Egy átlagos 18. századi embernek öt órányi gyertyakészítésébe került volna, hogy annyi világosságot állítson elő, mint amennyit a modern ember átlagosan kevesebb, mint egy másodperc munkájával meg tud venni (Leigh, 2024). De már a gyertyakészítés is sokkal hatékonyabb volt, mint az ősember tűzrakáshoz való fagyűjtése vagy a babiloniak szezámmagolaj égetése. Könnyen látható, hogy a technológiai ugrások révén megnőhetnek a hatékonyságbeli és gazdasági különbségek a technológiát széles körben, illetve az azt kevésbé adaptáló országok között.
Korunk technológiai ugrásának meghatározó eleme a mesterséges intelligencia (artificial intelligence, AI). Vajon segít a gazdasági fejlettség alacsonyabb szintjein lévő országoknak hátrányuk lefaragásában, vagy éppen növeli a lemaradást? Egyfelől érvelhetnénk úgy, hogy az inkrementális fejlődés könnyebb, tehát a már gazdaságilag és technológiailag fejlettebb országoknak könnyebb a következő mérföldkő. Másfelől intuitíve gondolhatnánk azt is, hogy az AI-nak az alacsonyabb tudás- és képességszinteken nagyobb a hozadéka[1], tehát elsimítja a különbségeket, és ez az országok közötti munkamegosztásban is változásokat eredményezhet. Nézzük, mit mondanak a kutatások és a történelem.
Először is számít, hogy egy gazdaság számára mekkora potenciált jelent az adott technológia. A nagyobb távolságokkal és kedvező földrajzi viszonyokkal rendelkező országok például relatíve előnyösebb helyzetben voltak ahhoz, hogy profitáljanak a vasútépítésből. De mit tudunk ma a különböző gazdaságok AI-potenciáljáról és az azok között lévő különbségekről? Többféle megközelítés létezik, ebből néhányat emelek ki.
Foglalkoztatási részesedés AI-kitettség és komplementaritás alapján
Forrás: Pizinelli és szerzőtársai (2023) 20.o. Komplementaritás arra utal, hogy az AI kiegészít, mintsem kivált.
A kutatások egy része egy-egy gazdaság összes munkahelyéből indul ki és AI-kitettséget néz vagy aszerint, hogy i) az egyes állásokhoz szükséges képességek mekkora részével rendelkezik az AI (képességalapú megközelítés), vagy aszerint, hogy ii) az egyes állásokhoz tartozó feladatokat milyen mértékben tudná elvégezni az AI (feladatalapú megközelítés). Akármelyik módszert is nézzük, nagyon kevés kutatás vizsgál AI-potenciált több országra az aktuális AI-definíció szerint – vagyis nagy nyelvi modelleket is beleértve. Pizzinelli és szerzőtársai (2023) négy fejlődő és két fejlett országra képességalapú megközelítéssel azt találják, hogy magasabb az AI-potenciál a fejlett országokban elsősorban a magasabb arányú menedzseri és fehérgalléros szakemberi munkakörök miatt. Mi pedig Magyarország és az Egyesült Államok nagy nyelvi modellek potenciálja vonatkozásában szintén azt találjuk, hogy az amerikai potenciál részint az eltérő munkaerőpiaci szerkezet miatt magasabb: nagyobb arányban vannak felsőfokú képzettség önálló alkalmazását igénylő munkakörök (amelyeknek általában nagyobb az AI-potenciálja), és kisebb arányban szakképzettséget nem igénylő (egyszerű) munkakörök (amelyeknek átlagosan kisebb a potenciálja)[2] (Baranyai és szerzőtársai, 2024).
LMM-kitettség és foglalkoztatási részesedés
Forrás: Baranyai és szerzőtársai (2024) 17.o. Az átlagos LMM kitettség értékek a jobb oldalon a magyar munkaerőpiac alapján lettek számolva.
Noha nagy előnye mindkét megközelítésnek, hogy rendkívül részletes adatokon alapszik, egy alapvető közös problémájuk, hogy a mai munkaerőpiacból indulnak ki. Márpedig az új technológia következtében a gazdaságban előforduló munkák szervezési logikája megváltozhat, illetve új munkakörök is kialakulnak. Gondoljunk csak arra, hogy milyen nehezen lehetett volna számszerűsíteni az elektromos áram felfedezésekor a hűtőgépszerelők munkaerőpiaci súlyát, vagy az internet kezdetekor az e-kereskedelemben központi szerepet játszó futárok számát.
Haskel (2025) az immateriális javak oldaláról közelíti meg a gazdasági növekedést (növekedési megközelítés). Immateriális javak közé tartoznak többek között a szoftverek és a technológiával is kapcsolatos működési modellek. Az, hogy mekkora részei a gazdaságnak, meghatározza azt is, hogy mennyire tudnak hozzájárulni az ország gazdasági növekedéséhez. Az olyan országokban, ahol nagyobb szeletet jelentenek ezek a javak, ugyanakkora bővülési ütem mellett is jobban megjelennek a gazdaság egészére vonatkozó termelékenységi, növekedési adatokban. Az elmúlt éveket vizsgálva – a szerzők által korrigált adatok alapján – azt látjuk, hogy az USA-ban volt a legnagyobb az immateriális javakba való beruházás (a 2010-es években évente kb. a GDP 15 százalékát tette ki), míg az EU-ban ez éves szinten 10-11 százalék körül alakult. Az EU-ban nagy eltéréseket látunk egyik oldalról különösen Dél-, kisebb részben Kelet-Európa, és másik oldalról különösen Észak-Európa között (Bontadini és szerzőtársai, 2024).
Mindenesetre, függetlenül a gazdaság munkaszerkezetétől és a technológiák elterjedésének mértékétől, a történelemből azt látjuk, hogy alapvető fontosságú a döntéshozói hozzáállás. A vasútépítést például némelyik országban kimondottan támogatták, míg I. Miklós orosz cár, illetve Habsburg Ferenc osztrák császár (I. Ferenc magyar király) kifejezetten ellenezték (Acemoglu és Robinson, 2002). I. Miklós pénzügyminisztere arra hivatkozva utasított el egy vasútépítési tervet, hogy „gyakori és haszontalan utazásra ösztönöz, ezáltal táplálva korunk nyughatatlan szellemét” (Acemoglu és Robinson, 2002 32.o.). Acemoglu és Robinson (2002) amellett érvelnek, hogy az Osztrák-Magyar Monarchiában az állam az iparosodás hátráltatásával egyben a gazdasági növekedést is lassította. De látunk példákat az iparosodást megelőző időszakból is. Az Oszmán Birodalom szultánjai egészen 1727-ig tiltották a könyvnyomtatást, jóllehet azt már 1445-ben feltalálták (Robinson és Acemoglu, 2011). A villanykörtés példához hasonlóan hatalmas hatékonyságbeli különbségeket látunk a könyvek kézzel történő másolása és nyomtatása között – a másolás hetekig tartó sziszifuszi munkája mellett nem csoda, hogy az egyik szerzetes kétségbeesésében a szöveg alá biggyesztette: „Most már az egészet leírtam. Az Isten szerelmére, adjanak egy italt.” (Greenblatt, 2011 40. o.)[3]. A japánok viszont a 19. században a nem-nyugati országok közül egyedülálló módon tudtak sikeresen iparosodni, nagyon céltudatosan hoztak döntéseket, többek között rengeteg olyan nyelven íródott műszaki könyvet fordítottak le japánra és tettek országszerte hozzáférhetővé, amelyek országaiban már végbement az ipari forradalom (Juhász és szerzőtársai, 2025).
Összefoglalva tehát, a gazdaságilag és technológiailag fejlett országok (különösen az USA) jobb pozícióban lehetnek az AI jelentette potenciál kiaknázására, ugyanakkor rendkívül jelentőséggel bír a gazdaságpolitika – ami fékezhet vagy löketet is adhat. Fontos szintén megjegyezni, hogy a robotika pont az olyan kétkezi tevékenységek elvégzésében jelenthet hatékonyságnövekedést, amelyekben az AI kevésbé. A technológia gazdasági fejlettség egyenlőtlenségeire való hatásának tehát csak az egyik dimenzióját (AI) tekintettük át. Ráadásul természetesen nem csak a szűken vett gazdasági növekedés az egyetlen döntéshozói szempont, hiszen egy-egy technológiának fontos hatása lehet a munkaerőpiacra, a társadalmi egyenlőtlenségekre, a biztonságra és a környezetre is – mind-mind olyan szempontok, amelyeket nem vizsgáltunk a blogbejegyzésben.
Baranyai Eszter
Hivatkozások:
Acemoglu, Daron and Robinson, James A. (2002). Economic Backwardness in Political Perspective. NBER Working Paper 8831.
Baranyai, E., Granat, M., & Szepesi, M. (2024). Large Language Models and the Labour Market: Spatial Evidence from Job Ads. Available at SSRN 5176089.
Bontadini, F., Corrado, C., Haskel, J., Iommi, M., Jona Lasinio, C. S., & Miyagawa, T. (2024). Intangible Capital, TFP Growth and Green Shoots in New Productivity Data. International Productivity Monitor, (46), 3-37.
Corrado, C., Haskel, J., & Jona-Lasinio, C. (2021). Artificial intelligence and productivity: an intangible assets approach. Oxford Review of Economic Policy, 37(3), 435-458.
Corrado, C., Haskel, J., Jona-Lasinio, C., & Iommi, M. (2022). Intangible capital and modern economies. Journal of Economic Perspectives, 36(3), 3-28.
Greenblatt, Stephen (2012). The Swerve: How the World Became Modern. W.W.Norton & Company.
Haskel, J. (2025)Keynote speech: AI and the outlook for productivity. The transformative power of AI: economic implications and challenges. ECB Conference. Frankfurt, 1-2 April 2025.
Heller, D., & Asam, D. (2024). Generative AI and Firm-level Productivity: Evidence from Startup Funding Dynamics. Available at SSRN 4877505.
Juhász, Réka, Sakabe, Shógó, Weinstein, David (2025). Códificatión, Technólógy Absórptión, and the Glóbalizatión óf the Industrial Revólutión. NBER Working Paper 32667
Leigh, Andrew (2024) How Economics Explains the World: A Short History of Humanity. Mariner Books.
Pizzinelli, C., Panton, A. J., Tavares, M. M. M., Cazzaniga, M., & Li, L. (2023). Labor market exposure to AI: Cross-country differences and distributional implications. International Monetary Fund.
[1] Ez egyébként nem feltétlenül igaz a jelenlegi kutatások alapján, lásd például Heller és Asam (2025).
[2] Ezeket csak részben ellensúlyozza az amerikai gazdaságban nagyobb arányban jelenlevő kereskedelmi és szolgáltatói munkakörök, amelyeknek viszonylag alacsony a nagy nyelvi modell kitettsége.
[3] Egy másik szerzetes pedig a pergamen szőrösségére vonatkozóan vetett a másolt szöveg mellé panaszt (Greenblatt, 2011 39. o.). A pergamen ugyanis állati bőrből készült, és néha a szerzeteseknek kellett az esetlegesen még ottmaradt szőröket ledörzsölniük – tovább lassítva a másolás folyamatát.
Borítókép: unsplash.com
The post Az AI hatása a gazdasági fejlettség egyenlőtlenségeire: előnyt növel vagy lemaradást csökkent? appeared first on Economania blog.