EL IMPACTO DE LA REVOLUCIÓN DE LA INTELIGENCIA ARTIFICIAL ¿PROMESA O REALIDAD?

En 1950, Alan Turing, matemático inglés conocido por descifrar códigos durante la Segunda Guerra Mundial, propuso un experimento que revolucionaría nuestra visión de las máquinas inteligentes. Este «juego de imitación» buscaba determinar si una máquina podía responder como un ser humano de forma indistinguible. Desde entonces, alcanzar una inteligencia comparable a la humana ha sido el objetivo implícito o explícito de innumerables investigadores y emprendedores.

La fascinación por construir seres artificiales, sin embargo, no es nueva. A lo largo de la historia, diversas culturas imaginaron máquinas humanoides:

• Dédalo, el legendario inventor griego, creó estatuas tan realistas que parecían cobrar vida.
• En la antigua China, el hombre de cuero de Yanshi, descrito en el texto Liezi, representaba un prototipo de figura humanoide.
• En la mitología griega, Talos, un gigante de bronce, protegía la isla de Creta.
• En la tradición nórdica, Mokkerkalfe, un guerrero de arcilla, fue diseñado para luchar en batallas.

El término «robot» no aparecería hasta 1920, cuando Karel Čapek, dramaturgo checo, introdujo la palabra en su obra Rossum’s Universal Robots. Derivada del término checo «robota», que significa «trabajo» o «servicio», esta noción marcó el inicio de la era moderna de los autómatas.

La prueba de Turing, con su enfoque en simular el comportamiento humano, guio a la inteligencia artificial hacia un objetivo que algunos consideran limitado. Brynjolfsson, profesor en Stanford, lo describe como la «trampa de Turing»: un paradigma que prioriza la imitación de capacidades humanas sobre el desarrollo de herramientas que amplíen dichas capacidades.

Este enfoque contrasta con otras innovaciones. Por ejemplo, Henry Ford no intentó construir un automóvil que caminara como un humano, sino que diseñó una máquina que ampliara nuestras posibilidades de transporte. De manera similar, economistas como Daron Acemoglu, del MIT, y Pascual Restrepo, de la Universidad de Boston, critican las «tecnologías mediocres», aquellas que reemplazan a los trabajadores sin aportar aumentos significativos en productividad, como los quioscos de autopago.

La inteligencia artificial similar a la humana (HLAI, por sus siglas en inglés[v]) promete beneficios como un incremento drástico en la productividad, más tiempo de ocio y una mejor comprensión de nuestras propias mentes. Sin embargo, concentrar los esfuerzos exclusivamente en esta vertiente puede generar riesgos económicos y políticos. A medida que las máquinas sustituyen el trabajo humano, los trabajadores pierden poder de negociación, dejando el control del valor generado en manos de unos pocos.

Por el contrario, una IA diseñada para ampliar las capacidades humanas permite conservar el poder de negociación y fomenta la creación de nuevas oportunidades, productos y servicios. Este enfoque no solo genera más valor económico, sino que también promueve un desarrollo tecnológico más equilibrado y beneficioso.

Aunque ambas formas de IA tienen su utilidad, la automatización sigue siendo el objetivo prioritario de muchos tecnólogos, ejecutivos y legisladores. Este desequilibrio plantea la necesidad de reflexionar sobre qué tipo de futuro queremos construir con estas herramientas poderosas.

HLAI Y LA REDEFINICIÓN DEL PODER ECONÓMICO Y POLÍTICO

Echemos un vistazo más detallado a cómo la HLAI podría llevar a un reajuste del poder económico y político.

El impacto de la IA en la distribución del poder económico depende de su propósito principal: ¿ampliar las capacidades humanas o automatizarlas y reemplazarlas? Cuando la IA se utiliza para ampliar las capacidades humanas, permite a las personas realizar tareas que antes eran imposibles. En este modelo, humanos y máquinas trabajan como complementos. La complementariedad implica que las personas siguen siendo indispensables para la creación de valor y retienen poder de negociación en los mercados laborales y en la toma de decisiones políticas.

Por el contrario, cuando la IA replica y automatiza las capacidades humanas existentes, las máquinas se convierten en mejores sustitutos del trabajo humano y los trabajadores pierden poder de negociación económica y política. Los emprendedores y ejecutivos que tienen acceso a máquinas con capacidades que replican las de los humanos para una tarea dada pueden, y seguramente lo harán, reemplazar a los humanos en esas tareas.

Una economía completamente automatizada podría, en teoría, redistribuir los beneficios de manera equitativa. Esto incluiría a quienes ya no son esenciales para la creación de valor. Sin embargo, los beneficiarios estarían en una posición de negociación débil para evitar un cambio en la distribución que los dejara con poco o nada. Dependerían precariamente de las decisiones de quienes controlan la tecnología. Esto abre la puerta a una mayor concentración de riqueza y poder.

La HLAI que prioriza la automatización por encima de la ampliación del trabajo humano puede llevar a una peligrosa concentración de riqueza y poder, un fenómeno conocido como la «Trampa de Turing». Y con esa concentración viene el peligro de quedar atrapados en un equilibrio en el que quienes no tienen poder no tienen forma de mejorar sus resultados.

El gran desafío de la era venidera será cosechar los beneficios sin precedentes de la IA, incluidas sus manifestaciones similares a las humanas, mientras se evita la Trampa de Turing. Tener éxito en esta tarea requiere comprender cómo el progreso tecnológico afecta la productividad y la desigualdad, por qué la Trampa de Turing resulta tan tentadora para diferentes grupos y una visión de cómo podemos hacerlo mejor.

El pionero de la IA, Nils John Nilsson (1933–2019)[vi], señaló que «lograr una IA real a nivel humano implicaría necesariamente que la mayoría de las tareas que los humanos realizan para ganarse la vida podrían ser automatizadas». Asimismo, pidió un esfuerzo enfocado en crear tales máquinas, escribiendo que «lograr una IA a nivel humano o “IA fuerte”  sigue siendo el objetivo final para algunos investigadores» y contrastó esto con la “IA débil”, que busca «construir máquinas que ayuden a los humanos». No sorprende que, dadas estas denominaciones, el trabajo hacia la «IA fuerte» haya atraído a muchas de las mentes más brillantes en la búsqueda de, implícita o explícitamente, automatizar completamente el trabajo humano, en lugar de asistirlo o ampliarlo. Para los propósitos de este ensayo, en lugar de hablar de «IA fuerte»[vii] versus «IA débil», usemos los términos «automatización» versus «ampliación».

Tanto la automatización como la ampliación pueden aumentar la productividad laboral, es decir, la relación entre el valor añadido generado y las horas de trabajo. A medida que la productividad aumenta, también lo hacen los ingresos promedio y los niveles de vida, así como nuestra capacidad para abordar desafíos como el cambio climático, la pobreza, la atención médica y la longevidad. Matemáticamente, si el trabajo humano necesario para un resultado dado se reduce a cero, la productividad laboral crecería infinitamente.

La mala noticia es que ninguna ley económica garantiza que todos compartan equitativamente esta creciente riqueza. Aunque los modelos pioneros de crecimiento económico asumieron que el cambio tecnológico era neutral, en la práctica, el cambio tecnológico puede ayudar o perjudicar de manera desproporcionada a ciertos grupos, incluso si en promedio resulta beneficioso.

En particular, la forma en que se distribuyen los beneficios de la tecnología depende en gran medida de cómo se implemente la tecnología y de las reglas y normas económicas que gobiernan la asignación de bienes, servicios e ingresos. La automatización del trabajo humano disminuye el valor marginal de las aportaciones laborales, concentrando las ganancias en los propietarios, innovadores y creadores de estas tecnologías. Por el contrario, cuando las tecnologías amplían las capacidades humanas, una mayor proporción de las ganancias va a los trabajadores humanos.

Un error común es asumir que todas o la mayoría de las innovaciones que mejoran la productividad pertenecen a la primera categoría: la automatización. Por el contrario, la segunda categoría, la ampliación, ha sido mucho más importante a lo largo de la mayor parte de los últimos dos siglos. Una métrica de esto es el valor económico de una hora de trabajo humano. Su precio de mercado, medido por los salarios medianos, ha aumentado más de diez veces desde 1820. Un emprendedor está dispuesto a pagar mucho más por un trabajador cuyas capacidades son amplificadas por una excavadora que por uno que solo puede trabajar con una pala, y mucho menos con las manos desnudas.

En muchos casos, con la introducción de nuevas tecnologías no solo aumentan los salarios, sino también el empleo. Con la invención de los motores a reacción, la productividad de los pilotos (medida en millas de pasajeros por hora de vuelo) creció enormemente. En lugar de reducir el número de pilotos empleados, la tecnología impulsó tanto la demanda de viajes aéreos que el número de pilotos aumentó. Aunque este patrón resulta alentador, el desempeño pasado no garantiza resultados futuros. Las tecnologías modernas, y más aun las que están en desarrollo, son diferentes de las que fueron importantes en el pasado.

En los últimos años, hemos visto crecientes evidencias de que no solo está disminuyendo la participación laboral en la economía, sino que incluso entre los trabajadores, algunos grupos están quedándose aún más rezagados[viii]. En los últimos cuarenta años, el número de millonarios y multimillonarios ha crecido, pero los salarios reales promedio de los trabajadores menos educados han disminuido. Aunque muchos fenómenos han contribuido a esto, incluidos los nuevos patrones de comercio global, los cambios en la implementación tecnológica son la mayor explicación.

Si el capital en forma de IA puede realizar más tareas, aquellos con activos, talentos o habilidades únicas que no son fácilmente reemplazables por tecnología tienden a beneficiarse desproporcionadamente. El resultado ha sido una mayor concentración de la riqueza.

En última instancia, un enfoque en una IA más parecida a los humanos puede convertir a la tecnología en un mejor sustituto para los muchos trabajadores que no son «estrellas», reduciendo sus salarios de mercado, incluso mientras amplifica el poder de mercado de unos pocos. Esto ha generado un temor creciente de que los avances en IA y tecnologías relacionadas conduzcan a una clase en auge de «personas desempleables» o de «producto marginal cero».

Un mercado sin restricciones probablemente creará incentivos sociales excesivos para innovaciones que automatizan el trabajo humano y pocos incentivos para tecnologías que amplían las capacidades humanas.

El primer teorema fundamental del bienestar económico establece que, bajo ciertas condiciones ideales, como competencia perfecta, información completa y ausencia de externalidades, los mercados pueden alcanzar una asignación de recursos que sea eficiente en el sentido de Pareto. En este contexto, las empresas, al maximizar sus ganancias, contribuyen indirectamente al bienestar económico general.

Sin embargo, en mercados reales, donde las condiciones ideales rara vez se cumplen, las empresas tienden a enfocar sus esfuerzos en innovaciones que maximizan sus beneficios. Este comportamiento puede generar resultados que no siempre son eficientes desde el punto de vista social, especialmente en presencia de externalidades o fallas de mercado. Por ejemplo, las empresas pueden priorizar innovaciones que generen beneficios privados pero ignoren costos sociales (como la contaminación) o subinvertir en innovaciones con beneficios colectivos (como las tecnologías limpias o la investigación básica).

En consecuencia, la relación entre maximización de ganancias, innovación y bienestar social depende no solo de las características del mercado, sino también de las regulaciones e incentivos diseñados para corregir fallas y alinear los intereses privados con el bienestar público.

Esto a menudo implica que los empresarios invierten en tecnologías que automatizan el trabajo humano (reemplazando trabajadores por máquinas) porque estas tecnologías reducen costos y aumentan la productividad. Sin embargo, este enfoque puede dejar de lado tecnologías que amplíen las capacidades humanas, como herramientas o soluciones que hagan a las personas más productivas o creativas, porque estas suelen ofrecer un menor retorno financiero inmediato.

Es decir, en el mundo real, el resultado no se cumple cuando hay innovaciones que cambian drásticamente cómo y qué producimos o cuando existen externalidades, es decir, efectos secundarios que afectan a personas no involucradas directamente en el mercado (como la contaminación).

Por ejemplo, si una empresa puede decidir reemplazar a trabajadores con robots para ensamblar automóviles, aumentando la producción y reduciendo costos. Aunque esto beneficia a los dueños y a los consumidores (por precios más bajos), los trabajadores despedidos enfrentan dificultades económicas, y no hay incentivos para crear tecnologías que los hagan más productivos en lugar de reemplazarlos. Asimismo, en un mercado con regulaciones podría incentivar el desarrollo de aplicaciones que ayuden a los maestros a enseñar mejor (ampliando capacidades humanas); sin regulaciones, las empresas pueden preferir tecnologías que reduzcan la necesidad de maestros, como plataformas completamente automatizadas, sin considerar el valor social de la interacción humana en la educación (este ejemplo ya se verificó en la realidad durante el periodo 2020-2022). Finalmente, supongamos que una empresa desarrolla tecnología para extraer petróleo más rápido y barato, ignorando las externalidades como el daño ambiental; si el mercado no considera estos efectos negativos, la sociedad en su conjunto puede terminar peor, incluso si la empresa y sus clientes inmediatos se benefician.

Tanto las innovaciones como las externalidades son de importancia central para los efectos económicos de la IA, ya que ésta no solo es una innovación en sí misma, sino también una que desencadena cascadas de innovaciones complementarias, desde nuevos productos hasta nuevos sistemas de producción. Además, los efectos de la IA, particularmente en el trabajo, están llenos de externalidades. Cuando un trabajador pierde oportunidades de generar ingresos laborales, los costos van más allá del recién desempleado para afectar a muchos otros en su comunidad y en la sociedad en general. Con la desaparición de oportunidades, a menudo vienen los «caballos oscuros» del alcoholismo, el crimen y el abuso de opioides. Recientemente, Estados Unidos ha experimentado el primer descenso en la esperanza de vida en su historia registrada, resultado del aumento de muertes por suicidio, sobredosis de drogas y alcoholismo, lo que los economistas Anne Case y Angus Deaton llaman «muertes por desesperación»[ix].

Esta espiral de marginación puede crecer porque la concentración de poder económico a menudo genera concentración de poder político. En palabras atribuidas a Louis Dembitz Brandeis (1856–1941): «Podemos tener democracia o podemos tener riqueza concentrada en manos de unos pocos, pero no podemos tener ambas»[x].

Por el contrario, cuando los humanos son indispensables para la creación de valor, el poder económico tiende a ser más descentralizado. Históricamente, la mayor parte del conocimiento económicamente valioso —lo que el economista Simon Kuznets llamó «conocimiento útil»[xi]— residía dentro de los cerebros humanos. Pero ningún cerebro humano puede contener ni una pequeña fracción del conocimiento útil necesario para dirigir siquiera un negocio mediano, y mucho menos una industria o economía completa, por lo que el conocimiento tenía que ser distribuido y descentralizado. La descentralización del conocimiento útil, a su vez, descentraliza el poder económico y político.

A diferencia de los activos no humanos, como la propiedad y la maquinaria, gran parte del conocimiento de una persona es inalienable, tanto en el sentido práctico de que ninguna persona puede saber todo lo que otra sabe, como en el sentido legal de que su propiedad no puede ser transferida legalmente.

En contraste, cuando el conocimiento se codifica y digitaliza, puede ser poseído, transferido y concentrado con mucha facilidad. Así, cuando el conocimiento pasa de los humanos a las máquinas, se abre la posibilidad de una concentración de poder.

Cuando los historiadores miren hacia las dos primeras décadas del siglo XXI, notarán el sorprendente crecimiento en la digitalización y codificación de información y conocimiento. Paralelamente, los modelos de aprendizaje automático se están haciendo más grandes, con cientos de miles de millones de parámetros, utilizando más datos y obteniendo resultados más precisos.

De manera más formal, la teoría de los contratos incompletos muestra cómo la propiedad de activos clave proporciona poder de negociación en las relaciones entre agentes económicos (como empleadores y empleados, o propietarios de negocios y subcontratistas). En la medida en que una persona controla un activo indispensable (como el conocimiento útil) necesario para crear y entregar los productos y servicios de una empresa, esa persona puede exigir no solo un ingreso más alto, sino también una voz en la toma de decisiones. Cuando el conocimiento útil está inalienablemente bloqueado en los cerebros humanos, también lo está el poder que confiere. Pero cuando se vuelve alienable (es decir que puede ser transferido, cedido o vendido de una persona a otra), permite una mayor concentración del poder y la toma de decisiones.

LAS FUERZAS DETRÁS DE LA AUTOMATIZACIÓN

Los riesgos de la Trampa de Turing se amplifican debido a la atracción que ejerce sobre tres grupos clave: tecnólogos, empresarios y legisladores.

En primer lugar, los tecnólogos han buscado replicar la inteligencia humana durante décadas, enfrentándose al desafío constante de superar las limitaciones de las computadoras. La invención del «cerebro electrónico» marcó un punto de inflexión en esta búsqueda, alimentando un debate constante entre tecnólogos y filósofos humanistas. Estos últimos han identificado una lista de capacidades humanas, tanto cotidianas como complejas, que las máquinas no podían emular. Entre estas, mencionaron jugar a las damas, dominar el ajedrez, leer textos impresos, reconocer el habla, traducir idiomas, distinguir imágenes, subir escaleras, ganar en Jeopardy! o Go, escribir poemas, entre otras.

Diseñar desafíos tecnológicos útiles y alcanzables no es una tarea sencilla. En lugar de perseguir metas que ni los humanos ni las máquinas hayan logrado, muchos equipos de investigación optan por crear máquinas que repliquen capacidades humanas ya existentes. Este enfoque tiene la ventaja de ser comprobable y demostrar que dichas tareas son viables y útiles.

Sin embargo, la visión predominante entre los tecnólogos ha carecido de ambición. Sorprendentemente, es más fácil para una máquina superar a los humanos en dominios completamente nuevos que igualarlos en tareas cotidianas. Los humanos, tras millones de años de evolución, han desarrollado habilidades como consolar a un bebé, navegar por un bosque lleno de obstáculos o arrancar el arándano más maduro de un arbusto, hazañas que resultan extremadamente complejas, si no imposibles, para las máquinas actuales. Por otro lado, las máquinas sobresalen en tareas como interpretar radiografías, grabar millones de transistores en un fragmento de silicio o analizar miles de millones de páginas web en busca de información relevante. Si los ingenieros del pasado se hubieran limitado a replicar únicamente las capacidades humanas, nuestra tecnología sería hoy mucho más limitada.

Ampliar las capacidades humanas mediante la tecnología abre un horizonte infinito de habilidades y oportunidades. El conjunto de tareas que los humanos y las máquinas pueden realizar juntos es inmensamente superior a lo que los humanos pueden lograr por sí solos. Las máquinas, con su capacidad para percibir lo imperceptible, actuar de formas inalcanzables para los humanos y comprender lo que excede los límites del cerebro humano, demuestran que el verdadero potencial radica en la colaboración entre ambos.

En segundo lugar, se encuentran los empresarios, quienes a menudo ven en la sustitución de máquinas por trabajo humano la innovación más accesible. Un enfoque común es implementar automatización tipo plug-and-play: reemplazar cada tarea realizada por un humano con una máquina específica. Este método minimiza la necesidad de cambios estructurales significativos en los procesos empresariales, permitiendo pruebas simples como las de tipo A/B[xii] para medir mejoras en tareas concretas.

Dado que los costos laborales representan una de las principales partidas en los presupuestos empresariales, automatizar trabajos se convierte en una estrategia atractiva. Reducir costos, algo que puede coordinarse internamente, es frecuentemente más sencillo que expandir mercados. Además, muchos inversionistas prefieren modelos de negocio «escalables», una forma de describir negocios que pueden crecer sin contratar más personal ni enfrentar las complejidades asociadas a la gestión de recursos humanos.

Sin embargo, este enfoque tiene límites evidentes. Automatizar una tarea puede ser menos ambicioso y, a veces, más complejo de lo que parece. Para ilustrar esto, imaginemos un experimento mental: ¿qué habría pasado si Dédalo, hace 3,500 años, hubiera contado con un equipo de ingenieros capaces de construir máquinas humanoides que realizaran todas las tareas laborales de los antiguos griegos?

• Cuidar ovejas: automatizado.
• Hacer cerámica: automatizado.
• Tejer túnicas: automatizado.
• Reparar carros: automatizado.
• Tratar enfermedades: automatizado.

Aunque esta automatización habría incrementado la productividad, los estándares de vida y la salud seguirían siendo limitados. Después de todo, hay un umbral para el valor que se puede extraer de carros y vasijas, incluso si son gratuitos. En contraste, la mayor parte del progreso económico desde la antigüedad proviene de la creación de nuevos bienes y servicios, no de versiones más baratas de los existentes. Esto requiere innovación, que a su vez demanda nuevas tareas. De hecho, el 60% de los empleos actuales pertenece a ocupaciones inexistentes en 1940[xiii]. En esencia, la automatización de trabajos libera menos valor que aumentarlos para crear algo nuevo.

Además, automatizar un trabajo completo suele ser extremadamente difícil. La mayoría de las ocupaciones incluyen múltiples tareas desafiantes de automatizar, incluso con las tecnologías más avanzadas. Por ejemplo, si bien la inteligencia artificial puede leer mamografías mejor que un radiólogo, no puede realizar las 26 tareas adicionales asociadas al trabajo, según O-NET[xiv], como consolar a un paciente o coordinar un plan de atención médica. Según estudios sobre aprendizaje automático, aunque las máquinas pueden contribuir en muchas tareas, no se ha encontrado ninguna ocupación entre las 950 analizadas donde puedan realizar el 100% de las tareas necesarias.

El mismo principio aplica a sistemas de producción más complejos, que involucran múltiples personas trabajando en conjunto. Para triunfar, las empresas deben integrar nuevas tecnologías dentro de sistemas organizacionales que se refuercen mutuamente. Consideremos otro experimento mental: si Jeff Bezos hubiera «automatizado» las librerías simplemente reemplazando a los cajeros humanos con robots, los costos habrían bajado ligeramente, pero el impacto habría sido limitado. En cambio, Amazon transformó el concepto de librería, combinando humanos y máquinas de forma innovadora. Como resultado, ofrece una selección masiva de productos, calificaciones, reseñas y acceso las 24 horas, revolucionando la experiencia de compra.

El verdadero poder de la tecnología no reside en sustituir el trabajo humano dentro de sistemas existentes, sino en reinventar y ampliar la forma en que las personas y las máquinas colaboran para crear valor.

En tercer lugar, los responsables de políticas han favorecido, en muchos casos, la automatización del trabajo humano sobre su aumento. Por ejemplo, el código fiscal de Estados Unidos incentiva la inversión en capital más que en trabajo, con tasas impositivas efectivas más altas para los ingresos laborales que para las inversiones en plantas y equipos.

Consideremos un experimento mental: dos empresas usan inteligencia artificial para generar mil millones de dólares en ganancias. La primera emplea a mil trabajadores y paga impuestos corporativos, de nómina e ingresos personales, mientras que sus empleados también contribuyen con impuestos sobre la renta y de seguridad social. La segunda empresa, al operar sin empleados, paga únicamente impuestos corporativos, resultando en una carga fiscal total significativamente menor. Este desequilibrio refleja un sistema que trata los ingresos laborales de manera menos favorable que los ingresos por capital.

En 1986, las tasas impositivas máximas sobre ingresos laborales y ganancias de capital se equipararon en Estados Unidos. Desde entonces, cambios sucesivos han creado una disparidad considerable: en 2021, la tasa marginal máxima sobre ingresos laborales era del 37%, mientras que las ganancias de capital a largo plazo se gravaban a solo el 20%, con reglas adicionales como el aplazamiento de impuestos y el «ajuste de base» que elimina impuestos sobre activos heredados. Este sistema no solo desincentiva el trabajo humano, sino que también fomenta la concentración de riqueza.

La primera regla de la política fiscal es clara: lo que se grava más, se produce menos. Un código fiscal que penaliza los ingresos laborales y favorece los ingresos por capital inclina la balanza hacia la automatización. Revertir este desequilibrio mediante incentivos más equilibrados promovería una prosperidad compartida. Por ejemplo, se podrían ampliar créditos fiscales para ingresos laborales, reconociendo las externalidades positivas de empleos bien remunerados.

Además, la política gubernamental debe abordar las barreras al reciclaje y formación de trabajadores en un mundo dominado por la inteligencia artificial. A medida que las empresas adoptan tecnologías avanzadas, el éxito depende no solo de las máquinas, sino también del capital humano. Por cada dólar invertido en aprendizaje automático, las empresas podrían necesitar gastar nueve en formación. Sin embargo, estas inversiones enfrentan un problema de externalidades: los beneficios de formar a un trabajador a menudo se trasladan a otros empleadores. Los trabajadores, por su parte, enfrentan restricciones financieras que limitan su capacidad de invertir en su desarrollo. Esto exige políticas públicas que ofrezcan formación directamente o incentivos para las empresas que inviertan en capacitación.

En resumen, los riesgos de la Trampa de Turing no son responsabilidad de un solo grupo, sino de los incentivos desalineados entre tecnólogos, empresarios y responsables de políticas públicas[xv].

El futuro no está escrito. Podemos elegir si la inteligencia artificial amplía las oportunidades humanas o simplemente reemplaza a los trabajadores. La primera opción, que combina humanos y máquinas, genera más riqueza y la distribuye mejor. La segunda opción, centrada en la automatización, corre el riesgo de concentrar el poder económico y político, dejando a una mayoría en desventaja.

La experiencia con el libre comercio ofrece una advertencia. Se prometió que la globalización aumentaría la riqueza y que las políticas redistributivas compensarían a los afectados; sin embargo, al final los beneficiarios del sistema incumplieron esa promesa. Como resultado, surgieron reacciones populistas que actualmente promueven barreras comerciales. Pero no sólo eso, la «modernización» de que fue objeto México en los últimos años no cumplió con la redistribución del poder y la riqueza generada, lo que alimentó los ánimos de revancha.

Hoy vemos dinámicas similares con la inteligencia artificial. Aunque crea nuevas oportunidades, también concentra riqueza en manos de unos pocos, dejando a muchos trabajadores en una posición precaria. Si no abordamos estos problemas, la tecnología podría alimentar resentimientos sociales y políticas destructivas.

La solución no está en frenar el avance tecnológico, sino en corregir los incentivos que promueven la automatización por encima del incremento. Debemos construir instituciones económicas y políticas que resistan el creciente poder de la inteligencia artificial y promuevan la inclusión. De este modo, podemos evitar la Trampa de Turing y crear un futuro próspero para todos.

EVITANDO LA «TECNOLOGÍA MEDIOCRE»