Почему так трудно измерить влияние ИИ на продуктивность

Фраза «время — деньги» заезжена до дыр в корпоративном мире. Как и многие другие клише, её часто употребляют, но редко воспринимают всерьёз. Однако в контексте искусственного интеллекта и его влияния на экономическую продуктивность время — а точнее, экономия времени — становится одним из важнейших показателей того, окупятся ли многомиллиардные инвестиции в эту технологию.

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. Продуктивность всё чаще занимает центральное место в повестке как бизнес-лидеров, так и государственных деятелей, поскольку её рост в последние десятилетия заметно замедлился, несмотря на впечатляющие темпы технологических изменений.

Хотя практически каждую неделю появляется новая модель ИИ с поразительными возможностями и с ней — ожидание, что она поможет компаниям оптимизировать процессы или улучшить сервис, на практике заявленные выгоды пока не находят отражения в экономической статистике. Опросы показывают, что многие уже начали экспериментировать с ИИ. Недавний обзор деловых опросов, проведённый Федеральной резервной системой США, показал, что 20–40% сотрудников уже используют такие инструменты. Другое исследование выявило, что средний уровень внедрения ИИ среди компаний Европейского союза составляет 13,5%.

С появлением предыдущих так называемых универсальных технологий выгоды для продуктивности тоже не сразу становились заметны на национальном уровне. Одно из известных исследований, посвящённое электрификации американской промышленности в начале XX века, показало, что этот лаг составлял около 50 лет. Одной из ключевых причин было то, что бизнесу приходилось инвестировать не только в само электрическое оборудование, но и в перестройку производственной инфраструктуры. Мельницы на паровой тяге строились в несколько этажей, чтобы эффективно использовать энергию, в то время как электрические конвейеры требовали плоской планировки. Группа экономистов под руководством Эрика Бриньолфссона из Стэнфордского университета назвала это явление «кривой J в продуктивности»: при внедрении новой технологии продуктивность сначала падает, а затем начинает расти.

Ещё одна причина, по которой рост продуктивности медленно проявляется в данных, — это сложность её измерения, особенно в тех секторах экономики, где больше не производятся стандартизированные, легко поддающиеся подсчёту товары, вроде стиральных машин или автозапчастей. Возьмём, к примеру, консалтинг или юридические услуги. Статистическим агентствам несложно собрать данные о доходах таких компаний, но как измерить объём их выпуска? Это точно не количество слайдов в презентации или страниц в юридическом заключении. Цены на услуги завязаны на качестве, но как статистику учесть качество управленческого или юридического совета?

Компания Google зарабатывает миллиарды на сервисе, который предоставляет бесплатно — поиске — за счёт рекламы, размещаемой рядом с результатами. Однако привязать создание экономической ценности — а именно это и измеряет продуктивность — гораздо сложнее, чем просто подсчитать доход Google. А как быть с вкладом интернет-провайдеров, владельцев дата-центров и создателей контента?

Отслеживание времени — кто и сколько его тратит — становится более полезным показателем продуктивности при оценке влияния ИИ. Хотя мы склонны воспринимать технологии как новые устройства и изобретения, большая часть исторического прироста продуктивности была связана с тем, что работники начинали выполнять какие-то задачи быстрее, высвобождая время для других. Иными словами, процессные инновации важнее продуктовых.

Вспомним распространение пароходов. До этого парусные суда становились быстрее за счёт медленных улучшений — например, обшивки медью. Но именно паровые клиперы радикально изменили путешествия и торговлю в конце XIX века. Более недавний пример процессной инновации — это методы производства «точно в срок», впервые применённые в Японии в 1980-х. Благодаря улучшению логистики отрасли от автомобилестроения до лёгкой промышленности смогли лучше синхронизировать производство со спросом, снизив риск остаться с непроданными запасами.

Однако для некоторых технологий общеэкономические выгоды остаются неочевидными. Возьмём киоски самообслуживания, появившиеся во многих магазинах. Они позволяют владельцам сэкономить на зарплате кассиров и тем самым, возможно, увеличить измеряемую продуктивность розничной торговли. Но при этом они используют неоплачиваемое время самих покупателей, поэтому неясно, есть ли здесь реальный рост продуктивности. Во многих других случаях некоторые применения ИИ, напротив, накладывают на потребителей «налог времени» в пользу компаний. Достаточно вспомнить стресс и время, потраченное на звонки в службы поддержки, где на том конце провода никогда не отвечает человек, или сложные процедуры возврата на сайтах электронной торговли.

По этим причинам время становится ключевой экономической метрикой по мере того, как ИИ начинает трансформировать нашу жизнь. К сожалению, пока очень мало данных о том, как люди распределяют своё время в течение дня — как на работе, так и вне её. Некоторые национальные статистические агентства включают в опросы вопросы об онлайн-активности. Но такие опросы проводятся редко, и по ним всё ещё трудно понять: делает ли онлайн-деятельность жизнь удобнее и эффективнее или, наоборот, взимает временной налог через запутанные цифровые интерфейсы, перекладывая нагрузку на самих пользователей.

ИИ уже демонстрирует пользу в автоматизации трудоёмких процессов — от составления кратких обзоров судебной практики и форматирования презентаций до написания типового кода. Бизнесу стоит оценивать потенциал продуктивности с точки зрения того, как сейчас сотрудники тратят своё время и как они могли бы тратить его с большей пользой в будущем. Иначе говоря, ИИ предоставляет возможность выяснить, какие задачи являются поглотителями времени. Ответ на этот вопрос точно знают сами сотрудники, хотя им может быть не по себе от мысли делиться этим с начальством — из страха, что их рабочие места сократят. (Согласно докладу Goldman Sachs за 2023 год, ИИ может заменить до 300 миллионов рабочих мест по всему миру, но никто не знает наверняка.)

Экономистам и статистикам, в свою очередь, стоит задуматься о новых типах опросов и более инновационных методах сбора данных — например, отслеживании активности на телефоне и компьютере — которые помогут заполнить эти пробелы. То, как мы распределяем 24 драгоценные часа в сутках, — и есть высшая мера ценности. Именно по ней ИИ докажет свою экономическую состоятельность.

Перевод статьи Why It’s So Hard to Measure AI’s Effects on Productivity от Diane Coyle из Bloomberg, 20.03.2025