Cuando los bancos centrales caen, a menudo llaman a otros banqueros centrales para que los ayuden. El Riksbank pidió a Mervyn King, gobernador del Banco de Inglaterra hasta 2013, que examinara su capacidad de previsión a lo largo del año 2010.

Más recientemente, el Banco de Inglaterra, cuyos propios pronósticos fueron desviados (nada que ver con las prácticas inculcadas por Mervyn King, por supuesto), pidió al expresidente de la Reserva Federal y profesor de Princeton Ben Bernanke que echara un vistazo a sus métodos.

Bernanke entregó su informe hace un año, donde su conclusión general fue que los bancos centrales en general habían tenido malos resultados en sus pronósticos macroeconómicos, principalmente debido a la serie de grandes shocks globales que el mundo experimentó (y yo agregaría el resultante "shock y pavor" respuesta de los bancos centrales).

En el caso específico del Banco de Inglaterra, Bernanke pintó un cuadro poco halagador de una institución anticuada donde los sistemas de software están vergonzosamente obsoletos, los conjuntos de datos son deficientes y los recursos de personal están mal administrados.

Una solución inteligente a todo esto podría ser, simplemente, en esta era de la inteligencia artificial (IA), pedirle a ChatGPT que pronostique el crecimiento y la inflación. Lo hice y me dijo que preguntara al Banco de Inglaterra.

De hecho, los bancos centrales ya están utilizando lo que popularmente se conoce como IA. Algunos bancos centrales de países emergentes como Indonesia lo utilizan para analizar la reacción del público a su política monetaria, y muchos economistas estuvieron utilizando el aprendizaje automático y modelos probabilísticos mucho antes de que la IA se hiciera popular. De hecho, existe un creciente liderazgo intelectual sobre el uso de la IA en la banca central por parte de organismos como el Banco de Pagos Internacionales (BPI).

En algunos campos, los bancos centrales utilizan la IA para ayudar a supervisar la supervisión de las instituciones financieras. El BCE lanzó el proyecto Athena, que utiliza inteligencia artificial para ayudar a los supervisores bancarios a escanear millones de documentos, con el fin de ayudar a los reguladores a detectar anomalías.

Una extensión de este enfoque es el seguimiento por parte de los bancos centrales de las empresas de tecnología financiera, que a su vez utilizan la IA para asignar estrategias de crédito e inversión a individuos y hogares.

En el pasado reciente me referí al crecimiento de este segmento de la industria bancaria, especialmente porque más de un tercio de las empresas de nivel "unicornio" en el Reino Unido son fintechs y muchas de ellas están involucradas en préstamos impulsados por IA.

Esto plantea muchos desafíos para los supervisores, no simplemente la dificultad de lidiar con nuevos conjuntos de datos (y su procedencia), sino también en términos de tratar de comprender la construcción de los modelos de IA que impulsan los servicios fintech.

En el contexto de la finalización de la Ley de IA de la UE este año, el uso de la IA en las finanzas es una de las áreas en las que los bancos centrales y los supervisores tienen que ponerse al día. Imaginemos cuando las bolsas de valores y ciertas instituciones comiencen a utilizar la computación cuántica en el comercio y la investigación.

Hasta donde yo sé, el uso de la IA en la banca central parece basarse en el supuesto de que los resultados impulsados por la IA se producen para ayudar, pero no reemplazar, al economista/supervisor. A esto lo llamo el enfoque 'un hombre y su perro', donde el humano es asistido en una tarea compleja por un actor no humano inteligente y adaptable (solía ser un perro pero ahora es una computadora). Sería un error que los banqueros centrales adoptaran un enfoque más centrado en las máquinas. Sin embargo, aún quedan algunos obstáculos.

Para coincidir con el veredicto del profesor Bernanke sobre el Banco de Inglaterra, los sistemas informáticos de los bancos centrales y las capacidades de gestión de datos están por detrás de los mejores del sector privado, y el mercado del trabajo intelectual está en una burbuja en lo que respecta a las habilidades relevantes para la IA.

Como resultado, es poco probable que los técnicos en modelos lingüísticos trabajen en bancos centrales, aunque mi propia experiencia es que hoy en día los mejores economistas también son muy buenos modelando e implementando modelos de IA.

Los datos son quizás el mayor obstáculo. Llegué a la economía y la econometría en una época en la que los 'conjuntos de datos propietarios' se ingresaban manualmente en hojas de cálculo de Excel desde cuentas corporativas o desde torpes códigos Datastream.

Hoy en día, el mundo está inundado de conjuntos de datos que ayudan a explicar el comportamiento de los hogares y las empresas; si los bancos centrales pudieran recibir estos datos, potencialmente serían mucho más sabios de lo que son ahora, aunque el riesgo es que se conviertan en datos demasiado sensibles.

La tentación entonces para la próxima generación de banqueros centrales será la de utilizar la fuerza que les otorgan sus poderes de supervisión para obtener brillantes conjuntos de datos de alta frecuencia de las compañías de pagos, empresas emergentes y conjuntos de datos sobre precios de opciones de las instituciones que supervisan, y limpiarlos y analizarlos en beneficio de la política monetaria y la detección de fraude.

Algunos bancos centrales, como el Banco de Canadá, están activos acá, pero esta tendencia está en desarrollo. Estos conjuntos de datos de alta frecuencia pueden ser potencialmente muy interesantes para leer los shocks económicos y la respuesta de las economías a la política monetaria que sigue a los shocks.

Hay al menos dos consideraciones más. En primer lugar, relativamente pocos comentaristas económicos establecieron el vínculo entre las monedas digitales de los bancos centrales y la IA. Las monedas digitales de los bancos centrales, si se implementaran, podrían generar enormes conjuntos de datos sobre el comportamiento financiero de los hogares, que luego podrían utilizarse mejor para afinar la política monetaria.

En un mundo monetario ideal, los bancos centrales harían ajustes de política pequeños, de alta frecuencia y específicos de la economía a través de sus marcos de moneda digital (en virtud de esto, cada hogar tendría una cuenta bancaria en el banco central), según los modelos impulsados por la IA, con un objetivo de cumplir sus objetivos monetarios.

En segundo lugar, los banqueros centrales, un grupo bastante conservador aunque no poco sofisticado, tendrán que aprender a cambiar su forma de pensar y sus técnicas de comunicación si quieren utilizar la IA en su beneficio. Ese podría ser el mayor obstáculo.

*Con información de Forbes US