Обіцянки на трильйони

ChatGPT з’явився 30 листопада 2022 року. За два місяці ним щомісяця користувалися близько 100 мільйонів людей — жоден технологічний продукт в історії не поширювався так швидко.

Після такого старту прогнози посипалися один за одним. Goldman Sachs у 2023 році пообіцяв: ШІ підійме світовий ВВП на 7%, тобто на ті самі 7 трильйонів доларів, і додасть 1,5% до щорічного зростання продуктивності праці у США протягом 10 років. McKinsey пішла ще далі: генеративний ШІ може принести світовій економіці від 17,1 до 25,6 трильйона доларів, а разом з іншими технологіями автоматизації — підняти щорічне зростання ВВП розвинених країн на 1,5–3,4 відсоткового пункту.

Дехто йде ще далі: окремі дослідники розглядають сценарії, де світовий ВВП за 10 років зростає на 100% у «базовому» варіанті (тобто подвоюється) і навіть на 300% у «агресивному» (тобто стає в чотири рази більшим) — якщо ШІ справді стане «загальним штучним інтелектом» (AGI), здатним виконувати будь-яку людську роботу.

Ось тут і виникає запитання: а чи можна це порахувати серйозно, без маркетингу?

Хто такий Дарон Аджемоглу і чому варто йому вірити

Автор дослідження — не випадкова людина в цій дискусії. У жовтні 2024 року Дарон Аджемоглу отримав Нобелівську премію з економіки разом із Саймоном Джонсоном та Джеймсом Робінсоном — за дослідження того, як суспільні інститути формуються і впливають на процвітання країн. Це інша тема, не про ШІ, — але вона показує рівень довіри до його методів у світовій економічній науці.

Питаннями автоматизації та ринку праці Аджемоглу займається понад 15 років. Разом з колегою Паскалем Рестрепо (Pascual Restrepo) він на даних американського ринку праці довів: коли на заводах з’являлися промислові роботи, вигоду здебільшого отримували власники бізнесу, а не працівники тих професій, які роботи замінили. Тепер він перевіряє: чи повториться ця історія зі штучним інтелектом?

Важливе застереження. Стаття, про яку йдеться, — це «робоча версія» (working paper), опублікована в травні 2024 року через NBER і підготовлена для журналу Economic Policy. Вона ще не пройшла повне наукове рецензування — це чернетка для обговорення серед економістів, хоч і дуже детальна й математично обґрунтована. Усі розрахунки — лише для економіки США, бо саме звідти є найповніші дані; для країн, що розвиваються, ефект може бути іншим.

Поза розрахунками свідомо лишився ще один сценарій: якщо ШІ докорінно змінить саму науку — так, як система AlphaFold від Google DeepMind уже змінила передбачення структури білків — ефект може бути значно більшим. Але, на думку Аджемоглу, за 10 років такий прорив малоймовірний.

Економіка як список справ

Щоб порахувати ефект ШІ, Аджемоглу не бере готову цифру ВВП і не крутить її туди-сюди. Він розбирає економіку на складові — так, ніби це не одне число, а величезний список справ.

Уяви: щоб виготовити один автомобіль, потрібно виконати тисячі окремих завдань — від зварювання кузова до перевірки гальм і оформлення документів. Кожне таке завдання може виконати або людина (це називається «праця»), або машина чи алгоритм («капітал»). Уся економіка — це, по суті, розподіл мільйонів подібних завдань між людьми і машинами.

Нова технологія на кшталт ШІ може вплинути на цей розподіл чотирма способами.

Автоматизація — машина повністю забирає завдання в людини. Приклад: чат-бот замінює оператора кол-центру в простих запитах.

Доповнення завдань — ШІ не забирає роботу, а робить людину продуктивнішою в тій самій справі. Приклад: ШІ підказує електрику, чому не працює обладнання, а лагодити його все одно доводиться людині.

Поглиблення автоматизації — ШІ покращує вже автоматизовані процеси, наприклад робить розумнішою систему кібербезпеки.

Нові завдання — з’являються геть нові види роботи, яких раніше не існувало. Причому не всі нові завдання хороші — про це трохи згодом.

Формула Халтена: як порахувати ефект без кришталевої кулі

Тепер найцікавіше: як із цих чотирьох ефектів отримати одну підсумкову цифру? Тут Аджемоглу спирається на математичний інструмент, який економісти звуть теоремою Халтена — на честь Чарльза Халтена (Charles Hulten), що вивів її ще у 1978 році.

Ідея проста, хоч формула виглядає лячно. Уяви оркестр. Якщо один музикант — скажімо, гобоїст — раптом почне грати вдвічі краще, наскільки покращиться звучання всього оркестру? Залежить не тільки від того, наскільки краще грає гобоїст, а й від того, яку частку загального звучання займає саме його інструмент. Якщо гобой ледь чутний на фоні струнних, навіть подвоєна майстерність гобоїста майже нічого не змінить для слухача в залі.

Так само і з економікою. Загальний ефект від ШІ = (яка частка всієї економіки зачеплена) × (наскільки саме там стало дешевше чи ефективніше працювати). Це і є теорема Халтена, тільки словами. Щоб порахувати підсумкову цифру, потрібні лише два числа: скільки завдань в економіці «бачить» ШІ і скільки на них можна заощадити.

Скільки завдань взагалі «видно» штучному інтелекту

Перше число Аджемоглу бере з дослідження економістки Тіни Елунду (Tyna Eloundou) та колег, опублікованого 2023 року. Вони взяли O*NET — офіційну базу даних США, де розписано, з яких конкретних завдань складається кожна професія: майже 19 300 завдань для тисяч посад. І попросили саму мовну модель GPT-4 оцінити, яку частку кожного завдання вона може виконати вже зараз.

Так, штучний інтелект тут сам оцінював роботу штучного інтелекту.

Результат: якщо зважити всі професії за розміром зарплатного фонду — тобто врахувати, скільки людей і за яку платню виконують ці завдання, — вийде, що 20% усіх робочих завдань в економіці США вже «видно» ШІ.

Уяви клас із 30 учнів. Учителька питає: хто вже пробував розв’язати цю задачу подібним способом? Руки піднімають лише шестеро — решта 24 навіть не підходили близько. Це і є ті 20%: невелика, хоч і помітна частина всієї роботи в економіці.

Не кожне «видиме» завдання варто автоматизувати вже зараз

Але «ШІ технічно може це зробити» і «компанії вигідно впровадити це просто зараз» — різні речі. Обладнання, навчання персоналу й перебудова процесів часто коштують дорожче за саму вигоду.

Дослідниця Майя Сванберг (Maja Svanberg) та колеги у 2024 році порахували саме це — але тільки для комп’ютерного зору (підвид ШІ, що «дивиться» на зображення й відео, а не лише читає текст). Висновок: із завдань, «видимих» для комп’ютерного зору, лише 23% реально вигідно автоматизувати протягом наступних 10 років. Для решти витрати перевищать економію.

Аджемоглу поширює цю пропорцію на всі 20% «видимих» завдань: 20% × 23% ≈ 4,6% — саме така частка всієї роботи в економіці США реально зміниться під впливом ШІ протягом найближчого десятиліття. Повертаючись до класу з 30 учнів: із шести, хто підняв руку, задачу насправді розв’яже щонайбільше один-двоє.

Скільки грошей це заощадить

Друге число формули Халтена — наскільки саме автоматизація здешевлює роботу — Аджемоглу шукав у трьох реальних експериментах.

Перший: фрилансери-програмісти отримали доступ до GitHub Copilot — ШІ-помічника, який дописує код. У дослідженні Сіда Пенга (Sida Peng) та колег ті, хто ним користувався, писали HTTP-сервер на JavaScript у середньому на 55,8% швидше за колег без доступу до інструмента.

Другий: у дослідженні Шаккеда Ноя (Shakked Noy) та Вітні Чжан (Whitney Zhang), опублікованому в журналі Science, офісним працівникам дали ChatGPT і попросили написати прес-релізи та короткі звіти. Результат — на 40% швидше й на 18% якісніше за оцінками рецензентів.

Третій — і чи не найважливіший, бо це не лабораторія, а справжній бізнес: колцентр, де частина співробітників отримала ШІ-помічника для роботи з клієнтами. У дослідженні Еріка Бриньольфссона (Erik Brynjolfsson) та колег заявки з помічником закривали на 14% швидше, хоча якість відповідей суттєво не змінилася.

У всіх трьох випадках найбільше виграли не найкращі співробітники, а ті, хто раніше показував слабші результати, — ШІ підтягує відстаючих до рівня досвідчених.

Аджемоглу бере середнє двох останніх досліджень (перше, з програмуванням, вважає надто вузьким прикладом) — виходить 27% економії витрат на працю. Але зарплата — лише частина витрат бізнесу, є ще оренда, обладнання, сировина. Перерахувавши 27% на загальні витрати компаній, отримуємо 14,4% — це і є друге число формули.

Підсумкова цифра — і чому вона менша за один відсоток

Тепер множимо: 4,6% (яка частка економіки зачеплена) × 14,4% (наскільки там дешевшає робота) = 0,66%.

Це і є головна цифра статті. За теоремою Халтена, сукупна продуктивність економіки США (економісти скорочують цей термін як TFP, від англійського total factor productivity) — показник того, наскільки ефективно країна перетворює працю й машини на готові товари та послуги без зайвих витрат, — зросте від ШІ лише на 0,66% за 10 років. У перерахунку на рік — це якихось 0,064%.

Щоб відчути масштаб: номінальний ВВП США за 2025 рік становив приблизно 30,8 трильйона доларів. 0,66% від цієї суми — це близько 200 мільярдів доларів за ціле десятиліття. Порівняй з обіцянками McKinsey у 17–25 трильйонів: розрахунок Аджемоглу менший за них приблизно у сто разів.

І це, можливо, ще оптимістичний сценарій

Аджемоглу додає три застереження, чому навіть 0,66% може виявитися завищеним.

Компанії поки що майже не інвестують у ШІ. Станом на 2019 рік менш ніж 1,5% американських компаній мали хоч якісь інвестиції в ШІ — особливо це стосується малого й середнього бізнесу, не технологічних гігантів.

Технології впроваджуються повільно. Ще 1997 року дослідники Джеремі Грінвуд і Мехмет Йорукоглу показали: цифрові технології зазвичай мають майже двадцятирічний «плаский» період, коли ефект на продуктивність ледь помітний, — компаніям потрібен час перебудувати процеси навколо нового інструмента, а не просто його купити.

І, нарешті, сама оцінка «видимих» завдань — лише приблизна методика, побудована на класифікації, яку виконував ШІ.

Легкі й важкі завдання: чому далі буде складніше

Тут виникає логічне запитання: якщо ШІ вже впорався з текстами й кодом, чи скоро він впорається з усім іншим?

Усі три експерименти вище об’єднує одна риса: завдання в них були порівняно «легкими» для ШІ. Аджемоглу вважає це системною проблемою всіх сьогоднішніх оцінок і пропонує розділити завдання на дві категорії.

«Легке для навчання» завдання — те, де є чіткий, вимірюваний результат і зрозумілий шлях до нього. Аджемоглу наводить приклад: зварити яйце. Результат очевидний — зварилось як треба чи ні. ШІ вчиться на мільйонах подібних прикладів і швидко досягає рівня експерта.

«Важке для навчання» завдання — те, де немає єдино правильної відповіді, а результат сильно залежить від контексту. Приклад автора — поставити діагноз пацієнту з тривалим кашлем. Причин може бути десятки, і навіть досвідчені лікарі іноді помиляються. ШІ тут вчиться не на «правильних відповідях» (їх просто немає в такому вигляді), а на тому, як зазвичай діють люди, — тож у кращому разі дорівняється до середнього лікаря, але навряд чи перевершить найкращих.

Написання текстів, простий код, класифікація документів — усе це «легкі» завдання. А консультування, навчання, догляд за хворими, наймання персоналу, ведення переговорів — «важкі». Саме на них тримається переважна частина складних, орієнтованих на людей професій, де рішення спираються на досвід і контекст, а не на формулу.

Команда Аджемоглу навчила окремий алгоритм розпізнавати легкі й важкі завдання — за дієсловами в описі роботи («порахувати», «оформити» — легко; «порадити», «навчити», «доглядати» — важко) та за контекстом речення. Результат: серед тих 4,6% завдань, які взагалі варто автоматизувати, лише 72,6% — легкі. Решта 27,4% — важкі, і заощадження на них у рази менші: замість 27% Аджемоглу закладає в розрахунок лише 7%.

Врахувавши цю різницю, він отримує знижену — і, на його думку, реалістичнішу — оцінку: 0,53% замість 0,66% приросту продуктивності за 10 років.

Що це означає для ВВП

TFP — це ефект на продуктивність. А що з самим ВВП? Коли праця й капітал стають ефективнішими, компанії зазвичай починають більше інвестувати — купують більше обладнання, розширюють виробництво. Це додатково підганяє ВВП вгору, понад чистий приріст продуктивності.

Врахувавши очікуване зростання інвестицій, Аджемоглу отримує діапазон: ВВП США зросте на 0,9–1,6% за 10 років завдяки ШІ — залежно від того, наскільки активно компанії вкладатимуться в нові технології.

Порівняй це з прогнозами на початку статті. Goldman Sachs обіцяв 1,5% щорічного приросту продуктивності протягом 10 років — тобто щось на кшталт 15% за десятиліття. McKinsey говорила про 1,5–3,4 відсоткового пункту приросту ВВП щороку. У розрахунках Аджемоглу йдеться не про щорічний приріст, а про загальний приріст за всі 10 років одразу. Різниця в масштабах — на порядок, а то й на два.

Кому дістануться ці гроші

Навіть якщо загальний пиріг економіки трохи побільшає, лишається головне питання: кому дістануться ці гроші?

Тут у Аджемоглу є хороша і погана новина.

Хороша: на відміну від промислових роботів минулих десятиліть, які найбільше вдарили по робітниках з низькою освітою на заводах, вплив ШІ розподілений набагато рівномірніше — серед людей з різним рівнем освіти, різної статі, різного походження. Різниця в зарплатах між освітніми групами через ШІ зміниться дуже мало.

Погана новина стосується не освітніх груп, а поділу між власниками капіталу і найманими працівниками загалом. Оскільки ВВП від ШІ зростає швидше, ніж зарплати, частка національного доходу, яка дістається власникам компаній і акціонерам, за розрахунками Аджемоглу, зросте приблизно на 0,31 відсоткового пункту. Здається, небагато — але йдеться про частку доходу цілої країни, а кожна десята частка відсотка там — це мільярди доларів, які переходять від зарплат до дивідендів.

Є ще один нюанс, доволі несподіваний. У моделі Аджемоглу найбільше ризикують втратити в реальній зарплаті жінки з низьким рівнем освіти — особливо білі, народжені в США.

А що як подумати навпаки: якщо ШІ робить продуктивнішими саме низькокваліфікованих працівників, чи не повинна нерівність від цього зменшуватися? Аджемоглу будує простий приклад, який показує: не обов’язково.

Уяви: є завдання, які виконують і кваліфіковані, і некваліфіковані працівники разом, і є завдання, де працюють тільки кваліфіковані — бо там у них явна перевага. Якщо ШІ раптом зробить некваліфікованих працівників настільки продуктивними у спільних завданнях, що роботодавцям стане вигідно наймати туди виключно їх, — кваліфіковані працівники підуть звідти повністю, у «свої» складніші завдання. І тоді розрив у зарплатах визначатиметься вже не старими спільними завданнями, а новими, складнішими — де перевага кваліфікованих працівників може бути ще більшою, ніж була раніше. Парадокс: продуктивність низькокваліфікованих зросла, а розрив у зарплатах — теж.

Темна сторона нових завдань

Є ще один канал впливу ШІ на економіку, про який зазвичай забувають: нові завдання, які ШІ створює, не завжди корисні для суспільства — навіть якщо вони приносять гроші.

Дипфейки, маніпулятивна реклама, соцмережі, що затягують у нескінченний скрол, кібератаки й витрати на захист від них — усе це теж «нові завдання», породжені розвитком технологій. Вони збільшують ВВП, бо хтось на цьому заробляє, але роблять людей нещасливішими.

Аджемоглу спирається на дослідження економіста Леонардо Бурштина (Leonardo Bursztyn) та колег 2023 року. Студентів коледжів запитали: скільки вони готові платити щомісяця, аби не користуватися TikTok та Instagram? Відповідь — вагома сума: 53 долари на місяць у середньому по обох платформах. Але їх запитали і по-іншому: скільки вони готові заплатити, щоб усі їхні друзі перестали користуватися цими платформами? Теж вагома цифра — 19 доларів на місяць.

Тобто на кожні 53 долари доходу, які соцмережа отримує від користувача, суспільство втрачає добробуту на 19 доларів — просто через те, що всі навколо теж сидять у телефонах. Люди хочуть користуватися соцмережами, поки нею користуються інші, але воліли б, щоб не користувався ніхто, включно з ними самими.

Аджемоглу підставляє в цю пропорцію доходи від соцмереж, цифрової реклами й витрати на кібербезпеку — і отримує: подібні «погані» нові завдання можуть додавати до 2% ВВП США. Але якщо порахувати реальний ефект на добробут людей за тією самою пропорцією, виходить втрата 0,72% ВВП. Формально ВВП росте на два відсотки, а людям від цього гірше майже на три чверті відсотка.

То навіщо взагалі ШІ, якщо ефект такий скромний

Чи означає це все, що ШІ — переоцінена мильна бульбашка? Аджемоглу так не вважає. Проблема не в самій технології, а в тому, куди її зараз спрямовують.

Практично всі великі мовні моделі, включно з ChatGPT, тренують так, щоб вони вміли підтримувати розмову «по-людськи» і писати гарні тексти. Тим часом мільйони людей щодня стикаються зі складними, контекстними проблемами, де їм бракує не красномовності, а надійної інформації саме в момент, коли вона потрібна.

Електрик, який не може зрозуміти, чому коротить проводку. Медсестра, якій саме зараз бракує надійної інформації для рішення. Вчителька, яка намагається зрозуміти, чому конкретний учень не розуміє саме цю тему. Якби ШІ спеціалізувався на тому, щоб давати таким людям надійні, контекстні підказки — а не писати сонети, — економічний і соціальний ефект міг би бути в рази більшим за ті скромні 0,53–0,66%.

Але поки що індустрія інвестує здебільшого в інше: автоматизацію рутинних текстових завдань і монетизацію персональних даних через рекламу. Чи розвернеться вона колись у бік електриків, медсестер і вчителів? Це вже питання не до економічної моделі, а до тих, хто ухвалює рішення в компаніях, що будують ШІ.

Чому це важливо знати

Наступного разу, коли побачиш заголовок на кшталт «ШІ принесе світу ще 15 трильйонів доларів», згадай: за такою цифрою може ховатися або серйозна економічна модель із перевіреними даними, або маркетинговий прогноз консалтингової компанії, зацікавленої продавати послуги з «впровадження ШІ». Аджемоглу показав: різниця між цими двома підходами — не у відсотках, а у порядках величин.

Раніше ми писали

Раніше ми писали про те, як McDonald’s у Техасі показав, що автоматизація не завжди означає роботів-кухарів, чому ШІ поступово перестає бути просто інструментом і стає самостійним агентом, а також про звіт Google DeepMind щодо того, що станеться зі світом після появи AGI.