Esta es la era de la inteligencia artificial, llena de paradojas: la paradoja de la predicción, la paradoja de la cuantificación del empleo, la paradoja de la productividad, la paradoja del valor de los datos, la paradoja de la revolución industrial... Avanzamos entre paradojas.
La paradoja de la predicción
Sobre el futuro de la IA, las predicciones nunca parecen acertar, ya vengan de ganadores del Premio Turing, del Nobel, empresarios o emprendedores. Sus juicios son siempre poco realistas o excesivamente conservadores. Esta es la paradoja de la predicción de la IA.
En la historia, pioneros como Marvin Minsky, Allen Newell y Herbert Simon hicieron predicciones sorprendentemente equivocadas. Por ejemplo, Marvin Minsky señaló en 1970: "En tres a ocho años tendremos una máquina con la inteligencia media de un ser humano". Todavía estamos trabajando para lograrlo.
Geoffrey Hinton es hoy una de las figuras más influyentes, conocido como el "padrino de la IA". En 2016 predijo: "Deberíamos dejar de entrenar radiólogos inmediatamente. Es obvio que en cinco años el aprendizaje profundo superará a los radiólogos". No se cumplió, la realidad fue en la dirección opuesta: en la última década, el número y los ingresos de los radiólogos en EE.UU. han aumentado considerablemente.
Demis Hassabis, cuya reputación rivaliza con la de Hinton, declaró (2025): "En la próxima década, la IA podría ayudar a curar todas las enfermedades". Como empresario de IA más exitoso, Amodei (2025) cree que la IA podría duplicar la esperanza de vida humana en 5-10 años. Veremos si estas predicciones recientes se cumplen.
Estas son las predicciones de seis de las figuras más destacadas. En cuanto a temas, la AGI (IA general) es el más discutido actualmente. Los juicios de empresarios y académicos sobre el momento de su llegada muestran una clara divergencia. Los empresarios son radicalmente optimistas, incluso creen que llegará pronto. Principalmente hay 4 categorías: 1 ya está aquí (estamos en ella sin saberlo), 2 llegará inmediatamente (uno o dos años), 3 llegará a corto plazo (tres a cinco años), 4 llegará a largo plazo (cinco a diez años, o más). Algunos de estos juicios ya se han desmentido, otros aún requieren tiempo para verificarse, como se muestra en la tabla. Los académicos son generalmente pesimistas, incluso consideran la AGI un concepto falso que nunca llegará. Por ejemplo, Iris van Rooij señaló (2024): "Es imposible crear una AGI con capacidades cognitivas al nivel humano".
Tabla: Predicciones de CEOs de famosas empresas de IA sobre la llegada de la AGI Fuente: Instituto de Investigación Tencent, mayo de 2026
A la gente le gusta predecir. Algunos lo hacen para hacer propaganda y auto-motivarse, otros para publicaciones y proyectos, y también hay meras disputas verbales. En realidad, nadie sabe cómo será el futuro. El futuro no sigue un guion predeterminado, lo determinan las elecciones y acciones de muchas personas, se moldea por rupturas radicales con el pasado y está lleno de coincidencias y paradojas. Como un cerdo que vive en paz, incapaz de predecir el cisne negro del Año Nuevo.
La paradoja de la cuantificación del empleo
El impacto de la tecnología en el empleo es una disciplina prominente, pero también misteriosa. Es un tema antiguo, como un fantasma que ha vagado durante siglos. Es conocido por todos, los eruditos pueden discutirlo con facilidad y la gente común también puede opinar. Su nivel mínimo es muy bajo y su máximo muy alto, la gente debate sin fin, con opiniones diversas. En los últimos años, académicos e instituciones han recurrido a "hablar con datos", intentando demostrar su perspicacia con un método que parece científico, riguroso y sofisticado. Organizaciones internacionales como la OCDE, el FMI, el Foro Económico Mundial, la UNCTAD, la OIT y el Banco Mundial, así como consultoras como Goldman Sachs, McKinsey y el Pew Research Center, han publicado informes que miden el impacto de la IA en el empleo, como se muestra en la tabla.
Tabla: Algunos resultados cuantitativos sobre el impacto de la IA en el empleo
Cada informe por separado tiene suficiente peso, incluso se considera una autoridad. Pero al juntarlos, se observa que los resultados de las estimaciones varían enormemente, oscilando entre el 0.4% y el 67%, casi sin comparabilidad. Esto desmitifica el asunto.
El requisito previo para cuantificar el impacto en el empleo es poder captar con precisión el pulso del desarrollo tecnológico. Como se mencionó, incluso los líderes tecnológicos no pueden predecir con exactitud el futuro desarrollo de la IA, entonces, ¿cómo pueden los economistas cuantificar su impacto en el empleo? Solo pueden suponer que la tecnología es estática o avanza a una velocidad predeterminada, lo cual no refleja la realidad. Por otro lado, la IA no es un factor independiente; el ciclo económico, la economía industrial, el desarrollo tecnológico, la estructura demográfica, las preferencias laborales, las políticas de empleo, la globalización, eventos imprevistos y otros múltiples factores influyen conjuntamente en el empleo. Están interconectados e interactúan, por lo que es imposible aislar perfectamente a la IA. En este sentido, cuantificar el impacto de la IA en el empleo es una paradoja.
La paradoja de la productividad
La inteligencia artificial es una nueva tecnología de propósito general (GPT), con características de aplicabilidad universal, mejora continua y capacidad para impulsar la innovación; es el motor del crecimiento económico futuro. El término IA tiene 70 años, la revolución del aprendizaje automático 14 años, y la actual ola de IA está en pleno apogeo, desde los modelos de lenguaje grande y multimodal, hasta los modelos del mundo, los agentes inteligentes y la IA física, surgiendo uno tras otro de manera constante. Sin embargo, la tasa de crecimiento de la productividad no se ha acelerado notablemente, e incluso enfrenta una crisis de productividad (Rogers, 2024).
Desde el lanzamiento de ChatGPT, la tasa de crecimiento de la productividad laboral por hora en la UE ha fluctuado alrededor del 0%, con un crecimiento del 0.1% en el primer trimestre de este año. De los 14 trimestres entre el cuarto trimestre de 2022 y el primer trimestre de 2026, solo en 3 la tasa de crecimiento de la productividad superó el promedio a largo plazo desde 1999 (1.0%), como se muestra en la gráfica. Estados Unidos muestra un crecimiento sólido: desde el cuarto trimestre de 2022 hasta el segundo trimestre de 2026, la productividad laboral en el sector empresarial no agrícola creció un promedio anual del 2.2%, destacándose entre los países occidentales, pero esto solo equivale al promedio a largo plazo desde 1948 (Fuente: Oficina de Estadísticas Laborales de EE.UU.).
Gráfico: Tasa de crecimiento de la productividad laboral en la UE en años recientes (Fuente: Eurostat)
Esta coexistencia de "innovación tecnológica que avanza a pasos agigantados y crecimiento de la productividad decepcionante" es la paradoja de la productividad. No es la primera vez que ocurre. El premio Nobel de Economía Robert Solow escribió en 1987: "Puedes ver la era de la computación en todas partes excepto en las estadísticas de productividad". Esta es considerada la expresión más clásica de la "paradoja de la productividad" o "paradoja de Solow".
Para explicar esta paradoja, existen principalmente tres razones: expectativas erróneas, errores de medición y retraso temporal. Brynjolfsson considera (2017) que la explicación del retraso es la más convincente y la principal causa de la paradoja, resumiendo el efecto de retardo de las GPT en la productividad como una "curva en J". Las tecnologías de propósito general requieren múltiples innovaciones secundarias, complementarias y cambios organizacionales para afectar sustancialmente la productividad. Históricamente, la máquina de vapor, el generador eléctrico y la computadora empezaron a impulsar notablemente la productividad 118, 91 y 49 años después de su invención, y 54, 40 y 21 años después de su comercialización, respectivamente. Por lo tanto, a largo plazo, la paradoja de la productividad no es realmente una paradoja. Aún falta tiempo para que la IA impulse un aumento significativo de la productividad.
La paradoja del valor de los datos
Los datos son el alimento de la IA: deben ser abundantes y de alta calidad, abundantes hasta el infinito, y en calidad, "entra basura, sale basura" (GIGO), o dicho de otro modo, los datos pueden ser "nobles" o "vulgares". Los datos determinan el límite superior de la capacidad de la IA, a menudo elogiados como el "nuevo petróleo" (Clive Humby, 2006) y "el recurso más valioso del mundo" (The Economist, 2017), "tan importante como los recursos energéticos y materiales" (documento conjunto chino de 2004). El valor de uso de los datos es enorme, pero a diferencia de las mercancías ordinarias, no tienen un valor de intercambio o monetario claro. Como dijo Li Guojie (2025): "El valor de los datos solo se determina en su uso".
La OCDE (2024) revisó documentos de política de datos de 46 países y encontró que los contextos políticos donde aparecía "datos", en orden descendente, eran: innovación, confianza, sociedad, apertura de mercados, utilización, empleo y acceso. No se centraban en el "intercambio". Chen Changsheng (2023) señaló: "Los intercambios de datos florecen por todas partes, pero el 'intercambio' dentro de ellos no se desarrolla muy bien" y "ante el fervor por construir mercados de datos en diversas regiones, debemos estar alerta para no formar una tendencia conductual de 'solo los datos comprados y vendidos son datos utilizables'".
La densidad de valor de los datos es baja, difícil de monetizar, y su proporción en los balances contables es mínima, casi insignificante. Según datos recientes de la Shanghai Advanced Institute of Finance, 136 empresas cotizadas en China han divulgado asuntos relacionados con la inclusión de recursos de datos en sus balances, por un monto total de 37.86 mil millones de yuanes. Esto representa solo el 2.5% del número total de empresas cotizadas en la bolsa A y equivale a aproximadamente el 0.3% del tamaño de la industria central de IA en China.
Los tres principales operadores de telecomunicaciones dominan en términos de escala de inclusión, con un monto combinado de 21 mil millones de yuanes en 2025, representando el 55.46% del total de las empresas cotizadas. Sin embargo, estos recursos de datos representan solo alrededor del 0.06% del activo total de estas empresas, una proporción insignificante, como se muestra en la tabla.
Tabla: Montos de inclusión de recursos de datos de los tres principales operadores y su proporción (31.12.2025) Fuente: Elaborado a partir de los balances consolidados en los informes financieros.
La paradoja de la revolución industrial
Cada vez que surge una nueva ola tecnológica, siempre hay quien la compara con la máquina de vapor, la electricidad o la computadora, y exclama emocionado: "¡Provocará la cuarta revolución industrial!" Este fenómeno ha persistido durante al menos medio siglo, desde principios como la microelectrónica (1984), la computadora (1988), la nanotecnología (1994), internet (2000), las energías alternativas (2010), los sistemas ciberfísicos (2014). En la última década se ha intensificado aún más: el big data (2016), la inteligencia artificial (2016), el internet de las cosas (2016), el internet industrial (2017), el blockchain (2017), la computación cuántica (2018) y la fabricación inteligente (2021), todos han sido investidos con la misión de la cuarta revolución industrial, como se muestra en la gráfica.
Gráfico: Distribución del número de artículos en CNKI con títulos que incluyen "Cuarta Revolución Industrial", etc. Nota: El criterio de selección fueron artículos cuyo título incluye "Tercera Revolución Industrial", "Tercera Revolución de la Industria", "Cuarta Revolución Industrial" y "Cuarta Revolución de la Industria". Para la revolución actual, algunos la consideran la tercera, otros la cuarta; además, revolución industrial y revolución de la industria son la misma frase en inglés "Industrial Revolution". Por lo tanto, este artículo no hace una distinción estricta.
En los medios, casi vivimos constantemente la cuarta revolución industrial. La tecnología que desencadena esta revolución siempre es "hojas nuevas en el bosque que empujan a las viejas, olas anteriores que ceden a las siguientes"; se han contado preliminarmente al menos más de 20. Cada vez que surge una nueva tecnología con el gran significado de la cuarta revolución industrial, parece implicar que todas las anteriores estaban equivocadas. Actualmente, se cree ampliamente que la IA es la cuarta revolución industrial. Demis Hassabis (2026) incluso señaló: "La escala y velocidad de la AGI podrían ser 10 veces mayores que la Revolución Industrial". En China, también hay empresarios que ven la IA como la última revolución tecnológica de la sociedad humana. La IA ha demostrado lo anterior, pero ¿cómo se demuestra a sí misma?
No podemos discutirlo, pero enfaticemos dos puntos. Primero, una revolución industrial y una crisis económica no pueden ocurrir simultáneamente. Segundo, las revoluciones industriales pasadas no fueron premoniciones, sino narrativas posteriores; las personas que las vivieron no sabían que estaban en medio de una revolución industrial. El término "Revolución Industrial" se popularizó 40 años después del final de la Primera Revolución Industrial (década de 1760-1840), gracias a Arnold Toynbee. La Segunda Revolución Industrial (década de 1870-1914) terminó 40 años antes de que los economistas empezaran a usar "Segunda Revolución Industrial", y 55 años después de su fin, David Landes estandarizó su definición académica en "The Unbound Prometheus" (1969). No hay consenso sobre la Tercera Revolución Industrial: Jeremy Rifkin (2011) cree que su tema es la fusión de internet y las energías renovables; The Economist (2012) considera que es la digitalización de la manufactura; Erik Brynjolfsson y Andrew McAfee (2011) creen que la tercera revolución industrial fue impulsada por las computadoras y las redes. Esperemos que esta vez sea diferente.
Este artículo proviene del WeChat Official Account "Tencent Research Institute" (ID: cyberlawrc), autor: Yan Deli
