Trăim într-o perioadă de profunde transformări; în fapt, are loc o schimbare de paradigmă. Așa cum de altfel știm, marile transformări economice ale istoriei au fost legate aproape întotdeauna de capacitatea oamenilor de a transforma cunoașterea în tehnologie și apoi tehnologia în productivitate.
Ca să facem doar o simplă trecere în revistă, fără a trata exhaustiv acest subiect, spre exemplu motorul cu aburi, electricitatea, producția de masă, semiconductorii și internetul nu au reprezentat doar invenții spectaculoase. Fiecare dintre ele a modificat, uneori mai puțin, alteori mai mult, modul în care producem, muncim, comunicăm și, în cele din urmă, modul în care definim valoarea economică.
Astăzi, ne aflăm probabil în situația în care o nouă transformare a apărut la orizont și înaintează cu o viteză amețitoare. Inteligența artificială, robotizarea, calculul cuantic, volumele uriașe de date și digitalizarea economiei încep să formeze infrastructura unei noi etape de dezvoltare.
Dar ce se află la baza unei astfel de transformări? Răspunsul cel mai la îndemână este că în spatele acestei lumi aparent sofisticate se află un principiu extrem de simplu, de altfel: informația poate fi reprezentată, procesată și transmisă digital prin combinații de 0 și 1. Putem vorbi, în acest sens, despre tranziția economiei actuale spre un nou tip de economie pe care o putem defini ca fiind economia binară. În fapt, o astfel de economie este o economie în care o parte tot mai mare a valorii nu mai provine din materia fizică sau din forța de muncă utilizate pentru realizarea unui produs, ci în special din informația, algoritmii, proprietatea intelectuală și tehnologia încorporate în acesta. Economiile emergente trebuie să evite capcana venitului mediu, tocmai de aceea, pentru a avansa în ierarhia internațională, dezvoltarea tehnologiei și implementare modelelor AI nu mai sunt opționale, ci elemente fundamentale ale noului model de dezvoltare.
Un moment important pentru dezvoltarea recentă a inteligenței artificiale a fost publicarea de către cercetătorii Google a lucrării Attention Is All You Need. Vaswani et al. (2017) propun arhitectura Transformer, bazată pe mecanismul de self-attention, ca alternativă la modelele secvențiale utilizate până atunci, în special rețelele neuronale recurente și convoluționale. Unul dintre avantajele importante ale acestei arhitecturi este posibilitatea de a identifica relațiile dintre diferitele elemente ale informației procesate fără a fi necesară prelucrarea lor strict secvențială. Acest lucru permite o paralelizare mult mai eficientă a calculelor și, implicit, utilizarea unor volume considerabil mai mari de date în procesul de antrenare. Inițial, arhitectura Transformer a fost dezvoltată pentru procesarea limbajului natural, însă aplicabilitatea sa s-a dovedit mult mai largă. Dosovitskiy et al. (2021), în An Image is Worth 16×16 Words: Transformers for Image Recognition at Scale, extind această abordare la procesarea imaginilor.
Ideea este relativ simplă: imaginea este împărțită într-un număr de fragmente (patches) de dimensiune fixă, care sunt ulterior transformate în reprezentări vectoriale și tratate într-o manieră asemănătoare secvențelor de cuvinte. Autorii arată că, în condițiile utilizării unor seturi suficient de mari de date pentru antrenare, Vision Transformer (ViT) poate obține rezultate comparabile sau chiar superioare arhitecturilor convoluționale consacrate. Dincolo de performanțele obținute în aplicațiile individuale, această evoluție are o implicație economică importantă. Capacitatea algoritmilor de a procesa text, imagini și, ulterior, alte forme de informație nestructurată extinde considerabil numărul activităților cognitive care pot fi asistate sau automatizate. În măsura în care aceste tehnologii sunt integrate în procesul de producție, efectele lor se pot transmite asupra productivității totale a factorilor, producției și cererii pentru diferite categorii de muncă.
Dimensiunea acestor efecte este însă departe de a fi clară. O perspectivă relativ prudentă este prezentată de Acemoglu (2024) în The Simple Macroeconomics of AI. Utilizând un model bazat pe sarcini (task-based model), acesta arată că efectul agregat al AI depinde nu numai de numărul activităților care pot fi automatizate, ci și de câștigurile de productivitate obținute în cazul fiecăreia dintre acestea. Pe baza estimărilor privind expunerea diferitelor ocupații la AI și a rezultatelor microeconomice disponibile, Acemoglu estimează o creștere cumulată a TFP de aproximativ 0,66% pe parcursul a zece ani. Aceasta ar corespunde unei contribuții suplimentare de aproximativ 0,064 puncte procentuale pe an la creșterea TFP. Estimarea devine și mai redusă dacă se ține seama de faptul că o parte dintre activitățile expuse AI sunt dificil de automatizat. Efectul asupra producției poate fi însă mai mare decât efectul direct asupra TFP, deoarece creșterea productivității determină, la rândul său, o reacție a investițiilor și o acumulare suplimentară de capital. Acemoglu estimează astfel efecte cumulate asupra PIB mai mari decât cele asupra TFP, magnitudinea acestora depinzând inclusiv de intensitatea răspunsului investițional.
Automatizarea poate produce, în același timp, efecte importante asupra pieței muncii. Acemoglu și Restrepo (2019) arată că preluarea de către capital a unor sarcini realizate anterior de muncă generează un displacement effect, cu efect negativ asupra cererii pentru muncă și asupra ponderii veniturilor salariale în valoarea adăugată. În sens opus acționează reinstatement effect, asociat apariției unor noi sarcini în care munca deține în continuare un avantaj comparativ. Efectul final al progresului tehnologic asupra muncii depinde, prin urmare, de importanța relativă a celor două mecanisme.
La celălalt capăt al spectrului se află scenariile asociate dezvoltării Artificial General Intelligence (AGI). Korinek și Suh (2024) analizează o economie în care progresul AI permite automatizarea treptată a unor sarcini din ce în ce mai complexe, până la situația în care tehnologia ar putea realiza toate sarcinile efectuate de munca umană. O concluzie importantă a analizei lor este că evoluția salariilor depinde de raportul dintre viteza cu care are loc automatizarea și ritmul acumulării capitalului. Dacă automatizarea avansează lent, acumularea de capital poate susține cererea pentru activitățile care continuă să fie realizate de oameni, iar salariile pot continua să crească. Dacă însă automatizarea se produce suficient de rapid, munca poate deveni relativ abundentă în raport cu sarcinile care îi mai sunt rezervate, iar salariile pot începe să scadă chiar înainte ca automatizarea completă să fie atinsă. Diferențele față de scenariul relativ moderat analizat de Acemoglu sunt considerabile. În unele dintre simulările prezentate de Korinek și Suh, tranziția către o formă avansată de AI poate conduce la creșteri ale producției de peste zece ori într-un interval de aproximativ două decenii, în funcție de ipotezele privind viteza progresului tehnologic și posibilitățile de automatizare.
Trammell și Korinek (2023) analizează problema dintr-o perspectivă apropiată, concentrându-se asupra consecințelor pe termen lung ale automatizării producției și ale activităților de cercetare. Dacă AI poate substitui munca într-o parte suficient de mare a procesului de producție, una dintre constrângerile tradiționale asupra creșterii economice – oferta limitată de muncă – își pierde treptat importanța. Într-un scenariu în care producția poate fi automatizată aproape integral, iar capitalul reproductibil poate prelua o parte tot mai mare dintre activitățile desfășurate anterior de oameni, rata de creștere a producției poate crește substanțial, în timp ce ponderea muncii în venit se poate reduce. Efectul devine și mai puternic atunci când automatizarea cuprinde activitatea de cercetare-dezvoltare, deoarece AI contribuie în acest caz nu doar la producția curentă, ci și la generarea progresului tehnologic viitor.
În aceste condiții, efectul asupra salariilor nu este în mod necesar același cu efectul asupra producției: o economie poate înregistra o creștere foarte rapidă a outputului concomitent cu o reducere a ponderii veniturilor care revin muncii. Literatura oferă astfel un interval foarte larg de rezultate posibile, de la efectele relativ moderate asupra TFP estimate de Acemoglu (2024) până la modificări mult mai ample ale producției, acumulării de capital și remunerației muncii în scenariile de tranziție către AGI analizate de Korinek și colaboratorii săi.
O țară poate concura pentru o perioadă prin costuri salariale reduse sau acces la resurse naturale. Dar asemenea avantaje sunt fragile. Salariile cresc odată cu dezvoltarea economică ca urmare a procesului de convergență și a cunoscutului efect Balassa – Samuelson, iar diferențele de cost pot fi replicate de alte economii. Avantajul mult mai greu de reprodus este cel bazat pe cunoaștere-inovare, capital uman cu abilități specifice, tehnologie și proprietate intelectuală.
Tocmai de aceea, țările aflate în grupul economiilor avansate încearcă să ocupe segmente ale lanțurilor globale de valoare în care marjele sunt ridicate: cercetare și dezvoltare, software, semiconductori, biotehnologie, robotică, inteligență artificială, industria aerospațială, tehnologii energetice avansate și servicii sofisticate. Nu este suficient doar să produci mai mult, contează din ce în ce mai mult ce produci, cu ce tehnologie produci și câtă cunoaștere este încorporată în ceea ce produci.
În limbaj economic, această transformare se poate explica prin modificări importante ale productivității totale a factorilor (TFP), care reflectă, în fapt, partea din creșterea producției care nu poate fi explicată doar prin acumularea de muncă și capital. Încă din modelul neoclasic al lui Solow (1956), progresul tehnologic reprezintă principala sursă a creșterii economice pe termen lung, fiind însă tratat ca un factor exogen. Ulterior, teoria creșterii endogene, dezvoltată prin contribuțiile lui Romer (1986, 1990) și Lucas (1988), a încercat să explice modul în care progresul tehnologic și productivitatea sunt generate chiar în interiorul economiei. Romer acordă un rol central ideilor, cunoașterii și inovării, în timp ce Lucas pune accentul pe acumularea de capital uman. Din această perspectivă, tehnologia, organizarea, competențele, calitatea instituțiilor și inovarea permit unei economii să obțină mai mult din aceleași resurse, iar dezvoltarea AI poate amplifica aceste mecanisme și, implicit, creșterea productivității pe termen lung.
În sensul celor menționate anterior, investițiile în cercetare-inovare și educație pot produce efecte care se propagă în întreaga economie. Acestea sunt în fapt baza pentru a avea o creștere economică sustenabilă. Se creează astfel un cerc virtuos, care, pentru o economie aflată în convergență, permite trecerea la o creștere economică bazată pe surplus de productivitate.
Si aici aș dori să intervin cu o nouă apreciere. De fapt, atunci când vorbim de creștere economică trebuie să avem în vedere natura acesteia, nu doar ca și conținut (componentele care o determină), dar și din perspectiva capacității de regenerare.
Este important să avem creștere economică, dar se pune o nouă întrebare: această creștere economică are la bază o serie de condiții care vor determina multiplicarea ei, regenerarea capacitații de creștere viitoare? Astfel, o creștere se numește generatoare atunci când procesul prin care produce prosperitate are un efect multiplicator pentru posibilitatea de a produce prosperitate și în viitor.
Privind lucrurile astfel, am putea defini trei tipuri de creștere economică: o creștere extractivă, care implică un consum important de resurse și ale cărei efecte sunt preponderent temporare; o creștere sustenabilă, care pune accent pe continuitate și pe prevenirea acumulării unor dezechilibre economice, sociale sau de mediu; și o creștere generatoare, care are la bază un efect multiplicator care se propagă inclusiv asupra perioadelor viitoare. Acest din urmă tip de creștere accentuează importanța capacității economiei de a genera endogen factorii care să susțină continuarea dezvoltării pe termen mediu și lung. O perspectivă complementară este oferită de Jones, López-Salido și Philippon (2026), care aduc în discuție distincția dintre creșterea exponențială și cea aditivă a productivității. Autorii găsesc, pentru economia SUA, dovezi în favoarea unei dinamici condițional aditive a TFP, ceea ce implică faptul că sporurile de productivitate nu cresc în mod necesar proporțional cu nivelul deja atins al acesteia.
Acest rezultat sugerează că mecanismele care generează creșterea și capacitatea acestora de a se perpetua în timp sunt cel puțin la fel de importante precum ritmul de creștere observat la un anumit moment. Cele trei forme de creștere descrise anterior pot fi legate și de poziția economiei în cadrul ciclului economic și nu sunt, în practică, reciproc exclusive. Aceeași economie poate manifesta simultan și cu intensități diferite, caracteristici ale mai multor forme de creștere, ceea ce am putea defini, într-un sens mai larg, drept o structură fractală a procesului de creștere economică.
Suntem la începutul unei noi călătorii.
După revoluția agricolă, revoluția industrială și revoluția digitală, intrăm în epoca inteligenței artificiale și a robotizării. Noua frontieră nu mai este doar geografică sau spațială. Este frontiera inteligenței, a informației și a cunoașterii într-o economie digitalizată, care va evolua cu altă viteză decât am fost obișnuiți.
