Ένα αίνιγμα στα μακροοικονομικά στοιχεία των ΗΠΑ φαίνεται, εκ πρώτης όψεως, να δικαιώνει τους κ. Bessent και Warsh. Σύμφωνα με στοιχεία που δόθηκαν στη δημοσιότητα στις 20 Φεβρουαρίου, η οικονομία το 2025, αναπτύχθηκε με ένα ζωηρό ρυθμό της τάξεως του 2,2%. Ωστόσο, την ίδια περίοδο, οι προσλήψεις επιβραδύνθηκαν απότομα, με τους εργοδότες να προσθέτουν κατά μέσο όρο μόλις 15.000 περίπου θέσεις εργασίας τον μήνα — ποσοστό που αντιστοιχεί σε ετήσια αύξηση της απασχόλησης μόλις 0,1%. Αυτός ο συνδυασμός υποδηλώνει ότι κάθε εργαζόμενος παράγει περισσότερο.

Ωστόσο, τα αποδεικτικά στοιχεία για ουσιαστική, τροφοδοτούμενη από την ΤΝ αύξηση της παραγωγικότητας είναι ελάχιστα. Το τέταρτο τρίμηνο του 2025. το πραγματικό ΑΕΠ αυξήθηκε με ετήσιο ρυθμό μόλις 1,4% (αν και γι’ αυτό, εν μέρει ευθύνεται η διακοπή λειτουργίας της κυβέρνησης). Παράλληλα, το πρόσφατο χάσμα μεταξύ της αύξησης της παραγωγής και της απασχόλησης δεν είναι ιδιαίτερα ασυνήθιστο. Από το 1950 η διαφορά μεταξύ των δύο ήταν τουλάχιστον δύο ποσοστιαίες μονάδες σχεδόν στο ένα τρίτο των ετών. Αν και επίσημα στοιχεία δεν έχουν ακόμη δημοσιευθεί, μια εκτίμηση που βασίζεται στην αύξηση του πραγματικού ΑΕΠ και τις συνολικές ώρες εργασίας υποδηλώνει αύξηση της παραγωγικότητας το 2025 κατά περίπου 1,9%, λίγο κάτω από τον μακροχρόνιο μέσο όρο του 2% περίπου και πολύ κάτω από τις βελτιώσεις που σημειώθηκαν κατά τη διάρκεια της έκρηξης του διαδικτύου στις δεκαετίες του 1990 και του 2000 (βλ. διάγραμμα 1).

Επιπλέον, το χάσμα μεταξύ της αύξησης της παραγωγής και της απασχόλησης θα μπορούσε να οφείλεται σε πολλούς παράγοντες. Μεγάλο μέρος της πρόσφατης αύξησης του ΑΕΠ της Αμερικής αντικατοπτρίζει την αύξηση των επενδύσεων, ιδίως σε υποδομές που σχετίζονται με την ΤΝ. Ο Jason Furman του Πανεπιστημίου του Χάρβαρντ εκτιμά ότι το 90% περίπου της αύξησης του ΑΕΠ κατά το πρώτο εξάμηνο του 2025 προήλθε από δαπάνες για κέντρα δεδομένων και συναφείς κεφαλαιουχικές επενδύσεις. Μετρήσεις που προσαρμόζονται για την παραγωγή που οφείλεται στις επενδύσεις αφηγούνται παρόμοια ιστορία: έρευνα της Ομοσπονδιακής Τράπεζας του Σαν Φρανσίσκο διαπιστώνει ότι τα υποκείμενα κέρδη παραγωγικότητας, μόλις εξαιρεθεί η επίδραση των εν λόγω επενδύσεων, είναι κοντά στο μηδέν. Η δυναμική στην αγορά εργασίας δείχνει προς την ίδια κατεύθυνση. Η αυστηρότερη μεταναστευτική πολιτική έχει μειώσει την αύξηση του εργατικού δυναμικού, αίρωντας τη μέση παραγωγικότητα με την απομάκρυνση πολλών εργαζομένων από τομείς σχετικά χαμηλής παραγωγικότητας, όπως η γεωργία και οι κατασκευές. Η απότομη μείωση της προσωρινής απασχόλησης είχε παρόμοιο αποτέλεσμα.

Πώς θα μπορούσαν οι οικονομολόγοι να γνωρίζουν αν η τεχνητή νοημοσύνη συμβάλλει στην αύξηση της παραγωγικότητας; Σε γενικές γραμμές, πρέπει να εξετάσουν τρία πράγματα: πόσο ευρέως υιοθετείται η τεχνολογία, πόσο εντατικά χρησιμοποιείται και πόσο βελτιώνει την παραγωγή όταν εφαρμόζεται σε μεμονωμένες εργασίες.

Η υιοθέτηση έχει αρχίσει να αυξάνεται (βλ. διάγραμμα 2). Ένας ανιχνευτής από τον Alex Bick της Federal Reserve Bank of St Louis και τους συναδέλφους του εκτιμά ότι τον Νοέμβριο του 2025, το 41% των Αμερικανών εργαζομένων χρησιμοποίησαν παραγωγική τεχνητή νοημοσύνη στην εργασία τους, από 31% ένα χρόνο νωρίτερα. Άλλες έρευνες έχουν καταλήξει σε παρόμοια συμπεράσματα. Ο Jon Hartley του Πανεπιστημίου του Στάνφορντ και οι συνεργάτες του εκτιμούν ότι τα ποσοστά χρήσης αυξήθηκαν από περίπου 30% στα τέλη του 2024 σε 36% ένα χρόνο αργότερα.

Ωστόσο, η υιοθέτηση από μόνη της δεν λέει και πολλά για το πώς η τεχνητή νοημοσύνη επηρεάζει την παραγωγικότητα. Σημασία έχει επίσης το πόσο εντατικά αναπτύσσεται η τεχνολογία. Ο κ. Bick διαπίστωσε ότι μόνο το 13% περίπου των ενηλίκων σε ηλικία εργασίας τη χρησιμοποιεί καθημερινά. Το μερίδιο των συνολικών ωρών εργασίας που αφορούν την παραγωγική ΤΝ παραμένει μικρό, έχοντας αυξηθεί από 4,1% στα τέλη του 2024 σε μόλις 5,7% στα μέσα του 2025. Η περισσότερη χρήση συνίσταται σε διακριτές εργασίες και όχι σε συνολική αυτοματοποίηση. Τα στοιχεία της OpenAI υποδεικνύουν ότι τα μοντέλα της χρησιμοποιούνται κυρίως σε χώρους εργασίας για βοήθεια στη συγγραφή και σε ερωτήματα πληροφοριών. Η Claude της Anthropic χρησιμοποιείται κυρίως για να βοηθήσει στη συγγραφή κώδικα.

Όταν χρησιμοποιείται ΤΝ, τα οφέλη μπορεί να είναι μεγάλα. Το 2023 οι Shakked Noy και Whitney Zhang του Τεχνολογικού Ινστιτούτου της Μασαχουσέτης διαπίστωσαν ότι η χρήση του ChatGPT μειώνει τους χρόνους ολοκλήρωσης εργασιών γραφής κατά σχεδόν 40%. Σε μια μελέτη συμβούλων της Boston Consulting Group, ο Fabrizio Dell’Acqua του Harvard Business School και οι συν-συγγραφείς του διαπίστωσαν, σε ρεαλιστικές επαγγελματικές εργασίες, βελτίωση της παραγωγικότητας που άγεται από την τεχνητή νοημοσύνη κατά 12-25%. Μια ευρύτερη ανασκόπηση της Maria del Rio-Chanona του University College του Λονδίνου και των συνεργατών της αναφέρει μέση αύξηση της παραγωγικότητας κατά 15-30% σε πραγματικές συνθήκες.

Λαμβάνοντας υπόψη και τους τρεις παράγοντες, ένας πρόχειρος υπολογισμός υποδηλώνει ότι η τεχνητή νοημοσύνη έχει μέχρι στιγμής μέτρια μόνο επίδραση στην παραγωγικότητα. Αν συνδυάσουμε την αύξηση των ωρών εργασίας που δαπανώνται χρησιμοποιώντας τη δημιουργική τεχνητή νοημοσύνη με το πόσο βελτιώνει την αποδοτικότητα, έχουμε, κατά το προηγούμενο έτος, μια ώθηση στην αύξηση της παραγωγικότητας της τάξης των 0,25-0,5 ποσοστιαίων μονάδων. Αυτός ο υπολογισμός είναι σχεδόν σίγουρα πολύ γενναιόδωρος. Υποθέτει ότι όλος ο χρόνος που εξοικονομείται επανατοποθετείται παραγωγικά και ότι οι εργαζόμενοι ούτε αποφεύγουν ούτε παράγουν προϊόντα χαμηλότερης αξίας. Τα πρώτα στοιχεία δείχνουν ότι η πραγματικότητα είναι πιο δύσκολη. Ορισμένες μελέτες υποδεικνύουν ότι οι εργαζόμενοι ξοδεύουν περισσότερο συνολικό χρόνο εργασίας όταν χρησιμοποιούν τεχνητή νοημοσύνη, ενώ άλλες ότι η τεχνολογία χρησιμοποιείται μερικές φορές για τη δημιουργία χαμηλής ποιότητας «σκουπιδιών» που απαιτούν επεξεργασία ή επαλήθευση.

Όλα αυτά σηματοδοτούν ένα βαθύτερο ελάττωμα στο επιχείρημα ότι η τεχνητή νοημοσύνη τροφοδοτεί μια έκρηξη της παραγωγικότητας. Τέτοιου είδους βελτιώσεις πραγματοποιούνται συνήθως όχι μόνο όταν οι εργαζόμενοι χρησιμοποιούν συχνότερα ένα νέο εργαλείο, αλλά όταν οι επιχειρήσεις αναδιοργανώνουν την παραγωγή γύρω από αυτό. Τα πρώιμα εργοστάσια ήταν ελάχιστα πιο αποδοτικά όταν οι ατμομηχανές αντικαταστάθηκαν με ηλεκτρικούς κινητήρες. Η πραγματική επανάσταση ήρθε δεκαετίες αργότερα, όταν οι κατόψεις επανασχεδιάστηκαν για να αξιοποιήσουν στο έπακρο την ηλεκτρική ενέργεια. Πιο πρόσφατα, η αύξηση της παραγωγικότητας ήταν απογοητευτική για χρόνια μετά την ευρεία διάδοση των προσωπικών υπολογιστών. Επιταχύνθηκε μόνο όταν οι επιχειρήσεις εφάρμοσαν επιχειρηματικά μοντέλα που αξιοποιούσαν πλήρως τις δυνατότητες της τεχνολογίας. Μεγάλο μέρος της αναζωογόνησης της παραγωγικότητας της Αμερικής τη δεκαετία του 1990 δεν προήλθε από την ίδια τη Silicon Valley αλλά από το λιανικό εμπόριο, όπου οι υπολογιστές μεταμόρφωσαν τα logistics και τη διαχείριση των αποθεμάτων.

Υπάρχουν ελάχιστες ενδείξεις ότι η τεχνητή νοημοσύνη έχει φτάσει σε παρόμοιο στάδιο. Μια πρόσφατη μελέτη του Ivan Yotzov της Τράπεζας της Αγγλίας και των συν-συγγραφέων του διαπίστωσε ότι τα στελέχη ξοδεύουν μόνο 1,5 ώρα περίπου την εβδομάδα χρησιμοποιώντας την ΤΝ. Εννέα στα δέκα ανώτερα στελέχη δεν βλέπουν καμία μετρήσιμη βελτίωση στην παραγωγικότητα της εργασίας. Με άλλα λόγια, η οργανωτική ανασύνταξη έχει μόλις αρχίσει. Μπορεί να είναι αλήθεια ότι κάτι μεγάλο συμβαίνει με την τεχνητή νοημοσύνη, όμως, προς το παρόν, παραμένει σε μεγάλο βαθμό αόρατο στα μακροοικονομικά δεδομένα.

Πηγή: The Economist