Sparčiai plintant dirbtiniam intelektui (DI), jo poveikis produktyvumui ir darbo rinkai sulaukė dėmesio. Buvo atlikta daug tyrimų apie pramoninių robotų poveikį produktyvumui (pvz., Graetz ir Michaels 2018, Kromann ir kt. 2020, Cette ir kt. 2021, Dauth ir kt., 2021), nes yra Tarptautinė robotų federacija (IFR). duomenys apie robotų naudojimą pagal šalis ir pramonės šakas. Tačiau kiekybinis dirbtinio intelekto poveikis produktyvumui dar nėra gerai suprantamas, daugiausia dėl to, kad trūksta statistinių duomenų apie AI naudojimą.
Pastaruoju metu keliuose tyrimuose buvo pranešta apie atsitiktinių imčių eksperimentų, atliktų atliekant konkrečias užduotis, išvadas, kai dirbtinis intelektas turi didelį teigiamą poveikį produktyvumui (pvz., Brynjolfsson ir kt., 2023, Kanazawa ir kt., 2022, Noy ir Zhang 2023, Peng ir kt., 2023). Šie tyrimai yra vertingas indėlis, atskleidžiantis priežastinį AI poveikį produktyvumui, tačiau iš šių rezultatų neįmanoma daryti išvados apie makroekonominį poveikį, nes tyrimai apima tik labai siaurai apibrėžtas klientų aptarnavimo, vairavimo taksi, rašymo užduotis ir programinės įrangos programavimą užduotis.
Acemoglu (2024) įvertina vidutinės trukmės AI poveikį produktyvumui JAV kaip AI paveiktų užduočių procentą, padaugintą iš sutaupytų užduočių lygmens sąnaudų, remiantis šiais esamais užduočių lygio tyrimais. Remiantis jo tyrimu, dirbtinio intelekto makroekonominis poveikis yra nereikšmingas, bet nedidelis, o suminis viso faktoriaus produktyvumo (TFP) padidėjimas yra mažesnis nei 0,7%. Tačiau jis pažymėjo, kad yra didžiulis netikrumas dėl to, kurios užduotys bus automatizuotos ir kokios bus sutaupytos išlaidos. Visai neseniai Filippucci ir kt. (2024) įvertino bendrą produktyvumo padidėjimą dėl AI, darydami prielaidą, kad dirbtinis intelektas sutaupys 30 % sąnaudų, ir teigia, kad AI gali prisidėti prie metinio TFP augimo JAV per ateinantį dešimtmetį 0,25–0,6 % punkto.
Atsižvelgdamas į tai, pateikiu AI naudojimo apžvalgą ir įvertinu jo poveikį makroekonominiam produktyvumui Japonijoje, naudodamasis pradinių tyrimų duomenimis (išsamiau žr. Morikawa 2024a, 2024b).
Tyrimo dizainas
2023 m. rugsėjo mėn. ir 2024 m. spalio mėn. atlikau apklausas, kuriose buvo skirti 20 metų ir vyresni Japonijos darbuotojai, atrinkti kaip Japonijos darbo jėgos atstovai. 2023 metų apklausoje dalyvavo 13 150 respondentų. Tolesnė apklausa 2024 metais buvo išsiųsta tiems, kurie atsakė į 2023 metų apklausą, atsakė 8633. Analizėje naudojami 8 269 šių respondentų duomenys, neįskaitant nedirbančių 2024 m. apklausos duomenimis.
Pagrindiniai tyrimo punktai yra (1) AI (įskaitant generatyvųjį DI) naudojimas darbe, (2) užduočių, atliekamų naudojant DI, procentas ir (3) AI naudojimo poveikis darbo efektyvumui. Antrasis ir trečiasis klausimai užduodami tik tiems, kurie atsakė, kad naudoja dirbtinį intelektą darbe. Apklausa taip pat renka informaciją apie respondentų lytį, amžių, išsilavinimą, pramonės šaką, profesiją, užimtumo tipą, savaitės darbo valandas ir metinį darbo užmokestį.
Remiantis atsakymais į šiuos klausimus, procentas darbuotojų, kurie naudoja dirbtinį intelektą savo darbui (AI_Vartotojas), užduočių naudojant AI procentas (AI_Taskshare), ir efektyvumo padidėjimas (AI_Efficiency) yra lentelėse. DI poveikis darbuotojo lygio produktyvumui (AI_Produktyvumas) skaičiuojamas dirbtinio intelekto naudotojams kaip AI_Taskshare*AI_Efficiency. Pavyzdžiui, jei darbuotojas naudoja dirbtinį intelektą 30% savo užduočių, o AI efektyvumo efektas yra 20%, bendras jo darbo našumas yra 6% didesnis nei tada, kai jis nenaudojo dirbtinio intelekto. . Norėdami apskaičiuoti AI poveikį makroekonominiam produktyvumui, AI_Produktyvumas yra apibendrintas naudojant metinį uždarbį kaip svorį, kuris padalytas iš bendro metinio uždarbio, įskaitant tuos, kurie nenaudoja dirbtinio intelekto.
Nors čia taikomas metodas yra labai paprastas ir priklauso nuo subjektyvaus darbuotojų vertinimo, kai matavimo paklaidos yra neišvengiamos, šis metodas turi pranašumą, nes išvengia endogeniškumo problemų, kylančių dėl selektyvaus dirbtinio intelekto naudojimo, nes apklausoje AI vartotojų klausiama apie efektyvumo padidėjimą, palyginti su situacija, kai AI nenaudojamas.
AI poveikis produktyvumui
Skaičius AI_Vartotojas 2024 metų rudenį buvo 8,3 proc. 2023 m. apklausoje atitinkamas skaičius buvo 5,8 % (5,3 %, kai imtį riboja grupės respondentai, kurie taip pat atsakė į 2024 m. apklausą), o tai rodo, kad dirbtinį intelektą naudojančių darbuotojų skaičius per pastaruosius metus išaugo apie 1,5 karto.
Procentas užduočių, kuriose naudojamas AI (AI_Taskshare) tarp AI_User vidutinė vertė yra 15,1%. Kitaip tariant, net kai dirbtinis intelektas naudojamas darbui, užduočių, kuriose AI nenaudojama, procentas vidutiniškai yra daugiau nei 80%. Vidutinė AI naudojimo darbo efektyvumui vertė (AI_Efficiency) yra 25,9 %, o AI_Productivity vidurkis yra 5,6 %, o tai reiškia, kad bendras darbuotojų, naudojančių dirbtinį intelektą savo darbui, produktyvumas yra 5,6 % didesnis nei be AI.
Makroekonominis poveikis produktyvumui, apskaičiuotas pagal svorį AI_Produktyvumas pagal metinį uždarbį ir vardikliu naudojant visų respondentų bendrą metinį uždarbį yra +0,58% (žr. 1 pav.). Todėl šiuo metu mūsų pageidaujamas įvertinimas yra 0,5–0,6 % padidinti darbo našumą makro lygiu, palyginti su atveju be AI. Poveikis bendrajam faktoriniam produktyvumui (TFP) yra apie 0,3%, jei darbo našumas perskaičiuojamas į TFP, naudojant Acemoglu (2024) naudojamą darbo dalį (0,535).
1 pav Makroekonominis dirbtinio intelekto poveikis darbo našumui
Galimas poveikis ateityje
Respondentų, atsakiusių, kad „šiuo metu nenaudoju dirbtinio intelekto darbe, bet manau, kad naudosiu ateityje“, yra apie 28 proc., o tai rodo, kad dirbtinio intelekto naudojimas darbui ir toliau didės, o makroekonominis poveikis Tikėtina, kad AI ateityje didės. Darant prielaidą, kad AI_Taskshare ir AI_Efficiency yra tokie patys kaip ir dabartinių dirbtinio intelekto naudotojų, makroekonominis poveikis darbo našumui būtų maždaug keturis kartus didesnis: maždaug 2 % didesnis nei be DI. Poveikis bendram darbo veiksnių produktyvumui, atsižvelgiant į darbo dalį, yra apie 1,1%.
Tačiau papildomas produktyvumo padidėjimas gali palaipsniui mažėti. Kadangi 2024 m. apklausa atliekama 2023 m. apklausos respondentams, dirbtinio intelekto naudotojus galima suskirstyti į tuos, kurie per pastaruosius metus pradėjo naudoti DI, iš tų, kurie jau naudojosi DI 2023 m. 2 pav. apibendrintas šių dviejų kategorijų palyginimas. AI vartotojų. Abu AI_Taskshare ir AI_Efficiency yra žymiai mažesni tiems, kurie naujai pradėjo naudoti AI, nei tiems, kurie nuolat naudojosi DI. Dėl to labai skiriasi AI naudojimo poveikis bendram darbo našumui: priemonės AI_Produktyvumas nuolatinių dirbtinio intelekto naudotojų ir naujų AI vartotojų yra atitinkamai 7,8% ir 4,4%. Šis rezultatas rodo, kad dirbtinio intelekto sklaida prasidėjo nuo darbų, kuriems AI diegimo poveikis yra didelis, ir palaipsniui išplito į darbus, kuriems jo poveikis yra mažas. Jei šios tendencijos tęsis, papildomas DI indėlis į makroekonominį produktyvumą gali palaipsniui mažėti, nes didėja AI vartotojų skaičius.
2 pav Naujų AI vartotojų ir nuolatinių AI vartotojų palyginimas
Pastabos: juostos rodo 95 % pasikliautinuosius intervalus. Skaičiai juostose yra priemonės. Nauji AI vartotojai yra tie, kurie praėjusiais metais pradėjo naudoti AI darbe.
AI poveikis darbo rinkos nelygybei
Skaičiavimo rezultatai, suskirstyti pagal išsilavinimą ir metinį uždarbį, pateikti 1 lentelėje. Aukštą išsilavinimą turintys ir aukštą atlyginimą gaunantys darbuotojai dažniausiai naudoja dirbtinį intelektą darbe. Kita vertus, skirtumai tarp AI_Taskshare ir AI_Efficiency Darbuotojo savybės yra ribotos. Kitaip tariant, nors mažiau išsilavinę ir žemą darbo užmokestį gaunantys darbuotojai žymiai rečiau naudoja dirbtinį intelektą savo darbe, produktyvumo poveikis nėra labai skirtingas (arba šiek tiek didesnis), kai jie naudoja dirbtinį intelektą darbui.
Anksčiau parodytame 1 paveiksle taip pat parodytas poveikis našumui visuminiu lygmeniu pagal darbuotojų išsilavinimo ir metinio darbo užmokesčio kategorijas. Poveikis produktyvumui yra didesnis aukšto išsilavinimo ir didelį atlyginimą gaunančių darbuotojų kategorijoms, daugiausia dėl didesnio dirbtinio intelekto pritaikymo lygio (didelė marža). Minėti naujausi konkrečių užduočių tyrimai parodė, kad dirbtinio intelekto poveikis produktyvumui yra didesnis santykinai mažiau kvalifikuotiems darbuotojams, atliekantiems tą pačią užduotį. Tačiau mano tyrimo išvados rodo, kad AI sklaida gali padidinti bendrą darbo rinkos nelygybę, bent jau artimiausioje ateityje.
1 lentelė AI naudojimas ir jo poveikis švietimui ir metinėms pajamoms
Autoriaus pastaba: Pagrindinis tyrimas, kuriuo grindžiama ši skiltis (Morikawa 2024b), pirmą kartą pasirodė Japonijos ekonomikos, prekybos ir pramonės tyrimų instituto (RIETI) diskusijų dokumente.
Nuorodos
Acemoglu, D (2024), „Paprasta AI makroekonomika“, NBER darbo dokumentas 32487.
Albanesi, S, AD da Silva, JF Jimeno, A Lamo ir A Wabitsch (2023), „Dirbtinis intelektas ir darbai: įrodymai iš Europos“, VoxEU.org, liepos 29 d.
Brynjolfsson, E, D Li ir LR Raymond (2023), „Generatyvus dirbtinis intelektas darbe“, NBER darbo dokumentas 31161.
Cette, G, A Devillard ir V Spiezia (2021), „Robotų indėlis į produktyvumo augimą 30 EBPO šalių 1975–2019 m.“, Ekonomikos laiškai 200: 109762.
Dauth, W, S Findeisen, J Suedekum ir N Woessner (2021), „Darbo rinkų pritaikymas robotams“, Europos ekonominės asociacijos žurnalas 19(6): 3104–3153.
Filippucci, F, P Gal ir M Schief (2024), „Stebuklas arba mitas: dirbtinio intelekto makroekonominio produktyvumo padidėjimo vertinimas“, VoxEU.org, gruodžio 8 d.
Graetzas, G ir G Michaelsas (2018), „Robotai darbe“, Ekonomikos apžvalga ir Statistika 100 (5): 753–768.
Hui, X, O Reshef ir L Zhou (2023), „Dirbtinis intelektas ir jo trumpalaikis poveikis užimtumui“, VoxEU.org, gruodžio 1 d.
Kanazawa, K, D Kawaguchi, H Shigeoka ir Y Watanabe (2022), „AI, įgūdžiai ir produktyvumas: taksi vairuotojų atvejis“, NBER darbo dokumentas 30612.
Kromann, L, N Malchow-Møller, JR Skaksen ir A Sørensen (2020), „Automatizavimas ir produktyvumas: įvairių šalių, įvairių pramonės šakų palyginimas“, Pramonės ir įmonių pokyčiai 29(2): 265–287.
Morikawa, M (2024a), „Dirbtinio intelekto ir produktyvumo naudojimas: įmonių ir darbuotojų apklausų įrodymai“, RIETI diskusijų dokumentas, 24-E-074.
Morikawa, M (2024b), „Makroekonominis dirbtinio intelekto poveikis produktyvumui: apklausos įvertinimas“, RIETI diskusijų dokumentas, 24-E-084.
Noy, S ir W Zhang (2023), „Eksperimentiniai įrodymai apie generatyvaus dirbtinio intelekto produktyvumą“, Mokslas 381: 187–192.
Peng, S, E Kalliamvakou, P Cihon ir M Demirer (2023), „AI poveikis kūrėjų produktyvumui: „GitHub Copilot“ įrodymai“, arXiv.2302.06590.