Jorge Luis Borges hace una distinción precisa en “Del rigor en la ciencia” (relato incluido en “El Hacedor”) para exponer, desde la prosa, la diferencia entre el mapa y el territorio. Un mapa perfecto, que emula el tamaño exacto del territorio que describe, deja de ser útil. Lo que hace valioso a un mapa no es su fidelidad total sino su capacidad de mostrar hacia dónde lleva el camino.
Dos trabajos de investigación publicados recientemente sobre el impacto de la inteligencia artificial en el mercado laboral replican la tensión borgeana. Uno mide el territorio tal como existe hoy, el otro traza el camino hacia donde apuntan los incentivos, por lo que leerlos en conjunto resulta más instructivo para trazar la ruta que sugiere la implementación de la IA.
El primero es de Massenkoff y McCrory, de Anthropic, publicado en marzo de este año y que ya hemos comentado en este espacio. Su trabajo construye una métrica que combina la capacidad teórica de los modelos grandes de lenguaje (LLMs, por sus siglas en inglés) con datos reales de uso de la plataforma Claude. Uno de sus hallazgos más llamativos es la forma en que mide la distancia entre lo que está herramienta podría hacer hacia adelante y lo que hace en el presente.
La IA todavía está lejos de su potencial técnico y en los datos de desempleo no hay señal sistemática de daño. Los trabajadores más expuestos no están perdiendo sus empleos a mayor ritmo que los menos expuestos, aunque existe una excepción. Los jóvenes de 22 a 25 años están siendo contratados a menor velocidad en las ocupaciones más expuestas, aunque para los autores, ésta aún es una señal temprana.
El segundo es de Falk y Tsoukalas, de Wharton y Boston University, publicado también en marzo. No mide lo que está pasando, sino que modela la estructura de incentivos que estamos construyendo. Cada empresa que automatiza captura el ahorro completo de reemplazar trabajadores con IA.
Pero la destrucción de demanda que ocasiona (al final las personas que trabajan también consumen bienes y servicios) se distribuye entre todas las empresas del sector. Cada empresa internaliza el beneficio y externaliza el costo y el resultado es un dilema del prisionero: la automatización es la estrategia dominante para cada empresa individualmente, aunque colectivamente deje a todas en un peor lugar (se reducen sus ingresos por ventas).
Los autores prueban matemáticamente que ningún mecanismo de mercado corrige esto de forma espontánea. Para sorpresa de nadie que haya estudiado microeconomía, la única intervención que funciona en el modelo es un impuesto pigouviano sobre la automatización, es decir, un cargo por tarea que obligue a cada empresa a internalizar el costo de la demanda que podría destruir antes de tomar la decisión.
Aunque no lo parezca, sí existe un puente entre ambos y lo que une a los dos trabajos es más importante que lo que los separa. Ambos parten de evidencia o de supuestos explícitos, que se pueden verificar y cuestionar, y son honestos sobre sus límites. Los dos trabajos, además, señalan la misma brecha, la que existe entre lo que la IA puede hacer técnicamente y lo que está haciendo en la práctica. Esto es, la distancia entre el comportamiento racional de cada empres y el resultado colectivo de ese comportamiento a escala.
Lo que los distingue es el horizonte. Massenkoff y McCrory están midiendo el presente, la IA todavía no ha cruzado el umbral donde sus efectos en el empleo sean inequívocos. Por su parte, Falk y Tsoukalas están modelando qué pasaría si ese umbral se cruza, ya que si la reabsorción de trabajadores desplazados es lenta o incompleta, la externalidad de demanda se activa y el mercado es incapaz de resolverla solo. Mientras los datos vigentes tranquilizan, el modelo nos advierte sobre el resultado final. Y son compatibles porque describen momentos distintos de la misma trayectoria.
Mi impresión es que la tensión entre ambos trabajos es precisamente la que conviene sostener. El diagnóstico de Falk y Tsoukalas no implica que el desastre sea inminente para ser útil, más bien requiere que identifiquemos la falla estructural antes de que los datos la confirmen. Un modelo útil no es aquel que anticipa el futuro sino el que ilumina el camino que nos conduce a determinado destino. Massenkoff y McCrory, por su parte, nos recuerdan que entre la capacidad técnica y el impacto económico hay una distancia que no se cruza sola, y que medirla con precisión importa más que amplificarla con urgencia.
En el eco borgeano que sostiene la pertinencia de esta moraleja, basta recordar que un mapa que revela el destino no se convierte en profecía sino en advertencia sobre los riesgos de andar sobre cada camino. Para los viajeros que aún ponderan por cuál ruta optar, este mapa permite enfrentar el sortilegio que se produce cuando se plane en el horizonte de la IA.
[1] Economista en Jefe de Finamex Casa de Bolsa y Fundador de Daat Analytics.
