Nos hemos equivocado sobre la nueva tecnología antes. ¿Estamos equivocados con la IA?

El año es 1956. Eres un investigador que trabaja en International Business Machines, la principal empresa de máquinas tabulantes del mundo, que recientemente se ha diversificado en el nuevo campo de las computadoras electrónicas. Se le ha tardado en determinar qué fines, exactamente, sus clientes están utilizando los enormes mainframes de IBM.

La respuesta resulta ser bastante simple: las computadoras son para el ejército y solo para los militares. En 1955, el año anterior, con mucho, la mayor fuente de ingresos individuales para la división de computadoras de IBM fue el Proyecto Sage, una iniciativa del Departamento de Defensa que tarda en IBM con la creación de un sistema informático capaz de proporcionar advertencias tempranas en todo Estados Unidos si los bombarderos soviéticos con armas nucleares atacan al país. Eso trajo $ 47 millones en 1955, y otros proyectos militares recaudaron $ 35 millones. Mientras tanto, las computadoras programables vendidas a las empresas trajeron $ 12 millones.

Usted envía un memorando a su jefe explicando que el impacto de las computadoras en la sociedad será principalmente para darle a los Estados Unidos una ventaja en los soviéticos en la Guerra Fría. El impacto en el sector privado, por el contrario, parece menor. Te recuéstate en tu silla, enciendes un cigarrillo y reflexiona sobre el glorioso futuro del complejo industrial de defensa.

Por supuesto, estaría totalmente equivocado, no solo en el futuro lejano sino en el muy inmediato. Así es como se veían los ingresos de cada una de las divisiones informáticas de IBM en 1952 a 1964, compilada por el veterano de la compañía Emerson Pugh en su libro Edificio IBM:

Apenas dos años después de 1956, las computadoras programables vendidas a empresas privadas habían igualado a SAGE como fuente de ingresos. El año después de eso, el sector privado estaba trayendo tanto como los militares en general. Para 1963, ni siquiera una década después de los datos de 1955 que estaba mirando, el ejército parece ser un error de redondeo junto a los ingresos informáticos privados de IBM, que han crecido para dar cuenta de la mayoría de los ingresos de la compañía en los Estados Unidos.

¿Qué podemos aprender de cómo las personas usan AI en este momento?

Esta semana, los impresionantes equipos de economistas de OpenAI y Anthrope lanzaron informes grandes y cuidadosamente diseñados sobre cómo las personas están usando sus modelos de IA, y uno de mis primeros pensamientos fue: «Me pregunto cómo se habrían visto un informe de IBM sobre cómo las personas usaron sus primeras computadoras». (Divulgación: Diario Angelopolitano Media es uno de los varios editores que han firmado acuerdos de asociación con OpenAI. Nuestros informes siguen siendo editorialmente independientes. Además, Future Perfect es financiado en parte por la Fundación BEMC, cuyo principal financiador también fue uno de los primeros inversores en antrópico; no tienen ninguna información editorial en nuestro contenido).

Para ser claros: el nivel de atención que los equipos de las empresas de IA ponen en su trabajo es muchos, muchos órdenes de magnitud mayores que el que muestra nuestro analista ficticio de IBM. Los ingresos no son la mejor medida de interés y uso real del cliente; Todos sabían incluso en 1955 que las computadoras estaban mejorando rápidamente y sus usos cambiarían; Las empresas de IA tienen acceso a una impresionante variedad de datos en tiempo real sobre cómo se utilizan sus productos que habrían hecho que la familia Watson funcionara con IBM.

Dicho esto, creo que el ejemplo de IBM es útil para aclarar qué, exactamente, queremos salir de este tipo de datos.

Los informes de las empresas de IA son más útiles para darnos una instantánea de punto en el tiempo, y una historia reciente durante un par de años, sobre qué tipo de consultas se están enviando a Chatgpt y Claude. Es posible que haya leído a mi colega Shayna Korol en el futuro boletín perfecto del miércoles presentando los hallazgos de Operai, y también recomiendo el coautor del estudio y las publicaciones resumidas del profesor de Harvard David Deming. Pero algunas cosas geniales y no triviales que he aprendido de los dos informes son:

Pero soy codicioso. No solo quiero saber los hechos descriptivos de primer orden sobre cómo se usan estos modelos, a pesar de que esos son los tipos de preguntas estos documentos, y los datos internos que OpenAi y Anthrope recopilan en general, pueden responder. Las preguntas que realmente quiero responder sobre el uso de AI y sus ramificaciones económicas son más como:

Muchas personas hacen estas preguntas, y una cantidad impresionante de trabajo teórico se ha realizado en economía que ya está en ellas. He encontrado este conjunto de diapositivas de conferencias y citas en papel sobre los temas del economista Philip Trammell muy útil.

Pero ese trabajo teórico es principalmente en forma de «¿Cuáles son algunos conceptos que podríamos usar para dar sentido a lo que está sucediendo o sucederá en breve?» – ¡Es la teoría, ese es el punto! – y así deja a un hombre codicioso e impaciente como yo sin buenas respuestas, o incluso conjeturas particularmente buenas, en las preguntas anteriores. Es un lugar donde quiero una buena investigación empírica para darme un sentido de qué marcos teóricos corresponden a la realidad terrestre.

Mi miedo es que, por razones que explica la parábola de IBM, los detalles empíricos sobre cómo se está utilizando la IA ahora puede engañarnos sobre cómo se utilizará en el futuro y sobre sus efectos más importantes en nuestras vidas. Si congelas criogénicamente a nuestro analista de IBM en 1956 y los resucitó hoy para analizar los informes de Operai y antrópicos, ¿qué dirían sobre las preguntas más especulativas anteriores?

Podrían señalar el hecho de que el estudio de ChatGPT encontró que aproximadamente la mitad de todos los mensajes corresponden a un número bastante pequeño de «actividades laborales», según lo rastreado por el Departamento de Trabajo, como «Documentar/grabar información» y «tomar decisiones y resolver problemas». Esas son grandes categorías, pero la gente tiene que hacer mucho más en su trabajo que no cae bajo ellas. Nuestro analista de IBM podría concluir que la IA solo está automatizando una parte bastante pequeña de las tareas laborales, lo que significa que el trabajo humano y la IA se complementarán entre sí en el futuro.

Por otra parte, el analista podría observar el informe antrópico que encontró que los casos de uso de «automatización» (donde solo le dice a Claude que haga algo y que realice toda la tarea, tal vez con la retroalimentación humana periódica) son mucho más comunes entre las empresas que utilizan el backend de Anthrope para programar sus propias rutinas específicas de Claude que los casos de uso de «aumento» (cuando solicite a Claude para comentarios o para el aprendizaje, etc., y trabajo en concierto con el concierto). El aumento aún constituye una mayor parte de uso en el sitio web de Claude.ai, pero la participación de automatización también está creciendo allí. Nuestro analista podría ver esto y concluir que la IA y el trabajo humano terminarán como sustitutos, ya que los usuarios de Claude lo usan menos como un compañero que como agente que trabaja por sí solo.

Todas estas conclusiones serían prematuras hasta el punto de imprudencia. Es por eso que, para su crédito, los autores de los informes de Operai y Anthrope son muy cuidadosos sobre lo que hacen y no saben y pueden y no pueden inferir de su trabajo. No afirman que estos hallazgos pueden informarnos sobre los efectos medios o a largo plazo de la IA en la demanda laboral, o la distribución del crecimiento económico, o las profesiones que se verán más afectadas por la IA, a pesar de que eso es precisamente lo que muchos observadores externos están haciendo.

Por qué la IA es diferente del maíz (prometo que esto tiene sentido)

Así que permítanme terminar enfocándome en algo que los informes nos dicen que es, creo, de manera crucial. Uno de los hallazgos más antiguos en la economía de la innovación es que las nuevas tecnologías llevan tiempo, a menudo mucho tiempo, «difundirse» a través de la economía.

El papel clásico aquí es Zvi Griliches en 1957 sobre la propagación del maíz híbrido. El maíz híbrido no era un producto específico, sino un enfoque particular para reproducir semillas de maíz de manera óptima para un suelo específico en áreas específicas. Una vez que unos pocos agricultores en un estado adoptaron maíz híbrido, la absorción posterior parecía ser increíblemente rápida. ¡Mira esas curvas S!

Pero aunque la difusión dentro de los estados individuales fue rápida, la difusión entre los estados no. ¿Por qué Texas necesitaba una década después del aumento del maíz híbrido en Iowa para darse cuenta de que esto podría aumentar en gran medida los rendimientos? ¿Por qué parecía alcanzar un techo mucho más bajo del uso del 60-80%, en comparación con la absorción universal en Iowa? También ve este tipo de retrasos cuando se mira casos como electricidad y conjuntos de datos que cubren una amplia gama de inventos.

Algo que los datos antrópicos y Operai nos dicen con bastante claridad es que los retrasos de difusión para IA son, según los estándares históricos, muy cortos. La adopción de esta tecnología ha sido rápida, de hecho más rápida que los productos en línea anteriores como Facebook o Tiktok, y mucho menos de maíz híbrido.

Las tecnologías anteriores de uso general como la electricidad o la informática tardaron años o décadas en difundirse a través de la economía, lo que limitó su beneficio por un tiempo, pero también nos dio tiempo para adaptarnos. Es probable que no tengamos ese tiempo esta vuelta.