Czy AI zabiera nam pracę, czy ją tworzy? Erik Brynjolfsson od dekad bada, jak technologia zmienia gospodarkę – najpierw jako współautor głośnych książek „Race Against the Machine” i „The Second Machine Age”, dziś jako dyrektor Stanford Digital Economy Lab. W rozmowie z Samem Ransbothamem, prowadzącym podcast „Me, Myself, and AI” wydawany przez MIT Sloan Management Review, ekonomista tłumaczy, dlaczego to nie technologia, lecz ludzie, organizacje i instytucje są dziś największą barierą dla rozwoju sztucznej inteligencji. Opowiada też o najnowszych badaniach nad wpływem AI na zatrudnienie najmłodszych pracowników, wyjaśnia mechanizm „krzywej J” oraz przestrzega przed pułapką myślenia, w którą – jego zdaniem – wpadła większość menedżerów wdrażających AI.
Ekonomia cyfrowa jako pogoń za uciekającą gospodarką
Sam Ransbotham rozmowę zaczyna od pytania o samo Stanford Digital Economy Lab – ośrodek, którym Brynjolfsson kieruje po ponad 25 latach pracy w MIT.
„Zajmujemy się gospodarką cyfrową” – mówi krótko naukowiec, po czym dodaje, że przenosiny do Doliny Krzemowej, „epicentrum rewolucji AI”, nie były przypadkiem. Cała misja laboratorium opiera się na jednej obserwacji: technologia rozwija się dziś w oszałamiającym tempie, ale nasze rozumienie ekonomii, instytucje, kompetencje i struktury organizacyjne nie nadążają za tym postępem. – Moja praca polega na tym, żeby tę lukę zmniejszać – podsumowuje Brynjolfsson.
Ransbotham komentuje to żartobliwie: to ludzie są tym „wąskim gardłem” postępu, nie technologia. Brynjolfsson przyznaje mu rację bez wahania.
Wyścig z maszynami, a nie przeciw maszynom
Tytuł głośnej książki Brynjolfssona i Andrew McAfee sugerował rywalizację człowieka z maszyną. Sam autor od lat prostuje jednak tę interpretację. – Wniosek z tamtej książki był taki, że powinniśmy ścigać się razem z maszynami, a nie przeciwko nim – wyjaśnia. Ludzie i systemy AI mogą współpracować, ale – zastrzega badacz – nie dzieje się to automatycznie. Wymaga świadomych decyzji.
To prowadzi do jednej z centralnych tez całej rozmowy. Brynjolfsson od lat krytykuje popularny nawyk językowy, w którym to „AI coś robi”, jakby technologia działała sama z siebie. – Najczęściej słyszę pytanie: co AI zrobi nam dalej? A ja odpowiadam: przesłanka tego pytania jest błędna. Właściwe pytanie brzmi: co my zrobimy z AI? – mówi.
Jego zdaniem sztuczna inteligencja to najpotężniejsze narzędzie, jakie kiedykolwiek trafiło w ludzkie ręce. A skoro tak, to nasza zdolność do zmieniania świata – na lepsze albo na gorsze – jest dziś większa niż kiedykolwiek. Dlatego, jak podkreśla ekonomista, wartości i wybory, których dokonujemy, mają dziś większe znaczenie niż w poprzednich erach technologicznych.
Czego nie przewidział autor „Drugiej ery maszyn”
Ransbotham pyta o coś, co rzadko pojawia się w wywiadach z ekspertami: w czym Brynjolfsson się pomylił. Naukowiec bez wahania wskazuje na samochody autonomiczne. „The Second Machine Age” – książka napisana wspólnie z Andym McAfee – zaczynała się od opisu przejazdu autonomicznym samochodem Google z Mountain View do San Francisco w 2012 roku. – Byłem przekonany, że autonomiczne auta to już „za rogiem”. Minęło 15 lat, zanim faktycznie stały się codziennością w Zatoce San Francisco – przyznaje.
Z drugiej strony, jak podkreśla, mocno niedoszacował tempa rozwoju dużych modeli językowych. Możliwość swobodnej rozmowy z ChatGPT, Gemini czy Claude i zlecania im realnej pracy – to coś, co w 2012 czy 2015 roku uznałby za sztuczną inteligencję ogólną (AGI). – Modele wciąż halucynują i popełniają błędy, ale my, ludzie, też. Średnio radzą sobie naprawdę nieźle. Ten postęp przyszedł szybciej, niż zakładałem – mówi.
Najbardziej rozczarowujące okazało się jednak coś innego: tempo, w jakim zmieniają się instytucje. – Wiedziałem, że instytucje zmieniają się wolniej niż technologia. Ale nie spodziewałem się, że aż tak wolno. Czasem wygląda to wręcz na cofanie się – mówi wprost Brynjolfsson. Efekt jest namacalny: produktywność nie rośnie szybciej niż przed rewolucją AI – co najwyżej odrobinę, „jeśli bardzo mocno zmrużyć oczy”. Gospodarka wciąż nie przekłada nowych możliwości technologicznych na realne wyniki biznesowe.
Znużenie nowinką, problem pomiaru i krzywa J
Ransbotham zauważa pewien paradoks: jazda autonomicznym samochodem, która jeszcze niedawno robiła wrażenie technologii z pogranicza AGI, dziś po prostu… nudzi. Czy to efekt przyzwyczajenia, problem z pomiarem korzyści, czy może właśnie zjawisko krzywej J?
– Wszystko po trochu – odpowiada Brynjolfsson. Ludzki mózg rzeczywiście szybko oswaja się z nowością: pierwsze minuty w autonomicznym aucie są ekscytujące, po pół godzinie stają się rutyną. (Notabene, jak żartuje badacz, te pojazdy jeżdżą „jak jego babcia” – bardzo ostrożnie, co przekłada się na wypadkowość niższą o 90% względem ludzkich kierowców).
Dwa pozostałe wątki uznaje jednak za istotniejsze. Pierwszy to problem pomiaru: oficjalne statystyki gospodarcze wciąż słabo wychwytują korzyści płynące z darmowych usług cyfrowych. Drugi to zjawisko krzywej J, do którego rozmowa wraca kilkukrotnie w dalszej części wywiadu.
Dlaczego inwestycje w AI nie widać w bilansach
Kluczowy, choć często pomijany wątek, dotyczy tzw. aktywów komplementarnych – nowych procesów biznesowych, kompetencji i modeli organizacyjnych, które trzeba wynaleźć, aby technologia realnie zaczęła zarabiać. W badaniach prowadzonych wspólnie z Lorin Hitt i Sonnym Tambe z Uniwersytetu Pensylwanii Brynjolfsson wykazał, że inwestycje w te niematerialne zasoby są przeciętnie 10 razy większe niż bezpośrednie wydatki na samą technologię komputerową.
Problem w tym, że te inwestycje są w dużej mierze niewidoczne – nie pojawiają się w standardowych sprawozdaniach finansowych, więc łatwo je zbagatelizować. – Staramy się je uwidocznić w naszych badaniach i budować świadomość, że te inwestycje też trzeba robić – mówi ekonomista.
„Kanarki w kopalni”: pokolenie, które pierwsze odczuwa skutki AI
Centralnym punktem rozmowy staje się najnowsze badanie zespołu Brynjolfssona, „Canaries in the Coal Mine?”, oparte na danych płacowych firmy ADP – największego procesora list płac na świecie. Punktem wyjścia była frustracja związana z medialnym szumem: każdego miesiąca setki tysięcy osób zmieniają pracę, a dziennikarz bez trudu znajdzie anegdotyczny przykład potwierdzający dowolną tezę – że AI niszczy miejsca pracy albo że je tworzy.
Zespół chciał danych na dużą skalę. Analiza samych zagregowanych wskaźników zatrudnienia (Current Population Survey, ogólne dane ADP) niczego szczególnego nie wykazała. – Byłem bliski napisania tekstu o tym, że to wszystko jest przesadzone – przyznaje Brynjolfsson. Dopiero podział danych na podgrupy ujawnił wyraźny sygnał: pracownicy w wieku 22–25 lat odnotowali zauważalny spadek zatrudnienia.
Skala ekspozycji na AI robi różnicę
Sygnał stał się jeszcze ostrzejszy, gdy badacze wykorzystali taksonomię stworzoną przez Tynę Eloundou z OpenAI i Daniela Rocka z Uniwersytetu Pensylwanii, klasyfikującą 18 tysięcy zadań zawodowych pod kątem tego, jak bardzo nadają się do wsparcia przez duże modele językowe – LLM może pomóc napisać notatkę, ale nie podniesie za nas kartonu.
Po zagregowaniu tych ocen do poziomu około 750 zawodów i podzieleniu ich na kwintyle, najbardziej eksponowana na AI grupa zawodów wśród najmłodszych pracowników odnotowała spadek zatrudnienia z około 12–13% do obecnych 16–17% względem grup mniej eksponowanych. Co istotne, efekt ten utrzymywał się nawet po kontroli takich zmiennych jak stopy procentowe, koniunktura w branży technologicznej, praca zdalna czy poziom wykształcenia. Wśród starszych pracowników – nawet w tych samych, najbardziej eksponowanych zawodach – spadku zatrudnienia nie zaobserwowano.
Dwie grupy, które zyskują
Badanie pokazało też dwie kategorie pracowników, którym wcale nie wiedzie się gorzej. Pierwsza to osoby wykonujące zawody mało eksponowane na AI – jak opiekunowie osób starszych – gdzie zatrudnienie rosło nawet wśród młodych pracowników.
Druga, najbardziej – jak sam podkreśla Brynjolfsson – ekscytująca grupa, to pracownicy wykorzystujący AI do wzbogacania, a nie zastępowania swojej pracy: uczący się nowych umiejętności, robiący rzeczy, których wcześniej nie robili. W tej grupie zatrudnienie rosło. – To swoisty podwójny zysk: wyższa produktywność i rosnące zatrudnienie jednocześnie. Z jakiegoś powodu ten wątek rzadko przebija się w relacjach medialnych z naszych badań, a uważam go za kluczowy – mówi badacz.
Radiolodzy, paradoks Jevonsa i pułapka jednego zadania
Ransbotham zauważa, że żaden zawód nie składa się w stu procentach z zadań podatnych – albo niepodatnych – na automatyzację. Brynjolfsson potwierdza to, przywołując przykład, który regularnie przytacza w dyskusjach publicznych: radiologię.
Typowy zawód w bazie danych O*Net obejmuje 20–30 odrębnych zadań; radiolog wykonuje ich 26. Informatyk Geoffrey Hinton swego czasu ogłosił, że skoro odczytywanie obrazów medycznych to podstawowa praca radiologów, zawód ten zostanie zastąpiony przez AI. – Nie wziął pod uwagę pozostałych 25 zadań, na które AI nie miało większego wpływu – zauważa Brynjolfsson.
Efekt netto był odwrotny do przewidywań Hintona: gdy odczytywanie obrazów stało się tańsze i dokładniejsze dzięki AI, wzrosła wartość pozostałych kompetencji radiologów, a zatrudnienie w tym zawodzie wzrosło. To zjawisko ekonomiści nazywają czasem paradoksem Jevonsa: obniżenie kosztu jakiejś czynności zwiększa popyt na nią do tego stopnia, że całkowite zatrudnienie rośnie, mimo wzrostu efektywności.
Dlaczego elastyczność popytu decyduje o wszystkim
Aby wyjaśnić, kiedy tania praca oznacza mniej miejsc pracy, a kiedy więcej, Brynjolfsson sięga po klasyczne narzędzie ekonomiczne – krzywą popytu. Dla dóbr o popycie nieelastycznym, jak jabłka, nawet dziesięciokrotny spadek ceny nie skłoni nas do kupowania dziesięć razy więcej. Ale dla dóbr o popycie elastycznym – jak podróże lotnicze, które kiedyś były luksusem, a dziś są powszechnością – niewielki spadek ceny generuje ogromny wzrost popytu.
– Co najmniej połowa dóbr i usług w gospodarce znajduje się po tej „elastycznej” stronie krzywej. To dobra wiadomość: w miarę jak stajemy się bardziej produktywni, jedne sektory się kurczą, ale inne rosną – mówi Brynjolfsson. Jego zdaniem debata publiczna zbyt mocno koncentruje się na sektorach kurczących się, a zbyt mało uwagi poświęca tym, które rosną. – Nie znam żadnej firmy, która powiedziałaby: „zrobiliśmy już wszystkie projekty IT, jakie przyszły nam do głowy”. Popyt na rozwiązywanie problemów wydaje się niemal nieograniczony: ubóstwo, środowisko, ochrona zdrowia – wszędzie tam przydałoby się więcej zasobów – dodaje.
Krzywa J: dlaczego produktywność najpierw spada, zanim wystrzeli w górę
Rozmowa wraca do koncepcji, która – zdaniem obu rozmówców – najlepiej tłumaczy obecny etap wdrażania AI w biznesie: krzywej J. Brynjolfsson przypomina, że ekonomiści określają przełomowe technologie mianem „general-purpose technologies” – technologii ogólnego zastosowania. Kiedyś skrót ten brzmiał GPT, „zanim ukradli nam go koledzy z branży AI” – żartuje naukowiec. Sztuczna inteligencja jest dziś obiema rzeczami naraz: modelem typu generative pre-trained transformer i technologią ogólnego zastosowania na miarę silnika parowego, elektryczności czy silnika spalinowego.
Wartość takich technologii nigdy nie bierze się z samej technologii, lecz z aktywów komplementarnych, które ona umożliwia – tak jak elektryczność umożliwiła żarówkę, silnik elektryczny, klimatyzację, a w końcu komputery. Te aktywa – nowe procesy biznesowe, nowe kompetencje – trzeba jednak wynaleźć, a to kosztuje i wymaga czasu. – W tym okresie wydajesz więcej na reorganizację firmy, a produkcja nie rośnie od razu. Matematycznie oznacza to więcej nakładów bez wzrostu produkcji, czyli spadek mierzonej produktywności. To jest zstępująca część krzywej J. Dopiero później zaczyna się żniwo i produktywność rośnie – tłumaczy Brynjolfsson.
Lekcja z elektryfikacji fabryk
Historyczna analogia, którą Brynjolfsson opisywał już w swojej pracy doktorskiej, jest wymowna: pełne wykorzystanie potencjału elektryczności w fabrykach zajęło 20–30 lat. Ekonomista Paul David szczegółowo udokumentował, że przez blisko trzy dekady elektryfikacja fabryk praktycznie nie przekładała się na wzrost produktywności – mimo instalowania silników elektrycznych. Dopiero gdy przedsiębiorstwa całkowicie przeprojektowały układ fabryk – odchodząc od modelu skupionego wokół jednego centralnego silnika parowego na rzecz osobnych silników przy każdej maszynie, rozmieszczonych zgodnie z przepływem materiałów – produktywność zaczęła gwałtownie rosnąć, podwajając się i potrajając.
Brynjolfsson nie sądzi, że AI będzie potrzebować aż trzech dekad. – Jestem przekonany, że transformacja już się zaczyna. Ale zajmuje to więcej czasu, niż oczekują niektórzy moi znajomi z branży technologicznej, którzy myślą, że wystarczy wynaleźć AI i sprawa jest zamknięta – mówi. Kluczem jest gruntowne przeprojektowanie procesów biznesowych – zadanie, w którego przyspieszaniu pomaga dziś, jak przekonuje, jego firma Workhelix, wskazująca przedsiębiorstwom konkretne obszary tworzenia wartości z AI.
Czym różni się dzisiejsza transformacja od tej sprzed stu lat
Co odróżnia obecną falę zmian technologicznych od epoki elektryfikacji? Zdaniem Brynjolfssona – przede wszystkim istnienie całej infrastruktury instytucjonalnej, której wcześniej po prostu nie było. W czasach elektryfikacji nie istniały szkoły biznesu ani nauka o zarządzaniu przemysłowym w dzisiejszym rozumieniu. – Zaglądałem do starych podręczników w bibliotece Bakera na Harvard Business School – sposób myślenia o organizacji pracy był wtedy dość prymitywny – wspomina.
Dziś istnieje znacznie większy ekosystem wspierający firmy w przeprojektowywaniu procesów: konsultanci, szkoły biznesu, narzędzia analityczne. W Workhelix Brynjolfsson buduje narzędzie, które skanuje organizację pod kątem możliwości wdrożenia AI, identyfikuje „superużytkowników” osiągających najlepsze wyniki i porównuje ich z przeciętnym pracownikiem. – To przyspiesza uczenie się organizacji nawet dziesięciokrotnie względem tego, co było możliwe bez takich narzędzi – ocenia.
Pułapka Turinga: dlaczego mierzenie AI redukcją etatów to błąd strategiczny
Ransbotham odwołuje się do dwóch tekstów – własnego artykułu o przemyślanym definiowaniu celów AI i eseju Brynjolfssona pod tytułem „The Turing Trap” (Pułapka Turinga). Teza obu autorów jest zbieżna: naturalnym odruchem organizacji jest dążenie do tego, by maszyna doskonale naśladowała człowieka – czyli zdała test Turinga. To jednak prowadzi wyłącznie do drobnych usprawnień istniejących procesów, a nie do przełomu.
Brynjolfsson ilustruje ten problem rozmową z pewną dyrektorką finansową. Powiedziała mu, że koniecznie chce mierzyć zwrot z inwestycji w AI – i słusznie, przyznał badacz. Problem pojawił się w kolejnym zdaniu: każdy dział miał raportować, o ile dzięki AI zredukował zatrudnienie. – Powiedziałem jej: cieszę się, że mierzycie efekty, ale czy to nie jest trochę zbyt proste podejście? Owszem, obniżanie kosztów nie jest niczym złym, ale to podejście przegapia znacznie większą szansę – tworzenie przez pracowników nowych rodzajów wartości – relacjonuje.
Kiedy naśladowanie człowieka staje się pułapką
To właśnie klasyczny test Turinga: czy maszyna potrafi doskonale udawać człowieka? Zdaniem Brynjolfssona takie wąskie podejście – nazywane przez niego Pułapką Turinga – wyrządziło realną szkodę temu, jak organizacje wykorzystują AI. Bo poza zastępowaniem i imitowaniem ludzi istnieje druga droga: wzmacnianie (augmentation), czyli wykorzystywanie AI do robienia zupełnie nowych rzeczy.
Ta druga ścieżka wymaga jednak innych mierników: jak tworzysz nowe produkty i usługi, jak podnosisz satysfakcję klientów, jak poprawiasz jakość – zarówno produktu, jak i samej pracy. Te wskaźniki nie pojawiają się w wąskim modelu „zastępowania”. – Krótkoterminowe myślenie sprowadza się do cięcia kosztów w tym, co już robimy. Ale to firmy, które sięgają dalej – budując nowe procesy, produkty i usługi – zyskują trwałą przewagę konkurencyjną. To się nie dzieje w tydzień, ale kiedy już się uda, efekt utrzymuje się latami – podsumowuje ekonomista.
Kto powinien finansować badania nad AI: przemysł czy państwo?
Ransbotham przywołuje wyniki analizy zespołu Neila Thompsona z MIT Initiative on the Digital Economy, według której nawet 90% najważniejszych nowych modeli AI powstaje dziś w firmach prywatnych, a nie na uczelniach czy w ramach finansowania publicznego. To ogromna zmiana względem wcześniejszych dekad rozwoju technologicznego.
Brynjolfsson tłumaczy tę zmianę przede wszystkim kosztami. Prawa skalowania dla dużych modeli językowych sprawiają, że zwiększenie liczby danych, mocy obliczeniowej i parametrów przekłada się na przewidywalną poprawę wyników – ale koszt treningu wzrósł z milionów, przez dziesiątki i setki milionów, aż do dziesiątek, a nawet setek miliardów dolarów. – Żaden uniwersytet, żadna organizacja non-profit nie jest w stanie tego udźwignąć. Dlatego firmy pozyskują ogromny kapitał – Anthropic i OpenAI składają dziś wnioski o wejście na giełdę, a Google czy Meta dysponują własnymi, potężnymi generatorami gotówki – zauważa.
Przewaga akademii nie leży w liczbie GPU
Swoim kolegom z akademii Brynjolfsson powtarza jedno: ich przewagą konkurencyjną nie jest wydawanie większych pieniędzy na infrastrukturę obliczeniową, lecz kreatywne myślenie. Przywołuje rozmowę z Geoffreyem Hintonem, którego zapytał, jakiego sprzętu używa do swoich przełomowych odkryć. Hinton wskazał na własny laptop. – Dla fundamentalnych przełomów nie zawsze potrzeba tysięcy procesorów graficznych – zauważa Brynjolfsson.
Ekonomista przypomina też własne doświadczenie z późnych lat 80., gdy razem z Toddem Loofbourrow założył firmę tworzącą systemy eksperckie – wczesną formę AI opartą na regułach. Rozwiązania te wygenerowały pewną wartość dla banków i działów HR, ale w niczym nie dorównywały skali dzisiejszych wdrożeń opartych na sieciach neuronowych. – To, że dziś przemysł inwestuje tak ogromne kwoty, jest w gruncie rzeczy dowodem sukcesu tej dziedziny – ocenia.
Zdaniem Brynjolfssona rolą państwa i akademii pozostaje jednak inwestowanie w badania, które jeszcze nie są komercyjnie opłacalne. Internet, wczesne loty kosmiczne czy przełomy biologiczne wydłużające ludzkie życie – wszystkie powstały na uniwersytetach i w laboratoriach rządowych, właśnie dlatego, że nie miały wtedy jeszcze zastosowania rynkowego. – Nie da się z góry przewidzieć, które badania się opłacą. Ale historia pokazuje, że część z nich naprawdę zmienia poziom naszego życia – mówi.
Kto zarządzi koncentracją władzy i bogactwa?
W dalszej części rozmowy Brynjolfsson wskazuje, co jego zdaniem stanowi dziś największą lukę badawczą po stronie ekonomicznej: brak dobrego zrozumienia, jak AI przekształci całą gospodarkę. Rynki, firmy i organizacje to – w ujęciu ekonomicznym – struktury przetwarzające informację. Skoro moc przetwarzania informacji przez AI rośnie tysiąc- czy milionkrotnie, byłoby zaskakujące, gdyby te struktury się nie zmieniły. Problem w tym, że nowych modeli organizacyjnych jeszcze nie wynaleziono.
Badacz przyznaje, że jest głęboko optymistyczny co do potencjału AI w zakresie wzrostu produktywności – ma nawet długoterminowy zakład w tej sprawie z ekonomistą Robertem Gordonem z Northwestern University. Jednocześnie ostrzega: bez odpowiedniego zarządzania ten sam mechanizm może prowadzić do znacznej koncentracji bogactwa, a ta z kolei – do koncentracji władzy, co realnie zagraża wolnościom obywatelskim. – Musimy zbudować system ekonomiczny, który równoważy tworzenie bogactwa ze wspólnym dobrobytem – mówi.
Świadomy optymizm: przepis Brynjolfssona na przyszłość
Rozmowa kończy się refleksją nad określeniem, którym Brynjolfsson sam się opisuje: mindful optimist, czyli „świadomy optymista”. Naukowiec dokładnie definiuje to pojęcie, odcinając się od dwóch skrajności powszechnych w Dolinie Krzemowej.
Pierwsza to „ślepy optymizm” – przekonanie, że skoro dotychczas wszystko dobrze się układało, tak będzie i tym razem, więc nie warto się martwić. Druga to „ślepy pesymizm” – poczucie nieuchronnej katastrofy, wobec której nic nie da się zrobić. – Obie grupy popełniają ten sam błąd: myślą o AI jako o czymś, co dzieje się nam, zamiast dostrzec, że mamy sprawczość, by kształtować przyszłość – mówi Brynjolfsson.
Metafora domku na drzewie
Świadomy optymista, jak tłumaczy ekonomista, to ktoś, kto widzi pożądaną przyszłość i aktywnie do niej dąży, zamiast zakładać, że wydarzy się sama. Porównuje to do dzieci, które widząc drzewo i sterty desek, nie czekają biernie jak w poranek świąteczny na gotowy prezent, lecz mówią: „zbudujmy tu domek na drzewie” – i zabierają się do pracy.
Na zakończenie ostatniego w tym semestrze wykładu na Stanfordzie Brynjolfsson przekazał studentom jedną myśl, którą powtarza teraz w rozmowie z Ransbothamem: za każdym razem, gdy słyszą skrót „AI”, powinni myśleć o niej jako o wzmocnionej intencji (amplified intention) – największym wzmacniaczu ludzkich zamierzeń, jaki kiedykolwiek istniał. Cokolwiek chcemy osiągnąć, AI może to wzmocnić. Ale bez naszej sprawczości i jasno określonej intencji – nic się nie wydarzy.
Nie ma jednej nieuniknionej przyszłości
– Chcę, żeby ludzie zaczęli myśleć, jakie wartości chcemy realizować, jaką gospodarkę chcemy budować, jaki wspólny dobrobyt chcemy stworzyć. Kieruję to nie tylko do technologów, ale też do decydentów politycznych, obywateli, pracowników i menedżerów – mówi Brynjolfsson. Jego zdaniem w ciągu najbliższej dekady świat zmieni się radykalnie, ale nie istnieje jedna, nieunikniona wersja tej przyszłości. Tak jak przekroczenie granicy między różnymi krajami ujawnia, że różne instytucje prowadzą do zupełnie różnych poziomów dobrobytu i wolności – tak samo różne wybory dziś doprowadzą nas do różnych wariantów przyszłości. Właśnie dlatego część działalności Stanford Digital Economy Lab koncentruje się na badaniu, które ścieżki rozwoju najprawdopodobniej prowadzą do korzystnych dla społeczeństwa rezultatów.
Podsumowując rozmowę, Ransbotham zauważa, że nie ma tu prostych odpowiedzi – ani w jedną, ani w drugą stronę. Zyski z AI są realne, ryzyka też są realne, a to, który z tych scenariuszy przeważy, jest efektem wyborów podejmowanych już dziś. Brynjolfsson w pełni się z tym zgadza. – To czas dla filozofów, humanistów i ekonomistów – dla wszystkich, którzy myślą o tym, jakie wartości chcemy wpisać w ten świat. Wraz z większą mocą sprawczą przychodzi większa odpowiedzialność i większy potencjał zmiany świata. Musimy świadomie zdecydować, jaki świat chcemy zbudować – to za mało obecnej dziś uwagi, ale właśnie temu poświęcona jest w dużej mierze praca naszego laboratorium – kończy rozmowę.
Pięć wniosków dla liderów biznesu
- Pytaj „co my zrobimy z AI”, nie „co AI zrobi z nami”. Sprawczość i intencjonalne decyzje mają dziś większe znaczenie niż kiedykolwiek – AI jest wzmacniaczem ludzkich celów, nie samodzielnym aktorem.
- Spadek produktywności na starcie transformacji to norma, nie porażka. Historia elektryfikacji fabryk pokazuje, że pełne korzyści z technologii ogólnego zastosowania przychodzą dopiero po latach inwestycji w procesy, kompetencje i strukturę organizacyjną – tzw. krzywa J.
- Inwestycje w aktywa niematerialne są kluczowe – i często niewidoczne. Wydatki na nowe procesy biznesowe i kompetencje bywają nawet dziesięciokrotnie wyższe niż koszt samej technologii, a mimo to rzadko trafiają do bilansów.
- Unikaj Pułapki Turinga. Mierzenie sukcesu AI wyłącznie redukcją etatów to strategia krótkowzroczna. Trwałą przewagę konkurencyjną budują firmy, które wykorzystują AI do tworzenia nowych produktów, usług i modeli pracy.
- Nie każde zadanie w zawodzie jest zagrożone automatyzacją. Analiza całego „koszyka zadań” – a nie pojedynczej czynności – pokazuje, że automatyzacja części pracy może zwiększyć, a nie zmniejszyć, wartość i zatrudnienie w danym zawodzie.
Erik Brynjolfsson jest profesorem na Stanford University, dyrektorem Stanford Digital Economy Lab, starszym fellow w Stanford Institute for Human-Centered AI oraz Stanford Institute for Economic Policy Research. Jest współautorem bestsellerowych książek „Race Against the Machine” i „The Second Machine Age”, a także założycielem firmy Workhelix. Rozmowę prowadził Sam Ransbotham, profesor analityki na Boston College, w podcaście „Me, Myself, and AI” wydawanym przez MIT Sloan Management Review.
