¿La IA reemplazará a los trabajadores? El argumento de Daron Acemoglu

La tesis: la industria persigue el objetivo equivocado

Para Acemoglu, el problema no es la tecnología sino la meta. Buena parte de la industria mide el progreso por cuánto se acerca una máquina a igualar al ser humano y por cuántos trabajos puede automatizar por completo. Él propone otro norte, que resume en la bajada del ensayo:

«Instead of replacing workers, it should make them better at their jobs.»

A esa alternativa la llama IA pro-trabajador: sistemas diseñados para complementar a las personas, hacerlas más productivas y abrirles tareas y capacidades nuevas, en lugar de sustituirlas.

La productividad todavía no aparece

El ensayo empieza enfriando las expectativas. Los resultados de laboratorio en programación o radiología son llamativos, pero en el trabajo real la evidencia es más modesta: tiempo perdido depurando código generado, profesionales a quienes les cuesta integrar la herramienta con su propio criterio y empresas que adoptan IA sin ver ganancias claras. Acemoglu recuerda la vieja paradoja de Solow sobre los computadores, que se veían en todas partes menos en las estadísticas de productividad.

Su comparación histórica es la electricidad: pasaron décadas entre las primeras centrales y su uso masivo en fábricas, porque había que reorganizar la producción entera. Con la IA ocurre algo parecido, y por eso él mismo estimó que solo una fracción pequeña de las tareas (del orden de un 5 % en diez años) sería automatizada. Reconoce que los modelos avanzaron más rápido de lo que esperaba, pero sostiene que, por ahora, la predicción se sostiene.

Lo que enseña el reconocimiento de voz

El caso más personal del ensayo es el dictado por voz. Acemoglu lo usó desde fines de los noventa y vio cómo esos programas alcanzaban una precisión altísima para luego quedarse prácticamente estancados durante dos décadas en el uso cotidiano: las empresas que los compraban priorizaron mercados corporativos y médicos, y el consumidor dejó de importar.

La lección tiene dos partes. Primero, un avance técnico no basta: hacen falta aplicaciones, modelos de negocio y retroalimentación de usuarios. Segundo, el último tramo de fiabilidad es el más difícil, y ahí un error pequeño puede cambiar el sentido de todo. La automatización total de un oficio exige resolver justamente ese tramo, además del juicio en decisiones delicadas y la interacción social.

Complementar en lugar de imitar

El argumento de fondo es que la inteligencia humana y la artificial son distintas. Las personas aprenden con pocos ejemplos, formulan hipótesis y aprenden en contacto con otros; los modelos aprenden de volúmenes enormes de datos y son excelentes reconociendo patrones, pero sin el filtro social que corrige sus errores. Si son distintas, lo sensato es combinarlas, no copiar una con la otra.

Acemoglu enlaza esta idea con la «simbiosis hombre-computador» que planteó J. C. R. Licklider en 1960 y da un ejemplo concreto: herramientas que detectan dónde se traba cada estudiante y le sugieren al docente cómo agruparlos para enseñar mejor. Según el autor, su equipo ya trabaja en prototipos así, construidos con modelos medianos entrenados con currículos y conocimiento de docentes expertos. La ganancia sería doble: más productividad y menos desplazamiento y desigualdad.

Por qué la industria insiste en automatizar

Si la alternativa es mejor, ¿por qué no domina? El ensayo identifica cuatro fuerzas:

• Modelos de negocio: las grandes tecnológicas ganan vendiendo software a empresas y con publicidad, no con herramientas que potencien a los trabajadores.
• Concentración: unas pocas firmas controlan capital, datos y talento, y las startups con otras ideas suelen terminar adquiridas.
• Un problema de coordinación: las empresas esperan que las tecnológicas les ofrezcan herramientas complementarias, y las tecnológicas creen que las empresas solo quieren automatizar.
• Ideología: desde el «juego de imitación» de Turing, la meta de igualar al humano se volvió la vara con que se mide todo.

Qué propone

Acemoglu advierte que no hay una política mágica y que lo primero es un cambio de perspectiva. Aun así, sugiere direcciones concretas: dejar de favorecer fiscalmente el capital frente al trabajo (en Estados Unidos, dice, el trabajo tributa bastante más), financiar proyectos de demostración sencillos que prueben que la IA pro-trabajador funciona, aplicar y actualizar la ley de competencia, gravar la publicidad digital y crear mercados de datos donde los expertos que generan datos de calidad tengan protección y sean remunerados.

Una lectura desde la ciencia de datos

Lo que más me interesa del ensayo es que traslada la discusión desde la pregunta «¿qué puede hacer el modelo?» a «¿para qué y con quién lo diseñamos?». Es una pregunta de producto y de datos, no solo de capacidad. En mi propio trabajo con fine-tuning frente a LLMs generalistas, un modelo pequeño entrenado con datos específicos superó con holgura a uno grande sin especializar; la intuición de Acemoglu sobre modelos medianos alimentados con conocimiento experto va en la misma dirección.

También coincide con algo que se repite en los proyectos reales: el valor aparece cuando la herramienta se integra al flujo de trabajo de una persona que sigue tomando las decisiones, y se pierde cuando se intenta sacar a esa persona del circuito antes de resolver el último tramo de fiabilidad.

Cierre

La pregunta de si la IA reemplazará a los trabajadores no tiene una respuesta técnica sino una decisión detrás. Acemoglu sostiene que todavía podemos tomarla: construir IA que haga más capaces a las personas en lugar de prescindir de ellas. Para el argumento completo, con sus datos y referencias, vale la pena leer el ensayo original en The Humanist Review of AI.