Αν ακούτε τους ηγέτες της τεχνολογικής βιομηχανίας, τους υπεύθυνους προβλέψεων του επιχειρηματικού τομέα και μεγάλο μέρος των μέσων ενημέρωσης, μπορεί να έχετε πιστέψει ότι οι πρόσφατες εξελίξεις στη γεννητική τεχνητή νοημοσύνη θα φέρουν σύντομα εξαιρετικά οφέλη στην παραγωγικότητα, αλλάζοντας τη ζωή όπως την ξέρουμε. Ωστόσο, ούτε η οικονομική θεωρία ούτε τα δεδομένα υποστηρίζουν τέτοιες υπερβολικές προβλέψεις.
Σύμφωνα με τους ηγέτες της τεχνολογίας και πολλούς ειδήμονες και ακαδημαϊκούς, η τεχνητή νοημοσύνη είναι έτοιμη να μεταμορφώσει τον κόσμο όπως τον ξέρουμε μέσω των άνευ προηγουμένου κερδών στην παραγωγικότητα. Ενώ κάποιοι πιστεύουν ότι οι μηχανές σύντομα θα κάνουν ό,τι μπορεί να κάνει ο άνθρωπος, εγκαινιάζοντας μια νέα εποχή ατελείωτης ευημερίας, άλλες προβλέψεις έχουν τουλάχιστον μεγαλύτερη βάση. Για παράδειγμα, η Goldman Sachs προβλέπει ότι η γενεσιουργός τεχνητή νοημοσύνη θα αυξήσει το παγκόσμιο ΑΕΠ κατά 7% την επόμενη δεκαετία και το McKinsey Global Institute προβλέπει ότι ο ετήσιος ρυθμός αύξησης του ΑΕΠ θα μπορούσε να ανέλθει κατά 3-4 ποσοστιαίες μονάδες από τώρα έως το 2040. Από την πλευρά του, ο Economist αναμένει ότι η τεχνητή νοημοσύνη θα φέρει πλούτο στους εργάτες.
Είναι αυτό ρεαλιστικό; Όπως σημειώνω σε πρόσφατο άρθρο μου, οι προοπτικές είναι πολύ πιο αβέβαιες από ό,τι δείχνουν οι περισσότερες προβλέψεις και εικασίες. Παρόλα αυτά, ενώ είναι ουσιαστικά αδύνατο να προβλέψουμε με σιγουριά τι θα κάνει η Τεχνητή Νοημοσύνη σε 20 ή 30 χρόνια, μπορούμε να κάνουμε μια εκτίμηση για την επόμενη δεκαετία, επειδή οι περισσότερες από αυτές τις βραχυπρόθεσμες οικονομικές επιπτώσεις θα αφορούν τις υφιστάμενες τεχνολογίες και τις βελτιώσεις τους.
Είναι λογικό να υποθέσουμε ότι ο μεγαλύτερος αντίκτυπος της Τεχνητής Νοημοσύνης θα προέλθει από την αυτοματοποίηση ορισμένων εργασιών και την αύξηση της παραγωγικότητας ορισμένων εργαζομένων σε ορισμένα επαγγέλματα. Η οικονομική θεωρία παρέχει κάποια καθοδήγηση για την αξιολόγηση αυτών των συνολικών επιπτώσεων. Σύμφωνα με το θεώρημα του Hulten (που πήρε το όνομά του από τον οικονομολόγο Charles Hulten), οι συνολικές επιπτώσεις της “συνολικής παραγωγικότητας των συντελεστών” (TFP) είναι απλώς το γινόμενο του μεριδίου των εργασιών που αυτοματοποιούνται επί τη μέση μείωση κόστους.
Αν και η μέση μείωση του κόστους είναι δύσκολο να εκτιμηθεί και θα ποικίλλει ανάλογα με τη δραστηριότητα, έχουν ήδη διεξαχθεί ορισμένες προσεκτικές μελέτες σχετικά με τις επιπτώσεις της τεχνητής νοημοσύνης σε ορισμένες εργασίες. Για παράδειγμα, οι Shakked Noy και Whitney Zhang εξέτασαν τον αντίκτυπο του ChatGPT σε απλές γραπτές εργασίες (όπως η περίληψη εγγράφων ή η συγγραφή συνηθισμένων προτάσεων επιχορήγησης ή υλικού μάρκετινγκ), ενώ οι Erik Brynjolfsson, Danielle Li και Lindsey Raymond αξιολόγησαν τη χρήση των βοηθών ΤΝ στην εξυπηρέτηση πελατών. Συνολικά, η έρευνα αυτή υποδεικνύει ότι τα διαθέσιμα επί του παρόντος εργαλεία δημιουργικής τεχνητής νοημοσύνης αποφέρουν μέση μείωση του κόστους εργασίας κατά 27% και συνολική μείωση του κόστους κατά 14,4%.
Τι γίνεται με το μερίδιο των καθηκόντων που θα επηρεαστούν από την ΤΝ και τις συναφείς τεχνολογίες; Χρησιμοποιώντας αριθμούς από πρόσφατες μελέτες, εκτιμώ ότι το ποσοστό αυτό είναι περίπου 4,6%, γεγονός που σημαίνει ότι η ΤΝ θα αυξήσει το TFP μόνο κατά 0,66% σε διάστημα δέκα ετών ή κατά 0,06% ετησίως. Φυσικά, δεδομένου ότι η ΤΝ θα οδηγήσει επίσης σε μια έκρηξη των επενδύσεων, η αύξηση του ΑΕΠ θα μπορούσε να είναι λίγο μεγαλύτερη, ίσως στην περιοχή του 1-1,5%.
Τα στοιχεία αυτά είναι πολύ μικρότερα από εκείνα της Goldman Sachs και της McKinsey. Αν θέλετε να φτάσετε σε αυτούς τους μεγαλύτερους αριθμούς, πρέπει είτε να ενισχύσετε τα κέρδη παραγωγικότητας σε μικροεπίπεδο είτε να υποθέσετε ότι θα επηρεαστούν πολύ περισσότερες εργασίες στην οικονομία. Αλλά κανένα από τα δύο σενάρια δεν φαίνεται εύλογο. Η μείωση του κόστους εργασίας κατά πολύ πάνω από το 27% όχι μόνο ξεφεύγει από το εύρος που προσφέρουν οι υπάρχουσες μελέτες, αλλά δεν ευθυγραμμίζεται επίσης με τα παρατηρούμενα αποτελέσματα άλλων, ακόμη πιο υποσχόμενων τεχνολογιών. Για παράδειγμα, τα βιομηχανικά ρομπότ έχουν μεταμορφώσει ορισμένους τομείς της μεταποίησης και φαίνεται ότι έχουν μειώσει το κόστος εργασίας κατά 30% περίπου.
Ομοίως, είναι απίθανο να δούμε να αναλαμβάνεται πολύ περισσότερο από το 4,6% των καθηκόντων, επειδή η τεχνητή νοημοσύνη δεν είναι καν κοντά στο να είναι σε θέση να εκτελέσει τα περισσότερα χειρωνακτικά ή κοινωνικά καθήκοντα (συμπεριλαμβανομένων φαινομενικά απλών λειτουργιών με κάποιες κοινωνικές πτυχές, όπως η λογιστική). Από το 2019, μια έρευνα σε όλες ουσιαστικά τις αμερικανικές επιχειρήσεις διαπίστωσε ότι μόνο περίπου το 1,5% από αυτές είχε επενδύσει σε τεχνητή νοημοσύνη. Ακόμη και αν οι επενδύσεις αυτές έχουν αυξηθεί τον τελευταίο ενάμιση χρόνο, έχουμε πολύ, πολύ δρόμο μπροστά μας μέχρι να γίνει η τεχνητή νοημοσύνη ευρέως διαδεδομένη.
Φυσικά, η ΤΝ θα μπορούσε να έχει μεγαλύτερες επιπτώσεις από αυτές που επιτρέπει η ανάλυσή μου, αν φέρει επανάσταση στη διαδικασία της επιστημονικής ανακάλυψης ή αν δημιουργήσει πολλές νέες εργασίες και προϊόντα. Οι πρόσφατες ανακαλύψεις νέων κρυσταλλικών δομών και οι πρόοδοι στην αναδίπλωση των πρωτεϊνών με τη βοήθεια της τεχνητής νοημοσύνης υποδηλώνουν τέτοιες δυνατότητες. Αλλά αυτές οι ανακαλύψεις είναι απίθανο να αποτελέσουν σημαντική πηγή οικονομικής ανάπτυξης μέσα στα επόμενα δέκα χρόνια. Ακόμα και αν οι νέες ανακαλύψεις θα μπορούσαν να δοκιμαστούν και να μετατραπούν σε πραγματικά προϊόντα πολύ πιο γρήγορα, η βιομηχανία τεχνολογίας επικεντρώνεται σήμερα υπερβολικά στην αυτοματοποίηση και την εμπορευματοποίηση των δεδομένων, παρά στην εισαγωγή νέων παραγωγικών καθηκόντων για τους εργαζόμενους.
Επιπλέον, οι δικές μου εκτιμήσεις μπορεί να είναι υπερβολικές. Η πρώιμη υιοθέτηση της δημιουργικής ΤΝ έχει φυσικά συμβεί εκεί όπου αποδίδει αρκετά καλά, δηλαδή σε εργασίες για τις οποίες υπάρχουν αντικειμενικά μέτρα επιτυχίας, όπως η συγγραφή απλών υπορουτίνων προγραμματισμού ή η επαλήθευση πληροφοριών. Εδώ, το μοντέλο μπορεί να μάθει με βάση εξωτερικές πληροφορίες και άμεσα διαθέσιμα ιστορικά δεδομένα. Πολλές όμως από το 4,6% των εργασιών που θα μπορούσαν να αυτοματοποιηθούν εντός δέκα ετών – αξιολόγηση εφαρμογών, διάγνωση προβλημάτων υγείας, παροχή οικονομικών συμβουλών – δεν έχουν τόσο σαφώς καθορισμένα αντικειμενικά μέτρα επιτυχίας και συχνά περιλαμβάνουν πολύπλοκες μεταβλητές που εξαρτώνται από το πλαίσιο (αυτό που είναι καλό για έναν ασθενή δεν θα είναι σωστό για έναν άλλο). Σε αυτές τις περιπτώσεις, η εκμάθηση από εξωτερική παρατήρηση είναι πολύ πιο δύσκολη και τα παραγωγικά μοντέλα τεχνητής νοημοσύνης πρέπει αντ’ αυτού να βασίζονται στη συμπεριφορά των υφιστάμενων εργαζομένων. Υπό αυτές τις συνθήκες, θα υπάρχουν λιγότερα περιθώρια για σημαντικές βελτιώσεις σε σχέση με την ανθρώπινη εργασία. Έτσι, εκτιμώ ότι περίπου το ένα τέταρτο των εργασιών του 4,6% ανήκουν στην κατηγορία “δυσκολότερα προς εκμάθηση” και θα έχουν μικρότερα κέρδη παραγωγικότητας. Μόλις γίνει αυτή η προσαρμογή, το ποσοστό αύξησης της TFP κατά 0,66% μειώνεται σε περίπου 0,53%. Τι γίνεται με τις επιπτώσεις στους εργαζόμενους, τους μισθούς και την ανισότητα; Τα καλά νέα είναι ότι, σε σύγκριση με τα προηγούμενα κύματα αυτοματοποίησης – όπως αυτά που βασίζονται σε ρομπότ ή συστήματα λογισμικού – οι επιπτώσεις της Τεχνητής Νοημοσύνης μπορεί να είναι πιο ευρέως κατανεμημένες σε όλες τις δημογραφικές ομάδες. Αν είναι έτσι, δεν θα έχει τόσο εκτεταμένες επιπτώσεις στην ανισότητα όσο οι προηγούμενες τεχνολογίες αυτοματοποίησης (εκτίμησα αυτές τις επιπτώσεις σε προηγούμενη εργασία μου με τον Pascual Restrepo). Ωστόσο, δεν βρίσκω ενδείξεις ότι η Τεχνητή Νοημοσύνη θα μειώσει την ανισότητα ή θα ενισχύσει την αύξηση των μισθών. Ορισμένες ομάδες -ιδίως οι λευκές, γηγενείς γυναίκες- είναι σημαντικά πιο εκτεθειμένες και θα επηρεαστούν αρνητικά, ενώ το κεφάλαιο θα κερδίσει περισσότερο από την εργασία συνολικά. Η οικονομική θεωρία και τα διαθέσιμα δεδομένα συνηγορούν σε μια πιο μετριοπαθή, ρεαλιστική προοπτική για την ΤΝ. Δεν υπάρχουν πολλά στοιχεία που να υποστηρίζουν το επιχείρημα ότι δεν χρειάζεται να ανησυχούμε για ρυθμίσεις, επειδή η τεχνητή νοημοσύνη θα είναι η παροιμιώδης πλημμυρίδα που ανεβάζει όλες τις βάρκες. Η τεχνητή νοημοσύνη είναι αυτό που οι οικονομολόγοι αποκαλούν τεχνολογία γενικού σκοπού. Μπορούμε να κάνουμε πολλά πράγματα με αυτήν, και σίγουρα υπάρχουν καλύτερα πράγματα να κάνουμε από το να αυτοματοποιήσουμε την εργασία και να ενισχύσουμε την κερδοφορία της ψηφιακής διαφήμισης. Αλλά αν αγκαλιάσουμε άκριτα την τεχνο-αισιοδοξία ή αν αφήσουμε την τεχνολογική βιομηχανία να ορίσει την ατζέντα, μεγάλο μέρος των δυνατοτήτων θα μπορούσε να σπαταληθεί.
Ο Daron Acemoglu, είναι Καθηγητής Οικονομικών στο MIT
