¿Estamos midiendo bien el impacto económico de la IA?

Texto en el que el autor aboga por ideas y saca conclusiones basadas en su interpretación de hechos y datos ¿Qué sectores transformará más la inteligencia artificial (IA)? La respuesta más habitual cabe en una palabra: exposición; es decir, cuán expuesto está cada sector a los grandes modelos de lenguaje, los LLM por sus siglas en inglés. La lógica es intuitiva. Si descomponemos cada trabajo en las tareas que lo componen, podemos medir la exposición de cada sector estimando qué proporción de esas tareas pueden realizar los modelos de lenguaje. Así, las actividades intensivas en texto e información —como la edición o los servicios profesionales— son las más expuestas a la IA; en cambio, la construcción, la restauración o la reparación parecen estar mucho menos expuestas. Pero la exposición a la IA no lo es todo. Que un modelo sea capaz de hacer una tarea no implica que vaya a utilizarse. Entre la posibilidad técnica y la adopción hay otros factores, como el coste, la integración con los sistemas de la empresa, los datos, la regulación, la confianza y la necesidad de reorganizar procesos. Además, usar la IA no es sinónimo de crear valor. Reducir el tiempo necesario para hacer una tarea importa poco si esa tarea es marginal. En cambio, una mejora modesta en una decisión crítica —qué producto lanzar, cómo fijar un precio, a qué proveedor elegir o cuándo abandonar un proyecto— puede valer mucho. La exposición a la IA dibuja un mapa de posibilidades, pero no necesariamente un mapa de creación de valor. En un trabajo reciente con Martin Beraja, profesor de Haas School of Business de la Universidad de California en Berkeley, hemos diseñado una forma de medir la creación del valor que la IA puede crear generar al codificar el conocimiento existente en distintos sectores. Nos hemos basado en una ventaja que las empresas maduras poseen y las nuevas todavía no: conocimiento organizativo adquirido durante años. Por ejemplo, si miramos los datos del censo de Estados Unidos, observamos que las empresas con más de 46 años emplean, de media, unas siete veces más trabajadores que el conjunto de las empresas. Además, les quedan unos 23 años de vida esperada, frente a poco más de 10 años para una empresa nueva. Han aprendido cuál es su lugar en el mercado, cómo coordinar equipos, diseñar procesos y reconocer a tiempo las mala ideas. Mucho de este conocimiento es tácito y, por tanto, difícil de comunicar y codificar. Pero la IA lo cambia todo: al aprender de registros operativos, demostraciones y correcciones de expertos, puede codificar parte de la experiencia de una organización y ponerla al servicio de otras. Esta lógica ayuda a entender por qué Google ha ofrecido 10 millones de dólares por los datos internos de la quebrada Spirit Airlines con el objetivo de utilizarlos para entrenar sus modelos de IA. Nuestra investigación mide el valor de codificar el conocimiento organizativo, cerrando así la brecha de conocimiento entre empresas nuevas y veteranas. Es decir, en lugar de preguntar qué puede hacer la tecnología en cada sector, nos preguntamos cuánto valor crearía si pudiese codificar el conocimiento existente. La comparación sectorial revela hasta qué punto son distintas ambas preguntas. En los cuarenta sectores que hemos analizado, apenas existe correlación entre exposición y valor de codificación. Saber que un sector está muy expuesto a la IA nos dice muy poco sobre cuánto tiene que ganar por esta vía. La construcción y la fabricación de maquinaria ofrecen una ilustración útil. Su exposición a los modelos de lenguaje es casi idéntica y sus empresas maduras tienen una longevidad relativa similar. Sin embargo, una empresa madura de construcción emplea más de siete veces el número medio de trabajadores de su sector, frente a menos de tres veces en maquinaria. Bajo nuestro punto de vista, esto indica que el valor de codificar conocimiento es mucho mayor en el sector de la construcción que en el de la fabricación de maquinaria. Por tanto, cada sector puede medirse en torno a dos valores: el de exposición a los LLM y el de su valor de codificación. Los servicios profesionales puntúan alto en ambos: muchas de sus tareas parecen poder automatizarse con IA, y el valor de codificar el conocimiento organizativo existente en este sector es alto. La reparación y el mantenimiento puntúan bajo en ambos. También hay sectores en los que las dos medidas apuntan en direcciones opuestas. El sector editorial tiene una exposición alta porque gran parte de su trabajo se basa en texto, pero el valor de codificar su conocimiento organizativo está por debajo de la mediana. En la restauración ocurre lo contrario: los LLM pueden hacer una parte menor de las tareas, pero codificar el conocimiento organizativo tendría un valor más elevado. Para hacernos una idea de cuánto valor podría llegar a generar la IA si codifica el conocimiento organizativo en todos los sectores, me remito a los cálculos de nuestro estudio: eliminar por completo la brecha de conocimiento entre empresas nuevas y establecidas en Estados Unidos podría duplicar el PIB del país a largo plazo. La gran pregunta ahora es qué partes del conocimiento organizativo se resistirán a la IA. Eduard Talamàs, profesor del IESE.