Trăim într-o perioadă de profunde transformări; în fapt, are loc o schimbare de paradigmă. Aşa cum de altfel ştim, marile transformări economice ale istoriei au fost legate aproape întotdeauna de capacitatea oamenilor de a transforma cunoaşterea în tehnologie şi 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, producţia de masă, semiconductorii şi internetul nu au reprezentat doar invenţii spectaculoase. Fiecare dintre ele a modificat, uneori mai puţin, alteori mai mult, modul în care producem, muncim, comunicăm şi, în cele din urmă, modul în care definim valoarea economică.
Astăzi, ne aflăm probabil în situaţia în care o nouă transformare a apărut la orizont şi înaintează cu o viteză ameţitoare. Inteligenţa artificială, robotizarea, calculul cuantic, volumele uriaşe de date şi 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: informaţia poate fi reprezentată, procesată şi transmisă digital prin combinaţii de 0 şi 1. Putem vorbi, în acest sens, despre tranziţia 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 forţa de muncă utilizate pentru realizarea unui produs, ci în special din informaţia, algoritmii, proprietatea intelectuală şi tehnologia încorporate în acesta. Economiile emergente trebuie să evite capcana venitului mediu, tocmai de aceea, pentru a avansa în ierarhia internaţională, dezvoltarea tehnologiei şi implementare modelelor AI nu mai sunt opţionale, ci elemente fundamentale ale noului model de dezvoltare.

Un moment important pentru dezvoltarea recentă a inteligenţei 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 secvenţiale utilizate până atunci, în special reţelele neuronale recurente şi convoluţionale. Unul dintre avantajele importante ale acestei arhitecturi este posibilitatea de a identifica relaţiile dintre diferitele elemente ale informaţiei procesate fără a fi necesară prelucrarea lor strict secvenţială. Acest lucru permite o paralelizare mult mai eficientă a calculelor şi, implicit, utilizarea unor volume considerabil mai mari de date în procesul de antrenare. Iniţial, 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 împărţită într-un număr de fragmente (patches) de dimensiune fixă, care sunt ulterior transformate în reprezentări vectoriale şi tratate într-o manieră asemănătoare secvenţelor de cuvinte. Autorii arată că, în condiţiile utilizării unor seturi suficient de mari de date pentru antrenare, Vision Transformer (ViT) poate obţine rezultate comparabile sau chiar superioare arhitecturilor convoluţionale consacrate. Dincolo de performanţele obţinute în aplicaţiile individuale, această evoluţie are o implicaţie economică importantă.

Capacitatea algoritmilor de a procesa text, imagini şi, ulterior, alte forme de informaţie nestructurată extinde considerabil numărul activităţilor cognitive care pot fi asistate sau automatizate. În măsura în care aceste tehnologii sunt integrate în procesul de producţie, efectele lor se pot transmite asupra productivităţii totale a factorilor, producţiei şi 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 activităţilor care pot fi automatizate, ci şi de câştigurile de productivitate obţinute în cazul fiecăreia dintre acestea. Pe baza estimărilor privind expunerea diferitelor ocupaţii la AI şi a rezultatelor microeconomice disponibile, Acemoglu estimează o creştere cumulată a TFP de aproximativ 0,66% pe parcursul a zece ani. Aceasta ar corespunde unei contribuţii suplimentare de aproximativ 0,064 puncte procentuale pe an la creşterea TFP. Estimarea devine şi mai redusă dacă se ţine seama de faptul că o parte dintre activităţile expuse AI sunt dificil de automatizat. Efectul asupra producţiei poate fi însă mai mare decât efectul direct asupra TFP, deoarece creşterea productivităţii determină, la rândul său, o reacţie a investiţiilor şi 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 investiţional. Automatizarea poate produce, în acelaşi timp, efecte importante asupra pieţei muncii. Acemoglu şi 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 şi asupra ponderii veniturilor salariale în valoarea adăugată. În sens opus acţionează reinstatement effect, asociat apariţiei unor noi sarcini în care munca deţine în continuare un avantaj comparativ. Efectul final al progresului tehnologic asupra muncii depinde, prin urmare, de importanţa relativă a celor două mecanisme.

La celălalt capăt al spectrului se află scenariile asociate dezvoltării Artificial General Intelligence (AGI). Korinek şi Suh (2024) analizează o economie în care progresul AI permite automatizarea treptată a unor sarcini din ce în ce mai complexe, până la situaţia în care tehnologia ar putea realiza toate sarcinile efectuate de munca umană. O concluzie importantă a analizei lor este că evoluţia salariilor depinde de raportul dintre viteza cu care are loc automatizarea şi ritmul acumulării capitalului. Dacă automatizarea avansează lent, acumularea de capital poate susţine cererea pentru activităţile 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. Diferenţele faţă de scenariul relativ moderat analizat de Acemoglu sunt considerabile. În unele dintre simulările prezentate de Korinek şi Suh, tranziţia către o formă avansată de AI poate conduce la creşteri ale producţiei de peste zece ori într-un interval de aproximativ două decenii, în funcţie de ipotezele privind viteza progresului tehnologic şi posibilităţile de automatizare.

Trammell şi Korinek (2023) analizează problema dintr-o perspectivă apropiată, concentrându-se asupra consecinţelor pe termen lung ale automatizării producţiei şi ale activităţilor de cercetare. Dacă AI poate substitui munca într-o parte suficient de mare a procesului de producţie, una dintre constrângerile tradiţionale asupra creşterii economice – oferta limitată de muncă – îşi pierde treptat importanţa. Într-un scenariu în care producţia poate fi automatizată aproape integral, iar capitalul reproductibil poate prelua o parte tot mai mare dintre activităţile desfăşurate anterior de oameni, rata de creştere a producţiei poate creşte substanţial, în timp ce ponderea muncii în venit se poate reduce. Efectul devine şi mai puternic atunci când automatizarea cuprinde activitatea de cercetare-dezvoltare, deoarece AI contribuie în acest caz nu doar la producţia curentă, ci şi la generarea progresului tehnologic viitor. În aceste condiţii, efectul asupra salariilor nu este în mod necesar acelaşi cu efectul asupra producţiei: o economie poate înregistra o creştere 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 producţiei, acumulării de capital şi remuneraţiei muncii în scenariile de tranziţie către AGI analizate de Korinek şi colaboratorii săi.

O ţară 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 convergenţă şi a cunoscutului efect Balassa – Samuelson, iar diferenţele de cost pot fi replicate de alte economii. Avantajul mult mai greu de reprodus este cel bazat pe cunoaştere-inovare, capital uman cu abilităţi specifice, tehnologie şi proprietate intelectuală.

Tocmai de aceea, ţările aflate în grupul economiilor avansate încearcă să ocupe segmente ale lanţurilor globale de valoare în care marjele sunt ridicate: cercetare şi dezvoltare, software, semiconductori, biotehnologie, robotică, inteligenţă artificială, industria aerospaţială, tehnologii energetice avansate şi servicii sofisticate. Nu este suficient doar să produci mai mult, contează din ce în ce mai mult ce produci, cu ce tehnologie produci şi câtă cunoaştere este încorporată în ceea ce produci.

În limbaj economic, această transformare se poate explica prin modificări importante ale productivităţii totale a factorilor (TFP), care reflectă, în fapt, partea din creşterea producţiei care nu poate fi explicată doar prin acumularea de muncă şi capital. Încă din modelul neoclasic al lui Solow (1956), progresul tehnologic reprezintă principala sursă a creşterii economice pe termen lung, fiind însă tratat ca un factor exogen. Ulterior, teoria creşterii endogene, dezvoltată prin contribuţiile lui Romer (1986, 1990) şi Lucas (1988), a încercat să explice modul în care progresul tehnologic şi productivitatea sunt generate chiar în interiorul economiei. Romer acordă un rol central ideilor, cunoaşterii şi inovării, în timp ce Lucas pune accentul pe acumularea de capital uman. Din această perspectivă, tehnologia, organizarea, competenţele, calitatea instituţiilor şi inovarea permit unei economii să obţină mai mult din aceleaşi resurse, iar dezvoltarea AI poate amplifica aceste mecanisme şi, implicit, creşterea productivităţii pe termen lung.

În sensul celor menţionate anterior, investiţiile în cercetare-inovare şi educaţie pot produce efecte care se propagă în întreaga economie. Acestea sunt în fapt baza pentru a avea o creştere economică sustenabilă. Se creează astfel un cerc virtuos, care, pentru o economie aflată în convergenţă, permite trecerea la o creştere economică bazată pe surplus de productivitate.

Si aici aş dori să intervin cu o nouă apreciere. De fapt, atunci când vorbim de creştere economică trebuie să avem în vedere natura acesteia, nu doar ca şi conţinut (componentele care o determină), dar şi din perspectiva capacităţii de regenerare.

Este important să avem creştere economică, dar se pune o nouă întrebare: această creştere economică are la bază o serie de condiţii care vor determina multiplicarea ei, regenerarea capacitaţii de creştere viitoare? Astfel, o creştere se numeşte generatoare atunci când procesul prin care produce prosperitate are un efect multiplicator pentru posibilitatea de a produce prosperitate şi în viitor.

Privind lucrurile astfel, am putea defini trei tipuri de creştere economică: o creştere extractivă, care implică un consum important de resurse şi ale cărei efecte sunt preponderent temporare; o creştere sustenabilă, care pune accent pe continuitate şi pe prevenirea acumulării unor dezechilibre economice, sociale sau de mediu; şi o creştere generatoare, care are la bază un efect multiplicator care se propagă inclusiv asupra perioadelor viitoare. Acest din urmă tip de creştere accentuează importanţa capacităţii economiei de a genera endogen factorii care să susţină continuarea dezvoltării pe termen mediu şi lung. O perspectivă complementară este oferită de Jones, López-Salido şi Philippon (2026), care aduc în discuţie distincţia dintre creşterea exponenţială şi cea aditivă a productivităţii. Autorii găsesc, pentru economia SUA, dovezi în favoarea unei dinamici condiţional aditive a TFP, ceea ce implică faptul că sporurile de productivitate nu cresc în mod necesar proporţional cu nivelul deja atins al acesteia. Acest rezultat sugerează că mecanismele care generează creşterea şi capacitatea acestora de a se perpetua în timp sunt cel puţin la fel de importante precum ritmul de creştere observat la un anumit moment. Cele trei forme de creştere descrise anterior pot fi legate şi de poziţia economiei în cadrul ciclului economic şi nu sunt, în practică, reciproc exclusive. Aceeaşi economie poate manifesta simultan şi cu intensităţi diferite, caracteristici ale mai multor forme de creştere, ceea ce am putea defini, într-un sens mai larg, drept o structură fractală a procesului de creştere economică.

Suntem la începutul unei noi călătorii. După revoluţia agricolă, revoluţia industrială şi revoluţia digitală, intrăm în epoca inteligenţei artificiale şi a robotizării. Noua frontieră nu mai este doar geografică sau spaţială. Este frontiera inteligenţei, a informaţiei şi a cunoaşterii într-o economie digitalizată, care va evolua cu altă viteză decât am fost obişnuiţi.