Jak Zmierzyć AI? Dlaczego PKB Nie Widzi Prawdziwej Rewolucji

Sztuczna inteligencja obiecuje rewolucję na skalę silnika parowego i internetu, z potencjałem do radykalnego przyspieszenia wzrostu gospodarczego. Istnieje jednak fundamentalny problem: nasz ekonomiczny system pomiarowy, z produktem krajowym brutto (PKB) na czele, jest jak barometr próbujący zmierzyć prędkość światła. Został on zaprojektowany w innej epoce i coraz gorzej radzi sobie z uchwyceniem wartości generowanej przez technologie cyfrowe. Transformacyjna AI nie tylko uwypukla te niedoskonałości – ona je potęguje do granic absurdu.

Możemy wchodzić w erę bezprecedensowego postępu i wzrostu dobrobytu, którego nie zobaczymy w oficjalnych statystykach. To nie jest tylko akademicka zagwozdka. To problem o ogromnych konsekwencjach dla polityki gospodarczej, decyzji inwestycyjnych i naszego zrozumienia, czy jako społeczeństwo faktycznie idziemy do przodu.

Niewidzialna fabryka wartości: problem „darmowych” usług

Najbardziej oczywistym wyzwaniem jest masowa dostępność potężnych narzędzi AI bez opłat. Badania pokazują, że zaledwie znikomy odsetek, około 3% z setek milionów użytkowników popularnych modeli językowych, korzysta z płatnych subskrypcji. Pozostałe 97% generuje ogromną wartość dla siebie – pisząc e-maile, planując podróże, ucząc się – która nie jest rejestrowana w żadnej transakcji rynkowej. Ten problem nie jest nowy, znamy go z ery darmowych wyszukiwarek i mediów społecznościowych. Jednak skala i głębia wartości tworzonej przez generatywną AI sprawiają, że dziura w naszych statystykach z małego pęknięcia zamienia się w przepaść.

Metamorfoza, której nie widać: gdy zmienia się proces, a nie produkt

Oficjalne statystyki, takie jak tablice przepływów międzygałęziowych, doskonale pokazują, ile węgla kupiła fabryka i ile stali wyprodukowała. Gorzej radzą sobie ze zmianami w samym procesie produkcji. Firma farmaceutyczna, która do analizy danych wykorzystuje usługi księgowe wspierane przez AI, wciąż kupuje „usługi księgowe”. Dla statystyki nic się nie zmieniło. W rzeczywistości cały jej model działania uległ transformacji. To analogia do rewolucji przemysłowej: wprowadzenie silników parowych zrewolucjonizowało fabryki, ale statystyki z tamtej epoki (gdyby istniały) pokazałyby jedynie wzrost zużycia węgla i produkcji bawełny, nie oddając istoty zmiany. Nasze obecne narzędzia mierzą „co”, ale gubią rewolucyjne „jak”.

Ruchomy cel: jak zmierzyć coś, co staje się lepsze z każdą sekundą?

Jednym z największych wyzwań jest gwałtowna poprawa jakości usług AI. Modele językowe stają się lepsze z miesiąca na miesiąc, co widać na przykładzie ich rosnącej skuteczności w rozwiązywaniu złożonych problemów matematycznych. Tradycyjne wskaźniki cenowe, używane do obliczania realnego PKB, zakładają stałą jakość produktu. W świecie AI subskrypcja kosztująca 20 dolarów miesięcznie daje dziś dostęp do narzędzia o nieporównywalnie większych możliwościach niż rok temu. Nasze statystyki błędnie interpretują stałą cenę jako brak inflacji, systematycznie nie doszacowując realnego wzrostu produkcji i produktywności.

Globalny silnik, lokalne rachunki: wyzwanie pomiaru wkładu AI

Transformacja AI komplikuje pomiar na każdym etapie łańcucha wartości, od zasobów potrzebnych do jej stworzenia po jej ostateczny wpływ.

Energia i dane bez granic

Infrastruktura AI, zwłaszcza centra danych, jest rozproszona globalnie i zużywa gigantyczne ilości energii. Prognozy mówią o rocznym wzroście zapotrzebowania na energię przez amerykańskie centra danych na poziomie od 7% do nawet 18%. Wartość ekonomiczna usługi AI jest tworzona w jednym kraju (np. w Polsce), ale koszt środowiskowy (emisje CO2, zużycie wody do chłodzenia) jest ponoszony w innym (np. w Irlandii, gdzie zlokalizowane są serwery). Krajowe rachunki narodowe nie są w stanie uchwycić tej transgranicznej rzeczywistości.

Nowi pracownicy, stare etaty

Oficjalne klasyfikacje zawodów nie nadążają za zmianami. Specjaliści od AI łączą kompetencje z inżynierii oprogramowania, statystyki i wiedzy domenowej, co sprawia, że trudno ich przypisać do tradycyjnych kategorii. Próby mierzenia kapitału ludzkiego w AI za pomocą analizy ogłoszeń o pracę są obiecujące, ale niewystarczające. Potrzebujemy bardziej szczegółowych badań ankietowych dotyczących faktycznie wykonywanych zadań, a nie tylko nazw stanowisk.

Cyrkularna wycena danych

Dane są kluczowym surowcem dla AI, a nowe standardy rachunkowości narodowej zalecają traktowanie ich jako aktywa. Problem polega na tym, jak je wycenić. Standardowe podejście oparte na koszcie wytworzenia jest wadliwe, ponieważ sama AI drastycznie obniża koszt przetwarzania danych. Co więcej, wpadamy w pułapkę cyrkularności: wartość danych zależy od jakości modelu AI, który je przetwarza, a jakość modelu zależy od wartości danych, na których był trenowany.

Paradoks efektywności: gdy postęp wygląda jak recesja

To jeden z najbardziej kontrintuicyjnych skutków AI. Sztuczna inteligencja może eliminować całe kategorie nieefektywnych, ale mierzalnych ekonomicznie aktywności. Jeśli pacjent zamiast wizyty w klinice (która generuje przychód i wlicza się do PKB) skorzysta z darmowego chatbota do wstępnej diagnozy, zmierzony PKB spadnie, mimo że rezultat zdrowotny jest taki sam lub lepszy, a pacjent oszczędził czas i pieniądze. Podobnie kancelaria prawna, która używa AI do tworzenia umów w minuty zamiast w godziny, może notować niższe przychody. To zjawisko, znane jako „oszczędzająca produkt techniczna zmiana”, sprawia, że poprawa dobrobytu może w statystykach wyglądać jak spowolnienie gospodarcze.

Najcenniejsza waluta: odzyskany czas

Ostatecznie, jedną z największych, a zarazem najtrudniejszych do zmierzenia korzyści z AI, jest oszczędność czasu. Technologia ta ma potencjał, by zrobić dla pracy umysłowej to, co pralka zrobiła dla prac domowych – uwolnić miliony godzin ludzkiego wysiłku od rutynowych, powtarzalnych zadań. Ten wzrost czasu wolnego lub czasu, który można przeznaczyć na bardziej kreatywne działania, jest gigantycznym skokiem dobrobytu, który jest całkowicie niewidoczny dla PKB. Aby go uchwycić, potrzebujemy nowych narzędzi, takich jak zintegrowane z rachunkami narodowymi badania wykorzystania czasu czy analiza anonimowych danych cyfrowych (np. geolokalizacyjnych).

FAQ – Najczęściej zadawane pytania

1. Dlaczego darmowe użycie AI nie jest wliczane do PKB?
   PKB z definicji mierzy wartość rynkową dóbr i usług, czyli tych, za które płacimy. Korzyści, jakie czerpiemy z darmowych usług (tzw. nadwyżka konsumenta), nie są częścią tej miary, co prowadzi do niedoszacowania realnego dobrobytu.

2. Czy to oznacza, że statystyki o produktywności kłamią?
   Nie kłamią, ale mogą pokazywać niepełny obraz. Jeśli firma dzięki AI produkuje tę samą wartość przy mniejszym nakładzie pracy, jej produktywność rośnie. Problem pojawia się, gdy AI generuje nową, niemierzalną wartość (np. lepsza jakość, oszczędność czasu klienta), której statystyki nie uwzględniają.

3. Jak można wycenić coś, czego koszt produkcji jest bliski zera, jak np. piosenka stworzona przez AI?
   To fundamentalne wyzwanie. Metody oparte na koszcie zawodzą. Metody rynkowe są trudne, bo jak zdefiniować jednostkę (długość piosenki, jej złożoność?) i jak porównać ją do utworu ludzkiego artysty? Wymaga to opracowania zupełnie nowych ram wyceny dóbr cyfrowych.

4. Co jest największym pojedynczym wyzwaniem dla ekonomistów badających AI?
   Jest nim prawdopodobnie pomiar zmian jakości. AI nie tylko robi rzeczy taniej, ale robi je inaczej i często lepiej. Uchwycenie tej poprawy jakości w twardych liczbach, potrzebnych do obliczenia realnego wzrostu, jest niezwykle trudne, gdy produktem jest niematerialna usługa, która ciągle ewoluuje.

5. Czy kiedykolwiek będziemy w stanie dokładnie zmierzyć wpływ AI?
   Prawdopodobnie nie za pomocą jednego wskaźnika, jakim jest PKB. Przyszłość pomiaru ekonomicznego leży w tworzeniu „kokpitów wskaźników”, które obok tradycyjnych miar produkcji będą uwzględniać miary dobrobytu, takie jak zaoszczędzony czas, poprawa wyników zdrowotnych czy dostęp do wiedzy.

Publikacje wykonane przez nas w podobnej tematyce

1. Opracowanie satelitarnego rachunku czasu dla gospodarki cyfrowej: propozycja metodologiczna dla Polski.

2. Hedoniczne wskaźniki cen dla usług opartych na LLM: podejście eksperymentalne z wykorzystaniem danych web scrapingowych.

3. Pomiar „oszczędzającej produkt technicznej zmiany” w sektorze usług profesjonalnych: analiza na poziomie firm.

4. Transgraniczne przepływy niematerialne w łańcuchu wartości AI: w stronę globalnych tablic input-output.

5. Wycena aktywów danych w dobie AI: odejście od modelu kosztowego w kierunku modeli opartych na wartości predykcyjnej.

Pomysł na doktorat

Tytuł: Zastosowanie metod quasi-eksperymentalnych do estymacji nadwyżki konsumenta generowanej przez darmowe usługi generatywnej AI i jej implikacje dla alternatywnych miar dobrobytu narodowego.