Introducción

Las interpretaciones dominantes sobre las nuevas tecnologías y la inteligencia artificial afirman que nos encontramos en el umbral de una nueva era de cambio tecnológico acelerado que traerá consigo un renovado dinamismo económico y profundas transformaciones en todos los ámbitos de la vida humana (Brynjolfsson y McAfee, 2014; Schwab, 2016). Frente a este tecno-optimismo, en el presente artículo nos preguntamos por las características, potencialidades y limitaciones de la inteligencia artificial –como parte del núcleo tecnológico en el capitalismo contemporáneo– para brindar dinamismo al proceso de acumulación de capital. Para ello, en primer lugar, se plantea qué es la inteligencia artificial y algunas de sus principales características. En segundo lugar, se ubica a la inteligencia artificial en el contexto de las tendencias del despliegue del capitalismo, para identificarla en su historicidad. Posteriormente, se discuten algunas de las características actuales de la adopción de la inteligencia artificial, que contribuyen a explicar el impacto limitado de la adopción de la inteligencia artificial en la acumulación. Por último, se plantean algunas consideraciones finales.

El objetivo de este texto es proponer un análisis crítico de la inteligencia artificial y de su impacto en el proceso de acumulación, a partir de considerar las características actuales de la adopción de dicha tecnología y las condiciones de la acumulación en el capitalismo contemporáneo.

¿Qué es la inteligencia artificial?

La inteligencia artificial surgió como área de investigación científica y desarrollo tecnológico en 1956, cuando se llevó a cabo el Dartmouth Summer Research Project on Artificial Intelligence (Proyecto de investigación de verano sobre inteligencia artificial) en el Dartmouth College en New Hampshire, Estados Unidos. Se trató del primer encuentro sobre inteligencia artificial, que dio nombre a esa área de desarrollo científico y tecnológico.

En la convocatoria para la Conferencia de Dartmouth, los organizadores del evento definieron a la inteligencia artificial de la siguiente manera: “el problema de la inteligencia artificial consiste en hacer que una máquina se comporte de maneras que se considerarían inteligentes si un humano se comportara así” (McCarthy, Minsky, Rochester & Shannon, 1955). Posteriormente, Marvin Minsky, fundador del Laboratorio de inteligencia artificial del Instituto de tecnología de Massachusetts (MIT), definió a la inteligencia artificial como “la ciencia de hacer que las máquinas hagan cosas que requerirían inteligencia si fuesen hechas por un humano” (Minsky, 1968: V). En las definiciones seminales, la inteligencia artificial fue entendida como un área de investigación científica y desarrollo tecnológico cuyo objetivo era construir sistemas “inteligentes” (entendidos como sistemas que perciben, razonan, actúan, etcétera) a partir de máquinas. Desde los inicios de la inteligencia artificial, las máquinas que sirven como base para su desarrollo e implementación son las computadoras digitales. Por esa razón, la inteligencia artificial también es conocida como “inteligencia de máquinas” o “inteligencia computacional”.

La pretensión inicial de los pioneros en inteligencia artificial consistía en construir sistemas que replicaran la inteligencia humana en su conjunto. Aunque esa intención no se ha abandonado del todo, en la actualidad la mayor parte de la investigación en inteligencia artificial no busca construir un doble de la inteligencia humana –objetivo que suele considerarse ambiguo e inabarcable por su complejidad–, sino producir aplicaciones que superen en velocidad, precisión y eficiencia el desempeño de una persona promedio en tareas específicas (como el reconocimiento de imágenes, reconocimiento de voz, el análisis de grandes cantidades de datos, traducciones, entre otras).

Durante décadas, la inteligencia artificial avanzó lentamente y el objetivo de producir sistemas inteligentes se mantuvo esquivo, aun cuando hubo avances importantes como los “sistemas expertos” en las décadas de 1980 y 1990. No obstante, la década de 2010 marcó un punto de inflexión en el desarrollo de estas tecnologías, en la aceleración de las innovaciones y en la expansión de su uso.

Un hito en la historia de la inteligencia artificial se dio en 2012, cuando Geoffrey Hinton –profesor de la Universidad de Toronto e investigador en Google desde 2013– y su equipo ganaron una competencia de reconocimiento automático de imágenes llamada ImageNet. Mediante el uso de las llamadas redes neuronales artificiales, este equipo de investigadores logró que su sistema de inteligencia artificial identificara imágenes con una precisión de 85% en 2012; tres años después, consiguieron superar el desempeño humano en el reconocimiento de imágenes (los humanos aciertan en promedio 95%) al lograr una precisión de 96% (The Economist, 2016). Otro parteaguas en la historia reciente de la inteligencia artificial se dio entre 2016 y 2017, cuando el sistema AlphaGo –desarrollado por Google DeepMind– venció en el juego de tablero de estrategia go a Lee Sedol y Ke Jie, los mejores jugadores del mundo. AlphaGo también se basa en redes neuronales artificiales y en algoritmos de aprendizaje profundo (deep learning).

Ciertamente, en años anteriores hubo hitos similares en la historia de la inteligencia artificial, como el triunfo de Deep Blue de IBM sobre el campeón mundial de ajedrez Gary Kasparov en 1997. No obstante, lo que distingue a los logros previos respecto de los actuales es que mientras que aquellos tenían pocas posibilidades de aplicación práctica, los avances recientes tienen numerosas aplicaciones y su uso es rentable, lo que ha llevado a que la inteligencia artificial deje de estar confinada en los laboratorios universitarios para tener múltiples usos comerciales e impactar en la vida cotidiana de millones de personas. En este sentido, autores como Kai-Fu Lee (2018) afirman que en la segunda década del siglo XXI la inteligencia artificial dio un paso definitivo de la “era de los descubrimientos” hacia la “era de la implementación”.

Las principales condiciones de este auge reciente de la inteligencia artificial son: 1) la extracción masiva y cada vez más acelerada de datos digitales, que hacen posible un conocimiento detallado del mundo físico y de las prácticas sociales en entornos virtuales; 2) el aumento y abaratamiento en la capacidad de cómputo, así como la producción de chips especializados que se adecuan mejor a las necesidades de procesamiento de datos de los sistemas de inteligencia artificial; 3) la mejora en las técnicas de procesamiento de los datos (machine learning y deep learning), diseñadas para modificar de manera adaptativa y automática sus parámetros, de tal forma que su capacidad mejore paulatinamente. Otros elementos clave para la implementación de la inteligencia artificial son las mejoras en las infraestructuras de procesamiento de datos –la “computación en la nube”– y de telecomunicaciones –por ejemplo, las redes 4G y 5G.

Actualmente, tras la “revolución del deep learning” (Sejnowski, 2018), la inteligencia artificial se entiende como “la capacidad de un sistema para interpretar datos externos correctamente, aprender de dichos datos y usar esos aprendizajes para lograr metas y tareas específicas a través de la adaptación flexible” (Kaplan y Haenlein, 2019: 17). Las definiciones contemporáneas destacan tres características de los sistemas de inteligencia artificial:

• Adaptación flexible: la capacidad de modificar adaptativamente su funcionamiento ante los nuevos datos que el sistema recibe de su entorno.
• Aprendizaje: la capacidad de incorporar informaciones para mejorar su desempeño.
• Autonomía: entendida como la capacidad de ejecutar un conjunto de tareas sin intervención humana o con mínima intervención.

Los sistemas de inteligencia artificial representan un salto cualitativo en la historia de la tecnología, pues por primera vez se han producido sistemas tecnológicos cuyo funcionamiento mejora de manera automática y adaptativa por encima de las capacidades con las cuales fueron diseñados originalmente. La capacidad de auto-mejoramiento adaptativo es la mayor novedad que representan los sistemas de inteligencia artificial.

Pese a la enorme complejidad técnica implícita en los sistemas de inteligencia artificial, la idea subyacente a su funcionamiento es relativamente simple: se usan métodos estadísticos y probabilísticos para identificar correlaciones matemáticas en grandes series de datos con el objetivo de hacer predicciones y tomar decisiones de manera automatizada. Por ello, autores como Ajay Agrawal, Joshua Gans y Avi Goldfarb (2018) consideran que los sistemas de inteligencia artificial son fundamentalmente “máquinas predictivas”.

Comúnmente, se considera a la inteligencia artificial como parte de las “nuevas tecnologías”, denominación genérica bajo la que se agrupa a una serie de innovaciones recientes como el internet de las cosas, las impresoras 3D, la cadena de bloques (blockchain), los vehículos autónomos y los sistemas de realidad aumentada, entre otras. Lo que distingue ventajosamente a la inteligencia artificial de las otras mencionadas es su carácter transversal, pues se trata de una tecnología de propósito general (Trajtenberg, 2018) que se puede aplicar potencialmente en todas las actividades económicas y sociales. Además, algunas de las nuevas tecnologías –como el internet de las cosas y los vehículos autónomos– son, de hecho, aplicaciones de la inteligencia artificial. Así, la inteligencia artificial es probablemente el elemento más potente del núcleo tecnológico del capitalismo contemporáneo, así como el que tiene mayores posibilidades de aplicación masiva y generalizada.

La importancia de la inteligencia artificial radica en que se trata de una tecnología que es a la vez de vanguardia y de propósito general. Debido a estas características, la inteligencia artificial es considerada como la tabla de salvación de un capitalismo aquejado por la baja rentabilidad y el lento crecimiento económico. A partir de su uso, se busca apuntalar los procesos de acumulación y reorganizar las relaciones de poder capitalistas en el contexto de una prolongada depresión económica en los últimos lustros.

Antes de discutir las posibilidades de que el uso de la inteligencia artificial inyecte dinamismo al proceso de acumulación, consideremos algunas características de esta tecnología en el contexto de las tendencias generales del capitalismo como sistema histórico.

La inteligencia artificial como realización cimera de las tendencias del desarrollo capitalista

En la mayor parte de la bibliografía sobre inteligencia artificial, se enfatiza de manera unilateral lo que esa tecnología representa de novedoso. De esa manera, se incurre en una interpretación ahistórica, que pasa por alto las relaciones sociales, imperativos, etcétera, que configuran a las tecnologías modernas. Para una economía política de la inteligencia artificial, es relevante considerar a esta tecnología en el marco de las tendencias del desarrollo capitalista. La inteligencia artificial reproduce, actualiza y reconfigura las relaciones de explotación y dominio características del capitalismo. Al mirar a esta tecnología bajo ese prisma, se percibe que es más lo que tiene de continuidad que de ruptura –sin que ello implique desestimar sus potencialidades. Por tanto, no nos encontramos ante una ruptura radical en la historia de la humanidad (Brynjolfson y McAfee, 2014), sino ante un capitalismo que dispone de nuevas capacidades tecnológicas, a partir de las cuales se busca reorganizar el proceso de acumulación y redefinir las capacidades de apropiación de lo humano y lo no humano.

La inteligencia artificial es la realización más compleja y avanzada hasta el momento de múltiples tendencias interrelacionadas que caracterizan el despliegue del capitalismo como sistema histórico, entre las que se encuentran la subsunción del conjunto de la vida social por el capital, la objetivación de las capacidades físicas e intelectuales de los trabajadores en los dispositivos técnicos y la tendencia a la automatización del conjunto de la reproducción social. A continuación, se abordan brevemente estas tendencias.

Cada nuevo desarrollo de la tecnología capitalista implica un mayor nivel de subsunción del proceso de reproducción social al proceso de valorización. Desde la invención de la maquinaria moderna, las modificaciones tecnológicas incorporadas en el proceso de reproducción capitalista no han significado cambios en su esencia, sino “avances dentro del mismo proceso de subsunción, que lo profundizan y lo amplían” (Ceceña, 1990: 16). El cambio tecnológico impulsado por los capitales en su incesante búsqueda de apropiarse de ganancias extraordinarias conduce a que el capital domine cada vez más ámbitos de vida social y los incorpore en el proceso de valorización. Por ejemplo, con la invención del automóvil se crearon nuevas necesidades, nuevos mercados, se modificó la organización social del tiempo y el espacio, las prácticas sociales, etc., y de esa manera la movilidad humana cambió de manera definitiva al ser incorporada de una nueva manera en el proceso de valorización (Gorz, 2009). Con ello, se profundiza y amplía el grado de subsunción de la reproducción social al capital.

Un tema ampliamente discutido sobre la manera en que el uso de las tecnologías digitales y la inteligencia artificial da pie a nuevas prácticas es lo que Zuboff (2019) llama “capitalismo de vigilancia”: la capacidad de las corporaciones que controlan estos sistemas tecnológicos para intervenir en las subjetividades, modificar los comportamientos y prácticas de las personas, moldear sus deseos, etcétera. Otros autores como Éric Sadin (2017 y 2018), haciendo eco de las reflexiones sobre la cibernética como tecnología de gobierno, advierten que los sistemas de inteligencia artificial, con su presunta superioridad sobre las capacidades humanas, incluso podrían suplantar a las personas en la toma de decisiones sobre la vida en común mediante la gubernamentalidad algorítmica. Lo que está en juego con los novedosos procesos destacados por estos autores no es, como afirma reiteradamente Zuboff, una “mutación canalla” (rogue mutation) del capitalismo a partir del uso de los sistemas digitales complejos que usan inteligencia artificial, sino la incorporación al proceso de valorización de aspectos de la vida social que se habían mantenido ajenos a este, así como avances –en amplitud y profundidad– en la subsunción de la reproducción social por el capital.

El medio más importante para llevar adelante esta subsunción del proceso de reproducción social por el capital es la objetivación de las capacidades y saberes de los trabajadores en los dispositivos técnicos. En los Grundrisse, Karl Marx planteó que “la acumulación del saber y de la destreza, de las fuerzas productivas generales del cerebro social, es absorbida así, con respecto al trabajo, por el capital y se presenta por ende como propiedad del capital” (Marx, 2016: 220). A través de la objetivación de las capacidades humanas en las máquinas, el capital enajena la fuerza productiva del trabajo social y la invierte como potencia suya; de esa manera, lo que era actividad del trabajador se convierte en actividad de la máquina. Mediante el uso de la maquinaria, el capital multiplicó la productividad del trabajo social, sustituyó al sujeto trabajador, se emancipó de los límites inherentes a la fuerza de trabajo individual –pues la maquinaria la supera en fuerza, velocidad, precisión, regularidad, etcétera– y acrecentó la producción de plusvalor.

En una serie de investigaciones en la década de 1990, Ana Esther Ceceña (1990, 1995, 1998a y 1998b) tomó como base las reflexiones de Marx sobre la maquinaria para discutir la especificidad de la electroinformática, que se consolidó como paradigma tecnológico en la reestructuración capitalista tras la crisis de la década 1970. Para Ceceña, así como la máquina-herramienta sustituyó al trabajador de los procesos de producción al objetivar sus habilidades manuales, la electroinformática incorporó algunas capacidades mentales del trabajador: “con la introducción de la microelectrónica y la informática, se establece la posibilidad de la objetivación de los principios básicos del razonamiento lógico y de su articulación con el proceso de producción” (Ceceña, 1995, p. 49).

En el momento en que Ceceña estudió la electroinformática, en la década de 1990, destacó dos capacidades mentales del sujeto trabajador objetivadas en las computadoras: las capacidades para almacenar información y para procesarla de acuerdo con ciertos fines (Ceceña, Palma y Amador, 1995). Desde entonces, las funciones de las tecnologías digitales se han complejizado. Al ubicar las nuevas tecnologías como parte de este largo proceso impulsado por el capital para objetivar las habilidades de los trabajadores y ponerlas a su servicio, se puede señalar que las capacidades más importantes objetivadas en los sistemas de inteligencia artificial son las de adaptación flexible, aprendizaje y autonomía –previamente mencionadas.

El análisis de la objetivación de las capacidades físicas e intelectuales del sujeto trabajador pone de manifiesto que la tecnología es el medio más poderoso del que dispone el capital para dominar, disciplinar, sustituir, descalificar y aumentar la explotación de los trabajadores. Los sistemas de inteligencia artificial representan un paso adelante en este proceso de objetivación de las potencias físicas e intelectuales necesarias para llevar a cabo el proceso de reproducción social y en su conversión en poderes del capital sobre los trabajadores.

La objetivación de las capacidades de los trabajadores está estrechamente vinculada con otra de las tendencias históricas más importantes del capitalismo: la automatización de los procesos de (re)producción. Las tecnologías digitales representaron un salto cualitativo en el proceso de automatización mediante el desarrollo de la computadora y los robots. La objetivación de las capacidades intelectuales del “trabajador colectivo” no fue excluyente con la continuidad de la objetivación de sus capacidades físicas y la automatización manual, sino que la llevó a un nivel superior en las tecnologías de automatización flexible.

La competencia intercapitalista impulsa a los capitales a desarrollar las fuerzas productivas y a perfeccionar tendencialmente la automatización. Con el desarrollo capitalista, la automatización se fue apoderando de cada vez más ámbitos de la vida social. Como analizó Ernest Mandel (1979), en el capitalismo de la segunda posguerra, “la mecanización, la estandarización, la superespecialización y la parcelación del trabajo, que en el pasado determinó sólo el dominio de la producción de mercancías en la industria propiamente dicha, penetra ahora en todos los sectores de la vida social”. La automatización de los procesos de circulación y consumo permite acelerar la rotación del capital, reducir los tiempos y costos de circulación, hacer más eficientes y competitivos a los capitales que introducen la automatización, crear nuevos espacios para la valorización, entre otras.

En la moderna sociedad capitalista no sólo se tiende a automatizar los procesos de producción, sino la reproducción social en su conjunto. La inteligencia artificial es la forma histórica más avanzada hasta ahora de este impulso secular del capital por automatizar y controlar el conjunto de la vida social. Aunque todavía no es claro cuál será su alcance e impacto efectivo, los principales avances en inteligencia artificial apuntan en el sentido de ampliar las capacidades para automatizar funciones y, en consecuencia, sustituir a los trabajadores que las desempeñan (Taddy, 2018).

En suma, la inteligencia artificial es resultado de las principales relaciones e imperativos que impulsan el cambio tecnológico en el capitalismo: la competencia intercapitalista, la búsqueda de ganancias extraordinarias y la necesidad por parte de los capitales de profundizar el control y la disciplina sobre la clase trabajadora. Asimismo, la inteligencia artificial es la realización cimera de las tendencias a la automatización, a la subsunción y a la objetivación de las capacidades humanas en los dispositivos tecnológicos. Considerar a la inteligencia artificial como parte de estos procesos del desarrollo capitalista permite comprender de mejor manera las potencialidades y limitaciones de su adopción.

Consideraciones sobre el impacto de la inteligencia artificial en la productividad y la rentabilidad

En las secciones anteriores, se han señalado las principales características de la inteligencia artificial y se ha insistido en que se trata de una de las tecnologías más complejas en la historia de la modernidad. Ahora bien, considerando las enormes potencialidades que entraña la inteligencia artificial, ¿por qué ha tenido un impacto tan limitado en la productividad y en la rentabilidad de los capitales?, ¿en qué medida su uso puede contribuir a relanzar la acumulación de manera dinámica en el conjunto del sistema? Poniendo en perspectiva las particularidades de la digitalización, hay dos procesos que es importante considerar para evaluar el impacto actual y potencial de la inteligencia artificial: 1) la escasa adopción de las tecnologías digitales en la producción, incluso en Estados Unidos –el “país-núcleo” de este paradigma tecnológico–; y 2) su impacto limitado sobre la productividad.

En una encuesta a manufactureras estadounidenses realizada en 2016, el McKinsey Global Institute (2017) documentó que la adopción de la digitalización por las empresas en Estados Unidos era incipiente y su ritmo, lento. Según el informe de McKinsey Global Institute, la mitad de las empresas manufactureras estadounidenses no habían adoptado la digitalización en sus procesos ni tenían planes inmediatos para hacerlo. La brecha de adopción era aún más significativa al comparar a las empresas según su tamaño: las grandes empresas son líderes en la implementación y uso de sistemas digitales complejos y, por tanto, están mejor posicionadas para la adopción de la inteligencia artificial; las empresas manufactureras de menor tamaño presentan un rezago significativo en la adopción de tecnologías digitales y se encuentran en una situación desventajosa para la implementación de la inteligencia artificial. La adopción polarizada de las aplicaciones más complejas de la digitalización genera diferencias significativas de productividad y de rentabilidad entre las empresas, con ventajas para el gran capital. La brecha en la implementación de las tecnologías digitales también está presente entre industrias y al interior de otras industrias. Las situaciones descritas constituyen obstáculos para que el uso de los sistemas de inteligencia artificial sea masivo y generalizado, condición para que su impacto en la productividad y la rentabilidad sea significativo.

Si esta es la situación en Estados Unidos –el país líder en el desarrollo de tecnologías digitales y sede de las mayores empresas del sector–, el rezago en la adopción de las tecnologías digitales es aún más significativo entre países, así como entre empresas al interior de los países periféricos. Sobre esta base, la difusión mundial de la inteligencia artificial será heterogénea y altamente concentrada. Aunado a ello, puesto que la producción de los elementos estratégicos que permiten el funcionamiento de la inteligencia artificial –los chips especializados, así como el diseño de los algoritmos de aprendizaje profundo– se concentra en unas cuantas corporaciones transnacionales con sede en pocos países, especialmente en Estados Unidos y China, las ganancias resultantes de la producción de las bases para su implementación también están sumamente concentradas.

En segundo lugar, el impacto de las tecnologías digitales sobre la productividad agregada es limitado. Según el informe de McKinsey Global Institute, el bajo nivel y ritmo de adopción de las tecnologías digitales por las empresas manufactureras en Estados Unidos tiene consecuencias negativas para el crecimiento de la productividad. De acuerdo con Erik Brynjolfsson, Daniel Rock y Chad Syverson (2017: 4), la tasa de crecimiento de la productividad agregada en Estados Unidos promedió 1.3% anual en el periodo 2005-2016, menos de la mitad que en la década previa, de 1995 a 2004, cuando fue de 2.8%. Así, la década más reciente, cuando el uso de las tecnologías digitales se intensificó notablemente y sucedió la “revolución del deep learning”, coincide con un marcado declive en la tasa de crecimiento de la productividad agregada. Robert Gordon (2016) presenta resultados similares y sugiere que los efectos de las nuevas tecnologías sobre la productividad seguirán siendo reducidos.

Esta situación ha llevado a que Brynjolfsson, Rock y Syverson (2017) hablen –en alusión a la “paradoja de la productividad” de las tecnologías digitales, ampliamente discutida en la década de 1990– de una “moderna paradoja de la productividad” de la inteligencia artificial: a diferencia de lo que se esperaba, los sistemas de inteligencia artificial han tenido un impacto muy limitado sobre el crecimiento de la productividad. Brynjolfsson et al. consideran que esto se debe principalmente al rezago entre la introducción de los sistemas de inteligencia artificial y el momento en que su impacto en la productividad se vuelve conmensurable, así como a la difusión aún incipiente de los sistemas de inteligencia artificial más potentes –basados en las técnicas de aprendizaje automático y aprendizaje profundo– cuya invención es muy reciente. Pese a esos rezagos, Brynjolfsson y Petropoulos (2021) consideran que la adopción generalizada de la inteligencia artificial es cuestión de tiempo y que se aproxima una época de crecimiento acelerado de la productividad. Por su parte, Kai Fu Lee (2018) considera que faltan años para que la inteligencia artificial alcance su plena expansión y madurez. Finalmente, autores como Carlota Pérez consideran que las mejoras en productividad se han concentrado en los nuevos sectores y que hace falta que se expandan en el conjunto de la economía, momento en que podrían provocar aumentos en la productividad.

Las características descritas por el McKinsey Global Institute, así como por Brynjolfsson et al., dan cuenta de una dinámica compleja y contradictoria en la adopción de las tecnologías digitales, caracterizada por: a) una difusión limitada, que reorganiza la producción de manera parcial y no logra reestructurar el conjunto; b) la tendencia a la conformación de una estructura productiva polarizada: de un lado, actividades y capitales con un bajo nivel de digitalización, cuya productividad crece lentamente y que obtienen pocas ganancias; del otro lado, actividades y capitales con un alto grado de digitalización, gran dinamismo y que se apropian de ganancias extraordinarias como resultado de su posición de liderazgo en la adopción de las nuevas tecnologías. Con el elevado grado de monopolización característico del capitalismo contemporáneo, el aumento de la productividad y las ganancias extraordinarias que resultan del uso de la inteligencia artificial se concentran en las actividades y empresas líderes en su adopción, que son las principales beneficiarias de este proceso.

Desde nuestra perspectiva, el impacto limitado de la inteligencia artificial sobre el aumento de la productividad no es una anomalía, sino que es resultado de las características de su adopción, que como se ha señalado es concentrada, fragmentaria y poco dinámica. Un impacto generalizado en la productividad agregada a partir de una adopción fragmentaria y concentrada sólo podría ser resultado de un acto de magia. Dadas las condiciones actuales de adopción de las tecnologías digitales y la inteligencia artificial, resulta lógico que su impacto en la productividad sea moderado en el conjunto de la economía.

Por otra parte, algo relevante que los argumentos sobre la “paradoja de la productividad” suelen pasar por alto es que la invención de tecnologías como las computadoras personales, internet o los smartphones han implicado un auténtico cambio civilizatorio al transformar cualitativamente la mayoría de las prácticas sociales; asimismo, con su invención se han expandido las fronteras del capital al abrir nuevos campos de mercantilización y de valorización. Las medidas convencionales de productividad son insuficientes para captar la complejidad de estos procesos.

Otra razón del impacto aún acotado de la inteligencia artificial es que una parte importante de las aplicaciones e innovaciones se concentran en actividades cuya capacidad de arrastre sobre el conjunto es muy limitada (Husson, 2021). Hasta ahora, los sistemas de inteligencia artificial han transformado más la circulación y el consumo que los procesos productivos. Tomemos como ejemplo dos de los sistemas de inteligencia artificial más avanzados y conocidos en la actualidad: GPT-3 y DALL-E. GPT-3 es un sistema de generación de textos que simula la redacción humana, desarrollado por el laboratorio OpenAI. Por otra parte, DALL-E –también desarrollado por OpenAI– genera imágenes a partir de entradas con descripciones textuales. Pese a que el funcionamiento de ambos sistemas de inteligencia artificial ha sido calificado como “sorprendente” o “aterrador”, y aun cuando su uso le quita el sueño a periodistas y diseñadores gráficos, su capacidad para impulsar la productividad en el conjunto del sistema es ínfima.

Andrew Ng, fundador del proyecto Google Brain y director del laboratorio de inteligencia artificial de la Universidad de Stanford, señala algunas razones técnicas que dificultan la aplicación de esta tecnología en numerosas actividades: la disponibilidad de bases de datos pequeñas, así como la heterogeneidad de los productos y procesos de producción. Actualmente, el enfoque dominante en el desarrollo de los sistemas de inteligencia artificial, que se basa en las redes neuronales artificiales y en el deep learning, es intensivo en el uso de datos. Los sistemas de inteligencia artificial más potentes en la actualidad –como GPT-3 o DALL-E– se “entrenan” con miles de millones de imágenes o de textos. Esta aproximación ha resultado muy útil para las empresas de servicios de internet, que disponen de bases de datos masivas y bien codificadas. No obstante, ese enfoque resulta inadecuado para otras actividades que no disponen de series de datos tan grandes. Por ejemplo, a diferencia de Meta, que dispone de cientos de miles de millones de imágenes generadas por sus casi 3 mil millones de usuarios para entrenar sus sistemas de reconocimiento facial, una mediana empresa manufacturera dispone de apenas unas decenas de imágenes distintas de las mercancías que produce y requiere de un sistema de inteligencia artificial especializado para cada tipo de mercancía (Ng, 2022). Esto también genera problemas de economías de escala para las empresas pequeñas y medianas, que a diferencia del gran capital no pueden destinar enormes cantidades de dinero a contratar cientos de ingenieros en inteligencia artificial para adecuar esta tecnología a sus necesidades específicas. Por ello, Ng y otros investigadores trabajan en aproximaciones que permitan a las empresas que disponen de bases de datos limitadas adoptar los sistemas de inteligencia artificial.

Visto desde la crítica de la economía política, se puede plantear la hipótesis de que actualmente los sistemas de inteligencia artificial contribuyen a reducir los costos de circulación (al automatizar funciones como la atención a clientes, la generación de publicidad personalizada, la gestión de inventarios, etc.) y a acelerar la rotación del capital, pero tienen un impacto restringido sobre el proceso de producción, con lo cual las ventajas de su aplicación son parciales. Como afirma David Harvey (2016: 93), “los gastos y el trabajo empleados en la circulación del capital tienen que costearse mediante deducciones al valor y al plusvalor producido en la producción”. Por tanto, para los capitales es benéfico implementar tecnologías para reducir los costos de circulación y volver más eficiente el conjunto de la reproducción, pues de esa manera hay una mayor cantidad de plusvalor que puede ser apropiado como ganancia. En ese sentido, la introducción de la inteligencia artificial en los procesos de circulación, administración, etc., hace posible un aumento en la apropiación de plusvalor y de ganancias. No obstante, si no revoluciona el proceso de producción, el potencial de esta tecnología sólo se aprovecha de manera parcial.

De esta forma, pese a las grandes capacidades tecnológicas que la inteligencia artificial entraña, hay dos características actuales de su adopción que limitan su impacto sobre la productividad y la rentabilidad en el conjunto del sistema: 1) su aplicación en los procesos de producción es muy restringida; y 2) su adopción no ha alcanzado la masividad que requiere una revolución productiva generalizada –aun cuando es fuente de ganancias extraordinarias para los capitales individuales que lideran su implementación.

Los cambios tecnológicos y organizativos que provoca la implementación de la inteligencia artificial son profundos, pero concentrados. Llevan a una reorganización desigual y polarizada de los procesos de reproducción, comandada por las grandes corporaciones transnacionales. Las transformaciones productivas y la elevación de la productividad se concentran en el gran capital, en particular en el gran capital digital, que sobre esas nuevas bases reorganiza la heterogeneidad estructural y vuelve más eficientes los procesos en su beneficio –y en detrimento de los capitalistas pequeños y medianos, así como de grandes capitales que operan en industrias “tradicionales”. Un resultado de este proceso es la apropiación de ingentes ganancias extraordinarias y “rentas tecnológicas” (Mandel, 1979; Echeverría, 2005) por el gran capital, mientras la mayor parte de las empresas tienen poco dinamismo y baja rentabilidad.

La pregunta que plantea este panorama es si la generalización de la inteligencia artificial es sólo cuestión de tiempo; es decir, si tardará pero terminará por ocurrir. Desde nuestro punto de vista, las características del capitalismo del siglo XXI, en particular la sobreacumulación generalizada, constituyen un freno decisivo para la adopción sustancial de esta tecnología. De modo que la cuestión que marcará los años por venir en este terreno reside en las consecuencias de una adopción sumamente polarizada de la inteligencia artificial en torno a las empresas líderes, cuestión que acentuaría la desarticulación de los tejidos productivos en escala nacional y regional, y fortalecería las capacidades productivas de las grandes corporaciones transnacionalizadas.

Consideraciones finales

Un último tema a considerar aquí es si la inteligencia artificial puede ser una tecnología que abra paso hacia una nueva fase expansiva en la acumulación del capital.

El análisis de las ondas largas del desarrollo capitalista sugiere que la existencia de nuevas tecnologías es condición necesaria pero no suficiente para dinamizar la acumulación (Mandel, 1979 y 1986). Aunque el cambio tecnológico es un elemento relevante del dinamismo del capitalismo, el pasaje de una fase de bajo dinamismo a una fase expansiva de la acumulación no depende exclusivamente de que el capital disponga de una tecnología potente. Por el contrario, están en juego otros procesos, como las condiciones de la lucha de clases y la emergencia de nuevos arreglos sociopolíticos o institucionales –que resultan de esa lucha. Además, es necesario considerar las condiciones actuales de la acumulación del capital.

Al respecto, es importante señalar que las condiciones actuales de la acumulación representan a la vez condiciones de posibilidad y obstáculos para el despliegue de la inteligencia artificial. Por un lado, la sobreacumulación implica que hay grandes masas de capital que no encuentran espacios de inversión rentable, que podrían volcarse masivamente a financiar el desarrollo e implementación de nuevas aplicaciones de la inteligencia artificial. Las revoluciones tecnológicas suceden cuando el capital ocioso se reincorpora al proceso de valorización.

No obstante, la plétora de capital ocioso sólo se reincorporará si hay un aumento en la rentabilidad general de los capitales; de lo contrario, el capital no se volcará a usos productivos o sólo lo hará de manera parcial. En términos económicos, los principales atolladeros del capitalismo contemporáneo –que representan también obstáculos a la adopción masiva de las nuevas tecnologías– son la baja tasa general de ganancia y la sobreacumulación de capital. La sobreacumulación, que aqueja al sistema desde la década de 1970, se agravó tras la crisis de 2008. Las crisis capitalistas cumplen una función depuradora, pues la destrucción y desvalorización del capital eliminan el peso muerto y generan las condiciones para dinamizar la acumulación al conducir a una elevación de la tasa de ganancia. La respuesta de los principales bancos centrales del mundo frente a la crisis de 2008-2009 –consistente en una política monetaria ultralaxa de emisión monetaria masiva y reducción en las tasas de interés a mínimos históricos para contener su estallido– han impedido que haya una destrucción de capital en escala masiva, lo que a su vez fomenta la sobreacumulación y obstaculiza la elevación de la rentabilidad.

La condición más importante para que la adopción de una nueva tecnología genérica sea masiva y generalizada es que su uso permita una elevación consistente de la rentabilidad general del capital. Hasta ahora, el uso de la inteligencia artificial conduce a la apropiación de ganancias extraordinarias y “rentas tecnológicas” para unas pocas empresas, pero su adopción no ha alcanzado la escala necesaria para revolucionar las condiciones de la reproducción en su conjunto, por lo cual su impacto es limitado. Aún no es claro si el uso de esta tecnología de vanguardia permitirá crear nuevos espacios de valorización y apuntalar la rentabilidad.

Considerando las características actuales de su adopción, la inteligencia artificial es un poderoso medio para elevar la productividad y la apropiación de ganancias extraordinarias de algunos capitales individuales. En el capitalismo contemporáneo, caracterizado por la extrema centralización y un bajo dinamismo, incluso tecnologías tan potentes como la inteligencia artificial se aplican sólo de manera parcial y fragmentaria, con lo cual tienden a reorganizar de manera polarizada los procesos de producción y a conformar “islotes” de alta productividad y apropiación de ganancias extraordinarias al lado de una mayoría de empresas poco productivas y con baja rentabilidad.

Las condiciones actuales de la reproducción capitalista, en conjunción con las características de la adopción concentrada y heterogénea de la inteligencia artificial, hacen que su capacidad para reorganizar el conjunto de los procesos de reproducción y para relanzar de manera dinámica la acumulación en el sistema sea incierta. Que ello ocurra o no dependerá de que se liquide el exceso de capital que aqueja crónicamente al capitalismo desde hace décadas; de las aplicaciones particulares de la inteligencia artificial en los distintos momentos de la reproducción social; del tiempo de gestación y difusión masiva de sus aplicaciones más “maduras”; del grado y profundidad de su implementación por los capitales; de la medida en que potencie la fuerza productiva del trabajo y eleve el grado de explotación de la clase trabajadora; de la medida en que expulse a los trabajadores de los procesos de producción y circulación; de cuánto reduzca los tiempos y los costos de circulación; de que origine o no, y con qué extensión, actividades económicas enteramente nuevas que sirvan como nuevos espacios para la acumulación; de la medida en que la competencia y la centralización del capital resultantes de su implementación conduzcan a la destrucción y desvalorización de capital; de que produzca un abaratamiento de los elementos del capital constante; entre otros. Otro elemento relevante a considerar es la acción estatal, que mediante la inversión en infraestructuras, el financiamiento masivo a la innovación, etc., puede desmontar algunos obstáculos para la adopción de las nuevas tecnologías y abrir caminos para su generalización.

La adopción de la inteligencia artificial es un proceso en curso, que se encuentra en una etapa temprana. Aun cuando actualmente el impacto de la inteligencia artificial es acotado, eventuales cambios podrían provocar una revolución productiva de mayor escala. A ello hay que añadir que el paso de una onda larga depresiva a una onda larga expansiva no depende únicamente de factores tecnológicos, sino de otros procesos, entre los cuales ocupa un lugar preponderante la relación de fuerza entre las clases. La enorme plasticidad del capitalismo como sistema histórico, así como su capacidad para superar sus límites, obligan a ser cautos y a pensar que cualquier respuesta en relación a la posibilidad del relanzamiento de la rentabilidad y la acumulación que tenga su base tecnológica en la inteligencia artificial es provisional.

Bibliografía
Agrawal, Ajay, Joshua Gans y Avi Goldfarb (2018), Prediction Machines. The Simple Economics of Artificial Intelligence, Harvard Review Business Review Press, Boston.
Bringsjord, Selmer y Naveen Sundar Govindarajulu (2019), “Artificial Intelligence”, The Stanford Encyclopedia of Philosophy (Winter 2019 Edition), Edward N. Zalta (ed.), https://plato.stanford.edu/entries/artificial-intelligence/
Brynjolfsson, Erik y Andrew McAfee (2014), The Second Machine Age: Work, Progress, and Prosperity in a Time of Brilliant Technologies, W. W. Norton, Nueva York.
Brynjolfsson, Erik y Georgios Petropoulos (2021), “The coming productivity boom”, MIT Technology Review, 10 de junio, https://www.technologyreview.com/2021/06/10/1026008/the-coming-productiv....
Brynjolfsson, Erik, Daniel Rock and Chad Syverson (2017), “Artificial Intelligence and the Modern Productivity Paradox: A Clash of Expectations and Statistics”, NBER Working Paper Series, Working Paper 24001, National Bureau of Economic Research, Cambridge (MA), November, https://www.nber.org/system/files/working_papers/w24001/w24001.pdf.
Buchanan, Bruce G. (2006), “A (very) brief history of artificial intelligence”, AI Magazine, 26(4):53-60, Winter.
Ceceña, Ana Esther (1990), “Sobre las diferentes modalidades de internacionalización del capital”, Problemas del desarrollo. Revista latinoamericana de economía, vol. XXI, núm. 81, IIEc-UNAM, abril-junio, pp. 15-40.
_____ (1995), “El núcleo estratégico de la producción y las relaciones Estado-mercado”, en La internacionalización del capital y sus fronteras tecnológicas, Ediciones El Caballito, México.
_____ (1998a), “Superioridad tecnológica, competencia y hegemonía”, en La tecnología como instrumento de poder, IIEc – DGAPA – El Caballito, México.
_____ (1998b), “Proceso de automatización y creación de equivalentes generales tecnológicos”, en La tecnología como instrumento de poder, IIEc – DGAPA – El Caballito, México.
Ceceña, Ana Esther, Leticia Palma y Édgar Amador (1995), “La electroinformática: núcleo y vanguardia del desarrollo de las fuerzas productivas”, en Producción estratégica y hegemonía mundial, Siglo XXI, México.
Comisión económica para América Latina y el Caribe (Cepal) (2021), Estudio económico de América Latina y el Caribe, 2021, Santiago.
Echeverría, Bolívar (2005), “‘Renta tecnológica’ y capitalismo histórico”, en Mundo Siglo XXI, vol. I, n°. 2, México, pp. 17-20.
Gordon, Robert J. (2016), The Rise and Fall of American Growth: The U.S. Standard of Living since the Civil War, Princeton University Press, Nueva York.
Gorz, André (2009 [1973]), “La ideología social del automóvil”, en Letras Libres, no. 132, diciembre, pp. 14-19, https://letraslibres.com/wp-content/uploads/2016/05/pdf_art_14232_12591.pdf.
Harvey, David (2016), Guía de El capital de Marx. Libro segundo, Akal, Madrid.
Husson, Michel (2021), “Robotización, productividad y covid-19”, VientoSur, no. 73, 1 de enero, https://vientosur.info/robotizacion-productividad-y-covid-19/.
Kaplan, Andreas y Michael Haenlein (2019a), “Siri, Siri, in my hand: Who’s the fairest in the land? On the interpretations, illustrations, and implications of artificial intelligence”, Business Horizons, no. 62, Indiana University, Elsevier, pp. 15-25, https://doi.org/10.1016/j.bushor.2018.08.004.
Lee, Kai-Fu (2018), AI Superpowers: China, Silicon Valley, and the New World Order, Houghton Mifflin Harcourt Publishing, Boston.
Mandel, Ernest (1979), El capitalismo tardío, Era, México.
_____ (1986), Las ondas largas del desarrollo capitalista, Siglo XXI, Madrid.
_____ (2005), El capital. Cien años de controversias en torno a la obra de Karl Marx, Siglo XXI, México.
Marx, Karl (2011), El capital, t. I, vol. I, Siglo XXI, México.
_____ (2016), Elementos fundamentales para la crítica de la economía política (Grundrisse) 1857-1858, vol. 2, Siglo XXI, México.
McCarthy, John, Marvin Minsky, Nathaniel Rochester y Claude E. Shannon (1955), “A proposal for the Dartmouth Summer Research Project on Artificial Intelligence”, http://www-formal.stanford.edu/jmc/history/dartmouth/dartmouth.
McKinsey Global Institute (2017), Making it in America: Revitalizing the US manufacturing, noviembre, https://www.mckinsey.com/~/media/McKinsey/Featured%20Insights/Americas/M....
Minsky, Marvin (ed.) (1968), Semantic Information Processing, Cambridge (MA), MIT Press.
Ng, Andrew (2022), Eye on A.I. [episodio de podcast], https://open.spotify.com/episode/0Io6UdvlVUQr6H3pzTLRFb?si=c0be637b3cf043cf.
Reyes, Cristóbal (2021), “Dependencia tecnológica, corporaciones transnacionales e inteligencia artificial en América Latina”, tesis para obtener el grado de Maestro en Estudios Latinoamericanos, Universidad Nacional Autónoma de México, México.
Rivera Ríos, Miguel Ángel, José Benjamín Lujano y Josué García Veiga (2019), “Present and Future in the Mirror of the Past: Capitalist Dynamics, Digital Technology and Industry in the Fifth Kondratiev”, World Review of Political Economy, vol. 10, no. 4, invierno, pp. 449-483. https://www.jstor.org/stable/10.13169/worlrevipoliecon.10.4.0449?seq=1.
Sadin, Éric (2017), La humanidad aumentada. La administración digital del mundo, Caja Negra, Buenos Aires.
_____ (2018), La silicolonización del mundo. La irresistible expansión del liberalismo digital, Caja Negra, Buenos Aires.
Sadowski, Jathan (2020), Too Smart. How Digital Capitalism Is Extracting Data, Controlling Our Lives, and Taking Over the World, MIT Press, Cambridge (MA).
Schwab, Klaus (2015), “The Fourth Industrial Revolution. What it Means and How to Respond”, Foreign Affairs, Council on Foreign Relations, Nueva York, 12 de diciembre, https://www.foreignaffairs.com/articles/2015-12-12/fourth-industrial-rev....
Sejnowski, Terrence J. (2018), The Deep Learning Revolution, MIT Press, Cambridge (MA).
Taddy, Matt (2018), “The technological elements of artificial intelligence”, NBER Working Paper Series, Working Paper 24301, National Bureau of Economic Research, Cambridge (MA), February, https://www.nber.org/papers/w24301.
The Economist (2016), “Technology. From not working to neural networking. The artificial-intelligence boom is based on an old idea, but with a modern twist”, The Economist, Londres, 25 de junio, http://www.economist.com/news/special-report/21700756-artificial-intelli....
_____ (2017), “Tech firms hoard huge cash piles. Their excuses for doing so don't add up”, The Economist, Londres, 3 de junio, https://www.economist.com/business/2017/06/03/tech-firms-hoard-huge-cash....
Trajtenberg, Manuel (2018), “AI as the next GPT: a political economy perspective”, NBER Working Paper Series, Working Paper 24245, Cambridge (MA), enero, https://www.nber.org/papers/w24245.pdf.
Zuboff, Shoshana (2019), The Age of Surveillance Capitalism. The Fight for a Human Future at the New Frontier of Power, New York, Public Affairs.

Notas

* Economista y doctorante en el Posgrado en Estudios latinoamericanos, UNAM. Profesor en la Escuela Superior de Economía del Instituto Politécnico Nacional. Correo electrónico: cristobal.reyesn@gmail.com.