Los ensayos sobre IA involucran a los gobiernos con menos frecuencia que los ensayos en general
Traducción automática del original en inglés, publicada sin revisión humana. En caso de duda, prevalece el inglés. Si un fragmento suena mal, selecciónelo y márquelo al final de la página.
Los autores analizaron registros de ensayos para medir el crecimiento y el enfoque de la inteligencia artificial en la investigación económica. Extrajeron datos de la American Economic Association y del Registro de Evaluaciones de Impacto para el Desarrollo Internacional, desde 2019 hasta un 2026 parcial. Filtrando por términos como aprendizaje automático y modelos de lenguaje concretos, compararon el volumen, la ubicación y la materia de los ensayos de IA frente a la investigación general. También midieron la duración media prevista de esos ensayos y registraron con qué frecuencia los investigadores se asociaron con instituciones públicas.
Las intervenciones de inteligencia artificial van camino de representar uno de cada cinco ensayos registrados, frente a uno de cada treinta hace menos de cuatro años. Los autores hallaron que la duración media prevista de un ensayo de IA es de 11,3 meses, un lapso que abarca más de tres generaciones de actualizaciones de modelos. Además, en el registro de la AEA los ensayos de IA están vinculados al gobierno el 10,7 por ciento de las veces, frente al 14,1 por ciento del conjunto de los ensayos. Los autores sostienen que la falta de participación gubernamental limita la adopción, mientras que los ensayos largos corren el riesgo de producir hallazgos desactualizados. Señalan en cambio un ensayo de ocho semanas sobre una intervención de aprendizaje guiado por IA en Sierra Leona, que evaluó a más de 1.700 estudiantes y registró una mejora de 0,26 desviaciones estándar.
Construir una base de evidencia sobre inteligencia artificial sin implicar al sector público deja a los ministerios con resultados que no pueden usar con facilidad. Como los modelos de aprendizaje automático evolucionan deprisa, las evaluaciones largas a menudo ponen a prueba sistemas que ya no existen cuando se publican los resultados. La oportunidad está en diseñar evaluaciones rápidas que midan capacidades reales mientras los modelos evaluados siguen disponibles para el público.
Los enlaces de hoy: Enlaces varios para el 7 de septiembre de 2026.
Tiago C. Peixoto · English original · About