Obecnie systemy wykorzystujące sztuczną inteligencję dorównują lub nawet przekraczają wydajność człowieka w coraz większej liczbie dziedzin poprzez wykorzystanie szybkiego postępu w innych technologiach. Systemy uczenia maszynowego, na których opiera się sztuczna inteligencja, wykazały ostatnio nadludzką wydajność w tak różnych domenach, jak rozpoznawanie obiektów na obrazach, wykrywanie oszustw, diagnozowanie chorób, formułowanie rekomendacji dla konsumentów czy też gra w pokera.
W ciągu zaledwie ośmiu ostatnich lat poziom błędu w dziedzinie etykietowania obrazów przez maszyny spadł z 28 proc. do 2,5 proc., a najlepszy algorytm może teraz pokonać 5-procentowy poziom błędu osiągnięty przez ludzi. Co więcej, w ubiegłym roku systemy uczenia maszynowego dorównały lekarzom dermatologom w rozpoznawaniu raka skóry na podstawie obrazów. Teraz mogą już też diagnozować wiele innych chorób właśnie na podstawie obrazów medycznych. Systemy rozpoznawania głosu, coraz częściej wykorzystywane w domach i smartfonach, są także zasilane przez systemy uczenia maszynowego. Choć wprawdzie są one dalekie od doskonałości, ale już teraz maszyny mogą odpowiedzieć na pytania i wykonać proste instrukcje.
Teoretycznie te nowe technologie – stanowiące rdzeń nowej, ważnej z ekonomicznego punktu widzenia, technologii ogólnego zastosowania – mogłyby znacznie zwiększyć produktywność i dobrobyt gospodarczy.
Obserwowany w ostatnim dziesięcioleciu wzrost wydajności uległ jednak spowolnieniu – zarówno w krajach Organizacji Współpracy Gospodarczej i Rozwoju (OECD), jak i w wielu dużych gospodarkach wschodzących.
Według zespołu ekonomistów – Erika Brynjolfssona, Daniel Rocka i Chada Syversonnie – brak odzwierciedlenia wartości dodanej nowych technologii opartych na sztucznej inteligencji w statystykach produktywności wynika z tego, że nie są one wystarczająco powszechne. I jak na razie nie zdołały w diametralny sposób zmienić sposobu pracy w centrach telefonicznych, szpitalach, bankach, zakładach użyteczności publicznej, supermarketach, flotach transportowych, zarządzaniu logistyką lub innych formach działalności biznesowej.
Na podstawie badań zespołu perspektywy są jednak obiecujące, ponieważ ostatnie postępy w uczeniu maszynowym mają napędzać wzrost produktywności i wzrost gospodarczy na całym świecie. Technologia jest katalizatorem, ale sama technologia nie spowoduje wzrostu produktywności, ponieważ konieczne jest stworzenie nowych modeli biznesowych przez przedsiębiorców, zaś pracownicy muszą rozwijać nowe umiejętności, a decydenci – aktualizować zasady i przepisy w sposób, który tworzy wspólny dobrobyt.
Pełne możliwości sztucznej inteligencji, podobnie jak innych technologii ogólnego przeznaczenia, nie zostaną bowiem osiągnięte, dopóki nie będą opracowane i wdrożone innowacje uzupełniające.
Koszty dostosowania, zmiany organizacyjne i nowe umiejętności potrzebne do pomyślnej implementacji sztucznej inteligencji można modelować jako rodzaj kapitału niematerialnego. Przedsiębiorstwa z branży nowych technologii nie potrzebują dużych inwestycji w fabryki, a nawet sprzęt komputerowy, ale mają wartości niematerialne, które są kosztowne do powielenia. Duże wartości rynkowe związane z firmami opracowującymi i/lub wdrażającymi sztuczną inteligencję sugerują, że inwestorzy uważają, iż w tych firmach istnieje rzeczywista wartość.
Zarówno inwestycje w sztuczną inteligencję, jak i innowacje oraz zmiany uzupełniające są kosztowne, trudne do zmierzenia i wymagają czasu, aby je wdrożyć. A to może, przynajmniej na początku, obniżyć produktywność – mierzoną według dotychczasowych wzorców.
Wartości niematerialne związane z ostatnią falą komputeryzacji były około dziesięciokrotnie większe niż bezpośrednie inwestycje w sprzęt komputerowy. Zatem, według zespołu ekonomistów, prawdopodobnym jest, że wartości niematerialne związane ze sztuczną inteligencją mogą mieć porównywalną lub większą wartość. Ponadto, biorąc pod uwagę duże zmiany w procesach produkcyjnych i modelach biznesowych możliwych dzięki sztucznej inteligencji, sposób, w jaki do tej pory była organizowana praca i edukacja, może w przyszłości nie być optymalny. Wykorzystanie uczenia maszynowego będzie bowiem wymagało zmiany wieloletnich praktyk działania i dotychczasowych założeń.
Sztuczna inteligencja i jej uzupełnienia mogą szybciej dodawać wartość do (niematerialnego) kapitału, dlatego tradycyjne wskaźniki gospodarcze, takie jak PKB i produktywność, mogą stać się trudniejsze do zmierzenia i interpretacji. Konieczna staje się więc aktualizacja zestawu narzędzi pomiaru gospodarki, a ekonomiści mogą wnieść istotny wkład w badania dokumentujące i wyjaśniające często trudne do uchwycenia zmiany związane ze sztuczną inteligencją i jej implikacjami gospodarczymi.
W styczniu 2020 roku Wielka Brytania formalnie opuściła Unię Europejską. Oczekiwane korzyści z brexitu, poza odzyskaniem suwerenności w zakresie kształtowania prawa i zewnętrznych relacji gospodarczych, jednak się nie zmaterializowały. Widoczny jest natomiast spadek wydajności i konkurencyjności brytyjskiej gospodarki, co wpływa także na kondycję rynku pracy.
