En 1950, Alan Turing propuso un “juego de imitación” como prueba definitiva para saber si una máquina era inteligente: ¿podría una máquina imitar a un ser humano tan bien que sus respuestas a las preguntas fueran indistinguibles de las de un ser humano? Desde entonces, crear una inteligencia que se asemeje a la humana ha sido, implícita o explícitamente, el objetivo de miles de investigadores, ingenieros y empresarios. Los beneficios de la inteligencia artificial similar a la humana (HLAI) incluyen el aumento de la productividad, el incremento del ocio y, quizás lo más profundo, una mejor comprensión de nuestras propias mentes.
Pero no todos los tipos de IA son similares a los humanos de hecho, muchos de los sistemas más potentes son muy diferentes a los humanos y un enfoque excesivo en el desarrollo y despliegue de la IAH puede llevarnos a una trampa. A medida que las máquinas se convierten en mejores sustitutos del trabajo humano, los trabajadores pierden poder de negociación económica y política y se vuelven cada vez más dependientes de quienes controlan la tecnología. En cambio, cuando la IA se centra en aumentar a los humanos en lugar de imitarlos, los humanos conservan el poder de insistir en una parte del valor creado. Además, el aumento crea nuevas capacidades y nuevos productos y servicios, generando en última instancia mucho más valor que la IA meramente humana. Aunque ambos tipos de IA pueden ser enormemente beneficiosos, actualmente hay un exceso de incentivos para la automatización en lugar del aumento entre los tecnólogos, los ejecutivos de las empresas y los responsables políticos.
Alan Turing no fue, ni mucho menos, el primero en imaginar máquinas con apariencia humana. Según la leyenda, hace 3.500 años, Dædalus construyó estatuas humanoides tan reales que se movían y hablaban por sí solas. Casi todas las culturas tienen sus propias historias de máquinas similares a los humanos, desde el hombre de cuero de Yanshi descrito en el antiguo texto chino Liezi hasta el Talus de bronce de la Argonáutica y el imponente Mokkerkalfe de arcilla de la mitología nórdica. La palabra robot apareció por primera vez en la influyente obra de teatro de Karel Čapek. Los robots universales de Rossum deriva de la palabra checa robota, que significa servidumbre o trabajo. De hecho, en los primeros borradores de su obra, Čapek los llamó labori hasta que su hermano Josef sugirió sustituirlos por la palabra robot.
Por supuesto, una cosa es contar cuentos sobre máquinas humanoides. Otra cosa es crear robots que hagan un trabajo real. A pesar de todas las historias inspiradoras de nuestros antepasados, somos la primera generación que construye y despliega robots reales en grandes cantidades. Decenas de empresas están trabajando en robots tan humanos, si no más, como los descritos en los textos antiguos. Se podría decir que la tecnología ha avanzado lo suficiente como para no distinguirse de la mitología.
Los avances de la robótica no dependen únicamente de manos y piernas mecánicas más diestras y ojos y oídos sintéticos más perceptivos, sino también de una inteligencia artificial cada vez más parecida a la humana. Los potentes sistemas de IA están cruzando umbrales clave: igualando a los humanos en un número creciente de tareas fundamentales como el reconocimiento de imágenes y el reconocimiento del habla, con aplicaciones que van desde los vehículos autónomos y el diagnóstico médico hasta la gestión de inventarios y las recomendaciones de productos. La IA aparece cada vez en más productos y procesos.
Estos avances son fascinantes y estimulantes. También tienen profundas implicaciones económicas. Al igual que las tecnologías de propósito general anteriores, como la máquina de vapor y la electricidad, catalizaron una reestructuración de la economía, nuestra propia economía se ve cada vez más transformada por la IA. Se puede argumentar que la IA es la más general de todas las tecnologías de propósito general: después de todo, si podemos resolver el rompecabezas de la inteligencia, ayudaría a resolver muchos de los otros problemas del mundo. Y estamos haciendo notables progresos. En la próxima década, la inteligencia de las máquinas será cada vez más potente y omnipresente. Podemos esperar una creación de riqueza récord como resultado.
Replicar las capacidades humanas es valioso no sólo por su potencial práctico para reducir la necesidad de trabajo humano, sino también porque puede ayudarnos a construir formas de inteligencia más robustas y flexibles. Mientras que las tecnologías de dominio específico pueden progresar rápidamente en tareas limitadas, se hunden cuando surgen problemas inesperados o circunstancias inusuales. Ahí es donde sobresale la inteligencia de tipo humano. Además, la HLAI podría ayudarnos a comprender mejor a nosotros mismos. Apreciamos y comprendemos mejor la mente humana cuando trabajamos para crear una artificial.
Veamos con más detalle cómo el HLAI podría conducir a un reajuste del poder económico y político.
Los efectos distributivos de la IA dependen de si se utiliza principalmente para aumentar el trabajo humano o para automatizarlo y sustituirlo. Cuando la IA aumenta las capacidades humanas, permitiendo a las personas hacer cosas que antes no podían, entonces los seres humanos y las máquinas son complementarios. La complementariedad implica que las personas siguen siendo indispensables para la creación de valor y conservan el poder de negociación en los mercados laborales y en la toma de decisiones políticas. En cambio, cuando la IA replica y automatiza las capacidades humanas existentes, las máquinas se convierten en mejores sustitutos del trabajo humano y los trabajadores pierden poder de negociación económica y política. Los empresarios y ejecutivos que tienen acceso a máquinas con capacidades que replican las de los humanos para una tarea determinada pueden y a menudo sustituirán a los humanos en esas tareas.
Una economía totalmente automatizada podría, en principio, estructurarse para redistribuir ampliamente los beneficios de la producción, incluso entre aquellos que ya no son estrictamente necesarios para la creación de valor. Sin embargo, los beneficiarios estarían en una posición de negociación débil para evitar un cambio en la distribución que les dejara con poco o nada. Dependerían precariamente de las decisiones de quienes controlan la tecnología. Esto abre la puerta a una mayor concentración de la riqueza y el poder.
Esto pone de manifiesto la promesa y el peligro de lograr la HLAI: construir máquinas diseñadas para superar el Test de Turing y otras métricas más sofisticadas de inteligencia similar a la humana. Por un lado, es un camino hacia una riqueza sin precedentes, un aumento del ocio, una inteligencia robusta e incluso una mejor comprensión de nosotros mismos. Por otro lado, si la HLAI lleva a las máquinas a automatizar en lugar de aumentar el trabajo humano, crea el riesgo de concentrar la riqueza y el poder. Y con esa concentración viene el peligro de quedar atrapados en un equilibrio en el que los que no tienen poder no tienen forma de mejorar sus resultados, una situación que llamo la Trampa de Turing.
El gran reto de la próxima era será aprovechar los beneficios sin precedentes de la IA, incluidas sus manifestaciones de tipo humano, evitando al mismo tiempo la trampa de Turing. Para tener éxito en esta tarea es necesario comprender cómo el progreso tecnológico afecta a la productividad y la desigualdad, por qué la trampa de Turing es tan tentadora para los diferentes grupos, y una visión de cómo podemos hacerlo mejor.
El pionero de la IA, Nils Nilsson, señaló que “lograr una IA de nivel humano real implicaría necesariamente que la mayoría de las tareas que los humanos realizan a cambio de una remuneración pudieran automatizarse”. En el mismo artículo, pedía un esfuerzo centrado en la creación de tales máquinas, escribiendo que “lograr una IA de nivel humano o ‘IA fuerte’ sigue siendo el objetivo final de algunos investigadores” y lo contraponía a la “IA débil”, que busca “construir máquinas que ayuden a los humanos”. No es de extrañar que, teniendo en cuenta estos apelativos, el trabajo hacia la “IA fuerte” atrajera a muchas de las mentes más brillantes hacia la búsqueda de la automatización total del trabajo humano -implícita o explícitamente-, en lugar de asistirlo o aumentarlo.
A efectos de este ensayo, en lugar de IA fuerte frente a IA débil, utilizaremos los términos automatización frente a aumento. Además, utilizaré HLAI para referirme a la inteligencia artificial similar a la humana, no a la IA de nivel humano, porque esta última implica erróneamente que la inteligencia se sitúa en una sola dimensión, y quizá incluso que los humanos están en la cúspide de esa métrica. En realidad, la inteligencia es multidimensional: una calculadora de bolsillo de los años 70 supera al humano más inteligente en algunos aspectos (como la multiplicación), al igual que un chimpancé (memoria a corto plazo). Al mismo tiempo, las máquinas y los animales son inferiores a la inteligencia humana en otras muchas dimensiones. El término “inteligencia general artificial” (AGI) se utiliza a menudo como sinónimo de HLAI. Sin embargo, tomada literalmente, es la unión de todos los tipos de inteligencia, capaz de resolver tipos de problemas que son solucionables por cualquier humano, animal o máquina existente. Esto sugiere que la AGI no es similar a la humana.
La buena noticia es que tanto la automatización como el aumento pueden aumentar la productividad laboral, es decir, la relación entre la producción de valor añadido y las horas de trabajo. A medida que la productividad aumenta, también lo hacen los ingresos medios y el nivel de vida, así como nuestra capacidad para hacer frente a retos que van desde el cambio climático y la pobreza hasta la atención sanitaria y la longevidad. Matemáticamente, si el trabajo humano utilizado para un determinado producto disminuye hacia cero, la productividad laboral crecería hasta el infinito.
La mala noticia es que ninguna ley económica garantiza que todos se repartan este pastel creciente. Aunque los modelos pioneros de crecimiento económico daban por sentado que el cambio tecnológico era neutral, en la práctica el cambio tecnológico puede ayudar o perjudicar desproporcionadamente a algunos grupos, aunque sea beneficioso por término medio.
En particular, la forma en que se distribuyen los beneficios de la tecnología depende en gran medida de cómo se despliega la tecnología y de las reglas y normas económicas que rigen la asignación de equilibrio de bienes, servicios y rentas. Cuando las tecnologías automatizan el trabajo humano, tienden a reducir el valor marginal de las contribuciones de los trabajadores, y una mayor parte de las ganancias va a parar a los propietarios, empresarios, inventores y arquitectos de los nuevos sistemas. Por el contrario, cuando las tecnologías aumentan las capacidades humanas, una mayor parte de las ganancias va a parar a los trabajadores humanos.
Una falacia común es suponer que todas o la mayoría de las innovaciones que mejoran la productividad pertenecen a la primera categoría: la automatización. Sin embargo, la segunda categoría, el aumento, ha sido mucho más importante durante la mayor parte de los dos últimos siglos. Una medida de esto es el valor económico de una hora de trabajo humano. Su precio de mercado, medido por los salarios medios, se ha multiplicado por más de diez desde 1820. Un empresario está dispuesto a pagar mucho más por un trabajador cuyas capacidades se amplían con una excavadora que por uno que sólo puede trabajar con una pala, y mucho menos con las manos desnudas.
En muchos casos, no sólo los salarios sino también el empleo crecen con la introducción de nuevas tecnologías. Con la invención de los motores a reacción, la productividad de los pilotos (en millas de pasajeros por hora de vuelo) aumentó enormemente. En lugar de reducir el número de pilotos empleados, la tecnología estimuló tanto la demanda de viajes aéreos que el número de pilotos aumentó. Aunque esta pauta es reconfortante, el rendimiento pasado no garantiza los resultados futuros. Las tecnologías modernas -y, lo que es más importante, las que se están desarrollando- son diferentes de las que fueron importantes en el pasado.
En los últimos años, hemos observado una creciente evidencia de que no sólo está disminuyendo la participación del trabajo en la economía, sino que incluso entre los trabajadores, algunos grupos están empezando a quedarse aún más atrás. En los últimos cuarenta años, el número de millonarios y multimillonarios ha crecido, pero el salario medio real de los estadounidenses con sólo estudios secundarios ha disminuido. Aunque hay muchos fenómenos que han contribuido a ello, como los nuevos modelos de comercio mundial, los cambios en el despliegue tecnológico son la principal explicación.
Si el capital en forma de IA puede realizar más tareas, los que tienen activos, talentos o habilidades únicas que no son fácilmente reemplazables con la tecnología se benefician de forma desproporcionada. El resultado ha sido una mayor concentración de la riqueza.
En última instancia, el enfoque en una IA más parecida a la humana puede hacer que la tecnología sea un mejor sustituto para los muchos trabajadores que no son superestrellas, reduciendo sus salarios en el mercado, incluso cuando amplía el poder de mercado de unos pocos. Esto ha creado un temor creciente a que la IA y los avances relacionados conduzcan a una clase creciente de personas sin empleo o de “producto marginal cero”.
Un mercado sin trabas puede crear incentivos socialmente excesivos para las innovaciones que automatizan el trabajo humano y producir incentivos débiles para la tecnología que aumenta los seres humanos. El primer teorema fundamental del bienestar de la economía afirma que, en determinadas condiciones, los precios de mercado conducen a un resultado óptimo de pareto: es decir, uno en el que nadie puede mejorar su situación sin empeorar la de otro. Pero el teorema no se cumple cuando hay innovaciones que cambian el conjunto de posibilidades de producción o externalidades que afectan a personas que no forman parte del mercado.
Tanto las innovaciones como las externalidades son de vital importancia para los efectos económicos de la IA, ya que ésta no sólo es una innovación en sí misma, sino que también desencadena cascadas de innovaciones complementarias, desde nuevos productos hasta nuevos sistemas de producción. Además, los efectos de la IA, especialmente en el trabajo, están plagados de externalidades. Cuando un trabajador pierde oportunidades de obtener ingresos laborales, los costes van más allá del nuevo desempleado y afectan a muchos otros en su comunidad y en la sociedad en general. Con el desvanecimiento de las oportunidades a menudo llegan los caballos negros del alcoholismo, la delincuencia y el abuso de opioides. Recientemente, Estados Unidos ha experimentado el primer descenso de la esperanza de vida de su historia, como resultado del aumento de las muertes por suicidio, sobredosis de drogas y alcoholismo, lo que los economistas Anne Case y Angus Deaton llaman “muertes por desesperación”.
Esta espiral de marginación puede crecer porque la concentración del poder económico suele engendrar la concentración del poder político. En palabras atribuidas a Louis Brandeis: “Podemos tener democracia, o podemos tener riqueza concentrada en manos de unos pocos, pero no podemos tener ambas cosas”. En cambio, cuando los seres humanos son indispensables para la creación de valor, el poder económico tenderá a estar más descentralizado. Históricamente, la mayor parte del conocimiento económicamente valioso lo que el economista Simon Kuznets denominó “conocimiento útil” residía en los cerebros humanos. Pero ningún cerebro humano puede contener ni siquiera una pequeña fracción del conocimiento útil necesario para dirigir incluso una empresa de tamaño medio, por no hablar de toda una industria o economía, por lo que el conocimiento tuvo que ser distribuido y descentralizado. La descentralización del conocimiento útil, a su vez, descentraliza el poder económico y político.
A diferencia de los bienes no humanos, como la propiedad y la maquinaria, gran parte del conocimiento de una persona es inalienable, tanto en el sentido práctico de que ninguna persona puede saber todo lo que otra sabe, como en el sentido jurídico de que su propiedad no puede transferirse legalmente. Por el contrario, cuando el conocimiento se codifica y digitaliza, puede ser poseído, transferido y concentrado muy fácilmente. Así, cuando el conocimiento pasa de los humanos a las máquinas, se abre la posibilidad de concentración de poder. Cuando los historiadores echen la vista atrás a las dos primeras décadas del siglo XXI, observarán el sorprendente crecimiento de la digitalización y la codificación de la información y el conocimiento. Paralelamente, los modelos de aprendizaje automático son cada vez más grandes, con cientos de miles de millones de parámetros, utilizando más datos y obteniendo resultados más precisos.
De manera más formal, la teoría de los contratos incompletos muestra cómo la propiedad de activos clave proporciona poder de negociación en las relaciones entre agentes económicos (como empresarios y empleados, o propietarios de empresas y subcontratistas). En la medida en que una persona controla un activo indispensable (como el conocimiento útil) necesario para crear y suministrar los productos y servicios de una empresa, esa persona puede obtener no sólo mayores ingresos, sino también una voz en la toma de decisiones. Cuando el conocimiento útil es inalienable en los cerebros humanos, también lo es el poder que confiere. Pero cuando se hace alienable, permite una mayor concentración de la toma de decisiones y del poder.
Los riesgos de la trampa de Turing se amplifican porque tres grupos de personas -tecnólogos, empresarios y responsables políticos- la encuentran atractiva. Los tecnólogos llevan décadas tratando de replicar la inteligencia humana para afrontar el reto recurrente de lo que los ordenadores no pueden hacer. La invención de los ordenadores y el nacimiento del término “cerebro electrónico” fueron el último combustible para la continua batalla entre los tecnólogos y los filósofos humanistas. Los filósofos plantearon una larga lista de capacidades humanas ordinarias y elevadas que los ordenadores nunca podrían hacer. Ninguna máquina podría jugar a las damas, dominar el ajedrez, leer palabras impresas, reconocer el habla, traducir entre lenguas humanas, distinguir imágenes, subir escaleras, ganar al Jeopardy o al Go, escribir poemas, etc.
Para los profesores, resulta tentador asignar este tipo de proyectos a sus estudiantes de posgrado. Idear retos que sean nuevos, útiles y realizables puede ser tan difícil como resolverlos. En lugar de especificar una tarea que ni los humanos ni las máquinas hayan hecho nunca, ¿por qué no pedir al equipo de investigación que diseñe una máquina que replique una capacidad humana existente? A diferencia de otros objetivos más ambiciosos, la réplica tiene una prueba de existencia de que tales tareas son, en principio, factibles y útiles. Aunque el atractivo de los sistemas similares a los humanos es evidente, la paradójica realidad es que la HLAI puede ser más difícil y menos valiosa que los sistemas que alcanzan un rendimiento sobrehumano.
En 1988, el desarrollador de robótica Hans Moravec señaló que “es comparativamente fácil hacer que los ordenadores muestren un rendimiento de nivel adulto en pruebas de inteligencia o jugando a las damas, y difícil o imposible darles las habilidades de un niño de un año cuando se trata de percepción y movilidad”. Pero yo diría que, en muchos ámbitos, Moravec no fue lo suficientemente ambicioso. A menudo es comparativamente más fácil para una máquina lograr un rendimiento sobrehumano en nuevos dominios que igualar a los humanos ordinarios en las tareas que hacen regularmente.
Los humanos han evolucionado durante millones de años para poder consolar a un bebé, navegar por un bosque desordenado o arrancar el arándano más maduro de un arbusto, tareas que son difíciles, si no imposibles, para las máquinas actuales. Pero las máquinas destacan cuando se trata de ver rayos X, grabar millones de transistores en un fragmento de silicio o escanear miles de millones de páginas web para encontrar la más relevante. Imaginemos lo débil y limitada que sería nuestra tecnología si los ingenieros del pasado se limitaran a replicar los niveles humanos de percepción, actuación y cognición. El aumento de los seres humanos con la tecnología abre una frontera interminable de nuevas habilidades y oportunidades. El conjunto de tareas que los humanos y las máquinas pueden hacer juntos es, sin duda, mucho mayor que las que los humanos pueden hacer solos. (Véase la Figura 1.) Las máquinas pueden percibir cosas que son imperceptibles para los humanos, pueden actuar sobre los objetos de formas que ningún humano puede, y pueden comprender cosas que son incomprensibles para el cerebro humano. En palabras de Demis Hassabis, director general de Deepmind, el sistema de IA “no juega como un humano ni como un programa. Es como un ajedrez de otra dimensión “. El informático Jonathan Schaeffer explica el origen de su superioridad: “Estoy absolutamente convencido de que es porque no ha aprendido de los humanos”. Más fundamentalmente, inventar herramientas que aumenten el proceso de invención en sí mismo promete ampliar no sólo nuestras capacidades colectivas, sino acelerar el ritmo de expansión de esas capacidades.
Hay muchas más oportunidades en aumentar a los humanos para que hagan nuevas tareas en lugar de automatizar lo que ya pueden hacer.
¿Y los empresarios? A menudo consideran que la sustitución de la mano de obra humana por maquinaria es el fruto más fácil de la innovación. El enfoque más sencillo es aplicar la automatización “plug-and-play”: cambiar una pieza de maquinaria por cada tarea que realiza actualmente un humano. La automatización de las tareas reduce la necesidad de realizar cambios más radicales en los procesos empresariales. La automatización de las tareas reduce la necesidad de comprender las sutiles interdependencias y crea pruebas A-B fáciles, al centrarse en una tarea conocida con una mejora del rendimiento fácilmente medible.
Del mismo modo, dado que los costes de mano de obra son la mayor partida del presupuesto de casi todas las empresas, la automatización de los puestos de trabajo es una estrategia popular para los directivos. Reducir los costes -que puede ser un esfuerzo coordinado internamente- suele ser más fácil que ampliar los mercados. Además, muchos inversores prefieren modelos de negocio “escalables”, lo que suele ser sinónimo de una empresa que puede crecer sin necesidad de contratar y sin las complejidades que ello conlleva.
Pero también en este caso, cuando los empresarios se centran en la automatización, a menudo se proponen lograr una tarea que es a la vez menos ambiciosa y más difícil de lo necesario. Para entender los límites de la automatización orientada a la sustitución, consideremos un experimento mental. ¿Qué pasaría si nuestro viejo amigo Dædalus tuviera a su disposición un equipo de ingenieros de gran talento hace 3.500 años y, de alguna manera, hubiera construido máquinas similares a las humanas que automatizaran completamente todas las tareas relacionadas con el trabajo que hacían sus compañeros griegos?
- ¿Arrear ovejas? Automatizado.
- ¿Hacer cerámica de arcilla? Automatizado.
- ¿Tejer túnicas? Automatizado.
- ¿Reparar carros tirados por caballos? Automatizado.
- ¿Sangrar a las víctimas de enfermedades? Automatizado.
La buena noticia es que la productividad laboral se dispararía, liberando a los antiguos griegos para una vida de ocio. La mala noticia es que su nivel de vida y sus resultados en materia de salud no se acercarían a los nuestros. Al fin y al cabo, el valor que se puede obtener de las vasijas de barro y los carros tirados por caballos es limitado, incluso con cantidades ilimitadas y precios cero.
Por el contrario, la mayor parte del valor que ha creado nuestra economía desde la antigüedad proviene de nuevos bienes y servicios que ni siquiera los reyes de los antiguos imperios tenían, no de versiones más baratas de los bienes existentes. A su vez, se requieren innumerables tareas nuevas: en la actualidad, el 60% de las personas están empleadas en ocupaciones que no existían en 1940. En resumen, automatizar el trabajo acaba por desbloquear menos valor que aumentarlo para crear algo nuevo.
Al mismo tiempo, la automatización de todo un trabajo suele ser brutalmente difícil. La mayoría de los trabajos incluyen muchas tareas que son extremadamente difíciles de automatizar, incluso con las tecnologías más inteligentes. Por ejemplo, la IA puede ser capaz de leer mamografías mejor que un radiólogo humano, pero no puede realizar las otras veintiséis tareas asociadas al trabajo, según O-NET, como consolar a un paciente preocupado o coordinar un plan de atención con otros médicos. Mi trabajo con Tom Mitchell y Daniel Rock sobre la idoneidad para el aprendizaje automático descubrió muchas ocupaciones en las que las máquinas podrían contribuir con algunas tareas, pero cero ocupaciones de las 950 en las que el aprendizaje automático podría hacer el 100% de las tareas necesarias.
El mismo principio se aplica a los sistemas de producción más complejos que implican a varias personas trabajando juntas. Para tener éxito, las empresas suelen tener que adoptar una nueva tecnología como parte de un sistema de cambios organizativos que se refuerzan mutuamente.
Consideremos otro experimento mental: Imaginemos que Jeff Bezos hubiera “automatizado” las librerías existentes sustituyendo simplemente a todos los cajeros humanos por cajeros robots. Eso podría haber reducido un poco los costes, pero el impacto total habría sido escaso. En cambio, Amazon ha reinventado el concepto de librería combinando humanos y máquinas de forma novedosa. Como resultado, ofrecen una selección de productos, valoraciones, reseñas y consejos mucho más amplios, y permiten el acceso a la venta al por menor las 24 horas del día desde la comodidad de los hogares de los clientes. El poder de la tecnología no consiste en automatizar el trabajo de los humanos en el concepto de librería minorista existente, sino en reinventar y aumentar la forma en que los clientes encuentran, evalúan, compran y reciben los libros y, a su vez, otros productos minoristas.
En tercer lugar, los responsables políticos también han inclinado el campo de juego hacia la automatización del trabajo humano en lugar de aumentarlo. Por ejemplo, el código fiscal de Estados Unidos fomenta actualmente la inversión en capital frente a la inversión en mano de obra mediante tipos impositivos efectivos mucho más elevados sobre la mano de obra que sobre las instalaciones y los equipos.
Consideremos un tercer experimento mental: dos empresas potenciales utilizan cada una la IA para crear mil millones de dólares de beneficios. Si una de ellas lo consigue aumentando y empleando a mil trabajadores, la empresa deberá pagar el impuesto de sociedades y el de nóminas, mientras que los empleados pagarán el impuesto sobre la renta, el de nóminas y otros impuestos. Si la segunda empresa no tiene empleados, el gobierno puede recaudar los mismos impuestos de sociedades, pero no los impuestos sobre las nóminas ni los impuestos que pagan los trabajadores. Como resultado, el segundo modelo de negocio paga mucho menos en impuestos totales.
Esta disparidad se amplía porque el código fiscal trata con más dureza las rentas del trabajo que las del capital. En 1986, los tipos impositivos máximos sobre las rentas del capital y las rentas del trabajo se igualaron en Estados Unidos, pero desde entonces, los sucesivos cambios han creado una gran disparidad, con los tipos impositivos federales marginales máximos de 2021 sobre las rentas del trabajo del 37%, mientras que las ganancias del capital a largo plazo tienen una serie de normas favorables, incluyendo un tipo impositivo legal más bajo del 20%, el aplazamiento de los impuestos hasta que se realicen las ganancias del capital, y la norma de “base ascendente” que restablece las ganancias del capital a cero, eliminando los impuestos asociados, cuando se heredan los activos.
La primera regla de la política fiscal es sencilla: se tiende a obtener menos de lo que se grava. Así, un código fiscal que trata los ingresos que utilizan mano de obra de forma menos favorable que los ingresos derivados del capital favorecerá la automatización en detrimento del aumento. Deshacer este desequilibrio conduciría a unos incentivos más equilibrados. De hecho, dadas las externalidades positivas de una prosperidad más compartida, se podría argumentar a favor de tratar las rentas salariales de forma más favorable que las rentas del capital, por ejemplo, ampliando la desgravación fiscal por rentas del trabajo.
La política gubernamental en otras áreas también podría hacer más por alejar a la economía de la trampa de Turing. El creciente uso de la IA, aunque sólo sea para complementar a los trabajadores, y la mayor reinvención de las organizaciones en torno a esta nueva tecnología de uso general implica una gran necesidad de formación o reciclaje de los trabajadores. De hecho, por cada dólar gastado en tecnología de aprendizaje automático, las empresas pueden necesitar gastar nueve dólares en capital humano intangible. Sin embargo, la formación adolece de un grave problema de externalidad: las empresas que incurren en los costes de formación o reciclaje de los trabajadores pueden cosechar sólo una fracción de los beneficios de esas inversiones, y el resto puede ir a parar a otras empresas, incluidos los competidores, ya que estos trabajadores son libres de aportar sus habilidades a sus nuevos empleadores. Al mismo tiempo, los trabajadores suelen tener restricciones de efectivo y de crédito, lo que limita su capacidad para invertir en el desarrollo de sus propias habilidades. Esto implica que la política de los gobiernos debería proporcionar directamente esta formación o proporcionar incentivos para la formación empresarial que compensen las externalidades creadas por la movilidad laboral.
En resumen, los riesgos de la trampa de Turing aumentan no por un solo grupo de nuestra sociedad, sino por los incentivos desajustados de tecnólogos, empresarios y responsables políticos.
El futuro no está predestinado. Nosotros controlamos la medida en que la IA amplía las oportunidades humanas mediante el aumento o sustituye a los humanos mediante la automatización. Podemos trabajar en retos que sean fáciles para las máquinas y difíciles para los humanos, en lugar de difíciles para las máquinas y fáciles para los humanos. La primera opción ofrece la oportunidad de crecer y compartir el pastel económico aumentando la mano de obra con herramientas y plataformas. La segunda opción corre el riesgo de dividir el pastel económico entre un número cada vez menor de personas al crear una automatización que desplaza a cada vez más tipos de trabajadores.
Aunque ambos enfoques pueden contribuir al progreso, y de hecho lo hacen, demasiados tecnólogos, empresarios y responsables políticos han puesto el dedo en la balanza a favor de la sustitución. Además, la tendencia de una mayor concentración de poder tecnológico y económico a engendrar una mayor concentración de poder político corre el riesgo de atrapar a una mayoría impotente en un equilibrio infeliz: la trampa de Turing.
La reacción contra el libre comercio ofrece una historia de advertencia. Los economistas llevan mucho tiempo argumentando que el libre comercio y la globalización tienden a hacer crecer el pastel económico a través del poder de la ventaja comparativa y la especialización. También han reconocido que las fuerzas del mercado por sí solas no garantizan que todas las personas de todos los países salgan ganando. Así que propusieron un gran acuerdo: maximizar el libre comercio para maximizar la creación de riqueza y luego distribuir los beneficios ampliamente para compensar las ocupaciones, industrias y regiones perjudicadas. No ha funcionado como esperaban. A medida que los ganadores económicos ganaban poder, renegaban de la segunda parte del acuerdo, dejando a muchos trabajadores en peor situación que antes. El resultado ayudó a alimentar una reacción populista que condujo a los aranceles de importación y otras barreras al libre comercio. Los economistas lloraron.
Algunas de las mismas dinámicas ya están en marcha con la IA. Cada vez más estadounidenses, y de hecho trabajadores de todo el mundo, creen que aunque la tecnología puede estar creando una nueva clase multimillonaria, no está funcionando para ellos. Cuanto más se utilice la tecnología para reemplazar el trabajo en lugar de aumentarlo, peor será la disparidad y mayores serán los resentimientos que alimenten los instintos y las acciones políticas destructivas. Más fundamentalmente, el imperativo moral de tratar a las personas como fines, y no como meros medios, exige que todos compartan las ganancias de la automatización.
La solución no es frenar la tecnología, sino eliminar o revertir el exceso de incentivos para la automatización sobre el aumento. En conjunto, debemos construir instituciones políticas y económicas que sean robustas frente al creciente poder de la IA. Podemos revertir la creciente reacción tecnológica creando el tipo de sociedad próspera que inspira el descubrimiento, aumenta el nivel de vida y ofrece inclusión política para todos. Reorientando nuestros esfuerzos, podemos evitar la trampa de Turing y crear prosperidad para muchos, no sólo para unos pocos.
Nota del autor
Las ideas centrales de este ensayo se inspiraron en una serie de conversaciones con James Manyika y Andrew McAfee. Agradezco los valiosos comentarios y sugerencias sobre este trabajo de Matt Beane, Seth Benzell, Katya Klinova, Alena Kykalova, Gary Marcus, Andrea Meyer y Dana Meyer, pero no se les debe responsabilizar de los errores u opiniones del ensayo.
