Por Ricardo Hausmann
CAMBRIDGE – Alerta de spoiler: no voy a hablar de cómo responde ChatGPT cuando se le pregunta por estrategias de desarrollo económico. Básicamente, regurgita ideas razonables, pero mediocres, que ha visto en su set de entrenamiento. Pero el diseño de ChatGPT, que le ha dado capacidades mucho mejores de lo que anticipaban sus creadores, ofrece una lección valiosa para abordar las complejidades del desarrollo económico.
Durante más de diez años, las redes neuronales profundas (DNN por su sigla en inglés) han superado a todas las otras tecnologías de inteligencia artificial, impulsando avances importantísimos en el campo de la visión artificial, del reconocimiento del habla y de la traducción. La aparición de los chatbots de IA generativa como ChatGPT sigue esta tendencia.
Para aprender, los algoritmos de IA necesitan de entrenamiento, que se puede alcanzar mediante dos estrategias principales: un aprendizaje supervisado y un aprendizaje no supervisado. En el aprendizaje supervisado, las personas le presentan a la computadora un conjunto de fotos etiquetadas como “perro”, “gato”, “hamburguesa”, “auto” y demás. Luego se pone a prueba el algoritmo para determinar qué capacidad tiene para predecir las etiquetas asociadas con imágenes que todavía no ha visto.
El problema con la estrategia supervisada es que exige que las personas lleven a cabo el tedioso proceso de etiquetar manualmente cada imagen. Por el contrario, el aprendizaje no supervisado no depende de datos etiquetados. Pero la falta de etiquetas plantea el interrogante de qué es lo que, supuestamente, debe aprender el algoritmo. Para resolverlo, ChatGPT entrena al algoritmo simplemente para predecir la próxima palabra del texto que se usa para entrenarlo.
Predecir la próxima palabra puede parecer una tarea trivial, similar a la función de autocompletar en el Buscador de Google. Pero el modelo de ChatGPT le permite realizar tareas sumamente complicadas, como aprobar el examen de abogacía con una calificación más alta de la que obtendría la mayoría de los estudiantes de derecho sobresalientes.
La clave de estas proezas reside en el poder espectacular de este simple proceso de aprendizaje. Para que pueda predecir la próxima palabra, se obliga al algoritmo a desarrollar una comprensión minuciosa del contexto, la gramática, la sintaxis, el estilo y mucho más. El nivel de sofisticación que alcanzó sorprendió a todos, inclusive a sus diseñadores. Las DNN demostraron ser capaces de funcionar mucho mejor sin intentar incorporar en los modelos de aprendizaje del lenguaje las teorías que los lingüistas venían desarrollando desde hace décadas.
La lección para el desarrollo económico es que los responsables de las políticas deberían enfocarse en una tarea que puede parecer mundana, siempre que, para sobresalir en ella, indirectamente se vean obligados a aprender desafíos de desarrollo mucho más intrincados.
Por el contrario, la estrategia prevaleciente en el campo de la economía del desarrollo ha sido distinguir entre las causas inmediatas y los determinantes más profundos del crecimiento, y enfocarse en estos últimos. Esta estrategia equivale a decir: “En lugar de intentar predecir la próxima palabra, hay que entender el contexto y el significado de todo el libro”.
En su libro de 2012 Why Nations Fail, por ejemplo, Daron Acemoglu y James A. Robinson sostienen que las instituciones, al afectar la estructura de los incentivos en la sociedad, son el máximo determinante de los resultados económicos. El economista Oded Galor, de la Universidad Brown, ha adoptado una estrategia diferente: hacer hincapié en las complejas transformaciones demográficas y tecnológicas que sacaron a la humanidad del equilibrio malthusiano y condujeron a una expectativa de vida más larga, tasas de fertilidad más bajas y una mayor inversión en educación. En conjunto, estas tendencias impulsaron la participación de las mujeres en la fuerza laboral y aumentaron la disponibilidad de las capacidades necesarias para sustentar la adopción de tecnología y el crecimiento económico.
Ahora bien, ¿estas teorías se condicen con los hechos? En los últimos 40 años, el mundo en desarrollo ha experimentado muchas de las transformaciones radicales que describía Galor. Como observó el difunto físico Hans Rosling, las brechas entre los países en desarrollo y desarrollados en materia de expectativa de vida, mortalidad infantil, fertilidad, educación, inscripción universitaria, participación de las mujeres en la fuerza laboral y urbanización se han achicado marcadamente. Siguiendo el razonamiento de Acemoglu y Robinson, las instituciones de los países en desarrollo no pueden haber sido tan malas si lograron hacer progresos en tantos frentes. En el esquema de Galor, el progreso en todos estos frentes debería explicar por qué los países en desarrollo se equipararon tanto con el mundo desarrollado en términos de ingresos.
Solo que no fue el caso: el país mediano no está más cerca de los niveles de ingresos de Estados Unidos que hace 40 años. ¿Cómo es posible que las brechas menguantes en educación, salud, urbanización y empoderamiento femenino no lograron achicar también la brecha de ingresos? ¿Por qué el progreso en los supuestos determinantes más profundos no ha cumplido con lo esperado?
Para entender este desenlace desconcertante, los economistas invocan una brecha tecnológica cada vez mayor. Más que una explicación, se trata de una necesidad matemática: si más insumos no generan más producción, algo debe estar haciendo que los insumos sean menos efectivos.
Para explicar este desenlace inesperado, resulta útil observar que los pocos países que sí lograron equipararse comparten dos características distintivas: sus exportaciones crecieron mucho más rápido que su PIB y diversificaron sus exportaciones enfocándose en productos más complejos.
Para alcanzar este logro, estos países exitosos deben de haber adoptado y adaptado mejores tecnologías, ajustado la provisión de bienes públicos y sus instituciones para respaldar a las industrias emergentes y reducido las ineficiencias y los costos aumentando la productividad y capacitando a los trabajadores. En ese proceso, pueden haber solucionado muchos otros problemas.
Una estrategia de desarrollo inspirada en ChatGPT se centraría en un objetivo simple: mejorar la competitividad, la diversidad y la complejidad de las exportaciones. Para descifrar cómo se hace esto, los responsables de las políticas tendrían que aprender a hacer cosas importantes, de la misma manera que predecir la próxima palabra le permitió a ChatGPT aprender el contexto, la gramática, la sintaxis y el estilo.
Al igual que los primeros programadores de IA a quienes los lingüistas distrajeron con sus teorías enrevesadas, los responsables de las políticas se han distraído con demasiados objetivos, como los 17 Objetivos de Desarrollo Sostenible de las Naciones Unidas. Pero aplicar la estrategia de ChatGPT al desarrollo económico podría simplificar las cosas: de la misma manera que el modelo del lenguaje intenta predecir solo la próxima palabra, los responsables de las políticas podrían intentar dedicarse a facilitar la próxima exportación, como parecen haber hecho los países exitosos. Si bien esto puede parecer un paso pequeño, podría conducirnos a resultados sorprendentemente relevantes.
Ricardo Hausmann, exministro de Planificación de Venezuela y execonomista jefe del Banco Interamericano de Desarrollo, es profesor en la Escuela de Gobierno John F. Kennedy de la Universidad de Harvard y director del Harvard Growth Lab.
Copyright: Project Syndicate, 2023.
www.project-syndicate.org
