AI a wzrost produktywności. Jak to widzą ekonomiści?

„Komputery widać wszędzie poza statystykami produktywności” – to słynne zdanie wygłoszone w 1987 r. przez laureata Nagrody Nobla Roberta Solowa odzwierciedlało ówczesny zawód związany z brakiem przyspieszania wzrostu gospodarczego pomimo rewolucji cyfrowej związanej z rozpowszechnianiem się komputerów. Inny amerykański ekonomista Robert Gordon twierdził, że w długim okresie istotniejszym dla wzrostu gospodarczego wynalazkiem była elektryczność, a wraz z nią wyzwolenie kobiet od uciążliwych i pracochłonnych prac domowych. Np. pod koniec XIX w. kobiety przeznaczały ok. dwóch dni w tygodniu na pranie. Rozpowszechnienie się elektrycznych pralek umożliwiło skokowe zwiększenie partycypacji kobiet w rynku pracy.

AI hype

W zgodnej opinii czołowych obserwatorów świata technologii jesteśmy w trakcie kolejnej rewolucji technologicznej – tym razem związanej ze sztuczną inteligencją (AI, artificial intelligence). To doprowadziło do szeregu predykcji, jak duży będzie wpływ AI na gospodarkę.

Raport McKinsey Global Institute w 2023 r. przewidywał, że generatywne AI zwiększy światową gospodarkę o 17-25 mld dolarów, co w połączeniu ze zwiększoną automatyzacją pracy przełoży się na zwiększenie wzrostu gospodarczego o średnio 1,5-3,4 pp. rocznie w krajach rozwiniętych w ciągu następnej dekady. Goldman Sachs zakładał wzrost światowego PKB o 7 proc. w tym okresie, a w przypadku USA wzrost produktywności rzędu 1,5 proc. na rok. Czy tak duże efekty są możliwe? W artykule przyjrzymy się bliżej, jak powstają takie szacunki, ale wcześniej warto poświęcić trochę miejsca temu, jak ekonomiści postrzegają postęp technologiczny ostatnich dekad.

Paradoks innowacji

Innowacje są mierzone przez ekonomistów jako ta część wzrostu produktywności w gospodarce, która nie może być wytłumaczona tradycyjnymi czynnikami produkcji (kapitałem, pracą, czy szerzej kapitałem ludzkim). Miara ta to tzw. łączna produktywność czynników produkcji (TFP, total factor productivity). Ze względu na to, że TFP jest liczone jako wartość rezydualna, zawiera w sobie, obok innowacji, cały „worek” czynników wpływających na produktywność, np. poprawę w technikach zarządczych, realokację pracowników pomiędzy sektorami lub w ramach branży między bardziej a mniej produktywnymi firmami.

USA w ciągu ostatnich 40 lat znacząco zwiększyły swoje łączne (publiczne i prywatne) nakłady na badania i rozwój. W 1980 r. przeznaczały ok. 2,2 proc. PKB na ten cel, w 1990 r. 2,5 proc., w 2010 r. 2,8 proc., natomiast na początku obecnej dekady było to już niemal 3,5 proc. Szczególnie wyraźny jest ponad dwukrotny wzrost wydatków prywatnych z 1,1 proc. w 1980 r. do 2,5 proc. w 2021 r.

W tym czasie wzrost produktywności (mierzonej jako TFP) nie tylko nie odbił w górę, pomimo zwiększenia nakładów na badania i rozwój, ale wręcz spadł poniżej średniej z lat 1960-1985 (ok. 1,3 proc.). Podobnie było ze wzrostem gospodarczym. Ten fakt skłonił ekonomistę Ufuka Akcigita z Uniwersytetu w Chicago nie tylko do ukucia terminu „paradoks innowacji”, ale też do próby jego wyjaśnienia.

Turecki ekonomista wraz ze współpracownikiem zebrał dane dotyczące historii zatrudnienia ok. 760 tys. wynalazców w USA. Z ich analizy wynika, że pracują oni coraz częściej dla dużych, już dojrzałych firm i rzadziej decydują się pozostać przedsiębiorcami lub pracować w mniejszych przedsiębiorstwach. Ten ostatni aspekt jest ważny, gdyż – jak pokazało wcześniejsze badanie – mniejsze firmy w USA generują relatywnie więcej innowacji niż duże w stosunku do środków finansowych na badania i rozwój, którymi dysponują. Jak przekonuje Akcigit, koncentracja talentu w dużych firmach w większej mierze służy bronieniu swojej uprzywilejowanej pozycji niż zwiększeniu efektywności badań. Po przejściu do takiej firmy zarobki wynalazców rosną o kilkanaście procent, natomiast naukowa produkcja (mierzona np. patentami) maleje o ok. 5-10 proc. w porównaniu do alternatywnego scenariusza pracowania w młodszej firmie.

Anatomia wpływu AI na produktywność

Próba przewidywania wpływu makroekonomicznego rozwoju AI jest zadaniem karkołomnym i obarczonym dużą niepewnością. Ekonomiści z natury (dostępność danych) są sprawniejsi w analizowaniu i zrozumieniu przeszłych wydarzeń niż w projekcjach na przyszłość.

Niemniej jednak dwaj czołowi ekonomiści postanowili określić wpływ rozwoju AI na wzrost produktywności w ciągu najbliższej dekady. Jednym z nich jest Daron Acemoglu, ubiegłoroczny laureat Nobla za pokazanie roli instytucji w rozwoju. Warto podkreślić, że wśród rozlicznych zainteresowań naukowych Acemoglu zmiany technologiczne zajmują poczesne miejsce. Drugim ze wspomnianych badaczy jest Phillippe Aghion, ceniony francuski ekonomista (również wymieniany często wśród faworytów do otrzymania Nobla), znany głównie z nowoczesnego (teoretycznego i empirycznego) przełożenia schumpeterowskiej teorii wzrostu gospodarczego opartego na twórczej destrukcji na dzisiejsze realia.

 W obu ujęciach model służący do oszacowania skutku jest ten sam – oparty na potencjalnych efektach AI na poziomie zadań wykonywanych przez pracownika. Oszacowanie składa się z czterech głównych elementów. Pierwszym z nich jest udział zadań w PKB z ekspozycją na AI, tzn. takich, w których jej użycie może znacząco zmniejszyć czas potrzebny do jego wykonania, niezależnie od tego, czy w postaci całkowitego zastąpienia w tej roli człowieka (automatyzacja), czy wsparcia go (komplementarność) poprzez automatyzację części podzadań. Po drugie, choć teoretycznie AI może być zastosowana w danym zadaniu, nie zawsze przekłada się to na jego opłacalność ekonomiczną. Trzecim elementem jest to, jak duże oszczędności w zakresie pracy mogą być uzyskiwane dzięki AI. Ostatni zaś to udział płac w wartości dodanej w sektorach z ekspozycją na AI szacowany na 57 proc. dla amerykańskiej gospodarki.

Poszczególne oszacowania składkowych powyższego równania pochodzą z dostępnych badań, co jest zarówno zaletą, jak i wadą całego szacunku. Zaletą, gdyż są możliwe do prześledzenia na poziomie mikro, a także do ulepszenia przy pojawieniu się bardziej dokładnych wyników. Z drugiej strony liczba tych badań jest ograniczona, a procedura przenoszenia ich wyników na wszystkie eksponowane na AI zawody nieco arbitralna. Dla przykładu oszacowania oszczędności w zakresie pracy są wykonywane na podstawie zasadniczo trzech zawodów: programistów wspieranych przez Github Copilot (55 proc. wzrostu), analityków używających Chata GPT-3.5 (40 proc.) oraz pracowników obsługi klienta (14 proc. w pierwszym miesiącu po rozpoczęciu korzystania z AI, 25 proc. po pięciu miesiącach). Acemoglu bierze średnią tylko z dwóch ostatnich zawodów (27 proc.) argumentując, że zadanie implementacji serwera HTTP przy użyciu JavaScriptu nie przełoży się w takiej samej skali na inne zadania programistyczne lub zadania w ogóle. Aghion bierze średnią ze wszystkich trzech zawodów (40 proc.), a w przypadku pracowników obsługi konsumenta posługuje się wynikami w dłuższym okresie.

Rozbieżne wyniki

Jak widać w poniższym podsumowaniu, Acemoglu określił wpływ AI na wzrost TFP na 0,07 pp. rocznie, natomiast Aghion wraz ze współpracownikami na 0,68 pp. rocznie. Większość różnic wynika z odmiennej interpretacji danych, co zobrazowałem na przykładzie oszczędności pracy generowanej przez AI. Istotnym czynnikiem rozbieżności jest także trzykrotna różnica w oszacowaniu udziału zadań z ekspozycją na AI. Acemoglu oparł się w tym elemencie na badaniach Międzynarodowej Organizacji Pracy (ILO), natomiast Aghion wraz ze współpracownikami korzystał z opracowania Międzynarodowego Funduszu Walutowego (MFW).

Podsumowując, to proste ćwiczenie pokazuje, jak rozbieżne mogą być szacunki wpływu AI na wzrost produktywności, nawet przy zastosowaniu tego samego modelu ekonomicznego. Warto również zaznaczyć, że w niedawnej książce "Power and Progress" u Acemoglu pobrzmiewa sceptyczny ton względem kierunku zmian technologicznych, w jakim podąża AI, co mogło wpłynąć na jego interpretację dostępnych danych. Nieco bardziej optymistycznie podchodzą do tego zagadnienia Aghion i jego współpracownicy. Wzrost produktywności na poziomie 0,7 pp. rocznie oznaczałby podwojenie obecnego wzrostu TFP w USA. Skala ta, choć znacząca, pozwalałaby jedynie osiągnąć poziom wzrostu produktywności obserwowany w najlepszych latach 1960-1985. Z drugiej strony, te szacunki są znacznie niższe niż prognozy prezentowane przez amerykańskie firmy konsultingowe czy banki.

Niekwantyfikowalne zastrzeżenia

Jak zaznacza Aghion, w swoim modelu pominął drugi kanał, przez który AI może potencjalnie wpływać na wzrost gospodarczy. Automatyzacja zadań związanych z tworzeniem nowych idei ma ogromny potencjał, jednak to, jak blisko jesteśmy od tego momentu, pozostaje niewiadomą. Postęp techniczny bywa skokowy, a zdarza się także, że – jak w przypadku komputerów kwantowych – od 20 lat pozostaje „kilka lat” od osiągnięcia przełomu.

Z drugiej strony barierą dla wzrostu może okazać się brak konkurencji w różnych segmentach łańcucha wartości AI. W szczególności infrastruktura chmurowa jest obecnie zdominowana przez trzy firmy: Google Cloud, Microsoft Azure oraz Amazon Web Services. Historycznie to właśnie potrzeba uzyskania mocy obliczeniowej doprowadziła do partnerstwa między OpenAI a Microsoftem oraz przekształcenia tej organizacji z non-profit w podmiot nastawiony na zysk. Podobne motywy kierowały decyzją właścicieli DeepMind, którzy zgodzili się na przejęcie przez Google w 2014 r. Jak pokazuje paradoks innowatora, inwestycje w badania i rozwój często mają na celu utrzymanie dominującej pozycji, nawet kosztem wolniejszego postępu technologicznego.

Główne wnioski

1. W zgodnej opinii czołowych obserwatorów świata technologii jesteśmy w trakcie kolejnej rewolucji technologicznej związanej z AI. McKinsey przewiduje, że generatywne AI zwiększy światową gospodarkę o 17-25 miliardów dolarów, co w połączeniu ze zwiększoną automatyzacją pracy przełoży się na wzrost gospodarczy o średnio 1,5-3,4 pp. rocznie w krajach rozwiniętych w ciągu następnej dekady. Z kolei Goldman Sachs zakłada wzrost światowego PKB o 7 proc. w tym okresie, a w przypadku USA wzrost produktywności rzędu 1,5 proc. rocznie.
2. USA w ciągu ostatnich 40 lat znacząco zwiększyły swoje łączne (publiczne i prywatne) nakłady na badania i rozwój z 2,2 proc. PKB do niemal 3,5 proc. PKB obecnie. W tym czasie wzrost produktywności (mierzonej jako TFP) nie tylko nie odbił w górę, pomimo zwiększenia nakładów na badania i rozwój, ale wręcz spadł poniżej średniej z lat 1960-1985 (ok. 1,3 proc.). Podobnie było ze wzrostem gospodarczym. Ów paradoks innowacji jest związany m.in. z koncentracją talentu wynalazczego w dużych, dojrzałych już spółkach, które często skupiają swe wysiłki na obronie swojej pozycji rynkowej, zamiast na tworzeniu rzeczywistych innowacji.
3. Szacunki czołowych ekonomistów dotyczące wpływu AI na produktywność oparte są na modelu, którego główną oś stanowią potencjalne efekty AI na poziomie zadań wykonywanych przez pracownika. Istotne znaczenie mają: udział zadań w PKB z ekspozycją na AI, ich opłacalność ekonomiczna, skala oszczędności w zakresie pracy dzięki AI oraz udział płac w wartości dodanej w sektorach z ekspozycją na AI. Bazowe szacunki wahają się od wzrostu produktywności opartej na TFP o 0,07 pp. (Acemoglu) do 0,68 pp. (Aghion i współpracownicy). Tak rozbieżne szacunki wynikają z odmiennej interpretacji dostępnych badań mikroekonomicznych. Wzrost produktywności rzędu 0,7 pp. oznaczałby podwojenie obecnego wzrostu TFP w USA. Skala ta, choć znacząca, pozwoliłaby jedynie osiągnąć poziom wzrostu produktywności obserwowany w najlepszych latach 1960-1985. Z drugiej strony, szacunki te są znacznie niższe od prognoz przedstawianych przez amerykańskie firmy konsultingowe czy banki.