00:00:00 Breve resumen del artículo de investigación de Harvard
00:00:32 Estudio de ChatGPT-4 con consultores de BCG
00:01:31 Explorando el impacto de la IA en la productividad
00:02:31 Potencial de desplazamiento de la IA y crítica
00:03:47 Efectos más amplios de la IA en el empleo
Resumen
Conor Doherty de Lokad examina un estudio de Harvard sobre el impacto de la IA en los empleos de cuello blanco, revelando efectos matizados. La investigación, que involucró a 758 consultores, evalúa el papel de la IA en el aumento de la productividad, en particular en gestión de supply chain. Encuentra que la IA mejora el rendimiento en ciertas tareas, especialmente con entrenamiento, pero puede fallar en escenarios. Doherty critica la visión reducida del estudio de la IA como complemento de la mano de obra humana, argumentando su potencial para automatizar completamente las tareas, revolucionando así la productividad y redefiniendo el trabajo de cuello blanco. Advierte sobre la excesiva confianza en la seguridad laboral, ya que las capacidades completas de la IA podrían alterar drásticamente el panorama del empleo.
Transcripción Completa
Conor Doherty: Navegando por la accidentada frontera tecnológica, un artículo de investigación publicado por Harvard Business School tiene como objetivo ofrecer información sobre los efectos de la IA tanto en la productividad como, en última instancia, en el empleo.
Hoy, analizaré tres aspectos: uno, la hipótesis y métodos del artículo; dos, los principales hallazgos y conclusiones del artículo; y tres, la postura de Lokad. Comencemos.
El artículo explora las implicaciones de la IA en tareas complejas, realistas y que requieren altos niveles de conocimiento. La IA fue ChatGPT-4, un modelo de lenguaje grande.
La hipótesis implícita era que introducir la IA en los flujos de trabajo de profesionales altamente capacitados resultaría en aumentos de productividad. Los 758 sujetos involucrados eran consultores de Boston Consulting Group (BCG).
Los investigadores dividieron a los sujetos en dos grupos, asignando a cada grupo una tarea única. Una tarea se centró en habilidades analíticas, redacción creativa, persuasión y habilidades de escritura, mientras que la otra se centró en la resolución de problemas mediante la combinación de datos cuantitativos y cualitativos.
Todos los participantes completaron inicialmente una tarea de referencia sin IA. Posteriormente, los sujetos se subdividieron en tres grupos: un grupo de control sin IA, un grupo con IA y un tercer grupo con IA y entrenamiento sobre la mejor manera de utilizarla.
Los sujetos tuvieron entre 30 y 90 minutos para completar sus tareas, las cuales fueron diseñadas para imitar aquellas que se encuentran en firmas de consultoría de alto nivel.
Aunque las tareas fueron diseñadas para tener una dificultad similar, los efectos de la IA fueron bastante diferentes, lo que llevó a los investigadores a denominarlo una frontera tecnológica accidentada.
Esto se refiere a la capacidad de la IA para mejorar significativamente el rendimiento humano en algunas tareas, aquellas dentro de la frontera, pero degradar el rendimiento en otras, aquellas fuera de la frontera.
Para las tareas dentro de la frontera, la IA condujo a aumentos significativos de productividad. Ambos grupos con IA superaron al grupo de control, y el grupo que recibió entrenamiento adicional en IA tuvo el mejor desempeño en general.
El aumento en la productividad fue especialmente potente para las personas que obtuvieron puntajes en la mitad inferior de la tarea de referencia inicial, lo que sugiere que la IA podría ser particularmente beneficiosa para los trabajadores con menor habilidad.
Sin embargo, para las tareas fuera de la frontera, tales como la combinación de análisis cuantitativo y cualitativo, el grupo que recibió tanto IA como entrenamiento tuvo el peor desempeño. De hecho, el grupo de control superó a ambos grupos con IA, notándose una diferencia significativa entre el grupo de control y el grupo que recibió tanto IA como entrenamiento.
Los autores sugieren que, para las tareas dentro de la frontera, la IA puede mejorar dramáticamente tanto la productividad como la calidad, e incluso, posiblemente, desplazar a los humanos. Sin embargo, para las tareas consideradas fuera de la frontera, la IA puede ser mucho menos efectiva.
Aunque el artículo está escrito de manera muy accesible, se basa en un error metodológico muy serio. No exploró la productividad ganada a través de la automatización con IA. En su lugar, trató a la IA como una especie de copiloto que debía ser guiado por los humanos.
Esto es profundamente defectuoso porque restringe artificialmente las capacidades de la IA, particularmente cuando se combina con otras técnicas como la generación aumentada por recuperación.
La IA puede componer automáticamente instrucciones con toda la información necesaria recuperada de una base de datos, como las que se conservan en firmas de consultoría de alto nivel. Esto superaría con creces la producción de una sola persona y sería mucho más rentable cuando se despliegue a gran escala.
Incluso si la calidad de las respuestas fuera tan buena como la del grupo de control, aún serían drásticamente más baratas debido al coste muy bajo de los modelos de lenguaje grandes (LLMs) en comparación con el salario de seis cifras de un solo graduado de Harvard.
Este es el verdadero efecto de la IA tanto en el supply chain como en el empleo: los incrementos de productividad sin precedentes a través de la automatización de tareas tanto cuantitativas como cualitativas desplegadas a gran escala. Esto probablemente superaría a los humanos en términos de calidad y, ciertamente, en términos de retorno de la inversión.
Al ignorar este caso de uso obvio, el artículo proporciona una falsa y, posiblemente, peligrosa sensación de seguridad a aquellas personas ya preocupadas por el potencial efecto de la IA en el supply chain y en otros empleos analíticos.
