Почему так трудно измерить влияние ИИ на производительность труда. Перевод колонки Bloomberg

Нам необходимы более точные данные, чтобы понять, помогает ли искусственный интеллект экономить время или, напротив, создает дополнительную нагрузку.

«Время — деньги» — избитая фраза в корпоративной среде. Подобно многим другим клише, она часто используется, но редко воспринимается всерьёз. Однако в контексте искусственного интеллекта и его влияния на экономическую производительность время — а точнее, экономия времени — становится одним из ключевых показателей того, оправдают ли себя колоссальные инвестиции в эти технологии.

Дисклеймер: это вольный перевод колонки, которую написала Диана Койл для издания Bloomberg. Перевод подготовила редакция «Технократии». Чтобы не пропустить анонс новых материалов подпишитесь на «Голос Технократии» — мы регулярно рассказываем о новостях про AI, LLM и RAG, а также делимся полезными мастридами и актуальными событиями.

^{[реклама удалена]}

Потенциал любой технологии повысить уровень жизни зависит от её способности способствовать росту так называемой совокупной факторной производительности — то есть извлекать больше пользы из всех ресурсов, задействованных в производстве товаров или услуг. Производительность стала главной заботой как бизнес-лидеров, так и политиков, поскольку её рост значительно замедлился в последние десятилетия, несмотря на поразительно быстрый прогресс технологий.

Почти каждую неделю появляются новые модели ИИ с впечатляющими возможностями и надеждой на то, что они улучшат бизнес-процессы или качество услуг. Однако доказательства обещанных преимуществ в эффективности пока не находят отражения в экономической статистике. Опросы показывают, что многие пробуют использовать ИИ. Недавний обзор деловых опросов, подготовленный Федеральной резервной системой США, выявил, что от 20% до 40% работников уже вовлечены в использование ИИ. Другое исследование показало, что в среднем уровень внедрения ИИ среди компаний Европейского союза составляет 13,5%.

Когда на сцену выходили более ранние, так называемые универсальные технологии, их влияние на производительность также проявлялось не сразу. Один из известных примеров — электрификация американской промышленности в начале XX века, эффект от которой стал заметен лишь спустя около полувека. Одной из причин было то, что предприятиям приходилось инвестировать не только в электрическое оборудование, но и в строительство новых фабрик. Мельницы на паровой тяге строились многоэтажными, чтобы использовать энергию вертикально, тогда как электрифицированный конвейер требовал плоской планировки. Группа экономистов под руководством Эрика Бриньолфссона из Стэнфордского университета назвала этот феномен «кривой J производительности»: при внедрении новой технологии производительность сначала падает, прежде чем начнёт расти.

Ещё одной причиной задержки роста производительности является сложность её измерения, особенно в тех отраслях экономики, которые больше не производят стандартизированные, легко поддающиеся учету товары, такие как стиральные машины или автозапчасти. Возьмем, к примеру, консалтинг или юридические услуги. Статистические службы могут легко собрать данные о доходах таких компаний, но как измерить объём их продукции? Это явно не количество слайдов в презентации или страниц в юридическом заключении. Стоимость их услуг зависит от качества, но как статистику учесть качество управленческого совета или правовой консультации?

Компания Google зарабатывает миллиарды на бесплатной услуге — поиске, монетизируя её за счёт рекламы, отображаемой рядом с результатами. Однако оценить созданную экономическую ценность, которую и призвана измерять производительность, значительно сложнее, чем просто подсчитать выручку Google. А как быть с провайдерами интернета, владельцами дата-центров и создателями контента?

Измерение времени — кто и сколько его тратит — становится более полезной метрикой для отслеживания влияния ИИ на производительность. Хотя мы склонны воспринимать технологии как новые устройства или изобретения, большая часть исторического роста производительности происходила за счёт того, что рабочие начинали выполнять одни задачи быстрее, высвобождая время для других. Иными словами, процессные инновации важнее продуктовых.

Вспомним распространение пароходов. Ранее медленное совершенствование парусных судов, например, обшивка корпуса медью, ускоряло плавание, но именно внедрение паровых судов революционизировало транспорт и торговлю в конце XIX века. Более современный пример — внедрение принципов «точно вовремя» в производстве, разработанных в Японии в 1980-х годах. Благодаря улучшениям в логистике отрасли от автомобилестроения до лёгкой промышленности начали согласовывать производство с реальным спросом, минимизируя риск залежалого товара.

Однако выгоды от некоторых технологий на уровне всей экономики не так очевидны. Возьмём, к примеру, терминалы самообслуживания, которые появились во многих магазинах. Они позволяют владельцам сэкономить на зарплатах кассирам, возможно, увеличивая измеримую производительность в рознице. Но теперь труд перешёл на покупателей, которые тратят своё неоплачиваемое время — так что общий прирост производительности под вопросом. Аналогичным образом, многие применения ИИ на деле перекладывают временные издержки на потребителей, в то время как выгоду получают компании. Вспомните бесконечные звонки в клиентские службы, где не отвечает человек, или утомительные процедуры возврата на сайтах электронной торговли.

По этим причинам время становится важнейшим экономическим показателем в условиях, когда ИИ всё глубже проникает в нашу жизнь. Увы, данных о том, как люди распределяют своё время — на работе и вне её — крайне мало. Некоторые национальные статистические службы проводят опросы об использовании времени, включающие вопросы о цифровой активности. Но такие опросы редки, и по-прежнему трудно определить, делают ли онлайн-активности жизнь удобнее и продуктивнее или, наоборот, создают скрытую «временную налоговую нагрузку» через запутанные интерфейсы, перекладывая труд на пользователя.

ИИ уже демонстрирует эффективность в автоматизации трудоёмких задач — от обобщения юридических прецедентов до форматирования презентаций и написания стандартного кода. Бизнесу стоит рассматривать возможности роста производительности через призму того, как именно сотрудники используют своё время и как его можно использовать более ценно в будущем. Иными словами, ИИ помогает выявить, какие задачи являются «поглотителями времени». Сами работники прекрасно знают ответ, но вряд ли захотят делиться им с начальством, опасаясь увольнений. (В отчёте Goldman Sachs за 2023 год говорилось, что ИИ может привести к исчезновению 300 миллионов рабочих мест по всему миру — но никто не знает точно.)

Экономистам и статистикам стоит задуматься о новых формах опросов и более креативных методах сбора данных — например, отслеживании активности на телефонах и компьютерах — чтобы восполнить недостающие сведения. То, как мы распоряжаемся своими двадцатью четырьмя часами в сутки, — это главный показатель ценности и критерий того, оправдает ли ИИ своё экономическое предназначение.