AI-ის პროდუქტიულობის პარადოქსი არის სხვაობა იმას შორის, თუ რამდენად გარდამტეხად გვეჩვენება ხელოვნური ინტელექტი, და იმას შორის, თუ რამდენად სუსტად აისახება ეს ცვლილება ოფიციალურ პროდუქტიულობის სტატისტიკაში. კომპანიები აღწერენ, როგორ ცვლის AI კოდის წერას, მომხმარებელთა მომსახურებას, მარკეტინგსა და კვლევას, მაგრამ ეკონომიკის მასშტაბით გაზომილი გამომუშავება ერთ სამუშაო საათზე თითქმის არ შეცვლილა. ეკონომისტებს ამ მოვლენისთვის სახელი აქვთ, რადგან ეს პირველად არ ხდება — იგივე სურათი კომპიუტერების შემოსვლისასაც შეიმჩნეოდა და მისი დაძლევა დაახლოებით თხუთმეტი წელი დასჭირდა.
პარადოქსი, რომელიც ახალი არ არის
1987 წელს ეკონომისტმა რობერტ სოლოუმ — რომელმაც იმავე წელს ეკონომიკურ მეცნიერებებში ნობელის პრემია ეკონომიკური ზრდის შესახებ კვლევისთვის მიიღო — გააკეთა შენიშვნა, რომელიც შემდეგ ცნობილი გახდა: „კომპიუტერების ეპოქა ყველგან ჩანს, გარდა პროდუქტიულობის სტატისტიკისა“. კომპანიები მილიონობით კომპიუტერს ყიდულობდნენ, მაგრამ აშშ-ის პროდუქტიულობის ზრდა 1980-იან წლებში მაინც დაბალი რჩებოდა. ეკონომისტმა ერიკ ბრინიოლფსონმა მოგვიანებით ამ სხვაობას „პროდუქტიულობის პარადოქსი“ უწოდა და აჩვენა, რომ 1970–1980-იან წლებში გამომთვლელი სიმძლავრე დაახლოებით ასჯერ გაიზარდა, სანამ შრომის პროდუქტიულობის ზრდა, პირიქით, შენელდა — 1960-იანების 3%-ზე მეტიდან 1980-იანების დაახლოებით 1%-მდე.
პარადოქსი საბოლოოდ დაიძლია. 1990-იანების მეორე ნახევარში, მას შემდეგ რაც კომპანიებმა სამუშაო პროცესები ხელახლა მოაწყვეს, პერსონალი გადაამზადეს და ბიზნეს-პროცესები კომპიუტერებისა და ქსელების გარშემო გადააწყვეს, აშშ-ის პროდუქტიულობის ზრდა შესამჩნევად დაჩქარდა. ადრინდელი სხვაობა არ ნიშნავდა, რომ კომპიუტერებს მნიშვნელობა არ ჰქონდათ — ის უბრალოდ მიანიშნებდა, რომ ახალი ტექნოლოგიის გაზომვად ეკონომიკურ შედეგად ქცევას გაცილებით მეტი დრო სჭირდება, ვიდრე თავად ტექნოლოგიის შეძენას.
რატომ მეორდება იგივე სურათი AI-სთან დაკავშირებით
ეკონომისტები გენერაციულ AI-ს ხშირად „ზოგადი დანიშნულების ტექნოლოგიად“ მოიხსენიებენ — კატეგორია, რომელშიც ორთქლის მანქანა, ელექტროენერგია და კომპიუტერიც შედის: თითოეულმა მათგანმა არა ერთი პროდუქტი გააუმჯობესა, არამედ მთელი ეკონომიკის მუშაობის წესი შეცვალა. 2017 წელს გამოქვეყნებულ ნაშრომში ბრინიოლფსონმა, ეკონომისტებთან დანიელ როკთან და ჩედ საივერსონთან ერთად, აჩვენა, რომ ზოგადი დანიშნულების ტექნოლოგიები ერთნაირ თავისებურებას ავლენენ: დემონსტრაციაზე შთამბეჭდავად გამოიყურებიან დიდი ხნით ადრე, სანამ ეროვნულ სტატისტიკაში აისახებიან. ავტორებმა ამ სხვაობის ოთხი შესაძლო ახსნა შემოგვთავაზეს: მცდარი მოლოდინები ტექნოლოგიის რეალურ შესაძლებლობებზე, სარგებლის არასწორი გაზომვა, რომელიც მთლიან შიდა პროდუქტში არ აისახება, გადანაწილება (როცა ერთი კომპანიის AI-სგან მიღებული სარგებელი კონკურენტის ხარჯზეა და არა მთელი ეკონომიკის ზრდის შედეგი), და დანერგვის დაგვიანება — დრო, რომელიც ორგანიზაციებს სამუშაო პროცესების გადაწყობისთვის, პერსონალის გადამზადებისთვის და ახალი ინსტრუმენტის გარშემო რესტრუქტურიზაციისთვის სჭირდებათ. ოთხივედან ავტორები დანერგვის დაგვიანებას ყველაზე მნიშვნელოვან ფაქტორად ასახელებენ, რადგან ახალი ტექნოლოგიის ყველაზე ძლიერი გამოყენებები, ჩვეულებრივ, წლების განმავლობაში ვრცელდება ადრეული მიმღებლების ფარგლებს გარეთ.
პროდუქტიულობის J-მრუდი
ბრინიოლფსონმა, როკმა და საივერსონმა მოგვიანებით ეს იდეა ჩამოაყალიბეს, როგორც „პროდუქტიულობის J-მრუდი“ — ნაშრომი გამოქვეყნდა 2021 წელს, ჟურნალ American Economic Journal: Macroeconomics-ში. ზოგადი დანიშნულების ტექნოლოგიის დანერგვა მოითხოვს დიდ ინვესტიციას ისეთ რაღაცეებში, რომლებიც საბალანსო უწყისში არ ჩანს — პროცესების გადაწყობა, პერსონალის გადამზადება, ინსტრუმენტის გარშემო ახალი ბიზნეს-მოდელების შექმნა. სტანდარტული სტატისტიკა ამ ხარჯებს ჩვეულებრივ ხარჯად აღრიცხავს და არა ინვესტიციად, რის გამოც გაზომილი პროდუქტიულობის ზრდა საწყის წლებში ხელოვნურად დაბალი ჩანს, ხოლო მოგვიანებით, როცა ეს „უხილავი“ ინვესტიცია შედეგს გამოიღებს — ხელოვნურად მაღალი. როცა მკვლევრებმა აშშ-ის ოფიციალური მონაცემები ამ გაუთვალისწინებელი უხილავი კაპიტალის გათვალისწინებით გადაასწორეს, აღმოაჩინეს, რომ პროდუქტიულობის დონე სტანდარტულ მაჩვენებლებზე დაახლოებით 16%-ით მაღალი იყო. ისტორიულად, ეს დაგვიანებები საკმაოდ ხანგრძლივი ყოფილა: ელექტროძრავას ქარხნების გამომუშავებაზე შესამჩნევი გავლენის მოსახდენად ორი-სამი ათწლეული დასჭირდა, ხოლო კომპიუტერების ერთობლივი პროდუქტიულობის ეფექტი 1990-იანების შუა პერიოდამდე — მათი ფართო გავრცელების დაწყებიდან დაახლოებით ოცი წლის შემდეგ — ნათლად არ გამოკვეთილა.
რა გადაჭრის ამ პარადოქსს
პარადოქსის არსებობა არ ნიშნავს, რომ AI გაბერილია ან ეკონომიკურად უსარგებლო — ეს ნიშნავს, რომ გაუმჯობესება შესაძლოა რეალურია, თუმცა ამჟამინდელ სტატისტიკაში ძნელად ჩანს. ორი ფაქტორი დაძლევდა ამ სხვაობას: უფრო ფართო გავრცელება, როცა AI-ის გამოყენება ადრეული მიმღები კომპანიებიდან მთელ ეკონომიკაზე გავრცელდება, და უკეთესი გაზომვის მეთოდები, რადგან სტატისტიკურ უწყებებს ისტორიულად უჭირდათ უხილავი კაპიტალისა და ხარისხის გაუმჯობესების აღრიცხვა. ზოგიერთი ეკონომისტი მიიჩნევს, რომ AI შესაძლოა კომპიუტერებზე უფრო სწრაფად გადალახოს საკუთარი პარადოქსი, რადგან პროგრამული განახლებები ფიზიკურ აპარატურაზე უფრო სწრაფად ვრცელდება. სხვები კი აპირირებენ, რომ ენასა და ცოდნაზე დაფუძნებული ამოცანების სტანდარტიზება და გაზომვა უფრო რთულია, ვიდრე საწარმოო და საოფისე ამოცანების, რომლებიც კომპიუტერებმა ჯერ ავტომატიზირეს — რაც დაგვიანებას შესაძლოა კიდევ უფრო გაზრდიდეს კიდეც, ნაცვლად შემცირებისა.
სიახლეებში
ზუსტად ამ კითხვას ცდილობს პასუხის გაცემა ამერიკის ფედერალური სარეზერვო სისტემა. მან ინვესტორ მარკ ანდრისენის ხელმძღვანელობით შექმნა სამუშაო ჯგუფი, რომელიც შეისწავლის, როგორ ცვლის AI პროდუქტიულობასა და დასაქმებას, სანამ ეს ეფექტები მონეტარულ პოლიტიკაში გაითვალისწინებს — ნიშანი იმისა, რომ სოლოუს შენიშვნიდან ათწლეულების შემდეგაც, ზოგადი დანიშნულების ტექნოლოგიის ეკონომიკური სარგებლის რეალურ დროში წაკითხვა კვლავ რთულია.
ხშირად დასმული კითხვები
ნიშნავს თუ არა AI-ის პროდუქტიულობის პარადოქსი, რომ AI არ მუშაობს?
არა. ეს აღწერს გაზომვისა და დროის პრობლემას და არა AI-ის სარგებლიანობის შეფასებას. იგივე სტატისტიკამ წლების განმავლობაში ვერ დაინახა კომპიუტერების პროდუქტიულობაზე გავლენა, სანამ ეს გავლენა საბოლოოდ არ გამოჩნდებოდა.
რამდენი დრო დასჭირდა კომპიუტერების ეპოქის პროდუქტიულობის პარადოქსის დაძლევას?
დაახლოებით თხუთმეტი წელი. სოლოუმ თავისი შენიშვნა 1987 წელს გააკეთა; აშშ-ის პროდუქტიულობის ზრდა შესამჩნევად დაჩქარდა 1990-იანების შუა პერიოდიდან, მას შემდეგ რაც კომპანიებმა საინფორმაციო ტექნოლოგიების გარშემო თავიანთი მუშაობა ხელახლა მოაწყვეს.
ვინ შემოიღო ტერმინი „პროდუქტიულობის პარადოქსი“?
ეკონომისტმა ერიკ ბრინიოლფსონმა ეს ტერმინი 1993 წელს შემოიღო, რობერტ სოლოუს 1987 წლის შენიშვნაზე დაყრდნობით.
რა არის „პროდუქტიულობის J-მრუდი“?
ეკონომისტების ერიკ ბრინიოლფსონის, დანიელ როკისა და ჩედ საივერსონის მიერ შემუშავებული მოდელი, რომელიც აღწერს, თუ როგორ ამცირებს ახალი ზოგადი დანიშნულების ტექნოლოგიის გარშემო რესტრუქტურიზაციაში ჩადებული, ძნელად გასაზომი ინვესტიცია გაზომილ პროდუქტიულობას საწყის ეტაპზე, და შემდეგ, ამ ინვესტიციის შედეგის მოტანისთანავე, კვლავ ზრდის მას.
წყაროები: რობერტ სოლოუს 1987 წლის შენიშვნისა და მისი კონტექსტის შესახებ იხილეთ Brookings; AI-სთან დაკავშირებული ანალიზი ეყრდნობა ბრინიოლფსონის, როკისა და საივერსონის NBER-ის სამუშაო ნაშრომს „Artificial Intelligence and the Modern Productivity Paradox“ (2017) და მათივე ნაშრომს „The Productivity J-Curve: How Intangibles Complement General Purpose Technologies“, American Economic Journal: Macroeconomics (2021).