"Hablando con Azeem Azhar. Tomando el pulso a la IA nuevamente
La última vez que hablé con Azeem, el propietario de Exponential View, fue hace 18 meses — historia antigua en este tema. Así que volvimos a hablar sobre el estado de la IA.
**TRANSCRIPCIÓN: Paul Krugman en conversación con Azeem Azhar**
**Paul Krugman:** Hola a todos. Soy Paul Krugman, de vuelta en mi horario habitual de grabación de entrevistas. Hoy hablo con Azeem Azhar, con quien hablé en enero de 2025, básicamente hace siglos en tiempo de IA. Y con la IA en la mente de todos, pensé que sería bueno volver a hablar sobre lo básico y luego sobre dónde estamos ahora en esta increíble historia. Debo decir que Azeem es un investigador independiente y fundador de Exponential View, que es uno de los mejores Substack de tecnología que hay.
Así que hola, bienvenido a otra conversación.
**Azeem Azhar:** Sí, gracias, Paul. Y han pasado dieciocho meses, también conocido como un siglo y medio en tiempo de IA, desde que hablamos.
**Krugman:** Sí. Déjame hacer la pregunta más tonta: ¿qué es esta cosa llamada IA? ¿Cómo hace lo que hace? Quiero decir, incluso los escépticos tienen que admitir que es realmente impresionante cómo ha saltado sobre todas las barreras anteriores. ¿Cómo está sucediendo esto?
**Azhar:** Sabes, creo que todavía lo estamos descubriendo. Pienso en la IA, en última instancia, como una máquina que hace ciertas cosas, y se ha construido pasando primero millones, luego miles de millones, luego decenas de miles de millones, cientos de miles de millones de billones de palabras de producción humana a través de una red neuronal para darle una idea de cómo los humanos han pensado sobre el mundo. Y debido a que opera en dimensiones más allá de la forma de espacio y tiempo, parece ser capaz de encontrar relaciones entre conceptos bastante complejos. Y creo que todos hemos tenido esa experiencia, ya sea que hayamos estado usando Chat GPT o Claude en los últimos dos o tres años, de que parece ser capaz de reconocer cosas que están bastante relacionadas y que no nos vienen a la mente de inmediato.
Y en el último año y medio más o menos, los laboratorios han empezado a entrenar los modelos de IA no solo con palabras en libros, sino también con tareas, como "¿cuál es el conjunto de cosas que haces para escribir un código que hace algo?" "¿Cuál es el conjunto de cosas que haces para usar un software en una empresa?" Y han tratado de entrenar esos modelos en esas tareas particulares. Esencialmente, está imitando lo que hacemos, y usan varias herramientas matemáticas como el aprendizaje por refuerzo, donde el modelo recibe una recompensa teórica. Por supuesto, no es una recompensa como tú y yo la pensamos porque es una máquina.
**Paul Krugman:** Cierto.
**Azhar:** Y eso es lo que es. Es como un reflejo, pero también creo que descubre algunas relaciones realmente profundas en el mundo que quizás nosotros, como humanos, no detectamos a primera vista.
**Paul Krugman:** Brad DeLong lo llama "un vasto guiso de álgebra lineal", lo cual tiene cierto sentido para mí porque creo que PageRank de Google fue lo último que realmente entendí. Y eso es el vector propio con el valor propio más grande. No es que alguien necesite saber eso, pero esto es un millón de veces más grande, ¿verdad?
**Azhar:** Básicamente es eso. Sí.
**Krugman:** Pero no es lo que se suponía que era la inteligencia artificial, ¿verdad?
**Azhar:** No, en absoluto. Quiero decir, a veces vuelvo y miro las series de televisión de los años 70 con las que crecí cuando era niño, y siempre tienen una IA en la nave espacial. Space 1999 tenía una IA con la que podías hablar. Era muy precisa, muy cortante, y hacía cosas y las hacía bien. Y había una sensación de que podías confiar en ella. Pero nunca pensarías en decir, como a veces hago ahora, "Encuéntrame cinco analogías para ayudar a explicar este punto". Lo uso como un compañero de lluvia de ideas, o le doy extractos de mi libro, el libro que estoy escribiendo, y le digo: "¿Cómo criticaría Paul Krugman este argumento?" Y obtengo sugerencias que luego trabajo manualmente. No creo que realmente imagináramos que se vería así.
**Krugman:** Sí. En la ciencia ficción hablaría con un tono monótono y sería implacablemente lógico. Y, de hecho, estos modelos son impredecibles, a veces temperamentales, no son confiables. Ese es probablemente uno de los grandes problemas. No es para nada lo que imaginamos.
**Azhar:** Para nada, y este punto sobre la confiabilidad es muy complejo. Hace un par de meses, salió una de las versiones de Claude de Anthropic y me pareció tan sicofántica que se volvió inútil porque me gusta que estas cosas me ayuden en problemas difíciles y me desafíen. Así que volví a Chat GPT, que siempre ha sido un poco menos amigable. Y lo que está pasando allí, Paul, es que porque realmente no tenemos una buena teoría sobre cómo construir esto. Se desarrollan casi como en una placa de Petri y se empujan en direcciones particulares para que adopten la forma que esperamos que tengan. Y para usar un término económico, mejoran de forma no monótona con cada lanzamiento. Así que verás la última versión de un modelo de Anthropic, y hay quizás veinte o treinta puntos de referencia públicos con los que se miden, como qué tan bien resumen texto y qué tan bien escriben código de software. Y la siguiente versión del modelo no necesariamente será mejor en todo que la versión anterior, porque pierdes algo para obtenerlo. Y esa es la complejidad con la que están lidiando los laboratorios.
**Krugman:** Vaya. Bien. Segunda pregunta ingenua. No creo ser un ludita. Siempre he estado feliz de adoptar tecnologías, pero quizás soy poco curioso en algunas de estas cosas. Tiendo a aprender cosas como técnicas matemáticas, según sea necesario, porque veo algo que podría ser útil. Ahora, estoy usando NotebookLM para extraer tablas de PDFs, ese tipo de cosas. Pero, ¿qué debería estar haciendo? Tengo amigos que usan mucho Claude, pero no puedo entender qué debería hacer específicamente la IA agente por mí.
**Azhar:** Sabes, me identifico mucho con eso porque tengo el mismo problema. Estas herramientas han sido desarrolladas por desarrolladores de software en una parte muy particular del mundo, que es Silicon Valley, donde la cultura gira realmente en torno al arte del programador. Así que si tienes el día de un programador y piensas en términos de código y tienes flujos de trabajo de programación, se vuelve realmente obvio qué haces con una herramienta de IA realmente avanzada. Hago mucha investigación, algo cualitativa, algo cuantitativa, y en ese mundo, esos flujos de trabajo no coinciden con la forma en que pienso sobre los problemas. Así que la forma en que soluciono esto es que miro cosas en Twitter o X, como se llama ahora, porque la gente comparte consejos. Y a menudo solo les pregunto a los modelos: "¿Qué podría hacer contigo dado que estoy tratando de hacer esto? Estoy tratando de resolver este problema". Y me da una sugerencia.
Y he tenido cierto éxito con los agentes. Así que tengo un agente llamado R. Mini Arnold. La "R" es un guiño a los robots de Isaac Asimov, todos se llaman R. Arnold es por el Buen Terminator de Terminator 2, interpretado por Arnold Schwarzenegger, que protege a la humanidad. Y R. Mini Arnold está disponible en mi WhatsApp y está disponible por correo electrónico.
**Krugman:** Bien.
**Azhar:** Y tiene acceso a un conjunto completo de recursos. Puede navegar por la web, puede acceder a LinkedIn, puede acceder a Twitter, puede mirar mi biblioteca de PDFs de investigación que he descargado. Y puedo asignarle tareas un poco como lo haría con un estudiante de posgrado decente pero un poco temperamental. Así que a veces simplemente desaparece durante seis o siete horas a la vez. Y una de las diferencias entre usar un agente así y usar Claude es que R. Mini Arnold tiene mucho contexto de mi vida. Sabe la música que me gusta, sabe el libro en el que estoy trabajando, sabe las inversiones que estoy haciendo, sabe los ensayos que estoy escribiendo, tiene el calendario de los discursos que voy a dar. Así que cuando se va a hacer una tarea, trata de averiguar en mi mundo a qué será relevante esto y de dónde puedo sacar conclusiones. Y cuando funciona, es realmente sublime y se siente un poco como ciencia ficción.
Pero diría que es increíblemente frágil. Quiero decir, se rompe cada cuatro o cinco días.
Un ejemplo específico fue que estaba pensando en la investigación de Paul David sobre por qué la electrificación tomó el tiempo que tomó. Y quería entender cuáles fueron los determinantes de ese retraso de treinta y cinco años desde la generación de Pearl Street hasta el crecimiento de la productividad. ¿Cuáles podrían ser las palancas? Así que le envié eso a R. Mini Arnold y configuró un equipo de subagentes que tenían las personalidades de economistas clave y pudo investigar como lo hacen las IA, pero también investigar todos los artículos académicos que he descargado en el pasado.
Tengo acceso a JSTOR, puedo descargar cien PDFs al mes. Puede mirar todos ellos y empezar a recopilar una respuesta de una manera que quizás Chat GPT no puede. Y conoce el contexto de mi libro y el contexto del ensayo que escribí. Entonces, lo que recibo es algo un poco más estructurado con lo que luego puedo jugar. Es una mejora marginal en comparación con hacer esto en Chat GPT. Estoy seguro de que probablemente podrías descubrir cómo hacerlo. Pero es rápido. Lo uso en mi iPhone. A menudo hago esto cuando camino por el aeropuerto y quiero resolver esto y tener el resultado cuando esté sentado en el avión. Envío esa consulta y él la procesa y me lo resuelve.
**Krugman:** Bien, creo que lo voy entendiendo. Pero obviamente tú y yo no somos típicos. Las personas que más están usando la IA serán los gerentes intermedios, empresarios, etc. Y me encuentro pensando en lo que llamo el problema de la pasta casera.
**Azhar:** Mm.
**Krugman:** Probablemente eres demasiado joven para esto, pero hubo un tiempo en que era joven y usábamos hachas de piedra para la informática, y hubo una gran moda de hacer tu propia pasta. Pequeñas máquinas de pasta estaban en todas partes. Y luego, en cierto momento, hubo una especie de reflexión colectiva: "¿Qué demonios estamos haciendo? La pasta comprada en la tienda es realmente mejor. Los italianos no hacen esto". Y tengo que pensar que para la mayoría de las tareas, el rango de agentes no puede ser tan amplio. Pero ¿por qué no venderían ese tipo de cosas ya hechas, por así decirlo?
**Azhar:** Sí, bueno, creo que es diferente para una persona independiente, una pequeña empresa o un gerente intermedio en una gran empresa. Imagino que empezarás a ver gente vendiendo agentes específicos que resuelven tu problema de marketing. Si tienes una barbería con cuatro sillas y quizás 30 personas al día. Ahora mismo, lo que haces es ir a ChatGPT y usarlo para ayudarte a redactar el material para tu sitio web. Eso parece un paso intermedio hasta que alguien entregue el producto final terminado. ¿Por qué no lo hemos visto? Creo que aún no lo hemos visto porque el terreno es todavía lo suficientemente grande.
Más allá de Anthropic y OpenAI, hay muchas otras empresas que construyen agentes que son estos flujos de trabajo de principio a fin para las empresas. Todavía creen que el premio para ellos es construir la plataforma genérica que es la herramienta de todas las herramientas. Porque si lo haces bien, tienes un negocio mucho, mucho más grande que si solo eres una aplicación vertical. Y creo que solo llevamos uno o dos años de estos emprendedores construyendo tales negocios. Creo que a medida que algunos tengan éxito y otros fracasen, los que no puedan tener éxito en el espacio general comenzarán a verticalizarse, que es lo que vimos con la llegada de internet. También lo vimos en el software.
Pero dentro de una gran empresa, es un conjunto diferente de preguntas porque tienes muchos menos grados de libertad como gerente de marketing en una gran empresa que si eres dueño de tu propia barbería. Tienes todas estas reglas, tienes todos estos otros equipos con los que debes interactuar, estás sujeto a las prioridades y los planes de la empresa en su conjunto. Y en ese caso, creo que es mucho más difícil ver cómo usas la IA para realmente cambiar la forma en que trabajas.
**Krugman:** Sí, quiero decir, nuevamente estamos hablando de historia antigua aquí, pero sabes, todos todavía usan Excel, aunque siempre ha sido horrible. Pero las limitaciones de la vida corporativa significan que todos tienen que usar Excel. Eso significa que quizás veremos mucha menos codificación dentro de unos años porque la gente podrá simplemente comprar lo que necesite. No lo sé.
**Azhar:** Creo que hay un equilibrio. Escuchas a gente predicando fuertemente, diciendo: "Creo que esta tecnología va a ser impresionante y tener un impacto significativo". Pero cuando la gente promociona esto, olvida que hay otros actores en el mercado que podrían responder a lo que está sucediendo. En este momento, si eres una gran empresa, quieres construir tanto como puedas porque lo que puedes comprar no es adecuado para el mercado. Si piensas en Henry Ford armando la planta de Highland Park, no podía ir a una cadena de suministro y comprar lo que necesitaba porque nadie estaba pensando en esos términos. Creo que estamos un poco en esa etapa para las grandes empresas ahora. Si estaremos allí en cinco años, no lo sé.
La pregunta que tenemos que considerar es dónde residirá el valor: entre tener tus propias capacidades para diseñar software para tus procesos, o entregarle eso a otra empresa que diseña software para cien empresas como la tuya. Históricamente, ha tenido más sentido entregárselo a otra empresa, pero las curvas de costo pueden haber cambiado lo suficiente como para que prefieras el matiz y el control para hacer lo que sea que 'vibe coding' se convierta en 2030.
**Krugman:** Sé que con el software de atención médica, organizaciones como la VA que construyeron el suyo propio les ha ido mucho mejor que las que intentaron comprarlo de Microsoft. Así que sí, podría ser una historia que tenga sentido. Y ya que estamos hablando de optar por los modelos frente a algo mucho más específico, ¿cómo ves la comparación entre las empresas chinas y las grandes empresas de IA estadounidenses?
**Azhar:** Acabo de pasar ocho días en China y tuve mucha suerte. Pude hablar con desarrolladores, ingenieros y gerentes de una docena de los laboratorios chinos. En muchos casos nos recibieron en sus oficinas. Lo principal que las empresas chinas dicen sobre las empresas estadounidenses es que Claude code es brillante y Claude es el mejor modelo que existe y realmente no podían tener suficiente de él. El término es que están " Claude-pilled". Hablan sobre las limitaciones para acceder a la potencia computacional, pero solo como un hecho de la vida. Quiero decir, no hay ningún tipo de comentario al respecto aparte de que es difícil. Tienen que descubrir cómo sortear eso y cómo construir una cultura de eficiencia cuando no tienes tanta [potencia computacional] y creo que han construido una cultura de eficiencia realmente, muy bien. Creo que les ayudará a largo plazo. Realmente no hablan de competencia con los laboratorios estadounidenses de la manera en que Estados Unidos habla de competencia con China. Pero sí se ven compitiendo entre ellos.
Y como sabes, así es la economía china. Son alcaldes en diferentes ciudades que actúan casi como capitalistas de riesgo que compiten ferozmente entre sí para convertirse en el centro de vehículos eléctricos, el centro solar o el centro de IA de la nación. Y lo que diría es que los modelos son realmente muy capaces. Son muy eficientes, por lo que son muy baratos de ejecutar, lo que los hace muy competitivos para una amplia gama de tareas. Pero en el margen, es instructivo notar que todos estaban usando Claude para codificar en lugar de la versión china más barata.
**Krugman:** Eso es interesante. Así que te puedes imaginar un futuro en el que muchas empresas están usando estos modelos menos completos pero mucho más baratos. Creo que lo que estoy entendiendo de ti y de otras personas es que muchos emprendedores en Estados Unidos todavía sueñan con el súper modelo que resuelve todos los problemas, pero que probablemente no va a ser así. Que al final vamos a terminar con muchos modelos especializados, pero también los súper modelos seguirán teniendo un papel.
**Azhar:** Sí, nunca tuvo sentido para mí que tuvieras un solo modelo que hiciera todo porque si el modelo único va a resolver la hipótesis de Riemann, requerirá muchos recursos. Y si todo lo que necesitas hacer es que envíe una factura al departamento de finanzas, parece un poco tonto pedirle a Einstein que venga a hacer eso por ti. Hemos tenido segmentación de mercados durante mucho tiempo y es como con las aerolíneas. Hay una razón por la que no todos los asientos de una aerolínea son de primera clase. Algunos pasajeros no lo quieren, no lo necesitan, no querrán pagar por ello. Así que creo que el ecosistema parece un conjunto de muchos modelos mucho más baratos que sirven por volumen muchas necesidades corporativas, y luego tener modelos más sofisticados y complejos para las tareas más complejas. Creo que ya estás empezando a ver esto.
No lo veo, por cierto, como un shock para la industria. Solo pienso que esto es lo que sucede cuando una industria madura. Sabes, empiezas con una talla única, luego empiezas a segmentar las necesidades de tus clientes y empiezas a atenderlos de la manera más rentable posible. Y eso me parece la forma en que los mercados han madurado.
**Krugman:** Bien. Pasemos a consideraciones más macro. La gente ha estado preocupada por una burbuja. Muchos de nosotros todavía recordamos los años noventa muy vívidamente y pensamos en todo eso. Pero simplemente no estás viendo la burbuja. ¿Quieres hablar de eso?
**Azhar:** Recuerdo cómo era en los años noventa. Viví esa y también la burbuja inmobiliaria, que francamente fue mucho, mucho peor y mucho más aterradora. Tengo un mantra realmente simple aquí, que es que los ingresos honestos de los clientes tienden a ser el motor que te lleva a través de esto, ¿verdad? Ya sabes, ¿qué causó los problemas con los ferrocarriles estadounidenses en las décadas de 1870 y 1880? Fue que los ingresos no se materializaron porque las vías se estaban colocando en lugares donde no había ciudades. Eso fue un problema. Lo mismo fue cierto en la era de las punto-com. Mi equipo y yo nos dimos cuenta el año pasado de que es muy difícil obtener datos de buena calidad sobre cuánto estaban gastando realmente las empresas y los consumidores estadounidenses en IA. Así que hemos pasado varios meses construyendo sistemas y recopilando datos para dar una vista desduplicada de cuál es ese número. Y solo para darte un adelanto, son 150 mil millones de dólares por año, anualizados a finales de mayo de 2026, y unos 90 mil millones de dólares en los 12 meses anteriores, de mayo '25 a mayo '26. Así que se puede ver que está creciendo, y esos son números desduplicados.
Entonces, si gastas un dólar con OpenAI, y ellos tienen que pagarle a Microsoft 60 centavos para ejecutar los servidores, solo contamos eso como un dólar. No lo contamos como 1,60 dólares. Es una tasa de crecimiento de ingresos mucho más rápida que la de la telefonía móvil o internet. También es un número pequeño porque la economía estadounidense es de 32 billones de dólares. Y creo que la cosa es que a ese nivel de gasto, puedes cubrir aproximadamente la depreciación de los enormes gastos de capital que se han destinado a la IA solo en el último año. Pero el próximo año o el siguiente, tienes que duplicar tus ingresos una y otra vez para cubrir estos crecientes compromisos.
Lo que a menudo pincha una burbuja es cuando la financiación comienza a oler mal. Ese fue claramente el caso en la crisis financiera global, donde las obligaciones de deuda colateralizada sintéticas estaban magnificando el riesgo de las hipotecas de alto riesgo: todo era "finanzas apestosas". En la burbuja de las punto-com, las propias punto-com no tenían mucho olor. Había mucha incredulidad, pero las telecomunicaciones claramente tenían problemas con su generación interna de ingresos.
Así que la otra cosa que observamos es qué tan mala, pobre, o fuerte o robusta es la calidad de la financiación. Y esa medida de calidad de financiación definitivamente está empeorando. Es peor ahora que hace nueve meses. Pero no parece, según los números, estar en el nivel en que ha estado históricamente cuando estas cosas han implosionado. Tampoco parece ser el tipo de exposición que sea realmente sistémica, que es lo que vimos en la crisis financiera global. Hay empresas como Oracle y Coreweave cuya deuda parece muy riesgosa, y es cada vez más difícil para ellas tal vez recaudar dinero, aunque Oracle acaba de hacerlo. Pero no se siente como si fuera sistémico.
Sabes, cuando la crisis financiera global estalló, nadie sabía quién estaba en problemas, mientras que ahora podrías aislarlo con una sola empresa o una sola firma. Así que por el momento sentimos que esto sigue siendo un auge impulsado por la demanda, que la calidad de la financiación definitivamente ha empeorado, pero no tanto como para decir que hay un problema inminente en el horizonte.
**Krugman:** Así que en este punto, dices que, a grandes rasgos, la demanda final para esto es aproximadamente medio punto porcentual del PIB. ¿Qué parte del valor de mercado tienen las acciones relacionadas con la IA? Tiene que ser sustancialmente mayor que eso.
**Azhar:** Son alrededor del cuarenta por ciento del S&P 500 en este momento.
**Krugman:** Esa es una gran discrepancia. Los ingresos no son lo mismo que las ganancias, pero estás hablando de lo que sigue siendo un negocio relativamente pequeño en comparación con esta inmensa economía, sin embargo domina los mercados financieros. Eso sería al menos una posible fuente de alarma.
**Azhar:** Profundicemos en eso, porque el precio de una acción es un reflejo del valor futuro esperado agregado en todo el mercado. El cuarenta por ciento se siente alto, pero si observas la medida de las ganancias, estas empresas en realidad tienen una proporción mucho mayor de ganancias y crecimiento de ganancias.
Si observas el mercado de valores estadounidense en 1900, después de las calamidades ferroviarias de mediados a finales del siglo XIX, las acciones de los ferrocarriles eran el sesenta por ciento de la capitalización del mercado estadounidense. Ya habíamos superado los desplomes en ese punto. Hay un trabajo académico fantástico de un profesor de finanzas estadounidense llamado Bessenbinder. Analizó los rendimientos de las acciones de 23,000 acciones estadounidenses desde la década de 1900 hasta 2022. Esos rendimientos están altamente concentrados. Aproximadamente dos tercios se concentran en aproximadamente 30 empresas. Esas empresas son de petróleo, electricidad o automóviles: las tecnologías de propósito general de principios del siglo XX—o son las empresas de TI como Apple y Nvidia. Las únicas excepciones fueron Walmart, un par de empresas de atención médica como Pfizer y JP Morgan.
Históricamente, se obtiene esta concentración de un número de ganadores cuando se tiene una nueva tecnología de propósito general, y eso se está mostrando hoy. No siento que estemos demasiado concentrados desde la perspectiva del riesgo, y el precio no se siente totalmente fuera de lugar en comparación con donde estábamos durante la era de las punto-com.
**Krugman:** Una última pregunta del abogado del diablo. Sigo pensando en la fiebre del oro de California. Si hubieras observado los ingresos y gastos de los negocios relacionados con la fiebre del oro en su conjunto, probablemente se habrían visto sólidos. Pero el problema es que no era el oro; eran los picos, las palas, los jeans azules, las mujeres y el whisky las fuentes de ingresos. ¿Es esa una pregunta justa para hacer sobre la IA en este momento?
**Azhar:** Es una gran pregunta para hacer. La pregunta es qué determina esa demanda anualizada de 150 mil millones de dólares. Vemos que poco menos del 30% del S&P 500 ha señalado un proyecto de IA generativa con un resultado cuantificable en sus llamadas de ganancias. Están bajo presión para decir que hacen esto, así que quizás eso es lo que está pasando. Pero cuando hablo con ejecutivos, como 30 empresas financieras en Nueva York, todas planean gastar más el próximo año, aunque ni una sola pudo señalar una mejora de incluso 10 puntos básicos en su negocio a partir de las inversiones realizadas hasta ahora.
**Krugman:** Cierto.
**Azhar:** Cuando desglosamos esos 90 mil millones de dólares, 60 mil millones están en Estados Unidos. Eso es mucho dinero para una sola empresa, pero distribuido entre miles de empresas, todavía está en la etapa experimental. Deberíamos considerar si estos ejecutivos están aprendiendo haciendo. Los mensajes que recibo varían desde aquellos que tienen éxito en las decenas de millones y quieren llegar a cientos de millones, hasta aquellos que lo encuentran más difícil pero persisten. Estamos un poco más allá de los simples picos y palas, pero en el trabajo de Paul David, se necesitó que el 50% de las empresas estadounidenses se electrificaran antes de que aumentara la productividad. Estamos muy lejos de eso.
**Krugman:** Titulares aparecieron sobre un estudio de KPMG con casos de estudio sobre la utilidad de la IA que resultaron ser alucinaciones de IA. Es algo maravilloso.
**Azhar:** Es brillante. Una cosa que es bastante desafiante es que el mercado ha hablado mucho sobre cuellos de botella. Vimos esto con los ferrocarriles cuando Estados Unidos no podía producir suficiente acero. Hay estos cuellos de botella, y hay mucho énfasis en la energía y en llevar electricidad al sistema.
Hay más demanda que capacidad de suministro para la IA en este momento, pero hay una cuestión de si hay suficiente capital. Podríamos ver otros pocos billones de dólares en intención de las empresas tecnológicas para construir infraestructura hasta 2030, lo que empezaría a rivalizar con la nueva emisión del Tesoro estadounidense de 2 billones de dólares al año. Me pregunto si esta restricción de capital va a ser un problema o si el mercado sabe cómo resolverlo.
**Krugman:** Normalmente, esperaríamos ver eso en los precios. Las tasas de interés reales están muy por debajo de sus mínimos previos a la COVID. Son más altas ahora, pero aún sustancialmente más bajas que en el pico del auge tecnológico de los noventa, cuando rondaban el cuatro por ciento. Ahora son más como dos.
Es sorprendente, dado el auge de la IA y los enormes déficits presupuestarios, que las tasas no sean aún más altas. Si esto es una restricción real, Nvidia no es el Tesoro de EE. UU. Necesitan capital tolerante al riesgo. La posibilidad de que estas empresas no puedan recaudar suficiente dinero es algo en lo que debemos pensar.
**Azhar:** Sí. Sobre ese punto de Nvidia, vi que los swaps de incumplimiento crediticio de los bonos de Nvidia a cinco años (el costo del seguro contra el incumplimiento) son actualmente más bajos que los de los bonos del Tesoro de EE. UU.
**Krugman:** Vi eso, y me parece completamente una locura. Si crees que el gobierno de EE. UU. no es confiable, no deberías invertir en acciones de chips; deberías invertir en latas de comida para tu refugio antiaéreo. Pero bueno.
**Azhar:** ¿Me estás diciendo que los mercados no son perfectamente racionales, Paul?
**Krugman:** Cielos, no puedo decir eso; me quitarían mi carnet de economista. Estamos grabando esto en el Día de SpaceX, y me he estado preguntando si hay grupos limitados de capital para inversiones de vanguardia. Me pregunto si Elon Musk está desviando capital que la IA podría necesitar. Mucho dinero de memes está fluyendo hacia SpaceX en este momento. ¿Es algo que debería estar considerando? Quiero decir, él tiene lo que todo el mundo me dice que es un producto de IA burdo en Grok, y sin embargo...
**Azeem:** Musk mostró su disposición a adaptarse; su producto de IA ahora está siendo subsidiado utilizando su capacidad para atender a clientes como Anthropic. Tiene un seguimiento increíble, pero las personas que han trabajado con él dicen que su capacidad para enfocarse y optimizar sin descanso lo distingue. Su pensamiento de primeros principios ha reducido el costo de los lanzamientos espaciales más rápido que nadie en la historia. Empuja agresivamente la tasa de aprendizaje. A pesar de todos los desafíos y su comportamiento voluble en otros lugares, eso es generalmente algo bueno porque la tecnología ha reducido el costo de los insumos significativamente.
Estaremos mucho más avanzados en el espacio de lo que hubiéramos estado si SpaceX no hubiera tenido éxito. Esto plantea preguntas sobre cómo gobernar lo que solía ser un bien común, pero hay un beneficio definitivo al bajar esa curva de aprendizaje tan rápidamente.
**Krugman:** Eso es justo. La única vez que miré las actividades de Musk y pensé que realmente estaba dando en el clavo fue cuando me di cuenta de que diagnosticó que el costo de los lanzamientos espaciales es realmente el cohete, no el combustible, y recuperarlo marca la diferencia. Poder hacer que suceda es una verdadera cuestión de productividad.
Todo esto se mueve tan rápido que no tenemos tiempo para los problemas técnicos de productividad que teníamos en el pasado. Se siente como un momento de Solow en el que la gente dice: "Veo la tecnología por todas partes, excepto en las estadísticas de productividad". ¿Quieres hablar de eso?
**Azhar:** Surge todo el tiempo. Me pregunto si necesitamos que las cosas sucedan más rápido de lo que solíamos. Todavía no lo estamos viendo en los números. Erik Brynjolfsson de Stanford dice que él cree que se está mostrando en los números agregados. ¿Qué tan rápido deberíamos esperar que una tecnología como esta se muestre? A 90 mil millones de dólares al año, eso no es mucho del PIB de EE. UU. Estas son etapas tempranas donde las empresas están aprendiendo. Los primeros 100 millones de dólares que gastes en IA son para aprender, y estamos en esa fase de cometer errores.
El modelo del que hablaron Paul David y William Devine sobre la electricidad es útil. En las primeras fases, estás adaptando tu stock de capital y tus procesos a la nueva tecnología. No es hasta que deprecias el capital existente y cambias los procesos, como hizo Ford en Highland Park, que ves los beneficios de productividad. Para poner números a eso, ¿qué esperaríamos ver en el equivalente Ford de Highland Park en términos de producción?
**Krugman:** Sí.
**Azhar:** Pensé que podríamos ver qué sucede con los ingresos por empleado en una empresa nativa de IA. En empresas de alta gama como McKinsey, es de aproximadamente 400,000 dólares. Para Meta o Google, es de aproximadamente dos a dos millones y medio de dólares. En empresas nativas de IA como Mercor, ese número se acerca más a los siete millones de dólares por empleado. Para Anthropic, se acerca a los diez millones. Puedes medir la enorme productividad comercial de un solo empleado si una empresa es nativa de IA. Estamos hablando de un puñado de empresas, pero podemos vislumbrar la forma de lo que es posible para la productividad de un solo empleado. Puede ser difícil, puede llevar tiempo, pero es posible.
**Krugman:** ¿Cómo se verían esos números por dólar de capital invertido? Una preocupación es que este es un negocio enormemente intensivo en capital que reemplaza mano de obra. Las refinerías de petróleo de Nueva Jersey tienen ingresos enormes por empleado porque no hay trabajadores, solo instalaciones de capital monstruosas. ¿Es eso un factor?
**Azhar:** Anthropic ha recaudado decenas de miles de millones en lugar de cientos de miles de millones y tuvo un trimestre rentable antes de lo previsto. Lo que no sabemos es cuánto de ese capital se destina a desarrollar el próximo modelo frente a monetizar generaciones anteriores. Su OPI en los próximos seis a nueve meses nos lo dirá.
Las empresas chinas están utilizando mucho menos capital para construir modelos que son casi tan buenos. Así que creo que la parte más difícil de tu pregunta es que si cada modelo que OpenAI o Anthropic despliega y desarrolla cuesta diez veces más, pero solo dura un par de años antes de quedar obsoleto debido a la competencia, ¿qué tiene que ser cierto para que eso sea sostenible por más de un año o dos? Para mí, esa es también una pregunta realmente complicada.
**Krugman:** Has citado medidas intermedias. En lugar de los ingresos, observamos las líneas de código generadas, que se han disparado, frente a las aplicaciones realmente utilizables, que no lo han hecho. ¿Eso nos dice algo?
**Azhar:** Las líneas de código son una medida extraña. Hemos abaratado mucho la escritura de código, por lo que ahora lo escriben personas menos decididas. No es sorprendente que el aumento no haya sido acompañado por una productividad proporcional. Los datos sugieren que estamos obteniendo más código de alta calidad, pero también mucha basura inútil. Esta no es la primera vez que un insumo útil en la economía genera residuos. Piensa en un barril de petróleo: contamos todo el valor en el PIB, pero dos tercios se desechan como calor residual. Solo un tercio es energía útil. Las líneas de código descuidadas son una forma similar de desperdicio que hemos estado felices de tolerar en otros sectores durante un siglo.
**Krugman:** Una analogía extraña es cuando se generalizó el procesamiento de textos. Los libros empezaron a alargarse. Era muy fácil para los autores escribir cientos de páginas. Lo que podría haber sido una serie de dos volúmenes se convirtió en cinco.
**Azhar:** En ese frente, estamos en un momento de la ilustración. En la Francia del siglo XVIII, la batalla era sobre quién podía escribir y expresar su historia. Hombres y mujeres produjeron obras notables con plumas de ave que encapsulaban un mundo.
**Krugman:** Cierto.
**Azhar:** ¿Es peor que permitamos más expresión? Estamos peor cuando eso se conecta con un sistema de recomendación algorítmica que nos bombardea constantemente con basura. Pero no estamos inevitablemente peor porque estamos dando acceso a muchas más personas.
Al reducir los costos de acceso, podríamos encontrar personas asombrosas. Al romper los silos de conocimiento, podríamos encontrar conexiones, quizás algo en química de baterías que sea útil en cardiología. No lo sabemos porque nunca antes habíamos podido hacer que esos expertos hablaran. Miro cada oportunidad de manera discreta.
**Krugman:** Hay un libro potencial aquí: El lado positivo de la basura. Esto es una escena irreconocible de hace dieciocho meses. Vaya.
**Azhar:** Podríamos hacer que ChatGPT lo escribiera.
**Krugman:** Comencé mi carrera escribiendo artículos a mano en blocs de notas amarillos. Un cambio asombroso.
**Azhar:** Todavía escribo todo con una pluma estilográfica. Estoy escribiendo mi nuevo libro a mano y la mayor parte de mi investigación también. La computadora está apagada porque la IA hace todo el trabajo aburrido como PowerPoint y correos electrónicos, lo que me da tiempo para aplicar mi cerebro a las cosas en las que quiero pensar.
Me encantaría continuar esta conversación en unos meses. Gracias por invitarme.
**Krugman:** Muchas gracias. Cuídate."
(Entrevista con Azeem Azhar, Paul Krugman, blog, 13/06/26, traducción Deep Seek)
