L'INTELLIGENZA ARTIFICIALE E IL PARADOSSO MODERNO DELLA PRODUTTIVITÀ: SCONTRO DI ASPETTATIVE E

STATISTICHE
ASTRATTO
Viviamo in un'epoca di paradossi. I sistemi che utilizzano l'intelligenza artificiale eguagliano o superano le
prestazioni a livello umano in un numero sempre maggiore di domini, sfruttando i rapidi progressi in altre
tecnologie e guidando l'impennata dei prezzi delle azioni. Tuttavia, la crescita della produttività misurata è
diminuita della metà nell'ultimo decennio e il reddito reale è ristagnato dalla fine degli anni '90 per la
maggioranza degli americani. Descriviamo quattro potenziali spiegazioni per questo scontro di aspettative e
statistiche: false speranze, misurazione errata, ridistribuzione e ritardi di implementazione. Sebbene si possa
sostenere un caso per ciascuno, sosteniamo che i ritardi siano stati probabilmente il maggior contributo al
paradosso. Le capacità più impressionanti dell'IA, in particolare quelle basate sull'apprendimento automatico,
non si sono ancora ampiamente diffuse. Ancora più importante, come altre tecnologie di uso generale, i loro
effetti completi non saranno realizzati fino a quando non saranno sviluppate e implementate ondate di
innovazioni complementari. I costi di adeguamento richiesti, i cambiamenti organizzativi e le nuove competenze
possono essere modellati come una sorta di capitale immateriale. Una parte del valore di questo capitale
immateriale si riflette già nel valore di mercato delle imprese. Tuttavia, in futuro, le statistiche nazionali
potrebbero non misurare tutti i benefici delle nuove tecnologie e alcune potrebbero persino avere il segno
sbagliato.

La discussione sui recenti modelli di crescita della produttività aggregata mette in luce un'apparente
contraddizione. Da un lato, ci sono esempi sorprendenti di nuove tecnologie potenzialmente trasformative che
potrebbero aumentare notevolmente la produttività e il benessere economico (vedi ad esempio Brynjolfsson e
McAfee, 2014). Ci sono alcuni primi segni concreti della promessa di queste tecnologie, i recenti progressi nelle
prestazioni dell'intelligenza artificiale (AI) ne sono l'esempio più evidente. Tuttavia, allo stesso tempo, la crescita
della produttività misurata nell'ultimo decennio è rallentata in modo significativo. Questa decelerazione è ampia,
tagliando la crescita della produttività della metà o più del suo livello nel decennio precedente il rallentamento. È
anche diffuso, essendosi verificato in tutta l'OCSE e, più recentemente, anche in molte grandi economie
emergenti (Syverson, 2017).
Sembra quindi che ci troviamo di fronte a una riduzione del paradosso di Solow (1987): vediamo nuove tecnologie
trasformative ovunque tranne che nelle statistiche sulla produttività.
In questo articolo, esaminiamo le prove e le spiegazioni per il moderno paradosso della produttività e
proponiamo una risoluzione. Vale a dire, non c'è incoerenza intrinseca tra l'ottimismo tecnologico lungimirante e
la delusione che guarda al passato. Entrambi possono esistere contemporaneamente. In effetti, ci sono buone
ragioni concettuali per aspettarsi possono esistere simultaneamente quando l'economia subisce il tipo di
ristrutturazione associato alle tecnologie trasformative. In sostanza, i previsori della futura ricchezza aziendale e i
misuratori della performance economica storica mostrano il maggiore disaccordo durante i periodi di
cambiamento tecnologico. In questo documento discutiamo e presentiamo alcune prove che l'economia è in un
tale periodo ora.

Fonti di ottimismo tecnologico

Paul Polman, CEO di Unilever, ha recentemente affermato che "La velocità dell'innovazione non è mai stata così
rapida". Allo stesso modo, Bill Gates, cofondatore di Microsoft, osserva che "l'innovazione si sta muovendo a un
ritmo spaventosamente veloce". Vinod Khosla di Khosla Ventures vede "l'inizio di... [una] rapida accelerazione nei
prossimi 10, 15, 20 anni". Eric Schmidt, presidente esecutivo di Alphabet Inc., crede che "stiamo entrando...
nell'era dell'abbondanza [e] durante l'età dell’abbondanza, vedremo una nuova era... l'era dell'intelligenza”. Ray
Kurzweil predice notoriamente che The Singularity - quando l'intelligenza artificiale supererà gli umani - si
verificherà intorno al 2045.2 Affermazioni come queste sono particolarmente comuni tra i leader tecnologici e i
venture capitalist.
In parte, queste affermazioni riflettono il continuo progresso dell'IT in molte aree, dai progressi tecnologici di
base come ulteriori raddoppiamenti della potenza informatica di base (ma da basi sempre più grandi) agli
1
investimenti di successo nelle innovazioni complementari essenziali come l'infrastruttura cloud e i nuovi servizi
basati su modelli di business. Ma la più grande fonte di ottimismo è l'ondata di recenti miglioramenti
nell'intelligenza artificiale, in particolare l'apprendimento automatico. L'apprendimento automatico rappresenta
un cambiamento fondamentale rispetto alla prima ondata di informatizzazione.
Storicamente, la maggior parte dei programmi per computer sono stati creati codificando meticolosamente la
conoscenza umana, passo dopo passo, mappando gli input agli output come prescritto dai programmatori. Al
contrario, i sistemi di apprendimento automatico utilizzano categorie di algoritmi generali (ad es. reti neurali) per
capire da soli la mappatura pertinente, in genere ricevendo insiemi di dati molto grandi di esempi.
Utilizzando questi metodi di apprendimento automatico che sfruttano la crescita dei dati totali e delle risorse di
elaborazione dei dati, le macchine hanno ottenuto notevoli miglioramenti nella percezione e nella cognizione,
due abilità essenziali per la maggior parte dei tipi di lavoro umano. Ad esempio, i tassi di errore nell'etichettare il
contenuto delle foto su ImageNet, un set di dati di oltre 10 milioni di immagini, sono scesi da oltre il 30% nel 2010
a meno del 5% nel 2016 e più recentemente al 2,2% con SE-ResNet152 in il concorso ILSVRC2017 (vedi Figura 1). I
tassi di errore nel riconoscimento vocale nel corpus di registrazione vocale di Switchboard, spesso utilizzato per
misurare i progressi nel riconoscimento vocale, sono migliorati dall'8,5% al 5,5% nell'ultimo anno (Saon et al.,
2017). La soglia del cinque percento è importante, perché si tratta approssimativamente delle prestazioni degli
esseri umani in ciascuna di queste attività sugli stessi dati di test.
Sebbene non sia ancora al livello delle prestazioni umane professionali, il team di ricerca sull'intelligenza artificiale
di Facebook ha recentemente migliorato i migliori algoritmi di traduzione del linguaggio macchina disponibili
utilizzando tecniche di previsione della sequenza neurale convoluzionale (Gehring et al., 2017). Le tecniche di
deep learning sono state anche combinate con l'apprendimento per rinforzo, un potente insieme di tecniche
utilizzate per generare sistemi di controllo e azione in cui gli agenti autonomi sono addestrati a intraprendere
azioni in uno stato ambientale per massimizzare le ricompense future. Sebbene nascenti, i progressi in questo
campo sono impressionanti. Oltre alle vittorie nel gioco di Go, Google DeepMind ha ottenuto prestazioni
sovrumane in molti giochi Atari (Fortunato et al., 2017).
Queste sono pietre miliari tecnologiche notevoli. Ma possono anche cambiare il panorama economico, creando
nuove opportunità per la creazione di valore aziendale e la riduzione dei costi. Ad esempio, un sistema che utilizza
reti neurali profonde è stato testato su 21 dermatologi certificati e ha abbinato le loro prestazioni nella diagnosi
del cancro della pelle (Esteva et al., 2017). Facebook utilizza le reti neurali per oltre 4,5 miliardi di traduzioni ogni
giorno.

Figura 1. Tassi di errore di riconoscimento delle immagini tra intelligenza artificiale e umana

Un numero crescente di aziende ha risposto a queste opportunità. Google ora descrive il suo focus
come "AI prima di tutto", mentre il CEO di Microsoft Satya Nadella afferma che l'AI è la "svolta
definitiva" nella tecnologia. Il loro ottimismo sull'intelligenza artificiale non è solo chiacchiere a buon
mercato. Stanno facendo investimenti pesanti nell'intelligenza artificiale, così come Apple, Facebook e
Amazon. A partire da settembre 2017, queste società comprendono le cinque società di maggior
valore al mondo. Nel frattempo, l'indice azionario composito Nasdaq, ad alto contenuto tecnologico,
è più che raddoppiato tra il 2012 e il 2017. Secondo CBInsights, gli investimenti globali in società
private focalizzate sull'intelligenza artificiale sono cresciuti ancora più velocemente, passando da $ 589
milioni nel 2012 a oltre $ 5 miliardi nel 2016.
2
La deludente realtà recente
Sebbene le tecnologie discusse sopra abbiano un grande potenziale, ci sono pochi segni che abbiano ancora
influenzato le statistiche sulla produttività aggregata. I tassi di crescita della produttività del lavoro in
un'ampia fascia di economie sviluppate sono diminuiti a metà degli anni 2000 e da allora sono rimasti bassi.
Ad esempio, la crescita della produttività aggregata del lavoro negli Stati Uniti è stata in media solo
dell'1,3% all'anno dal 2005 al 2016, meno della metà del tasso di crescita annuale del 2,8% sostenuto dal
1995 al 2004. Ben 28 dei 29 altri paesi per i quali l'OCSE ha compilato la produttività i dati sulla crescita
hanno registrato decelerazioni simili. Il tasso medio annuo di crescita della produttività del lavoro non
ponderato in questi paesi è stato del 2,3% dal 1995 al 2004, ma solo dell'1,1% dal 2005 al 2015. Inoltre, il
reddito mediano reale è stagnante dalla fine degli anni '90 e le misure non economiche del benessere, come
l'aspettativa di vita, sono diminuite per alcuni gruppi (Case e Deaton, 2017).
La Figura 2 replica l'analisi del Conference Board del suo database Total Economy a livello nazionale
(Conference Board, 2016). Traccia serie di tassi di crescita della produttività annuale altamente uniformi per
gli Stati Uniti e altre economie mature (che combinate corrispondono a gran parte del campione OCSE sopra
citato), le economie emergenti e in via di sviluppo e il mondo in generale. I suddetti rallentamenti negli Stati
Uniti e in altre economie mature sono evidenti nella figura. La figura rivela anche che l'accelerazione della
crescita della produttività nelle economie emergenti e in via di sviluppo durante gli anni 2000 si è conclusa
intorno al periodo della Grande Recessione, causando un recente calo dei tassi di crescita della produttività
anche in questi paesi.
Questi rallentamenti non sembrano riflettere semplicemente gli effetti della Grande Recessione. Nei dati
OCSE, 28 dei 30 paesi mostrano ancora un rallentamento della produttività se si escludono dai totali i tassi
di crescita 2008-09. Cette, Fernald e Mojon (2016), utilizzando altri dati, trovano anche prove sostanziali che
i rallentamenti siano iniziati prima della Grande Recessione.

Figura 2. Crescita media annua della produttività del lavoro (percentuale) livellata per regione

Sia l'approfondimento del capitale che la crescita della produttività totale dei fattori (TFP) portano alla
crescita della produttività del lavoro, ed entrambi sembrano avere un ruolo nel rallentamento (ad esempio,
Fernald, 2014; OCSE, 2015). Il deludente progresso tecnologico può essere legato a ciascuna di queste
componenti. La TFP riflette direttamente tali progressi. L'approfondimento del capitale è indirettamente
influenzato dal cambiamento tecnologico perché le decisioni di investimento delle imprese rispondono ai
miglioramenti del prodotto marginale attuale o atteso del capitale.
Questi fatti sono stati letti da alcuni come motivi di pessimismo sulla capacità delle nuove tecnologie come
l'IA di influenzare notevolmente la produttività e il reddito. Gordon (2014, 2015) sostiene che la crescita
della produttività è stata in declino a lungo termine, con l'accelerazione dell'IT dal 1995 al 2004 che è stata
un'aberrazione una tantum. Pur non affermando che il progresso tecnologico sarà nullo nei prossimi
decenni, Gordon sostiene essenzialmente che stiamo vivendo la nuova normalità a bassa crescita e
dovremmo aspettarci di continuare a farlo in futuro. Cowen (2011) offre allo stesso modo molteplici ragioni
per cui l'innovazione potrebbe essere lenta almeno per il prossimo futuro.
Bloom et al. (2017) documentano che in molti campi del progresso tecnologico la produttività della ricerca è
3
in calo, mentre Nordhaus (2015) rileva che l'ipotesi di un'accelerazione della crescita guidata dalla
tecnologia fallisce una serie di test.
Questa visione pessimistica del futuro progresso tecnologico è entrata nella pianificazione delle politiche a
lungo termine. Il Congressional Budget Office, ad esempio, ha ridotto le sue previsioni a 10 anni per la
crescita media annua della produttività del lavoro negli Stati Uniti dall'1,8% nel 2016 (CBO, 2016) all'1,5%
nel 2017 (CBO, 2017). Sebbene forse modesto in superficie, quella goccia implica che il PIL degli Stati Uniti
sarà considerevolmente inferiore tra 10 anni rispetto a quanto sarebbe nello scenario più ottimistico, una
differenza equivalente a quasi 600 miliardi di dollari nel 2017.

Potenziali spiegazioni per il paradosso

Ci sono quattro principali possibili spiegazioni per l'attuale confluenza di ottimismo tecnologico e scarso
rendimento produttivo: 1) false speranze, 2) misurazioni, 3) distribuzione concentrata e dissipazione della
rendita, e 4) ritardi nell'attuazione e nella ristrutturazione.

false speranze
La possibilità più semplice è che l'ottimismo sulle potenziali tecnologie sia fuori luogo e infondato. Forse
queste tecnologie non saranno così trasformative come molti si aspettano, e sebbene possano avere effetti
modesti e degni di nota su settori specifici, il loro impatto aggregato potrebbe essere piccolo. In questo
caso, il paradosso sarà risolto in futuro perché la crescita della produttività realizzata non sfugge mai alla
sua attuale stasi, il che costringerà gli ottimisti a marcare le proprie convinzioni sul mercato.
La storia e alcuni esempi attuali offrono un quanto di credito a questa possibilità. Certamente si possono
indicare molte tecnologie eccitanti precedenti che non sono state all'altezza delle aspettative inizialmente
ottimistiche. L'energia nucleare non è mai diventata troppo economica da misurare e l'energia da fusione è
stata lontana 20 anni per 60 anni. Marte potrebbe ancora invitare, ma sono passati più di 40 anni da
quando Eugene Cernan è stato l'ultimo a camminare sulla luna. Le macchine volanti non sono mai decollate,
e gli aerei passeggeri non volano più a velocità supersoniche. Anche l'intelligenza artificiale, forse la
tecnologia più promettente della nostra epoca, è ben dietro la previsione di Marvin Minsky del 1967
secondo cui "Entro una generazione il problema della creazione di 'intelligenza artificiale' sarà
sostanzialmente risolto" (Minsky, 1967, p. 2).
D'altra parte, rimane un motivo convincente per l'ottimismo. Come illustreremo di seguito, non è difficile
costruire scenari di fondo in cui anche un numero modesto di tecnologie attualmente esistenti potrebbe
combinarsi per aumentare sostanzialmente la crescita della produttività e il benessere della società. In
effetti, investitori e ricercatori esperti stanno scommettendo denaro e tempo proprio su questi risultati.
Pertanto, mentre riconosciamo il potenziale di un eccesso di ottimismo - e l'esperienza con le prime
previsioni per l'intelligenza artificiale ci ricorda particolarmente di essere un po' cauti in questo saggio -
riteniamo che sarebbe altamente preliminare a questo punto respingere l'ottimismo.

Misurazione errata
Un'altra possibile spiegazione del paradosso è l'errata misurazione della produzione e della produttività. In
questo caso, è la lettura pessimistica del passato empirico, non l'ottimismo sul futuro, che è sbagliata. In
effetti, questa spiegazione implica che i vantaggi in termini di produttività della nuova ondata di tecnologie
sono già stati goduti, ma devono ancora essere misurati con precisione. Sotto questa spiegazione, il
rallentamento dell'ultimo decennio è illusorio. Questa "ipotesi di misurazione errata" è stata avanzata in
diversi lavori (ad esempio, Mokyr, 2014; Alloway, 2015; Feldstein, 2015; Hatzius e Dawsey, 2015; Smith,
2015).
C'è un caso prima facie per l'ipotesi di misurazione errata. Molte nuove tecnologie, come smartphone,
social network online e media scaricabili, comportano un costo monetario ridotto, ma i consumatori
trascorrono molto tempo con queste tecnologie.
Pertanto, le tecnologie potrebbero fornire un'utilità sostanziale anche se rappresentano una piccola quota
del PIL a causa del loro basso prezzo relativo. Guvenen, Mataloni, Rassier e Ruhl (2017) mostrano anche
4
come il crescente spostamento degli utili offshore possa essere un'altra fonte di misurazioni errate.
Tuttavia, una serie di studi recenti fornisce una buona ragione per pensare che una misurazione errata non
è l'intera, o anche una sostanziale, spiegazione del rallentamento. Cardarelli e Lusinyan (2015); Byrne,
Fernald e Reinsdorf (2016); Nakamura e Soloveichik (2015); e Syverson (2017), ciascuno utilizzando
metodologie e dati diversi, presentano prove che la misurazione errata non è la spiegazione principale del
rallentamento della produttività. Dopotutto, sebbene vi siano prove convincenti che molti dei vantaggi delle
tecnologie odierne non si riflettano nel PIL e quindi nelle statistiche sulla produttività, lo stesso era
indubbiamente vero anche in epoche precedenti.

Distribuzione concentrata e dissipazione degli affitti

Una terza possibilità è che i guadagni delle nuove tecnologie siano già ottenibili, ma che attraverso una
combinazione di distribuzione concentrata di tali guadagni e sforzi dissipativi per ottenerli o preservarli
(assumendo che le tecnologie siano almeno parzialmente rivali), il loro effetto sulla produttività media la
crescita è complessivamente modesta, praticamente nulla per il lavoratore mediano. Ad esempio, due degli
usi più redditizi dell'IA fino ad oggi sono stati per il targeting e la determinazione del prezzo degli annunci
online e per il trading automatizzato di strumenti finanziari, entrambe applicazioni con molti aspetti a
somma zero.
Una versione di questa storia afferma che i benefici delle nuove tecnologie sono goduti da una
frazione relativamente piccola dell'economia, ma la natura ristretta e rivale delle tecnologie crea
attività dispendiose di tipo "corsa all'oro". Sia coloro che cercano di essere uno dei pochi beneficiari,
sia coloro che hanno ottenuto alcuni vantaggi e cercano di bloccare l'accesso ad altri, siimpegnano in
questi sforzi dissipativi, distruggendo molti dei benefici delle nuove tecnologie.
La ricerca recente offre un supporto indiretto per gli elementi di questa storia. Le differenze di produttività
tra le imprese di frontiera e le imprese medie dello stesso settore sono state in aumento negli ultimi anni
(Andrews, Criscuolo e Gal, 2016; Furman e Orszag, 2015). Sono cresciute anche le differenze nei margini di
profitto tra i migliori e gli ultimi nella maggior parte dei settori (McAfee e Brynjolfsson, 2009). Un numero
minore di aziende superstar sta guadagnando quote di mercato (Autor et al., 2017; Brynjolfsson et al., 2008)
mentre i guadagni dei lavoratori sono sempre più legati alle differenze di produttività a livello aziendale
(Song, Price, Guvenen, Bloom e von Wachter , 2015). Si teme che la concentrazione del settore stia
portando a sostanziali perdite di benessere aggregato dovute alle distorsioni del potere di mercato (ad
esempio, De Loecker e Eeckhout, 2017; Gutiérrez e Philippon, 2017). Inoltre, la crescente disuguaglianza
può portare a redditi medi stagnanti e ai relativi costi socioeconomici, anche quando il reddito totale
continua a crescere.
Sebbene questa evidenza sia importante, non è un dispositivo. Gli effetti aggregati della concentrazione del
settore è ancora oggetto di dibattito e il semplice fatto che i guadagni di una tecnologia non siano distribuiti
uniformemente non garantisce che le risorse vengano dissipate nel tentativo di catturarli, in particolare che
ci sarebbero abbastanza sprechi da cancellare notevoli vantaggi aggregati.

Ritardi di implementazione e ristrutturazione

Ognuna delle prime tre possibilità, in particolare le prime due, si basa sulla spiegazione della discordanza tra
grandi speranze e realtà statistiche deludenti. Si presume che uno dei due elementi sia in qualche modo
"sbagliato". Nello scenario dell'ottimismo mal riposto, le aspettative per la tecnologia da parte di tecnologi
e investitori sono sbagliate. Nella spiegazione della misurazione errata, gli strumenti che usiamo per
valutare la realtà empirica non sono all'altezza del compito di farlo con precisione. E nelle storie di
distribuzione concentrate, i guadagni privati per pochi possono essere molto reali, ma non si traducono in
guadagni più ampi per i molti.
Ma c'è una quarta spiegazione che permette a entrambe le metà dell'apparente paradosso di essere
corrette. Afferma che ci sono davvero buone ragioni per essere ottimisti riguardo al futuro potenziale di
crescita della produttività delle nuove tecnologie, riconoscendo allo stesso tempo che la recente crescita
della produttività è stata bassa. Il nocciolo di questa storia è che ci vuole un tempo considerevole, spesso
5
più di quanto comunemente si ritenga, per essere in grado di sfruttare a sufficienza le nuove tecnologie.
Ironia della sorte, questo è particolarmente vero per quelle importanti nuove tecnologie che alla fine hanno
un effetto importante sulle statistiche aggregate e sul benessere.
Cioè, quelli con un'applicazione potenziale così ampia da qualificarsi come tecnologie di uso generale (GPT).
Infatti, più profonda e di vasta portata è la potenziale ristrutturazione, più lungo è il lasso di tempo tra
l'invenzione iniziale della tecnologia e il suo pieno impatto sull'economia e sulla società.
Questa spiegazione implica che ci sarà un periodo in cui le tecnologie saranno sviluppate abbastanza da
permettere a investitori, commentatori, ricercatori e decisori politici di immaginare i loro potenziali effetti
trasformativi anche se non hanno avuto alcun effetto distinguibile sulla recente crescita della produttività. È
solo quando si costruisce uno stock sufficiente della nuova tecnologia e si realizza la necessaria invenzione
di processi e risorse complementari che la promessa della tecnologia sboccia effettivamente nei dati
economici aggregati. Gli investitori guardano al futuro e le statistiche economiche guardano al passato. In
tempi di stabilità tecnologica o di cambiamento costante (velocità costante), le misurazioni disgiunte
sembreranno seguirsi a vicenda. Ma in periodi di rapido cambiamento, le due misurazioni possono
diventare non correlate.
Ci sono due fonti principali del ritardo tra il riconoscimento del potenziale di una nuova tecnologia ei suoi
effetti misurabili. Uno è che ci vuole tempo per costruire lo stock della nuova tecnologia a una dimensione
sufficiente per avere un effetto aggregato. L'altro è che sono necessari investimenti complementari per
ottenere il massimo beneficio dalla nuova tecnologia, e ci vuole tempo per scoprire e sviluppare questi
complementi e per implementarli. Mentre l'importanza fondamentale dell'invenzione centrale e il suo
potenziale per la società potrebbero essere chiaramente riconoscibili all'inizio, la miriade di necessarie co-
invenzioni, ostacoli e adattamenti necessari lungo il percorso attendono di essere scoperti nel tempo e il
percorso richiesto può essere lungo e arduo. Non confondere mai una visione chiara con una breve
distanza.
Questa spiegazione risolve il paradosso riconoscendo che le sue due parti apparentemente contraddittorie
non sono in realtà in conflitto. Piuttosto, entrambe le parti sono in un certo senso manifestazioni naturali
dello stesso fenomeno sottostante di costruzione e implementazione di una nuova tecnologia.
Mentre ciascuna delle prime tre spiegazioni per il paradosso potrebbe avere un ruolo nella descrizione della
sua fonte, le spiegazioni affrontano anche serie domande sulla loro capacità di descrivere parti chiave dei
dati. Troviamo il quarto: la storia dei ritardi di implementazione e ristrutturazione— per essere il più
avvincente alla luce delle prove che discuteremo di seguito. Quindi è il fulcro delle nostre esplorazioni nel
resto di questo saggio.

L'argomento a favore dell'implementazione e dei ritardi di ristrutturazione Spiegazione

Implicito o esplicito nella visione pessimistica del futuro è che il recente rallentamento della crescita della
produttività fa presagire un rallentamento della crescita della produttività in futuro.
Iniziamo stabilendo uno degli elementi più basilari della storia: che la lenta crescita della produttività oggi
non esclude una crescita più rapida della produttività in futuro. In effetti, l'evidenza è chiara che è a
malapena predittiva.
La crescita della produttività totale dei fattori è la componente della crescita della produzione complessiva
che non può essere spiegata tenendo conto dei cambiamenti osservabili nel lavoro e negli input di capitale.
È stata definita una “misura della nostra ignoranza” (Abramovitz, 1956). È un residuo, quindi un
econometrico non dovrebbe sorprendersi se non è molto prevedibile dai livelli passati. La produttività del
lavoro è una misura simile, ma invece di tenere conto dell'accumulazione di capitale divide semplicemente
la produzione totale per le ore di lavoro utilizzate per produrre quella produzione.
La Figura 3 e la Figura 4 tracciano, rispettivamente, gli indici di produttività degli Stati Uniti dal 1948 e la
crescita della produttività per decennio. I dati includono la produttività media del lavoro (LP), la produttività
totale media dei fattori (TFP) e la TFP rettificata per l'utilizzo di Fernald (2014) (TFPua)

6
Figura 3. Indici della TFP e della produttività del lavoro negli Stati Uniti, 1948-2016 (1990 = 100)

Figura 4. TFP statunitense e crescita della produttività del lavoro (%) per decennio

La produttività è costantemente cresciuta nel dopoguerra, anche se a ritmi diversi in momenti diversi.
Nonostante la crescita costante, tuttavia, i tassi di crescita della produttività del passato sono stati
storicamente scarsi predittori della crescita futura della produttività. In altre parole, la crescita della
produttività dell'ultimo decennio ci dice poco sulla crescita della produttività per il prossimo decennio.
Guardando solo ai dati sulla produttività, sarebbe stato difficile prevedere la diminuzione della crescita della
produttività nei primi anni '70 o prevedere l'impatto benefico dell'IT negli anni '90.
A quanto pare, mentre esiste una certa correlazione nei tassi di crescita della produttività su brevi intervalli,
la correlazione tra periodi di dieci anni adiacenti non è statisticamente significativa. Presentiamo di seguito i
risultati di una regressione di diverse misure di crescita della produttività media sulla crescita della
produttività media del periodo precedente per intervalli di 10 anni, nonché grafici a dispersione della
produttività per ogni 10 anni rispetto alla produttività nel periodo successivo. Le regressioni nella tabella 1
consentono l'autocorrelazione in termini di errore negli anni (1 lag). La tabella 2 raggruppa gli errori
standard per decennio. Risultati simili che consentono l'autocorrelazione su scale temporali più lunghe sono
presentati in appendice.
In tutti i casi, il R2 di queste regressioni è bassa e la crescita della produttività del decennio precedente non
ha un potere predittivo statisticamente distinguibile sulla crescita del decennio successivo. Per la
produttività del lavoro, il R2 è 0,009. Sebbene l'intercetta nella regressione sia significativamente diversa da
zero (la crescita della produttività è mediamente positiva), il coefficiente sulla crescita del periodo
precedente non è statisticamente significativo. Anche la stima puntuale è economicamente piccola.
Prendendo la stima al valore nominale, l'1% in più di crescita annuale della produttività del lavoro nel
decennio precedente (circa una media incondizionata di circa il 2% all'anno) corrisponde a una crescita più
rapida di meno dello 0,1% nel decennio successivo. Nella regressione della crescita della TFP, la R2 è 0,023,
e anche in questo caso il coefficiente sulla crescita del periodo precedente è insignificante. Modelli simili
valgono nella regressione TFP aggiustata per l'utilizzo (R2 di 0,03). La mancanza di potere esplicativo della
passata crescita della produttività è evidente anche nei grafici a dispersione.

7
Tabella 1 – Regressioni con errori standard di Newey-West

Tabella 2 – Regressioni con errori standard raggruppati per decennio

Figura 5: grafico a dispersione della crescita della produttività del lavoro

Figura 6: grafico a dispersione della crescita della produttività del fattore totale

Figura 7: Grafico a dispersione della crescita della produttività del fattore totale corretto per l'utilizzo

Il vecchio adagio che "le prestazioni passate non sono predittive dei risultati futuri" si applica bene per

8
cercare di prevedere la crescita della produttività negli anni a venire, soprattutto in periodi di un decennio o
più. La stagnazione storica non giustifica il pessimismo lungimirante.

Un caso guidato dalla tecnologia per l'ottimismo della produttività

La semplice estrapolazione in avanti dei recenti tassi di crescita della produttività non è un buon modo per
stimare la crescita della produttività del prossimo decennio. Questo implica che non abbiamo alcuna
speranza di prevedere la crescita della produttività? Non la pensiamo così.
Invece di fare affidamento solo sulle statistiche sulla produttività del passato, possiamo considerare
l'ambiente tecnologico e di innovazione che ci aspettiamo di vedere nel prossimo futuro. In particolare,
occorre studiare e comprendere le specifiche tecnologie effettivamente esistenti e valutarne le potenzialità.
Non è necessario scavare troppo a fondo nel pool di tecnologie esistenti o assumere benefici
incredibilmente grandi da ognuna di esse per sostenere che le tecnologie esistenti ma ancora nascenti
possono potenzialmente combinarsi per creare notevoli accelerazioni nella crescita della produttività
aggregata. Iniziamo guardando alcuni esempi specifici. Quindi dimostreremo che l'IA è un GPT, con
implicazioni più ampie.
Innanzitutto, consideriamo il potenziale di produttività dei veicoli autonomi. Secondo il Bureau of Labor
Statistics degli Stati Uniti, nel 2016 c'erano 3,5 milioni di persone che lavoravano nell'industria privata come
"operatori di veicoli a motore" di un tipo o dell'altro (questo include conducenti di camion, tassisti, autisti di
autobus e altre occupazioni simili). Supponiamo che i veicoli autonomi riducano, in un certo periodo, il
numero di conducenti necessari per svolgere l'attuale carico di lavoro a 1,5 milioni. Non pensiamo che
questo sia uno scenario inverosimile visto il potenziale della tecnologia. L'occupazione privata totale non
agricola a metà del 2016 era di 122 milioni. Pertanto, i veicoli autonomi ridurrebbero il numero di lavoratori
necessari per raggiungere la stessa produzione a 120 milioni. Ciò comporterebbe un aumento della
produttività del lavoro aggregata (calcolata utilizzando le serie private non agricole standard BLS) di 1.7% (=
122/120). Supponendo che questa transizione sia avvenuta nell'arco di 10 anni, questa singola tecnologia
fornirebbe un impulso diretto dello 0,17% alla crescita annuale della produttività in quel decennio.
Questo guadagno è significativo e non include molti potenziali guadagni di produttività derivanti da
cambiamenti complementari che potrebbero accompagnare la diffusione dei veicoli autonomi. Ad esempio,
le auto a guida autonoma sono un complemento naturale al trasporto come servizio piuttosto che alla
proprietà di un'auto individuale. L'auto tipica è attualmente parcheggiata il 95% del tempo, il che la rende
prontamente disponibile per il suo proprietario o utente principale (Morris, 2016). Tuttavia, in luoghi con
una densità sufficiente, potrebbe essere convocata un'auto a guida autonoma su richiesta. Ciò
consentirebbe alle auto di fornire servizi di trasporto utili per una frazione maggiore del tempo, riducendo i
costi di capitale per miglio- passeggero, anche dopo aver tenuto conto dell'aumento dell'usura. Pertanto,
oltre agli ovvi miglioramenti della produttività del lavoro derivanti dalla sostituzione dei conducenti, anche
la produttività del capitale sarebbe notevolmente migliorata. Naturalmente, la velocità di adozione è
importante per stimare l'impatto di queste tecnologie. Levy (2017) è più pessimista, suggerendo nel breve
termine che i posti di lavoro di Long Distance Truck Driver cresceranno di circa il 2% tra il 2014 e il 2024.
Questo è il 3% in meno (circa 55.000 posti di lavoro in quella categoria) di quanto sarebbero cresciuti senza
un veicolo autonomo tecnologia e circa il 3% dell'occupazione totale dei camionisti a lunga distanza.
Un secondo esempio sono i call center. A partire dal 2015, c'erano circa 2,2 milioni di persone che
lavoravano in più di 6.800 call center negli Stati Uniti e altre centinaia di migliaia lavorano come agenti di
call center da casa o in siti più piccoli. Sistemi di riconoscimento vocale migliorati abbinati a strumenti di
risposta alle domande intelligenti come Watson di IBM potrebbero plausibilmente essere in grado di gestire
il 60-70% o più delle chiamate, soprattutto perché, in conformità con il principio di Pareto, una grande
frazione del volume delle chiamate è dovuta a varianti su un piccolo numero di domande di base. Se l'IA
riducesse il numero di lavoratori del 60%, aumenterebbe la produttività del lavoro negli Stati Uniti dell'1%,
forse di nuovo spalmata su 10 anni. Ancora una volta, questo probabilmente stimolerebbe innovazioni
complementari, dalla raccomandazione per gli acquisti e dai servizi di viaggio alla consulenza legale, alla
consulenza e al coaching personale in tempo reale. Allo stesso modo, citando i progressi nel servizio clienti
9
assistito dall'intelligenza artificiale, Levy (2017) prevede una crescita zero dei rappresentanti del servizio
clienti dal 2014 al 2024 (una differenza di 260.000 posti di lavoro rispetto alle proiezioni BLS).
Oltre al risparmio di manodopera, i progressi nell'IA hanno il potenziale per aumentare la produttività totale
dei fattori. In particolare, l'efficienza energetica e l'utilizzo dei materiali potrebbero essere migliorati in
molti impianti industriali su larga scala. Ad esempio, un team di Google DeepMind ha recentemente
addestrato un insieme di reti neurali per ottimizzare il consumo energetico in un data center. Tracciando
attentamente i dati già raccolti da migliaia di sensori che tracciano temperature, consumo di elettricità e
velocità della pompa, il sistema ha imparato come apportare modifiche ai parametri operativi. Di
conseguenza, l'IA è stata in grado di ridurre la quantità di energia utilizzata per il raffreddamento del 40%
rispetto ai livelli raggiunti dagli esperti umani. L'algoritmo era un framework generico progettato per tenere
conto di dinamiche complesse, quindi è facile vedere come un tale sistema potrebbe essere applicato ad
altri data center di Google, o addirittura in tutto il mondo. Nel complesso, i costi dell'elettricità dei data
center negli Stati Uniti sono di circa $ 6 miliardi all'anno, di cui circa $ 2 miliardi solo per il raffreddamento.
Inoltre, applicazioni simili di machine learning potrebbero essere implementate inuna varietà di
attività commerciali e industriali. Ad esempio, la produzione rappresenta circa $ 2,2 trilioni di valore
aggiunto ogni anno. Le aziende manifatturiere come GE stanno già utilizzando l'intelligenza artificiale per
prevedere la domanda di prodotti, le future esigenze di manutenzione dei clienti e analizzare i dati sulle
prestazioni provenienti dai sensori sui loro beni strumentali. Recenti lavori sull'addestramento di modelli di
reti neurali profonde per percepire oggetti e ottenere allo stesso tempo il controllo sensomotorio hanno
prodotto robot in grado di eseguire una varietà di compiti di coordinazione occhio-mano (ad esempio,
svitare i tappi di bottiglia e appendere gli appendiabiti) (Levine et al., 2016). Liu et al. (2017) hanno
addestrato i robot a svolgere una serie di lavori domestici, come spazzare e versare mandorle in una
padella, utilizzando una tecnica chiamata apprendimento per imitazione.In questo approccio, il robot
impara a eseguire un'attività utilizzando una dimostrazione video non elaborata di ciò che deve fare. Queste
tecniche saranno sicuramente importanti per automatizzare i processi di produzione in futuro. I risultati
suggeriscono che l'intelligenza artificiale potrebbe presto migliorare anche la produttività nelle attività di
produzione domestica, che nel 2010 valevano fino a 2,5 trilioni di dollari in valore aggiunto non di mercato
(Bridgman et al., 2012).
Sebbene questi esempi siano indicativi di guadagni di produttività non banali, sono solo una frazione
dell'insieme di applicazioni per l'intelligenza artificiale e l'apprendimento automatico che sono state
identificate finora. James Manyika e i suoi colleghi hanno analizzato 2000 attività e hanno stimato che
circa il 45% delle attività che le persone sono pagate per svolgere nell'economia statunitense
potrebbero essere automatizzate utilizzando i livelli esistenti di intelligenza artificiale e altre
tecnologie. Sottolineano che il ritmo dell'automazione dipenderà da fattori diversi dalla fattibilità
tecnica, inclusi i costi dell'automazione, le barriere normative e l'accettazione sociale.

L'intelligenza artificiale è una tecnologia di uso generale

Per quanto importanti possano essere le applicazioni specifiche dell'IA, sosteniamo che gli effetti
economici più importanti dell'IA, dell'apprendimento automatico e delle nuove tecnologie associate
derivano dal fatto che incarnano le caratteristiche delle tecnologie di uso generale (GPT).
Bresnahan e Trajtenberg (1996) sostengono che un GPT dovrebbe essere pervasivo, in grado di essere
migliorato nel tempo ed essere in grado di generare innovazioni complementari.
Il motore a vapore, l'elettricità, il motore a combustione interna e i computer sono esempi di importanti
tecnologie di uso generale. Ciascuno di essi ha aumentato la produttività non solo direttamente, ma anche
stimolando importanti innovazioni complementari. Ad esempio, il motore a vapore non solo ha
aiutato a pompare acqua dalle miniere di carbone, la sua applicazione iniziale più importante, ma ha
anche stimolato l'invenzione di macchinari di fabbrica più efficaci e nuove forme di trasporto come
navi a vapore e ferrovie. A loro volta, queste co-invenzioni hanno contribuito a dare origine a
innovazioni nelle catene di approvvigionamento e nel marketing di massa, a nuove organizzazioni con
centinaia di migliaia di dipendenti e persino a innovazioni apparentemente non correlate come l'ora
10
standard, necessaria per gestire gli orari delle ferrovie.
L'intelligenza artificiale, e in particolare l'apprendimento automatico, ha sicuramente il potenziale per
essere pervasiva, per essere migliorata nel tempo e per generare innovazioni complementari, rendendola
candidata per un importante GPT.
Come notato da Agrawal, Gans e Goldfarb (2017), l'attuale generazione di sistemi di apprendimento
automatico è particolarmente adatta per aumentare o automatizzare attività che coinvolgono almeno
un aspetto di previsione, ampiamente definito. Questi coprono una vasta gamma di compiti,
occupazioni e settori, dalla guida di un'auto (prevedere la direzione corretta per girare il volante) e
diagnosticare una malattia (prevedere la sua causa) per consigliare un prodotto (prevedere cosa
piacerà al cliente) e scrivere una canzone (prevedere quale sequenza di note sarà più popolare). Le
capacità fondamentali di percezione e cognizione affrontate dai sistemi attuali sono pervasive, se non
indispensabili, per molti compiti svolti dagli esseri umani.
Anche i sistemi di apprendimento automatico sono progettati per migliorare nel tempo. In effetti, ciò che
li distingue dalle tecnologie precedenti è che sono progettati per migliorare loro stessi col tempo. Invece di
richiedere a un inventore o a uno sviluppatore di codificare, o codificare, ogni fase di un processo da
automatizzare, un algoritmo di apprendimento automatico può scoprire da solo una funzione che collega un
insieme di input X a un insieme di output Y finché il suo dato un insieme sufficientemente ampio di esempi
etichettati che mappano alcuni degli input agli output (Brynjolfsson e Mitchell, 2017). I miglioramenti
riflettono non solo la scoperta di nuovi algoritmi e tecniche, in particolare per le reti neurali profonde, ma
anche le loro complementarità con molto più potenti hardware del computer e la disponibilità di set di
dati digitali molto più grandi che possono essere utilizzati per addestrare i sistemi (Brynjolfsson e
McAfee, 2017). Sempre più dati digitali vengono raccolti come sottoprodotto delle operazioni di
digitalizzazione, delle interazioni con i clienti, delle comunicazioni e di altri aspetti della nostra vita,
fornendo foraggio per nuove e migliori applicazioni di apprendimento automatico.
Ancora più importante, i sistemi di apprendimento automatico possono stimolare una serie di innovazioni
complementari. Ad esempio, l'apprendimento automatico ha trasformato le capacità delle macchine di
eseguire una serie di tipi di percezione di base che consentono un insieme più ampio di applicazioni.
Considera la visione artificiale: la capacità di vedere e riconoscere gli oggetti, di etichettarli nelle foto e di
interpretare i flussi video. Poiché i tassi di errore nell'identificazione dei pedoni migliorano da uno ogni 30
fotogrammi a circa uno ogni 30 milioni di fotogrammi, le auto a guida autonoma diventano sempre più
fattibili (Brynjolfsson e McAfee, 2017).
La visione artificiale migliorata rende anche pratica una varietà di attività di automazione di fabbrica e
diagnosi mediche. Gill Pratt ha fatto un'analogia con lo sviluppo della vista negli animali 500 milioni di anni
fa, che ha contribuito ad innescare l'esplosione del Cambriano e l'esplosione di nuove specie sulla terra
(Pratt, 2015). Ha anche notato che le macchine hanno una nuova capacità che nessuna specie biologica ha:
la capacità di condividere conoscenze e abilità quasi istantaneamente con gli altri. In particolare, l'ascesa del
cloud computing ha reso significativamente più facile sviluppare nuove idee a costi molto inferiori rispetto a
prima. Questo è uno sviluppo particolarmente importante per promuovere l'impatto economico del
machine learning perché consente la robotica cloud: la condivisione della conoscenza tra i robot. Una volta
che una nuova abilità viene appresa da una macchina in una posizione, può essere replicato su altre
macchine tramite reti digitali. I dati e le competenze possono essere condivisi, aumentando la quantità di
dati che può essere utilizzata da qualsiasi studente di macchina.
Questo a sua volta aumenta il tasso di miglioramento. Ad esempio, le auto a guida autonoma che
incontrano una situazione insolita possono caricare tali informazioni con una piattaforma condivisa in cui è
possibile aggregare un numero sufficiente di esempi per dedurre uno schema. Solo un veicolo a guida
autonoma deve sperimentare un'anomalia affinché molti veicoli possano imparare da esso. Waymo, una
sussidiaria di Google, ha auto che guidano 25.000 autonome "reali" e circa 19 milioni di miglia simulate ogni
settimana. Tutte le vetture Waymo imparano dall'esperienza congiunta delle altre. Allo stesso modo, un
robot alle prese con un compito può trarre vantaggio dalla condivisione di dati e apprendimenti con altri
robot che utilizzano un quadro di rappresentazione della conoscenza compatibile.
11
Quando si pensa all'IA come a un GPT, le implicazioni per la produzione e i guadagni di benessere sono
molto più grandi rispetto alla nostra precedente analisi. Ad esempio, le auto a guida autonoma
potrebbero trasformare sostanzialmente molti settori diversi dai trasporti. La vendita al dettaglio
potrebbe spostarsi molto ulteriormente verso la consegna a domicilio su richiesta, creando vantaggi
in termini di benessere dei consumatori e liberando ulteriormente terreno prezioso ad alta densità
ora utilizzato per il parcheggio. Il traffico e la sicurezza potrebbero essere ottimizzati e i rischi
assicurativi potrebbero diminuire. Con oltre 30.000 morti a causa di incidenti automobilistici negli
Stati Uniti ogni anno, e quasi un milione in tutto il mondo, c'è l'opportunità di salvare molte vite.

Perché il futuro progresso tecnologico è coerente con la bassa crescita della produttività attuale
Dopo aver sostenuto l'ottimismo tecnologico, passiamo ora a spiegare perché non è incoerente con - e in
effetti potrebbe anche essere naturalmente correlato alla - bassa crescita della produttività attuale.
Come altri GPT, l'IA ha il potenziale per essere un importante fattore di produttività. Tuttavia, come
sottolineano Jovanovic e Rousseau (2005) (con ulteriore riferimento all'esempio storico di David [1991]),
“un GPT non fornisce guadagni di produttività immediatamente all'arrivo” (p. 1184). La tecnologia può
essere presente e sviluppata abbastanza da consentire qualche nozione dei suoi effetti trasformativi anche
se non sta influenzando in alcun modo gli attuali livelli di produttività. Questo è precisamente lo stato in cui
sosteniamo che l'economia possa trovarsi ora.
Abbiamo discusso sopra che un GPT può in un momento essere presente e tuttavia non influenzare l'attuale
crescita della produttività se è necessario costruire uno stock sufficientemente ampio di nuovo capitale, o
se tipi complementari di capitale, sia tangibile che intangibile, devono essereidentificati, prodotti e
messi in atto per sfruttare appieno i benefici di produttività del GPT.
Il tempo necessario per costruire uno stock di capitale sufficiente può essere lungo. Per esempio, non è
stato fino alla fine degli anni '80, più di 25 anni dopo l'invenzione del circuito integrato, che lo stock di
capitale dei computer ha raggiunto il suo plateau di lungo periodo a circa il 5% (a costo storico) del capitale
totale delle apparecchiature non residenziali. Era solo a metà di quel livello 10 anni prima. Così, quando
Solow ha sottolineato il suo paradosso ora omonimo, i computer erano finalmente solo allora arrivando al
punto in cui potevano essere visti davvero ovunque.
David (1991) nota un fenomeno simile nella diffusione dell'elettrificazione. Almeno la metà degli
stabilimenti manifatturieri statunitensi rimase priva di elettricità fino al 1919, circa 30 anni dopo l'inizio del
passaggio alla corrente alternata polifase. Inizialmente, l'adozione è stata guidata da semplici risparmi sui
costi nella fornitura di forza motrice. I maggiori vantaggi sono arrivati dopo, quando sono state apportate
innovazioni complementari. I manager hanno iniziato a riorganizzare radicalmente il lavoro sostituendo la
fonte di alimentazione centralizzata delle fabbriche e dotando ogni singola macchina del proprio motore
elettrico. Ciò consente una maggiore flessibilità nella posizione delle apparecchiature e rende possibile linee
di assemblaggio efficaci per il flusso dei materiali.
Questo approccio all'organizzazione delle fabbriche è ovvio in retrospettiva, ma ci sono voluti fino a 30 anni
prima che diventasse ampiamente adottato. Come mai? Come notato da Henderson (1993; 2006), è
esattamente perché gli operatori storici sono progettati attorno ai modi attuali di fare le cose e così abili in
essi da essere ciechi o incapaci di assorbire i nuovi approcci e rimanere intrappolati nello status quo:
subiscono la "maledizione della conoscenza".
L'esempio dell'elettrificazione della fabbrica dimostra l'altro contributo al divario temporale tra l'emergere
di una tecnologia ei suoi effetti misurati sulla produttività: la necessità di installazione (e spesso invenzione)
di capitale complementare. Ciò include investimenti materiali e immateriali. La tempistica necessaria per
inventare, acquisire e installare questi complementi è in genere più ampia rispetto alle considerazioni sul
tempo di costruzione appena discussa.
Si consideri il ritardo misurato tra i grandi investimenti nell'IT ei vantaggi di produttività all'interno delle
aziende. Brynjolfsson e Hitt (2003) hanno scoperto che, mentre si consideravano le differenze di un anno,
mentre si consideravano le differenze di un anno, mentre si consideravano le differenze di un anno, i
benefici in termini di produttività erano associati a piccoli vantaggi in termini di produttività, con un picco
12
dopo circa sette anni. Hanno attribuito questo modello alla necessità di cambiamenti complementari nei
processi aziendali. Ad esempio, quando implementano sistemi di pianificazione aziendale di grandi
dimensioni, le aziende spendono quasi sempre molte volte di più per la riprogettazione e la formazione dei
processi aziendali rispetto ai costi diretti di hardware e software. Assunzioni e altre pratiche di risorse
umane spesso necessitano di adeguamenti considerevoli per adeguare il capitale umano dell'azienda alla
nuova struttura di produzione. Infatti, Bresnahan, Brynjolfsson, e Hitt (2002) trovano prove di
complementarità a tre vie tra IT, capitale umano e cambiamenti organizzativi nelle decisioni di investimento
e nei livelli di produttività. Inoltre, Brynjolfsson, Hitt e Yang (2002) mostrano che ogni dollaro di capitale IT è
correlato a circa 10 dollari di valore di mercato. Lo interpretano come prova di sostanziali risorse
immateriali legate all'IT e mostrano che le aziende che combinano investimenti IT con un insieme specifico
di pratiche organizzative non sono solo più produttive: hanno anche valori di mercato sproporzionatamente
più alti rispetto alle aziende che investono solo nell'uno o nell’altro. Questo modello nei dati è coerente con
un lungo flusso di ricerche sull'importanza del cambiamento organizzativo e persino culturale quando si
effettuano investimenti IT e investimenti tecnologici più in generale (ad esempio, Aral et al., 2012;
Brynjolfsson e Hitt, 2000; Orlikowski, 1996; Henderson, 2006).
Ma tali cambiamenti richiedono tempo e risorse considerevoli, contribuendo all'organizzazione inerzia. Le
aziende sono sistemi complessi che richiedono un'ampia rete di asset complementari per consentire al GPT
di trasformare completamente il sistema. Le aziende che stanno tentando la trasformazione spesso devono
rivalutare e riconfigurare non solo i loro processi interni ma spesso anche le loro catene di fornitura e
distribuzione. Questi cambiamenti possono richiedere tempo, ma manager e imprenditori indirizzeranno
l'invenzione in modo da risparmiare sugli input più costosi (Acemoglu e Restrepo, 2017). Secondo il
principio di LeChatelier (Milgrom e Roberts, 1996), le elasticità tenderanno quindi ad essere maggiori nel
lungo periodo che nel breve periodo man mano che i fattori quasi fissi si adeguano.
Non vi è alcuna garanzia che gli adeguamenti avranno successo. In effetti, ci sono prove che la
trasformazione modale della grandezza a livello di GPT fallisce. Alon, Berger, Dent e Pugsley (2017) trovano
che coorti di imprese di età superiore ai cinque anni contribuiscono poco alla crescita della produttività
aggregata su rete, ovvero, tra le imprese consolidate, i miglioramenti della produttività in un'impresa sono
compensati dai cali di produttività di altre imprese. È difficile insegnare al proverbiale vecchio cane nuovi
trucchi. Inoltre, i vecchi cani (aziende) hanno spesso incentivi interni a non impararli (Arrow, 1962; Holmes,
Levine e Schmitz, 2012). In un certo senso, la tecnologia avanza nell'industria una morte aziendale alla volta.
La trasformazione di industrie e settori richiede ancora più aggiustamenti e riconfigurazioni. Il commercio al
dettaglio offre un chiaro esempio. Nonostante sia stata una delle più grandi innovazioni emerse dal boom
delle dot- com degli anni '90, il più grande cambiamento nella vendita al dettaglio nei due decenni
successivi non è stato l'e- commerce, ma invece l'espansione di magazzini e supercentri (Hortaçsu e
Syverson, 2015). Solo di recente l'e- commerce è diventato una forza con cui fare i conti con i rivenditori
generici. Perché ci è voluto così tanto tempo?
Brynjolfsson e Smith (1999) documentano le difficoltà incontrate dai rivenditori storici nell'adattare i
propri processi aziendali per trarre il massimo vantaggio da Internet e dal commercio elettronico.
Sono stati necessari molti investimenti complementari. Il settore nel suo insieme ha richiesto la
realizzazione di un'intera infrastruttura di distribuzione. I clienti dovevano essere “riqualificati.
"Niente di tutto questo potrebbe accadere rapidamente. Il potenziale dell'e-commerce per
rivoluzionare la vendita al dettaglio è stato ampiamente riconosciuto e persino pubblicizzato alla fine
degli anni '90, ma la sua quota effettiva del commercio al dettaglio era minuscola, lo 0,2% di tutte le
vendite al dettaglio nel 1999. Solo dopo due decenni di cambiamenti ampiamente previsti ma
dispendiosi in termini di tempo nel settore, l'e-commerce inizia ad avvicinarsi al 10% delle vendite al
dettaglio totali e aziende come Amazon stanno avendo un effetto di primo ordine sulle vendite dei
rivenditori più tradizionali e sulle valutazioni del mercato azionario.
Il caso delle auto a guida autonoma discusso in precedenza fornisce un esempio più prospettico di come la
produttività potrebbe essere in ritardo rispetto alla tecnologia. Considera cosa succede agli attuali pool di
addetti alla produzione e alla gestione dei veicoli quando vengono introdotti i veicoli autonomi.
13
L'occupazione nella produzione aumenterà inizialmente per gestire la ricerca e lo sviluppo, lo sviluppo
dell'intelligenza artificiale e l'ingegneria di nuovi veicoli. Inoltre, i problemi relativi alla curva di
apprendimento potrebbero implicare una minore produttività nella produzione di questi veicoli durante i
primi anni (Levitt, List e Syverson, 2013). Pertanto, l'input di lavoro nel breve periodo può effettivamente
aumentare, anziché diminuire, per la stessa quantità di produzione di veicoli. Nei primi anni di sviluppo e
produzione di veicoli autonomi, il lavoro marginale aggiunto dai produttori supera la manodopera
marginale dislocata tra gli operatori di autoveicoli. È solo più tardi, quando la flotta di veicoli autonomi
impiegati si avvicina a uno stato stazionario, che la produttività misurata riflette tutti i vantaggi della
tecnologia.

Guardare il paradosso di oggi attraverso la lente delle precedenti tecnologie di uso generale
Abbiamo indicato nella discussione sopra che vediamo paralleli tra il paradosso attuale e quelli che sono
accaduti in passato. È strettamente legato all'era del Paradosso di Solow intorno al 1990, certamente, ma è
anche strettamente legato all'esperienza durante la diffusione dell'energia portatile (combinando la crescita
contemporanea e gli effetti trasformativi dell'elettrificazione e del motore a combustione interna).
È istruttivo confrontare i modelli di crescita della produttività delle due epoche. La Figura 8 è una versione
aggiornata di un'analisi di Syverson (2013). Sovrappone la produttività del lavoro degli Stati Uniti dal 1970 a
quella dal 1890 al 1940, il periodo successivo all'invenzione delle tecnologie elettriche portatili e all'inizio
della produzione. (I valori della serie storica provengono da Kendrick [1961].) La linea temporale della serie
moderna è indicizzata a un valore di 100 nel 1995 ed è etichettata sull'asse orizzontale superiore. L'indice
dell'era del potere portatile ha un valore di 100 nel 1915 e i suoi anni sono mostrati sull'asse orizzontale
inferiore.
La produttività del lavoro durante l'era dell'alimentazione portatile condivideva modelli notevolmente simili
con la serie attuale. In entrambe le epoche, c'è stato un periodo iniziale di circa un quarto di secolo di
crescita della produttività relativamente lenta. Quindi entrambe le epoche hanno visto un'accelerazione
decennale nella crescita della produttività, dal 1915 al 1924 nell'era dell'alimentazione portatile e dal 1995
al 2004 più recentemente.
L'accelerazione della fine degli anni '90 è stata la risoluzione (almeno parziale) del paradosso di Solow.
Immaginiamo che l'accelerazione della fine degli anni '10 avrebbe potuto rispondere in modo simile alla
domanda di qualche economista nel 1910 sul motivo per cui si vedono motori elettrici e motori a
combustione interna ovunque tranne che nelle statistiche sulla produttività.

Figura 8. Crescita della produttività del lavoro nell'era dell'energia portatile e dell'informatica

Molto interessante, e abbastanza rilevante per la situazione attuale, il rallentamento della crescita
della produttività che abbiamo sperimentato dopo il 2004 ha anche un parallelo nei dati storici, un
rallentamento dal 1924 al 1932. Come si può vedere nella figura, e istruttivo al punto da se una nuova
ondata di intelligenza artificiale e tecnologie associate (o se si preferisce, una seconda ondata di
tecnologia basata sull'IT) potrebbe riaccelerare la crescita della produttività, la crescita della
produttività del lavoro alla fine dell'era dell'energia portatile è aumentata di nuovo, con una media del
14
2,7% all'anno tra il 1933 e il 1940.
Ovviamente questa crescita eccezionale del passato non è una garanzia che la produttività debba
accelerare di nuovo oggi. Tuttavia, solleva due punti rilevanti. In primo luogo, è un altro esempio di
un periodo di crescita lenta della produttività seguita da un'accelerazione. In secondo luogo, dimostra
che la crescita della produttività guidata da un core GPT può arrivare in più ondate.

Effetti attesi sulla produttività di un'accelerazione guidata dall'intelligenza artificiale

Per comprendere i probabili effetti sulla produttività dell'IA, è utile pensare all'IA come a un tipo di capitale,
in particolare un tipo di capitale immateriale. Può essere accumulato attraverso investimenti; è un fattore di
produzione durevole; e il suo valore può deprezzarsi. Trattare l'IA come un tipo di capitale chiarisce come il
suo sviluppo e la sua installazione come fattore produttivo influenzeranno la produttività.
Come per qualsiasi capital deepening, l'aumento dell'IA aumenterà la produttività del lavoro. Questo
sarebbe vero indipendentemente da quanto bene viene misurato il capitale dell'IA (cosa che potremmo
aspettarci non sarà per diversi motivi discussi di seguito), anche se potrebbero esserci dei ritardi.
Gli effetti dell'IA sulla produttività totale dei fattori (TFP) sono più complessi e l'impatto volere
dipendono dalla sua misura. Se AI (e la sua elasticità di output) dovessero essere misurati
perfettamente e inclusi sia nel bundle di input nel denominatore di TFP che nel bundle di output nel
numeratore, la TFP misurata rifletterà accuratamente la vera TFP. In questo caso, l'IA potrebbe essere
trattata come qualsiasi altro input di capitale misurabile. Il suo effetto sull'output potrebbe essere
adeguatamente contabilizzato e "rimosso" dalla misura di input della TFP, senza alcun cambiamento
nella TFP. Questo non vuol dire che non ci sarebbero benefici produttivi dalla diffusione dell'IA; è solo
che potrebbe essere valutato come altri tipi di input di capitale.
Ci sono ragioni per cui gli economisti e le agenzie statistiche nazionali potrebbero incontrare problemi di
misurazione quando si occupano di AI. Alcuni sono casi di problemi di misurazione del capitale più generali,
ma altri potrebbero essere idiosincratici per l'IA. Ne discutiamo di seguito.

Misurare il capitale dell'IA

Indipendentemente dagli effetti dell'IA e delle tecnologie relative all'IA sulla produzione e sulla produttività
effettive, è chiaro dalle prospettive di produttività di cui sopra che i modi in cui gli effetti dell'IA saranno
misurato dipendono dal modo in cui i programmi statistici dei paesi misurano il capitale dell'IA.
La difficoltà principale nella misurazione del capitale dell'IA è, come accennato in precedenza, che molti dei
suoi risultati saranno intangibili. Questo problema è esacerbato dall'uso estensivo dell'IA come input nella
produzione di altro capitale, inclusi nuovi tipi di software, nonché capitale umano e organizzativo, piuttosto
che beni di consumo finale. Gran parte di questo altro capitale, compreso il capitale umano, sarà, come la
stessa AI, per lo più intangibile (Jones e Romer, 2010).
Per essere più specifici, un uso efficace dell'IA richiede lo sviluppo di set di dati, la creazione di capitale
umano specifico dell'azienda e l'implementazione di nuovi processi aziendali. Tutto ciò richiede notevoli
spese di capitale e manutenzione. Le controparti tangibili di queste spese immateriali, compresi gli acquisti
di risorse informatiche, server e immobili, sono facilmente misurabili nel modello di contabilità della
crescita neoclassico standard (Solow, 1957). Dall’altra parte è invece difficile quantificare il valore della
produzione di beni strumentali per investimenti immateriali complementari. Sia gli stock di capitale
materiale che immateriale generano un rendimento del flusso di servizi di capitale che matura nel tempo.
La realizzazione di questi rendimenti richiede più del semplice noleggio di capitale. Dopo l'acquisto di beni
strumentali, le imprese sostengono costi di adeguamento aggiuntivi (ad esempio, riprogettazioni dei
processi aziendali e costi di installazione). Questi costi di adeguamento rendono il capitale meno flessibile di
quanto implicherebbe il mercato degli affitti senza attriti. Gran parte del valore di mercato del capitale AI in
particolare e del capitale IT più in generale può essere derivato dai quasi-affitti a breve termine capitalizzati
guadagnati da aziende che si sono già riorganizzate per estrarre flussi di servizi da nuovi investimenti.
Eppure, mentre lo stock di immobilizzazioni materiali è iscritto nei bilanci aziendali, le spese per i
complementi immateriali e i costi di adeguamento agli investimenti per l'IA di solito non lo sono. Senza
15
includere la produzione e l'uso del capitale immateriale dell'IA, le consuete scomposizioni contabili della
crescita delle variazioni del valore aggiunto possono attribuire erroneamente l'approfondimento del
capitale immateriale dell'IA ai cambiamenti nella TFP. Come discusso in Hall (2000) e Yang e Brynjolfsson
(2001), ciò costituisce un'omissione di una componente potenzialmente importante della produzione di
beni capitali nel calcolo della produzione finale. Le stime della TFP saranno quindi imprecise, anche se
probabilmente in entrambe le direzioni. Nel caso in cui lo stock di capitale immateriale dell'IA cresca più
rapidamente della produzione, la crescita della TFP sarà sottostimata, mentre la TFP sarà sovrastimata se lo
stock di capitale cresce più lentamente della produzione.
L'intuizione di questo effetto è che in un dato periodo T, la produzione dello stock di capitale (non misurato)
dell'IA nel periodo T+1 è una funzione dell'input (non misurato) dello stock di capitale AI esistente nel
periodo T. Quando lo stock di AI cresce rapidamente, gli output non misurati (stock di capitale AI creato)
saranno maggiori degli input non misurati (stock di capitale AI utilizzato).
Inoltre, supponiamo che vengano misurati i costi rilevanti in termini di lavoro e altre risorse necessarie per
creare attività immateriali, ma i conseguenti aumenti di attività immateriali non sono misurati come
contributi alla produzione. In questo caso, non solo il PIL totale sarà sottostimato, ma anche la produttività,
che usa il PIL come numeratore. Quindi periodi di rapida accumulazione di capitale immateriale possono
essere associati a una minore crescita misurata della produttività, anche se la produttività reale è in
aumento.
Con la mancanza di produzione di beni strumentali, la produttività misurata rifletterà solo il fatto che
vengono utilizzati più input di capitale e lavoro nella produzione di output misurato. Gli input utilizzati per
produrre beni capitali non misurati assomiglieranno invece alla produzione potenziale persa. Ad esempio,
un recente rapporto della Brookings Institution stima che gli investimenti in veicoli autonomi abbiano
superato gli 80 miliardi di dollari dal 2014 al 2017 con una scarsa adozione da parte dei consumatori della
tecnologia finora. Si tratta di circa lo 0,44% del PIL 2016 (distribuito su 3 anni). Se tutta la formazione di
capitale nei veicoli autonomi fosse generata da input di lavoro ugualmente costosi, ciò ridurrebbe la
produttività del lavoro stimata dello 0,1% all'anno negli ultimi 3 anni poiché i veicoli autonomi non hanno
ancora portato ad alcun aumento significativo della produzione finale misurata. Allo stesso modo, secondo
l'Indice AI, le iscrizioni ai corsi di intelligenza artificiale e ML nelle principali università sono circa triplicate
negli ultimi 10 anni e il numero di start-up legate all'intelligenza artificiale è più che quadruplicato. Nella
misura in cui creano beni immateriali oltre i costi di produzione, il PIL sarà sottovalutato.
Alla fine ci si aspetta che gli investimenti in beni strumentali immateriali misurati erroneamente producano
un rendimento (cioè un output) da parte dei loro investitori. Se e quando la produzione misurabile è
prodotta da queste attività nascoste, si verificherà un altro effetto di misurazione errata che porta a una
sovrastima della produttività. Quando la quota di produzione e lo stock di capitale misurato o omesso
crescono, gli aumenti di produzione misurati prodotti da quel capitale saranno erroneamente attribuiti a
miglioramenti della produttività totale dei fattori. Quando il tasso di crescita degli investimenti in beni
strumentali non misurati diminuisce, il flusso di servizi di capitale dall'effetto dei beni non misurati sulla TFP
può superare l'errore di sottostima dei beni strumentali non misurati.
La combinazione di questi due effetti produce una "Curva a J" in cui la produzione iniziale del capitale
immateriale porta a sottovalutare la crescita della produttività, ma i rendimenti successivi dallo stock di
capitale non misurato creano una crescita della produzione misurata che potrebbe essere erroneamente
attribuita alla TFP.
Formalmente:

L'output Y e i beni capitali non misurati con prezzo z (zI2) sono prodotti con la funzione di produzione f.
funzione di produzione f. Gli input di f (∙) sono la produttività totale dei fattori A, il capitale ordinario
K1, il capitale non misurato K2 e il lavoro L.
L'equazione (2) descrive il differenziale totale di produzione in funzione degli input della funzione di
16
produzione. Se il prezzo d'affitto del capitale ordinario è r1, il prezzo d'affitto del capitale non misurato
è r2, e il tasso di salario è w, abbiamo:

dove ⏞𝑆 è il familiare residuo di Solow misurato e 𝑆∗ è il corretto residuo di Solow tenendo conto degli
investimenti di capitale e delle scorte misurate in modo errato.
La misurazione errata è quindi

Il lato destro dell'equazione descrive un effetto capitale nascosto e un effetto investimento nascosto.
Quando il tasso di crescita del nuovo investimento in capitale non misurato moltiplicato per la sua quota di
produzione è maggiore (minore) del tasso di crescita dello stock di capitale non misurato moltiplicato per la
sua quota di produzione, il Solow Residual stimato sottostimerà (sovrastimerà) il tasso di crescita della
produttività. Inizialmente, i nuovi tipi di capitale avranno un prodotto marginale elevato. Le imprese
accumuleranno quel capitale fino a quando il suo tasso di rendimento marginale non sarà uguale al tasso di
rendimento dell'altro capitale. Man mano che il capitale si accumula, il tasso di crescita dell'investimento
netto nel capitale non misurato diventerà negativo, causando una maggiore sovrastima della TFP. In stato
stazionario, né la quota di produzione degli investimenti netti né lo stock netto di capitale non misurato
crescono e la misurazione errata della produttività è zero. La Figura 9 di seguito fornisce un'illustrazione.

Figura 9 - La curva a J della misurazione errata (esempio)

Guardando al futuro, questi problemi potrebbero essere particolarmente gravi per il capitale dell'IA,
perché la sua accumulazione supererà quasi sicuramente il ritmo dell'accumulazione di capitale
ordinaria nel breve periodo. Il capitale dell'intelligenza artificiale è una nuova categoria di capitale,
nuova nelle statistiche economiche, certo, ma direi che lo è anche praticamente.
Ciò significa anche che gli indici di quantità di capitale calcolati dalla crescita del capitale all'interno del tipo
potrebbero avere problemi nel benchmarking delle dimensioni e dell'effetto dell'IA nella fase iniziale. Le
agenzie statistiche nazionali non si concentrano realmente sulla misurazione di tipi di capitale che non sono
già onnipresenti. Le nuove categorie di capitale tenderanno a essere raggruppate in tipi esistenti,
possibilmente con prodotti marginali dedotti più bassi (che portano a una sottovalutazione dell'effetto
produttivo del nuovo capitale), o a mancare del tutto. Questo problema è simile al problema dei nuovi beni
negli indici dei prezzi.
Un problema correlato, una volta che l'IA viene misurata separatamente, è quanto strettamente le
sue unità di misura cattureranno il prodotto marginale dell'IA rispetto ad altro capitale sociale. Cioè,
17
se un dollaro di azioni AI ha un prodotto marginale che è due volte più alto dell'unità modale del
capitale non AI nell'economia, gli indici quantitativi di AI rifletteranno questo? Ciò richiede prezzi
relativi misurati del capitale AI e non AI per catturare le differenze nel prodotto marginale. Misurare
correttamente i livelli è meno importante che misurare differenze (sia intertemporali che nella sezione
trasversale) correttamente.
Ciò che è necessario alla fine è che un'unità di capitale AI due volte più produttiva di un'altra dovrebbe
essere due volte più grande nello stock di capitale.
Vale la pena notare che questi sono tutti problemi classici nella misurazione del capitale e non nuovi per
l'IA. Forse questi problemi saranno sistematicamente peggiori per l'IA, ma questo non è ovvio ex ante. Ciò
che significa è che gli economisti e le agenzie statistiche nazionali hanno almeno esperienza, se non una
soluzione completa, per affrontare questo tipo di limitazioni. Detto questo, è probabile che alcuni problemi
di misurazione siano particolarmente diffusi per l'IA. Ad esempio, una parte sostanziale del valore della
produzione dell'IA può essere specifica dell'impresa. Immagina un programma che calcola le
preferenze sui prodotti dei singoli consumatori o l'elasticità dei prezzi e abbina prodotti e prezzi alle
previsioni. Questo ha un valore diverso per le diverse aziende a seconda delle loro basi di clienti e
della selezione dei prodotti e la conoscenza potrebbe non essere trasferibile tra le aziende. Il valore
dipende anche dalla capacità delle aziende di attuare la discriminazione dei prezzi. Tali limiti
potrebbero derivare da caratteristiche del mercato aziendale, come opportunità di rivendita, non
sempre sotto il controllo delle imprese, o dall'esistenza in azienda di asset e/o capacità di
implementazione complementari. Allo stesso modo, ogni azienda avrà probabilmente un diverso mix
di competenze che cerca nei suoi dipendenti, esigenze uniche nel suo processo di produzione e un
particolare insieme di vincoli di fornitura. In tali casi, i set di dati specifici dell'azienda e le applicazioni
di tali dati differenziano le capacità di apprendimento automatico di un'azienda da un'altra
(Brynjolfsson e McAfee 2017).

Conclusione
Ci sono molti ottimisti e pessimisti riguardo alla tecnologia e alla crescita. Gli ottimisti tendono ad
essere tecnologi e venture capitalist, e molti sono raggruppati in centri tecnologici. I pessimisti
tendono ad essere economisti, sociologi, statistici e funzionari di governo. Molti di loro sono
raggruppati nelle principali capitali statali e nazionali. C'è molta meno interazione tra i due gruppi che
al loro interno, e spesso sembrache parlino tra loro. In questo articolo, sosteniamo che in un senso
importante, lo sono.
Quando parliamo con gli ottimisti, siamo convinti che le recenti scoperte nell'intelligenza artificiale e
nell'apprendimento automatico siano reali e significative. Vorremmo anche sostenere che formano il fulcro
di un nuovo potenziale GPT economicamente importante. Quando parliamo con i pessimisti, siamo convinti
che la crescita della produttività sia rallentata di recente e che i guadagni che ci sono stati siano distribuiti in
modo non uniforme, lasciando molte persone con redditi stagnanti, metriche in calo di salute e benessere e
buoni motivi di preoccupazione. Le persone sono incerte sul futuro e molti dei titani industriali che un
tempo dominavano la classifica dell'occupazione e del valore di mercato sono caduti in tempi difficili.
Queste due storie non sono contraddittorie. In effetti, per molti versi, sono coerenti e sintomatici di
un'economia in transizione. La nostra analisi suggerisce che mentre il recente passato è stato difficile, non è
il destino. Sebbene sia sempre pericoloso fare previsioni e siamo umili riguardo alla nostra capacità di
predire il futuro, la nostra lettura delle prove fornisce qualche motivo di ottimismo. Le scoperte delle
tecnologie AI già dimostrate non stanno ancora influenzando gran parte dell'economia, ma lasciano
presagire effetti maggiori man mano che si diffondono.
Ancora più importante, consentono innovazioni complementari che potrebbero moltiplicare il loro impatto.
Sia gli investimenti nell'IA che i cambiamenti complementari sono costosi, difficili da misurare e richiedono
tempo per essere implementati, e questo può, almeno inizialmente, deprimere la produttività come viene
attualmente misurata. Imprenditori, manager e utenti finali troveranno nuove potenti applicazioni per
macchine che ora possono imparare a riconoscere oggetti, capire il linguaggio umano, parlare, fare
18
previsioni accurate, risolvere problemi e interagire con il mondo con sempre maggiore destrezza e mobilità.
Ulteriori progressi nelle tecnologie di base dell'apprendimento automatico porterebbero probabilmente
vantaggi sostanziali. Tuttavia, la nostra prospettiva suggerisce che un'area di ricerca sottovalutata coinvolge
i complementi alle nuove tecnologie di intelligenza artificiale, non solo nelle aree del capitale umano e delle
competenze, ma anche nei nuovi processi e modelli di business. I beni immateriali associati all'ultima
ondata di informatizzazione erano circa dieci volte più grandi degli investimenti diretti nell'hardware del
computer stesso. Riteniamo plausibile che i beni immateriali associati all'IA possano essere di grandezza
paragonabile o maggiore. Dati i grandi cambiamenti nel coordinamento e nelle possibilità di produzione resi
possibili dall'IA, è improbabile che i modi in cui abbiamo organizzato il lavoro e l'istruzione in passato
rimangano ottimali in futuro.
Di conseguenza, dobbiamo aggiornare i nostri strumenti di misurazione economica. Poiché
l'intelligenza artificiale e i suoi complementi si aggiungono più rapidamente al nostro capitale
(immateriale), le metriche tradizionali come il PIL e la produttività possono diventare più difficili da
misurare e interpretare. Le aziende di successo non hanno bisogno di grandi investimenti in fabbriche
o anche in hardware, ma hanno beni immateriali che sono costosi da replicare.
I grandi valori di mercato associati alle società che sviluppano e/o implementano l'IA suggeriscono che gli
investitori credono che ci sia un valore reale in quelle società. Nel caso in cui i crediti sulle attività
dell'impresa siano negoziati pubblicamente e i mercati siano efficienti, il mercato finanziario valuterà
correttamente l'impresa come il valore attuale dei suoi flussi di cassa scontati aggiustati per il rischio.
Questo può fornire una stima del valore dei beni materiali e immateriali di proprietà dell'impresa. Inoltre,
gli effetti sugli standard di vita potrebbero essere anche maggiori dei benefici che gli investitori sperano di
ottenere. È anche possibile, anzi probabile, che molte persone non condividano tali benefici.
Gli economisti sono ben posizionati per contribuire a un'agenda di ricerca per documentare e
comprendere i cambiamenti spesso immateriali associati all'IA e le sue più ampie implicazioni
economiche.
Realizzare i vantaggi dell'intelligenza artificiale è tutt'altro che automatico. Richiederà impegno e
imprenditorialità per sviluppare i complementi necessari e adattabilità a livello individuale, organizzativo e
sociale per intraprendere la ristrutturazione associata. La teoria prevede che i vincitori saranno quelli con i
costi di adeguamento più bassi e che metteranno in atto il maggior numero possibile di complementi giusti.
Questo è in parte una questione di fortuna, ma con la giusta tabella di marcia, è anche qualcosa per cui loro,
e tutti noi, possiamo prepararci.

Appendice 1: Regressioni con errori standard di Newey-West con dipendenza temporale più lunga

19