EscucharLas herramientas de inteligencia artificial transformarán sin duda la naturaleza del trabajo. Los modelos de lenguaje de gran tamaño ya pueden generar informes de revisión sobre mis propios artículos de investigación que rivalizan con los de revisores humanos. A diferencia de las personas, que siempre están presionadas por el tiempo, un LLM “sabe” o puede acceder a una porción mucho mayor de la literatura de manera instantánea, y a menudo muestra menos sesgos. La IA señala mis debilidades analíticas, verifica pruebas y hace sugerencias de mejora. Solo en raras ocasiones los informes humanos son mejores, normalmente porque conectan ideas y ofrecen nuevas perspectivas.
No obstante, la euforia del mercado en torno a la IA se ha vuelto preocupante, especialmente considerando la magnitud de la emisión de deuda a gran escala por parte del sector. Por ello, vale la pena considerar en qué puntos de la cadena de suministro de la IA podrían surgir problemas.
La cadena de suministro comienza con los productores y diseñadores de infraestructura de IA: empresas como TSMC y Samsung, que fabrican chips; Nvidia, que los diseña; y Cisco, que proporciona conectividad. Luego vienen los hiperescaladores como Amazon, Google y Microsoft. Estos están construyendo centros de datos tanto para el uso de sus propios modelos de IA como para vender capacidad de cómputo (potencia de procesamiento) a terceros. Además de los hiperescaladores, hay compañías más especializadas como Equinix (centros de datos) y, por supuesto, Anthropic y OpenAI, desarrolladores de modelos fundacionales de lenguaje.
Finalmente, están los usuarios finales individuales y corporativos de los servicios de IA. El uso individual crece rápidamente, y el uso empresarial en algunas áreas (desarrollo de software y atención al cliente) se está disparando.
Pero la mayoría de las grandes empresas, aunque experimentan intensamente, aún no han implementado usos de extremo a extremo. Muchas todavía necesitan organizar sus datos históricos para entrenar la IA con fines propios, y reestructurar sus operaciones tradicionales para que la IA pueda desplegarse y mejorar con la experiencia. Además, muchas compañías, con razón, se preocupan por la seguridad de los datos, los errores de la IA y las “alucinaciones” que podrían dañar su imagen de marca. Aun así, a medida que empresas más jóvenes y menos conservadoras encuentren más usos para la IA, ejercerán presión competitiva sobre las firmas más antiguas y grandes para que cambien.
Sin embargo, la implementación de la IA podría interrumpirse de varias maneras, generando riesgos para los actores financiados con deuda. Por ejemplo, si las unidades de procesamiento gráfico, los CPU y los chips de memoria se vuelven más rápidos y energéticamente eficientes, el equipo que llena los centros de datos existentes podría depreciarse rápidamente, dificultando la amortización de sus costos. Y los LLM, que se han vuelto extraordinariamente capaces basados en lo que esencialmente es la predicción de la siguiente palabra, podrían estancarse hasta que surja alguna nueva técnica.
Por ahora, los laboratorios de IA están invirtiendo sumas masivas para entrenar modelos más nuevos y grandes, bajo la suposición de que el primer modelo que alcance un punto “mágico” en el que pueda mejorarse a sí mismo dominará el mundo de la IA y obtendrá enormes beneficios. Pero este escenario parece poco plausible. Incluso si existiera tal punto, los competidores aún podrían igualar el modelo del pionero (incluso contratando a empleados clave para obtener secretos técnicos).
Hasta ahora, ningún modelo de IA parece haber logrado una ventaja sostenida. A menos que Gemini (Google), Claude (Anthropic) y ChatGPT (OpenAI) logren diferenciarse apelando a segmentos específicos de usuarios (o mediante fusiones o colusión), es difícil ver de dónde provendrán las ganancias que justifiquen sus enormes inversiones en entrenamiento.
Además, aunque los políticos han permanecido en gran medida al margen hasta ahora, las intervenciones de política pública para abordar los riesgos y preocupaciones en torno a la IA son inevitables. Dado que los centros de datos consumen enormes cantidades de energía —lo que eleva el precio de la electricidad para todos— los gobiernos estatales y locales estarán bajo mayor presión política para limitar su construcción. En Indiana, por ejemplo, varios condados proclamaron recientemente una moratoria sobre la construcción de centros de datos.
Las proyecciones para el próximo año ya sugieren que los fabricantes de hardware y los centros de datos no podrán suministrar suficiente capacidad de cómputo en Estados Unidos. Y a medida que aumenten las escaseces de cómputo, los usuarios finales tendrán más razones para retrasar su implementación. No se pueden reorganizar todas las operaciones en torno a la IA si existen dudas razonables sobre la fiabilidad del acceso o los precios en el futuro.
Peor aún, mientras que el uso generalizado puede tardar más de lo esperado, el uso malicioso por parte de hackers y creadores de deepfakes, así como el uso no supervisado por parte de niños, está creciendo rápidamente. No es difícil imaginar escenarios desastrosos, como un ciberincidente letal, un uso indebido masivo de datos por agentes de IA, o modelos mal entrenados que aconsejen a niños cometer actos de violencia contra sí mismos u otros (algo que ya ha ocurrido). El coro que exige regulación y mayor responsabilidad para los modelos de IA solo irá en aumento. Los riesgos de una IA fuera de control incluso podrían impulsar un diálogo muy necesario entre las principales potencias, quizás conduciendo a una especie de Convención de Ginebra sobre la IA.
Quizás el detonante más importante para la intervención política sería una pérdida masiva de empleos relacionada con la IA. Temiendo una reacción política o social, incluso las empresas inclinadas a adoptar la IA podrían mostrarse reacias a despedir empleados redundantes fuera de una recesión, reduciendo así los beneficios de su implementación y difusión.
Dadas todas estas incertidumbres, está lejos de ser claro cuán ampliamente y con qué rapidez se desplegará la IA, y quién se beneficiará. Los fabricantes y diseñadores de hardware parecían bien posicionados, dada la enorme demanda de cómputo. Pero si la construcción de centros de datos se interrumpe, eso podría trasladar las ganancias hacia los hiperescaladores y los laboratorios de IA. Estos podrían reducir la cantidad de cómputo dedicada al entrenamiento de mejores modelos, que les otorga solo ventajas fugaces, y orientarse a vender la capacidad que ya han asegurado a empresas que utilizan sus modelos actuales, ya bastante capaces. Cambios de este tipo también son probables si las capacidades de los modelos se estancan. La regulación también podría obligar a los desarrolladores a dedicar más esfuerzo a mejorar el entrenamiento y la seguridad de los modelos existentes, generando mayor confianza pública.
La buena noticia es que un despliegue de IA más limitado y cuidadoso podría dar a las empresas más tiempo para encontrar usos que complementen el trabajo humano (en lugar de sustituirlo), y a los gobiernos y trabajadores más tiempo para adaptarse. La mala noticia es que las visiones eufóricas de ganancias excepcionales rápidas podrían ser infundadas, un problema particular para las empresas de IA que deben cumplir con exigentes pagos de deuda. Los avances en IA probablemente darán frutos con el tiempo. Pero no todos los proveedores obtendrán beneficios, ni siquiera sobrevivirán.
---
Raghuram G. Rajan, exgobernador del Banco de la Reserva de la India y execonomista jefe del Fondo Monetario Internacional, es profesor de Finanzas en la Escuela de Negocios Booth de la Universidad de Chicago, presidente del Grupo de los Treinta, presidente de la Fundación Per Jacobsson y coautor (junto con Rohit Lamba) de Breaking the Mold: India’s Untraveled Path to Prosperity (Princeton University Press, mayo de 2024).
