Экономические последствия автоматизации удаленной работы

Прогресс в области искусственного интеллекта (ИИ) в последнее время демонстрирует большие перспективы в автоматизации когнитивных задач, таких как обработка естественного языка и компьютерное зрение. В отличие от этого, прогресс в области робототехники общего назначения отстает. Хотя у нас уже есть доступ к интеллектуальным виртуальным помощникам, роботы, способные полностью убирать стандартный загородный дом, по-прежнему кажутся делом далекого будущего.

Учитывая относительно медленные темпы прогресса в робототехнике, большая часть интеллектуальной работы может быть автоматизирована до того, как физические рабочие места будут захвачены ИИ. Естественно, возникает вопрос: каково может быть экономическое влияние, если будет автоматизирована только удаленная работа, определяемая как работа, которую можно полностью выполнять из дома с использованием цифровых инструментов, компьютера и подключения к Интернету?

Чтобы исследовать этот вопрос, я провожу анализ из трех частей. Во-первых, я использую GPT-4o для классификации задач, связанных с профессиями в США, в соответствии с базой данных O*NET, обнаруживая, что около 34% рабочих задач могут выполняться удаленно. Это отличается от предыдущих результатов исследования Дингеля и Неймана, которые обнаружили, что 37% профессий в США, а не задач, могут выполняться полностью удаленно.

Во-вторых, я использую данные о переходе на удаленную работу во время пандемии COVID-19, а также данные о взаимодополняемости между квалифицированными и неквалифицированными рабочими местами, чтобы доказать, что задачи, не связанные с удаленной работой, вряд ли станут серьезным узким местом в производстве даже после того, как удаленные задачи будут полностью автоматизированы. Выражаясь экономическими терминами, это предполагает, что эластичность замещения между удаленной и неудаленной работой, вероятно, высока.

Оценив как долю задач, которые могут выполняться удаленно, так и взаимозаменяемость между удаленными и неудаленными задачами, я рассчитываю теоретические экономические выгоды от автоматизации удаленного труда. Во всех рассматриваемых мной сценариях масштаб эффекта велик: размер экономики удваивается в самом консервативном сценарии и увеличивается более чем в десять раз в оптимистичном сценарии, который я лично считаю более вероятным. Это указывает на то, что экономические последствия полной автоматизации удаленной работы, вероятно, будут огромными.

Какая часть текущей экономической работы может выполняться удаленно?

Чтобы оценить долю экономической работы, которая может выполняться удаленно, пожалуй, наиболее известным исследованием является широко цитируемая работа Дингеля и Неймана «Сколько рабочих мест можно выполнять из дома?». В этом исследовании, проведенном в контексте пандемии 2020 года, они рассматривают около 1000 профессий в базе данных O*NET, большой базе данных о профессиях, спонсируемой Министерством труда США с целью лучшего понимания природы современной работы.

Хотя O*NET содержит множество данных, он напрямую не отвечает на вопрос о том, какие рабочие места можно выполнять из дома. Поэтому Дингель и Нейман полагаются на набор косвенных вопросов, задаваемых во время опросов о контексте работы, чтобы выполнить собственную классификацию удаленной и неудаленной работы. Вопросы включают, например:

• Средний респондент говорит, что использует электронную почту реже одного раза в месяц (Q4)
• Средний респондент говорит, что имеет дело с агрессивными людьми по крайней мере раз в неделю (Q14)
• Большинство респондентов говорят, что работают на открытом воздухе каждый день (Q17 и Q18)

Дингель и Нейман приходят к выводу, что 37 процентов рабочих мест в Соединенных Штатах, на которые приходится примерно 46 процентов всей заработной платы в США, могут выполняться полностью из дома. Сопоставив эти данные с данными о профессиях в других странах, они смогли показать, что они хорошо коррелируют с данными о том, сколько людей в разных странах работали из дома во время пандемии.

Чтобы проверить и расширить этот анализ, я решил использовать GPT-4o для маркировки всех рабочих задач в базе данных O*NET на основе того, могут ли они выполняться удаленно (см. здесь мой набор данных и здесь мою методологию). В базе данных O*NET рабочая задача является более фундаментальной, чем профессия, поскольку она включает в себя конкретную рабочую деятельность, выполняемую в контексте работы, которая часто является общей для нескольких профессий. Это позволяет проводить более детальный анализ роли удаленной работы в современной экономике, поскольку автоматизация редко приводит к тому, что целые профессии устаревают сразу. Скорее, автоматизацию лучше описывать как непрерывное расширение набора задач, которые могут выполняться машиной.

Каждая рабочая задача содержит качественное описание того, что требуется для ее выполнения, что позволяет GPT-4o определить, может ли задача выполняться удаленно или должна выполняться лично. В качестве проверки я вручную просмотрел случайную небольшую выборку задач и убедился, что маркировка кажется точной.

Результаты этого анализа удивили меня, выявив значительное расхождение по сравнению с результатами Дингеля и Неймана. В то время как моя классификация показывает, что 34% рабочих задач могут выполняться удаленно, только около 13% профессий имеют все свои 5 наиболее важных задач, помеченных как удаленные. Даже если сосредоточиться только на 3 наиболее важных задачах для каждой профессии, этот показатель увеличивается всего до 18%.

Очевидно, что эти результаты не полностью согласуются с результатом Дингеля и Неймана о том, что 37% рабочих мест можно выполнять из дома, так чем же объясняется расхождение? Одна из правдоподобных гипотез связана с разными целями, мотивирующими два сбора данных. В случае Дингеля и Неймана основной целью было понять, какую долю рабочих мест можно выполнять из дома во время пандемии, тогда как в моем случае целью было лучше предсказать, какие задачи в экономике могут быть вскоре автоматизированы ИИ-агентами с компьютерным управлением.

Пандемия нарушила привычную среду и временно изменила наши стандарты в отношении того, какие услуги могут адекватно выполняться удаленно. Это изменение стандартов во время пандемии затрудняет сравнение классификации Дингеля и Неймана с моей. Я возвращаюсь к этому моменту при оценке влияния на ВВП от автоматизации удаленной работы.

Насколько вырастет экономика, если удаленная работа будет автоматизирована?

Исследовав долю задач в экономике, которые могут выполняться удаленно, я теперь перехожу к вопросу о том, что произойдет, если эти задачи будут автоматизированы. Однако, чтобы ответить на этот вопрос, нам сначала потребуется оценка взаимозаменяемости удаленных и неудаленных задач. В экономической литературе это отражается параметром, называемым эластичностью замещения, который я кратко объясню ниже.

Краткое введение в эластичность замещения

Эластичность замещения (σ) — это экономический показатель, который количественно определяет степень, в которой одна задача или товар могут заменить другие в производстве или потреблении. Понимание этой концепции важно, потому что она помогает оценить, как доля автоматизированных задач или секторов в экономике будет развиваться по мере прогресса автоматизации.

Чтобы понять, почему важна эластичность замещения, давайте рассмотрим пример из экономической истории: сельское хозяйство. Во многих доиндустриальных обществах сельское хозяйство составляло большую часть ВВП. Однако по мере того, как сельскохозяйственные процессы становились все более автоматизированными, доля сельского хозяйства в экономике резко сократилась. Сегодня в Соединенных Штатах сельскохозяйственное производство составляет всего около 1-2% ВВП.

Этот пример иллюстрирует важный момент: по мере того, как автоматизация трансформирует сектор, значение этого сектора в экономике в целом может снижаться. Это связано с тем, что по мере роста производительности и выпуска продукции дополнительные выгоды от повышения эффективности, как правило, вносят все меньший и меньший вклад в ВВП. Как следствие, автоматизация в этих случаях окажет приглушенное влияние на общий экономический рост.

Однако эта закономерность не универсальна. Рассмотрим случай текстильной промышленности во время промышленной революции в Великобритании. Внедрение механических ткацких станков и прядильных машин сделало текстильное производство намного более эффективным, и вместо того, чтобы сокращаться в значении, текстильная промышленность выросла и стала ключевой частью экономики Великобритании. В этом случае автоматизация привела к значительному увеличению доли сектора в экономике, а это означает, что автоматизация текстильной промышленности оказала огромное, большое влияние на общий экономический рост.

Эти контрастные примеры — сельское хозяйство и текстильная промышленность — высвечивают важный вопрос: когда удаленная работа станет все более автоматизированной, последует ли она примеру сельского хозяйства, сокращаясь в экономическом значении по мере того, как ее становится легче автоматизировать? Или же она будет напоминать текстильную промышленность, увеличивая свое экономическое значение по мере роста автоматизации? Ответ зависит от эластичности замещения (σ) между удаленной работой и неудаленной работой.

Более конкретно, если σ < 1 (т. е. задачи нелегко заменить в производстве), автоматизация удаленной работы будет напоминать случай сельского хозяйства, при этом доля удаленного труда в ВВП будет снижаться по мере его автоматизации. Альтернативно, если σ > 1 (т. е. задачи относительно легко заменить в производстве), то доля ВВП, выплачиваемая за информационную работу, будет увеличиваться по мере ее автоматизации.

Производственная функция

Теперь мы перейдем к оценке совокупной производственной функции с акцентом на вклад удаленной работы в совокупный выпуск. Производственная функция — это экономическая взаимосвязь между входами и выходами — в данном случае взаимосвязь между количеством удаленных работников, количеством неудаленных работников и общим объемом экономического производства.

Общей функциональной формой, используемой в макроэкономике для моделирования производственных возможностей экономики, является производственная функция с постоянной эластичностью замещения (CES). Эта функция имеет следующий вид:

Здесь Y — уровень производства, R — количество удаленных работников, N — количество неудаленных работников. — параметр доли, а — параметр замещения. Параметр A — это параметр масштаба, часто представляющий «технологию», множитель производительности.

Как следует из названия, производственная функция CES предполагает, что эластичность замещения между факторами производства постоянна и не изменяется при изменении входов. Эластичность замещения связана с параметром замещения , в частности, посредством следующего соотношения:

С помощью этой функции мы можем рассчитать теоретический эффект автоматизации удаленной работы на общий объем производства. Идея здесь заключается в том, что, если ИИ могут полностью заменить людей в качестве удаленных работников, и эти ИИ широко распространены в экономике, то мы можем смоделировать это изменение как резкое увеличение входа R. С этим допущением моделирования все, что необходимо для оценки влияния автоматизации удаленной работы, — это оценить параметры этой производственной функции и оценить, насколько Y увеличивается, если R увеличивается на большой коэффициент.

К сожалению, подгонка параметров производственной функции CES может быть сложной. Традиционно это делается путем подгонки функции к перекрестным данным или хорошим долгосрочным временным рядам, которых у нас здесь нет. Чтобы смягчить эту проблему, я рассмотрю два альтернативных метода, которые можно использовать для получения достоверных оценок:

1. Использование пандемии в качестве естественного эксперимента для оценки значения эластичности замещения.
2. Использование прокси-данных для оценки эластичности замещения. Я рассматриваю данные для квалифицированного труда по сравнению с неквалифицированным трудом и обсуждаю пессимистическую нижнюю границу.

Использование пандемии для оценки эластичности замещения

Пандемия COVID-19 предоставила уникальный естественный эксперимент для понимания последствий автоматизации удаленной работы. Во время пандемии большая часть рабочей силы внезапно переключилась с выполнения своих задач лично на выполнение своих задач удаленно.

Если эластичность замещения между удаленной работой и неудаленной работой низка, то есть эти два типа задач функционируют как экономические дополнения, мы бы ожидали серьезного снижения ВВП во время пандемии. Это связано с тем, что дополняющие задачи не могут легко заменять друг друга, поэтому невозможность выполнять работу лично создаст значительные узкие места и, следовательно, нарушит экономическую деятельность.

То, что произошло во время пандемии, удивило многих экономистов. Несмотря на резкий переход к удаленной работе и тот факт, что лишь небольшой процент рабочей силы ранее работал из дома, ВВП снизился гораздо меньше, чем многие ожидали. С 4 квартала 2019 года по 2 квартал 2020 года ВВП США упал с примерно 20,9 трлн долларов в годовом исчислении до 19,1 трлн долларов, что представляет собой сокращение примерно на 9,2%. Хотя это снижение было серьезным по типичным стандартам — по сравнению с большинством рецессий — оно было меньше, чем предсказывали многие, возможно, большинство экономистов.

На графике ниже мы видим, что размер снижения реального ВВП в 2020 году был относительно скромным, если учесть, что примерно треть работников США перешли на удаленную работу. [^1]

Фактически, размер снижения реального ВВП был настолько мал, что это снижение, возможно, было просто связано с тем, что миллионы людей полностью покинули рабочую силу одновременно с тем, как другие работники перешли на удаленную работу. Если бы никто вообще не покинул рабочую силу, а вместо этого произошло бы только то, что примерно треть работников перешла на удаленную работу, снижение ВВП, вероятно, было бы значительно меньше, предполагая, что влияние десятков миллионов людей, внезапно решивших работать удаленно, могло почти не повлиять на ВВП.

Способность экономики плавно адаптироваться к такой среде без огромного экономического спада означает, что многие личные задачи могли быть гораздо более взаимозаменяемыми с удаленными задачами, чем многие думали ранее. Этот результат предполагает, что эластичность замещения между удаленной работой и неудаленной работой может быть намного выше, чем первоначально предполагали многие экономисты. Точнее, эти данные предполагают, что большая доля задач в экономике (возможно, более трети) имеет высокую степень взаимозаменяемости с удаленными задачами, при σ » 1 для этих задач.

Это наблюдение особенно удивляет, если рассматривать его в контексте того, как экономисты традиционно объясняли урбанизацию в современном мире. Согласно широко распространенной экономической теории, людей привлекают крупные города, потому что городские рабочие места, как правило, более производительны и предлагают более высокую заработную плату по сравнению с рабочими местами в менее густонаселенных районах. Эта теория предполагает, что преимущество городской работы в производительности связано с возможностью для работников взаимодействовать со многими другими людьми лицом к лицу, создавая синергию и преимущества сотрудничества, которые трудно воспроизвести в сельской местности или менее связанных средах.

Исходя из этой теории, можно было бы ожидать, что резкий переход к удаленной работе во время пандемии вызовет резкое снижение производительности, поскольку работники потеряют преимущества личного взаимодействия. Однако данные не отразили этого ожидания. Несмотря на повсеместный переход к удаленной работе, производительность не снизилась так резко, как предсказывала эта ортодоксальная теория.

Однако стоит иметь в виду, что эта интерпретация данных эпохи Covid не является общепринятой, и есть альтернативная история, которая могла бы лучше объяснить данные. А именно, вполне вероятно, что потеря производительности от перехода на удаленную работу была низкой просто потому, что доля задач, которые можно выполнять удаленно, очень высока, а не потому, что эластичность замещения между удаленными и неудаленными задачами высока. В этой истории в обычное экономическое время большая доля людей работает лично в основном потому, что есть небольшой прирост производительности при работе лично, даже если их задачи по своей сути могут выполняться удаленно.

Однако, даже если эта альтернативная интерпретация данных верна, она не должна менять вывод о том, что эффект от автоматизации удаленной работы будет очень большим. Это связано с тем, что альтернативная история предполагает большую долю удаленных задач, что одновременно означает, что большую часть работы потенциально можно заменить цифровыми ИИ-работниками. Поскольку эти две разные интерпретации приводят к одному и тому же выводу, различие между ними не должно иметь большого значения для целей моего анализа.

Отдельная проблема с моим анализом заключается в том, что оценки ВВП в эпоху Covid вызывают споры. Как упоминалось в предыдущем разделе, когда люди перешли на удаленную работу во время пандемии, их результаты тонко изменились. Например, врачи начали использовать телемедицину вместо того, чтобы разговаривать с пациентами в клинике. Это могло привести к снижению качества обслуживания, и эта разница в качестве, возможно, не была хорошо отражена в официальной статистике ВВП. Подобные эффекты наблюдались во всей экономике. По этой причине стоит рассмотреть альтернативные способы измерения σ.

Оценка эластичности замещения с помощью прокси

Еще один способ оценить эластичность замещения между удаленной работой и неудаленной работой — это посмотреть на потенциальные прокси-переменные. Сюда входят опубликованные оценки эластичности замещения между различными парами факторов производства.

Правдоподобным прокси является эластичность замещения между квалифицированным трудом и неквалифицированным трудом. Этот прокси кажется уместным, потому что удаленная работа по своей природе предполагает использование своего мозга, а не мышц. Естественно, можно предположить, что рабочие места, требующие высшего образования, особенно вероятно, являются рабочими местами, которые могут выполняться удаленно. Эта дихотомия часто отражается в экономической литературе, по крайней мере, приблизительно, различием между квалифицированным и неквалифицированным трудом.

В одном недавнем метаанализе было рассмотрено 682 оценки этого параметра в 72 исследованиях. Они обнаружили, что большинство оценок колеблется от 1 до 3. Однако они также обнаружили систематическую ошибку публикации в сторону более низких оценок, предполагая истинное значение ближе к 4. Если значение 4 верно, этот результат относительно хорошо согласуется с анализом в предыдущем разделе.

Тем не менее, у многих людей есть интуитивное представление о том, что удаленная работа и неудаленная работа должны иметь большую взаимодополняемость. По этой причине стоит рассмотреть пессимистическую нижнюю границу эластичности замещения. Возможно, самый пессимистичный прокси, о котором я могу думать, — это случай продуктов питания по сравнению с непродовольственными товарами в экономике. Еду трудно заменить другими экономическими товарами, потому что она нужна людям для выживания. Если бы человек голодал, предоставление ему обилия непродовольственных товаров, таких как жилье, транспорт или холодильник, мало что дало бы для удовлетворения его насущной потребности в калориях.

Однако даже в случае с едой взаимодополняемость не бесконечна. По мере увеличения доходов люди не просто продолжают покупать минимальное количество еды, необходимое для удовлетворения своих потребностей в калориях; вместо этого они, как правило, выделяют больше доходов на покупку более качественных или более желательных продуктов. Исследования часто показывают, что эластичность замещения между продуктами питания и непродовольственными товарами составляет от 0,3 до 0,5. На мой взгляд, значение 0,5 служит пессимистической нижней границей для эластичности замещения между удаленной работой и неудаленной работой.

Собираем все вместе

Мои предположения об эластичности замещения сильно различаются: от пессимистической нижней границы 0,5 до значений, намного превышающих 1, как предполагают данные во время эпохи Covid. Поскольку эти оценки охватывают широкий диапазон, удобно рассмотреть ряд возможностей для значения этого ключевого параметра. Ниже я построил два сценария (взятых из этой записной книжки), представляющих разные концы этого спектра. В пессимистичном случае эластичность замещения равна 0,5, а в оптимистичном случае эластичность замещения равна 10. В обоих сценариях я предполагаю, что доля работы, которую можно выполнять удаленно, изначально составляет 34% — в соответствии с моими данными, — хотя результаты не очень чувствительны к этому значению.

Этот график демонстрирует, что даже при довольно пессимистичных предположениях ВВП США все равно может удвоиться, если удаленный труд будет автоматизирован. Этот рост может быть достигнут за счет увеличения числа удаленных работников в экономике в 100-1000 раз, что может произойти, если десятки миллиардов цифровых работников будут размещены в центрах обработки данных. [^2] Если такое экономическое расширение произойдет в течение одного десятилетия, это будет соответствовать среднему годовому экономическому росту, превышающему 7%. Этот показатель также может быть увеличен, если он будет дополнен прогрессом в робототехнике и не связанными с ИИ источниками экономического роста.

Однако, на мой взгляд, этот пессимистичный сценарий нереалистично консервативен. Значение эластичности замещения ниже 1, по-видимому, противоречит как экономическим данным во время Covid, так и прокси-оценке эластичности замещения между квалифицированным и неквалифицированным трудом. Учитывая эти исходные данные, я считаю оптимистичный сценарий более вероятным. В этом сценарии вырисовывается гораздо более радикальная картина: реальный ВВП вырастет более чем в 10 раз, если количество удаленных работников увеличится в 100-1000 раз. Если реальный ВВП увеличится «всего» в 10 раз в течение десятилетия, то темпы экономического роста превысят 25% в год — намного выше, чем когда-либо наблюдалось в истории США.

Тем не менее, даже оптимистичный сценарий основывается на некоторых консервативных предположениях. В частности, оптимистичный сценарий опирается на предположение о постоянной отдаче от масштаба, смоделированной производственной функцией CES. Согласно этому предположению, пропорциональное увеличение всех входов приводит к эквивалентному пропорциональному увеличению выпуска. Однако исторические данные свидетельствуют о том, что мировая экономика не демонстрирует постоянной отдачи от масштаба. Вместо этого экономика, по-видимому, демонстрирует возрастающую отдачу от масштаба, когда увеличение входов, таких как численность населения, приводит к технологическому прогрессу, который обеспечивает более эффективное использование ресурсов.

Одним из способов проявления этой возрастающей отдачи от масштаба может быть автоматизация ИИ-системами процессов исследований и разработок для самого ИИ. Однако этот механизм не следует рассматривать слишком узко. Возрастающая отдача от масштаба для экономики в целом также может возникать из-за того, что ИИ автоматизирует другие формы научных открытий и технологических инноваций, способствуя более широкому повышению эффективности в различных отраслях. Включение этих возможностей в комплексную модель экономического роста представляет собой важный путь для будущих исследований.

Вместо того, чтобы сосредотачиваться на нижних границах, правильный вывод, который следует сделать здесь, вероятно, заключается в том, что эти эффекты на экономический рост будут огромными. Я считаю весьма вероятным, что ВВП США более чем удвоится в результате полной автоматизации удаленной работы. Действительно, 10-кратное расширение экономики кажется мне вероятным, а 100-кратное расширение не кажется невозможным. Такое резкое экономическое расширение, происходящее в ближайшем или среднесрочном будущем, было бы далеко за пределами основных экономических прогнозов и, несомненно, стало бы преобразующим событием в истории человечества.