Newsletter
Suscríbete a nuestro Newsletter y entérate de las últimas novedades.
https://centrocompetencia.com/wp-content/themes/Ceco
En un artículo publicado este año en la revista Theoretical Inquiries in Law (Volumen 26, Número 1) Ariel Ezrachi y Maurice E. Stucke reflexionan soo sios modelos base de inteligencia artificial (“IA”), y si aquellos son capaces de desafiar a los grandes operadores tecnológicos y transformar así el ecosistema digital, o si más bien lo que hacen es profundizar la concentración del poder.
Los autores parten de varias definiciones clave. En primer lugar, se refieren a la IA generativa, que es aquella IA que utiliza un tipo de aprendizaje profundo (deep learning) para generar contenido nuevo a partir de la disponibilidad de datos (ver nota CeCo: OCDE: IA Generativa, riesgos anticompetitivos y recomendaciones de enforcement). A esto, agregan otra clasificación relevante: aquella entre los modelos “base” y modelos “estrechos” o específicos de IA. Los primeros se caracterizan por ser modelos diseñados para realizar múltiples tareas y, por tanto, obtener múltiples resultados (ver columna de A. Ribera: Strike one, a por el segundo: La inteligencia artificial generativa y el análisis del poder de mercado). Un tipo de modelo base son los Large Language Models (LLMs), como Gemini o GPT. Los segundos (modelos estrechos), en cambio, son aquellos entrenados con datos específicos para una realizar una determinada tarea en un contexto delimitado.
Ezrachi y Stucke destacan que los mercados digitales presentan ciertas características estructurales que les permiten a los grandes tecnológicos producir resultados tipo “winner-take-all” o bien “winner-take-most”, permitiéndoles así concentrar y consolidar su poder. Dichas características son principalmente: i) economías de escala, ii) el big data, iii) efectos de red, iv) el análisis de datos a gran escala, v) la capacidad de canalizar la innovación digital, y vi) la adopción de medidas anticompetitivas.
De los factores anteriores, para efectos de esta nota, vale la pena concentrarse en dos: el análisis de datos a gran escala y la capacidad de canalizar la innovación digital. Respecto del análisis masivo de datos, los sistemas de IA permiten optimizar el procesamiento de datos, detectar patrones de comportamiento, entender los mercados con mayor precisión y acelerar así la innovación (ver nota CeCo: Plataformas y Ecosistemas: Solucionando fallas de mercado (y creando otras nuevas)). Este tipo de análisis avanzado se potencia gracias al big data, puesto que, a mayor cantidad de datos, mayores serán las conclusiones y, por tanto, de mejor forma se podrá, por ejemplo, identificar las necesidades de los consumidores.
Respecto de la capacidad para canalizar la innovación digital, los autores indican que, aunque los grandes actores digitales invierten fuertemente en investigación, es el control sobre sus respectivos ecosistemas integrados lo que realmente les permite influir en qué innovaciones prosperan y cuáles quedan marginadas. Esto, a su vez, les entrega la posibilidad de distorsionar la oferta y demanda de la innovación en sí misma, suprimir las disrupciones que amenacen sus cadenas de suministro y favorecer “innovaciones sostenibles” (sostenibles en el sentido de que refuerzan sus propios modelos de negocios) (para un análisis del “control” de la innovación por parte de las Big Tech, ver nota CeCo: “Innovación Tóxica”).
Los autores muestran cómo las cadenas de suministro sustentan a la IA generativa y cuál sería su impacto probable no solo en la competencia, sino que también en la innovación. Para ello, recurren al siguiente diagrama, elaborado por el Ada Lovelace Institute .
Tal como se aprecia en la imagen, la cadena se encuentra compuesta por siete eslabones o capas, las cuales se pueden dividir en tres grandes fases: i) desarrollo, ii) pre-implementación, y iii) post-implementación. Los eslabones iniciales pertenecen al eje aguas arriba, pues concentran los recursos técnicos, económicos y de infraestructura necesarios para la creación de los modelos base de IA. En cambio, los eslabones posteriores se sitúan aguas abajo, correspondiendo al momento en que los modelos son incorporados en aplicaciones, productos o servicios, y puestos finalmente a disposición de los usuarios finales.
Los autores se inspiran en dicho esquema para analizar los riesgos competitivos de distintos eslabones competitivos de la industria. Así, de forma análoga al esquema, analizan los siguientes problemas: i) concentración del poder computacional, ii) concentración del nivel de desarrollo de modelos fundacionales, iii) aumento de la dependencia aguas abajo y iv) estrechamiento de los caminos de innovación. Como se verá, varios de estos riesgos son verticales, en el sentido de que el poder de mercado que le otorga a un agente económico el hecho de controlar un activo relevante aguas arriba (con características de insumo esencial), se puede traspasar en el mercado aguas abajo, pudiendo afectar la competencia y la innovación.
Respecto de la concentración de poder computacional, aquí lo que está en juego es la capacidad de hardware requerida para entrenar los modelos. En este nivel intervienen tanto los desarrolladores de unidades de procesamiento gráfico (GPU) como los proveedores de servicios en la nube, quienes ofrecen los recursos necesarios para ejecutar los procesos de entrenamiento.
Los riesgos aquí consisten en que, dado que la infraestructura que permite almacenar y procesar datos (poder computacional) es costosa, existen pocos actores (es un mercado concentrado). Esto genera cuellos de botella estructurales, que les permiten a los propietarios de estas infraestructuras ejercer control sobre quién puede y no puede entrenar modelos base. Dicha concentración podría traducirse en ventajas exclusivas de escala y costo, restringiendo así la competencia para otros potenciales actores.
Respecto de la concentración del desarrollo de modelos fundacionales, los riesgos competitivos asociados a esta etapa derivan, en parte, de la concentración y el control exclusivo de datos esenciales (sobre todo cuando estos tienen “las cuatro V”: volumen, variedad, velocidad y valor), los que refuerzan la posición de las grandes tecnológicas.
Los datos pueden constituir un insumo esencial para entrenar modelos de IA, de modo que otorgan a quien los controla una ventaja estructural importante, que a su vez genera barreras de entrada para la competencia(ver opinión A. Rivera: El apalancamiento de datos personales y los sistemas de Inteligencia Artificial). Además, los “Big Tech Barons” también tienen ventajas en cuanto poseen los recursos computacionales y capital humano necesario para desarrollar los modelos fundacionales.
Respecto de cómo está incrementando la dependencia aguas abajo, el suministro de modelos fundacionales a desarrolladores genera, a grandes rasgos, efectos competitivos contrapuestos: por un lado, aumenta el dinamismo en los mercados secundarios al reducir costos de acceso, permitiendo la disrupción de mercados tradicionales; pero, por otro lado, crea una dependencia estructural de los desarrolladores hacia los modelos de los Gigantes Tecnológicos, dificultando dicha dependencia que cambien de operador.
En términos más específicos, los autores se refieren, primero, cuan abiertos son los sistemas de las grandes empresas tecnológicas. Así, destacan que muchas empresas mantienen sus modelos cerrados, resguardando sus componentes clave y ofreciendo acceso únicamente mediante su interfaz de programación de aplicaciones (APIs), o a través de aplicaciones para el usuario, lo que les permite fijar estándares técnicos y de seguridad para todo el ecosistema (sobre las APIs, ver columna CeCo de Juan Pablo Iglesias “Propiedad Intelectual: APIs y Entrenamiento de Modelos de IA”). Además, incluso cuando ciertas empresas sostienen que sus modelos son “abiertos”, los autores advierten que esta apertura es estratégica y limitada, tratándose más bien de una falsa apertura que refuerza una dependencia estructural aguas abajo.
En segundo lugar, Ezrachi y Stucke también se refieren a que los Gigantes Tecnológicos a menudo despliegan una estrategia de «planta carnívora»: primero, abren sus plataformas y dan incentivos para atraer anunciantes, desarrolladores de aplicaciones, usuarios y fabricantes de dispositivos inteligentes; y luego, después de dominar el ecosistema, cierran de golpe el entorno que antes era de código abierto y pasan a imponer términos y tarifas anticompetitivas a los vendedores, desarrolladores, anunciantes y usuarios, los cuales ahora están atrapados.
Finalmente, respecto del riesgo del estrechamiento de los caminos de innovación, si bien las empresas “comunes” (es decir, que no son Big Techs) pueden usar los modelos del Big Tech para innovar en otras industrias, tienen “prohibido” crear modelos que compitan con el de los Gigantes Tecnológios. Esto lleva a un estado de cosas en que las startups solo pueden complementar, mas no desafiar, el modelo central de las grandes empresas tecnológicas.
Aún más, como los Gigantes Tecnológicos controlan vastos ecosistemas, tiene la posibilidad de eliminar cualquier amenaza competitiva usando múltiples tácticas: castigando rivales (degradando los servicios que usan), haciendo ventas atadas (vendiendo IA junto a servicios en la nube) y haciendo self-preferencing.
Conociendo ya los factores que permiten a estas grandes empresas concentrar su poder, y entendiendo la estructura de la cadena de suministro de un modelo base, resulta relevante analizar cómo estos actores ocupan simultáneamente distintos eslabones de dicha cadena. Al respecto, la combinación del control del modelo base, las economías de escala, los ciclos de retroalimentación entre capas, las barreras de entrada y los elevados costos de inversión, generan un entorno altamente concentrado, que no solo favorece, sino que incentiva la integración vertical.
En esa línea, los autores incluyen el siguiente esquema tomado de un paper de la Competition and Markets Auhority (CMA), que ilustra de forma gráfica cómo se distribuye la presencia de los grandes actores en cada capa de la cadena (Figura 2). A partir de esta representación, se aprecia cómo estos grandes actores participan tanto aguas arriba, en las capas de cómputo y datos, como aguas abajo, en la distribución, el desarrollo y la integración de los modelos en productos destinados a los consumidores finales.
Fuente: Competition and Markets Authority (CMA) (2024). AI Foundations Models (Traducción propia). Haga click para ver imágen más grande
Finalmente, los autores concluyen que, aunque la IA podría tener un potencial disruptivo, existe el riesgo de que no logre desestabilizar a los ecosistemas dominantes, pues estos podrían asegurarse el control de partes esenciales de la cadena, reduciendo así el espacio para innovaciones que intenten desafiar su dominio.
En esa línea, los autores advierten que, de no intervenir a tiempo, las autoridades podrían repetir fallas regulatorias del pasado, con efectos adversos para el bienestar, la autonomía y la democracia (ver Investigación: “Inteligencia artificial y libre competencia: necesidad y desafíos de la colaboración en Chile”).
