Erik Brynjolfsson, del Laboratorio de Economía Digital de Stanford

Erik Brynjolfsson tiene un desafío para cualquiera que esté preocupado por la inteligencia artificial: dejen de preguntarse qué nos hará la IA y empiecen a preguntarse qué haremos nosotros con la IA. En este episodio de Yo, yo mismo y la IA, el economista de la Universidad de Stanford explica por qué la tecnología no es la mayor barrera para el progreso — las personas, las organizaciones y las instituciones lo son. Basándose en nuevas investigaciones sobre el impacto de la IA en el empleo, la productividad y el crecimiento económico, argumenta que el futuro no está predeterminado: será moldeado por las decisiones que tomemos hoy. Esta es una conversación oportuna sobre la agencia humana, la prosperidad compartida y por qué los avances más importantes en IA pueden tener menos que ver con la tecnología que con cómo la usamos.

Suscríbase a Yo, yo mismo y la IA en Podcasts de Apple o Spotify.

Transcripción

Allyson Ryder: El invitado de hoy tiene una provocación audaz: la IA no está siendo frenada por la tecnología. Está siendo frenada por nosotros. ¿Curioso de cómo? Descúbrelo ahora.

Erik Brynjolfsson: Soy Erik Brynjolfsson de Stanford, y estás escuchando Yo, yo mismo y la IA.

Sam Ransbotham: Bienvenido a Yo, yo mismo y la IAun podcast de MIT Sloan Management Review explorando el futuro de la inteligencia artificial. Soy Sam Ransbotham, profesor de analítica en el Boston College. He estado investigando los datos, la analítica y la IA en MIT SMR desde 2014, con artículos de investigación, informes anuales de la industria, estudios de casos y ahora 13 temporadas de episodios de podcasts.

Hoy hablo con Erik Brynjolfsson, quien dirige el Laboratorio de Economía Digital de Stanford y estudia cómo las personas usan la tecnología en general y ahora la IA en particular. Él está tratando de pensar cómo la tecnología está afectando la economía y el trabajo. Su libro La Segunda Era de las Máquinas dio forma a gran parte de este debate. Y su equipo publicó recientemente "¿Canarios en la Mina de Carbón?", un artículo de investigación sobre lo que está sucediendo con los trabajadores de nivel inicial. Erik y yo nos encontramos varias veces al año en la Oficina Nacional de Investigación Económica, y siempre menciona algo que no había considerado. Sin presión, Erik, pero espero lo mismo hoy.

Erik Brynjolfsson: Es bueno estar aquí, Sam.

Sam Ransbotham: Bienvenido al programa. Empecemos con el Laboratorio de Economía Digital de Stanford. ¿Puedes darnos una visión rápida de lo que hace el laboratorio?

Erik Brynjolfsson: Claro. Estudiamos la economía digital. … Amé mi tiempo en el MIT. Estuve allí por más de 25 años, pero ahora estoy aquí en Silicon Valley, el epicentro de la revolución de la IA. Nos estamos enfocando en cómo la IA y otras tecnologías digitales están cambiando la economía. La premisa del laboratorio y de mi trabajo, mi carrera, es que la tecnología avanza muy rápidamente. Las capacidades son asombrosas. Al mismo tiempo, nuestro entendimiento económico no avanza ni cerca de lo suficientemente rápido. Nuestras instituciones económicas, habilidades, organizaciones, no se mantienen al día. Mi trabajo es tratar de cerrar esa brecha.

Sam Ransbotham: Son esas molestas personas. La tecnología se mueve rápido. Las organizaciones y las personas nos frenan, supongo, ese es el resumen.

Erik Brynjolfsson: Así es. Gran parte de tu trabajo también ha destacado eso, y estamos haciendo lo que podemos para mantener el ritmo.

Sam Ransbotham: Estaba pensando en el libro Carrera Contra la Máquina y … "Canarios" hoy. ¿Qué conecta todo eso?

Erik Brynjolfsson: "Carrera contra la máquina" … era el titular. La conclusión era que deberíamos correr con las máquinas, no contra las máquinas. Y eso es lo que he seguido enfatizando — hay una oportunidad para que humanos y máquinas trabajen juntos. No es automático. Hay muchas decisiones que debemos tomar, pero la tecnología está habilitando todo tipo de nuevas posibilidades. Intentar inventar y descubrir esas es una gran parte de lo que nosotros los humanos necesitamos hacer.

Sam Ransbotham: Me gusta la parte de la decisión porque creo que es muy fácil para nosotros caer en la jerga de decir "la IA hace esto, la tecnología hace aquello". Sé que has estado en contra de eso.

Erik Brynjolfsson: Exactamente. Es probablemente una de las preguntas más comunes que recibo: "¿Qué nos va a hacer la IA? ¿Qué va a hacer que suceda la IA?" Yo digo: "Espera un momento, la premisa de tu pregunta está equivocada. Es '¿Qué vamos a hacer nosotros con la IA?'"

Esta es una herramienta increíblemente poderosa, posiblemente la herramienta más poderosa que los humanos hayamos tenido. Casi por definición, eso significa que tenemos más capacidad para cambiar el mundo que nunca antes. Así que pensemos en cómo queremos usar eso. Resulta que nuestros valores, nuestras decisiones importan más ahora que en el pasado porque tenemos esta capacidad de hacer una gran mella en el universo, para bien o para mal.

Sam Ransbotham: Sí, para bien o para mal. Creo que eso probablemente saldrá un par de veces mientras hablamos aquí.

Estaba pensando en cuánto acertaste en el libro Carrera Contra la Máquina libro temprano. Pero eso no es interesante como académico. ¿Qué crees que entendiste mal? ¿Qué te sorprendió? ¿Qué ha cambiado de manera diferente a lo que pensabas hace 16 años o 15 años?

Erik Brynjolfsson: Bueno, primero, ya que estamos hablando de lo que entendimos mal, debería destacar que esto está coescrito con Andy McAfee, junto con La Segunda Era de las Máquinas. Ha sido socio en muchos de mis proyectos.

¿Qué hicimos mal? Estábamos viendo algunos avances — destacaría particularmente en La Segunda Era de las Máquinas, empezamos eso con un paseo en el coche autónomo de Google. En realidad, fue en 2012, justo después de que escribiéramos libro Carrera Contra la Máquina, viajamos desde Mountain View hasta San Francisco. Debo decir que pensé: “Vaya, los coches autónomos están a la vuelta de la esquina”, metafóricamente, y creí que sucedería muy rápido. Obviamente ha tomado más tiempo. Sí viajo bastante en coches autónomos aquí en el Área de la Bahía de San Francisco, en la ciudad. Los han tenido por un tiempo, y ahora también han llegado a Palo Alto, y puedes viajar en ellos por toda la autopista. Pero eso es 15 años después.

Ha tomado tiempo, y creo que fui demasiado optimista al respecto. Dicho esto, creo que subestimé lo rápido que avanzaría la tecnología en otros aspectos. La forma en que tú y yo podemos hablar con [modelos de lenguaje grandes], ya sea ChatGPT, Gemini o Claude, y hacer que trabajen, creo que no habría esperado que sucediera tan rápido. Quiero decir, básicamente habría considerado esto como [inteligencia general artificial] si me hubieras preguntado en 2012 o 2015. Así que es bastante genial que puedas obtener consejos realmente buenos de ellos. Todos sabemos que todavía alucinan y cometen errores, pero nosotros los humanos también. En promedio, son realmente buenos. Así que eso sucedió más rápido. Nos equivocamos un poco en eso.

Luego, la parte más decepcionante es, mira, sabía que solo estábamos hablando de cómo las instituciones humanas cambian más lentamente que la tecnología. Pero, Dios mío, no esperaba que fuera tanto más lento. A veces es casi como si estuviera retrocediendo. Así que eso ha sido bastante decepcionante, que nuestras instituciones políticas, nuestras empresas, organizaciones, no estén al día. La productividad no está creciendo más rápido de lo que lo hacía al comienzo de esta revolución de la IA, tal vez un poquito si entrecierras los ojos. Pero realmente no estamos traduciendo estas capacidades en un mejor rendimiento empresarial o en los tipos de beneficios que todos esperamos.

Sam Ransbotham: Viajé en uno de los coches automatizados en Palo Alto en la última reunión donde te vi. Rápidamente se volvió aburrido. Ahora, estaba fascinado por unos segundos y luego me aburrí muy rápido. Tocaste que eso habría sido AGI hace unos años, o lo de los LLM habría sido AGI hace unos años, pero ya no lo es. ¿Cuánto de esto es una especie de rana hervida, nos estamos acostumbrando a estas tecnologías, se necesita aún más para impresionarnos? ¿Es parte de eso? ¿Es una cuestión de medición? ¿Es una curva J, a la que volveremos en un segundo? ¿Todo lo anterior? ¿Nada de lo anterior?

Erik Brynjolfsson: Todo lo anterior. Parte de eso es, como dijiste, aburrirse en el coche autónomo; los primeros minutos son un poco aterradores y emocionantes, y luego es emocionante. Y luego, en media hora, dices: “OK, más o menos lo entiendo”. Estos coches conducen como mi abuela, con mucho cuidado y lentamente, que supongo que es lo correcto.

Sam Ransbotham: Por eso te fuiste de Boston quizás.

Erik Brynjolfsson: Exactamente. Su tasa de accidentes es un 90% menor que la de los humanos. Espero el día en que todos los coches sean así. Ahora mismo son un poco más lentos de punto a punto. A veces, cuando tengo prisa, pido un Uber porque sé que el conductor está más dispuesto a tomar atajos, por así decirlo. Pero parte de eso es que damos por sentadas cosas que inicialmente eran impactantes.

Supongo que nuestros cerebros están diseñados para acostumbrarse a las cosas. Pero las otras dos cosas que dijiste, creo, son más importantes e interesantes. Una es el problema de la medición. Nuestras métricas económicas simplemente no están diseñadas para capturar muchos de los beneficios de la IA, especialmente los beneficios de los bienes digitales gratuitos. Así que tenemos toda una metodología para abordar eso. Quizás podamos hablar de eso más tarde.

La otra parte es la curva J. De esto comenzamos la conversación — realmente hay una brecha y una dificultad en traducir las capacidades en un cambio empresarial real. Es porque hay tantos activos complementarios e inversiones que deben hacerse. Muchos de ellos tienen que ser inventados, y no sabemos cuáles son, estas coinvenciones complementarias de nuevos procesos comerciales, nuevas habilidades, modelos de negocio completamente nuevos y formas de trabajar. Son difíciles y tenemos emprendedores, gerentes, profesores de escuelas de negocios y consultores trabajando todos para descubrirlos.

En trabajos anteriores que hice con [la Universidad de Pensilvania] Lorin Hitt y Prasanna (Sonny) Tambe y otros, encontramos que las inversiones en esos activos intangibles son aproximadamente 10 veces mayores que las inversiones directas en tecnología informática. Pero como son en gran medida intangibles, en gran medida invisibles, tendemos a no apreciarlos tanto, y no los medimos, y la gente ni siquiera se da cuenta de que están ahí. Pero estamos tratando de hacerlos más visibles en nuestra investigación y crear una apreciación de que también hay que hacer esas inversiones.

Sam Ransbotham: En realidad, el tema de la medición es enorme y difícil. Recuerdo que tú y [la Universidad Carnegie Mellon] Avinash Collis hablaban sobre la medición del valor de Wikipedia, Facebook y otras tecnologías. Todo esto es súper difícil de medir. Y cuando no medimos las cosas, hacemos un mal trabajo, creo.

Cambiemos quizás a la medición porque creo que una de las historias interesantes de tu estudio “Canarios en la Mina de Carbón” … Creo que tu hallazgo principal fue que las personas de 22 a 25 años eran las más expuestas [y] perdieron alrededor del 16% de su empleo. Pero estás usando datos de nómina de ADP para encontrar eso. Esa es una señal de información muy interesante. Cuéntanos sobre ese estudio.

Erik Brynjolfsson: Como todos, estábamos viendo todos estos titulares sobre la IA eliminando empleos u otros titulares [de que] la IA está creando empleos. En cualquier mes dado, hay cientos de miles de personas que ganan o pierden empleos. Un periodista medio decente puede encontrar fácilmente ejemplos de uno u otro y construir una narrativa al respecto, o simplemente un hombre en la calle con quien hablar. Para mí al menos, realmente no sé cómo agregar eso. ¿Cuál es la historia real? Así que queríamos obtener datos a gran escala.

Cuando miramos la encuesta de población actual, realmente no vimos mucho, y cuando miramos la línea superior de ADP, que es el procesador de nóminas más grande del mundo, compartieron los datos con nosotros aquí en el Laboratorio de Economía Digital. En realidad, tampoco vimos mucho en la línea superior. Casi estaba pensando: “OK, escribiremos una historia sobre cómo todo esto es solo un montón de hype”. Pero luego profundizamos un poco más, y algunos de los subgrupos que están teniendo estos efectos muy grandes, como acabas de mencionar, personas de 22 a 25 años, trabajadores al inicio de su carrera, tuvieron una caída notable en el empleo, pero realmente se volvió impactante cuando lo subdividimos por cuán expuestos estaban a la IA.

[OpenAI] Tyna Eloundou, [Universidad de Pensilvania] Daniel Rock y otros han creado una taxonomía donde clasifican todas las tareas en la economía, 18,000 tareas distintas, según cuánto están expuestas a los LLM. ¿Podría un LLM ayudarte a escribir un memo? Seguro. ¿Podría un LLM ayudarte a levantar una caja? En realidad no. Si clasificas cada tarea así y luego las agregas a ocupaciones, básicamente tienes una puntuación de si esta ocupación se verá afectada por los LLM.

Miramos alrededor de 750 ocupaciones. Las dividimos en quintiles. El quintil más expuesto, un poco más de cien ocupaciones en este grupo de edad más joven, tuvo al principio una disminución de aproximadamente el 12% al 13%. Ahora es más como una disminución del 16% al 17% en el empleo en relación con las otras ocupaciones. Así que es realmente impactante. No vimos una caída en el empleo para los trabajadores mayores, incluso en las ocupaciones expuestas. Realmente tienes que dividirlo de esta manera.

Incluso cuando controlamos otros factores, como las tasas de interés, controlamos la industria tecnológica — puedes eliminar toda la industria tecnológica si quieres, o controlar la contratación excesiva en tecnología — puedes controlar el trabajo remoto, puedes controlar la educación, ninguna de esas cosas eliminó el resultado central. Continuamos teniendo esta disminución muy notable.

Puedo decir otra cosa, que es que, como mencioné, los trabajadores mayores estaban bien. Hay un par de otros grupos que estaban bien. Uno son las personas en ocupaciones no expuestas. Así que si miras el otro extremo del espectro, como los asistentes de salud en el hogar, donde la IA no los afecta tanto, en realidad tuvieron un empleo creciente, incluso para los trabajadores jóvenes.

Y luego, el resultado más interesante, el que más me entusiasma, fue que si divides la forma en que usan la IA principalmente en automatizar y eliminar trabajo versus aumentar y crear nuevas habilidades, nuevas oportunidades, hacer cosas nuevas que nunca hiciste antes, el grupo de automatización tuvo una disminución en el empleo, y el grupo de aumento, los que estaban aprendiendo nuevas habilidades, tuvo un empleo creciente. Así que es una especie de doble victoria: mayor productividad y empleo creciente. Por alguna razón, eso no se recoge tanto en la prensa cuando escriben sobre nuestra investigación, pero creo que es realmente importante que encontramos que la IA podría estar asociada con un mayor empleo para ciertos tipos de trabajadores.

Sam Ransbotham: Creo que eso se relaciona con cómo lo usas, tu toma de decisiones, las elecciones que todos hacemos en eso. Eso no me sorprende, porque si pienso en una tarea y, volviendo a esta agregación de tareas que mencionaste, ningún trabajo, estoy seguro, ejecuta al cien por ciento la lista de tareas y al cien por ciento la lista de tareas no automatizables. La composición de esa tarea va a dejar partes de esos trabajos más valiosas. Eso va a dejar esas partes más valiosas.

Erik Brynjolfsson: Exactamente. Ese es otro punto realmente importante: puedes tomar cada ocupación; [cada una tiene] un conjunto de tareas. En O*Net, una ocupación típica tiene de 20 a 30 tareas. Un radiólogo tiene 26 tareas distintas. [El científico de la computación] Geoffrey Hinton dijo famosamente: “Leer imágenes médicas, eso es lo que hacen los radiólogos. Eso será reemplazado por la IA”. Lo que no consideró fue que había otras 25 tareas que hacen los radiólogos, y la mayoría de ellas no se vieron afectadas por la IA.

El efecto neto fue que, a medida que leer imágenes se volvió más barato y mejor gracias a la IA, en realidad aumentó el valor de los radiólogos para hacer esas otras tareas, y el empleo neto creció para los radiólogos. No digo que eso siempre suceda, pero definitivamente hay casos — algunos lo llaman la paradoja de Jevons — donde hacer algo más barato aumenta la demanda, y terminas teniendo más empleo en lugar de menos, incluso cuando se vuelve más eficiente.

Sam Ransbotham: Creo que es lo frustrante. Creo que a todos les gustaría una respuesta, que sea “Aquí está la respuesta clara”, y lo que has encontrado aquí es un gigantesco “Depende”, y depende de un conjunto cada vez más complicado de cosas.

Erik Brynjolfsson: Bueno, déjame intentar hacerlo un poco más simple. Es algo más complicado que la historia simple de que siempre eliminas empleos, o para el caso, que siempre crea empleos. Pero como economista, una herramienta realmente útil para mí — y me pondré un poco técnico para tus lectores, pero será un tiempo útil — es que puedes pensar en una curva de demanda. Cuando el precio baja, la cantidad aumenta. Las curvas de demanda tienen pendiente descendente. La mayoría de nosotros sabemos intuitivamente que cuando haces algo más barato, la gente comprará más.

Pero lo que realmente importa es qué tan pronunciada es esa curva de demanda. Para algunos productos, como las manzanas, incluso si las hicieras 10 veces más baratas, no comprarías 10 veces más manzanas. Quizás compras algunas manzanas más. Pero la curva de demanda es bastante pronunciada. Así que a medida que los precios bajan, terminas gastando menos. Eso es bastante intuitivo. La mayoría de la gente piensa que todos los bienes son así.

Resulta que no todos los bienes son así. Hay muchos bienes donde a medida que el precio baja, incluso solo un poco, la cantidad aumenta mucho, como los viajes en avión. Solía ser que muy pocas personas volaban en aviones a través del país, pero ahora es más barato, y muchos de nosotros volamos por el país demasiado. Así que hay bienes y servicios así. Eso se llama demanda elástica o una curva de demanda plana.

Siempre que tienes situaciones así, en realidad tienes una demanda creciente de algo, y terminas teniendo más gasto. Al menos la mitad de los bienes y servicios en la economía están en ese lado de la curva. Esa es una muy buena noticia. Significa que a medida que nos volvemos más productivos, más eficientes, algunas cosas se reducen, pero otras crecen. Creo que hay un sesgo un poco demasiado grande en la conversación pública hacia el lado que se está reduciendo. Una de las cosas que quiero hacer con tu podcast es que más personas piensen en ese lado que está creciendo.

Imparto una clase magistral [en la] que básicamente mostramos a las personas cómo identificar y descubrir estas nuevas oportunidades para la creación de riqueza, cómo pueden usar la IA para hacer nuevos tipos de cosas y crear empresas emprendedoras. Cuanto más hagamos eso, creo que mejor estarán las personas. Se ayudarán a sí mismas y ayudarán al resto de la economía inventando cosas nuevas.

Sam Ransbotham: Las manzanas [son] un gran ejemplo. Como dices, no las consumimos cuando obtenemos más de ellas, pero no conozco ninguna empresa que diga: “Prácticamente todos los proyectos de TI que podríamos imaginar, los estamos haciendo”. ¿Sabes a lo que me refiero?

Erik Brynjolfsson: Sí, exactamente. Parece que hay una demanda casi infinita para resolver todo tipo de problemas de TI. Cuando miro el mundo, no veo una escasez de problemas. La pobreza, el medio ambiente, la atención médica especialmente, son todas cosas en las que podríamos usar muchos más recursos, y no veo que se nos acaben las oportunidades para abordarlas.

Sam Ransbotham: La fantasía de que se nos acabarían ese tipo de problemas, eso es genial, pero no creo que eso vaya a suceder en los próximos años, ni en los próximos siglos. Volvamos a esta idea de la curva J. Primero explica un poco qué es la curva J y cómo deberían pensar las personas sobre ella.

Erik Brynjolfsson: Este es otro concepto que creo que la gente encuentra muy útil, y es que cada vez que hay una tecnología importante y poderosa, los economistas las llamamos tecnologías de propósito general. Solíamos decir simplemente GPT, pero mis amigos de la IA se robaron ese acrónimo. Pero la IA es ambas cosas. Es un transformador generativo preentrenado, como GPT-5, pero también es una tecnología de propósito general como la máquina de vapor, la electricidad, el motor de combustión interna y los automóviles. Esas son las cosas que realmente impulsaron la mayor parte del crecimiento económico y la productividad. Son la razón por la que tenemos niveles de vida más altos que nuestros antepasados, hace un par de cientos de años o incluso 50 años.

La IA es la tecnología de propósito general más importante de nuestra era, quizás de toda la historia. Pero lo que pasa con estas tecnologías de propósito general es que el valor realmente proviene de los activos complementarios. Con la electricidad, permitió bombillas, motores eléctricos, aire acondicionado y, finalmente, computadoras y muchas otras cosas. Con la IA, está permitiendo todo tipo de nuevos procesos de negocio, y no son solo las tecnologías físicas. También son estos activos intangibles de los que hablamos antes. Eso es genial. El problema es que estos activos intangibles tardan tiempo en crearse. Son costosos. Tienes que invertir en ellos. Ya sea que contrates consultores o lo hagas tú mismo, tienes que reinventar cómo se realiza el trabajo.

Durante ese período costoso, estás gastando más mientras reinventas tus procesos de negocio, pero la producción no aumenta instantáneamente. Matemáticamente, eso significa más insumos, sin aumento en la producción, [y] la productividad, al menos medida convencionalmente, disminuye. Así que esa es la parte descendente de la curva J. Luego, más tarde, comienzas a cosechar eso. Empiezas a usar estos nuevos procesos de negocio para crear más producción. Ahora la producción está aumentando. Y esa es la parte ascendente de la curva J.

Lo que estamos viendo con la mayoría de las tecnologías de propósito general es que hay una calma inicial donde la productividad es baja o incluso negativa, y luego despega. Ahora es difícil ver exactamente dónde estamos con la IA. Estamos en medio de eso. Pero si miras hacia atrás en la historia anterior, si miras, por ejemplo, la electricidad — escribí [sobre] algo de eso en mi tesis doctoral —, lo creas o no, tomó alrededor de 20 a 30 años de tiempo donde las empresas intentaban reinventar cómo se organizaban las fábricas.

Estaban instalando motores eléctricos. Al principio no obtenían mucha productividad. [El economista] Paul David y otros documentaron esto con mucho cuidado. Durante literalmente hasta 30 años no hubo esencialmente ninguna ganancia de productividad en las fábricas mientras se electrificaban, lo cual es notable, pero, eventualmente, rediseñaron completamente cómo se organizaban las fábricas. En lugar de estar agrupadas alrededor de un motor central como una máquina de vapor, tenían motores separados para cada equipo, distribuyeron el trabajo y organizaron la disposición basándose en el flujo de materiales.

Cuando hicieron eso, la productividad comenzó a dispararse, duplicándose y triplicándose. Pero como dije, tomó 30 años. No creo que la IA vaya a tomar 30 años. Estoy bastante seguro de que ya está comenzando a suceder. Pero al mismo tiempo, toma más tiempo de lo que algunos de mis amigos tecnólogos, algunos de mis amigos de la IA, esperan. Ellos piensan que tan pronto como inventas la IA, ya terminaste.

La realidad, como sabes, Sam, en tu trabajo y en el mío, es que hay mucho rediseño de procesos de negocio que debe ocurrir. Estamos en medio de eso, y estoy haciendo lo que puedo para intentar acelerarlo. Mi empresa Workhelix está muy involucrada en mostrar a las empresas cómo identificar las oportunidades para la creación de valor. Si podemos acelerar eso, será genial, pero aún así tendremos un poco de curva J.

Sam Ransbotham: Estoy pensando en los tiempos de la electricidad. Supongo que no tenían las presiones del informe trimestral de acciones y la necesidad de resultados instantáneos que quizás la gente enfrenta ahora.

Erik Brynjolfsson: Lo más importante, honestamente, es que realmente no tenían todas nuestras instituciones. No para darnos palmaditas en la espalda, pero las escuelas de negocios no existían. Los libros de consultoría [y] toda la ciencia de la ingeniería industrial y la gestión, no existían. Volví y leí algunos de los libros. Fui a la Biblioteca Baker de la Escuela de Negocios de Harvard, y tenían estos libros antiguos, y era bastante primitivo cómo pensaban sobre las cosas.

Ahora hay un ecosistema mucho más grande para ayudar a las empresas a rediseñar sus procesos de negocio. Todavía toma tiempo y rediseño, [y recapacitación] de su fuerza laboral. Pero mi sensación es que los gerentes son mucho más conscientes de ello ahora, y se están involucrando de manera mucho más agresiva, y están compartiendo las mejores prácticas.

En Workhelix, tenemos una herramienta que escanea todas las oportunidades y las comparte con los trabajadores, y observa quiénes son los superusuarios que realmente están arrasando, y luego los compara con el trabajador promedio. Así que acelera el aprendizaje probablemente 10 veces en comparación con lo que la gente habría hecho antes de tener este tipo de herramientas.

Sam Ransbotham: Me gusta mucho eso porque nuevamente vincula la medición y algunas otras cosas. La revisión anual de desempeño ya no es realmente útil. La idea de que puedas obtener [una] mejor medición sobre lo que estás haciendo y cómo lo estás haciendo ayuda.

Déjame ser un poco antagonista. Escribí algo en MIT Sloan Management Review hace un tiempo sobre repensar los objetivos de la IA. Escribiste algo sobre la Trampa de Turing. Creo que la primera inclinación que tiene la gente es pasar la prueba de Turing, hacer que la máquina haga lo que el humano puede hacer. Y eso nos lleva a mejoras incrementales de los procesos existentes. Parece que la medición podría accidentalmente alimentar eso también si no estamos midiendo las cosas correctas. ¿Qué piensas sobre eso, a corto plazo versus largo plazo?

Erik Brynjolfsson: Bueno, definitivamente hay un corto plazo, largo plazo; [esos son] tus objetivos. Estaba hablando con un CFO hace un par de meses, y ella me dijo: “Oye, realmente necesitamos medir los beneficios de la IA, el ROI”. Y yo dije: “Eso es genial. Deberías medirlo. Cuéntame sobre eso”. Y ella dijo: “Por eso estoy exigiendo que cada división me diga cuánta reducción de personal están obteniendo de la IA”. Yo dije: “Espera un minuto. Me alegra que estés midiendo, pero ¿no es eso un poco simplista, porque, sí, no hay nada malo en reducir costos, pero realmente está perdiendo la oportunidad más grande de hacer cosas nuevas, permitir que tus trabajadores creen nuevos tipos de valor”.

Hay un CFO que gana millones de dólares, y la razón por la que ganan mucho dinero es que tienen que pensar más creativamente sobre la creación de valor, no solo hacer que las máquinas hagan lo que los humanos ya están haciendo y reemplazarlos. Esa es la prueba de Turing clásica: ¿Puedes hacer que una máquina imite perfectamente a un humano?

Esa es una forma muy estrecha de pensar al respecto. Creo que Alan Turing era un tipo brillante, pero creo que esa mentalidad ha hecho mucho daño a cómo usamos la IA. Lo llamo la Trampa de Turing porque creo que es una trampa centrarse solo en usar la IA para reemplazar o imitar trabajadores. También deberíamos pensar en cómo la IA puede aumentar y permitirnos hacer cosas nuevas. Pero eso requiere nuevas medidas, como, ¿cómo creas nuevos productos y servicios? ¿Cómo tienes una mayor satisfacción del cliente? ¿Cómo mejoras la calidad, tanto la calidad de los productos como incluso la calidad de la vida laboral de las personas que trabajan?

Todas estas son cosas que no aparecerán en tu mentalidad estrecha de reemplazo, así que esto es algo que también toma más tiempo, como dijiste. El cortoplacismo tiende a centrarse solo en reducir costos y en lo que ya estás haciendo. Pero los que tienen la mayor ventaja competitiva, los que tienen los beneficios más duraderos, son los que piensan en ir más allá de eso y hacer cosas nuevas, nuevos procesos de negocio, nuevos productos y servicios. No sucede en semanas, pero cuando lo logras, tienes algo que dura años.

Sam Ransbotham: Hay muchos lugares donde las máquinas nos superan. La forma más fácil de saber si esto es una máquina o una persona y pasar esa prueba de Turing es que no voy a poder hacer matemáticas muy rápido. Nuestros objetivos no son exactamente el estándar correcto, supongo. Mencionaste que al [comienzo de] la electrificación la gente no tenía las instituciones alrededor de eso. Neil Thompson [y] la Iniciativa del MIT sobre la Economía Digital, [en la que] obviamente estuviste involucrado antes de mudarte a Stanford, tienen un artículo científico que dice que algo así como el 90% de los modelos de IA nuevos más importantes provienen de la industria. Hemos tenido este cambio masivo de la academia y la financiación pública [produciendo] beneficios tecnológicos a que la mayor parte provenga de empresas tecnológicas y startups. Mencionaste Palo Alto y el epicentro que está allí. Muy bien, estoy preocupado. ¿Es ese el lugar correcto para esas cosas?

Erik Brynjolfsson: Parte de la razón por la que proviene de la industria es que se ha vuelto increíblemente costoso construir estos modelos muy grandes. Existen estas leyes de escalado para los LLM donde a medida que haces un modelo más grande, si [tiene] más datos, más cómputo, más parámetros, obtienes una mejora predecible en el rendimiento. Así que pasaron de gastar millones a decenas de millones, cientos de millones, miles de millones, ahora decenas de miles de millones, incluso cientos de miles de millones de dólares en entrenar estos modelos. Ninguna universidad puede permitirse eso. Ninguna organización sin fines de lucro puede permitirse eso. Así que las empresas están recaudando enormes cantidades de dinero mientras hablamos. Anthropic y OpenAI están presentando solicitudes para salir a bolsa. Google tiene un buen motor de efectivo que puede invertir en esto, al igual que Meta.

Así que eso es lo que impulsa eso. Al mismo tiempo, lo que les digo a mis colegas académicos es que su ventaja comparativa no está [en] gastar más dinero en computadoras. Está en pensar creativamente. Hay [algunas] ideas brillantes que surgen simplemente de sentarse en tu oficina y pensar profundamente. Sigue siendo una buena estrategia.

Tuve una conversación con Geoffrey Hinton hace un tiempo, y le pregunté qué tipo de hardware usa para hacer sus ideas y descubrimientos. Señaló su computadora portátil, la tocó y dijo: “Este es el hardware que uso”. Y para ese tipo de avances fundamentales, no siempre es cuestión de tener miles de GPU.

Creo que los académicos deben aprovechar su ventaja comparativa. Dicho esto, es justo decir que cada vez más investigaciones de frontera se están realizando mediante un enfoque realmente costoso. En cierto modo, es un testimonio de lo valiosa que es la IA. Una de las razones por las que la industria no lo hizo antes no era solo que fuera costoso, sino que simplemente no tenía una recompensa tan grande.

Compartiré una historia. La primera empresa de IA que fundé, créanlo o no, fue a finales de los años 80. Así de viejo soy. Fundé una empresa de sistemas expertos con Todd Loofbourrow. Los sistemas expertos son esos sistemas basados en reglas. Creamos un poco de valor para algunos bancos y organizaciones de recursos humanos, pero al final del día, no era nada como el valor que las empresas están creando hoy. Ese tipo de IA simplemente no era tan valiosa, tengo que ser honesto. Es solo ahora que tenemos estas redes neuronales tan poderosas que realmente tienes incentivos comerciales que no se parecen a nada que hayamos tenido antes. Así que, en cierto modo, es un testimonio del éxito del campo que la industria esté invirtiendo tanto como lo hace.

Sam Ransbotham: Me gusta ese punto. El gobierno de EE. UU., creo, invirtió como mil quinientos millones de dólares en gastos de investigación no relacionados con la defensa el año pasado, y eso es aproximadamente lo que Google está invirtiendo. Ya sabes, los presupuestos de los [Institutos Nacionales de Salud] y la [Fundación Nacional de Ciencias] son pequeños. Como señalas, no vamos a poder gastar más que ellos.

Erik Brynjolfsson: Pero en eso, creo que es justo. Quieres tener ambos. Quiero decir, es trabajo de la academia, es trabajo del gobierno federal invertir antes de que sea comercialmente viable. Gran parte de los beneficios a largo plazo de la I+D no son evidentes, y no hay un incentivo comercial para invertir. Internet, los primeros viajes espaciales, tantos avances fundamentales en biología que han prolongado nuestras vidas, ocurrieron en universidades y laboratorios gubernamentales porque no eran comercialmente viables, pero luego la gente construyó sobre ellos. No siempre se puede saber de antemano cuáles darán frutos. Pero si haces la investigación fundamental, el historial muestra que eventualmente un porcentaje de ellos realmente marcará una diferencia en nuestro nivel de vida.

Sam Ransbotham: Esa es la división básica aplicada. No tenemos que financiar lo aplicado porque el mercado se encargará de eso. Y en cuanto a lo básico, la mano invisible no funciona tan bien en esos casos, o funciona más lento de lo que a todos les gustaría.

Creo que vas a tener a un montón de académicos escuchando esto porque tienen curiosidad por lo que dices. ¿Qué debería estar mirando la gente? ¿Qué tipo de cosas entran en esa categoría? Quizás una crítica es que muchos de los estudios que veo en la academia son, digamos, proyectos de consultoría para empresas. ¿Cuáles son estos tipos básicos de ideas que la gente debería estar persiguiendo?

Erik Brynjolfsson: Bueno, hay muchas en muchas áreas diferentes, y creo que no quiero prescribirlas porque, en cierto modo, parte de la magia es dejar que la gente persiga sus propias ideas incluso si no hay nadie externo que vea su valor.

Dicho esto, te daré mi propia lista. Estoy enfocado en el lado económico. Creo que ahora mismo la brecha más grande es que no tenemos una buena comprensión de cómo la IA va a transformar la economía. Estamos creando entidades de procesamiento de información increíblemente poderosas. Como economista, puedes pensar en un mercado como una entidad de procesamiento de información. Puedes pensar en empresas y organizaciones como entidades de procesamiento de información. Si tenemos una mejora de mil o un millón de veces en IA, sería un milagro si las empresas y los mercados no se transformaran también y desarrolláramos nuevos tipos de organizaciones para gestionar el trabajo. Pero aún no lo hemos descubierto. Así que una gran parte de mi trabajo es tratar de entender, ¿cómo se ve la economía? [¿Cuáles son las] empresas, mercados y quizás algunos nuevos tipos de entidades a medida que la IA se vuelve más poderosa, a medida que agrega información, a medida que procesa información? Y luego, ¿cómo vamos a gestionar la concentración de riqueza y poder que podría resultar?

Soy muy optimista sobre el potencial de la tecnología para impulsar la productividad. Tengo una apuesta, una apuesta a largo plazo con [Robert Gordon de la Universidad Northwestern], y he escrito sobre cómo espero que crezca la productividad. Al mismo tiempo, estoy bastante preocupado de que si no lo manejamos bien, podría llevar a una mayor concentración de la riqueza, y eso tiende a llevar a una concentración del poder. Y eso podría dañar nuestras libertades si no ideamos un sistema económico que equilibre no solo la creación de riqueza sino también la prosperidad compartida.

Sam Ransbotham: Estaba revisando algunos de tus antecedentes antes de hablar, para refrescar, y vi la frase optimista consciente, y me impactó. Entonces, ¿qué se necesita para llegar a esta versión positiva del futuro versus la versión negativa del futuro?

Erik Brynjolfsson: Déjame tomarme un minuto para definir optimista consciente, porque tengo un significado muy específico para eso. Hay mucha gente aquí en Silicon Valley que son optimistas, pero creo que demasiados de ellos son una especie de optimistas ciegos. Dicen: "Oye, Erik, no te preocupes. Ha funcionado en el pasado. Funcionará en el futuro. Solo relájate". También hay mucha gente que son lo que llamo pesimistas ciegos. Dicen: "Oh, Dios mío, estamos condenados. No hay nada que podamos hacer". Creo que ambos grupos cometen el mismo error.

Es del que hablamos al principio del programa, que piensan en la IA como algo que nos va a hacer cosas a nosotros, en lugar de que nosotros tengamos la capacidad de controlar el futuro. Un optimista consciente es alguien que ve un futuro y luego trabaja para lograrlo, es consciente de crearlo, no asume que sucederá automáticamente.

No son como niños en Navidad [que] esperan que los regalos aparezcan mágicamente a la mañana siguiente, sino que son más como niños que ven un árbol, y ven algunas tablas, y piensan: "Oye, podríamos construir una casa en el árbol allí". Luego dicen: "Bueno, no va a suceder solo. Averigüemos cómo hacerlo". Y luego hacen realidad ese optimismo a través de su trabajo duro y su imaginación. Ese es el tipo de optimismo que me gustaría ver. No veo suficiente. Veo demasiada pasividad.

Di la conferencia de cierre a mi clase aquí en Stanford el viernes pasado, y una de las cosas que les dije fue que cada vez que escuchen... "IA" deberían pensar en intención amplificada, que la IA es el mayor amplificador de intención jamás creado. Cualquier cosa que quieran lograr, la IA puede amplificarla, pero no va a suceder sin esa agencia, sin esa intención.

Así que ese es un mensaje que quiero tener para el mundo en general: "Pensemos en cuáles son nuestros valores, qué tipo de economía queremos moldear, qué tipo de prosperidad compartida queremos crear". Y lo digo para todos, no solo para los tecnólogos y enviarles ese mensaje, sino también para los responsables políticos, también para los ciudadanos, para los trabajadores, para los gerentes. Pensemos en usar esto realmente de manera activa.

En los próximos 10 años, espero que el mundo cambie radicalmente. Pero no hay un futuro inevitable único. [Cuando] cruzas la frontera entre, digamos, [los] Estados Unidos y México u otros países, puedes ver que diferentes instituciones conducen a resultados muy diferentes, diferentes niveles de riqueza y democracia, y eso es lo mismo para el futuro. Podemos vivir en muchos futuros posibles diferentes. Una de las cosas que estoy haciendo aquí en el Laboratorio de Economía Digital es mucha investigación para entender qué caminos tienen más probabilidades de conducir a esos resultados beneficiosos.

Sam Ransbotham: Creo que es una excelente manera de terminar aquí. [No] tenemos respuestas fáciles en ninguna dirección. Las ganancias son reales, el daño es real, y cuál gana es una elección que estamos haciendo ahora y algo sobre lo que tenemos control.

Erik Brynjolfsson: Más que nunca. Una de las cosas interesantes es que este es el momento para los filósofos, las humanidades, los economistas y las personas que piensan sobre qué tipo de valores queremos instanciar en el mundo. Con este mayor poder viene una mayor responsabilidad y más potencial para cambiar el mundo. Así que realmente necesitamos pensar conscientemente sobre qué tipo de mundo queremos moldear en el futuro. No creo que se haya prestado suficiente atención a eso, pero el Laboratorio de Economía Digital está en parte enfocado en eso.

Sam Ransbotham: Gracias por traer los números y los matices. Nos vemos en Boston este verano.

Erik Brynjolfsson: Absolutamente. Lo espero con ansias, Sam. Fue un placer hablar contigo.

Allison Ryder: Gracias a todos por escuchar hoy. Estamos de descanso de verano y volveremos en otoño con una emocionante lista de oradores de Instacart, GoFundMe, Dropbox y Honeywell. Por favor, acompáñennos entonces.

Mientras tanto, ayuda mucho a nuestro programa si nos dejan una reseña en Apple Podcasts o una calificación en Spotify. Si nuestro programa realmente ha impactado su vida y trabajo, por favor escríbanos. Pueden contactarnos en smr-podcast@mit.edu. Nos encantaría saber de ustedes.

YO, MISMO Y AI^® es una marca registrada a nivel federal del Instituto de Tecnología de Massachusetts.