Eduardo Marisca | 22 Jan 2020
¿Cómo afectará la inteligencia artificial el futuro del desarrollo de Latinoamérica?
Me he pasado los últimos dos días queriendo responder esta pregunta en el AI Latin American SumMIT, un evento organizado en MIT que ha reunido investigadores, funcionarios públicos, y miembros del sector privado de múltiples países de la región para pintar una perspectiva comparada de lo que nuestros diferentes países están haciendo en esta área.
Luego de dos largos días de paneles, mi conclusión es que en lo que refiere a inteligencia artificial en Latinoamérica estamos en la B. Y no creo que podamos darnos el lujo de que siga siendo así. Mi principal frustración viene de que, en general, las perspectivas de diferentes países latinoamericanos carecen de un importante sentido de urgencia y priorización. Sí, todos afirman que esto es importante, que se están haciendo cosas, y luego pasan a señalar una serie de esfuerzos que se vienen realizando alrededor de transformación digital, esfuerzos de investigación en la academia, o esfuerzos por articular redes regionales de colaboración para elaborar estrategias y formular recomendaciones. Todo eso está muy bien y no quiero desmerecer nada de ese trabajo. Pero no es suficiente, y sobre todo, no es suficientemente rápido.
La investigación está ahí: Daniel Rock, del MIT Initiative on the Digital Economy, compartió aprendizajes de su investigación sobre qué roles y tareas en la economía eran susceptibles de ser automatizadas por algoritmos de machine learning. La conclusión no es desesperanzadora, pero tampoco debería ser un consuelo: no todos los trabajos y tareas tienen el mismo riesgo de ser automatizados, pero indudablemente el machine learning en particular va a reformular muchas de las cadenas de valor que sostienen nuestras economías. Según Rock, “redesign of jobs will be key to productivity gains from machine learning”.
Esto está pasando ya, y está pasando a una velocidad sumamente rápida, a medida que enormes empresas chinas y estadounidenses invierten miles de millones de dólares para mejorar sus capacidades en inteligencia artificial. En Latinoamérica, no estamos invirtiendo ni una fracción de estos montos en el desarrollo de nuevas investigaciones o nuevas soluciones – y sin embargo, el rediseño de estas cadenas de valor inevitablemente va a afectarnos. Pero no parecemos tener un sentido de urgencia al respecto. Seguimos pensando que esto no es, realmente, nuestro problema.
Es cierto que hay buenos motivos para eso: el estribillo recurrente al escuchar hablar a representantes de múltiples países es que, por un lado, carecemos de la infraestructura de conectividad, y por otro lado, de la infraestructura educativa y las capacidades, para poder realmente desarrollar el potencial de la inteligencia artificial en la región. Indudablemente es verdad: la región todavía sigue significativamente desconectada, y no tenemos la base de talento suficientemente desarrollada como para realmente explorar todo lo que podríamos hacer con herramientas como machine learning. Pero aunque sea cierto, no es suficiente quedarnos en una contemplación de la brecha: en el contexto global presente, Latinoamérica no puede darse el lujo de esperar a resolver estas brechas estructurales para empezar a hacer algo significativo al respecto de nuevas tecnologías exponenciales que van a transformar su base productiva y sus relaciones sociales. Decir que hay otros problemas no es suficiente, ni es suficiente excusa para no pensar de manera creativa en qué deberíamos estar haciendo al respecto para no solo aprender, sino acelerar nuestro desarrollo utilizando estas tecnologías.
Lo otro que es cierto es que no hay un modelo exitoso que podamos simplemente replicar. No podemos seguir el camino del venture capital como se ha seguido en la industria tecnológica en Estados Unidos, como no podemos seguir el camino de la planificación centralizada como se ha seguido en China. No podemos replicar en calco y copia centros de investigación como MIT, como no podemos esperar que las empresas latinoamericanas empiecen a comportarse como Google o Baidu de un día para otro. No podemos simplemente copiar modelos porque nuestra realidad regional y sus problemas son singulares.
Tenemos que diseñar nuestros propios modelos respecto a cómo integrar y crear valor con inteligencia artificial, y ya que no tenemos claridad sobre qué modelo es mejor o peor, tenemos que arriesgarnos y hacer algunas apuestas. La tentación por reunirnos en mesas de trabajo, comités, o task forces para discutir ad infinitum cuál debería ser el modelo ideal es grande: es enfrentar lo que no entendemos con herramientas que entendemos bien. Pero no es suficiente, y no es suficientemente rápido. Tenemos que hacer apuestas, cientos de apuestas, miles de apuestas, y aprender de baterías de experimentos qué cosa funciona y qué cosa no. Es menos importante que estemos todos alineados respecto al modelo, que crear las condiciones para que podamos desplegar experimentos rápida e inteligentemente a través de todos los países de Latinoamérica. De hecho, las experiencias más inspiradoras que se han compartido en los últimos dos días son precisamente eso: experiencias. Tenemos que aprender de miles de experiencias. Son los aprendizajes de esas experiencias los que iluminarán el camino hacia adelante.
¿Pero cómo hacemos estas apuestas, Eduardo? Una de mis principales preocupaciones es que mucha de la conversación sobre inteligencia artificial parece ocurrir divorciada del resto de la realidad: hablamos sobre cómo crear capacidades en IA, mejorar herramientas, fortalecer la investigación. Pero, a mi juicio, la inteligencia artificial debería en primer lugar desplegarse para resolver los problemas más importantes de nuestras agendas nacionales, y deberíamos dedicarnos al trabajo duro de entender cómo eso puede suceder. En un país como el Perú, por ejemplo, ¿cómo puede la inteligencia artificial y las herramientas de machine learning ayudarnos a luchar contra la corrupción? ¿Cómo puede ayudarnos a reducir la desigualdad? ¿Cómo puede ayudarnos a potenciar la creatividad de nuestras comunidades, a mejorar la educación de nuestros niños?
Tenemos problemas profundos que seguimos atacando con herramientas lineales, con enfoques que nos resultan conocidos. ¿Pero cómo podemos desplegar tecnologías emergentes con capacidad exponencial para responder a estos problemas? Esto es lo que le da relevancia a estas tecnologías, lo que les da visibilidad y las convierte en un lenguaje común, al alcance de públicos cada vez más grandes. No es quedarnos en pensar en qué nos falta para ser como China o qué nos falta para ser como Estados Unidos. Responder a estos problemas de manera creativa e inteligente, utilizando las mejores tecnologías que existen para hacerlo, va a abrir la puerta a hackear procesos, instituciones y tecnologías para ponerlos al servicio de mejores futuros posibles.
Pero hay que empezar ahora. Y movernos rápido. Las condiciones perfectas no están dadas, no tenemos toda la plata, no tenemos las capacidades desarrolladas, no tenemos la conectividad, y en muchos casos ni siquiera tenemos la data disponible que se necesita para estos proyectos. Como a lo largo de toda nuestra historia, tenemos que ingeniárnoslas para hacer cosas increíbles dentro de las condiciones existentes. No va a aparecer un modelo perfecto que podamos importar o replicar que resuelva todos nuestros problemas. Tenemos que empezar, y resolver un problema, y luego otro, y luego otro. Hay, hermanos, muchísimo que hacer.