AI Dark Output / Semianalysis

В 1980-х и 90-х годах макроэкономические данные не могли уловить вклад зарождающейся компьютерной революции.
Знаменита шутка Роберта Солоу: «Век компьютеров видно повсюду, кроме статистики производительности».

Масштаб проблемы измерения от ИИ значительно превышает прежние трудности с измерением ВВП ( пример с НИОКР 2013г. приводят ).
Работу, которую ИИ выполняет и которую национальные бюро сейчас не видят, мы называем "Dark Output".

Dark Output AI — это создаваемая ИИ экономическая ценность, которая существует, но не видна или сильно искажена в ВВП, ценах, статистике труда или отраслевых счетах.
Мы делим ее на три категори:

1) Замещающий - работа, которая раньше выполнялась людьми, а теперь выполняется ИИ с очень сильным дисконтом. Мы выявили около 1,5 трлн долларов в задачах, которые ИИ нынешнего поколения может существенно дополнить или автоматизировать.
( 1.5% мирового ВВП )

2)Новый - новая работа, выполняемая ИИ, которой раньше не делали люди (вероятно, потому что это было слишком дорого, пока ИИ не сделал её дешёвой). В долгосрочной перспективе эта категория, по всей видимости, будет намного больше замещающей.

3)Захваченный - работа, которая раньше выполнялась людьми, теперь выполняется ИИ, но всё ещё может стоить столько же, сколько раньше.

Пример замещающего Dark Output - юридический документ. Если его составил юрист из юридической фирмы - ВВП видит транзакцию в виде оказания услуги, выручку. Если его составили через ИИ - то выручка исчезает, так как сотрудник неюридической компании сам составил через ИИ ТОКЕНЫ за пару даолларов. С точки зрения ВВП транзакция фактически испаряется, оставляя лишь несколько долларов на токены в несвязанном секторе экономики.
Когда чиновники опрашивают юристов о стоимости услуг, средняя цена может оказаться выше — поскольку самые простые документы теперь выполняет ИИ, а не юристы.
Т.е. грубо говоря, раньше в ВВП учитывался счет юриста в 200$ за простой документ, а сейчас работа выполнена - но в ВВП учтено вне юридической сферы, в качестве расходов на пару долларов.

Исходя из этого -> появляются неверные данные об инфляции разных секторов и снижения производительности сектора.
Такой учёт услуг не допускает прироста производительности. Когда счета регистрируют меньшую выручку, они интерпретируют это как снижение выпуска.

Захвчаенный dark output. Рассмотрим два сценария. Первый: компания, которая раньше покупала HR-услугу за 10 000 долларов у внешнего поставщика, теперь покупает ту же услугу за 10 000 долларов у ИИ-поставщика HR-услуг. В этом случае выпуск по-прежнему фиксируется в национальных счетах, и исчезли только зарплаты и работники. Второй сценарий: та же услуга за 10 000 долларов теперь выполняется внутри компании за 10 долларов токенов. В этом сценарии ВВП снизился на 9 990 долларов, несмотря на то что выполнена та же работа. ( таких услуг очень мало )


Отличие расчетов услуг и товаров

Почему услуги отличаются от товаров
Если станочники научились лучше делать шурупы, завод сообщал, что производит больше шурупов, по более низким издержкам или с большей маржой. Реальный ВВП мог расти, потому что он основан на количестве выпуска. Так что когда цена шурупа упала более чем на 99% за последние шесть веков, мы можем подсчитать, что мировое производство шурупов выросло примерно в 10 миллиардов раз. Реальный ВВП правильно фиксирует это как рост и производительность.

У нас нет функциональной меры для единиц услуг и умственной работы. Миллион токенов может произвести мусор, а может и полезный, юридический документ или решение, меняющее стратегию компании. Экономическая ценность зависит от результата, а не от количества токенов.


Некорректные статистические данные об инфляции
В первую очередь от рутинной работы вытесняются младшие сотрудники. Следствие — средняя зарплата в подверженных воздействию ИИ профессиях может расти, потому что низкооплачиваемые работники выпадают из выборки. Самые дешёвые работники исчезают из данных. Никто не получил прибавки, а зарплаты выросли. Если счета увидят меньшую выручку (из-за падения цен) и более высокую среднюю зарплату (из-за вытеснения младших сотрудников), это будет интерпретироваться как более высокая инфляция и падение производительности и выпуска.

Неправильная маршрутизация по секторам-> ВВП по отраслям может представлять ИИ-вендоров источником ценности, тогда как внедряющий сектор будет выглядеть стагнирующим

Наша оценка в 1.5Т$ по замещающей работе связана с нашей системой бенчмарков, которая разбита по тирам. Мы внесли туда только то что относится к T4. T5-T6 пока не видим прецедентов.

T1 · AI Self-Assessment - ИИ сам выполнил задачу и выдал результат. Самая низкая доверительная ступень — модель может «не знать, как выглядит хороший ответ»
T2 · Adversarial AI Eval — второй ИИ-модель критически проверила результат против профессиональных стандартов. ( на уровне бенчмарков )
T3 · Professional Endorsement — сертифицированный человек-профессионал (врач, юрист, инженер) подтвердил, что результат соответствует стандартам отрасли.
Линия отсечки $1,5T headline — всё, что ниже, в цифру не входит.
T4 · Production Deployment — ИИ реально выполняет эту задачу в действующем бизнес-процессе и генерирует выручку ( должен быть коммерческий тест ).

T5 · Adjudicated — результат ИИ прошёл формальный спор/аудит (суд, регуляторная проверка, внешний аудит) и устоял.

T6 · Insured — самая высокая ступень. Страховая компания готова покрывать профессиональную ответственность за результат ИИ в этом классе задач. 

Мы пока не видим доказательств активности Tier 5 или Tier 6, и это следует воспринимать как предупреждение против чрезмерного оптимизма по ИИ.
Большая часть собранных нами на сегодняшний день доказательств указывает на дополнение, а не на замену человека ИИ.


Replacement (замещение) — $14 млрд, 0,9%
Активности, по которым есть подтверждённые данные о реальном сокращении численности занятых из-за ИИ. 

Augmentation (усиление) — $952 млрд, 62,3%,
Самая большая группа. Активности, где ИИ выступает инструментом для существующих работников — повышает их продуктивность, но не вытесняет. Это «мягкое» свидетельство: рост использования без падения headcount.

Mixed (смешанное) — $562 млрд, 36,8%
Активности с двойственными свидетельствами — есть признаки и замещения, и аугментации одновременно. Серая зона, где исход ещё не предопределён.

Риск макроданных

Макроданные — наш лучший взгляд на экономику. Они всегда несовершенны и догоняют изменения в экономике. Но это часть того, как инвесторы решают, реален ли бум, как политики взвешивают баланс безработицы и инфляции и как фирмы решают, нанимать, автоматизировать или строить. Если ИИ разрушает связи в данных между трудом, выпуском, ценами и секторами, решения становятся хуже. Риск в том, что мы продолжаем пользоваться теми же данными, хотя они становятся всё менее точными.

ИИ и феминистская экономика
Можно привести аналогию с домашним трудом женщин. Международная организация труда оценила 16,4 миллиарда часов неоплачиваемого ухода, выполняемого ежедневно, на сумму 11 триллионов долларов в год. ВВП никак не рассматривает эту "созданную ценность".
Когда семья нанимает домработницу, её труд попадает в ВВП. Когда тот же труд выполняет член семьи, нет.

Все случаи применения ИИ в нетранзакционной производственной сфере — это ещё одна форма Dark Output.



Личное мнение:
Потенциальное удешевние многих услуг может приводить к плохим показателям ВВП / отсутствия сильного роста ВВП в ближайшие годы.
Снижение цен на когнитивную деятельность должно привести к парадоксу Джевонса и появлению новых сфер - но на это нужно время, так как LLM снижает затраты на порядки, а спрос / выручка не успеет вырасти на порядки.
Смена транзакционных маршрутов может оказать сильное давление на многие сферы.