¿Cuánto pesa el planeta Tierra? Aproximadamente un “ronna-gramo”. Dicho así parece poco, pero es un 10 elevado a la 27. Por su parte, se estima que la masa de un electrón pesa cerca de un “quecto-gramo” (un 10 elevado a la menos 30). “Ronna” y “quetta” fueron los últimos números oficiales adoptados tres años atrás en la Conferencia Internacional de Pesos y Medidas de París.
Son las últimas letras del alfabeto griego que quedaban para describir cantidades enormes o extremadamente pequeñas. Los pedidos de más ancho de banda en números oficiales siempre llegaban desde la astronomía, o desde la química; pero en las últimas dos conferencias la demanda vino mayormente del lado de las ciencias de la información. Por ejemplo, se estima que la cantidad de datos que vamos a generar en 2030 equivalen a “un Yottabite”: lo que cabe en DVDs apilados en forma horizontal desde la Tierra hasta Marte.
Al margen de las mediciones oficiales, en el mundo de los matemáticos y de los programadores circulan otras nomenclaturas populares, como el “bronto Byte” (para dimensionarlo: todo en Internet ahora se mide en Zettabytes, un brontobyte es un millón de veces más que eso).
El mes pasado se editó en inglés un libro muy bueno sobre estos temas, de Richard Elwes, profesor de Matemática de la universidad de Leeds. Se Titula “Huge Numbers” (“Números Enormes”), y cuenta la historia de cantidades que van desde 4,5 a “Fish 7”. 4,5 es el punto de partida y tiene que ver con el sentido numérico de los seres humanos, que es innato y que nos permite identificar un número “sin contar” hasta 4 (con cinco ya le pifiamos o necesitamos contarlos, depende de cómo estén ordenados los objetos).
Elwes salta luego a cantidades astronómicas o que tienen que ver con la probabilidad combinatoria (un Megaminx, el dodecaedro del Rubik en donde en la Argentina tenemos al campeón mundial, Leandro López, tiene 10 a la 68 combinaciones de posiciones posibles, por ejemplo, más que la cantidad de átomos en el universo visible). La cantidad de átomos totales en el universo se estima en un 10 a la 80.
En la década del 80 el número más grande conocido que figuraba en el Guiness de los Récords era “el número de Graham”, que se había usado en una demostración matemática. El libro también habla del “número de Rayo”, creado por Agustín Rayo (decano del MIT) usando teoría de los conjuntos. Y por último Fish 7, construido sobre el número de Rayo por un geólogo japonés que usa el seudónimo de “Fish” (pez), y es el más grande del libro.
Con todo lo que está pasando con la IA vamos a tener que acostumbrarnos a números gigantes. Sólo hay que pensar en lo que valen hoy “los siete magníficos” (las siete empresas de mayor capitalización del mundo, cuyo valor sumado equivale a más que el PBI de todo Europa). Otro ejemplo: lo que en el campo de la inversiones se conoce como TAM (Total Addressable Market): es el tamaño total del mercado al que una empresa o producto podría aspirar si capturara el 100% de la demanda existente. Es la métrica que usan inversores y startups para dimensionar oportunidades de negocio: no cuánto van a vender, sino cuánto podrían vender en el mejor escenario posible dentro de un mercado dado.
Con la IA, el TAM de prácticamente todos los sectores se expandió dramáticamente, por varios motivos. Primero, la IA convirtió en automatizable (y por lo tanto en “mercado”) trabajo que antes era exclusivamente humano: consultoría legal, diagnóstico médico, diseño, programación, atención al cliente. Segundo, redujo el costo marginal de escalar soluciones de software casi a cero, lo que permite que una misma empresa apunte a mercados globales que antes requerían operaciones locales muy grandes. El resultado es que sectores que tenían TAMs de decenas de miles de millones de dólares pasaron a medirse en cientos de miles de millones, y surgieron mercados enteramente nuevos —como el de infraestructura de modelos, agentes autónomos o datos sintéticos— que hace cinco años directamente no existían.
Y si antes los pedidos de números gigantes llegaban de la astronomía y ahora de las ciencias de la información, hay un concepto que conecta a ambos mundos: la “materia oscura”. En el universo, ocupa la mayor parte del espacio, no la podemos ver pero sí a sus consecuencias. Una creciente cantidad de economistas está hablando de una “materia” o resultados oscuros o invisibles en el campo de la IA.
En 1987, Robert Solow publicó en The New York Review of Books una reseña de un libro de economía y dejó allí, casi al pasar, una frase que se volvería canónica: “La era de las computadoras se puede ver en todas partes, excepto en las estadísticas de productividad”. La paradoja de Solow quedó como el gran enigma de la macroeconomía de fin de siglo: ¿cómo era posible que una revolución tecnológica tan evidente no dejara huella en los números oficiales?
Cuatro décadas después, Malcolm Spittler y Dylan Patel, analistas de SemiAnalysis, proponen que la IA está generando un problema de medición de magnitud mucho mayor, al que llaman Dark Output (producción oscura): el valor económico real que la inteligencia artificial genera pero que las cuentas nacionales son incapaces de ver. El costo de la IA es perfectamente visible en dólares, vatios, litros de agua y empleos perdidos. La producción que genera, no.
El problema viene de lejos y tiene que ver con la naturaleza de los servicios. Cuando la automatización mejoró la fabricación de bienes, los estadísticos podían contarlos. Hay una unidad. Pero no existe ninguna unidad estándar de “servicios legales”, de revisión bibliográfica o de consultoría. Las cuentas nacionales miden servicios a través de recibos, encuestas de precios y horas trabajadas. Cuando la IA reemplaza a un abogado junior en la redacción de un contrato simple, el recibo desaparece —absorbido en unos pocos centavos de tokens— y el sistema estadístico registra una caída de producción donde en realidad hubo una ganancia de productividad.
Spittler y Patel distinguen dos tipos de producción oscura. La “sustitución oscura” es trabajo que antes hacían personas y ahora hace la IA: alrededor de 1,5 billones de dólares en tareas que la IA actual puede automatizar o aumentar sustancialmente. La “nueva producción oscura” es trabajo que directamente no se hacía antes porque era demasiado caro: cuando una revisión bibliográfica cae de US$2000 a US$2, uno no hace la misma cantidad y se guarda la plata, sino que las hace antes de cada reunión, antes de cada entrevista, antes de cada decisión. Con el tiempo, este segundo tipo de resultado va a ser cada vez más importante.
Hay un antecedente metodológico interesante que mencionan Spittler y Patel: el de la economía de género. En 1988, la economista neozelandesa Marilyn Waring demostró que los comités que redactaron el Sistema de Cuentas Nacionales eran 91,7% masculinos y que una sola frase del documento fundacional había descartado como “de poca o ninguna importancia” todo el trabajo doméstico, criar hijos, cuidar enfermos, mantener hogares, un volumen que la OIT estimó luego en 11 billones de dólares anuales. El sistema de medición no tenía un problema técnico: tenía un problema de qué decidía ver.
—
