Escribe tu primer paper de economía

La mayoría de los economistas tienen problemas para escribir textos académicos. Explorar sobre econometría es complejo y es difícil estar al corriente con las tendencias de investigación. Aquí encontrarás tutoriales de econometría en R y Python, deep dives en literatura reciente y modelos de trabajo para hacer tu escritura más fácil y publicar con éxito. Publica un paper que te posicione en tu área y te permita obtener un trabajo de investigador.

Escribe tu primer paper de Economía

Premio Nobel al papel de las instituciones en la prosperidad

Premio Nobel al papel de las instituciones en la prosperidad

Por fin se lo ganó.

Daron Acemoglu ganó el Nobel de economía junto a Simon Johnson y James Robinson por su trabajo en una de las preguntas más importantes de la economía: Por qué algunos países son ricos y otros son pobres.

El trabajo de Acemoglu, Robinson y Johnson es relevante porque va más allá de los típicos culpables:

  • Los recursos naturales. Muchos países en África tienen abundantes recursos y son pobres, mientras que países como Japón con relativamente menos recursos son ricos.
  • El hemisferio. Hay quienes han notado que los países en el hemisferio norte suelen ser más productivos que los países en el sur. Pero esto no es una regla ni es en sí mismo la razón.
  • Cultura. Para que un país crezca se requiere trabajo, educación e innovación. Una visión simplista del crecimiento económico atribuye estos rasgos a la cultura de la sociedad. La realidad es que en todas partes hay personas perezosas y sin imaginación.

Lo que en realidad está detrás de la prosperidad son las instituciones.

Instituciones, democracia y crecimiento

La historia de la colonización en el mundo hizo como una especie de experimento natural.

Algunos países colonizados acabaron siendo muy prósperos, mientras que otros siguen estancados hasta la fecha. Es difícil hacer generalizaciones a nivel país, pero una de las características más importantes que encontraron Acemoglu, Johnson y Robinson fueron las instituciones.

Básicamente, los países más pobres durante la colonia, acabaron siendo los más prósperos, gracias a las instituciones que heredaron.

💡
Instituciones: Conjunto de leyes y reglas informales que regulan las interacciones sociales entre las personas. Las reglas del juego.

Por simplicidad, distinguimos dos tipos de instituciones:

  • Las instituciones extractivas, que tienen como fin explotar los recursos de una región. No necesitan de la aprobación o el voto de los pobladores para definir sus necesidades de infraestructura.
  • Las instituciones inclusivas, por el otro lado, si requieren de la participación de las personas para tomar las decisiones importantes.

La leyenda cuenta que, mientras que en países como México, se generaron instituciones extractivas diseñadas para captar los recursos naturales, la minería y las rutas de comercio, en países como Estados Unidos fue necesario una participación más democrática para conquistar la región.

Por eso países como Venezuela cayeron rápido de la abundancia a la pobreza. Las élites no requieren de la aprobación real del pueblo, mientras el dinero del petróleo siga llegando.

Reivindicando el papel de la democracia

Este Nobel llega en un momento clave de la historia.

El que la respuesta a la pregunta del crecimiento económico se dé en algo tan abstracto y aparentemente aburrido como las instituciones se siente un poco decepcionante.

Si queremos crecimiento, necesitamos instituciones incluyentes.

Por alguna razón, el apoyo a las instituciones democráticas ha ido cayendo en Estados Unidos, y no se ve también en otros países. Por eso estoy feliz, porque tenemos evidencia real de que las instituciones son clave para el crecimiento y la prosperidad.

Usemos lo que sabemos como humanidad.

Daron Acemoglu lo ha buscado ya por muchos años

Un chiste común entre los economistas es despertarse el 1 de enero y entrar a Google Scholar a ver ya cuántos artículos ha publicado para la hora del almuerzo.

Sólo este año y al momento de escribir estas líneas lleva más de 17 mil citas en sus artículos y libros. En total lleva registradas casi 250 mil citas y sus artículos son lectura indispensable. Yo desde hace muchos años les he dicho a mis alumnos que algún día se lo iba a ganar.

Incluso si no le daban el Nobel por su trabajo sobre el papel de las instituciones en el crecimiento económico, tiene ya un gran cuerpo de trabajo que trata sobre la automatización.

En cierto modo, también habla sobre los efectos de la inteligencia artificial.

Economía: el hack para la vida

Economía: el hack para la vida

Saber economía es un super-poder.

Es el super-poder de entender el mundo. Hay pocas cosas en esta vida que no estén de alguna forma relacionada a la economía. Como decía morfeo sobre la matrix:

💡
Está alrededor de nosotros. Incluso ahora, en esta habitación.

Aprender economía es como si te dieran un manual para entender la vida.

Todo esto estaba pensando mientras nadaba

Hace un año no me habría imaginado que podría nadar como deporte.

Tenía una especie de pánico a meter la cabeza bajo el agua (larga historia, pero se me hizo una fobia en la adolescencia). Por consecuencia, lo mejor que podía hacer era nadar como perrito. Nunca se notaba mi fobia porque en casi todas las albercas mi cabeza salía del agua cuando estaba parado.

Pero ahí voy, a tratar de nadar bien como deporte.

Al inicio fue horrible. La postura que necesitas tomar para nadar de manera efectiva retaba lo que mi instinto me decía era lo más seguro. Poco a poco fui descubriendo la forma correcta de acomodar mi cuerpo y de dar las brazadas.

Y pasó algo mágico.

De pronto podía moverme más rápido y con menos esfuerzo. Poco a poco podía dejar mi cabeza bajo el agua más tiempo y sin ansiedad. Nadar se convirtió en una actividad agradable.

La economía es como si te dieran la receta para la vida

Sólo necesitas poner atención.

El otro día veía un video que hablaba de la dificultad que había en tomar decisiones simples. Pero creo que un economista puede resolver todos esos problemas, simplemente poniendo funciones de utilidad a todo.

Los cuatro principios de la economía
Costo de oportunidad, ventaja comparativa, pensar en el margen e inferencia causal

Saber economía te hace la vida más fácil:

  • Te ayuda a entender qué hay detrás de las tendencias en la vida y en la cultura popular.
  • Aprendes a identificar cuál información es basada en evidencia y cuál es mejor desechar. No es tan fácil que te engañen.
  • Puedes tomar decisiones con mayor facilidad. No sólo de dinero, también en todos los aspectos de la vida.

Ser economista es prestigioso.

Pero la razón de qué todos los gobiernos en el mundo se apoyan en economistas para tomar decisiones no es solo la fama.

Más que una ciencia, la economía es una forma de ver el mundo, una forma que presenta resultados.

Tutorial: Diferencias en Diferencias básico en R

Tutorial: Diferencias en Diferencias básico en R

Imagina que deseas conocer el efecto de una política pública en la población.

Siempre que sea posible, lo mejor que puedes hacer es hacer un experimento. Pero hay dos problemas:

  1. Los experimentos son caros y difíciles de implementar, pues implican tener un control sobre todas las variables que podrían alterar el resultado.
  2. Los resultados de un experimento rara vez son escalables a nivel de una población.

Para colmo, de cualquier manera tendrás que evaluar la efectividad de la política cuando se hace a nivel de una población.

En este post haremos un tutorial para aplicar el modelo de Diferencias en Diferencias usando R.

El ejemplo que usaremos para este tutorial lo puedes encontrar también en el libro Doing Economics del Core Project. Se trata sobre los efectos de un impuesto a las bebidas azucaradas.

Los economistas no prohibimos, le ponemos impuestos a las cosas

A finales de 2014, la ciudad de Berkeley, California votó que le pusieran un nuevo impuesto a las bebidas azucaradas.

El objetivo del impuesto era disminuir el consumo de bebidas que sabemos tienen efectos negativos en la salud de la población. Cuando queremos hacer que el compotamiento de las personas cambie, no ponemos leyes para prohibirlas, les subimos los impuestos con la esperanza de que el aumento de precio haga su trabajo.

Se le llaman impuestos al pecado.

Hay muchos ejemplos de este tipo de impuestos. Hay impuesto a los autos para reducir la contaminación. Impuesto al alcohol y al tabaco, porque también tienen efectos en la salud. Y naturalmente, impuestos a las bebidas azucaradas. Casi todos los países tienen algún impuesto de este tipo, en parte porque es relativamente fácil de aprobar (no siempre tan fácil de implementar).

Para saber si el impuesto funcionó, necesitamos conocer tres cosas

  1. Si el aumento de los impuestos hizo que los precios subieran. En ocasiones, los precios no se trasladan al consumidor. Las empresas prefieren absorberlo, haciendo que el impuesto no tenga efecto sobre el comportamiento de los consumidores.
  2. Si los precios subieron, queremos saber si los usuarios redujeron su consumo y qué tanto. En lenguaje de economistas, queremos conocer la elasticidad de los precios.
  3. Si los consumidores dejaron de tomar estas bebidas, queremos saber si su salud mejoró.

En este tutorial nos quedaremos con el análisis del primer punto.

Paso #1: Descarga y explora la base de datos

Te dejo la base de datos en el siguiente enlace.

Dataset Project 3.xlsx

Usa el siguiente código para cargar la base de datos y mostrar su estructura.

# Cargar las bibliotecas necesarias
library(readxl)
library(dplyr)

# Definir la ruta del archivo
file_path <- "data/Dataset Project 3.xlsx"

# Cargar la hoja del diccionario de datos
data_dictionary <- read_excel(file_path, sheet = "Data Dictionary")

# Cargar la hoja de datos y mostrar las primeras filas
df <- read_excel(file_path, sheet = "Data")

# Imprimir el diccionario de datos y el encabezado de los datos
print("Data Dictionary:")  # Imprimir el diccionario de datos
print(data_dictionary)

print("Data Header:")  # Imprimir el encabezado (primeras filas) de los datos
head(df)  # Mostrar las primeras filas del conjunto de datos

Alternativamente, puedes usar las funciones de RStudio para cargarlo de manera manual. Si tienes dudas, consulta este curso gratuito que tengo en mi página.

Nota que:

  • La variable taxed es una variable dummy con valores de 0 y 1. Cuando taxed es igual a 1, significa que el producto si es sujeto a impuesto. Incluso aunque en el periodo del registro sea antes de la implementación.
  • El tipo de tienda se muestra en store_type. Hay 4 tipos de tiendas de las que se recolectó la información: Supermercados grandes, supermercados pequeños, farmacias y estaciones de gas.
  • La variable time muestra el momento en que se recolectó el dato. De acuerdo al paper original, los datos se tomaron en Diciembre de 2014, en Marzo de 2015 y en Junio de 2016.
unique(df$time)
  • Los productos y las tiendas se registran por un identificador que se muestra en las variables store_id y product_id. También tenemos un poco más de detalles del tipo de producto detallado en type y type2.

Usa este código y nota que los registros no están balanceados (y también que Junio de 2016 está mal registrado). Esto quiere decir que hay productos que tal vez se registraron antes del impuesto y que desaparecieron después de él. O al contrario, podrían haber productos que aparecieron después del impuesto.

Usa este código para mostrar una tabla de frecuencia que muestra las observaciones por fecha y por tipo de tienda.

# Crear una tabla de contingencia con store_type y time
summary_table <- table(df$store_type, df$time)

# Convertir la tabla a data frame para añadir la columna de Total
summary_table_df <- as.data.frame.matrix(summary_table)

# Añadir una columna 'Total' que suma los valores de cada fila
summary_table_df$Total <- rowSums(summary_table_df)

# Añadir una fila 'Total' que suma todas las filas
summary_table_df["Total", ] <- colSums(summary_table_df)

# Mostrar la tabla resumen
print(summary_table_df)

Medias condicionales

Esta es la versión más sencilla de un modelo de diferencias en diferencias.

Se trata de identificar las medias condicionales de los grupos tratados y sin tratamiento antes y después de la intervención. La idea es que el grupo que no fue tratado funcione como grupo de control en un experimento.

Para que un grupo se pueda considerar de control, las circunstancias del evento tienen que ser muy especiales.

  • Tiene que ser muy similar al grupo de tratamiento. En el caso de este impuesto, estamos comparando los productos que están en la misma tienda y que aparecen en los mismos periodos.
  • Las circunstancias no deben de dar tiempo para sospechar de algún sesgo de selección. Generalmente, los mejores “experimentos naturales” ocurren de repente. Un accidente natural, o una implementación repentina son ideales, porque no dan tiempo para adaptarse.

Comencemos modificando los datos un poco para cumplir con estos puntos.

No necesitas otro curso de R

No necesitas otro curso de R

Uno de los errores más comunes que cometemos cuando queremos aprender a usar datos es comprar un curso más.

Pensamos que ese curso si nos va a dar las herramientas para hacer nuestro proyecto de investigación. Pero la realidad es que no nos vamos a dar el tiempo para consultarlo y lo vamos a dejar abandonado en algún punto cuando nos demos cuenta de que no era exactemente lo que necesitamos. Porque lo que necesitamos realmente es ponernos a trabajar con nuestro proyecto y cometer errores exactos.

Y lo digo yo, que tengo en mi página ya varios cursos publicados.

Y aunque agradezco mucho a quienes se suscriben a marionomics pro a través de la página de cursos, no quiero que lo hagan porque quieren ver un curso. Porque yo se que eso no los va a llevar a su objetivo: escribir y publicar.

Por qué seguimos comprando cursos que no necesitamos

Te lo voy a decir sin rodeos: cuando compramos un curso, estamos procrastinando.

Estamos delegando la responsabilidad a alguien más por lo que no queremos hacer. Preferimos tirar nuestro dinero a la basura y perder tiempo en un curso que no nos resuelve el problema antes que ponernos a trabajar.

¿Por qué? Porque así le podemos echar la culpa a los cursos que no sirvieron y al instructor que nos sabe explicar.

Pero tú y yo sabemos que esa base de datos en panel no se va a resolver por si sola.

4 pasos para resolverlo

En resumen, tienes que ponerte a trabajar.

En realidad ya sabes lo que tienes que hacer. No hay forma en que termines la tesis si no le dedicas un tiempo y te pones a trabajar.

  1. Destina tus horas sagradas para trabajar. Le tienes que dedicar al menos una hora todos los días a actividades que te hagan avanzar en tus proyectos. Y tienes que ser muy claro poniendo límites en el resto de tus actividades. Esa hora es sagrada.
  2. Escribe al menos el doble de lo que lees. Esta es una de las opiniones en las que seguro habrá más objeciones. Muchos piensan que tienes que leer más de lo que escribes. Pero lo dicen porque en realidad hay que incluir tiempo para leer entre las horas sagradas. Lee el doble de lo que hoy estás leyendo y escribe el doble de lo que lees.
  3. Ensúciate las manos con código. Mucho del trabajo de datos requiere de tener tiempo para hacer prueba y error. Si no te equivocas, no vas a desarrollar la intuición.
  4. Apóyate de tutoriales y guías. Lo que te acabo de decir no implica que tengas que hacer todo solo. Lo mejor es que vayas siguiendo tutoriales y que estés siempre con una guía que te respalde.

Un newsletter es un libro vivo

Yo aprendí mucho de tutoriales en YouTube y de libros.

El aprendizaje más grande fue de seguir tutoriales escritos. Siempre me resultaron más valiosos porque tenía que ir siguiendo paso a paso y cometiendo mis propios errores. Siempre fue más valor por el tiempo que le dediqué.

Lo único que le hacía falta era poder hablar con los tutoriales y los libros.

Me habría gustado poderle preguntar al autor sobre casos específicos o hacerle modificaciones en los ejemplos. Los libros ya se sienten muy fijos, pero si le puedes hacer preguntas al autor y que te conteste, se resuelven muchos problemas.

Este newsletter es una especie de libro vivo al que le puedes hacer preguntas y que puede profundizar sobre los temas que son relevantes.

  • Tal vez lo quieras ver con datos específicos.
  • Tal vez quieras que se profundice en pruebas o demostraciones particulares.
  • O quizás sea importante ver las cosas desde otro marco teórico.

La buena noticia es que todo eso es lo que estamos haciendo ahora con marionomics Pro.

Los suscriptores Pro tienen prioridad en los temas que vamos a tratar en adelante. La oferta es sencilla:

  • 1 tutorial al mes (día 5 de cada mes). Aquí vemos toda la parte de R, Python y datos. Con ejemplos con código que puedes copiar, pegar y modificar.
  • 1 deep dive al mes (día 15 de cada mes). Nos metemos a fondo en un tema particular. Mi metodología es meterme a un paper particular, si hay datos lo trato de replicar y lo critico hasta lo más profundo. Es la mejor manera de aprender de una teoría.
  • 1 guía de trabajo para escribir y publicar (día 25 de cada mes). No es sólo metodología y tips para escribir. Paso mucho tiempo encontrando maneras de encontrar mi productividad y conozco bien el sistema y la forma de publicar. Nada se queda como un secreto.

Contesta este correo y cuéntame:

💡
¿Cuál es el mayor reto que estás enfrentando en este momento?

Guía para emprendedores para fijar precios

Guía para emprendedores para fijar precios

¿Eres un tomador de precios o un creador de precios?

Ponerle precio a lo que vendes es una de las tareas más difíciles para los emprendedores.

Muchos lo ven como un detalle que se decide al final. Pero los precios son el centro de tu negocio: definen cuánto ganas y cómo te ven tus clientes. Por eso, entender bien tu estrategia de precios es clave para ganar más sin trabajar más.

Los precios no son solo números; son mensajes para tus clientes.

Un buen precio puede ayudarte a ganar más con menos esfuerzo.

Aprender a poner precios es una habilidad que todos los emprendedores pueden desarrollar.

No intentes competir bajando precios

Cualquier tonto puede bajar los precios. No cualquiera puede hacerlo bien.

Si eres un tomador de precios, significa que no puedes decidir cuánto cobrar.

Tu producto o servicio se parece mucho al de los demás, y los clientes tienen muchas opciones. Pero ser un creador de precios significa que lo que ofreces es único y especial. Para lograr esto, tienes que resolver un problema de forma diferente y para un tipo específico de cliente.

La clave está en diferenciar lo que ofreces de los demás.

  • Hazlo diferente. Encuentra un problema que puedas solucionar de manera única para un grupo específico. Así, tu producto será especial y podrás cobrar más.
  • Ofrece más valor. No intentes competir bajando tus precios, compite ofreciendo más. Agrega cosas que sean difíciles de copiar, como atención personalizada o beneficios extras.
  • Cómo te ven los clientes. Si tus clientes sienten que tu producto resuelve un problema importante mejor que el de los demás, estarán dispuestos a pagar más.

Los precios dicen mucho sobre tu negocio

Poner precios no solo se trata de pensar en cuánto cuesta producir algo.

El precio que pones le dice a tus clientes cómo es tu producto. Si lo ofreces demasiado barato, podrías estar dando la impresión de que es de mala calidad. Incluso, podrían pensar que es falso o que hay algo malo con él. Usar los precios para comunicar calidad y confianza es vital para cualquier negocio.

El precio correcto puede hacer que tus clientes vean tu producto de otra forma.

  • Precio y calidad. Un precio alto hace que la gente crea que tu producto es de mejor calidad. Piensa en cómo cuidas unos tenis de 300 pesos comparados con unos de 3000 pesos.
  • La psicología del precio. Un precio alto hace que la gente vea tu producto como algo exclusivo. Esto puede ayudarte a atraer a clientes que están dispuestos a pagar más.
  • Ajuste con el cliente. Si vendes algo caro a alguien que no puede pagarlo, ambos pierden. Asegúrate de que tu precio se ajuste al presupuesto de tu cliente ideal.

Cómo usar descuentos y comparar precios

Usar descuentos puede ser bueno, pero tienes que hacerlo con cuidado.

Siempre ofrece un descuento a cambio de algo que te beneficie, como una recomendación o un comentario positivo. Además, mostrar tus precios junto a otros más altos puede hacer que tus clientes sientan que el precio es más bajo. Estas tácticas te ayudan a vender más sin afectar tus ganancias.

Aplicar estas estrategias te ayudará a vender mejor sin bajar tus precios.

  • Descuentos inteligentes. No des descuentos porque sí. Pide algo a cambio, como una recomendación o un comentario positivo.
  • Comparar precios. Muestra tu precio junto a otros más caros para que parezca más bajo. En el caso de servicios, recuerda a tus clientes todos los beneficios que obtienen.
  • Agrega valor antes de bajar el precio. Antes de ofrecer un descuento, asegúrate de que el cliente entienda todo lo que está recibiendo. Así, el descuento parecerá una mejor oferta.

Los precios no son solo números; son una herramienta para que tu negocio crezca.

Al poner precios, decides a quién quieres venderle y cuánto quieres ganar.

Ser un creador de precios requiere pensar bien en lo que ofreces y cómo lo haces. Lo importante es hacer que tu producto sea especial, mostrar su valor y usar técnicas como descuentos de forma inteligente.

Domina la estrategia de precios y verás cómo mejora tu negocio y tu vida.

Guía para usar IA para recopilación bibliográfica

Guía para usar IA para recopilación bibliográfica

La mejor forma de pensar en la IA en el contexto de la investigación es como un asistente de investigación.

La idea es delegar las tareas que te consumen tiempo, pero aportan poco a tu entendimiento de un problema y su solución. Regularmente esas tareas caían en el asistente de investigación (si fuiste uno alguna vez, sabes de lo que te hablo).

La recopilación bibliográfica es una de esas tareas.

Mis intentos (fallidos) de usar la IA como asistente de investigación

Estuve intentando hacer que una IA hiciera esa recopilación desde que Bing habilitó GPT-4 en su buscador.

En ese momento, chatGPT aún no tenía acceso al internet y no podía pedirle que hiciera búsquedas. Hoy en día si puede, pero me da la impresión de que son búsquedas muy superficiales y tiende mucho a alucinar (se inventa cosas).

Lo que cambió: acaba de salir el modelo o1, o Strawberry.

Aparentemente, el nombre viene de un detalle curioso de los modelos anteriores, que cuando le preguntabas cuántas “r” tiene la palabra “Strawberry”, contaba 2. OpenAI lanzó este nuevo modelo, presumiendo que puede resolver problemas mejor que expertos en física con doctorado. No es que hayan hecho un nuevo modelo con más parámetros, sino que hicieron una versión más especializada. Aparentemente, GPT4o escribe mejor que o1 en general, pero cuando se trata de hacer razonamientos complejos, o1 es mejor.

En otras palabras, Strawberry si cuenta tres “r”.

Básicamente, lo que nos están ahorrando es a hacer mucho prompt-engineering, así no tenemos que estarlo guiando paso por paso para que haga un razonamiento apropiado.

Le pedí a o1 que me ayudara a hacer una recopilación bibliográfica sobre la pobreza energética, que es un tema en el que estoy colaborando en una investigación.

Después de casi un minuto de razonamiento, me entregó el resultado en una tabla con todo lo que le pedí.

El problema: la mitad de las referencias tenían enlaces inventados que no llevaban a ninguna parte. Otras cuantas fueron de plano inventadas.

El problema es que Strawberry aún no tiene acceso a internet. Con el mismo prompt que te comparto abajo, GPT-4 logró hace un mejor trabajo.

Advertencia: Esto no es para completos principiantes

No hagas esto si nunca has hecho una recopilación bibliográfica por tu cuenta.

La razón #1 es que no sabrás identificar los buenos resultados de los malos. Tienes que haber hecho recopilaciones bibliográficas por tu cuenta para identificar los resultados que son útiles para tu investigación y los que no.

La razón #2 es que la IA es muy buena para inventar datos que parecen reales. Entre los resultados que me arrojó en esa búsqueda, había un “paper” de Esther Duflo y Abihit Banerjee que medía el impacto de la pobreza energética en la educación en India. Excepto que Duflo y Banerjee jamás han hecho ningún estudio de ese tipo. El nombre y todas las características sonaban muy convincentes y me habrían engañado fácilmente.

Esto no quiere decir que tengas que ya ser un experto SNI 2000 para comenzar a usar la IA. Sólo digo que es mucho más fácil hacer experiencia para supervisar un buen resultado si ya lo has hecho a si nunca te has puesto a recolectar bibliografía por tu cuenta.

Lo que significa es que antes de lanzar la orden, tienes que tener algunas cosas preparadas. Básicamente, necesitas saber:

  • Qué argumento estás buscando hacer en tu investigación.
  • Cuál es el problema que estás solucionando.
  • Y si conoces ya algunos resultados o autores, puedes pedirle que los utilice para su búsqueda (pero que no se limite a ellos).

Este es el prompt

Copia y pega este prompt en tu inteligencia artificial favorita:

Las películas de fantasía muestran mal la economía

Un mago está en un campo afuera de una ciudad amurallada

Me molesta mucho ver El Señor de los Anillos y que muestren mal la economía.

Mira esta foto de Minas Tirith, la capital de Gondor:

¿Notas algo raro?

Te voy a ayudar... ¿En dónde está la agricultura?

Yo en mi adolescencia era un gran fan del señor de los Anillos y de la fantasía en general. Dejaba de pasar muchas cosas pensando que tal vez eran abstracciones, o que tal vez como estaban preparándose para la batalla, tenían las instrucciones de amurallarse y guardar provisiones.

Pero tal vez Peter Jackson (el director de la película) simplemente no quiso que los campesinos le arruinaran su toma.

Hay que ser justos: Tolkien si incluyó la agricultura en los libros. En las épocas previas a la revolución industrial, un gran porcentaje de la población en todo el mundo trabajaba en el campo, incluso en los asentamientos grandes.

Es una visión moderna las ciudades con poca o nula agricultura alrededor.

Y se pone peor en otras áreas de la Tierra Media

Al menos en Minas Tirith hay la posibilidad de que haya agricultura alrededor.

Leer el artículo completo

Registrarse ahora para leer el artículo completo y acceder a todos los artículos por solo suscriptores.

Suscribirse
¿Ya tienes una cuenta? Iniciar sesión

IA en la economía y el trabajo

IA en la economía y el trabajo

La inteligencia artificial (IA) ha llegado para quedarse, y su impacto en la economía y el trabajo es innegable.

Durante décadas, los economistas han debatido los efectos de las nuevas tecnologías en el empleo y la producción. Desde la Revolución Industrial, se ha evidenciado que cada avance tecnológico genera tanto incertidumbre como oportunidades: la tecnología puede reemplazar trabajos existentes, pero también puede crear nuevos. La IA, al igual que sus predecesoras, está en el centro de esta dinámica, y sus efectos se perciben a lo largo de todos los sectores económicos.

Pero, ¿por qué es importante entender esto ahora?

El doble filo de la IA: creación y desplazamiento de empleo

Una de las principales preocupaciones sobre la IA es su capacidad para desplazar empleos.

Acemoglu y Restrepo (2018) son algunas de las voces más influyentes en este debate. Según sus investigaciones, la IA tiene un doble impacto: puede eliminar trabajos rutinarios y repetitivos, pero también puede crear nuevas tareas que requieren habilidades más sofisticadas. Lo que está en juego es el equilibrio entre la destrucción de empleo y la creación de nuevos roles. A medida que las empresas adoptan la IA, los trabajadores que realizan tareas fácilmente automatizables corren el riesgo de perder su empleo, pero aquellos con habilidades técnicas avanzadas y creatividad se beneficiarán de nuevas oportunidades.

El debate no es nuevo, pero las implicaciones actuales son mayores.

Tomemos el ejemplo de la industria manufacturera, donde la automatización ha sido más rápida. Las fábricas que antes empleaban a cientos de trabajadores para ensamblar productos ahora pueden funcionar con menos personal gracias a los robots y sistemas automatizados. Sin embargo, los nuevos empleos en mantenimiento de robots, programación y supervisión de estos sistemas han surgido para complementar las tareas que solo las máquinas no pueden realizar. Esto sugiere que, si bien la IA puede eliminar ciertos trabajos, también genera nuevos roles que exigen habilidades más especializadas.

Aquí es donde entra en juego la importancia de la educación y el reentrenamiento.

Sectores más vulnerables y más resilientes

No todos los sectores de la economía se verán afectados de la misma manera por la IA.

Frey y Osborne (2017) identificaron que los empleos que involucran tareas repetitivas y predecibles, como los trabajos en logística, transporte y contabilidad, son los más vulnerables. Sin embargo, ocupaciones que requieren habilidades humanas más complejas, como la creatividad, el juicio crítico o la empatía, serán más difíciles de automatizar. Esto significa que sectores como la salud, la educación y la gestión empresarial tienen una mayor resiliencia frente a la automatización. Además, trabajos que requieren interacciones sociales complejas, como aquellos en la atención al cliente, también podrían beneficiarse de la IA, donde esta complementa las habilidades humanas en lugar de reemplazarlas.

El problema es que la mayoría de los trabajos actuales aún dependen de tareas automatizables.

Según el World Economic Forum (2020), se prevé que la automatización desplazará 85 millones de empleos para 2025, pero también creará 97 millones de nuevos roles. La mayoría de estos nuevos empleos estarán relacionados con la tecnología, el análisis de datos y la gestión de IA. Esto refuerza la necesidad de formar a los trabajadores en nuevas habilidades, tanto técnicas como blandas, para poder aprovechar las oportunidades que se presenten. La transformación digital afectará principalmente a las economías avanzadas, pero los países en desarrollo, como México, también deben prepararse para estos cambios estructurales.

¿Estamos preparados para este cambio masivo?

La paradoja de la productividad: ¿dónde están los beneficios?

A pesar de los avances en IA, los beneficios en productividad no han sido tan inmediatos como se esperaba.

Brynjolfsson, Rock y Syverson (2019) acuñaron el término paradoja de la productividad para describir este fenómeno. A pesar de las promesas de la IA para revolucionar la producción y los servicios, no hemos visto un aumento masivo en la productividad. Esto se debe, en parte, a los activos intangibles necesarios para integrar correctamente la IA en las empresas: la capacitación, los cambios en la cultura organizacional y la implementación de nuevas infraestructuras tecnológicas son costosos y requieren tiempo. En otras palabras, aunque la tecnología está lista, las empresas y los trabajadores aún no lo están.

Esto plantea la pregunta: ¿cuándo veremos el verdadero impacto de la IA?

Una de las barreras para ver un impacto inmediato en la productividad es el tiempo que lleva adoptar completamente la IA en sectores más tradicionales. Por ejemplo, la industria de servicios ha empezado a usar herramientas de IA como chatbots, pero estas tecnologías aún no han reemplazado completamente a los trabajadores humanos ni han transformado los modelos de negocio de forma masiva. Sin embargo, a medida que las empresas inviertan más en la integración de la IA, es probable que en la próxima década veamos una aceleración en los aumentos de productividad. Para que esto suceda, tanto el sector privado como los gobiernos deben invertir en capital humano y en la adopción de tecnología de manera estratégica.

La clave será cómo se gestione esta transición.

La brecha entre países desarrollados y en desarrollo

La adopción de la IA está creando una nueva brecha entre los países desarrollados y los países en desarrollo.

La McKinsey Global Institute (2023) destacó que los países desarrollados, como Estados Unidos y Japón, están liderando la implementación de IA debido a su mayor capacidad para invertir en investigación, desarrollo e infraestructura tecnológica. En contraste, los países en desarrollo, como México, enfrentan barreras más grandes, como la falta de infraestructura digital y la escasez de talento especializado. Esta diferencia en la capacidad de adopción tecnológica puede ampliar las desigualdades económicas a nivel global si no se toman medidas para cerrar la brecha digital. Sin políticas públicas que fomenten la digitalización y protejan a los trabajadores en los sectores más vulnerables, los países en desarrollo corren el riesgo de quedarse atrás en la carrera tecnológica.

El reto es global, pero las soluciones deben ser locales.

La OCDE (2019) ha señalado que los países en desarrollo necesitan adaptar sus políticas a las particularidades de sus economías. No solo se trata de adoptar tecnologías avanzadas, sino de desarrollar el talento necesario para gestionarlas y asegurar que los beneficios se distribuyan de manera equitativa. En el caso de México, esto significa implementar políticas que fortalezcan la infraestructura digital y promuevan la inclusión educativa para preparar a la próxima generación de trabajadores para el mercado laboral del futuro. La IA puede ser una herramienta poderosa para el crecimiento económico, pero solo si se gestiona de manera adecuada.

Las decisiones que se tomen hoy definirán el futuro.

El futuro del trabajo y la educación: preparar a la fuerza laboral

La educación es la piedra angular para enfrentar el desafío de la IA.

No solo debemos centrarnos en la enseñanza de habilidades técnicas, sino también en el desarrollo de habilidades interpersonales y creativas. La IA puede hacer muchas cosas, pero aún no puede replicar la capacidad humana para la empatía, la creatividad y el pensamiento crítico. Estos aspectos deben ser integrados en los programas educativos para asegurar que los futuros trabajadores puedan colaborar con la IA en lugar de competir contra ella. El World Economic Forum (2020) enfatiza que las habilidades que más demandará el mercado laboral en el futuro incluyen la resolución de problemas complejos, la inteligencia emocional y el liderazgo.

La combinación de habilidades humanas y tecnológicas será crucial.

Las universidades tienen un papel fundamental en este proceso de transformación. Los programas educativos deberán evolucionar para formar a los estudiantes en áreas donde la IA no puede sustituir la intuición y el ingenio humanos. Esto implica que los programas de Economía, por ejemplo, no solo deben enseñar sobre los impactos de la IA en la macroeconomía, sino también preparar a los estudiantes para trabajos que requerirán una combinación de habilidades analíticas y creativas. Este enfoque debe empezar cuanto antes para evitar un desajuste en el mercado laboral en los próximos años.

La formación continua y el aprendizaje a lo largo de la vida serán esenciales.

¿Estamos listos para un futuro dominado por la IA?

La IA no es solo una tecnología más, es una fuerza transformadora.

Los efectos de la IA en la economía y el trabajo son inevitables, pero no tienen por qué ser destructivos si se gestionan adecuadamente. La clave está en equilibrar las políticas públicas, la educación y las inversiones en capital humano para asegurarnos de que todos puedan beneficiarse de los avances tecnológicos. A medida que los países y las empresas adopten la IA, habrá ganadores y perdedores, pero las decisiones que tomemos hoy pueden determinar si los beneficios se distribuyen de manera equitativa o si se amplían las desigualdades. En última instancia, la IA tiene el potencial de mejorar la vida de las personas, pero solo si se gestiona con visión de futuro.

Y tú, ¿cómo te prepararás para el cambio?


Referencias

Acemoglu, D., & Restrepo, P. (2018). Artificial Intelligence, Automation, and Work (NBER Working Paper No. 24196). National Bureau of Economic Research.

Acemoglu, D., & Restrepo, P. (2021). Automation and New Tasks: How Technology Displaces and Reinstates Labor. Journal of Economic Perspectives, 35(1), 3–30.

Acemoglu, D., & Johnson, S. (2023). Power and Progress: Our Thousand-Year Struggle Over Technology and Prosperity. Hachette Book Group.

Brynjolfsson, E., Rock, D

., & Syverson, C. (2019). Artificial Intelligence and the Modern Productivity Paradox: A Clash of Expectations and Statistics. In A. Agrawal, J. Gans, & A. Goldfarb (Eds.), The Economics of Artificial Intelligence: An Agenda (pp. 23–57). University of Chicago Press.

Frey, C. B., & Osborne, M. A. (2017). The Future of Employment: How Susceptible Are Jobs to Computerisation? Technological Forecasting and Social Change, 114, 254–280.

World Economic Forum. (2020). The Future of Jobs Report 2020. Geneva: World Economic Forum.

McKinsey Global Institute. (2023). Generative AI and the Future of Work in America. McKinsey & Company.

¡Genial! Te has registrado exitosamente.

¡Bienvenido de vuelta! Has iniciado sesión correctamente.

Te has suscrito correctamente a Escribe tu primer paper de Economía.

¡Éxito! Revisa tu correo electrónico para obtener el enlace mágico para iniciar sesión.

¡Éxito! Se ha actualizado la información de facturación.

No se actualizó tu información de facturación.

Sígueme en Mastodon