En el ámbito de la inteligencia artificial generativa, un grupo de investigadores ha presentado un estudio que arroja luz sobre cómo los modelos de lenguaje pueden ser mejorados mediante la incorporación de conocimientos de antropología económica. Los experimentos fueron realizados con dos modelos de IA, denominados C.A.L.L.O.N. y M.A.U.S.S., cada uno entrenado con distintos tipos de datos y enfoques metodológicos. Este innovador enfoque busca evidenciar la fragilidad de los sistemas económicos no mercantiles y resaltar el valor de las actividades reproductivas sociales mediante una inteligencia antropológica.
Los modelos, alimentados con vastos conjuntos de datos y entrenados para simular la toma de decisiones humanas, son un reflejo de cómo las inteligencias humanas y no humanas confrontan la realidad mediante la mediación de categorías conceptuales. Estos modelos no sólo aprenden de su entorno de manera sofisticada sino que también se modifican, aportando algo cualitativamente distintivo al campo del desarrollo económico.
C.A.L.L.O.N. recibió un entrenamiento basado en datos estándar, lo que dejó en evidencia sus limitaciones al analizar sistemas no mercantiles. A menudo, sus respuestas destacaban la vulnerabilidad de estos sistemas y subrayaban la creatividad social como una potencial desventaja. Implícitamente, asumía una perspectiva política liberal centrada en la agencia personal.
Por otro lado, M.A.U.S.S., cuyo entrenamiento fue reforzado con estudios de valor cultural y sistemas económicos alternativos, mostró una notable capacidad de adaptación. Valorizaba las actividades de reproducción social y empleaba conceptos relacionales de autonomía propia de los marcos emic de análisis antropológico.
Esta investigación destaca cómo la antropología, a través de la documentación de categorías lingüísticas y prácticas simbólicas humanas, contribuye significativamente al ajuste de las inteligencias de IA al presentar ontologías económicas alternativas en economías no dominadas por el mercado capitalista.
Los resultados destacan la necesidad de “actualizaciones ontológicas” en estos modelos antes de que puedan procesar datos más diversos, permitiendo así una mejor comprensión de las actividades económicas no tradicionales. Tal enfoque podría tener un potencial revolucionario al hacer visibles y sostenibles estas formas de vida económica, proporcionando un prisma desde el cual analizar y evaluar las economías desde perspectivas más inclusivas y pluralistas.
En resumidas cuentas, el trabajo de Sheldon y Kumar resalta la importancia de una inteligencia artificial que esté “enculturada”, es decir, que integre tanto elementos discursivos humanos como metodologías antropológicas para enriquecer los entornos económicos contemporáneos. Esto podría abrir nuevas puertas al entendimiento económico global, optimizando no sólo las inteligencias artificiales, sino también las prácticas humanas de interacción económica en un mundo cada vez más interconectado. Tal perspectiva invita a reflexionar sobre el equilibrio que las IA deberían mantener entre conocimiento técnico y prácticas culturales mientras avanzamos en un mundo donde lo humano y lo artificial convergen.