La produttività che non cresce; la minaccia della disoccupazione; l’eventualità della stagnazione secolare. L’intelligenza artificiale (AI) acuirà i nostri timori, oppure risolverà i nostri problemi? Logico che questi temi fossero esplicitamente al centro del convegno NBER sull’economia dell’AI tenutosi a Toronto in settembre (a questo indirizzo si possono trovare e scaricare alcuni interventi:http://papers.nber.org/sched/AIf17), accanto ad altri pure ad essi indirettamente collegati, da quelli cognitivi – AI come tecnologia predittiva – a quelli etici – AI e la privacy.

Varrà anche per AI il paradosso reso famoso da Solow, che nel 1987 affermava che i segni della rivoluzione informatica li si vede dappertutto tranne che nelle statistiche della produttività? Per Brynjalfsson, Daniel Rock e Chad Syverson, non c’è contraddizione tra l’ottimismo di chi guarda avanti e la delusione di chi si guarda attorno, se si tiene conto del tempo necessario perché l’industria implementi le innovazioni e attui le modifiche organizzative necessarie per trarne profitto. Prendiamo il microprocessore: ci sono andati 25 anni prima che il valore dei computer installati raggiungesse il livello normale, il 5% del costo del capitale (non residenziale) installato. Oppure l’elettrificazione: nel 1919, 30 anni dopo l’adozione della corrente alternata trifase, era stata adottata solo in metà dell’industria manifatturiera Usa, e per motivi di riduzione di costo; i veri vantaggi vennero dopo, con la motorizzazione delle singole macchine che rese possibile le catene di montaggio e la moderna organizzazione del lavoro. L’e-commerce era stata la stella del boom delle dot-com del 1990 era, ma ancora nel 1999 contava solo per lo 0,2% delle vendite al dettaglio; solo dopo due decenni, costruiti magazzini e centri di smistamento, cambiarono radicalmente volumi di vendita e dei valori di borsa dei venditori tradizionali. Non si tratta solo di investimenti fissi, ma anche di investimenti in capitale umano e di modifiche organizzative. Perfino i clienti devono essere “educati”.

Come la macchina a vapore, l’elettricità, il motore a combustione interna, i computer, anche AI è una General Purpose Technology, non solo aumenta la produttività direttamente, ma dà luogo ad innovazioni complementari. Il Machine Learning, in cui non sono più programmatori a scrivere linee di codice, ma è la macchina stessa che si fa i programmi a partire da una grande massa di dati, rappresenta un salto radicale rispetto ai precedenti livelli di computerizzazione.

C’è poi anche un problema di misurazione. Sia gli investimenti in AI, sia quelli in cui AI è usata per produrre altri tipi di software, altro capitale umano e organizzativo, sono in larga parte intangibili: possono non essere registrati nei bilanci, mentre sono registrate le spese sostenute per produrli. Ne deriva, a livello nazionale, una sottostima della produttività, perché, nella frazione che la esprime, al numeratore non vengono riportati l’incremento di capitale mentre lo sono al denominatore i costi sostenuti per realizzarli. È un problema analogo a quello del valore da dare ai prodotti nuovi quando si calcola l’indice dei prezzi.

Che effetto ha l’aumento della produttività sull’occupazione? Innovazioni nel secolo passato non sono mancate, eppure la quota del lavoro nel Pil è rimasta costante. Questo, che per Keynes era «quasi un miracolo», varrà anche per la AI, oppure lo scenario sarà quello di una “Robocalypse”, come D.Autor e A. Salomons hanno significativamente titolato il loro contributo? Prendendo dati da 19 Paesi in 37 anni, hanno misurato se l’aumento della produttività ha ridotto l’occupazione, sia in assoluto sia come percentuale della popolazione attiva, come prodotto o come valore aggiunto pro capite, o ancora come PTF. La risposta è no, non c’è stata Robocalypse, la crescita della produttività ha aumentato l’occupazione. Questo non vuol dire che l’occupazione sia cresciuta nelle industrie la cui è aumentata la produttività settoriale, sia per l’aumento del reddito sia per gli scambi tra industrie, la crescita in un settore produce effetti collaterali positivi in altre parti dell’economia, massimi nei settori sanitari, scolastici e dei servizi ingenerale, e minimi nelle utility, minerari e delle costruzioni.

Tuttavia la crescita della produttività è più lenta nei servizi questo circolo virtuoso sembra si sia indebolito, soprattutto nel settore manifatturiero, forse perché una parte dell’aumento della domanda conseguente all’aumento della produttività è stato soddisfatto a prodotti importati. Queste riallocazioni settoriali indotte dalla produttività vanno nettamente a favore dei lavoratori istruiti. Il problema sociale posto dalle innovazioni della AI non è l caduta della domanda aggregata di lavoro, ma la una distribuzione dell’occupazione, e quindi del reddito, sempre più squilibrata a favore di lavoratori con elevato grado di istruzione.

Produttività, occupazione: ma l’innovazione continuerà a sostenere la crescita, oppure siamo entrati in un periodo di stagnazione secolare, come pensava Hansen nel 1939, e riprendeva Summers nel 2016? I tentativi iniziali di un approccio logico alla AI, osservano Iain M.Cockburn, Rebecca Henderson e Scott Stern, hanno raccolto successi anche clamorosi (gioco degli scacchi) e prodotto applicazioni di indubbia utilità (sistemi esperti): ma non riescono ad avere un impatto significativo e scalabile sui problemi del mondo reale. L’altro settore, quello della robotica industriale, è l’applicazione quantitativamente più sviluppata della AI: ma si tratta pur sempre di macchine programmate per eseguire un certo lavoro in un ambiente ben controllato. Invece il Deep learning, partendo da grandi basi di dati non strutturati, riesce a fare previsioni di eventi fisici o logici che sfuggivano a una sistematica caratterizzazione empirica: potrebbe essere una di quelle rare «invenzioni del metodo di invenzione» che modificano la natura stessa del processo innovativo. Gli autori documentano che, a partire dal 2009, c’è stato uno spostamento significativo della ricerca in questa direzione.

È importante che questo sviluppo venga accompagnato dall’adeguamento del contesto istituzionale e normativo: ad esempio riguardo ai diritti di proprietà, alle norme antitrust per evitare che singole aziende acquisiscano grandi banche dati e algoritmi specifici, alle politiche che incoraggino la trasparenza e la condivisione delle banche dati, pubbliche e private.
ARTICOLI CORRELATI

Why the robot boost is yet to arrive
di TIM HARFORD – Financial Times, 18 novembre 2017

Stampa questo articolo: