Relación entre la Inteligencia Artificial (AI) y el crecimiento económico en Estados

Unidos, China e Israel para el periodo 2019-2025.

1. Problema
La Inteligencia Artificial (AI por sus siglas en inglés) es considerada una rama de la
computación. Relaciona la analogía artificial a través de programas de computador,
contribuyendo a un mayor entendimiento del conocimiento humano en un gran volumen de
información representada en datos que pueden ser interpretada de diversas maneras como
en dispositivos móviles, audio, video, sensores digitales, automóviles, etc. La AI se puede
definir como la “capacidad de un sistema para interpretar correctamente datos externos,
para aprender de dichos datos y emplear esos conocimientos y lograr tareas, metas
concretas a través de la adaptación flexible (Kaplan y Haenlein, 2019). A través de la AI se
han desarrollado sistemas que pueden imitar la capacidad mental del hombre y relacionan
reglas de sintaxis del lenguaje hablado y escrito sobre la base de la experiencia humana. La
AI hace parte de las nuevas tecnologías que componen la Cuarta Revolución Industrial;
tiene a las empresas como el epicentro de la transformación: dotar a las máquinas de nuevas
habilidades y como resultado, un aumento en la productividad (Deloitte Insights, 2018).
Klaus Schwab, fundador y presidente ejecutivo de Foro Económico Mundial, desarrollo el
termino de Cuarta Revolución Industrial en el siglo XIX, también conocida como industria
4.0; la cual está cambiando la forma de vivir, la forma en cómo se realizan las cosas, la
comunicación de los seres humanos, la productividad y de relacionarse unos con otros por
medio de tecnologías digitales, biológicas y físicas, implementadas en las industrias y los
sistemas para transformar la manera de producción tradicional de las empresas. La primera
revolución industrial estuvo marcada por la energía a raíz del vapor y el agua como
mecanismo de producción, la segunda se obtuvo por medio de fuerza hidroeléctrica
transformándola en luz, la tercera evoluciono la electrónica, el empleo de computadoras.
Así mismo, la cuarta está emergiendo a partir de la tercera con la fusión del internet y la
inteligencia artificial, eliminando fronteras.
En 1950, Alan Turing plateaba en sus investigaciones si las maquinas podían pensar.
Turing comprendió la necesidad de tener evidencia empírica para sustentar su idea.
Desarrollo una prueba para determinar si una máquina era capaz de pensar1. John McCarthy
(1956) presento el término de AI, dos años después de la muerte de Alan Turing, sus ideas
demostraron tener una profunda influencia sobre el campo de la IA. El desarrollo de
tecnologías de AI con capacidad para transformar la sociedad ha conllevado una amplia
generación de empleo. Según un estudio de McKinsey Global Institute (2016), un tercio de
los nuevos puestos de trabajo creados en EE. UU. en los últimos 25 años pertenecen a
disciplinas que no existían como las tecnologías de la información, la fabricación de
hardware, la creación de aplicaciones móviles o la gestión de sistemas tecnológicos.
1
La prueba de Turing era un programa de computadora que sustituía al hombre. Implicaba aislar a un
hombre y una mujer de un interrogador, tenía que adivinar cuál es cuál haciendo preguntas y estudiando
respuestas escritas, el hombre trataba de engañar al interrogador, mientras que la mujer trata de ayudarlo.
Si el interrogador no podía distinguir la diferencia entre lo humano y lo mecánico, se consideraría que la
computadora estaba pensando.
Las actuales inquietudes sobre el impacto de la AI en el crecimiento económico y cómo
afecta a la industria, la inversión, el consumo, han motivado la investigación en el área.
Aunque, todavía no hay un consenso de la influencia de la AI en un contexto absoluto de la
economía, es decir, un reemplazo completo de la inteligencia humana en todos sus aspectos
en la economía; la discusión de AI en este documento se aborda desde el enfoque de la
innovación tecnológica como un impacto al Crecimiento Económico.
No obstante, varios debates como en Fernández, Gómez, Hernández, Sheng, Martens,
Martínez, y Tolan (2017) en “A multidisciplinary task-based perspective for evaluating the
impact of AI autonomy and generality on the future of work”; en “Artificial Intelligence
And Economic Growth” por P. Aghion, B. F. Jones y C. I. Jones (2017), dejan clara la
posibilidad de aumentar la demanda de mano de obra a través de los efectos de la
productividad y la acumulación de capital, de acuerdo a la evidencia empírica, la
automatización no conducirá a una expansión proporcional de la demanda de mano de obra
debido al efecto de desplazamiento.
La evidencia que muestra el estudio realizado por Aghion, Jones & Jones (2017) se basa en
el modelo automatización y crecimiento de Zeira (1998) y Acemoglu y Restrepo (2016)
que produce efectos de cambio en el Crecimiento Económico y Baumol (1967) quien
plantea el “cost disease”, donde un rápido crecimiento de la productividad en ciertos
sectores podría dar como resultado un crecimiento lento, volviéndose importante en la
economía. Esta evidencia mostró efectos mixtos en la implementación de la automatización
en el Crecimiento Económico. Una aplicación más amplia del modelo basado en tareas en
el cambio tecnológico que reemplaza a la economía muestra efectos positivos, se evidencia
que la literatura empírica es escasa y no decisiva.
Incluso estos modelos de crecimiento no ofrecen perspectivas sólidas y solo pueden sugerir
una amplia gama de escenarios posibles, principalmente porque todavía no hay suficiente
evidencia empírica a favor de ninguno de estos escenarios. También, algunos artículos
sobre el impacto de las implicaciones distributivas de la inteligencia artificial en la
distribución del ingreso, pero, ese impacto no es claro y depende de suposiciones acerca de
la AI como complemento o sustituto del trabajo humano. Estos modelos que intentan
combinar los enfoques permiten tanto el aumento de la mano de obra como el agotamiento
de los efectos en función de las suposiciones sobre la elasticidad de la sustitución entre
capital y la producción total. Parte del debate se ha movido más allá del enfoque estrecho
en los efectos de sustitución de empleo y hacia una perspectiva más integral tener en cuenta
los efectos sobre la productividad de la AI en el crecimiento económico.
Por ello, la importancia de avanzar en la formación de profesionales de acuerdo al
desarrollo de la AI, que se pueda subvencionar a la sociedad en la transformación
tecnológica. Esta necesidad de aprendizaje constante, consecuencia del cambio incesante
causado por el progreso tecnológico, puede ser difícil de gestionar desde un punto de vista
emocional ya que, la humanidad tiende a ser resistentes al cambio. Contemplar la
posibilidad de la existencia de un colectivo social incapaz de adaptarse a esta necesidad
constante de aprendizaje y por tanto carente de las herramientas necesarias para contribuir a
la sociedad del mañana.
Con la AI se espera que supere el crecimiento sostenido en el tiempo, ya que, el
implementar esta nueva tecnología traerá consigo un impacto en todos los ámbitos de
actividad. Este impacto económico es debido tanto al aumento de la productividad –
derivado de los procesos de automatización con sistemas de AI– como a una demanda
creciente por parte de los consumidores de productos y servicios enriquecidos con AI.
Geográficamente, Norteamérica y China experimentarán los mayores beneficios dada la
concentración de la investigación, la innovación y el desarrollo de la AI en el mundo.

Figura 1. Liderazgo en Inteligencia Artificial. Adaptado de ASGARD, Top Countries in the Race
for Artificial Intelligence. Disponible en https://asgard.vc/global-ai/

La Figura 1 muestra que EE. UU. es el líder mundial con respecto a la innovación en AI,
seguidos de China e Israel. A nivel europeo Londres es la segunda ciudad del mundo en
número, seguida de París en décima posición. Invertir en AI para incorporar los beneficios
en la economía, adhiriéndola con un crecimiento económico de base, destacaría las
oportunidades que existen en la salud, el transporte, la energía, la agricultura, el turismo, el
comercio electrónico, la banca y la administración pública.
De acuerdo a la descripción de ASGARD, EE. UU. tiene el liderazgo en el campo de la IA:
registra la mayor cantidad de solicitudes de patentes de AI (15,317 en 2010-2014), tiene la
mayoría de las personas que trabajan en AI (aprox. 850,000) y representa la mayor parte de
las inversiones privadas en AI (66%) (p.15). En China la situación no es diferente. En julio
de 2017, dentro de su Plan de Desarrollo de AI de Próxima Generación, establece alcanzar
el mismo nivel en AI como Estados Unidos para 2020 y convertirse en el principal centro
de innovación de AI del mundo para 2030, y construir una industria nacional de AI por
22.200 millones de dólares, para 2020 y 5.100 millones de dólares para 2025. El número
de patentes en AI creció mucho más rápido, en 2017, China publicó 641 patentes
relacionadas con AI, comparadas con 130 en los Estados Unidos.

Figura 2. Países Top en Inteligencia Artificial. Adaptado de ASGARD, Top Countries in the Race
for Artificial Intelligence. Disponible en https://asgard.vc/global-ai/

En Europa, la implementación AI se observa dividida. En abril de 2018, la Comisión

Europea anunció las líneas generales de una estrategia europea que se detallará a finales de
año. Esta estrategia incluye una solicitud de inversión de 20.000 millones de euros en el
período 2018-2020. La Estrategia Industrial del gobierno del Reino Unido identificó a AI
como un problema importante para el futuro de la economía, se anunció presupuesto de 500
millones de GBP de financiación para AI, 5G y banda ancha de fibra completa, más 2.500
millones de GBP para ayudar a las empresas a crecer y 21 millones de libras esterlinas en
los próximos cuatro años para expandirse en una red nacional y triplicar el número de
profesores de informática calificados a 12,000
En Alemania su presupuesto en 2015 fue de 41 millones de euros según el Centro Alemán
de Investigación para la IA (DFKI). Alrededor del 70% de sus ingresos por investigación
de contratos provienen de contratos con la industria y fondos públicos. En Francia, el
Presidente Macron describió una estrategia nacional para AI, se comprometió a gastar
1.500 millones de Euros de dinero público en la IA. Israel, que ocupa el tercer lugar en el
mundo en cuanto al número de nuevas empresas de IA en el país y el primero en cuanto al
número de empresas de AI por habitante, el 30% de la protección de las fronteras de Israel
se basa en sistemas de inteligencia artificial. Además, el gobierno planea invertir USD 275
millones en la digitalización de datos de salud para fomentar proyectos de AI. Japón, es
también el paraíso de la robótica desde hace años. De hecho, se calcula que el 71 % de su
industria está automatizada, un porcentaje superior al de Estados Unidos. Algunas de sus
empresas también figuran en esa lista de startups prometedoras en AI (ASGARD, 2018).
Un estudio del Centro de Implementación de Políticas Públicas para el Crecimiento y la
Equidad (CIPPEC) sobre “Inteligencia Artificial y Crecimiento Económico: Oportunidades
y Desafíos para América Latina” muestra la importancia de la adopción de AI para
Latinoamérica para no quedar atrás en términos económicos. Esta adopción implicará una
expansión del Producto Interno Bruto (PIB) regional de un 4,3% anual. La información se
basa en seis países latinoamericanos que representan el 80% del PIB regional (Argentina,
Brasil, Colombia, Chile, México y Perú), por el peso similar de estas economías en la
región, el uso de la AI aumentaría en 4,3% el crecimiento del PIB anual. Al menos el
55,7% de la fuerza laboral latinoamericana, en promedio, debe someterse a la reconversión
de sus habilidades. Actualmente, en América Latina, Chile es el que está a la vanguardia en
la AI, y en Centroamérica Costa Rica (CIPPEC, 2017).
Figura 3. Inteligencia Artificial y Crecimiento Económico.Adaptado de CIPPEC2,. Centro de
Implementación de Políticas Públicas para el Crecimiento y la Equidad CIPPEC (2017)
“Inteligencia Artificial y Crecimiento Económico: Oportunidades y Desafíos para América Latina”

Para entender cómo puede impactar la AI en el crecimiento económico, es necesaria la

irrupción de empresas dinámicas que puedan absorber las tecnologías asociadas con AI,
sobre todo, de una fuerza de trabajo con habilidades, capacidades y conocimientos
compatibles y complementarios a esas tecnologías. Es crucial que el Estado ayude a
promover y facilitar el proceso de adopción tecnológica por parte de las firmas y para
readaptar las habilidades de los trabajadores. Incorporar nuevas tecnologías es vital para
potenciar la capacidad productiva de los recursos humanos, naturales y de capital
existentes, y así producir más y mejor. Innovar y generar ideas es un insumo central que
permite generar nuevos productos y servicios y crear nuevos mercados.
El progreso tecnológico de la AI está absorbiendo el mercado laboral con la aparición de
nuevos trabajos altamente remunerados que requieren especialización en áreas
tecnológicas, esto hace que desaparezcan otro tipo de profesiones al verse automatizados
parcial o totalmente influyendo en el crecimiento económico de los países y en su
productividad. En consecuencia, la demanda laboral experimenta un sesgo en beneficio de
habilidades profesionales especializadas, y en perjuicio de habilidades u ocupaciones
rutinarias y mecánicas. Esta tendencia pronostica una mutación completa en la estructura
ocupacional que probablemente conlleve riesgos para la sociedad. Entonces, ¿Cuál es la
relación entre la AI y el crecimiento económico?
Uso de Big Data, Uso de Blockchain, Uso de apps, comercio electrónico
2. Justificación
La AI puede generar crecimiento creando una fuerza de trabajo virtual, puede
complementar y mejorar las habilidades y capacidades de las fuerzas de trabajo existentes y
el capital físico y puede estimular innovación en la economía como se ha mencionado con
anterioridad. La automatización inteligente impulsada por la AI genera crecimiento a través
de soluciones por medio de la automatización: capacidad de automatizar tareas complejas
que requieren adaptabilidad, agilidad y aprendizaje, la capacidad de solucionar problemas
en diferentes áreas y el auto-aprendizaje posibilitado por la repetitividad a escala. Mientras
que el capital tradicional de la automatización se degrada, los activos de la automatización
inteligente tienen una mejora continua. Asimismo, la AI aumenta la capacidad de la mano
de obra complementando las capacidades humanas, ofreciendo a los empleados nuevas
herramientas.
Una parte importante del crecimiento económico de la AI no provendrá del reemplazo de la
mano de obra y el capital existentes, sino de un aumento de su eficacia, sin embargo, hay
quienes difieran de esta idea. Tal como Elon Musk, quien rechazar la AI. El empresario e
inventor Elon Musk es uno de varios tecnólogos y científicos de renombre mundial. Musk
2
Centro de Implementación de Políticas Públicas para el Crecimiento y la Equidad (CIPPEC) 2017
“Inteligencia Artificial y Crecimiento Económico: Oportunidades y Desafíos para América Latina”
calificó a la IA como nuestra "mayor amenaza existencial" (el año pasado todavía seguía
calificando así a la IA, en una reunión con gobernadores estadounidenses) y señaló que lo
más probable era que en los siguientes 5 años ocurriese "algo realmente peligroso"
protagonizado por una IA. Además, Musk explica la sorprendente comparación: "Como AI
será, probablemente, mucho más inteligente que los humanos, la relación entre las
diferentes inteligencias probablemente sea similar a la existente entre una persona y un
gato".
El impacto que puede incurrir la AI en el crecimiento económico para cada uno de estos
países, tendría un efecto en el valor los bienes y servicios producidos en una economía
(PIB) ya que la estabilidad macroeconómica y política es una condición necesaria. Debido a
esto, es necesario un análisis del impacto de la AI en el crecimiento económico o los
aumentos de productividad inducidos por la AI. Utilizando el enfoque de Romer, la teoría
del crecimiento endógeno que asigna un papel importante al capital humano, donde el
aprendizaje de un productor podría incrementar la producción sistémica generando mayor
productividad y crecimiento económico (Romer 1986), se estudiará los países líderes en
innovación de AI.
La AI como proceso de automatización que, de acuerdo al desarrollo histórico, ha estado en
curso durante al menos 200 años, desde el inicio de la revolución industrial con la máquina
de hilar a la máquina de vapor, la electricidad y los chips de computadora, la
automatización de estos aspectos de la producción ha sido una característica clave del
crecimiento económico desde en el crecimiento económico mundial. Observamos la AI
como una nueva forma de automatización que puede permitir que las tareas que antes se
pensaban estuvieran fuera del alcance de la automatización tales como la conducción de
autos, o de tareas que requieren involucrar altos niveles de habilidad, como servicios
legales, medicina y algunos avances en investigación científica.
Indagar por un modelo que evidencie los cambios entre la innovación tecnológica
impulsada por la automatización y el capital, puede permitir un enfoque de cómo el
impulso tecnológico y patrones de innovación estén en línea con hechos que, observados en
algunas economías desarrolladas, en la relación del capital con el crecimiento económico.
Un ejemplo de ellos es que el capital aumente en industrias, pero disminuya en industrias
de servicios. También puede haber cambios dentro de la industria en la composición de las
empresas y de la productividad.
La innovación y la AI en el crecimiento económico pueden verse limitadas por la
“enfermedad de costo” (Baumol 1967), -los salarios en los sectores de crecimiento lento de
la productividad seguirán a los de los sectores de rápido crecimiento e impondrán un costo
que aumenta la proporción de los salarios y mantiene baja la cuota de capital- es decir, los
sectores de rápido crecimiento que experimentan una participación en el PIB en
disminución debido a que el precio relativo de sus productos disminuye; de modo que la
participación del trabajo se mantendrá en un nivel elevado. Como, el cambio tecnológico
también es un aumento de capital, se podría lograr un crecimiento equilibrado si el aumento
de capital -avance tecnológico- y el agotamiento se vean obligados a moverse a la misma
velocidad.
El debate de las preocupaciones de la sociedad sobre la automatización, la mecanización y
la sustitución entre hombres y máquinas causa inquietudes. Es cierto que históricamente la
mecanización pasada no reemplazó las funciones cognitivas humanas al ritmo en que
Inteligencia Artificial y el mecanismo automático parece hacerlo, pero, el pensamiento
económico sobre la automatización gira en torno a dos polos opuestos. Los modelos que se
centran en la complementariedad entre hombres y máquinas predicen que el impacto del
progreso tecnológico en el ahorro de mano de obra se compensa con salarios más altos,
crecimiento económico y más empleo en otros sectores.
A pesar del progreso tecnológico masivo y la sustitución del trabajo humano por máquinas
en casi todos los sectores, el empleo, los ingresos, en general, el crecimiento económico ha
aumentado sustancialmente en los últimos dos siglos (Aghion, 2017). Quizás, si se incluye
una suma de ejecución de servicios, la experiencia humana o capital humano aumente,
dando como consecuencia un crecimiento económico que puede verse limitado por esa
experiencia en capital humano y difícil de mejorar. Aquí, una combinación de estas
características en el crecimiento económico junto con la automatización e integración de AI
puede brindar una descripción detallada del proceso de crecimiento en el área productiva de
un país, incluidas las consecuencias para el crecimiento futuro y la distribución del ingreso.
Los sectores con un rápido crecimiento de la productividad, como la agricultura e incluso la
manufactura actual, incrementan su participación en el crecimiento económico de un país,
más exactamente, en el producto bruto interno (PBI), mientras que los sectores con un
crecimiento relativamente lento de la productividad, como los servicios sociales, cuando se
aplica a un modelo en el que AI, automatiza su ejecución, generando un aumento de la
experiencia en el capital humano. Estas serían las consecuencias de la automatización de la
AI sobre el crecimiento económico.
Tal vez, la automatización aumente la participación de capital en sectores como la
agricultura o la diversificación de la ocupación y también interactúe con las propiedades no
domésticas en la producción o el consumo para llevar las participaciones del PIB en
muchos países del mundo. La participación de la AI en el crecimiento económico es
entonces, una ventaja que nos permite usar la experiencia histórica sobre el crecimiento
económico y la automatización para disciplinar un modelo de implementación de AI.
3. Marco Teórico.
Los últimos años de progreso económico están siendo impulsados por la automatización,
puedes ser que la AI sea la siguiente fase de este proceso, puede ser una progresión natural
de los modelos automáticos. La automatización ha afectado principalmente las tareas
rutinarias o poco calificadas, sin embargo, parece que AI puede automatizar cada vez más
las tareas cognitivas y no rutinarias, una ventaja que nos permite utilizar la experiencia
histórica para informarnos sobre los posibles efectos futuros
Algunos de los modelos de crecimiento económico postulados cuestionan la exogeneidad
del cambio tecnológico y de los rendimientos de los factores productivos, como el capital
físico y el humano. Algunos de estos modelos consideran un marco de competencia
imperfecta, que hace posible remunerar la innovación intencional de los agentes privados y,
a su vez, suponen que las externalidades provocadas por dichas innovaciones evitan la
convergencia de las tasas de crecimiento de la economía. Así que, la teoría del crecimiento
pretende romper con la versión tradicional de los modelos neoclásicos (Solow-Swan),
según la cual, las tasas de crecimiento del producto y de la población se igualan en el estado
estacionario. De la misma manera, busca endogenizar el cambio técnico, atando su
evolución a una variable stock como lo es el capital físico.
El modelo básico Solow-Swan (1956) incluye un factor de producción, el capital humano,
que podría explicar los cambios en la eficiencia y en la tasa de progreso técnico. En
general, el trabajo de los teóricos del crecimiento endógeno ha estado influenciado por el
deseo de los economistas neoclásicos de conservar la teoría de la distribución a partir de las
productividades marginales en un contexto de competencia perfecta, lo cual exige suponer
que los agentes se comportan como si existiese rendimientos constantes de escala; de otra
forma, no se cumplirían las condiciones de segundo orden en la optimización dinámica y
las reglas de distribución de la productividad marginal no tendrían sentido.
α 1−α
Y =K ( AL )
Donde K es el capital total, L la fuerza laboral o trabajo total usado en la producción. A es
una constante matemática que representa la tecnología asociada al factor trabajo. Y la
producción total y α la fracción del producto producida por el capital, o coeficiente de los
rendimientos marginales decrecientes. Si 0 < α < 1, α coincide con la participación total del
capital en la producción, pero si alfa es α ~ 1, la producción se basará en el capital
disponible y será casi independiente de la mano de obra.
La obra de Schumpeter, Capitalismo, socialismo y democracia toca el tema de “creación
gestionada del conocimiento" versus "iniciativa empresarial" (Schumpeter 1943). Se han
evolucionado nuevas instituciones empresariales, muchas de ellas asociadas con el "capital
de riesgo", donde la iniciativa empresarial está vinculada a estrategias de innovación
definidas. El éxito de la nueva empresa en aprovechar nuevas oportunidades tecnológicas y
las nuevas estructuras de incentivos proporcionadas por la voluntad de los mercados
financieros para valorar el capital intangible.
Schumpeter (1978) considera el proceso de producción como una combinación de fuerzas
productivas, las que, a su vez, están compuestas por fuerzas materiales y fuerzas
inmateriales. Las fuerzas materiales las componen los llamados factores originales de la
producción (Factor trabajo, Factor tierra y Factor capital). Entonces, la función de
producción de Schumpeter
PIB=F (K, RN, W, T, ASC)
Donde PIB es el volumen de producción de un país determinado, K el factor “medios de
producción producidos” (Maquinaria, equipo, materias primas e insumos, infraestructura
física, infraestructura de transporte y comunicaciones), que es distinto al concepto de
capital que éste tenía, RN como recursos naturales (la tierra y su fertilidad, los recursos
naturales vírgenes), W trabajo (fuerza física y conocimientos rutinarios), T dada por la
tecnología e innovación, ASC, Aspectos Socio- culturales.
Para Schumpeter, estos elementos se pueden agrupar de acuerdo al impacto que ejercen
sobre la evolución de la dinámica de una economía. Los efectos en los cambios en la
disponibilidad de los factores productivos (fuerzas materiales), provocan un cambio
gradual, lento, en el sistema económico; por tal razón, estos factores fueron denominados
por este autor los “componentes del crecimiento económico”. Los efectos de los cambios
tecnológicos y sociales (tecnología, innovación y ambiente sociocultural), ejercen un
impacto más decisivo y más dinámico; por esta razón, estos factores inmateriales fueron
denominados por Schumpeter “fuerzas o factores del desenvolvimiento económico o
evolución económica.
Se trata de un proceso que tiene como medio de operación la rutina, la fuerza física y los
volúmenes (no las nuevas calidades) de los factores de producción. En este espacio de
actuación, “la vida económica alcanzaría un equilibrio estático y su flujo circular seguiría
en lo esencial los mismos canales año tras año. Desaparecería el beneficio y el interés y se
interrumpiría la acumulación de riqueza”. Es decir, sin innovación la economía no sería
posible.
Baumol (1967) observó que el rápido crecimiento de la productividad en algunos sectores
en relación con otros podría dar lugar a una "enfermedad de costo" en la que los sectores de
crecimiento lento cobran cada vez más importancia en la economía. PIB es una
combinación de bienes con una elasticidad se sustitución CES

(∫ )
1 1/ρ
ρ
Y t = At X di
¿ donde ρ>0
0

Donde At = A0 captura el cambio tecnológico estándar, que consideramos exógeno. Tener

e
¿

una elasticidad de sustitución inferior a uno significa que las tareas son complementos
generales. Intuitivamente, esta es una función de producción de "eslabón débil", donde el
PIB en cierto sentido está limitado por la salida de los eslabones más débiles. Aquí, estas
serán las tareas realizadas por el trabajo, y esta estructura es la fuente del efecto Baumol.
Como en Zeira, otra parte del cambio técnico es la automatización de la producción. Los
bienes que aún no se han automatizado se pueden producir uno por uno por mano de obra.
Cuando un bien ha sido automatizado, se puede usar una unidad de capital en su lugar.:
X i = L¿{
K ¿ Si no es automatizado.
Si es automatizado.
Una alternativa sería decir que los bienes se producen con una combinación de capital y
trabajo de Cobb-Douglas, y cuando un bien se automatiza, se produce con un exponente
más alto en el capital.
Romer (1986) sobre su libro que trata el crecimiento endógeno, eliminó la tendencia de los
rendimientos decrecientes del capital, supuso que el conocimiento era obtenido como un
subproducto de la inversión en capital físico, conocido como aprendizaje por la práctica
(learning by doing), planteado en los años 1960, por Arrow y Levhari, quienes afirmaron
que el progreso técnico presentaba un comportamiento endógeno, dados los efectos que
tienen, un mejor conocimiento de los hechos y el aprendizaje.
Romer afirma que, si una empresa aumenta su stock de capital físico a través de la
inversión, no incrementa solamente su propia producción sino también la de las empresas
que la rodean, dado que los conocimientos adquiridos por la organización que realiza la
inversión pueden ser utilizados por las demás, el rendimiento óptimo social del capital
físico es mayor que el rendimiento privado, por lo cual, el aumento en el stock de este
factor genera externalidades que hacen posible el crecimiento de la economía.
α 1−α η
Y t = A t K t Lt kt

Donde Y representa el producto de la economía, A es la tecnología, K es el stock de capital

físico, L es el trabajo agregado y k ηt constituye la externalidad, siendo η un indicador de su
importancia. Romer considera a k como el capital agregado de la economía, k = K, dado
que la inversión de cualquier empresa ayuda a mantener el stock de experiencia o
conocimiento de todas las demás. Si dicha suma es igual a uno, la función de producción de
Romer se transforma en una función de tecnología AK. Sin embargo, para que esto ocurra,
la externalidad debe tener un tamaño η = 1- α es decir, debe ser igual a la participación del
trabajo en el producto de la economía, la función de producción per cápita y la tasa de
crecimiento del stock de capital per cápita serán:
α −η η
y= A k L
Mankiw, Romer y Weil (1992) toman la hipótesis de convergencia que sugiere que el
modelo neoclásico es consistente con los datos estadísticos, si la participación del capital en
el producto se acerca a 0,7 o a 0,8. De esta manera, concluyen que es necesario considerar
el capital en un sentido más amplio y no limitarlo a formas físicas. Las estimaciones sobre
la participación de este factor en los países industrializados muestran que ella está más
próxima a 0,3. Este modelo incluye tres factores de producción (Y): capital (K), trabajo (L)
y capital humano (h), en una tecnología Cobb-Douglas.
ε η 1−ε−η
Y t =Bt K t ht Lt

Donde ε, η y 1-ε-η corresponden en forma respectiva a las elasticidades del producto al

capital físico, al capital humano y al trabajo. Siempre que 0 < ε, η < 1, la función cumple
con las condiciones planteadas en el modelo de crecimiento neoclásico, es decir, presenta
rendimientos constantes a escala y una productividad marginal positiva, pero decreciente en
los factores.
En los modelos que involucran las externalidades por acumulación de factores, el cambio
en la productividad total de los mismos no se produce por efecto de la innovación en
sentido estricto. En ellos, la experiencia y el aprendizaje, la transferencia de conocimientos
por la incorporación de capital físico y/o la educación formal son motivos suficientes para
generar derrames que desencadenan un proceso de crecimiento sostenido de la economía.
Hay dos fuerzas básicas que mueven la participación de capital (o, de manera equivalente,
la parte de la economía que está automatizada). Primero, un aumento en la fracción de
bienes que son automatizados, βt, aumentará la participación de los bienes automatizados
en el PIB y aumentará la participación de capital -manteniendo K / L constante-. Esto es
intuitivo y repite la lógica del modelo Zeira. En segundo lugar, a medida que K / L
aumenta, la participación de capital y el valor del sector automatizado como proporción del
PIB disminuirán. Esencialmente, con una elasticidad de sustitución inferior a uno, los
efectos de precio dominan. El precio de los bienes automatizados disminuye en relación
con el precio de los bienes no automatizados debido a la acumulación de capital. Debido a
que la demanda es relativamente inelástica, la participación en el gasto de estos bienes
también disminuye
Lucas (1988) se plantea la existencia de externalidades a partir de la acumulación de capital
humano, las mismas que refuerzan la productividad del capital físico y hacen crecer la
economía en forma sostenida. Dicha acumulación puede darse de dos formas: como
resultado de un proceso de aprendizaje en la firma (learning by doing) o como el producto
de la educación formal de la persona. Lucas comienza por considerar un motor de
crecimiento alternativo o al menos complementario al cambio tecnológico, como lo es el
capital humano, llegando así a desarrollar dos modelos. El primero, hace énfasis en la
acumulación de capital humano a través de la escuela, y el segundo, se centra en la
especialización que se adquiere a través del aprendizaje. Para los fines de este trabajo se
recurre al primero de ellos.
α 1−α
Y t= A Kt Ht

Donde Y voluta la producción, A es el índice de la tecnología de la producción del bien

final, K como el stock de capital físico, H representa el capital humano, α como la
elasticidad producto del capital físico y 1-α como la elasticidad producto del capital
humano. Lucas toma el capital humano sobre la tecnología como factor de crecimiento por
es accesible por igual a todas las naciones.
Cohen y Levinthal (1989) plantearon en su trabajo Innovation and Learning: The Two
Faces of R&D, que la I + D genera un producto: la nueva información, sino que también
mejora la capacidad de la empresa para asimilar y explotar la información existente.
Consideran el papel de la I + D para el incentivo de la empresa para invertir en la I + D, la
facilidad y el carácter del aprendizaje dentro de una industria afectarán el gasto en I + D y
condicionarán la influencia de las condiciones de apropiación y oportunidad tecnológica en
la I + D.
Evidencian los efectos indirectos dentro de la industria pueden fomentar la inversión en I +
D de la industria de equilibrio. Un elemento central del modelo propuesto, es la
determinación de la reserva de conocimiento de la empresa, las adiciones de stock del
conocimiento tecnológico y científico de la empresa por z i, y asumimos que z i, aumenta las
i i
ganancias brutas de la empresa, ∏ i(∏ ¿ 0), pero a una tasa decreciente (∏ ¿ 0). Tal que:
zi zi zj

z i=M i +γ i θ ∑ M j +T
( j≠ i )
Donde M i es la inversión de una empresa en I + D; γ i es la fracción de conocimiento en el
dominio público que la empresa puede asimilar y explotar, y representa la capacidad de
absorción de la empresa; θ es el grado de desbordamiento intraindustrial; y T es el nivel de
conocimiento extra-industrial. Las inversiones de otras empresas en investigación y
desarrollo, representadas por M i para j≠ i, también contribuyen a z i. El grado en que el
esfuerzo de investigación de una empresa puede extenderse a un conjunto de conocimientos
potencialmente disponibles para todas las demás empresas se caracteriza porθ donde o ≤0 ≤
I. Un valor de θ de uno significa que el esfuerzo de I + D de una empresa aumenta el
conjunto de conocimientos disponibles para otras empresas por el monto total de la I + D
de la empresa. Un valor de cero significa que los beneficios de la investigación son
apropiados exclusivamente por la empresa que realiza la investigación. Factores exógenos
como la forma de la política de patentesθ .
El modelo postula que la capacidad de una empresa para absorber el conocimiento
generado externamente depende de su esfuerzo en I + D. Suponemos que o ≤ γ i ≤ I.
Cuando γ i = I, la empresa absorbe todo el conocimiento que está en el dominio público.
Alternativamente, cuando γ i = o, la empresa no absorbe ninguno. Suponemos que la propia
I + D de la empresa aumenta la capacidad de absorción, γ M > o, aunque a un ritmo
decreciente, γ MM < o. Se considera que se está construyendo de forma acumulativa a través
del pasado y del esfuerzo actual de I + D.
Aghion y Howitt (1990) proponen un modelo de crecimiento y de innovación contenido por
la investigación, un bien intermedio y un bien de consumo, donde el número de bienes
intermediarios es fijo, el progreso técnico consiste en inventar un nuevo bien intermedio
para remplazar al viejo bien intermedio. La innovación de ese nuevo bien intermedio da la
iniciativa para un alza de productividad en la economía y para los periodos de largo plazo,
pues la tecnológica puede ser empleada en cualquier lapso.
La pérdida que sufre el productor del bien intermedio sustituido constituye una externalidad
negativa de la innovación, pues un aspecto destructor. El crecimiento proviene de la
innovación. La innovación es permitida por la acumulación del conocimiento
 t
At = A0 γ

El productor de los bienes intermedios que comercializa la t-iésima innovación toma en

cuenta, mediante ηt+1, la probable innovación que se va a dar y la desaparición de sus
beneficios. El beneficio marginal de la investigación para la t-iésima innovación depende
negativamente de nt+1, el monto de investigación que se dedicará a la t+1-iésima
innovación implicará un incremento en los recursos dedicados a este rubro y, causará al
mismo tiempo que aumenten los salarios y disminuya la esperanza de vida de t-iésima
innovación.
El monto de recursos dedicados a la investigación depende negativamente de la tasa de
interés, positivamente del tamaño γ de las innovaciones y del parámetro λ de llegada de las
tecnologías, positivamente del número de trabajadores calificados que pueden ser
empleados en el sector de la investigación. La eventualidad de un aumento de la población
de los trabajadores calificados no es contemplada. En efecto, se puede esperar que un
aumento regular del tamaño del capital humano conduzca a un crecimiento explosivo.
Zeira (1998) proporciona un modelo claro y elegante de automatización. En su forma más
simple, considera una función de producción como
1 2 n

Y = A X α1 , X 2α , … , X αn ∀ α i=1

Zeira pensaba que los X i eran bienes intermedios, Acemoglu y Autor (2011) se refieren a
estos como tareas. Las tareas que aún no se han automatizado se pueden producir una por
una por mano de obra. Una vez que se automatiza una tarea, una unidad de capital puede
ser

Xi=
{
Li Si no es automatizado.
K i Si es automatizado.

Si el capital agregado K y el trabajo L se asignan de manera óptima a estas tareas, la

función de producción puede expresarse como
α 1−α
Y t = A t K t Lt

Donde α refleja la participación y la importancia generales de las tareas que se han

automatizado. Por el momento, tratamos a α como una constante y consideramos
estadísticas comparativas que aumentan la proporción de tareas que se automatizan.
A continuación, incruste esta configuración en un modelo de crecimiento neoclásico
estándar con una tasa de inversión constante; de hecho, para el resto del documento, así es
como cerraremos el lado del capital / inversión de todos nuestros modelos. La proporción
de los pagos de factores que van al capital viene dada por α y la tasa de crecimiento a largo
plazo de y ≡ Y /L is
g
g y=
1−α
donde g es la tasa de crecimiento de A. Por lo tanto, un aumento en la automatización
aumentará la participación de capital α y, debido al efecto multiplicador asociado con la
acumulación de capital, aumentará la tasa de crecimiento a largo plazo.
Zeira enfatiza que la automatización ha estado ocurriendo al menos desde la revolución
industrial, y su elegante modelo nos ayuda a entender eso. Sin embargo, sus fuertes
predicciones de que las tasas de crecimiento y las participaciones de capital deberían
aumentar con la automatización van en contra de los famosos hechos estilizados de Kaldor
(1961) de que las tasas de crecimiento y las participaciones de capital son relativamente
estables en el tiempo. En particular, esta estabilidad es una buena caracterización de la
Peretto y Seater (2013) consideran explícitamente una tecnología de investigación que
permite a las empresas cambiar el exponente en una función de producción de Cobb-
Douglas; Si bien no enfatizan el vínculo con el modelo de Zeira, en retrospectiva, las
conexiones a ese enfoque de automatización son interesantes. El modelo de Hemous y
Olsen (2016) se centra en la producción de CES en lugar de Cobb-Douglas, pero enfatizan
las implicaciones de su marco para la desigualdad salarial entre trabajadores altamente
calificados y trabajadores poco calificados. Agrawal, McHale y Oettl (2017) incorporan la
inteligencia artificial y el "crecimiento recombinante" de Weitzman (1998) en un modelo
de crecimiento basado en la innovación para mostrar cómo A.I. puede acelerar el
crecimiento a lo largo de una ruta de transición.
Considere una función de producción genérica Y =F (K , L) , donde Y, K y L son insumos
reproducibles (capital físico y capital humano) e insumos no reproducibles (tierra, recursos
naturales y mano de obra no calificada, que en adelante llamamos “trabajo”),
respectivamente, y F satisface los supuestos neoclásicos. Por simplicidad, L es constante. A
medida que K crece, el producto marginal del capital se contrae hasta que solo es igual al
costo marginal del capital, lo que aumenta el crecimiento. Lo que garantiza este resultado
es la condición de Inada:
lim ⁡ F k (K , L)=0
n →∞

Para generar un crecimiento perpetuo, los modelos de Solow y Cass introducen el aumento
del trabajo. La función de producción tiene el formato F (K , AL) , donde A sume un
aumento de la mano de obra que crece a la velocidad exógena. El crecimiento perpetuo es
factible porque la dotación de mano de obra efectiva crece con el tiempo e impulsa el
producto marginal del capital, lo que mantiene los incentivos para la acumulación.
Específicamente, la homogeneidad lineal de F:
 lim ⁡ F
n →∞
k ( KA , L)=0
la relación K/A permanece finita porque en estado estacionario K y A crecen a la misma
velocidad. Esta teoría se denomina mejor teoría con crecimiento más que teoría de
crecimiento porque el crecimiento surge de fuerzas estrictamente exógenas que la teoría no
intenta explicar. El gran avance de la teoría del crecimiento endógeno es precisamente
endogenizar el progreso técnico. Por ejemplo, en Romer (1986), el modelo innovador de
learning-by-doing, A es igual a K, y la tecnología se convierte en F ( K , KL ) . La
eliminación de los factores no reproducibles logra el mismo fin mediante un mecanismo
diferente. La idea clave es una implicación directa de la razón por la cual los factores no
reproducibles tienden a detener el crecimiento.

lim ⁡ F k (K , L)=lim
n →∞ n→∞
( F ( KK , L) )= lim F (1 , KL )
n→ ∞

Esta primera igualdad se desprende de la regla de L'Hopital. Demuestra que la condición de

Inada es equivalente a la condición de que el producto de capital de capital promedio llegue
a cero. La segunda igualdad implica que el producto promedio del capital se reduce a cero
porque el trabajo es esencial, es decir, porque F(1, 0)=0. De ello se deduce que las teorías
del crecimiento perpetuo son teorías de cómo los agentes económicos superan la escasez de
factores de producción esenciales y no reproducibles: el aumento lo hace al transformar los
factores no reproducibles en factores reproducibles, la eliminación lo hace dispensando los
factores no reproducibles.
Acemoglu y Restrepo (2016) proporcionan un enfoque para resolver este problema. Su rico
entorno permite la producción de CES y endogeniza la cantidad de tareas, así como la
automatización. En particular, suponen que la investigación puede tomar dos direcciones
diferentes: descubrir cómo automatizar una tarea existente o descubrir nuevas tareas que se
pueden usar en la producción. En su contexto, α refleja la fracción de tareas que han sido
automatizado. Se podria endogenizar la automatización por una especificación de la
tecnología en la que el esfuerzo de investigación hace que los bienes sean automatizados.
Pero es relativamente claro que dependiendo de cómo se especifica exactamente esta
tecnología, β t puede subir más rápido o más lento que ( K t / Lt ) ρ disminuye. Es decir, el
resultado dependería de supuestos detallados relacionados con la automatización, y no
tenemos antecedentes sólidos sobre cómo hacer estos supuestos.
Con una versión estática de su modelo con tecnología exógena, permite presentar la
configuración principal de la manera más sencilla y caracterizar el impacto de los diferentes
tipos de cambio tecnológico en los precios de los factores, el empleo y la participación
laboral. La economía produce un único bien final Y al combinar una medida de unidad de
tareas, y i, con una elasticidad de sustitución σ ∈(0 , ∞):

(∫ )
N σ−1
~ σ−1 σ
Y =B yi di
N −1
σ
 ~
donde B > 0. Todas las tareas y el bien final se producen de manera competitiva. El hecho
de que los límites de integración se ejecuten entre N-1 y N impone que la medida de las
tareas utilizadas en producción siempre se mantenga en 1. Una nueva tarea (más compleja)
reemplaza o actualiza la tarea de índice más bajo. Por lo tanto, un aumento en N representa
la mejora de la calidad (productividad) de la unidad de medida de tareas. Cada tarea se
produce combinando mano de obra o capital con un intermedio q i específico de la tarea,
que incorpora la tecnología utilizada para la automatización o para la producción con mano
de obra. Para simplificar la exposición, comenzamos suponiendo que estos intermedios se
suministran de manera competitiva y que se pueden producir utilizando ψ unidades del
producto final.
Por lo tanto, la teoría de Romer (1990) forma la parte fundamental de este documento,
siendo complementado por el enfoque de Solow, Aghion, Zeida, Acemoglu y Restrepo.

4. Antecedentes
Aghion et al. (2017) parten de un modelo simple de automatización de la producción de
bienes y servicios, similar a Acemoglu & Restrepo (2016), que compensan la pérdida de las
tareas que se realizan. En su modelo, la pérdida de tareas para el trabajo humano es
asumidas por la automatización, puede compensarse mediante el crecimiento de nuevas
tareas que vienen con la innovación. Esto se puede convertir en un modelo de crecimiento
que coincida con los hechos de Kaldor observados empíricamente cuando se introduce la
"enfermedad de costo" de Baumol en el modelo de crecimiento, es decir, los sectores de
rápido crecimiento que experimentan una participación en el PIB en disminución debido a
que el precio relativo de sus productos disminuye. En comparación con el precio de los
productos de los sectores de crecimiento lento que están menos sujetos a la automatización.
Aghion et al (2017) muestran que, en estas condiciones, y con una tasa de crecimiento
constante del PIB, la automatización que avanza rápidamente aún puede mantener
constantes las participaciones de capital y salarios en el PIB a largo plazo, incluso si la
automatización reemplaza a la mayoría de los empleos. La automatización ejerce una
presión al alza sobre la participación del capital en el PIB, pero esto se ve retrasado por la
disminución de los precios de la producción de los sectores automatizados.
El pensamiento económico sobre la automatización gira en torno a dos polos opuestos. Los
modelos que se centran en la complementariedad entre hombres y máquinas predicen que el
impacto del progreso tecnológico en el ahorro se compensa con salarios más altos,
crecimiento económico y más empleo en otros sectores. Por el contrario, los modelos de
sustitución afirman que la tecnología provoca el desplazamiento del trabajo y conduce a la
polarización, la pérdida de calificaciones y posiblemente una economía sin empleo (Autor,
2015; Agrawal, Gans y Goldfarb 2018).
A pesar del progreso tecnológico masivo y la sustitución del trabajo humano por máquinas
en casi todos los sectores, el empleo y los ingresos han aumentado sustancialmente en los
últimos dos siglos, aunque hay indicios de que la participación laboral del ingreso está
disminuyendo (Karabarbounis y Neiman, 2014). Si bien el empleo generalmente aumenta,
este no es necesariamente el caso. Además, si esta ganancia a largo plazo fue precedida por
un dolor a corto plazo, debemos entender los mecanismos para explotar los beneficios de
las transiciones tecnológicas. Y por supuesto, esta vez puede ser diferente.
Una discusión del modelo tradicional de sustitución de capital-trabajo donde se supone que
la tecnología aumenta los factores, lo que significa que el progreso tecnológico actúa como
si aumentara las unidades efectivas de uno de los factores de producción en el crecimiento
económico. Contrastamos este modelo con un modelo basado en tareas más reciente
(Acemoglu y Restrepo, (2016, 2017, 2018) que se ha convertido en un fuerte contendiente
en el debate sobre el impacto de la inteligencia artificial en el empleo. XSu modelo
reemplaza el aumento de factores con sustitución directa entre tareas humanas y
(automatizadas) ejecutadas por máquina. Aunque deja la posibilidad de aumentar la
demanda de mano de obra a través de los efectos de la productividad y la acumulación de
capital, la automatización no conducirá a una expansión proporcional de la demanda de
mano de obra debido a un poderoso efecto de desplazamiento. evidencia empírica sobre la
relación entre la proliferación de la IA y el empleo en el contexto de ambos modelos.
El análisis de la relación entre la Inteligencia Artificial y el crecimiento económico toma su
base en la evidencia empírica de crecimiento económico a largo plazo de Kaldor (Capital
Accumulation and Economic Growth, 1961) donde expone que las tasas de crecimiento y la
participación del capital en el ingreso general es estable la innovación tecnológica.
Actualmente, varios estudios sobre la afectación de la Inteligencia Artificial en el
Crecimiento Económico se han desarrollado, pues, se ha observado una relación entre la
innovación tecnológica y la producción en los bienes totales de un país, lo que puede ser de
utilidad para explicar el impacto.
Por otro lado, Acemoglu y Restrepo en su artículo “The Race Between Machine And Man:
Implications Of Technology For Growth (2013), Factor Shares And Employment” explican
que la automatización acelerada de las tareas realizadas por el trabajo plantea
preocupaciones de que las nuevas tecnologías harán que el trabajo sea redundante. Las
disminuciones en la participación laboral en el ingreso nacional y la relación empleo-
población a menudo se interpretan como evidencia de respaldo de las afirmaciones de que,
como la Inteligencia Artificial penetra en la economía. La importancia de comprender
cómo y cuándo la automatización transformará el mercado laboral, sino también del hecho
de que se han hecho afirmaciones similares con el crecimiento de la economía. Proponen
un marco unificado en el que las tareas realizadas anteriormente por el trabajo estén
automatizadas, mientras que al mismo tiempo otras tecnologías nuevas complementan el
trabajo, específicamente, en nuestro modelo esto toma la forma de la introducción de
nuevas tareas en las que el trabajo tiene una ventaja comparativa en tareas nuevas y más
complejas. el empleo y la participación laboral pueden permanecer estables a largo plazo,
incluso frente a la rápida automatización.
Mientras tanto, Bornmann y Mutz (2014) públican su análisis “Growth Rates of Modern
Science: A Bibliometric Analysis Based on the Number of Publications and Cited
References” sus resultados muestran que la tecnología y la ciencia está creciendo de
manera exponencial (en un cierto período en un cierto porcentaje) y duplica su tamaño cada
10 a 15 años. Para ello (a) utilizamos los datos actuales hasta la publicación. año 2012 y (b)
analizar los datos en todas las disciplinas y también por separado para las ciencias naturales
y para las ciencias médicas y de la salud. Además, los datos se analizan con una técnica
estadística avanzada (análisis de regresión segmentada) que puede identificar segmentos
específicos con tasas de crecimiento similares en la historia de la ciencia.
Aghion, F. Jones y I. Jones (2017) en su artículo “Artificial Intelligence and Economic
Growth” consideran las implicaciones de la Inteligencia Artificial para el crecimiento
económico. La Inteligencia Artificial se puede definir como "la capacidad de una máquina
para imitar el comportamiento humano inteligente" o "la capacidad de un agente para lograr
objetivos en una amplia gama de entornos". Estas definiciones evocan inmediatamente
problemas económicos fundamentales. ¿qué pasa si Inteligencia Artificial permite que un
número cada vez mayor de tareas previamente realizadas por el trabajo humano se
automatice? Inteligencia Artificial pueden desplegarse en la producción ordinaria de bienes
y servicios, lo que podría afectar el crecimiento económico y la participación en los
ingresos. Pero A.I. También puede cambiar el proceso mediante el cual creamos nuevas
ideas y tecnologías, ayudando a resolver problemas complejos y escalando el esfuerzo
creativo. En versiones extremas, algunos observadores han argumentado que A.I. puede
convertirse rápidamente en auto-mejora, liderando
Mientras tanto, Goolsbee (2018) en su documento llamado “Public Policy In An Ai
Economy” reune a una combinación de académicos de tecnología y economía para pensar
ampliamente sobre el papel de la Inteligencia Artificial en la economía, la mayor parte de la
discusión sobre una economía dominada por la Inteligencia Artificial se ha centrado en los
robots y el futuro del trabajo. Sugieren que, en la investigación, los economistas
generalmente han sido menos pesimistas cuando piensan en el papel de la IA en los
empleos y aumentaron los salarios en la economía en general y destacaron las ventajas que
las nuevas tecnologías. El principal impacto económico de estas tecnologías será lo buenas
que son. Si los avances recientes continúan, Inteligencia Artificial tiene el potencial de
mejorar la calidad de nuestros productos y nuestro nivel de vida. Si Inteligencia Artificial
nos ayuda a diagnosticar mejor los problemas médicos, mejora nuestra seguridad en la
carretera, nos devuelve las horas de nuestro día que pasamos conduciendo en el tráfico.

5. Hipótesis
Existe una relación positiva entre la Inteligencia Artificial y el Crecimiento Económico de
los países top y el crecimiento económico en el periodo (2019-2025).
6. Objetivos
Objetivo General
Identificar la relación entre la Inteligencia Artificial y el Crecimiento Económico de los
países top/líderes (Estados Unidos, China e Israel) y durante el periodo (2019-2025)

7. Objetivos Específicos
Definir el concepto de la Inteligencia Artificial.
Identificar las variables correspondientes en la relación entre la Inteligencia Artificia y
Crecimiento Económico.
Reunir datos que permitan estructurar la relación de la Inteligencia Artificial a partir de los
estudios realizados.
Estructurar una base de datos en el modelo de medición de los países líderes, que permita
hallar la relación entre la Inteligencia Artificial y el Crecimiento Económico.

8. Diseño metodológico.
El presente trabajo de investigación tiene como propósito identificar la relación entre la AI
y el crecimiento económico, a partir del análisis de variables que influyen en la innovación
tecnológica que afectan los modelos económicos de países aquí tratados. Se realiza una
recolección y descomposición de datos, haciendo uso de herramientas estadísticas y
econométricas, siendo el presento trabajo es de naturaleza cuantitativa.
Así mismo, el enfoque es de índole investigativo, que no intenta dar explicación al uso de
nuevas tecnologías, sino identificar cual es la relación del uso de nuevas tecnologías y de
avances tecnológicos en el crecimiento económico respecto del problema investigado, con
varias sugerencias de aspectos ya relacionadas que explican el allegado comportamiento y
que puede indagarse con mayor amplitud en el futuro, pues el desarrollo tecnológico ligado
a la economía es una relación que apenas comienza y tiene evidencia que llego para
quedarse.
Para definir el concepto de la Inteligencia Artificial y de acuerdo a lo expuesto por los
pioneros Turing y McCarthy sobre Inteligencia Artificial y que se ha desarrollado a través
del tiempo, se revisará cada uno de los componentes integrados a la Inteligencia Artificial
que representan un afianzamiento del concepto, seleccionando uno que se adapte a la
relación que presenta la economía y la tecnología y que se ajuste a las aplicaciones de
avance tecnológico en los países seleccionados del top/líderes del uso de Inteligencia
Artificial.
Una vez se tenga la definición del concepto de Inteligencia Artificial, se identificará las
variables que correspondan y acercar la causalidad en la relación entre la Inteligencia
Artificia y Crecimiento Económico. Se construirán con base a otras investigaciones
realizadas en el empleo de tecnología, desarrollos tecnológicos e innovación en la
economía, en esta parte se deberá definir cuál de los avances de tecnología e innovación se
tendrá encuentra para que se pueda medir la relación en el crecimiento económico en el top
de países líderes en el uso de la Inteligencia Artificia.
Cuando se haya seleccionado las innovaciones para la construcción de la base de datos, se
iniciará la búsqueda de datos que conformarían las variables que definirían cada una de
estas, dicha búsqueda requiere que los datos reflejen un alto grado de confianza.
Después de haber definido el concepto de Inteligencia Artificial, se hayan identificado las
variables y se encuentre información para constituir una base de datos que pueda
fundamentar el problema expuesto, se continuara con la estructuración de la base de datos
para con un modelo de medición de los países líderes (Estados Unidos, China e Israel),
permita determinar una causal de relación entre la Inteligencia Artificial y el Crecimiento
Económico.
9. Metodología.
El presente trabajo de investigación tiene como propósito hallar una relación positiva entre
la AI y el crecimiento económico, a partir del análisis de implementación de tecnología en
la economía de Estados Unidos, China e Israel. Este trabajo es de naturaleza cuantitativa,
dado que se realiza una recolección y descomposición de datos, haciendo uso de
herramientas estadísticas y econométricas.
Con un enfoque exploratorio y de investigación, pues, no se quiere dar explicación respecto
a la implementación de la innovación en estas economías, sino sólo recolectar e identificar
como afecta las variables macroeconómicas mediante la definición de AI antecedentes
generales, números y cuantificaciones, temas y tópicos respecto del problema investigado,
dejando un camino abierto de aspectos relacionados que puede ser examinado a
profundidad en futuras investigaciones.
Para la recolección y el análisis de la información, este trabajo se empezará a desarrollar a
partir del documento “Artificial Intelligence and Economic Growth” (Aghion, B. Jones y
Charles Jones, 2018), el cual hace una descripción de los modelos implementados por
economistas como Zeira, Schumpeter.. quienes a partir de su modelo de crecimiento
económico han implementado la tecnología o la innovación. Se revisa cada aspecto
impuestos en el documento y así determinar la manera en como en cada modelo partiendo
de la restricción de información estadística con la que se podría contar y tomando como
guía aplicaciones empíricas que se hayan desarrollado con dichos modelos en otros países.
Una vez se tenga seleccionado el modelo que se va a emplear para el conocimiento de la
relación, iniciará la construcción de dimensiones, las cuales8 se construirán en base a otras
investigaciones ajustadas a la realidad nacional, en esta parte se deberá definir las
dimensiones para Colombia que mejor se adapten a las exigencias normativas que se
requieran.
Una vez seleccionadas las dimensiones para la construcción del MDM se iniciará la
búsqueda de datos que conformarían las variables que definirían cada una de estas, dicha
búsqueda requiere que los datos reflejen un alto grado de confianza, por lo que las
encuestas realizadas por el Departamento Nacional de Estadística (DANE) resultan ser un
elemento apropiado para dicho fin.
A partir de los datos obtenidos, se construirá la matriz con la cual se desarrollará el índice
de desigualdad multidimensional para Colombia, dicha matriz estará compuesta por:
10. Descripción de datos
La descripción de datos se toma como base la información otorgada por WIPO IP Statistics
Data Center, se extraen de la base de datos estadísticos de propiedad intelectual de la
OMPI y de la edición de primavera de 2018 de la base de datos PATSTAT de la Oficina
Europea de Patentes.
La recopilación de estos datos abarca información global y regional de propiedad
intelectual (intellectual property IP), importante herramienta de política, negociación y
tecnologia a nivel mundial. La encuesta periódica sobre propiedad intelectual de la OMPI
abarca patentes, modelos de utilidad, marcas, diseños industriales y variedades de plantas.
.
Cobertura de la encuesta de la oficina de PI Se solicita a las oficinas de PI que informen los
datos por origen (país o territorio) de las solicitudes, subvenciones o registros.
Sin embargo, algunas oficinas no pueden proporcionar un desglose detallado. No obstante,
estas oficinas informan un total agregado o un desglose simple por el total de residentes y el
total de no residentes. Por esta razón, los totales para cada origen no se reportan. Sin
embargo, las acciones de origen desconocido de los totales de 2017 son bajas: solo el 0,8%
para solicitudes de patentes, el 0,8% para recuentos de clase de solicitud de marca
registrada y el 0,7% para recuentos de diseño de aplicaciones.
Estimación de totales mundiales
Los totales mundiales para solicitudes y subvenciones / registros de patentes, modelos de
utilidad, marcas, diseños industriales y variedades de plantas son estimaciones de la OMPI.
Los datos no están disponibles para todas las oficinas de propiedad intelectual para cada
año. Los datos faltantes se estiman utilizando métodos como la extrapolación lineal y el
promedio de puntos de datos adyacentes. El método de estimación utilizado depende del
año y la oficina en cuestión. Cuando una oficina proporciona datos que no están
desglosados por origen, la OMPI calcula los recuentos de residentes y no residentes
utilizando las partes históricas de esa oficina. Los datos están disponibles para la mayoría
de los más grandes
oficinas; solo se estiman pequeñas cuotas de los totales mundiales.
Por ejemplo, la estimación del número total de patentes
Aplicaciones en todo el mundo cubren 156 oficinas. Los datos son
Disponible para 120 de ellos, que representan el 99,5% de
El total mundial estimado.
Datos nacionales e internacionales Los datos de solicitud y de concesión / registro incluyen
datos tanto de solicitudes directas como de solicitudes a través de sistemas internacionales
administrados por la OMPI (cuando corresponda). Para patentes
y modelos de utilidad, los datos incluyen presentaciones directas en las oficinas nacionales
de patentes, así como entradas de la fase nacional PCT. Para las marcas registradas, los
datos incluyen presentaciones en oficinas nacionales y regionales y designaciones recibidas
por las oficinas pertinentes a través del Sistema de Madrid. Para los diseños industriales, los
datos incluyen aplicaciones nacionales y regionales combinadas con designaciones
recibidas por las oficinas pertinentes a través del Sistema de La Haya.
Comparabilidad internacional de los indicadores Se han realizado todos los esfuerzos para
compilar estadísticas de PI basadas en las mismas definiciones y para facilitar la
comparabilidad internacional. Aunque los datos se recogen de
las oficinas que utilizan cuestionarios de la encuesta anual armonizada de propiedad
intelectual de la OMPI, las leyes y reglamentos nacionales para presentar solicitudes de
propiedad intelectual o para emitir derechos de propiedad intelectual, así como las prácticas
de información estadística, pueden diferir entre las distintas jurisdicciones. Debido a la
continua actualización de datos y
En la revisión de estadísticas históricas, los datos de este informe pueden diferir de los
datos de ediciones anteriores y de los datos disponibles en el sitio web de la OMPI.
Cambio en el método de conteo de aplicaciones IP por parte de CNIPA Debido a un cambio
en el método por el cual la Administración Nacional de Propiedad Intelectual de la
República Popular China (CNIPA) calcula el número de solicitudes de patente, modelo de
utilidad y diseño industrial.
Los datos sobre el número de solicitudes presentadas en China en 2017 no son comparables
con los datos de años anteriores. Antes de 2017, estos datos incluían todas las solicitudes
recibidas; sin embargo, a partir de 2017,
solo incluyen las solicitudes para las cuales la oficina ha recibido las tarifas de solicitud
necesarias. Como resultado, no es significativo informar las tasas de crecimiento en el
número de solicitudes de patentes, modelos de utilidad y diseño industrial presentadas en
China en 2017 en comparación con 2016.
Además, dado que China representa una proporción tan grande de aplicaciones IP a nivel
mundial, no es significativo informar las tasas de crecimiento en el número de solicitudes
presentadas en todo el mundo en 2017 en comparación con 2016.
CNIPA ha informado una tasa de crecimiento del 14,2% en el número de solicitudes de
patente presentadas en 2017 en comparación con 2016, sin ningún desglose entre las
presentaciones de residentes y no residentes. La tasa de crecimiento del 14.2% se calcula
con base en el nuevo método. Recalculando el numero
El número de solicitudes de patente presentadas en China en 2016 de acuerdo con el nuevo
método sugiere una tasa de crecimiento estimada del 5,8% en el número de solicitudes de
patente presentadas en todo el mundo en 2017 en comparación con 2016.
Este informe proporciona tasas de crecimiento promedio a largo plazo en el número de
solicitudes de patentes, modelos de utilidad y diseño industrial, ya que se espera que el
impacto del cambio en la metodología descrita anteriormente sea relativamente limitado a
largo plazo.
11. Variables.

12. Diseño de investigación.

El presente trabajo se realizó sobre la base del siguiente diseño.
1) Formulación del problema.
2) Revisión bibliográfica e informativa.
3) Definición de los conceptos básicos para la identificar la importancia de la relación.
4) Caracterización y selección de las fuentes de información.
5) Planteamiento de los objetivos de la investigación.
13. Bibliografía

McKinsey Global Institute (2016) https://www.mckinsey.com/featured-insights/employment-

and-growth/technology-jobs-and-the-future-of-work#section. Recuperado de

Deloitte Insights, January 22, (2018). https “The Fourth Industrial Revolution is here are
you ready?”, https://www2.deloitte.com/insights/us/en/deloitte-review/issue-22/
industry-4-0-technology-manufacturing-revolution.html.
Acemoglu, D., Autor, D.,(2011) Skills, Tasks and Technologies:Implications for
Employment andEarnings. Handbook of Labor Economics,Volume 4b, Chapter 12.
Aghion, P., Howitt, P., (1992). “A Model of Growth Through Creative Destruction."
Econometrica 60, no. 2: 323-351. http://nrs.harvard.edu/urn-
3:HUL.InstRepos:12490578.
Fernández, E., Gómez, E., Hernández, J., Sheng, L., Martens, B., Martínez, F., y Tolan S.,
(2017) “A multidisciplinary task-based perspective for evaluating the impact of AI
autonomy and generality on the future of work” Joint Research Centre, European
Commission, Universitat Pompeu Fabra, Universitat Politécnica de Valencia,
University of Cambridge
Accenture, (2017). “Cómo la inteligencia artificial puede generar crecimiento en
Sudamérica”.
Dauthy, W., Findeisenz, S., Suedekum, J., Woessner, N., (2018) “Adjusting to Robots:
Worker-Level Evidence”.
P. Aghion, B. F. Jones y C. I. Jones (2017), “Artificial Intelligence And Economic Growth”
NATIONAL BUREAU OF ECONOMIC RESEARCH 1050 Massachusetts Avenue
Cambridge, MA 02138 October 2017. http://www.nber.org/papers/w23928.
Asgard, (2018), “Artificial Intelligence – A strategy for European startups”.
McKinsey Global Institute (2017), “Artificial intelligence: The time to act is now”
Advanced Electronics December 2017.
Kaldor, N., (1962), “Capital accumulation and economic growth” Seminar on the
programming of economic development, Cambridge College.
Alvarez-Cuadrado, F., Van Long, N., and Poschke, M., (2017), “Capital–labor substitution,
structural change, and growth”. The Econometric Society. Licensed under the
Creative Commons Attribution-NonCommercial License 4.0. Available at
http://econtheory.org. DOI: 10.3982/TE2106.
Peretto, P., Seater, J., (2013), “Factor-eliminating technical change” Journal of Monetary
Economics 60 (2013) 459–473, journal homepage: www.elsevier.com/locate/jme.
Cohen, W., Levinthal, D., (1989), “Innovation and Learning: The Two Faces of R & D”
The Economic Journal, Vol. 99, No. 397. (Sep., 1989), pp. 569-596.
http://links.jstor.org/sici?
sici=00130133%28198909%2999%3A397%3C569%3AIALTTF%3E2.0.CO%3B2-
P.
Acemoglu, D., Restrepo, P., (2017), The Race Between Machine and Man: Implications of
Technology for Growth, Factor Shares and Employment” NBER Working Paper No.
22252 - Issued May 2016.
Romer, P., (1990), “Endogenous Technological Change” The Journal of Political Economy,
Vol. 98, No. 5, Part 2: The Problem of Development: A Conference of the Institute
for the Study of Free Enterprise Systems. (Oct., 1990), pp. S71-S102.
Gerald Destinobles, A.: (2007) Introducción a los modelos de crecimiento económico
exógeno y endógeno. Edición electrónica gratuita. Texto completo en
www.eumed.net/libros/2007a/243/.
Los datos están disponibles en el Centro de datos estadísticos de la OMPI en
www.wipo.int/ipstats.