Skip to main content
McKinsey Global Institute

Las promesas y los desafíos de la era de la inteligencia artificial

La IA promete beneficios económicos considerables, pero también provoca disrupciones en el mundo del trabajo. Las tres prioridades que describimos a continuación pueden contribuir a alcanzar resultados positivos.

Finalmente parece haber llegado el momentode la inteligencia artificial (IA), después de varios períodos de auge seguidos de otros tantos de estancamiento en los últimos 60 años. Actualmente, la IA tiene tantas aplicaciones en el mundo real, desde reconocimiento facial hasta traductores o asistentes virtuales como Siri y Alexa, que apenas le prestamos atención. Además de estas aplicaciones para consumidores, las compañías de todos los sectores utilizan cada vez en mayor medida el poder de la IA en sus operaciones. El uso de IA promete beneficios considerables para las empresas y las economías, gracias a su aporte al aumento de la productividad y la innovación. Al mismo tiempo, se espera que la IA tenga un profundo impacto en el mundo del empleo. La demanda de algunas ocupaciones y competencias declinará, al tiempo que la de otras crecerá y muchas actividades se modificarán como consecuencia del trabajo junto a máquinas cada vez más capaces y en constante evolución.

Este briefing reúne varias investigaciones de McKinsey Global Institute acerca de las tecnologías de IA y sus usos, limitaciones e impacto, y fue compilado con motivo de la Cumbre Digital realizada en octubre pasado en Tallin, Estonia. El briefing concluye con una lista de cuestiones a abordar por los políticos y los empresarios con el fin de suavizar las transiciones disruptivas que casi seguramente acompañen la adopción de IA.

  1. Probablemente haya llegado la hora de la IA, pero se requieren más avances
  2. Las empresas están bien posicionadas para sacar provecho de la IA
  3. Las economías también se beneficiarán con la IA, en forma de mayor productividad e innovación
  4. La IA y la automatización tendrán un profundo impacto en el mundo del empleo
  5. La IA también traerá consigo beneficios y desafíos sociales
  6. Tres prioridades para alcanzar resultados positivos
We strive to provide individuals with disabilities equal access to our website. If you would like information about this content we will be happy to work with you. Please email us at: McKinsey_Website_Accessibility@mckinsey.com

Probablemente haya llegado la hora de la IA, pero se requieren más avances

El término "inteligencia artificial" fue popularizado en una conferencia en la universidad Dartmouth College de Estados Unidos en 1956, que reunió a investigadores de una gran variedad de temas relacionados con la posibilidad de describir en detalle cada aspecto del aprendizaje y de la inteligencia y crear máquinas que los simulen.

A pesar a la existencia de períodos de avances significativos en las seis décadas posteriores al evento, la inteligencia artificial no pudo estar a la altura de todo el ruido que generó. Transcurrieron décadas tratando de describir con precisión la inteligencia humana, y los avances logrados no lograron satisfacer semejante entusiasmo. Sin embargo, desde finales de la década de los '90, los avances tecnológicos se aceleraron, en especial en los últimos años. Hubo un avance sensible en los algoritmos de aprendizaje automático, principalmente gracias al desarrollo de técnicas de aprendizaje profundo y de refuerzo del aprendizaje basadas en redes neuronales.

Varios otros factores también contribuyeron a los avances recientes. El poder de cómputo creció exponencialmente, lo que permitió elaborar modelos más grandes y complejos; esto fue posible gracias a las innovaciones con silicio, incluido el uso de unidades procesadoras de gráficos y unidades de procesamiento tensorial (TPU), entre otras novedades. Esta capacidad es agregada en clusters híper-escala, cada vez más accesibles para los usuarios en la nube.

Otro factor clave es la enorme cantidad de datos generados y disponibles para entrenar algoritmos de IA. Algunos de los avances en IA han sido el resultado de innovaciones en todo el sistema. Los vehículos autónomos son un buen ejemplo de ello: aprovechan las innovaciones en sensores, LIDAR, sistemas de visión, tecnología y mapas satelitales, algoritmos de navegación y robótica, todo ello combinado en sistemas integrados.

Pese a los avances, varios problemas persisten y requerirán más innovaciones científicas. Hasta ahora, la mayoría de los adelantos han tenido lugar en lo que se conoce como IA “débil" o "estrecha”, es decir, cuando las técnicas de aprendizaje automático son desarrolladas para resolver problemas específicos, por ejemplo, en el campo de procesamiento de lenguaje natural. Pero los mayores desafíos están en el área conocida como "inteligencia general artificial”, donde el reto consiste en desarrollar IA capaz de abordar problemas de manera similar a un ser humano. Muchos investigadores consideran que aún faltan décadas para llegar a ese punto.

Las técnicas de aprendizaje profundo y automático están impulsando la IA

Gran parte del reciente entusiasmo en torno a la IA es consecuencia de los avances en el campo conocido como aprendizaje profundo, un conjunto de técnicas para implementar aprendizaje automático basada en redes neuronales artificiales. Estos sistemas de IA modelan en forma aproximada la manera en que las neuronas interactúan en el cerebro. Las redes neuronales poseen varias capas de neuronas simuladas interconectadas (de allí el nombre "aprendizaje profundo"). Mientras que las primeras redes neuronales tenían apenas de tres a cinco capas y algunas decenas de neuronas, las redes de aprendizaje profundo poseen diez o más capas, con millones de neuronas simuladas.

Video
How data and AI add value to businesses
Artificial intelligence will transform many companies and create completely new types of businesses. The cofounder of Coursera, AI Fund, and Landing.AI shares how businesses can benefit.

Existen diversos tipos de aprendizaje automático o "machine learning" (ML): aprendizaje supervisado, no supervisado y aprendizaje de refuerzo, cada una más apta para casos de uso determinados. Los ejemplos prácticos más recientes de IA son aplicaciones de aprendizaje supervisado. En el aprendizaje supervisado, más apto cuando se dispone de datos etiquetados y las variables de salida son conocidas, se utilizan datos de entrenamiento para ayudar a un sistema a aprender la relación entre un insumo y un producto determinado – por ejemplo, para reconocer objetos en una imagen o para transcribir el habla humana.

El aprendizaje no supervisado consiste en un conjunto de técnicas que no emplean datos de entrenamiento etiquetados – por ejemplo, para detectar clusters o patrones como imágenes de edificios con estilos arquitectónicos similares en un conjunto de datos existentes.

En el aprendizaje de refuerzo, los sistemas son entrenados usando "premios" y "castigos", frecuentemente con un sistema de scoring, y aprendiendo básicamente mediante ensayo y error. Todas estas técnicas están evolucionando gracias al trabajo constante.

Las limitaciones persisten, pero algunas nuevas técnicas parecen prometedoras

La IA aún enfrenta muchos desafíos prácticos, pero están surgiendo nuevas técnicas para abordarlos. ML requiere grandes esfuerzos para etiquetar los datos de entrenamiento necesarios para el aprendizaje supervisado, y la supervisión in-stream (que permite etiquetar los datos durante el curso de su uso natural) y otras técnicas pueden contribuir a aliviar este problema.

Obtener conjuntos de datos suficientemente grandes y completos para ser utilizados para entrenamiento – por ejemplo, crear u obtener datos suficientes sobre pruebas clínicas para predecir el resultado de un tratamiento con más precisión – suele ser bastante complicado.

La alta complejidad de las técnicas de aprendizaje profundo, equivalente a una "caja negra", crea el desafío de demostrar cuáles factores condujeron a una decisión o predicción, y de qué manera. Esto es particularmente importante en aplicaciones donde la confianza juega un papel importante y las predicciones acarrean consecuencias sociales, como en casos de aplicación de justicia penal o calificación de crédito. Algunos nuevos abordajes, incluidas explicaciones locales interpretables independientes del modelo (LIME), tienen como objetivo mejorar la transparencia.

Otro desafío es crear técnicas de aprendizaje generalizadas, dado que los métodos de IA continúan teniendo dificultad para transportar su experiencia de un contexto a otro. La transferencia de aprendizaje, donde un modelo de IA entrenado para cumplir una tarea determinada es aplicado inmediatamente a una actividad similar pero diferente, es una respuesta prometedora a este desafío.

We strive to provide individuals with disabilities equal access to our website. If you would like information about this content we will be happy to work with you. Please email us at: McKinsey_Website_Accessibility@mckinsey.com

Las empresas están bien posicionadas para sacar provecho de la IA

Pese a que la IA está cada vez más presente en aplicaciones de consumo, las empresas recién están comenzando a adoptarla para sus operaciones, a veces con resultados sorprendentes.

El potencial de la IA abarca a todas las industrias y funciones

La IA puede utilizarse para mejorar el desempeño de las empresas en áreas como mantenimiento predictivo, donde la capacidad del aprendizaje profundo para analizar volúmenes de datos de grandes dimensiones como audio e imágenes permite detectar anomalías en líneas de ensamblado o en motores de aviones. En logística, la IA puede optimizar las rutas de reparto, mejorando la eficiencia en el uso de combustibles y reduciendo los tiempos de entrega. En el área de servicio al cliente, la IA es una herramienta valiosa para los call centers gracias a su funcionalidad de reconocimiento de voz. En ventas, combinar datos demográficos y de transacciones previas con la actividad en medios sociales puede generar recomendaciones individualizadas sobre el "próximo producto a comprar", de gran utilidad para muchos retailers.

Casos de uso y aplicaciones prácticas de IA como éstas pueden hallarse en todos los sectores de la economía y en múltiples funciones de negocios, desde marketing hasta cadena de abastecimiento. En muchos de estos casos de uso, las técnicas de aprendizaje profundo agregan valor principalmente mejorando las técnicas analíticas tradicionales.

Nuestro análisis de más de 400 casos de uso en 19 industrias y nueve funciones estableció que la IA logró mejorar las técnicas tradicionales en el 69 por ciento de los casos de uso potenciales (Gráfico 1). En solo el 16 por ciento de los casos de uso de IA identificamos una solución original de IA aplicable donde otros métodos analíticos no habrían sido efectivos. El estudio determinó que las técnicas de aprendizaje profundo basadas en redes neuronales artificiales podrían generar alrededor del 40 por ciento del valor potencial de todas las técnicas analíticas para 2030. Asimismo, las técnicas de aprendizaje profundo generarían un valor estimado en $6 billones anuales.

We strive to provide individuals with disabilities equal access to our website. If you would like information about this content we will be happy to work with you. Please email us at: McKinsey_Website_Accessibility@mckinsey.com

Hasta el momento, la adopción no ha sido uniforme en todas las empresas y sectores

Más allá de que muchas organizaciones ya están utilizando IA, el ritmo y la extensión de su adopción ha sido irregular. Casi la mitad de los participantes en una encuesta realizada por McKinsey este año afirman que sus compañías han integrado al menos una funcionalidad de IA a sus procesos de negocios, y otro 30 por ciento está realizando pilotos de IA. Pese a ello, solo el 21 por ciento de los encuestados afirma que sus compañías han incorporado IA en varios sectores de las operaciones, y apenas el 3 por ciento de las grandes empresas lo han hecho en todos sus procesos empresariales.

Otras encuestas indican que los adoptantes iniciales de IA tienden a pensar en este tipo de tecnologías en forma más amplia, con objetivos como expandirse a nuevos mercados o aumentar su participación de mercado, en tanto que las compañías con menos experiencia se enfocan principalmente en reducir costos. Las empresas más digitalizadas tienden a invertir más en IA y extraer mayor valor de su uso.

A nivel de sector, la brecha entre los adoptantes iniciales y el resto se está ampliando. Los sectores mejor posicionados en el Índice de Digitalización de MGI, como high-tech y telecomunicaciones y servicios financieros, son líderes en adopción de IA y cuentan con los planes de inversión más ambiciosos (Gráfico 2). A medida que estas firmas avancen en la adopción de IA y adquieran más datos y competencias, los rezagados tendrán más dificultades para convergir.

We strive to provide individuals with disabilities equal access to our website. If you would like information about this content we will be happy to work with you. Please email us at: McKinsey_Website_Accessibility@mckinsey.com

Aún persisten varios desafíos para la adopción

Muchas compañías y sectores están retrasados en la adopción de inteligencia artificial. Desarrollar una estrategia de IA con objetivos claros, hallar talentos con las competencias adecuadas, eliminar los "silos" funcionales que dificultan el despliegue de punta a punta, y lograr que los líderes se comprometan con la implementación de IA son algunas de las barreras para la adopción más citadas por los ejecutivos.

Por el lado de la estrategia, las compañías deberán elaborar una perspectiva a nivel de toda la empresa de las oportunidades más atractivas para IA, y potencialmente transformar parte de sus procesos de negocios actuales. Las organizaciones requerirán mecanismos de gobierno y captura de datos robustos, y contar con capacidades digitales modernas y acceso a la infraestructura necesaria. Aún más complicado será superar el problema de la "última milla" y asegurarse de que los insights superiores provistos por la IA se incorporen a los procesos de la empresa y a los comportamientos de sus integrantes.

En lo que respecta a los talentos, gran parte de la construcción y la optimización de redes neuronales profundas continúa siendo un arte que requiere gran expertise. La demanda de estas competencias es muy superior a la oferta; según estimaciones, menos de 10.000 personas cuentan con las habilidades necesarias para abordar problemas serios de IA, y la competencia por atraerlas es feroz. Las compañías que estén considerando construir sus propias soluciones de IA tendrán que evaluar si están en condiciones de captar y retener trabajadores con ese conocimiento especializado.

We strive to provide individuals with disabilities equal access to our website. If you would like information about this content we will be happy to work with you. Please email us at: McKinsey_Website_Accessibility@mckinsey.com

Las economías también se beneficiarán con la IA, en forma de mayor productividad e innovación

El despliegue de IA y tecnologías de automatización puede contribuir en gran medida a estimular la economía global y una mayor prosperidad. En épocas de envejecimiento y bajas tasas de natalidad, el aumento de la productividad resulta crítico para sostener el crecimiento económico en el largo plazo. Incluso en el corto término, el crecimiento de la productividad ha sido lento en las economías en desarrollo, donde cayó a un promedio de 0,5 anual en el período 2010-14 desde el 2,4 por ciento registrado una década atrás en Estados Unidos y las principales economías europeas. En forma muy similar a las tecnologías de utilidad general previas, la IA tiene potencial para contribuir al aumento de la productividad.

La IA puede generar mayor impacto económico a través de una variedad de canales

El mayor impacto de la IA probablemente se dé en la productividad laboral, por medio de sustituciones, acrecentamientos y mejoras.

Nuestros estudios indican que la sustitución de la mano de obra podría representar poco menos de la mitad de los beneficios totales. La IA acrecentará las capacidades humanas, liberando a los trabajadores para enfocarse en tareas más productivas y con mayor valor agregado, y aumentará la demanda de trabajos asociados con tecnologías de IA.

La IA también estimulará la innovación, permitiendo a las compañías mejorar sus ingresos y acceder a mercados previamente desatendidos con sus productos existentes y, a más largo plazo, creando productos y servicios totalmente nuevos. La IA también generará externalidades positivas, y facilitará un intercambio internacional más eficiente y el aprovechamiento de valiosos flujos de datos sobre comercio internacional. Los nuevos ingresos generados por el incremento de la actividad económica podrán ser reinvertidos para generar crecimiento adicional.

El despliegue de IA también provocará externalidades negativas capaces de atenuar, si bien no eliminar, los impactos económicos positivos. En el frente económico, estas externalidades incluyen un aumento de la competencia que transfiere participación de mercado de los no adoptantes a los líderes en implementación, los costos asociados a la gestión de las transiciones laborales, y la reducción del consumo durante períodos sin empleo, además de los costos de conversión y de implementación de los nuevos sistemas de IA.

Con todo, el efecto neto de todas estas variables es una variación económica positiva, asumiendo que empresas y gobiernos sean capaces de gestionar proactivamente la transición. Una simulación que realizamos utilizando datos de encuestas de McKinsey revela que la adopción de IA podría elevar el PIB global por un valor de $13 billones para 2030, equivalentes a un crecimiento adicional de 1,2 por ciento anual. Sin embargo, este efecto solo se materializará con el paso del tiempo, ya que la mayoría de los costos de implementar IA pueden ser mayores que el potencial de ingresos adicionales.

El grado de preparación para IA varía considerablemente según el país

Los principales facilitadores de crecimiento económico impulsado por IA, como las actividades de investigación y la inversión, la absorción digital, la conectividad y la estructura del mercado laboral son diferentes en cada país. Nuestras investigaciones sugieren que la capacidad para innovar y adquirir el capital humano necesario estará entre los principales facilitadores, y que la competitividad de la IA probablemente sea un factor relevante con influencia en el crecimiento futuro del PIB.

Los países que lideran la carrera por la provisión de IA poseen fortalezas únicas que los distinguen del resto. Los efectos de escala hacen posible inversiones más significativas, y los efectos de red ayudan a esas economías a atraer los talentos adecuados para sacar el máximo provecho de la IA. Por el momento, China y Estados Unidos son responsables por la mayoría de las actividades de investigación y las inversiones enfocadas en inteligencia artificial.

Un segundo grupo de países que incluye a Alemania, Japón, Canadá y el Reino Unido poseen un rico historial de promoción de la innovación a gran escala y podrían acelerar la comercialización de soluciones de IA. Economías más pequeñas pero conectadas globalmente, como Bélgica, Singapur, Corea del Sur y Suecia también se destacan por su aptitud para promover entornos productivos favorables para nuevos modelos de negocios.

Hay un tercer grupo de países, entre los que se encuentran Brasil, India, Italia y Malasia, que parten de una posición relativamente más débil, pero a la vez cuentan con fortalezas comparativas en áreas específicas que podrían aprovechar para crecer. India, por ejemplo, produce 1,7 millones de graduados al año en ciencias, tecnología, ingeniería y matemática (STEM), una cantidad superior a los egresados de las mismas áreas de los países del G-7 en conjunto. Otras naciones, con menos inversión y una infraestructura digital menos desarrollada y competencias digitales limitadas, corren el riesgo de quedar muy por detrás de sus pares.

We strive to provide individuals with disabilities equal access to our website. If you would like information about this content we will be happy to work with you. Please email us at: McKinsey_Website_Accessibility@mckinsey.com

La IA y la automatización tendrán un profundo impacto en el mundo del trabajo

Pese a que la inteligencia artificial y la automatización aportan beneficios a las empresas y a la economía, es muy probable que ocurran disrupciones de peso en el terreno laboral.

Cerca de la mitad de las actividades actuales (no de los empleos) son técnicamente automatizables

Nuestro análisis del impacto de la automatización y de la IA en el trabajo muestra que ciertas categorías de actividades resultan más fáciles de automatizar que otras desde una perspectiva técnica. Éstas incluyen actividades físicas en entornos altamente predecibles y estructurados, así como la recolección y el procesamiento de datos, que en conjunto constituyen casi la mitad de las actividades que realizan las personas en todos los sectores en la mayoría de las economías.

Las categorías menos susceptibles incluyen la gestión de personal, la provisión de conocimientos y expertise, y la interacción con diferentes actores. La densidad de actividades automatizables varía entre ocupaciones, sectores y, en menor medida, geografías. Nuestra investigación determinó que cerca del 30 por ciento de las actividades en el 60 por ciento del total de las ocupaciones es susceptible de automatización – pero al mismo tiempo que en apenas el 5 por ciento de los casos es posible automatizar todas las actividades de un rol. Dicho de otra manera, la mayoría de las ocupaciones solo será automatizada parcialmente.

Tres efectos simultáneos en el trabajo: Empleos perdidos, ganados y modificados

La extensión y el ritmo de adopción de la automatización y su impacto en un empleo concreto dependerán de varios otros factores además de la viabilidad técnica. Entre ellos podemos mencionar el costo de despliegue y de adopción, así como la dinámica del mercado, incluidas la oferta de mano de obra, su calidad y los costos salariales asociados. El factor laboral conduce a grandes diferencias entre economías desarrolladas y emergentes. Los beneficios para las empresas más allá de la sustitución de mano de obra, que involucran el uso de IA para competencias fuera del alcance de los humanos, representan un factor adicional.

Las normas sociales, la aceptación social y ciertas cuestiones regulatorias también determinan la oportunidad. La forma en que estos elementos inciden en los diferentes sectores y países varía sensiblemente, y en la mayoría de las naciones será determinada por la dinámica del mercado laboral. Por ejemplo, en economías avanzadas con niveles salariales relativamente altos, como Francia, Japón o Estados Unidos, los empleos afectados por la automatización podrían duplicar en proporción a los de India.

En vista de la interacción entre todos estos factores, resulta difícil elaborar predicciones, si bien es posible desarrollar una serie de escenarios. En primer lugar, sobre empleos perdidos: un escenario intermedio de adopción para el período 2016-2030 da como resultado que aproximadamente el 15 por ciento de la fuerza de trabajo global (unos 400 millones de personas) podrían ser desplazadas por la automatización (Gráfico 3).

We strive to provide individuals with disabilities equal access to our website. If you would like information about this content we will be happy to work with you. Please email us at: McKinsey_Website_Accessibility@mckinsey.com

El segundo efecto son los empleos ganados: para ello creamos escenarios de demanda laboral hasta 2030 sobre la base del crecimiento económico esperado gracias a la mejora de la productividad y teniendo en cuenta múltiples factores con incidencia sobre esa demanda. Estos factores incluyen ingresos superiores, en especial en las economías emergentes, así como un mayor gasto en salud como consecuencia del envejecimiento de la población, inversiones en infraestructura, gastos de transición de la matriz energética, y costos de desarrollo y despliegue de nuevas tecnologías.

La cantidad de empleos ganados a través de éstos y otros catalizadores podría oscilar entre 555 y 890 millones, o del 21 al 33 por ciento de la fuerza laboral mundial. Esto indica que el aumento de la demanda de empleo, eliminando los escenarios extremos, sería más que suficiente para compensar la cantidad de empleos perdidos por causa de la automatización. No obstante ello, es importante observar que en muchos países en vías de desarrollo con poblaciones jóvenes preexiste la necesidad apremiante de proveer empleo a quienes se incorporan al mercado de trabajo y que, en las economías desarrolladas, el balance aproximado entre empleos perdidos y ganados de nuestros escenarios también es el resultado del envejecimiento poblacional y por ende de una menor cantidad de personas incorporándose al mercado laboral.

Una variable no menos significativa es el número de empleos que experimentarán cambios con el avance de las máquinas para complementar el trabajo humano en las fábricas. Los empleos cambiarán como consecuencia de la automatización parcial descripta, y este tipo de cambio afectará a una cantidad mucho mayor de puestos de trabajo que los que desaparecerán por completo. Las habilidades de los trabajadores que se complementen con máquinas, al igual que el diseño de sus tareas, tendrá que adaptarse para seguir el tren de máquinas cada vez más aptas y en constante evolución.

Cuatro transiciones significativas para la fuerza laboral

Aún si hubiera empleo suficiente para las personas en 2030, como sugiere la mayoría de nuestros escenarios, las transiciones que acompañarán la automatización y la adopción de IA serán significativas.

En primer lugar, millones de trabajadores probablemente deberán cambiar de ocupación. Algunos de esos cambios ocurrirán dentro de la misma compañía o sector, pero muchos otros tendrán lugar entre diferentes sectores e incluso geografías. Mientras que los empleos que impliquen procesamiento de datos o actividad física en entornos muy estructurados experimentarán una declinación, otros más difíciles de automatizar se expandirán. Estos podrían incluir los trabajos de gerentes, maestros, enfermeras, técnicos y otros profesionales, pero también de jardineros y fontaneros, cuyos entornos de trabajo físicos son altamente impredecibles. Estos cambios podrían no ser fáciles y llevar a picos temporarios de desempleo (Gráfico 4).

Exhibit 4

En segundo lugar, los trabajadores necesitarán nuevas habilidades para destacarse en el mercado de trabajo del futuro. La demanda de habilidades sociales y emocionales, como comunicación y empatía, crecerá casi al mismo ritmo que la de conocimientos tecnológicos avanzados. Las competencias digitales básicas han aumentado en todas las ocupaciones. De igual modo, la automatización provocará una mayor necesidad de habilidades cognitivas avanzadas, particularmente pensamiento crítico, creatividad y procesamiento de información compleja. La demanda de tareas físicas y manuales sufrirá una declinación, aunque continuará siendo la categoría principal hacia 2030 en muchos países. El ritmo de cambio en las habilidades se ha acelerado, y podría conducir a desbalances entre la oferta y la demanda para algunas competencias.

Tercero, los ámbitos y los flujos de trabajo cambiarán a medida que más personas sean complementadas por máquinas. Por ejemplo, con la introducción masiva de cajas auto-servicio en los supermercados, los cajeros dejarán de escanear ellos mismos los productos para responder preguntas de los consumidores o solucionar problemas con las máquinas.

Por último, la automatización probablemente ejercerá presión sobre los salarios promedio en las economías avanzadas. Muchos de los empleos actuales de salarios medios en economías desarrolladas están dominados por actividades con alto potencial de automatización, en áreas como manufactura y contabilidad, con grandes perspectivas de declinación. Los empleos con salarios altos crecerán en forma significativa, como los de médicos especialistas, técnicos y otros profesionales. Sin embargo, una gran porción de los nuevos empleos a crear, como docentes o auxiliares de enfermería, tiene estructuras salariales más bajas.

Para abordar estas transiciones, muchas economías (en especial las de la OCDE) parten de una posición complicada, debido a déficits de competencias y a las dificultades que experimentan sus sistemas educativos, así como a una tendencia a reducir el gasto en capacitación y asistencia por desempleo. Muchas economías ya están experimentando desigualdades en el ingreso y polarización salarial.

We strive to provide individuals with disabilities equal access to our website. If you would like information about this content we will be happy to work with you. Please email us at: McKinsey_Website_Accessibility@mckinsey.com

La IA también traerá consigo beneficios y desafíos sociales

En paralelo a los beneficios económicos y los desafíos, la IA tendrá un impacto positivo en la sociedad, ya que contribuirá a tratar desafíos sociales como salud y nutrición o inclusión e igualdad. Pero al mismo tiempo provocará problemas que deben ser abordados, incluidas consecuencias no intencionales y uso indebido.

La IA puede ayudar a solucionar algunos de los desafíos sociales más urgentes

Al automatizar actividades rutinarias o peligrosas, y por ende proclives al error humano, la IA puede ayudar a las personas a ser más productivas y a trabajar y vivir en forma más segura. Un estudio que analizó el caso de Estados Unidos estimó que reemplazar a los conductores humanos por sistemas de conducción autónoma más precisos podría ayudar a salvar miles de vidas cada año al reducir los accidentes.

La IA también puede disminuir la presencia humana en lugares peligrosos, como plataformas petroleras marítimas o minas de carbón. La Agencia de Proyectos de Investigación Avanzados de Defensa de EEUU (DARPA), por ejemplo, está testeando robots pequeños capaces de ser desplegados en áreas de desastre para no arriesgar vidas humanas. Algunas capacidades de IA son especialmente relevantes: la clasificación de imágenes realizada con fotos de la piel tomadas desde una app para móviles permitiría analizar si un lunar es cancerígeno y facilitar un diagnóstico temprano para individuos sin acceso a especialistas en dermatología. La detección de objetos puede ser de utilidad para personas con problemas de visión, interactuando con su entorno para identificar obstáculos como automóviles o farolas. El procesamiento de lenguaje natural podría emplearse para controlar epidemias monitoreando y analizando mensajes de texto en idioma local.

Nuestro trabajo y el de otros colegas ha identificado numerosos casos de uso en múltiples áreas donde la IA podría aplicarse para el bien común. Pero para lograrlo, será necesario superar una serie de barreras, que incluyen los desafíos comunes relacionados con los datos, el poder de cómputo y la disponibilidad de talentos que enfrentan las organizaciones que desean aplicar IA, así como otros más básicos referidos al acceso, la infraestructura y los recursos económicos necesarios, particularmente en regiones y comunidades remotas o con dificultades económicas.

La IA deberá hacer frente a las dudas planteadas acerca de sus consecuencias no deseadas, uso indebido, sesgos en los algoritmos y protección de la privacidad

En términos económicos, será necesario responder preguntas difíciles acerca de las grandes brechas que podrían surgir entre personas, empresas, sectores e incluso países como una consecuencia no deseada del despliegue de IA. Otras áreas de preocupación incluyen el uso y el abuso de la IA. Esto comprende su aplicación para fines de vigilancia, militares o políticos, así como en medios sociales o en casos donde el impacto podría acarrear consecuencias para la sociedad, como por ejemplo los sistemas de justicia penal. También debemos considerar el potencial para usuarios con intenciones maliciosas, incluidas áreas de ciber-seguridad. Instituciones académicas, privadas y sin ánimo de lucro están llevando a cabo múltiples iniciativas para identificar las mejores prácticas y abordar todos estos temas.

Algunas de las dudas están relacionadas directamente con la manera en que los algoritmos y los datos empleados para entrenarlos podrían introducir nuevos sesgos o perpetuar e institucionalizar prejuicios sociales y favoritismos. Por ejemplo, los modelos de reconocimiento facial entrenados con una población de rostros asociada a las características demográficas de los desarrolladores podrían no ser representativos de toda la población.

Video
What AI can and can’t (yet) do
There have been many exciting breakthroughs in AI recentlybut significant challenges remain. Partner Michael Chui explains five limitations to AI that must be overcome.

La protección de los datos y el uso de información personal también son cuestiones críticas a abordar. Europa ha liderado el camino en esta área, con su Reglamento General de Protección de Datos, que introdujo mayores exigencias respecto del consentimiento de los usuarios sobre el uso de sus datos personales, prevé el "derecho al olvido" y el derecho de oposición, e intensifica la supervisión de las organizaciones que recopilan, controlan y procesan datos, con fuertes multas en caso de incumplimiento. La ciber-segurdad y los "deep fakes”, capaces de manipular los resultados de una elección o perpetrar fraudes a gran escala, también son motivo de preocupación.

We strive to provide individuals with disabilities equal access to our website. If you would like information about this content we will be happy to work with you. Please email us at: McKinsey_Website_Accessibility@mckinsey.com

Tres prioridades para alcanzar resultados positivos

Las potenciales ventajas de la IA para las empresas y la economía, y la manera en que la tecnología aborda algunos de los desafíos sociales, deberían alentar a políticos y empresarios a acogerla y adoptarla. Al mismo tiempo, los desafíos para su adopción, entre ellos el impacto sobre la fuerza laboral y otras cuestiones de gran importancia social, no deben pasarse por alto. Los principales desafíos a resolver incluyen:

El desafío del despliegue

Todos estamos interesados en utilizar inteligencia artificial, dado su potencial aporte al valor de los negocios, el crecimiento económico y el bienestar social, en momentos donde muchas economías necesitan dar un estímulo a su productividad. Organizaciones y países tienen fuertes incentivos para seguir el camino de los líderes mundiales como Estados Unidos o China. Un despliegue más amplio requiere acelerar los avances logrados hasta el momento en los aspectos técnicos, además de asegurar que todos los potenciales usuarios tengan acceso a la IA y puedan beneficiarse con ella. Entre las medidas a adoptar, podemos mencionar:

  • Invertir y continuar alentando la investigación y las innovaciones en IA de manera de garantizar que las ventajas estén al alcance de todos.
  • Expandir los conjuntos de datos disponibles, en especial en áreas donde su uso podría impulsar mayores beneficios para la economía y la sociedad.
  • Invertir en infraestructura y capital humano relevantes para la IA, con el objetivo de ampliar la base de talentos capaz de crear e implementar soluciones de IA para seguir el ritmo de los líderes globales.
  • Estimular un mayor conocimiento sobre IA entre los empresarios y los responsables por las políticas de estado para una toma de decisiones mejor informada.
  • Apoyar las iniciativas de digitalización en marcha que forman la base para el posterior despliegue de IA tanto en las organizaciones como en los países.

El desafío del futuro del empleo

Un punto de partida para analizar el potencial impacto disruptivo de la automatización es asegurar un crecimiento robusto de la economía y la productividad, que constituye un requisito previo para la expansión del empleo y la prosperidad. Los gobiernos también deberán promover un mayor dinamismo empresarial, que no solo mejorara la productividad sino también las tasas de ocupación. Abordar los problemas relacionados con las competencias, los puestos de trabajo y los salarios demandará medidas más específicas. Éstas pueden incluir:

  • Mejorar los sistemas educativos y los métodos de aprendizaje poniendo el foco en las competencias técnicas ("STEM") y en la creatividad, el pensamiento crítico y la capacitación continua.
  • Aumentar las inversiones públicas y privadas en capital humano, y evaluar la posibilidad de ofrecer incentivos y créditos análogos a los disponibles para las inversiones en I&D.
  • Mejorar la dinámica del mercado laboral facilitando la certificación y la combinación entre oferta y demanda, además de posibilitar distintas formas de contratación, incluido el trabajo temporario.
  • Repensar los sistemas de remuneración experimentando con programas que no solo retribuyan el trabajo sino que además provean significado y dignidad.
  • Rediseñar las redes de seguridad y de soporte durante transiciones para los trabajadores afectados, basándose en las mejores prácticas de todo el mundo y también considerando nuevos abordajes.

El desafío de una inteligencia artificial responsable

La IA no cumplirá su promesa si el público pierde la confianza en ella como resultado de violaciones de la privacidad, sesgos o uso malicioso, o si es acusada de exacerbar la desigualdad. Será crítico entonces generar confianza en su capacidad para hacer el bien, y al mismo tiempo atacar los casos de uso inadecuado. Algunos abordajes sugeridos son:

  • Fortalecer la protección de la privacidad y la seguridad de los consumidores y sus datos.
  • Establecer un marco común y un conjunto de principios compartidos para un uso beneficioso y seguro de la inteligencia artificial.
  • Compartir mejores prácticas e innovar continuamente para resolver cuestiones relacionadas con la seguridad, los sesgos y la justificación de las decisiones.
  • Hallar el balance adecuado entre la carrera competitiva de las empresas y de los países para liderar en IA de modo de garantizar que sus ventajas sean compartidas por todos.

Sobre el/los autor(es)

James Manyika es Presidente y Director de McKinsey Global Institute, y Jacques Bughin es Director de la institución.

Los autores desean agradecer a Michael Chui, Peter Gumbel y Jake Silberg por sus aportes a este documento.

Related Articles