A szerző a Közép-Európai Egyetem docense. Az Ekonomi a G7 véleményrovata. 

Erős késztetést éreztem, hogy meghívjam a ChatGPT-t, az OpenAI laboratórium csevegőrobotját társzerzőnek ehhez a cikkhez. Miért ne használnánk a mesterséges intelligenciát egy olyan eszmefuttatás megírásához, ami a mesterséges intelligenciáról szól? Úgy gondoltam, hogy kérdéseket teszek fel a chatbotnak, az gyorsan válaszol, én pedig a szövegéből kiválogatom, amire szükségem van. Egy kis stilizálás, némi kölcsönös alkalmazkodás, összecsiszolás, átkötések… Lássuk, mire megyünk ketten! Arra is kíváncsi lettem volna, hogy nő-e a termelékenységem, vagyis a robottal karöltve adott idő alatt mennyivel több használható szöveget tudok előállítani, mint nélküle. Végül lemondtam a kísérletről, vagyis ami most következik, azt nem robot írta sem részben, sem egészben.

Mindazonáltal egy ilyen kísérlet érdekes és hasznos lenne. Tudjuk, hogy rengetegen játszanak mostanában a ChatGPT-vel, tesztelik a tudását, értékelik, kritizálják a válaszait. Amit tud, az csak az egyik része annak a gazdag és színes világnak, amit a mesterséges intelligencia nyitott meg előttünk az elmúlt néhány évben, amikor fontos technológiai trendek és kitartó fejlesztő munka együttes eredményeként nagy lendületet kapott a gépi tanulás, és egyre-másra jelentek meg a köznép számára is barátságos alkalmazásai: arcfelismerés, fordítás, beszédfelismerés, orvosi diagnosztizálás, precíziós mezőgazdaság, személyre szabott reklámok, önvezető autók, robotok által írt tőzsdei vagy sporthírek és így tovább. Mesterséges intelligenciával ugyanis már tele van a világ, úgy megszoktuk, hogy gyakran észre sem vesszük.

Pár sorral feljebb ezt írtam: kíváncsi lettem volna, hogy mennyivel nő a termelékenységem. A mesterséges intelligencia fejlődése és terjedése sokféle kérdést vet fel, vitákat gerjeszt, legyenek azok akár gazdasági, akár politikai, etikai vagy éppenséggel vallási tárgyúak. Nos, ezek közül az egyik legérdekesebb és legfontosabb kérdés a technológia hatása a termelékenységre. A saját termelékenységemet a fent említett kísérletben az adott idő alatt előállított hasznos (értelmes, publikálható) szöveg mennyiségével mértem volna. A gazdasági élet egyik legfontosabb mutatója az egységnyi munkaidő alatt előállított GDP mennyisége, vagyis a munka termelékenysége. A termelékenységet makroszinten nagyon nehéz vagy szinte lehetetlen pontosan mérni, többféle összetevője és mutatója van, de a GDP/munkaóra mutatója, annak időbeli alakulása kétségtelenül sokat elmond egy ország gazdaságának állapotáról, fejlődéséről, versenyképességéről. Ha a munka termelékenysége nő, új munkaerő bevonása nélkül is lehet növekedni, ami különösen fontos akkor, amikor munkaerőből hiány van, friss munkavállalókat már alig lehet találni – lásd például Magyarország mostani helyzetét.

A mesterséges intelligencia fejlődése és terjedése új fejezetet nyitott az információs technológia és a termelékenység kapcsolatáról szóló vitákban. Hogyan hatott mindezidáig a mesterséges intelligencia a termelékenységre, és mit várhatunk tőle a jövőben? Nos, felületes szemlélő a rendelkezésre álló adatokból arra következtethet, hogy az elmúlt néhány évben ezen a téren nem történt semmi különös:

a mesterséges intelligencia berobbant, látványosan fejlődött, de ez a termelékenységen egyelőre nem látszik meg.

Vessünk egy pillantást az OECD termelékenységi adataira! Hasonlítsunk össze két időszakot: a pénzügy válságot megelőző éveket (1998-2007) és az utána következő évtizedet (2008-2017). Az utóbbi periódus válsággal indult, ami után kellemes évek következtek: szép növekedés, alacsony infláció és munkanélküliség. Egy krízis az előzőben is volt: az ezredforduló dotcom-válsága, amit viszonylag hamar kihevert a világ, vagy legalábbis úgy tűnt, hogy hamar kiheverte. De mi a helyzet a termelékenységgel? A munka termelékenységének éves átlagos növekedése tekintetben látványos különbség mutatkozik a két korszak között az előbbi javára az OECD minden országában, két kivételtől (Spanyolországtól és Írországtól) eltekintve. Vagyis a termelékenység növekedése tekintetében az 1998 és 2007 közötti időszak a legtöbb OECD országban kedvezőbb volt, mint a 2008 és 2017 közötti időszakban. Ez a megállapítás hazánkra is érvényes, mi sem vagyunk kivételek. (Az persze érdekes, hogy Írország miért az, miért olyan magas náluk a munka termelékenysége, vagy miért ugrott olyan nagyot Szlovénia, Csehország, Szlovákia és Litvánia 1998 és 2007 között, majd miért lassultak le ők is.)

A The Conference Board adataira támaszkodva egyik tanulmányukban Eric Brynjolfsson professzor (MIT) és szerzőtársai bemutatják, hogy a munka termelékenységének növekedése tekintetében a világ valamikor 2007 környékén volt a csúcson; lokális tetőpontról van szó a nyolcvanas évek közepétől kezdődően, mert a növekedés korábban volt már nagyobb is. A legfejlettebb országok (köztük az USA) az ezredforduló óta hullámvölgyben vannak, növekedési mutatójuk lefelé tart. A feltörekvő és fejlődő országok nagy zuhanást éltek át a hetvenes-nyolcvanas években, majd látványosan emelkedtek a pénzügyi válságig, azóta viszont ők is lefelé tartanak, lényegében az egész világgal együtt: lendületes felzárkózás után belesimulni látszanak az általános trendbe.

Az OECD hivatkozott adatai 2017-ig követik a trendet. De mi történt azóta, mit hozott a munka termelékenysége tekintetében a 2019 végén kitört járvány majd a 2022 februárjában kirobban orosz-ukrán háború? Nos, az adatok értékelésénél nem árt az óvatosság, erre intenek minket a The Conference Board elemzői is. A munka termelékenységének globális mutatója 2019-ben kicsit nőtt, majd a következő évben (a COVID-19 évében) szokatlanul nagyot ugrott. A trendvonalban jelentkező tüske azonban rövid életűnek, egyszeri hatások következményének bizonyult, mert 2021-ben ismét stagnálás következett, és nem várható változás 2022-ben sem.

Fantasztikus innovációk a mesterséges intelligencia világában, ugyanakkor kiábrándító növekedési adatok a munka termelékenységében… Hogy is van ez?  

A 2007-et megelőző időszak termelékenységi boomja minden bizonnyal összefüggött a számítógépek fejlődésével és elterjedésével, vagy általánosabban fogalmazva a digitalizálással. Az IBM PC a nyolcvanas évek elején jelent meg „demokratizálva” a számítógépek használatát, a kilencvenes évek második fele pedig már az internet időszaka volt. Világszerte gyors léptekkel épült a digitális infrastruktúra, rengeteg pénz, befektetés áramlott a távközlési és informatikai vállalkozásokba. Az eltúlzott befektetési lázat – ahogy az már lenni szokott – az ezredfordulón átmeneti lehűlés követte, az építkezésről a hangsúly a használatra tevődött át, ami, mint láttuk, jót tett a termelékenységnek és úgy általában a gazdaságnak. A számítógépek minden jel szerint hatékonyabbá tették az emberi munkát, segítségével rengeteg vállalat áramvonalasította a folyamatait, csökkentette a költségeit, eredményesebbé tette a fejlesztési és a piaci munkát.  

A digitalizálás 2007 után sem állt le, de úgy tűnik, a termelékenységre már kevésbé tud hatni. Megtette a kötelességét, megdobta a munka termelékenységét, de mintha elfogyott volna az ereje.

Meg tudja változtatni ezt a sajátos depressziót korunk látványos innovációja, a mesterséges intelligencia?

Brynjolfsson professzor és munkatársai szerint ne legyünk türelmetlenek: a mesterséges intelligencia jó hatással lesz a termelékenységre, csak nem azonnal, máról holnapra. A mesterséges intelligencia, a számítógépekhez hasonlóan úgynevezett általános célú technológia (general-purpose technology), amely sokfelé, a gazdaság szinte minden területén ki tudja fejteni a kedvező hatását. Ha hasznos, használni is fogják, az elterjedéséhez és a hasznosításához azonban idő kell, nem is kevés.

Érdemes a történelmi példákat tanulmányozni, hiszen általános célú technológiák korábban is megjelentek már, gondoljunk csak a robbanómotorra vagy az elektromosságra. Egy ilyen technológia általában nem teljes fegyverzetben, bevetésre készen pattan ki a fejlesztői agyából: az első tranzisztor például zseniális, Nobel-díjat érdemlő találmány volt, de laboratóriumi állapotában teljességgel használhatatlan: időre volt szükség, hogy szabványos, könnyen hasznosítható árucikké váljon. Az elektromos motorok is csak lassan terjedtek el az ipari üzemekben, csak fokozatosan tudták felváltani a régebbi, drága pénzen megvásárolt berendezéseket, az előnyeik pedig csak akkor mutatkoztak meg, ha az egész üzemet átszervezték. Az újdonságokat először általában a régi módon próbálják meg használni, a mérnökök és a vállalati döntéshozók csak fokozatosan ismerik fel, hogy egy frissen megjelenő általános célú technológia milyen új tervezési teret nyit meg előttük. Egy innovációhoz általában kiegészítő innovációk is szükségesek, a robbanómotoros autók például nem sokat érnének megbízható gumiabroncsok, szakképzett szerelők, sima utak, szabványos üzemanyag és benzinkutak nélkül – ezek kifejlesztéséhez, tömeges bevezetéséhez is idő kell.

Mennyi idő? Vegyük az elektronikus kereskedelem példáját: a múlt század utolsó éveiben már rengetegen próbálkoztak vele, cikkek tömegét írták róla, de az Egyesült Államokban 1999-ben még csak 0,2% volt a részaránya a kiskereskedelmi forgalmon belül, és további két évtized kellett, hogy ez a mutató 10% fölé emelkedjen. Időre volt szükség, hiszen bonyolult logisztikai, ügyfélkapcsolati, beszállítói és alvállalkozói rendszereket kellett átalakítani, szoftvereket megírni, szabályozási problémákat megoldani, személyzetet átképezni, és így tovább. Brynjolfssonék szerint ez a fejlődés tulajdonképpen tőkefelhalmozás, ami csak részben látszik meg a gazdasági statisztikákon, mivel jelentős részben nem anyagi, hanem tudástőkéről van szó, amit a könyvelés nem, vagy csak hiányosan tud követni. Az utóbbi gondolatból az is következik, hogy ebben a korai fejlesztési szakaszban valójában nagyobb a termelékenység növekedése, mint amennyit a hivatalos statisztikák mutatnak, vagyis a növekedést alábecsüljük.  

Nem csoda tehát, hogy az új technológia csak hosszabb idő után tud kedvező hatást gyakorolni a statisztikusok által mért termelékenységre. Minden valószínűség szerint ez a helyzet a mesterséges intelligenciával is: berobbant, látványos dolgokat produkál, sokak fantáziáját megmozgatja, a hivatásos jövendőmondók fantasztikus víziókat tárnak a nagyközönség elé, a termelékenység azonban mintha egyelőre nem venne tudomást az egészről.

De ne legyünk türelmetlenek! Vajon mennyire elterjedt a gazdaságban a mesterséges intelligencia? Felmérések bizonyítják, hogy sokan hallottak róla, sokan említik meg a terveikben, próbálgatják, tesztelik, kísérleteznek vele. Ezt Thomas Davenport professzor (Babson College) és Nitin Mittal (Deloitte Consulting) is megerősítik idén megjelent, gyorsan bestsellerré vált All-in On AI: How Smart Companies Win Big with Artificial Intelligence című könyvükben. Ugyanakkor azt sem tagadják, hogy gyakorlati példákkal teli kötetükhöz nehéz volt összeszedni harminc olyan nagyvállalatot, amelyek valóban széles körben és módszeresen hasznosítják, széles fronton hadrendbe állítják az új technológiát. Becslésük szerint ez egyelőre a nagyvállalatok csak egy százalékáról mondható el. A profi felhasználók többsége olyan cég, amelyeknél nem volt szükség digitális átalakulásra, mert eleve digitálisnak születtek: ilyen például a Microsoft, a Facebook, az Amazon vagy a Google; az utóbbinál például kétezernél is több AI projekt fut mostanában.

A hagyományos vállalatok átalakulása jóval nehezebb. Ha a mesterséges intelligencia használatáról van szó, széles körű digitalizálás nélkül el sem lehet indulni: digitalizálás nélkül nincs nagy tömegű és sokféle adat, nincs mivel etetni a tanuló algoritmusokat. A digitalizáltság tekintetében még a fejlett országokban is széthúzott a vállalati mezőny, nálunk pláne az. A digitalizált rendszerek által produkált adatokat módszeresen kell gyűjteni, tisztítani, rendezni és karbantartani, vagyis szükség van következetesen megvalósított adatgyűjtési és adatkezelési stratégiára is, és persze olyan emberekre, akik ehhez értenek. Képzett szakembereket (adattudósokat) kíván a modellek felépítése, tesztelése is, és persze arra is ügyelni kell, hogy a felhasználók is tisztában legyenek a gépi tanulásban, a mesterséges intelligenciában rejlő lehetőségekkel, értelmezni tudják az eredményeket, ismerjék a kockázatokat és mellékhatásokat, kezelni tudják a felmerülő szabályozási és etikai problémákat. A bevezetés, a hadrendbe állítás nehéz feladata csak ez után következik, és itt sem csak technikai kérdésről van szó, hanem a folyamatok, a szervezet, a cégkultúra, a döntési szokások, attitűdök átalakításáról, az alkalmazottak képzéséről is, arról nem is beszélve, hogy az „örökölt” informatikai, szabályozási, döntéstámogatási rendszerekről sem lehet azonnal lemondani, számos integrációs feladatot kell megoldani. Mivel mindezek a teendők költségesek és munkaigényesek, még az sem kizárt, hogy a fejlesztés és a bevezetés időszakában átmenetileg romlani fog a termelékenység

Ne legyünk tehát türelmetlenek: a mesterséges intelligencia hatása idővel biztosan meg fog jelenni a termelékenységi mutatókban. Leginkább azokéban, akik felkészülten fogadják, vannak képzett szakembereik, gyors léptekkel haladnak előre a digitalizálásban, bátran kísérleteznek az újdonságokkal, és a nagy szavak, merész víziók mellett a megvalósításhoz is értenek.     

G7 támogató leszek! Egyszeri támogatás / Előfizetés

Pénz mesterséges intelligencia termelékenység Olvasson tovább a kategóriában