Sztuczna inteligencja w perspektywie ekonomicznej – trzy obszary obserwacji według Darona Acemoglu

Analiza na podstawie: J. O’Donnell, „Three things in AI to watch, according to a Nobel-winning economist”, MIT Technology Review, 11.05.2026

Streszczenie

Niniejszy artykuł stanowi analizę i rozszerzoną interpretację wywiadu przeprowadzonego przez Jamesa O’Donnella z Daronem Acemoglu – laureata Nagrody Nobla w dziedzinie ekonomii z 2024 roku – opublikowanego na łamach MIT Technology Review. Acemoglu prezentuje umiarkowane, lecz metodologicznie ugruntowane stanowisko wobec wpływu sztucznej inteligencji na rynek pracy, wskazując jednocześnie trzy kluczowe obszary wymagające systematycznej obserwacji: agentową AI, ekonomizację sektora technologicznego oraz dostępność aplikacyjną systemów AI. Praca omawia argumenty ekonomisty na tle szerszego dyskursu naukowego i społecznego dotyczącego transformacji rynku pracy w epoce AI.

Słowa kluczowe: sztuczna inteligencja, rynek pracy, agenty AI, ekonomia technologii, Daron Acemoglu

1. Wprowadzenie

Daron Acemoglu, ekonomista Massachusetts Institute of Technology i współlaureat Nagrody Nobla w dziedzinie nauk ekonomicznych w 2024 roku, konsekwentnie zajmuje jedną z najbardziej wyważonych pozycji w debacie dotyczącej ekonomicznych skutków rozwoju sztucznej inteligencji. Jego naukowe podejście, oparte na rygorystycznej analizie empirycznej, wyraźnie kontrastuje z dominującą w przestrzeni publicznej i medialnej narracją o nieuchronnej „apokalipsie miejsc pracy”.

W opublikowanej w 2024 roku pracy badawczej Acemoglu zajął stanowisko wyraźnie odbiegające od prognoz prezentowanych przez liderów branży technologicznej: jego szacunki wskazywały jedynie na marginalny wpływ AI na wzrost produktywności Stanów Zjednoczonych, przy braku przesłanek do zastąpienia ludzkiej pracy na skalę przepowiadaną przez entuzjastów technologii. Dwa lata później, w wywiadzie udzielonym MIT Technology Review (maj 2026), ekonomista podsumowuje stan debaty i wskazuje trzy obszary, które – jego zdaniem – określą rzeczywisty wpływ AI na gospodarkę i społeczeństwo.

2. Agentowa AI a granice automatyzacji pracy

Pierwszym kluczowym zagadnieniem wymagającym ściślejszej obserwacji jest rozwój tzw. agentowej AI (ang. agentic AI) – systemów zdolnych do samodzielnego realizowania celów bez stałej interwencji człowieka. Firmy technologiczne intensywnie promują tę kategorię narzędzi jako rozwiązanie pozwalające na zastąpienie całych stanowisk pracy, nie zaś jedynie wspieranie wybranych zadań.

Acemoglu traktuje to twierdzenie jako „przegraną propozycję”. W swoich badaniach nad strukturą pracy – prowadzonych od 2018 roku – analizował złożoność zawodów przez pryzmat wielowymiarowości zadań. Przytaczany przez niego przykład technika RTG ilustruje tę zasadę wyjątkowo precyzyjnie: specjalista ten wykonuje około trzydziestu odrębnych zadań, które wymagają swobodnego przełączania się między różnymi formatami danych, protokołami komunikacji i systemami informatycznymi. Ludzka elastyczność poznawcza w zakresie orkiestracji tych zadań stanowi, zdaniem Acemoglu, wciąż nieuchwytny dla AI obszar kompetencji.

Z perspektywy akademickiej istotne jest, że kwestia ta ma charakter empiryczny: rozstrzygnięcie, czy systemy agentowe osiągną wystarczający poziom autonomii w zarządzaniu wielozadaniową pracą, będzie decydujące dla oceny wpływu AI na zatrudnienie. Konkurencja technologiczna w tym obszarze jest intensywna, a wyniki często wyolbrzymiane – co Acemoglu również explicite zaznacza.

3. Ekonomizacja sektora AI i ryzyko konfliktu interesów

Drugą obserwacją Acemoglu jest zjawisko, które można określić mianem „ekonomizacji sektora AI”: wiodące firmy technologiczne tworzą własne zespoły ekonomistów, zatrudniając czołowych przedstawicieli środowiska naukowego. OpenAI pozyskało Ronniego Chatterji z Duke University jako głównego ekonomistę, nawiązując równocześnie współpracę z Jasonem Furmanem – byłym doradcą ekonomicznym prezydenta Obamy. Anthropic powołało radę doradczą złożoną z dziesięciu wybitnych ekonomistów, a Google DeepMind mianowało Alexa Imasa z University of Chicago dyrektorem ds. ekonomii AGI.

Acemoglu przyjmuje wobec tego trendu postawę ambiwalentną. Z jednej strony uznaje jego logikę: rosnący sceptycyzm społeczny wobec AI – wynikający głównie z obaw o miejsca pracy – tworzy dla firm realną potrzebę kompetentnego kształtowania narracji ekonomicznej. Z drugiej strony ekonomista wyraża niepokojącą obawę, że badania finansowane przez podmioty o bezpośrednich interesach komercyjnych mogą systematycznie przesunąć ciężar wyników w kierunku wniosków korzystnych dla sponsorów.

Problem ten – znany w metodologii nauk ekonomicznych jako „bias sponsorowany” – nabiera szczególnego znaczenia, gdyż wyniki badań prowadzonych w ramach „ekonomiki AI” mogą bezpośrednio kształtować politykę gospodarczą i regulacyjną na skalę globalną. Acemoglu przestrzega, by wyniki badań oceniać nie tylko przez pryzmat metodologiczny, ale również instytucjonalny – uwzględniając afiliacje i źródła finansowania.

4. Użyteczność aplikacyjna jako warunek transformacji

Trzeci obszar obserwacji dotyczy pytania o to, czy sztuczna inteligencja osiągnie poziom użyteczności aplikacyjnej porównywalny z wcześniejszymi transformacyjnymi technologiami cyfrowymi. Acemoglu przytacza tu analogię do pakietu Microsoft Office: PowerPoint i Word upowszechniły się błyskawicznie, ponieważ ich instalacja i użytkowanie nie wymagały specjalistycznej wiedzy – dowolny pracownik biurowy mógł samodzielnie opanować narzędzie i od razu osiągnąć mierzalną produktywność.

W przypadku współczesnych systemów AI sytuacja jest odmienna. Choć dostęp do modeli językowych jest formalnie powszechny, efektywne i produktywne ich wykorzystanie wymaga – szczególnie od przeciętnego pracownika – długotrwałego procesu uczenia się, rozwijania kompetencji w zakresie tzw. prompt engineeringu i adaptacji do specyfiki zawodowej. Brak wystandaryzowanych, intuicyjnych aplikacji opartych na AI stanowi według Acemoglu jeden z kluczowych czynników tłumaczących nieobecność mierzalnego wpływu tej technologii na wskaźniki makroekonomiczne.

Sygnałem, na który Acemoglu zwraca szczególną uwagę, jest pojawienie się aplikacji obniżających próg dostępu do możliwości AI do poziomu tego charakterystycznego dla omówionego wcześniej pakietu biurowego. Taka zmiana mogłaby wygenerować efekt skalowania, którego dotychczas nie zaobserwowano.

5. Dyskusja: pewność retoryki wobec niepewności empirycznej

Wartością dodaną podejścia Acemoglu jest jego metodologiczna uczciwość wobec stanu wiedzy. Ekonomista dostrzega wewnętrzną sprzeczność współczesnej debaty: z jednej strony narastają anegdotyczne doniesienia o pogarszających się perspektywach zawodowych absolwentów, a dyskurs polityczny (od kampanii Bernie Sandersa po propozycje ustawodawcze w Kalifornii) pełen jest apokaliptycznych sformułowań. Z drugiej strony dane makroekonomiczne konsekwentnie nie potwierdzają systemowego wpływu AI na wskaźniki zatrudnienia ani produktywności.

Ta „ogromna niepewność” – jak ją sam określa Acemoglu – jest prawdopodobnie najważniejszą cechą charakterystyczną obecnego momentu. Opisywana dynamika ma istotne implikacje dla polityki edukacyjnej i gospodarczej: pochopne decyzje regulacyjne lub inwestycyjne oparte na narracyjnym, a nie empirycznym rozumieniu wpływu AI mogą generować zniekształcenia trudne do odwrócenia. Jednocześnie bezczynność w obliczu możliwej, choć niezweryfikowanej transformacji również niesie ryzyko.

Ostrzeżenie Acemoglu wpisuje się w szerszy nurt krytyki epistemicznej wobec dyskursu technologicznego: hype jako zjawisko społeczne może wyprzedzać rzeczywistość technologiczną o lata, jednocześnie kształtując decyzje gospodarcze, które mają bezpośrednio mierzalne konsekwencje. W tym kontekście ekonomia i nauki społeczne odgrywają kluczową rolę jako dostarczyciele narzędzi empirycznej weryfikacji technologicznych obietnic.

6. Wnioski

Perspektywa Darona Acemoglu dostarcza akademickiemu dyskursowi o AI cennej przeciwwagi dla dominujących narracji: zarówno tych technooptymistycznych (nieuchronna AGI i rewolucja produktywności), jak i technopesymistycznych (natychmiastowa zagłada rynku pracy). Jego analiza wskazuje, że właściwa odpowiedź na pytanie o skutki AI nie jest dostępna drogą dedukcji z założeń technologicznych, lecz wymaga systematycznej obserwacji konkretnych wskaźników empirycznych.

Trzy omówione obszary – dojrzałość agentowej AI w zakresie wielozadaniowości, instytucjonalna niezależność badań ekonomicznych dotyczących sektora technologicznego oraz rozwój dostępnych aplikacji obniżających próg użyteczności AI – stanowią konkretne i mierzalne punkty odniesienia dla przyszłych analiz. Ich monitorowanie powinno stanowić element szerszego programu badań na pograniczu ekonomii, nauk o zarządzaniu i informatyki.

Implikacją praktyczną dla instytucji edukacyjnych i decydentów politycznych jest potrzeba zachowania epistemicznej ostrożności: ani masowe inwestycje w przekwalifikowanie pracowników „zanim będzie za późno”, ani ignorowanie zachodzących zmian nie są uzasadnione dostępnymi danymi. Potrzebny jest ciągły, oparty na dowodach monitoring, który pozwoli na adaptację polityk w miarę jak rzeczywistość technologiczna będzie się krystalizować.

Literatura

Acemoglu, D. (2024). The Simple Macroeconomics of AI. NBER Working Paper No. 32487. National Bureau of Economic Research.

Acemoglu, D., Restrepo, P. (2018). Artificial Intelligence, Automation, and Work. NBER Working Paper No. 24196. National Bureau of Economic Research.

O’Donnell, J. (2026, 11 maja). Three things in AI to watch, according to a Nobel-winning economist. MIT Technology Review. https://www.technologyreview.com/2026/05/11/1137090

Anthropic (2025). Introducing the Anthropic Economic Advisory Council. https://www.anthropic.com/news/introducing-the-anthropic-economic-advisory-council

OpenAI (2025). New Economic Analysis on AI and Jobs. https://openai.com/global-affairs/new-economic-analysis/