Nel 1998 Paul Krugman fece una delle previsioni tecnologiche più infelici della storia recente dell’economia. Scrivendo per Red Herring, sostenne che entro il 2005 sarebbe diventato evidente che l’impatto di Internet sull’economia non sarebbe stato maggiore di quello del fax.
Quasi trent’anni dopo, una controversia sorprendentemente simile riguarda l’intelligenza artificiale. In The Simple Macroeconomics of AI, Acemoglu, premio Nobel per l’economia nel 2024 e probabilmente uno degli economisti più influenti della sua generazione, ha provato a rispondere a una domanda apparentemente semplice: quanto aumenterà realmente la produttività grazie all’intelligenza artificiale?
Secondo le stime originarie di Acemoglu, l’aumento della produttività totale dei fattori prodotto dall’AI potrebbe essere nell’ordine dello 0,7 per cento complessivo nell’arco di dieci anni. Introducendo alcune correzioni per tenere conto delle attività più difficili da automatizzare, la stima scende ulteriormente. Nelle versioni successive del lavoro il limite superiore è stato leggermente rivisto, ma il messaggio fondamentale rimane invariato: l’effetto macroeconomico dell’intelligenza artificiale potrebbe essere significativo senza essere rivoluzionario.
Il 17 agosto The Economist ha pubblicato un articolo dal titolo deliberatamente provocatorio: The world’s most influential economist is oddly unconvincing. Acemoglu ha reagito pubblicamente definendo l’articolo sostanzialmente un “hit piece” e annunciando di aver chiesto alla rivista la possibilità di replicare.
Ma la questione interessante va oltre, probabilmente, la polemica social tra Acemoglu e The Economist.
Ti consiglio: BOLLA AI: ha ragione MICHAEL BURRY? Cosa dicono i DATI!
Come si misura una tecnologia che non conosciamo ancora?
L’economia può essere vista come un enorme insieme di attività. Un avvocato, per esempio, non “produce servizi legali” attraverso un’unica azione. Legge documenti, cerca precedenti, incontra clienti, scrive contratti, formula strategie e negozia. Lo stesso vale per un programmatore, un medico, un commercialista o un impiegato amministrativo.
L’AI può rendere alcune di queste attività più efficienti. Se riusciamo a stimare quale quota dei task può essere interessata dall’intelligenza artificiale e di quanto si riduce il costo necessario a svolgerli, possiamo provare a risalire all’effetto sulla produttività dell’intera economia. Semplificando, è questa la logica del modello di Acemoglu.
Il risultato dipende soprattutto da due grandezze, da una parte quanti task vengono effettivamente coinvolti dall’AI e dall’altra quanto aumenta la produttività in ciascuno di essi. Il modello traduce poi questi effetti osservati a livello microeconomico in una stima aggregata.
Banalizzando l’argomento, se un programmatore, grazie a un assistente AI, completa alcuni compiti il 30 per cento più velocemente, non ne segue che la produttività dell’intera economia aumenterà del 30 per cento. La programmazione rappresenta soltanto una parte dell’attività economica e, anche all’interno del lavoro di un programmatore, non tutti i compiti possono essere accelerati nella stessa misura.
Acemoglu distingue poi tra task relativamente “facili” e task relativamente “difficili”. Una parte consistente delle evidenze sperimentali sull’AI riguarda attività nelle quali il risultato corretto è abbastanza semplice da identificare e misurare. Molte decisioni economicamente importanti, però, dipendono dal contesto, dalla conoscenza tacita, dal giudizio e da informazioni difficili da formalizzare. È plausibile che proprio in queste attività i progressi dell’AI siano più lenti e i guadagni di produttività più limitati.
Il problema nasce quando una stima costruita sulle attività che possiamo osservare oggi viene utilizzata per prevedere l’impatto complessivo di una tecnologia domani. Un metodo basato sui task esistenti può stimare quanto l’AI renderà più efficiente ciò che già facciamo, ma per sua natura fatica a incorporare nuovi task, nuove professioni, nuove imprese o nuovi modelli produttivi che potrebbero emergere proprio grazie alla tecnologia.
Beninteso, Acemoglu non ignora, sul piano teorico, questi altri canali. Nel suo stesso impianto l’intelligenza artificiale può non soltanto automatizzare attività esistenti o rendere più produttivi i lavoratori che le svolgono, ma anche aumentare la produttività del capitale e contribuire alla creazione di nuovi task. Tuttavia, la stima quantitativa più citata, assegna un ruolo molto più limitato a questi ultimi due meccanismi. Questo rende l’analisi meno realistica secondo i critici, in quanto alcuni degli effetti più importanti di una tecnologia generale potrebbero manifestarsi proprio attraverso algoritmi che rendono più efficienti macchine e processi già esistenti, robot capaci di svolgere una gamma più ampia di operazioni, sistemi produttivi meno costosi o attività completamente nuove che prima non era economicamente conveniente svolgere.
Il problema delle cose che ancora non esistono
Immaginiamo di trovarci nel 1998 e di voler applicare a Internet un esercizio concettualmente simile a quello proposto dal Nobel. Potremmo prendere tutte le professioni dell’economia americana e chiederci quali attività diventerebbero più efficienti grazie a Internet. Un agente di viaggio potrebbe cercare più rapidamente informazioni sui voli. Un ricercatore potrebbe scaricare un documento invece di aspettare che arrivasse per posta. Un’impresa potrebbe mandare un catalogo digitale invece di stamparlo. Un impiegato potrebbe inviare un file per posta elettronica invece di utilizzare il fax.
Probabilmente avremmo trovato aumenti di produttività reali. Ma avremmo avuto un problema gigantesco: Google non sarebbe entrata nel modello. Non sarebbero entrati YouTube, Facebook, Netflix in streaming, Spotify, Uber, Airbnb, il cloud computing moderno, gli smartphone come piattaforma economica, il software distribuito attraverso Internet e una parte enorme dell’e-commerce contemporaneo.
L’intelligenza artificiale come tecnologia generale
La domanda diventa allora stabilire che tipo di innovazione sia l’intelligenza artificiale. Se è essenzialmente una tecnologia di automazione, l’approccio di Acemoglu potrebbe rivelarsi straordinariamente efficace. L’AI scriverà documenti più rapidamente, produrrà codice con meno ore di lavoro, automatizzerà parte del customer service, faciliterà alcune diagnosi e ridurrà il costo di numerose attività cognitive.
In quel mondo, sommare gli incrementi di efficienza nei diversi task è un modo ragionevole per avvicinarsi all’effetto macroeconomico. Ma esiste un secondo scenario. L’AI potrebbe diventare una general purpose technology capace non soltanto di automatizzare attività esistenti, ma di modificare la funzione di produzione dell’economia attraverso complementarità che oggi non conosciamo ancora.
Potrebbe, per esempio, accelerare la ricerca scientifica, rendere molto meno costosa la progettazione di molecole e materiali, combinarsi con la robotica fino a trasformare attività fisiche che oggi consideriamo poco esposte all’intelligenza artificiale e ridurre drasticamente il costo di creare software personalizzato. Potrebbe inoltre rendere economicamente sostenibili imprese che oggi richiederebbero centinaia di dipendenti e favorire la nascita di nuovi servizi, nuovi mercati e nuove professioni.
Non sappiamo se accadrà davvero. Tuttavia, osserviamo sempre più spesso fenomeni che sollevano il dubbio che l’impatto dell’intelligenza artificiale possa andare ben oltre la semplice sostituzione dei compiti oggi svolti dagli esseri umani. Anche Internet, del resto, non si è limitato a rendere più efficienti o a sostituire attività preesistenti: ha creato nuovi lavori, nuovi mercati e nuovi modi di organizzare la produzione. Alcuni sviluppi attuali dell’AI suggeriscono che qualcosa di analogo potrebbe almeno essere possibile.
Già oggi, per esempio, sistemi come AlphaFold affrontano problemi che in precedenza richiedevano lunghi processi sperimentali o computazionali. Modelli più recenti vengono utilizzati per prevedere interazioni tra proteine, DNA, RNA e piccole molecole, mentre altri sistemi permettono di esplorare nuovi materiali con determinate proprietà. L’importanza economica di questi progressi potrebbe essere enorme. Se il costo di esplorare milioni di possibili molecole o materiali diminuisce drasticamente, diventano praticabili linee di ricerca che in passato sarebbero state troppo lente o costose.
Qualcosa di simile sta accadendo nel software. Gli strumenti di programmazione basati sull’AI permettono già agli sviluppatori di completare più rapidamente numerosi compiti. Gli effetti variano molto a seconda del contesto e dell’esperienza del programmatore, ma la direzione è significativa: produrre software sta diventando meno costoso. Le conseguenze potrebbero estendersi ben oltre il settore tecnologico. Se creare applicazioni personalizzate diventasse sufficientemente semplice, molte piccole imprese potrebbero permettersi strumenti che oggi richiedono team di sviluppatori, consulenti e mesi di lavoro.
Un altro possibile effetto riguarda la struttura stessa delle aziende. Alcune delle prime imprese nate intorno all’AI mostrano livelli di ricavi molto elevati rispetto al numero di dipendenti. È ancora troppo presto per concludere che piccoli gruppi possano sistematicamente svolgere il lavoro di organizzazioni composte da centinaia di persone, ma il fenomeno merita attenzione. Agenti AI capaci di programmare, analizzare documenti, produrre contenuti, gestire clienti e svolgere attività amministrative potrebbero aumentare enormemente la quantità di lavoro realizzabile da team relativamente piccoli.
La robotica potrebbe estendere questa trasformazione al mondo fisico. I progressi nei modelli multimodali permettono ai robot di interpretare istruzioni linguistiche, riconoscere oggetti e adattarsi a situazioni nuove. Esistono già sperimentazioni industriali concrete, anche se siamo ancora lontani da robot generalisti economici e affidabili quanto un lavoratore umano.
C’è infine un canale meno intuitivo, perché non riguarda direttamente la sostituzione del lavoro umano. L’AI può aumentare anche la produttività del capitale che già utilizziamo. Un algoritmo migliore può rendere più efficiente una macchina, ridurre gli errori di un processo industriale, migliorare un sistema di controllo o consentire a un robot di svolgere una gamma più ampia di operazioni, senza che venga necessariamente automatizzato un nuovo task umano. Maxwell Tabarrok definisce questo meccanismo deepening automation. Il punto è importante perché una parte della crescita generata dalle grandi tecnologie del passato non è derivata dalla sostituzione di nuove categorie di lavoratori, ma dal continuo miglioramento di processi produttivi già meccanizzati.
Naturalmente, nulla di tutto questo dimostra che l’AI replicherà gli effetti della seconda rivoluzione industriale. Mostra però perché escludere o ridimensionare questi canali non sia una scelta innocua. Se l’intelligenza artificiale riuscisse non soltanto ad automatizzare nuovi task, ma anche ad accelerare l’innovazione, abbassare il costo del software, modificare la struttura delle imprese e rendere più produttivo il capitale esistente, il suo impatto macroeconomico potrebbe essere molto più difficile da catturare sommando semplicemente gli incrementi di efficienza delle attività oggi osservabili.
l’AI pro worker
C’è poi una seconda critica, più normativa che quantitativa. Acemoglu sostiene da anni che lo sviluppo dell’intelligenza artificiale dovrebbe essere orientato verso una “pro-worker AI”: sistemi pensati per ampliare le capacità dei lavoratori, aumentarne la produttività e rafforzarne il valore economico, invece di limitarsi a sostituirli.
Il problema, osserva The Economist, è che formulato in questi termini l’obiettivo è difficile da contestare proprio perché è quasi tautologico. È evidente che, a parità di condizioni, sarebbe preferibile sviluppare tecnologie capaci di aumentare produttività, salari e benessere piuttosto che tecnologie che producono soltanto sostituzione del lavoro. La questione difficile viene prima: come possiamo sapere, mentre una tecnologia è ancora in fase di sviluppo, quali traiettorie finiranno davvero per essere complementari al lavoro e quali invece porteranno soprattutto all’automazione? È su questo punto che la rivista ironizza, scrivendo che la proposta “sounds terrific—and obvious”.
La critica, quindi, non è che la “pro-worker AI” sia un cattivo obiettivo. È che resta poco chiaro come tradurla in un criterio operativo per decidere quali tecnologie incoraggiare, finanziare o regolamentare. Acemoglu formula qui affermazioni piuttosto forti su quale direzione dovrebbe prendere una tecnologia ancora altamente incerta, ma il suo apparato economico sembra offrire strumenti molto più solidi per valutare gli effetti di tecnologie già osservabili che per stabilire in anticipo quale percorso di innovazione produrrà gli esiti socialmente desiderabili. In questo senso, “sviluppiamo un’AI complementare al lavoro” è soprattutto una prescrizione normativa: dice quale risultato vorremmo ottenere, molto meno come riconoscere ex ante la strada che ci porterà lì.
La posizione fa ancora più riflettere se la si confronta con alcune affermazioni precedenti di Acemoglu sul rapporto tra istituzioni e dinamismo economico. Qualche anno fa sosteneva, per esempio, che gli Stati Uniti fossero più intraprendenti della Svezia anche perché una rete di sicurezza sociale più debole costringerebbe le persone ad assumersi maggiori rischi e a lavorare di più. Il punto è interessante proprio perché mostra quanto sia difficile passare da una teoria generale sugli incentivi a una previsione affidabile sugli effetti concreti delle istituzioni o delle tecnologie. E, nel caso della Svezia, diversi indicatori di imprenditorialità e innovazione rendono quella contrapposizione molto meno netta di quanto suggerisca l’argomento.
Questo aiuta anche a capire perché Acemoglu attribuisca tanta importanza ai nuovi task. Nel suo modello non basta che l’AI renda un lavoratore più produttivo in alcune attività per migliorare necessariamente la sua posizione economica. Se contemporaneamente altre parti del suo lavoro vengono automatizzate e non emergono nuove attività nelle quali il lavoro umano conserva un vantaggio, anche un progresso tecnologico che aumenta la produttività può finire per allargare le disuguaglianze.
“Se”, “ma”, “però”, “forse”
Il problema è che tutti questi ragionamenti per stare in piedi hanno bisogno di numerosi “se”, “ma”, “però” e “forse”. Sia dalla parte degli scettici che dalla parte degli "evangelizzatori”.
Dire che potrebbero nascere prodotti che oggi non immaginiamo è certamente vero. Ma proprio perché non possiamo immaginarli, non possiamo nemmeno attribuire loro arbitrariamente dieci punti di crescita della produttività. Non trovate?
Già oggi esistono stime profondamente divergenti sugli effetti economici dell’intelligenza artificiale. Ad esempio, un documento di Brookings mette a confronto la stima di Acemoglu con scenari molto più espansivi, tra cui quello di Baily, Brynjolfsson e Korinek, nel quale il livello della produttività dopo dieci anni risulterebbe superiore di circa il 18%
Acemoglu potrebbe avere ragione per le ragioni sbagliate
È difficile sostenere che Internet non abbia trasformato radicalmente la società, la comunicazione, il commercio, l’intrattenimento e l’organizzazione delle imprese. E in effetti, almeno per un periodo, questa trasformazione lasciò un segno molto visibile anche nelle statistiche economiche. Negli Stati Uniti, tra il 1995 e il 2000, la produttività del lavoro nel settore privato crebbe di circa il 2,7 per cento all’anno e, secondo alcune stime, circa 1,6 punti percentuali di quella crescita erano riconducibili alle tecnologie dell’informazione. Una quota enorme: quasi il 60 per cento della crescita complessiva della produttività di quegli anni.
Ma il boom non durò. Dopo la metà degli anni Duemila la crescita della produttività americana rallentò sensibilmente, proprio mentre Internet diventava molto più potente e pervasivo. Arrivarono la banda larga, gli smartphone, il cloud computing, i social network e un’economia digitale sempre più sofisticata, senza che la produttività aggregata tornasse ai ritmi della fine degli anni Novanta. Gli economisti hanno discusso a lungo se il problema fosse semplicemente statistico, cioè se il PIL non riuscisse a catturare tutto il valore prodotto dal digitale. Gli errori di misurazione esistono, ma sembrano insufficienti a spiegare gran parte del rallentamento.
Ed è proprio qui che il precedente di Internet diventa interessante per l’intelligenza artificiale. Una tecnologia può trasformare profondamente il modo in cui viviamo e lavoriamo senza produrre un’accelerazione permanente e spettacolare della produttività misurata.
Con l’AI potrebbe accadere qualcosa di simile. Potremmo avere assistenti personali artificiali, software prodotto quasi interamente dalle macchine, sistemi diagnostici straordinariamente potenti e imprese organizzate secondo modelli oggi difficili da immaginare, senza per questo vedere l’economia crescere del 5 o del 10 per cento all’anno.
Una parte dei benefici potrebbe arrivare ai consumatori sotto forma di servizi gratuiti o di miglioramenti difficili da catturare nelle statistiche, proprio come è già successo con molti servizi Internet. Altri guadagni potrebbero sostituire attività esistenti anziché aggiungersi alla produzione complessiva. Le risorse liberate dall’automazione potrebbero spostarsi verso settori in cui la produttività cresce più lentamente. E mentre il costo dell’intelligenza digitale crolla, potrebbero diventare più importanti altri vincoli: energia, capitale fisico, infrastrutture, regolamentazione, organizzazione delle imprese o semplicemente la capacità del mondo materiale di adattarsi alla stessa velocità del software.
È quindi possibile immaginare un futuro nel quale Acemoglu abbia sottovalutato radicalmente ciò che l’AI sarà capace di fare e abbia, allo stesso tempo, previsto abbastanza bene il suo effetto sulla produttività misurata. L’AI potrebbe trasformare quasi tutto senza trasformare nella stessa misura il tasso di crescita dell’economia.
Sarebbe una notevole ironia.
La mia opinione
La critica più forte ad Acemoglu non è che sia troppo pessimista sull’intelligenza artificiale. Essere pessimisti non è un errore metodologico. Il punto è capire quanto del suo risultato derivi realmente dai dati e quanto invece dalle ipotesi necessarie per costruire il modello. Quel famoso 0,7 per cento sembra una previsione. In realtà è soprattutto una previsione condizionata.
Qui c’è una distinzione importante. Un modello può essere estremamente utile senza essere abbastanza affidabile da diventare una guida per la politica tecnologica. Quello di Acemoglu costringe gli ottimisti a specificare attraverso quali meccanismi l’AI dovrebbe produrre gli enormi aumenti di produttività che prevedono, e questo è già molto. Ma se il risultato quantitativo cambia sensibilmente a seconda di quanto peso assegniamo alla creazione di nuovi task, alla produttività del capitale o alle attività oggi difficili da osservare, allora è più difficile utilizzare quel numero per decidere quale direzione dovrebbe prendere lo sviluppo dell’AI. Una cosa è mostrare che le previsioni più euforiche non sono ancora giustificate dai dati. Un’altra è trasformare una stima altamente condizionata in una base per scegliere quali tecnologie favorire o scoraggiare.
Se una certa quota di task verrà interessata dall’AI, se i guadagni di produttività resteranno entro certi limiti, se le attività più complesse continueranno a essere difficili da automatizzare e se la maggior parte dell’impatto economico passerà attraverso task già esistenti, allora l’effetto aggregato sarà relativamente modesto.
Il problema è che tutti questi “se” non sono dettagli secondari. Sono gran parte della previsione.
Ed è questo il punto su cui The Economist attacca Acemoglu con maggiore durezza. Il rischio è che il modello finisca per restituire in forma quantitativa una parte delle ipotesi che gli sono state messe dentro. Se si assume che l’AI inciderà soltanto su una porzione limitata delle attività attuali, è abbastanza naturale arrivare alla conclusione che il suo effetto sull’intera economia sarà limitato.
Naturalmente questo non rende il modello inutile. Serve anzi a ricordare una cosa importante: non basta mostrare che un programmatore scrive codice il 30 per cento più rapidamente per concludere che la produttività americana crescerà del 30 per cento. Ma è molto diverso dire questo dal sostenere che possiamo già stimare con ragionevole precisione quanto l’AI aggiungerà alla produttività nei prossimi dieci anni. Nel primo caso Acemoglu sta mettendo un freno alle estrapolazioni più fantasiose della Silicon Valley. Nel secondo sta facendo lui stesso un’estrapolazione, solo più prudente.
Ed è esattamente il problema che abbiamo già incontrato altre volte nella storia della tecnologia.