Brak kluczowych danych o elastyczności cenowej usług stanowi fundamentalną lukę w precyzyjnym prognozowaniu wpływu sztucznej inteligencji na rynek pracy. Ta informacyjna pustka uniemożliwia tworzenie skutecznych strategii adaptacyjnych i prowadzi do podejmowania decyzji politycznych oraz biznesowych w oparciu o niepełne metryki.
Problem: Niewystarczające Metryki Ekspozycji
Obecne podejście do mierzenia wpływu sztucznej inteligencji (AI) na rynek pracy opiera się na tzw. „metrykach ekspozycji”. Są to kalkulacje oparte na tym, ile zadań w danej kategorii zawodowej AI jest teoretycznie w stanie wykonać. Analizy, takie jak te dotyczące agentów nieruchomości, wskazują na znaczną ekspozycję na AI w oparciu o analizę zadań. Metryki te czerpią z katalogu zadań rządu USA, uruchomionego w 1998 roku i regularnie aktualizowanego. Firmy takie jak Anthropic analizują miliony konwersacji, aby zidentyfikować, do jakich zadań ludzie faktycznie używają AI.
Dlaczego ekspozycja to za mało?
- Teoretyczna zdolność vs. rzeczywiste wyparcie: Ekonomista Alex Imas z University of Chicago argumentuje, że metryki ekspozycji są fundamentalnie niewystarczające. Sama ekspozycja nie jest równoznaczna z wyparciem stanowisk pracy.
- Brak kontekstu rynkowego: Metryki te nie uwzględniają dynamiki popytu i podaży, co jest kluczowe dla zrozumienia realnych konsekwencji.
Brakująca Zmienna: Elastyczność Cenowa – Klucz do Prognozowania
Prawdziwym czynnikiem determinującym wpływ AI na zatrudnienie jest elastyczność cenowa – miara tego, jak zmienia się popyt, gdy koszty spadają. Kiedy AI drastycznie obniża koszt usługi, wynik dla zatrudnienia zależy wyłącznie od tego, czy niższe ceny generują wystarczająco nowy popyt, aby zrekompensować wzrost efektywności.
Scenariusze wpływu elastyczności cenowej:
- Wzrost zatrudnienia: Jeśli AI obniży koszt przeglądu dokumentów prawnych o 80%, a popyt na tę usługę potroi się, prawnicy wykonujący tę pracę mogą zaobserwować wzrost zatrudnienia.
- Spadek zatrudnienia: Jeśli AI obniży koszt projektowania graficznego o połowę, a popyt ledwo drgnie, projektanci stracą pracę.
Kierunek zmian w zatrudnieniu zależy od reakcji popytu, a dane te, jak donosi MIT Technology Review, są w dużej mierze niedostępne w większości branż. Ta luka jest ogromna i ma kluczowe znaczenie.
Konsekwencje dla Strategii i Bezpieczeństwa Rynku Pracy
Brak tych danych sprawia, że decydenci polityczni działają „na ślepo”. Pomimo pilnej retoryki dotyczącej wpływu AI na siłę roboczą, brakuje rzeczywistej zdolności do podejmowania świadomych decyzji. Yale’s Budget Lab ostrzega przed ograniczeniami obecnej analizy rynku pracy, a badania wskazują na potencjalne zakłócenia gospodarcze. Żaden z wiodących głosów kształtujących politykę AI nie ma dostępu do danych po stronie popytu, które uczyniłyby ich prognozy miarodajnymi.
Perspektywa „Secure by Design” i „Automation First”:
- Ryzyko systemowe: Z perspektywy „Secure by Design”, brak danych o elastyczności cenowej to fundamentalne ryzyko systemowe. Bez nich nie można projektować odpornych systemów społeczno-ekonomicznych ani skutecznie zarządzać ryzykiem transformacji.
- Niewłaściwa automatyzacja: Podejście „Automation First” wymaga, aby decyzje były oparte na rzetelnych danych, a nie na narracjach. Brak tych danych to sabotaż efektywnej i etycznej automatyzacji procesów decyzyjnych na poziomie makroekonomicznym.
Alex Imas zaproponował skoordynowany wysiłek na dużą skalę w celu zbierania tych danych w całej gospodarce, wskazując na istniejące partnerstwa (np. między uniwersytetami a sprzedawcami detalicznymi w celu zbierania danych ze skanerów cen) jako modele, które można by rozszerzyć.
Strukturalne Zachęty do Ignorowania Danych i Globalny Ślepy Punkt
Warto zadać pytanie, dlaczego te dane jeszcze nie istnieją. Firmy AI mają wyraźne instytucjonalne zachęty do podkreślania możliwości technologii, a nie jej konsekwencji. Metryki ekspozycji, które sprawiają, że AI wydaje się potężna, ale nie przewidują rzeczywistych szkód, służą narracyjnym interesom firm sprzedających produkty AI. Dane dotyczące elastyczności cenowej, które mogłyby pokazać, że tańsze usługi oparte na AI nie zawsze generują wystarczający popyt, aby chronić zatrudnienie, znacznie skomplikowałyby tę narrację.
Ponieważ globalna infrastruktura AI koncentruje się w kilku gospodarkach, implikacje dla siły roboczej wykraczają daleko poza Dolinę Krzemową. Rządy od Dżakarty po Nairobi podejmują decyzje inwestycyjne dotyczące siły roboczej w oparciu o te same niekompletne metryki ekspozycji. Luka w danych o elastyczności cenowej jest zatem globalnym ślepym punktem. Im dłużej się utrzymuje, tym bardziej służy tym, którzy czerpią zyski z niepewności. Rodzi to trudniejsze pytanie: jeśli te dane mogłyby wyjaśnić, kto faktycznie straci, kto czerpie korzyści z tego, że nigdy nie zostaną zebrane?
Materiał opracowany przez redakcję BitBiz na podstawie doniesień rynkowych.
Dodaj komentarz