en su distribución. La IA podría exacerbar la desigualdad de ingresos por dos motivos.
En primer lugar, si la IA intensifica la competencia por las plazas de trabajo, conduciría a una disminución de los salarios y un aumento de la desigualdad de ingresos.[9]
En segundo lugar, si los algoritmos sesgan las habilidades, serían una fuente de desnivel de los trabajadores entre los más y los menos capacitados.
En tercer lugar, si las personas “omniconectadas” acceden al poder de la riqueza que generan y la refuerzan, tendríamos un escenario inmanente de desigualdad [10].
La intersección de la innovación y la competencia.
La IA, al igual que la mayoría de las tecnologías de software, muestra economías de escala. Además, las herramientas de IA a menudo presentan cierto grado de rendimientos crecientes: una exactitud superior de los pronósticos crea más usuarios, que generan más datos y más información, que conducen a una más elevada precisión de las conjeturas.
Las empresas tienen mayores incentivos para construir máquinas de aprendizaje si poseen más control, pero, junto con las economías de escala, esto incentiva el ejercicio de poder de monopolio. Aunque una innovación más rápida beneficia a la sociedad a corto plazo, puede no ser óptima desde una perspectiva social o a largo plazo.
La privacidad.
La AI se beneficia de grandes cantidades de datos para perfeccionar sus predicciones, en especial a través del uso de datos personales. No obstante, este flujo de información puede poner en riesgo la privacidad.
Algunas jurisdicciones, como Europa, han optado por crear un entorno que brinde mayor protección a sus ciudadanos. Esto podría beneficiar a la gente y fomentar un mercado más dinámico de información personal, en el que los individuos tengan mayor capacidad de decisión sobre el uso de sus datos privados[11].
No obstante, esto puede generar fricciones en entornos en los cuales participar es costoso, perjudicando a las empresas y ciudadanos en mercados donde las IA con mejor acceso a datos son más competitivas.
Conclusión.
La proliferación de la IA plantea a la sociedad una serie de desafíos y oportunidades. Las jurisdicciones deberán sopesar con cuidado los pros y los contras de cada compromiso para diseñar políticas que promuevan el bienestar social y económico a largo plazo[12]. La IA tiene el potencial de transformar el mundo, mejorando la productividad, pero también planteando desafíos en términos de desigualdad de ingresos y privacidad. Es esencial diseñar políticas que equilibren estos factores, fomentando la innovación y salvaguardando a los ciudadanos al mismo tiempo. Conforme la IA sigue avanzando, las jurisdicciones deben estar listas para ajustarse y atender estos retos y oportunidades emergentes. De este modo puede lograrse el objetivo de impulsar el bienestar social y económico a largo plazo.
Referencias bibliográficas
1. Libros:
- Keynes, J. M. (1930). Economic Possibilities for our Grandchildren. En Essays in Persuasion (pp. 321-332). Palgrave Macmillan.
- Aggarwal, C. (2023). Neural Networks and Deep Learning: A Textbook (2da ed.). Springer.
- Minsky, M. L. (1990). La sociedad de la mente. Ediciones Galápago.
- Popper, K. R. (1991). Conjeturas y refutaciones: el desarrollo del conocimiento científico. Paidós.
2. Artículos en revistas científicas:
- Acquisti, A., Brandimarte, L., & Loewenstein, G. (2015). Privacy and human behavior in the age of information. Science, 347(6221), 509–514.
- Arntz, M., Gregory, T., & Zierahn, U. (2016). The risk of automation for jobs in OECD countries: A comparative analysis. OECD Social, Employment and Migration Working Papers No. 189.
- Mitchell, T. M. (1997). Machine learning (Vol. 1). McGraw-hill New York.
3. Recursos web:
- McCulloch, W. S., & Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics, 5(1), 115-133. (Recuperado de https://home.csulb.edu/~cwallis/382/readings/482/mccolloch.logical.calculus.ideas.1943.pdf) Importante: Se ha agregado la URL entre corchetes y se ha indicado que se recuperó de una base de datos.**
- Accenture. (2022). The Future of Work 2022 | Accenture Strategy & Consulting Talent & Organization Future of work research. Accenture. (recuperado en: https://www.accenture.com/be-en/insights/consulting/future-work)
“This finding implied that digital and data flows could contribute about 7 percent to GDP growth by 2030 compared with today. We simulated that AI could account for up to 20 percent of the contribution of data and digital flows, or an impact of 1.5 percent by 2030 compared with today. (Bughin, J. 2018. P. 16)” ↑
“Machine learning draws on ideas from a diverse set of disciplines, including artificial intelligence, probability and statistics, computational complexity, information theory, psychology and neurobiology, control theory, and philosophy. (Mitchel, T. 1997. P. 17)” ↑
La máquina de lenguaje natural (Natural Language Processing, NLP) es una rama de la inteligencia artificial que se enfoca en la interacción entre los humanos y las computadoras utilizando el lenguaje natural. El objetivo principal de la NLP es permitir que los ordenadores “comprendan”, interpreten y generen comunicación humana en forma escrita o hablada. Esto incluye tareas como el reconocimiento de voz, la traducción automática, el análisis de “sentimientos”, la extracción de información y la generación de texto.
El aprendizaje automático de expresión natural (NLL) es un subcampo del procesamiento del lenguaje natural (NLP). La NLL se centra en el desarrollo de algoritmos y técnicas de aprendizaje automático con el objetivo de mejorar la capacidad de las computadoras, y así, comprender y generar lenguaje natural (LN). Esto incluye el uso de redes neuronales y algoritmos de procesamiento de NL para mejorar la precisión y la velocidad de las tareas de NLP. El NLL es una tecnología clave en la creación de chatbots, asistentes virtuales y otras aplicaciones de procesamiento de lenguaje natural. ↑
“Aquella antigua idea de clasificar las cosas según sus propiedades no es enteramente satisfactoria, pues existen muchos tipos de cualidades que interactúan de formas complicadas. Toda situación o condición que experimentamos está influida o, por así decirlo, teñida por miles de matices y tonos del contexto, al igual que el mirar a través de un vidrio coloreado produce sutiles efectos sobre todo lo que vemos. (Minsky, M. P. 218)” ↑
las redes neuronales son un modelo computacional poderoso que ha demostrado ser efectivo en una amplia gama de aplicaciones, desde reconocimiento de imágenes hasta traducción automática, y siguen siendo objeto de intensa investigación y desarrollo en el campo de la inteligencia artificial. El principio de las redes neuronales fue desarrollado por Warren McCulloch y Walter Pitts en 1943. Ellos propusieron un modelo matemático de una neurona artificial que podía realizar operaciones lógicas básicas. Este modelo, conocido como la neurona de McCulloch-Pitts, es el precursor de las redes neuronales modernas. ↑
“Therefore, it is tempting to posit that artificial intelligence might eventually come close to or even exceed the abilities of humans in a more generic way. However, there are several fundamental technical hurdles that need to be crossed before we can build machines that learn and think like people. In particular, neural networks require large amounts of training data to provide high-quality results, which is significantly inferior to human abilities. Furthermore, the amount of energy required by neural networks for various tasks far exceeds that consumed by the human for similar tasks. These observations put fundamental constraints on the abilities of neural networks to exceed certain parameters of human performance (Aggarwal, Ch. 2023).”
. ↑
“El conocimiento científico crece a través de conjeturas o suposiciones y soluciones tentativas, que luego deben ser sometidas a pruebas críticas. Aunque pueden sobrevivir a cualquier número de pruebas, nuestras conjeturas siguen siendo conjeturas, nunca pueden establecerse como verdaderas” (Popper, K., 1991, p. 13) ↑
Una teoría que no es refutable por ningún evento concebible es no científica. La irrefutabilidad no es una virtud de una teoría (como la gente suele pensar) sino un vicio” (Popper, K., 1991, p. 61) ↑
« La conclusion principale de notre article est qu’il est peu probable que l’automatisation et la numérisation détruisent un grand nombre d’emplois. Cependant, les travailleurs peu qualifiés souffriront plus des coûts d’ajustement car leur emploi est davantage susceptible d’être automatisé que pour les travailleurs qualifiés. Ainsi, le défi futur consiste probablement à faire face à la croissance des inégalités et à veiller à former (ou former à nouveau) les travailleurs peu qualifiés. (Arntz, M., Gregory, T., & Zierahn, U. 2016. P. 5) » ↑
“The resources that are enabling workers to perform their jobs anywhere are also leaving them 21% higher Net Better Off, which we know from previous research drives up to 5% revenue growth (and when enabled through omni-connected work cultures, drives up to 7.4% revenue growth). Omni-connected means creating value for people and the business by building a work environment in which people have the trust and technology needed to forge human connections with colleagues, managers and the company. (Accenture. 2022).” ↑
“People are often unaware of the information they are sharing, unaware of how it can be used, and even in the rare situations when they have full knowledge of the consequences of sharing, uncertain about their own preferences. Malleability, in turn, implies that people are easily influenced in what and how much they disclose. Moreover, what they share can be used to influence their emotions, thoughts, and behaviors in many aspects of their lives, as individuals, consumers, and citizens. (Acquisti, A., Brandimarte, L., & Loewenstein, G. 2015. P. 512)” ↑
“Meanwhile there will be no harm in making mild preparations for our destiny, in encouraging, and experimenting in, the arts of life as well as the activities of purpose. (Keynes, J. M. 1930. P 331).” ↑