Creșterea economică în era inteligenței artificiale
Marile transformări economice ale istoriei au fost legate de capacitatea oamenilor de a transforma cunoașterea în tehnologie și tehnologia în productivitate. Motorul cu aburi, electricitatea, producția de masă, semiconductorii și internetul nu au fost doar invenții spectaculoase, ci au modificat modul în care producem, muncim și comunicăm. Astăzi, inteligența artificială, robotizarea, calculul cuantic, volumele uriașe de date și digitalizarea economiei conturează o nouă etapă de dezvoltare.
În spatele acestei lumi sofisticate se află un principiu simplu: informația poate fi reprezentată, procesată și transmisă digital prin combinații de 0 și 1. Se conturează astfel o economie binară, în care o parte tot mai mare a valorii provine nu din materia fizică sau forța de muncă, ci din informație, algoritmi, proprietate intelectuală și tehnologie încorporate în produs.
Un moment important pentru dezvoltarea recentă a inteligenței artificiale a fost publicarea lucrării Attention Is All You Need, în care Vaswani et al. (2017) propun arhitectura Transformer, bazată pe mecanismul de self-attention. Aceasta permite identificarea relațiilor dintre elementele informației procesate fără prelucrare strict secvențială, ceea ce asigură o paralelizare eficientă a calculelor și utilizarea unor volume mai mari de date la antrenare.
Inițial dezvoltată pentru procesarea limbajului natural, arhitectura Transformer s-a dovedit aplicabilă mult mai larg. Dosovitskiy et al. (2021) extind abordarea la procesarea imaginilor prin Vision Transformer, împărțind imaginea în fragmente de dimensiune fixă transformate în reprezentări vectoriale. Autorii arată că, în condițiile unor seturi mari de date de antrenare, rezultatele pot fi comparabile sau superioare arhitecturilor convoluționale consacrate.
Capacitatea algoritmilor de a procesa text, imagini și alte forme de informație nestructurată extinde numărul activităților cognitive care pot fi asistate sau automatizate. Efectele asupra productivității totale a factorilor, producției și cererii pentru diferite categorii de muncă sunt însă departe de a fi clar conturate.
O perspectivă prudentă este oferită de Acemoglu (2024) în The Simple Macroeconomics of AI. Pe baza unui model bazat pe sarcini, acesta estimează o creștere cumulată a TFP de aproximativ 0,66% pe parcursul a zece ani, respectiv o contribuție suplimentară de circa 0,064 puncte procentuale pe an. Estimarea scade dacă se ține seama că o parte dintre activitățile expuse AI sunt dificil de automatizat. Efectul asupra producției poate fi mai mare decât cel direct asupra TFP, deoarece creșterea productivității determină o reacție a investițiilor și o acumulare suplimentară de capital.
Automatizarea produce efecte importante și asupra pieței muncii. Acemoglu și Restrepo (2019) arată că preluarea de către capital a unor sarcini realizate anterior de muncă generează un displacement effect, cu efect negativ asupra cererii pentru muncă și asupra ponderii veniturilor salariale în valoarea adăugată. În sens opus acționează reinstatement effect, asociat apariției unor noi sarcini în care munca deține un avantaj comparativ. Efectul final depinde de importanța relativă a celor două mecanisme.