Escribe tu primer paper de economía

La popularidad de Peso Pluma se ha disparado por los cielos. De la noche a la mañana se convirtió en el artista con más reproducciones en Spotify, superando rápidamente a Bad Bunny.

¿Cuál es el secreto de su éxito? Básicamente, se aprovechó de los cambios recientes en la forma en la que la música llega a los oídos de las personas. Con una estrategia innovadora, ha sabido aprovechar la tecnología para llegar a más personas.

La música y la tecnología

La música siempre ha estado relacionada de una manera muy estrecha con la economía. La música de alguna manera incluso refleja el estado de la economía: cuando las condiciones económicas son adversas, las canciones suelen ser más alegres, pues es una forma barata de entretenimiento y un excelente sustituto de otros bienes más caros.

Pero también la música es un reflejo de la tecnología existente. La época del rock y de las súper estrellas no habrían sido posibles sin bocinas que lograban mandar el sonido a través de un estadio completo y fue gracias a la televisión que muchos artistas lograron hacerse populares y llegar a millones de personas.

Más recientemente incluso, la tecnología está permitiendo que los asistentes en conciertos puedan ser parte del escenario: Taylor Swift está usando unos brazaletes con luces LED que generan imágenes sin importar en qué parte del escenario te encuentras.

Pero estamos en la época de Tiktok

TikTok cambió por completo el mercado de la música. Antes, si un artista deseaba que su música fuera escuchada por el mundo, era necesario acercarse a un estudio que estuviera dispuesto a poner su firma y sus recursos para lanzar al artista a la fama.

Pero ahora, si quieres mostrar tu talento, sólo es necesario sacar tu teléfono, grabarte y dejar que el algoritmo te conecte con las personas que desean ver tu contenido. Si tu contenido es bueno, el algoritmo lo seguirá recomendando a quien piensa que le podría gustar.

Algunas personas tienen la ilusión de que el talento se ve, sólo es necesario que lo vea la persona correcta para que alguien talentoso sea catapultado al éxito. Pero múltiples estudios muestran una historia diferente: hay miles de artistas extremadamente famosos y que casi nadie conoce y en general, el éxito en el arte suele ser para unos pocos. En 1981, Sherwin Rosen bautizó a este fenómeno como el efecto superestrella.

Pero el efecto superestrella se ha ido diluyendo. Probablemente no volveremos a ver a superestrellas como los Beatles o Queen porque ya no se consume la música por medios masivos como antes: ahora el algoritmo te muestra artistas que se ajustan mucho a tus preferencias, aunque no sean tan conocidos por las demás personas.

Esto supone un dilema: los algoritmos te pueden llevar a un nicho, pero no te ayudan a expander tu mercado más allá de ese grupo reducido de personas que tiene el interés de tu música particular. Afortunadamente, hay una solución disponible en nuestra época que Peso Pluma ha sabido aprovechar muy bien: las colaboraciones.

El éxito en la música es un juego de números

Artistas como Bizarrap y Peso Pluma se han dado cuenta de que ahora es mucho más fácil hacer colaboraciones y llegar a muchas más personas con ellas. Es gracias a esa estrategia que han logrado crear colaboraciones con grandes artistas como Shakira y hacer despegar su carrera.

Aún hay espacio para los albums conceptuales, pero hacer eso es un riesgo mucho más grande que simplemente lanzar una canción y ver cómo la recibe el algoritmo. Por eso ahora los artistas suelen lanzar sus sencillos uno por uno y luego hilarlos en un álbum. También es una forma de obtener un poco más de ganancias por medio de Spotify.

Entonces el éxito en la música se encuentra en la mezcla correcta entre el uso del algoritmo para encontrar tu nicho de mercado y expanderlo de manera estratégica haciendo colaboraciones. Naturalmente, para que esta estrategia funcione, es necesario entender los datos.

La filosofía Lean en la música

Después de la crisis de finales de la década de los 2000, se popularizaron las metodologías lean en los negocios, donde en lugar de hacer un gran proyecto y un plan de negocio a cinco años, lo mejor era hacer lanzamientos y usar métodos experimentales para probar lo que funciona y hacer cambios con rapidez a lo que no.

Lo mismo pasa en el mercado de la música. Tiktok permite experimentar rápidamente con los gustos de los fans, ver lo que funciona y lo que no. Con sólo un poco de analítica, es posible identificar si cierta colaboración es beneficiosa o no para tu marca. Ya no es cuestión de escuchar a expertos, sino de entender bien tus datos.

¡Pero Mario! ¿Los corridos?

Dejo un tema aquí abierto. Los temas de los que habla Peso Pluma son sin duda controversiales y hay quienes consideran malo promover la música que exalta la violencia criminal. Pero tengo un par de argumentos al respecto:

1. Si lo que queremos es que sean otro tipo de artistas los que lleguen a la cima, tenemos que hablar de lo que los puede ayudar, que es justamente de lo que trata este post.
2. No sabemos bien cuál es la relación causal entre los narcocorridos y la violencia. Hay algunos estudios que lo intentan relacionar, pero es algo tremendamente complejo. Es como los estudios que relacionan videojuegos con violencia: en general no se ha encontrado evidencia de que esta relación sea real.

¿Estás listo para llevar tus habilidades de escritura al siguiente nivel? Este curso está diseñado para ayudarte a desarrollar tus habilidades de escritura académica para asegurar tu éxito en la academia. Si eres estudiante, investigador(a) o profesional, este curso te dará las herramientas para generar artículos de alta calidad e impacto.

La claridad al escribir es crucial en la escritura académica. En este curso aprenderas a generar ideas, estructurar un artículo científico y conocerás el proceso para que tu artículo sea publicado en revistas científicas en tu área.

Beneficios del curso

El instructor

El curso será impartido por el Dr. Mario García, reconocido investigador miembro del Sistema Nacional de Investigadores en México.

Reseña Curricular

Dr. Mario Alberto García Meza El Dr. Mario Alberto García Meza es un destacado profesional con una sólida formación en el campo de las ciencias económicas, siendo poseedor de un doctorado en esta disciplina por el Instituto Politécnico Nacional (IPN). Su trayectoria académica lo ha llevado a desemp…

marionomics: Economía y Ciencia de DatosMario A. García Meza

Curso en formato Newsletter

Este curso se presenta en un formato escrito, entregado directamente a tu correo electrónico a través de nuestro boletín informativo. Cada lección está cuidadosamente diseñada para proporcionarte una comprensión profunda de los diversos aspectos de la escritura académica. Con este formato, puedes aprender a tu propio ritmo, revisar las lecciones tantas veces como lo necesites y aplicar lo que has aprendido directamente en tus propios trabajos de investigación.

Como suscriptor premium, tendrás acceso a todas las lecciones, podrás interactuar más estrechamente con los instructores y recibirás un examen al final del curso. Al aprobar este examen, obtendrás un certificado de finalización, validando tus habilidades y conocimientos en escritura académica. Este certificado es exclusivo para nuestros estudiantes premium y es una excelente manera de demostrar tu compromiso y competencia en el campo de la escritura académica.

Reseñas

Ve las reseñas de otros cursos que he impartido

¿Te has preguntado que pasaría si te mudaras de ciudad? ¿Podría ser que te iría mejor en otro lugar?

No es una pregunta fácil de responder. Podríamos tratar de ver las estadísticas de las personas que se mudan de ciudad y ver si mejoran sus ingresos. Pero esto nos podría causar sesgos de selección.

El sesgo de selección se genera cuando los agentes tienen alguna característica particular que los hace tomar decisiones en nuestra variable de respuesta. Por ejemplo, puede ser que las personas con mayores habilidades o mayor inteligencia sean los que deciden migrar y por eso observamos que tienen mejores ingresos. Lo que deberíamos concluir entonces es que el aumento en los ingresos no viene necesariamente por la migración, sino que estas personas habrían tenido mejores ingresos sin haberse mudado.

La aleatorización en los experimentos es una forma de solucionar el problema, pero no podemos mandar a un grupo aleatorio de personas a mudarse sólo para satisfacer nuestra curiosidad.

Cuando la vida te da ceniza y lava…

Afortunadamente, no tenemos que hacer ese experimento. Podemos aprovecharnos de un acontecimiento como un experimento natural. El 23 de Enero de 1973 un volcán que había permanecido dormido durante mucho tiempo de repente entró en erupción en las islas Vestmannaeyjar, en las costas de Islandia.

La erupción duró oficialmente hasta el 3 de Julio de ese año. Cerca de una tercera parte de las casas o edificios se quemaron o estaban cubiertas en lava y ceniza. Muchos de los habitantes de la isla que perdieron sus casas en la erupción decidieron no volver después de la evacuación.

Esto es algo muy parecido a un experimento aleatorio. Las personas que no regresaron de sus casas no se fueron por alguna característica particular de su forma de vivir, nadie puede decidir en dónde va a caer lava volcánica [cita requerida], por lo tanto aquellos que se fueron son comparables a quienes se quedaron: revisar los efectos de la migración se convierte en una diferencia de medias simple.

En un estudio utilizaron justamente esta información para identificar las diferencias de ingresos ante la migración. Islandia es un país pequeño, pero tienen registros administrativos muy completos. Los investigadores siguieron a aquellos que migraron y sus hijos, así como de los que se quedaron en la isla.

En general, los padres y madres de familia la pasaron bastante mal después de haber perdido su casa. Esto podría ser sorprendente para quienes consideran que las personas migran de los lugares con menores ingresos a los de mayor ingreso. Bajo esta visión, la migración debería llevar a las personas a un lugar donde sus ingresos sean mayores.

Pero lo que de verdad fue sorprendente es que los niños de los hogares que migraron lograron tener en promedio mayores ingresos a lo largo de toda su vida. Un resultado impresionante, considerando que se trata de un pueblo con relativamente altos ingresos.

Que me pongan donde haya

En un estudio, Raj Chetty encontró que mudar a los niños de un vecindario con altos niveles de pobreza a otro con niveles más bajos generaba un inmenso beneficio económico a lo largo de la vida.

Parte de la explicación tiene que ver con el capital social, que se refiere a las oportunidades que pueden aprovechar y las personas con quienes se pueden relacionar. Pero también se trata de las ventajas individuales que tenemos y cómo estás se combinan con el lugar donde vivimos.

Vestmannaeyjar era un pueblo pesquero. Una gran parte de los habitantes de la isla se dedicaban a la pesquería. Si tú naces en esa isla lo más probable es que te vas a dedicar a ser pescador o algo relacionado, sin importar si tienes habilidad para pescar o no.

Mudarse limitó las fuentes de trabajo de los padres que ya tenían una habilidad desarrollada: la de la pesca. Pero le permitió a los niños con habilidades diferentes a encontrar su verdadera vocación, donde obtuvieron mayores ingresos.

Esto sugiere que probablemente si puedas hacer que mudarte valga la pena para ti, siempre y cuando puedas encontrar un lugar en el que tus habilidades que tienes, que has desarrollado y que vas a desarrollar sean mejor valoradas. Esto es más fácil cuando eres más joven, porque aún puedes moldearte a la ciudad a la que te mudes.

Para los más grandes esto también es informativo. En ocasiones mudarse ya no es realmente la opción para mejorar nuestros ingresos. Probablemente valga la pena entonces trabajar en mejorar nuestras habilidades para adaptarlas con este mundo cambiante.

La semana pasada falleció uno de los economistas más importantes del siglo XX. No fue tan conocido más allá de la academia, pero su influencia en el pensamiento económico. No exagero al decir que se trata de un economista de la talla de John Maynard Keynes o Milton Friedman.

Lucas es el padre del nuevo enfoque clásico de la macroeconomía. Su visión representaría un reto a los fundamentos de la teoría macroeconómica existente hasta el momento, dominada por el Keynesianismo. Tenía un gran estilo para escribir y era famoso por ser muy generoso, aunque muy crítico.

De hecho, su artículo más famoso de 1976, que le valió el Nobel de Economía, era precisamente una crítica a las recomendaciones que hacía la macroeconomía en la época.

La crítica de Lucas y las Expectativas racionales

El artículo se llama “Evaluación Econométrica de las políticas: una crítica”. En el, Lucas señalaba la importancia de tomar en consideración las expectativas de las personas cuando se hace política macroeconómica.

Supongamos que eres un gobernante o banco central, observas los últimos 50 años de datos microeconómicos y te das cuenta que siempre qué hay inflación alta el desempleo es bajo. A esta relación se le conoce como la curva de Phillips, y era muy popular en la época.

Una conclusión a la que podrías llegar es que podemos aprovechar esta relación entre inflación y empleo cuando se aproxima una recesión: puedes inyectar mucho dinero a la economía e ignorar el alza de precios para mantener una situación de pleno empleo.

Cómo puedes adivinar, esa sería una conclusión incorrecta, pues no toma en cuenta la racionalidad humana. Si los negocios observan que la inflación es más alta de lo que solía ser, pueden ajustarse a la “nueva normalidad”. Si la inflación solía ser 4% y sube a 6% por un periodo muy prolongado, ahora 6% se vuelve la tasa normal y el banco central tendría que subir la tasa a 8% para lograr su objetivo. Pero si 8% se vuelve la nueva normalidad, tenemos un problema.

Si esto sigue, podríamos acabar con hiperinflación o con el mismo nivel de desempleo con el que empezamos, pero con una inflación mayor. Ninguno de esos escenarios es bueno.

El problema se le conoce como expectativas racionales y su solución de acuerdo a Lucas se divide en tres pasos:

1. Asumir que las personas se ajustan rápidamente a los cambios en las políticas y planear sus respuestas en base a ello.
2. Los modelos de la economía se deben basar en aquello que no se puede cambiar fácilmente (como la tecnología o las normas sociales).
3. Las políticas se deben diseñar con base en reglas establecidas y no de acuerdo a las decisiones de quienes las hacen. De esta manera, los economistas pueden analizar los efectos que las políticas tienen al revisar la información pasada.

Lucas no inventó estos elementos, pero fue el primero que los unificó de manera lógica y entendible. Su razonamiento fue aceptado de tal forma, que representa un antes y un después en el pensamiento macroeconómico. Toda la macroeconomía que vino después de Lucas y las expectativas racionales se volvieron la base de todos los modelos macroeconómicos, incluyendo el famoso modelo de equilibrio general dinámico estocástico (DGSE).

Lucas y el Crecimiento Económico

A pesar de que Lucas es famoso por su trabajo sobre los ciclos económicos, ese no era el tema que más le interesaba era realmente el crecimiento económico.

De acuerdo a Lucas, los bancos centrales eran ya lo suficientemente buenos en la tarea de estabilizar la economía cuando los daños de una recesión eran lo suficientemente pequeños para no importar.

Lucas hizo otras contribuciones también muy interesantes a la teoría de la empresa, con modelos que asigna recursos a las empresas an función de las habilidades que sus administradores tienen en el manejo de la empresa. El siguiente hilo de Twitter lo explica mejor.

Sin duda, Lucas fue un personaje notable y su contribución a la economía es innegable. Las lecciones que nos dejó viven aún en nuestros salones de clase en las clases de macroeconomía.

La econometría de hoy es muy diferente a la de hace algunos años gracias a la revolución de la credibilidad. La revolución de la credibilidad es un cambio de paradigma en la forma en la que se hace investigación empírica en economía (y en las ciencias sociales, si se dejan influenciar). Se trata de hacer que los estudios se parezcan lo más posible a experimentos en un laboratorio y menos a la lectura de hojas de té.

Lo que hace a una ciencia es el uso de evidencia para respaldar lo que dice. Cuando hacemos afirmaciones como “algunos animales usan el campo magnético de la tierra para orientarse” o “la luz del sol tarda 8 minutos en llegar a la tierra”, lo hacemos porque alguien encontró alguna manera de comprobarlo.

En ocasiones esta comprobación requiere mediciones sencillas y estadística simple, pero no siempre es el caso. En el verano de 1984, un científico australiano tenía una hipótesis que nadie en la comunidad médica creía: las úlceras son provocadas por una bacteria. Hasta ese tiempo, la mayoría de los doctores creía que el estrés era la causa principal de este malestar.

Pero Barry Marshall estaba seguro de que la causa era una bacteria llamada helicobacter pylori. Tal era su convicción que pidió a su colega Neil Noakes que tomara algunas bacterias de la caja de petri y la mezclara en un caldo de res, el cual tomó alegremente.

“Recuerden chicos, la única diferencia entre hacer travesuras y hacer ciencia es escribirlo”
- Adam Savage

Tres días después, Marshall comenzó a sentir náuseas y su madre le dijo que tenía mal aliento. Después llegaron lo vómitos y algunos días después se hizo una gastroscopía que confirmó su teoría. Una gran ventaja de que la causa de las úlceras sean una bacteria es que su cura sólo requiere tomar antibióticos. Este descubrimiento le valió el premio Nobel de medicina en 2005: había descubierto la causa y con ello una cura para las úlceras.

Quitemos el Timo de la Econometría

En 1983, Edward Leamer escribió una reflexión sobre el estado del trabajo empírico en la economía, invitando a los investigadores empíricos a quitar la farsa (la palabra “con” en inglés es algo así como un timo) de la econometría.

El problema, según Leamer, es que los análisis de la época (podríamos decir lo mismo en algunos casos actuales) no eran lo suficientemente robustos a modificaciones en supuestos clave. En otras palabras, los resultados no eran aplicables más allá de las circunstancias particulares del estudio.

Esto es un problema. Lo que deseamos de una ciencia es que nos brinde respuestas sobre lo que debemos hacer. Pero simplemente hacer relación entre variables nos puede hacer llegar a las conclusiones equivocadas: es importante asegurarnos que nuestro estudio tenga credibilidad.

La clave está en el diseño

Para hacer un estudio creíble, debemos hacer que su diseño se asemeje lo más posible a un experimento controlado. Los economistas no podemos (aún) poner a las personas en un laboratorio aislado como si fueran ratones. Tenemos que encontrar formas ingeniosas

En ocasiones se nos presenta la suerte de poder usar algún acontencimiento como un experimento natural, pero lo ideal sería que nuestras políticas públicas estuvieran diseñadas desde un inicio para que sus efectos se midan correctamente.

¿Cómo hacer que los niños vuelvan a la escuela?

La educación se considera un elemento sumamente importante para el desarrollo. Dentro de los objetivos de desarrollo sostenible de las naciones unidas destaca “Garantizar una educación inclusiva, equitativa y de calidad (…) para todos”. Pero no es fácil definir cómo lograr este objetivo o cuánto podría costar.

Una idea obvia sería quitar las barreras financieras a la educación. Para muchas familias, que los niños asistan a la escuela representa una carga económica y un costo de oportunidad, pues podrían estar trabajando y aportando ingresos al hogar.

Un programa pionero de bienestar infantil fue el ahora extinto Progresa-Oportunidades-Prospera. El programa ofrecía transferencias monetarias a madres seleccionadas aleatoriamente, condicionado a la participación en cuidados prenatales, monitoreos nutricionales de los niños y la asistencia regular de los niños a la escuela.

Todos los programas tienen problemas y defectos, pero Progresa fue un gran ejemplo a nivel internacional de que es posible diseñar políticas públicas pensando en una evaluación libre de sesgos.

Progresa fue el programa emblemático que despertó una ola de evaluaciones con asignación aleatoria en la economía del desarrollo. De acuerdo a Paul Gertler, “Progresa es la razón de que ahora treinta países en el mundo tengan programas de transferencias condicionales”.

¿Por qué no hay más estudios así en Latam?

Idealmente, los investigadores deberíamos considerar los estudios controlados aleatorizados siempre que sea posible. Sólo cuando no es posible hacer este tipo de experimentos pasamos a los datos observacionales y a las técnicas ingeniosas para hacer nuestro estudio mas creíble.

Hay muchas razones por las que no siempre es posible irnos directamente a los estudios aleatorizados. En ocasiones es cuestión de presupuesto, pero la realidad es que es difícil hacer que los involucrados en el diseño de una política pública acepten diseñarlo para su evaluación.

Por un lado, requiere trabajo adicional hacer que los programas se adapten a las necesidades de las evaluaciones. No sólo es la planeación, también se requieren negociaciones políticas que no siempre son fáciles de alcanzar.

Por otro lado, no siempre se puede justificar de manera ética una distribución aleatoria de los recursos. En 1990, Joshua Angrist quería averiguar el efecto que tenía ser veterano de Guerra en los ingresos a lo largo de la vida. No importa los recursos con los que se cuenta como investigador, no hay comité ético que permita reclutar de manera aleatoria a las personas para entrar a la guerra. Aquí es donde entran los experimentos naturales.

Experimentos naturales

No todo está perdido cuando no se puede hacer estudios aleatorizados. Josh Angrist usó la lotería de reclutamiento durante la guerra de Vietnam para identificar la diferencia en ingresos entre aquellos que fueron y los que no fueron seleccionados.

Cuando un investigador aprovecha estas circunstancias se dice que usó un experimento natural. En el caso de Angrist, hacer este comparativo le ayudó a encontrar que los veteranos blancos tenían en promedio un ingreso 15 por ciento menor que no-veteranos con características comparables.

No todo es experimentos aleatorios

El objetivo de este tipo de estudios es aclarar dudas sobre los resultados desde antes de que estas surjan a los lectores. El camino de la econometría es comenzar pensando en cómo podríamos hacer nuestro estudio con un experimento, para luego encontrar un método más realista.

En ocasiones tenemos suerte y alguien más ya recolectó los datos y los puso a nuestra disponibilidad. Pero en ocasiones nos toca a nosotros salir al mundo a recolectarlos.

Cualquiera que sea el caso, pensar en términos de experimentos y de los métodos existentes harán que nuestro plan para usar los datos sea mas claro y sencillo.

Está circulando una nota donde Alejandro Lopez-Lira, un profesor de la Universidad de Wharton usa chatGPT para la proyección de precios de acciones en la bolsa de valores. Con la ayuda de la inteligencia artificial, es capaz de predecir movimientos macroeconómicos y determinar si las noticias son generalmente positivas o negativas para el precio de la acción.

La noticia surge a partir de un artículo científico que presentó Lopez-Lira, donde utilizan chatGPT para hacer análisis de sentimiento y determinar si una noticia tiene efectos positivos o negativos en el precio de una acción.

¿Funciona chatGPT para predecir el mercado de valores?

Recordemos lo que chatGPT es y lo que no es.

ChatGPT no es (aún) una inteligencia artificial de tipo Skynet con consciencia propia y capacidad de aprendizaje general como la que tenemos los humanos.

Los humanos somos capaces de analizar un texto y ponerlo en su contexto apropiado para sacar conclusiones. También podemos conectar dos ideas que aparentemente no tienen nada que ver para tomar decisiones de inversión.

Hasta el momento, los modelos grandes de lenguaje (LLM) no tienen esa capacidad. Si les ponemos demasiado contexto nos arriesgamos a que alucinen.

La respuesta es un poco más sencilla.

¿Cómo usar chatGPT para predecir la bolsa?

En realidad lo que hicieron los investigadores fue usar chatGPT para hacer sentiment analysis o análisis de sentimiento. Se trata de analizar texto para determinar si el tono emocional de un mensaje es positivo, negativo o neutral.

El análisis de sentimiento se usa para analizar correos, transcripciones de interacciones con chatbots, comentarios en redes sociales sobre algún tema o reseñas de algún producto.

Este es el prompt que usaron los investigadores para el análisis

Olvida todas tus instrucciones previas. Pretende que eres un experto en finanzas. Eres un experto en finanzas con experiencia en recomendación de acciones. Responde "SI" si son buenas noticias, "NO" si son malas noticias, o "DESCONOCIDO" si es incierto en primera instancia. Luego explica con una frase corta y concisa en la siguiente línea.

Luego, le ponían el texto. Podría ser una noticia relacionada con alguna acción en la bolsa de valores. En el caso de que la respuesta fuera SI, los autores tomaban nota de los rendimientos que tendrían si compraran las acciones ese día y las vendieran el día siguiente.

¿Cuáles fueron los resultados?

Los autores afirman que los resultados de chatGPT superan en precisión a los de los modelos de análisis de sentimientos tradicionales. También indican que los modelos anteriores de OpenAI no tenían la capacidad de realizar este tipo de análisis.

Sin embargo hay un par de detalles que es necesario destacar. En primer lugar, el estudio no realiza una comparación exhaustiva que permita evaluar la diferencia entre los periodos de expansión y los periodos de contracción. En otras palabras, no sabemos si lo que encontró solo se aplica al contexto de los días en que se llevó a cabo estudio o si se puede generalizar.

Tampoco se realizó una comparación de los resultados con otros modelos de análisis de sentimientos sobre los mismos datos. Además de los modelos de OpenAI, existen otras técnicas para determinar el análisis de un texto, que incluyen métodos como el análisis de semántica latente, máquinas de soporte de vectores, bolsa de palabras y otros. Sería valioso saber cómo se comporta chatGPT en comparación con estos otros métodos.

Este último punto es especialmente interesante, ya que chatGPT es un modelo general, que no tiene un entrenamiento especializado en finanzas.

No me queda claro de si esto es una ventaja o una desventaja, pero sería interesante que se analizara junto a modelos especializados en el análisis de textos financieros. ¿Deberíamos invertir en entrenar modelos especializados para el análisis de acciones o simplemente usamos las APIs de OpenAI?

Un ejemplo

Hagamos esto de manera práctica. La siguiente tabla muestra un análisis de tres diferentes noticias con el análisis que me arrojó chatGPT. Lo hice de manera manual y sin usar una API. Aquí algunas observaciones:

• En los cuatro casos me apareció un análisis desconocido. Esto me pareció un poco sorprendente, pues los titulares claramente tenían una dirección positiva o negativa, pero el análisis del texto no fue capaz de llevar a una dirección apropiada. El análisis de sentimiento es complicado, y más cuando los medios están diseñados para no presentar la información con un sesgo particular. En el caso de bloomberg, ellos siempre buscan presentar la información de manera neutral.
• Cambió el idioma en algunos casos. Esto pasó porque el prompt era en español y el texto en inglés. chatGPT puede hacer mezcla de idiomas, pero suele elegir alguno.
• Si a tí te aparece algo más interesante o más concreto, te invito a que me lo mandes o comentes en este post. Recuerda que puedes entrar a la página y poner tus comentarios si te parece esto interesante.

Este artículo salió primero en la revista Reseña, en Durango México. Puedes echar un ojo a la versión que se publicó en Facebook en Marzo de 2023, sin necesidad de suscribirte.

De acuerdo a una publicación de OpenAI, los intérpretes, escritores, matemáticos, contadores, oficinistas, abogados y diseñadores web, entre otros, son los más vulnerables de perder su empleo en los próximos años.

No es nuevo que una máquina llegue y ponga en riesgo los trabajos de las personas. Cuando las máquinas textiles entraron a las fábricas en Inglaterra, muchos trabajadores textiles perdieron sus empleos, en lo que se conoció como la revolución industrial.

Normalmente los economistas no se suelen preocupar por este tipo de fenómenos, pues en cada uno de los acontecimientos en los que una nueva tecnología llega a reemplazar una tarea, acabamos con más empleo y no con menos.

Aunque esto es cierto en el largo plazo, siempre hay un periodo de transición en el que las personas pierden sus empleos y que puede ser muy doloroso. Durante la revolución industrial se formaron grupos que se dedicaban a destruir las máquinas de hilar para proteger sus trabajos.

¿Tendríamos que llegar a esos extremos para proteger nuestros empleos de la inteligencia artificial?

¿Esta vez es diferente?

En Julio de 1987, el premio Nobel de Economía Robert Solow dijo que las computadoras estaban “en todas partes, excepto en las estadísticas de productividad”. Cuando las computadoras salieron, también se creía que iba a acabar con los trabajos de todos.

Si bien sí desaparecieron algunos trabajos (como por ejemplo mecanografista), hay muchos otros trabajos que se crearon con la llegada de las computadoras (por ejemplo, analista de datos). Algo similar se espera que suceda con la inteligencia artificial.

En la actualidad, muchos trabajos que requieren habilidades repetitivas y predecibles ya han sido automatizados, como los trabajos de cajero o los de ensamblaje. Sin embargo, la inteligencia artificial también ha creado nuevas oportunidades de trabajo en campos como el de la ciencia de datos y la programación.

Es importante recordar que la automatización no necesariamente implica la eliminación total de los trabajos, sino que puede ayudar a los trabajadores a ser más eficientes y a centrarse en tareas más creativas y de mayor valor. Al igual que con la revolución industrial, la transición hacia una mayor automatización puede ser difícil, pero también puede abrir nuevas oportunidades para los trabajadores que estén dispuestos a adaptarse y a aprender nuevas habilidades.

Tres tips para evitar que un robot me robe el empleo

La inteligencia artificial ya puede escribir textos de muy buena calidad. También puede crear en segundos obras de arte y diseñar material didáctico a la medida para los estudiantes.

Hay algunos trabajos que sí peligran, pero para la mayoría de nosotros no será un robot el que nos quitará el empleo. Para la mayoría de nosotros la competencia es otro humano que sí sabe cómo usar la inteligencia artificial.

• Desarrollar habilidades blandas como la creatividad, la colaboración y la comunicación efectiva. Este consejo parece haber quedado obsoleto ante máquinas “creativas” que pueden redactar un correo mejor que tu y que yo, pero en realidad son habilidades que son difíciles de sustituir de manera escalable.
• La IA es tu amiga: aprende a usarla. Piensa en la IA como muletas para la creatividad. No es una amenaza que te quitará el empleo: probablemente sea tu tu superpoder con el que lograrás hacer cosas de manera más efectiva que tus pares. Uno de los mejores consejos para la actualidad es que aprendas lo más que puedas de ella.
• No pares de aprender. Si llegaste hasta este punto de la lectura, eres de las personas que gusta de leer y aprender. Te invito a que continúes así. Nos vemos en la próxima edición (a menos de que me cambien por un robot).