COMRAD404 COMRAD404 ИИ-сигналы, агенты и практическая разведка

Запись архива

Асемоглу и «всего 1%» от ИИ: что на самом деле считает The Simple Macroeconomics of AI

Исследования////12 мин чтения
Портрет автора София Белова
Автор София Белова Редактор исследований и методологии

Разбор paper Дарона Асемоглу о том, почему генеративный ИИ, по его оценке, даст США лишь скромный макроэффект: около +0,53–0,66% TFP и порядка +1% GDP за 10 лет.

Схема расчета Асемоглу: от экспозиции задач и окупаемости внедрения ИИ к оценке прироста TFP и GDP за 10 лет

Весной 2024 года экономист MIT Дарон Асемоглу выпустил working paper The Simple Macroeconomics of AI; 6 августа 2024 года статья появилась online в Economic Policy, а затем вошла в выпуск журнала за январь 2025 года. Работа важна не потому, что «опровергает ИИ», а потому что пытается перевести разговор из режима демо и локальных кейсов в режим макроэкономической арифметики. Главное уточнение для заголовка про «всего +1%»: у Асемоглу речь скорее о примерно +0,53–0,66% совокупного прироста TFP за десять лет и о приросте GDP порядка чуть больше 1% за тот же срок, а не о ежегодном скачке производительности.

Коротко

  • Асемоглу оценивает эффект ИИ на экономику США в горизонте 10 лет как скромный, но не нулевой: верхняя граница — около +0,66% TFP, более осторожная оценка — менее +0,53% TFP.
  • Путаница вокруг «+1%» возникает из-за смешения TFP и GDP. В MIT-резюме порядок величины для GDP — примерно +1–1,6% за десятилетие.
  • Логика paper проста: взять долю задач, которые ИИ действительно затронет и где внедрение окупится в 10-летнем горизонте, умножить на среднюю экономию издержек и только потом переводить это в макроэффект.
  • Ключевой скепсис автора направлен не против ИИ как такового, а против автоматизационного сценария, где много шума вокруг «экспозиции задач», но заметно меньше реальных, прибыльных и масштабируемых внедрений.
  • На взгляд COMRAD404, практический вывод для компаний простой: не путать лабораторный выигрыш на узкой задаче с ростом производительности всей функции, команды или бизнеса.

Контекст

Работа Асемоглу появилась на фоне очень широких прогнозов об экономическом эффекте генеративного ИИ. Но сам paper устроен иначе: он не пытается угадать AGI и не моделирует «сингулярность». Его исторический масштаб уже вшит в текст: это среднесрочная оценка на 10 лет для экономики США, основанная на текущем поколении генеративных систем и близких к ним прикладных технологий.

Отсюда и первое важное уточнение. Когда в пересказах пишут, что Асемоглу дал ИИ «всего 1%», обычно смешивают два разных показателя. В самой статье центральный показатель — совокупный прирост total factor productivity (TFP). Это не то же самое, что рост выпуска на работника, и не то же самое, что прирост GDP. В published summary статьи указана верхняя граница +0,66% TFP за 10 лет; в MIT Economics этот же порядок величины пересказан как примерно +0,05 п.п. к годовому росту производительности и +1,1–1,6% GDP за десятилетие.

Если коротко: headline «Асемоглу дал ИИ лишь +1% к производительности» неточен в двух местах сразу. Во-первых, речь у него не о ежегодном росте. Во-вторых, число около 1% ближе к GDP-эффекту, тогда как оценка TFP у него ниже.

Метод

От микрокейсов к макрооценке

Основа статьи — task-based framework, который Асемоглу развивает с Паскуалем Рестрепо в более ранних работах об автоматизации и новых задачах. Идея простая: экономика — это не одна абстрактная «работа», а множество задач. ИИ может одни задачи автоматизировать, в других выступать как дополнение к человеку, а где-то вообще не дать заметного эффекта.

Прирост TFP ≈ доля задач, реально затронутых ИИ в горизонте 10 лет × средняя экономия издержек по этим задачам

Эта формула у paper не висит в воздухе. Для нее нужны три входа.

  • Экспозиция задач. Асемоглу опирается на GPTs are GPTs: в этой линии работ около 19% работников имеют не менее половины задач, затронутых LLM-инструментами, а в пересчете paper это становится примерно 20% задач/занятий с высокой экспозицией.
  • Окупаемость внедрения. Далее paper берет Svanberg et al., где показано, что лишь около 23% «экспонированных» задач компьютерного зрения экономически целесообразно автоматизировать в горизонте 10 лет. Это важный шаг: не вся технически возможная автоматизация становится реальным deployment.
  • Микроуровневый выигрыш. Для productivity gains Асемоглу берет не футурологию, а ранние workplace-исследования. В Noy и Zhang участники writing tasks с ChatGPT выполняли задания примерно на 40% быстрее, а качество оценивалось примерно на 18% выше. В Brynjolfsson, Li и Raymond у customer support productivity effect был около 14%. Исследование Peng et al., где разработчики с GitHub Copilot выполняли задание на 55,8% быстрее, paper оставляет как robustness check, а не как базовый сценарий.

Почему автор вводит easy и hard tasks

Ключевой интеллектуальный ход статьи — разделение задач на easy-to-learn и hard-to-learn. Первые хорошо похожи на то, что модели уже умеют: драфтинг текста, суммаризация, подсказки оператору, шаблонный код. У таких задач более понятная связь между действием и результатом и проще измерить успех.

Вторые — контекстозависимые задачи без чистой метрики успеха: диагностика, сложное troubleshooting, часть образовательной и управленческой работы, многие формы полевого обслуживания. Именно здесь Асемоглу и ставит тормоз на слишком оптимистичные экстраполяции. Если ранние productivity studies в основном измеряли easy tasks, то переносить их один к одному на всю экономику нельзя.

Результаты

Что оценивается Оценка Как это читать
Доля задач в экономике, которые ИИ сможет затронуть прибыльно в 10-летнем горизонте Около 5% всех задач; в расчете paper — 4,6% Не каждая «экспонированная» задача дойдет до рентабельного внедрения
Совокупный прирост TFP за 10 лет без поправки на hard tasks +0,66% Это примерно +0,05–0,06 п.п. к годовому росту TFP
Совокупный прирост TFP за 10 лет с поправкой на hard tasks Менее +0,53% Более осторожная и, по мысли автора, более реалистичная оценка
Совокупный прирост GDP за 10 лет Порядка +1–1,6% В самой статье точные числа зависят от инвестиционного отклика экономики

Здесь важна одна честная оговорка. Формулировки paper и MIT-резюме по GDP немного отличаются по округлению: в тексте статьи есть более детальные сценарии, а в MIT-пересказах — укрупненный диапазон. Но порядок величины у всех источников один и тот же: не взрывной рост, а довольно умеренная прибавка за десятилетие.

Второй блок результатов касается распределения выгод. Paper не находит оснований думать, что текущая траектория ИИ автоматически снизит неравенство. Напротив, главный риск у автора — не столько катастрофическое падение зарплат всех офисных работников, сколько расширение разрыва между доходами капитала и труда. При этом по сравнению с прежними волнами автоматизации экспозиция к ИИ распределена по группам более равномерно, поэтому картина не сводится к старому сюжету о прямом ударе по одной узкой категории работников.

Интерпретация

Наш комментарий

Сильная сторона этой работы в том, что она дисциплинирует разговор. На уровне демо и отдельных user stories ИИ может выглядеть как скачок на десятки процентов. Но макроэффект получается не из лучшего кейса, а из произведения нескольких фильтров: сколько задач действительно затрагивается, где внедрение окупается, насколько эффект сохраняется вне лаборатории, как быстро компании перестраивают процессы и сколько новых, полезных задач возникает поверх автоматизации.

Для практиков здесь три вывода. Первый: экспозиция не равна внедрению. То, что модель способна помочь в задаче, еще не значит, что бизнесу выгодно менять под нее процесс. Второй: выигрыш на подзадаче не равен выигрышу на функции. Быстрее написать текст, тикет или кусок кода — не то же самое, что ускорить весь workflow без роста ошибок, издержек координации и проверки. Третий: самые большие выгоды, вероятно, лежат не в замещении, а в создании новых полезных задач и в повышении качества решений людей. И именно эту траекторию paper считает пока недоинвестированной.

Поэтому Асемоглу — не «анти-ИИ» автор. Его позиция уже в этой работе и в MIT-интервью выглядит так: большие выгоды возможны, но не автоматически и не обязательно по текущей траектории, где доминируют автоматизация, монетизация внимания и узкие офисные use cases.

Ограничения и критика

  • Это не прогноз AGI. Paper сознательно ограничен 10-летним горизонтом и текущим классом систем. Если capabilities резко изменятся, оценка может устареть не потому, что логика неверна, а потому что изменилась технологическая база.
  • Входные данные узкие. Базовые productivity effects берутся из ранних исследований на writing, customer support и coding tasks. Это полезные, но не репрезентативные срезы всей экономики.
  • Экстраполяция Svanberg et al. спорная. Оценка окупаемости из computer vision переносится на более широкий класс AI tasks. Сам paper прямо признает, что это сильное допущение.
  • Организационные издержки занижены. Настройка процессов, контроль качества, безопасность, compliance и обучение персонала могут съесть часть выигрыша, особенно в regulated domains.
  • Новые хорошие задачи в базу почти не входят. Это делает paper консервативным. Если ИИ действительно создаст новые высокоценные продукты и роли, фактический эффект может оказаться выше. Но автор считает, что на момент написания статьи у этого сценария было мало прямых оснований.
  • Оценка в основном про США. Структура задач, зарплат, инвестиционных стимулов и фирменных масштабов в других экономиках может дать иной результат.

Заключение

The Simple Macroeconomics of AI — это не статья про то, что ИИ «ничего не даст». Это статья про то, что между впечатляющей моделью и заметным ростом TFP всей экономики лежит длинная цепочка фильтров. Если считать аккуратно, а не по лучшим демо, в 10-летнем горизонте получается не экономический взрыв, а умеренный эффект.

Запомнить стоит две вещи. Первая: headline про «+1% производительности» для paper Асемоглу неточен; ближе к тексту работы — +0,53–0,66% TFP и примерно +1–1,6% GDP за десятилетие. Вторая: если индустрия хочет более крупного эффекта, ей нужны не только инструменты для замещения труда, но и системы, которые создают новые полезные задачи и повышают качество человеческих решений.

Источники

FAQ

Правда ли Асемоглу говорит, что ИИ даст только 1% роста?

Не совсем. В его работе основная оценка для TFP — около +0,66% за 10 лет, а более осторожный вариант — менее +0,53%. Число около 1% ближе к оценке GDP за десятилетие, а не к ежегодному росту производительности.

Почему его оценка ниже многих рыночных прогнозов?

Потому что paper считает не «все задачи, к которым ИИ потенциально применим», а только те, где внедрение выглядит прибыльным в обозримом горизонте, и опирается на реальные task-level studies, а не на максималистские сценарии.

Значит ли это, что генеративный ИИ экономически переоценен?

Скорее, paper говорит, что текущая траектория внедрения может быть переоценена в макромасштабе. Сам Асемоглу оставляет место для более крупного эффекта, если ИИ будет создавать новые полезные задачи и усиливать людей, а не только замещать их в узких функциях.

Эта оценка относится ко всему миру?

Нет. Базовая калибровка в статье относится прежде всего к экономике США и к горизонту примерно 10 лет. Для других стран результат может отличаться из-за иной структуры занятости, фирм и стимулов к инвестициям.

Читайте также