To jest artykuł przetłumaczony maszynowo. Oryginalna wersja jest dostępna w języku angielskim.
Ostatnia aktualizacja: · 14 min czytania
W skrócie
Robert Solow napisał w 1987 roku, że epokę komputerów widać wszędzie, tylko nie w statystykach produktywności. Prawie cztery dekady później to samo zdanie wraca w odniesieniu do AI. Darmowe dobra cyfrowe, których nie wychwytuje PKB, nie wyjaśnią spowolnienia, bo ich wartość jest o wiele za mała. Prawdziwa lekcja płynie z elektryczności. Fabryki nie odnotowały skoku produktywności przez mniej więcej czterdzieści lat, dopóki nie zaczęto projektować nowych zakładów wokół silnika elektrycznego. Żeby AI przerwała to błędne koło, firmy musiałyby przebudować się wokół niej, zamiast wykonywać dawną pracę odrobinę szybciej.
Spis treści
„Erę komputerów widać wszędzie, tylko nie w statystykach produktywności”. Robert Solow napisał to w 1987 roku niemal mimochodem, gdzieś w głębi recenzji książki dla New York Times Book Review. Zdanie stało się jednym z najczęściej cytowanych w ekonomii i dało początek temu, co do dziś nazywa się paradoksem produktywności Solowa.
W sierpniu 2024 roku troje badaczy z Banku Rezerwy Federalnej w Richmond otworzyło krótkie opracowanie o sztucznej inteligencji i rynku pracy, cytując zdanie Solowa słowo w słowo i odnosząc je do AI. Na początku 2026 roku Torsten Slok, główny ekonomista Apollo, ujął to jeszcze dosadniej: „AI jest wszędzie, tylko nie w napływających danych makroekonomicznych”. Niemal cztery dekady później to samo zdanie posłużyło do opisu zupełnie innej technologii.
Cokolwiek wywołało pierwotny paradoks, nigdy nie zostało wyjaśnione. Era komputerów w końcu pojawiła się w statystykach, na krótko, między 1996 a 2004 rokiem, po czym znów z nich zniknęła. Teraz to samo robi nowa technologia: odmienia na naszych oczach codzienne życie, a wskaźniki produktywności ani drgną.
Już po raz drugi przełomowa technologia otwiera tę samą lukę między tym, co widać, a tym, co rejestrują dane. Luka bierze się z konkretnego pomylenia efektowności technologii z przebudową strukturalną, która napędza wzrost całej gospodarki. Popełniamy ten błąd raz za razem, bo nigdy go porządnie nie zdiagnozowaliśmy.
Liczby
Skalę spowolnienia łatwo zbagatelizować, bo procenty zacierają efekt składania. Wydajność pracy w amerykańskim prywatnym sektorze przedsiębiorstw poza rolnictwem, czyli produkcja na przepracowaną godzinę, rosła w latach 1948–1973 w tempie około 2,9% rocznie. Po 1973 roku średnia spadła do mniej więcej 1,8% i poza jednym zrywem od połowy lat 90. do 2004 roku nigdy nie wróciła do dawnego tempa. Gdyby utrzymało się tempo sprzed 1973 roku, produkcja na godzinę w USA byłaby dziś o około 75% wyższa, a ta różnica jest warta biliony dolarów produkcji rocznie.
Robert Gordon opisuje to jako koniec „wyjątkowego stulecia”: produkcja na godzinę rosła w latach 1920–1970 o 2,82% rocznie, wobec około 1,5% w dekadach przed 1920 rokiem i około 1,6% po 1970 roku. Wzrost TFP, głębszej miary, która odlicza akumulację kapitału, był w tym środkowym okresie niemal trzykrotnie szybszy niż przed 1920 i po 1970 roku. W tym ujęciu dekady po 1970 roku oznaczają powrót do dawnego, wolniejszego tempa.
Najnowsze dane niewiele w tym obrazie zmieniają. Wydajność pracy w amerykańskim prywatnym sektorze przedsiębiorstw poza rolnictwem wzrosła w 2024 roku o 3,0%, co było cyklicznym odbiciem, a w 2025 roku o 2,2%. W połowie 2026 roku wydajność w sektorze przedsiębiorstw poza rolnictwem nadal rosła o 2,2% rok do roku: przyzwoicie, ale wciąż poniżej powojennego tempa. W całym OECD wydajność pracy wzrosła w 2024 roku o około 1,2%, lepiej niż rok wcześniej.
Oczywiste wyjaśnienia szybko odpadają. Problem nie dotyczy wyłącznie Stanów Zjednoczonych; spowolnienie widać w całym świecie rozwiniętym. Nie jest też echem kryzysu finansowego z 2008 roku: spowolnienie zaczęło się w 1973 roku, a hamowanie po 2004 roku wyprzedza kryzys o cztery lata.
Nie jest też przejściowe, bo pięćdziesiąt lat to znacznie dłużej niż cykl koniunkturalny. Nie jest wreszcie zwykłym efektem struktury wynikającym z przesunięcia gospodarki w stronę usług, bo spowolnienie dotknęło przemysł i usługi w równym stopniu.
Wydajność pracy a łączna produktywność czynników produkcji
Wydajność pracy, czyli produkcja na przepracowaną godzinę, może rosnąć wyłącznie dlatego, że firmy inwestują, by każdy pracownik miał więcej lub lepszego sprzętu. Fabryka, która kupuje każdemu pracownikowi szybszą maszynę, podnosi produkcję na godzinę, nie stając się ani trochę bardziej efektywna. Łączna produktywność czynników produkcji odlicza to pogłębianie kapitału i wyodrębnia resztę: o ile więcej gospodarka wytwarza z tych samych nakładów. Ekonomiści traktują TFP jako podstawową miarę długookresowego potencjału wzrostu, bo kiedy ona stoi w miejscu, sama akumulacja kapitału nie może podtrzymywać wzrostu w nieskończoność.
Furtka pomiarowa
Najwygodniejsze wyjaśnienie głosi, że spowolnienie jest złudzeniem statystycznym. PKB mierzy transakcje rynkowe. Darmowe dobra cyfrowe, takie jak Mapy Google, Wikipedia czy bezpłatne media społecznościowe, dają użytkownikom znacznie więcej wartości niż to, co za nie płacą, a PKB, które liczy to, za co się płaci, większość tej wartości pomija. W tym ujęciu jesteśmy bogatsi, niż pokazuje PKB, a kryzys produktywności to przebrany kryzys pomiaru.
Erik Brynjolfsson i współautorzy spróbowali wycenić tę brakującą wartość. Opracowali metodę nazwaną GDP-B, która szacuje nadwyżkę konsumenta z darmowych dóbr cyfrowych, pytając ludzi, ile musieliby dostać, żeby zrezygnować z danej usługi.
Okazało się, że medianowy amerykański użytkownik Facebooka zażądałby około 42 dolarów miesięcznie za rezygnację z dostępu. Nic z tej nadwyżki nie trafia do PKB.
Chad Syverson wykazał, że błędy pomiaru nie mogą być wystarczającym wyjaśnieniem. Jego argumentacja empiryczna ma cztery części. Zacznijmy od geografii: spowolnienie produktywności to zjawisko międzynarodowe, a jego skala nie zależy od tego, jak intensywnie dany kraj korzysta z technologii informacyjno-komunikacyjnych (ICT). Gdyby spowolnienie było artefaktem pomiarowym gospodarek cyfrowych, najsilniej dotknęłoby te najbardziej scyfryzowane, a tak nie jest. Wzrost wydajności pracy zwolnił w 29 z 30 zbadanych przez niego krajów OECD, średnio o 1,2 punktu procentowego rocznie, niezależnie od tego, czy były dużymi użytkownikami lub producentami technologii cyfrowych.
Dochodzi do tego skala. Łączna „brakująca produkcja” wynikająca ze spowolnienia produktywności po 2004 roku, czyli różnica między PKB, jakie byłoby przy trendzie z lat 1995–2004, a tym, jakie faktycznie było, sięgnęła do 2015 roku około 3 bilionów dolarów rocznie. Każde oszacowanie nadwyżki konsumenta z dóbr cyfrowych ery internetu, jakie zbadał Syverson, pokrywa zaledwie niewielki ułamek tej luki. Późniejsze prace tylko wyostrzają ten wniosek: według szacunków GDP-B uwzględnienie niemierzonej wartości Facebooka dodaje do wzrostu od 0,05 do 0,11 punktu procentowego rocznie, podczas gdy samo spowolnienie odjęło od wzrostu wydajności pracy około 1,5 punktu procentowego rocznie.
Dane branżowe też nie sprzyjają tej tezie. Aby błędy pomiaru wyjaśniły choćby skromną część brakującej produkcji, branże wytwarzające ICT i intensywnie z nich korzystające musiałyby mieć niemierzone tempo wzrostu produktywności wielokrotnie wyższe od zmierzonego. Dane międzybranżowe tego nie potwierdzają. Sektory, które najpewniej wytwarzają niemierzoną wartość cyfrową, nie wykazują żadnej takiej anomalnej luki między produktywnością zmierzoną a wynikającą z rachunku.
A w dekadzie po 2004 roku dochód krajowy brutto był nieco wyższy niż produkt krajowy brutto – czego należałoby się spodziewać, gdyby pracownikom płacono za wytwarzanie rzeczy rozdawanych za darmo. Tyle że dochód zaczął wyprzedzać PKB już w 1998 roku, w samym środku boomu produktywności, a nadwyżka trafiła do zysków, nie do płac. Ani moment, ani podział nie pasują do opowieści o ukrytej produkcji.
Syverson nie przeczy, że dobra cyfrowe niosą niemierzoną wartość. Twierdzi, że jest ona o rząd wielkości za mała, by wyjaśnić to, co się stało. A hipoteza błędów pomiaru nie ma odpowiedzi na dane międzynarodowe.
Jak działa GDP-B
Do szacowania nadwyżki konsumenta GDP-B wykorzystuje motywacyjnie zgodne eksperymenty dyskretnego wyboru: badani wybierają między zachowaniem usługi a otrzymaniem gotówki, a w grę wchodzą prawdziwe pieniądze. Szacunki mają wartość, ale są obarczone szumem, bo wychwytują to, co ludzie deklarują, że by przyjęli, w warunkach pomyślanych tak, by skłonić ich do szczerych odpowiedzi. Korzyść rzędu 42 dolarów miesięcznie na użytkownika Facebooka, nawet zsumowana dla wszystkich Amerykanów na platformie, nie zbliża się do 3 bilionów dolarów brakującej rocznej produkcji.
Co czyniło wyjątkowe stulecie wyjątkowym
Jeśli opowieść o pomiarze nie wyjaśnia spowolnienia, pytanie się przesuwa: co napędzało pięćdziesiąt lat wzrostu, których nie udało się powtórzyć? Popularne streszczenie argumentu Gordona, „IT jest przereklamowane”, gubi kryjącą się pod nim tezę strukturalną.
Wynalazki z lat 1870–1940 likwidowały całe obowiązki domowe. Zanim pojawiła się bieżąca woda, przeciętne amerykańskie gospodarstwo domowe przenosiło około 9000 galonów wody rocznie: wnosiło ją do domu, grzało na piecu i wynosiło z powrotem. Instalacja wodociągowa po prostu położyła temu kres. Chłodzenie sprawiło, że cała kategoria pracy domowej stała się zbędna: skrzynia z lodem ograniczyła już psucie się żywności, ale dopiero mechaniczne chłodziarki wyeliminowały codzienne zakupy, których wymagała nietrwałość jedzenia. Elektryfikacja odmieniła pranie. U jednej z ankietowanych w latach 1945–1946 żon farmerów pranie ważące 38 funtów, które po staremu zajmowało około czterech godzin, trwało 41 minut, gdy w domu pojawiły się elektryczna pralka, suszarka, bieżąca woda i podgrzewacz.
Każdy z tych wynalazków raz na zawsze usuwał czynność, która pochłaniała dużą część czasu domowników. Kobiety masowo weszły na płatny rynek pracy po części dlatego, że praca domowa, która je wcześniej od niego odcinała, przeszła na maszyny.
Porównanie Gordona z IT opiera się na różnicy między usprawnieniem zadania znośnego a wyeliminowaniem nieznośnego. Poczta elektroniczna przyspieszyła pisanie listów, ale pisanie listów nigdy nie było wąskim gardłem całej gospodarki: nikt nie spędzał godzin dziennie nad korespondencją tak, jak gospodarstwa domowe spędzały je kiedyś na noszeniu wody i ręcznym szorowaniu prania. Wyszukiwarki przyspieszyły wyszukiwanie informacji na obrzeżach pracy umysłowej, a znajdowanie informacji nigdy nie ograniczało gospodarki tak jak przechowywanie żywności czy transport.
Tyler Cowen poszerza perspektywę. W jego ujęciu wzrost z lat 1880–1970 opierał się na trzech rodzajach nisko wiszących owoców. Pierwszym była darmowa ziemia: kontynentalne pogranicze, odebrane zamieszkującym je rdzennym ludom, w dużej części przekazywane osadnikom za opłatą rejestracyjną, pod warunkiem że zamieszkają na ziemi, zbudują dom i będą ją uprawiać. Drugim było szybkie przekuwanie XVIII- i XIX-wiecznej nauki w działającą technikę: podstawy termodynamiki, elektromagnetyzmu i zarazkowej teorii chorób, gromadzone przez stulecia, zamieniły się w energię elektryczną, silniki spalinowe i nowoczesne systemy sanitarne w skondensowanym zrywie między 1880 a 1940 rokiem. Trzecim był wysoki zwrot z kształcenia populacji, które wcześniej nie miały wykształcenia: ukończenie szkoły średniej przeszło od rzadkości do niemal powszechnej normy, a każdy dodatkowy rok nauki przynosił duże krańcowe korzyści, bo punkt wyjścia był tak niski.
Wszystkie trzy były warunkami jednorazowymi, a nie odnawialnymi cechami gospodarek przemysłowych: nie da się dwa razy odkryć darmowej ziemi ani po raz drugi przejść od masowego analfabetyzmu do masowej umiejętności czytania i pisania. Internet, przekonywał Cowen, daje ogromną przyjemność, w dużej mierze za darmo, ale „pod względem przychodów i miejsc pracy internet nie dodał tyle wartości, ile myśli większość ludzi”. Gdy to pisał, Twitter zatrudniał około 300 osób, a Google około 20 000, czyli liczby, które w epoce samochodu byłyby błędem zaokrąglenia.
Gordon i Cowen różnią się w ocenie, jak bardzo zamknięta jest przyszłość – Gordon bardziej pesymistycznie patrzy na powrót przełomowych innowacji, Cowen zostawia furtkę otwartą. Zgadzają się jednak co do diagnozy: spowolnienie po 1970 roku ma charakter strukturalny i tkwi w samej gospodarce, a nie w cyklu koniunkturalnym czy w statystykach.
Ta zgoda rodzi szersze pytanie niż to, dlaczego IT rozczarowało: co musiałaby zrobić jakakolwiek technologia, żeby dorównać wyjątkowemu stuleciu?
Wiatry przeciwne według Gordona
Niezależnie od kwestii innowacji Gordon wskazuje cztery strukturalne hamulce, które tłumią wzrost: rosnące nierówności, przez które zyski z produktywności skupiają się w wąskiej elicie, zamiast podnosić medianowe dochody; zastój w poziomie wykształcenia po dekadach ekspansji; starzenie się społeczeństwa, które zmniejsza udział ludności w wieku produkcyjnym; oraz rosnący stosunek długu publicznego do PKB, który ogranicza pole manewru budżetu. Razem hamowałyby wzrost typowego poziomu życia nawet wtedy, gdyby innowacje przyspieszyły. Pytanie technologiczne brzmi, czy produktywność w ogóle może przyspieszyć.
Zryw z lat 1996–2004
W latach 1996–2004 spowolnienie zdawało się odwracać: produkcja na godzinę w sektorze przedsiębiorstw poza rolnictwem rosła w tempie około 3% rocznie, dorównując tempu sprzed 1970 roku. Optymiści IT przywołują ten okres jako dowód, że technologia potrafi napędzać wzrost, i w tym mają rację. Otwarte pozostaje pytanie, która technologia przyniosła te zyski i za pośrednictwem jakich sektorów.
Przyspieszenie skupiło się w garstce sektorów: w latach 1995–2000 sześć z 59 sektorów, z handlem hurtowym i detalicznym, półprzewodnikami i produkcją komputerów na czele, odpowiadało za niemal całe przyspieszenie. Wyróżniają się dwa mechanizmy. Pierwszym była produkcja półprzewodników, gdzie prawo Moore’a napędzało szybki, nieprzerwany spadek cen sprzętu komputerowego: każda jednostka mocy obliczeniowej taniała w tempie, które bezpośrednio podbijało mierzoną produkcję na godzinę w sektorze półprzewodników. Drugim była logistyka w handlu hurtowym i detalicznym. Rewolucja Walmartu w zarządzaniu zapasami, zbudowana na skanowaniu kodów kreskowych, elektronicznej wymianie danych i koordynacji łańcucha dostaw w czasie rzeczywistym, przyniosła w dystrybucji duży, zmierzony wzrost efektywności, a konkurenci przez kolejne lata ją naśladowali. Internet konsumencki, czyli strony internetowe, handel elektroniczny i poczta elektroniczna, też miał swój udział, ale znacznie mniejszy niż sprzęt i logistyka.
Zryw skończył się około 2004 roku. Mierzony spadek cen półprzewodników w oficjalnych statystykach gwałtownie wyhamował, po części dlatego, że Intel zmienił sposób wyceniania swoich układów. Same układy dalej szybko się poprawiały; oficjalne statystyki cen wychwytywały tylko ułamek tej poprawy. Sektor wytwarzający IT przestał wnosić wiele do mierzonego wzrostu.
Potem przyszedł Facebook w 2004 roku, YouTube w 2005 i iPhone w 2007. Pod koniec pierwszej dekady XXI wieku rozrosła się chmura obliczeniowa, upowszechnił się szerokopasmowy internet, a media społecznościowe rozpowszechniły się w codziennym życiu. Widoczne zmiany technologiczne gwałtownie przyspieszyły akurat wtedy, gdy mierzony wzrost produktywności znów osłabł, i od tamtej pory jedno i drugie idzie własnymi drogami.
Problem dynama
To rozejście daje miarę, którą można przyłożyć do AI. Czy jest jak półprzewodnik, przeobrażający strukturę gospodarki w sposób widoczny w produkcji, czy jak internet konsumencki, imponujący i dominujący, ale gospodarczo marginalny? Najmocniejszy argument za odrodzeniem napędzanym przez AI to ten, który dokładnie określa, jakie warunki muszą zostać spełnione.
Historyk gospodarczy Paul David odnalazł ten wzorzec w elektryczności. Pierwsze centralne elektrownie powstały na początku lat 80. XIX wieku, ale napęd elektryczny rozchodził się po amerykańskich fabrykach powoli, a produktywność przemysłu przyspieszyła dopiero w latach 20. XX wieku, mniej więcej czterdzieści lat później. Kierownicy fabryk, którzy zastępowali maszyny parowe dynamami, zachowywali dotychczasowy układ hal: jedno centralne źródło napędu poruszające maszyny za pośrednictwem wałów i pasów. Korzyści z pojedynczych silników elektrycznych w dużej mierze się marnowały, bo fabryka była zorganizowana wokół ograniczeń mechanicznego przenoszenia napędu.
Przełom nastąpił, gdy stare zakłady się zużyły, a nowe, w dużej części zbudowane podczas boomu inwestycyjnego lat 20., projektowano od zera wokół napędu indywidualnego, z osobnym silnikiem przy każdej maszynie. Pozwoliło to na parterowe hale, których rozkład podążał za przepływem materiałów i pracy, a kolejność operacji wyznaczała logika produkcji, a nie odległość od wału transmisyjnego. To właśnie ta przebudowa, bardziej niż same silniki, przyniosła skok produktywności lat 20.
Ekonomiści nazywają współczesną wersję krzywą J produktywności: technologie ogólnego przeznaczenia wymagają dużych uzupełniających inwestycji niematerialnych, takich jak przeprojektowanie procesów pracy, przekwalifikowanie pracowników czy restrukturyzacja organizacji, zanim przyniosą wzrost produktywności, a ta faza inwestycyjna obniża mierzoną TFP, zanim pojawią się korzyści. W przypadku AI pytanie brzmi, czy firmy wciąż podpinają nowe silniki pod stary wał transmisyjny, wrzucając AI w niezmienione procesy, czy zaczęły już budować wokół niej nowe organizacje.
Na poziomie pojedynczych zadań dowody są mocne. Wśród ponad 5000 pracowników obsługi klienta w jednej firmie dostęp do narzędzia AI zwiększył liczbę rozwiązywanych w ciągu godziny zgłoszeń średnio o około 15%, a u nowicjuszy znacznie bardziej. Programiści korzystający z GitHub Copilot wykonali standardowe zadanie programistyczne o około 56% szybciej niż grupa kontrolna.
Czy te zyski sumują się w skali całej gospodarki, to osobna kwestia. Wzrost o 15% w dziale obsługi klienta jednej firmy czy przyspieszenie o 56% w kontrolowanym zadaniu programistycznym samo nie poruszy PKB. Żeby odwrócić stagnację, zaoszczędzony czas musi się przełożyć na większą produkcję z tych samych godzin albo na tę samą produkcję z mniejszej liczby opłaconych godzin, w całej gospodarce.
To przełożenie zależy od tego, gdzie leży wąskie gardło. Zaoszczędzenie programiście kilku godzin w tygodniu podnosi produkcję firmy tylko wtedy, gdy to czas programisty hamuje firmę. Jeśli tempo wyznaczają decyzje produktowe, infrastruktura testowa czy procesy wdrożeniowe, oszczędność rozpływa się w luzie: dłuższe przerwy na lunch i wolniejsze popołudnia przy tych samych opłaconych godzinach, czego żadna statystyka nie zapisze jako produktywności. Ta sama logika dotyczy każdego sektora: szybszy likwidator szkód ubezpieczeniowych wytwarza więcej tylko wtedy, gdy wąskim gardłem była przepustowość weryfikacji, a nie napływ zgłoszeń czy zgody regulatora. Szybszy prawnik prowadzący kwerendy daje więcej pracy do zafakturowania tylko wtedy, gdy kancelaria rozlicza się za szybkość, a nie za godziny. Analogia z dynamem podpowiada, czego szukać: firm zorganizowanych wokół tej technologii w inny sposób.
Technologie ogólnego przeznaczenia
Standardowa definicja technologii ogólnego przeznaczenia ma trzy kryteria: wszechobecność w wielu sektorach, ciągłe doskonalenie techniczne i zdolność do rodzenia innowacji uzupełniających. Para, elektryczność i informatyka spełniają wszystkie trzy. Czy obecna AI spełnia wszystkie trzy, czy tylko dwa pierwsze, to wciąż sprawa otwarta. Wszechobecność jest oczywista, a postęp techniczny szybki. Otwarte pozostaje trzecie kryterium: czy ulepszenia AI podnoszą produktywność innowacji w sektorach, które z niej korzystają, rodząc nowe procesy i produkty na niej oparte. Dowody na to są na razie anegdotyczne, a nie systematyczne.
Co pokazują dane
Dotychczasowe dowody są trojakiego rodzaju i nie wskazują w tę samą stronę.
Najtwardsze liczby to te oficjalne. Wzrost wydajności pracy w USA pozostaje przyzwoity od cyklicznego odbicia w 2024 roku, natomiast wzrost łącznej produktywności czynników produkcji w prywatnym sektorze przedsiębiorstw poza rolnictwem zwolnił z 1,5% w 2024 roku do 0,8% w 2025. Żaden zagregowany szereg danych do połowy 2026 roku nie pokazuje zmiany strukturalnej, która odpowiadałaby przyspieszeniu całej gospodarki dzięki AI.
Badania ankietowe wśród pracowników brzmią bardziej zachęcająco. Pod koniec 2024 roku czas, który według użytkowników AI udało im się zaoszczędzić, sumował się do 1,4% wszystkich godzin pracy w całej sile roboczej. To wystarczyłoby, żeby podnieść zagregowaną produktywność o około 1,1%, gdyby zaoszczędzony czas zamienił się w dodatkową produkcję, a nie rozpłynął w luzie. Latem 2025 roku z generatywnej AI w pracy korzystała ponad jedna trzecia amerykańskich pracowników, co oznacza szybsze upowszechnienie niż w przypadku komputera osobistego na tym samym etapie, a przypadało na nią 5,7% wszystkich godzin pracy w USA.
Czas zaoszczędzony i czas spędzony to różne miary i żadna z nich nie mierzy bezpośrednio produkcji. Ekonomiści prowadzący te badania dostrzegają wprawdzie pierwsze sygnały w danych zagregowanych: między premierą ChatGPT a połową 2025 roku skumulowany wzrost produktywności był o około 1,9 punktu procentowego wyższy od trendu sprzed pandemii, a branże zgłaszające większe oszczędności czasu zwykle rosły szybciej niż wynikałoby z ich trendu. Podkreślają jednak, że tego związku nie można odczytywać jako przyczynowego, a oficjalne statystyki do połowy 2026 roku nie potwierdziły zmiany strukturalnej wywołanej przez AI.
Najmniej pewne są prognozy. Penn Wharton Budget Model szacuje wkład AI we wzrost TFP w 2025 roku na około 0,01 punktu procentowego, minimalny, bo większość firm jeszcze nie wdrożyła narzędzi AI na dużą skalę. Model przewiduje wzrost tego wkładu pod koniec lat 20., ze szczytem na początku lat 30., ale to wyniki modelu przy określonych założeniach, a nie obserwacje.
Do tego obrazu pasują dwie interpretacje. Pierwsza to krzywa J: koszt wdrożenia AI i przebudowy organizacji wokół niej przez jakiś czas hamuje produktywność, tak jak było z elektryfikacją, a zwrot przychodzi później. Druga zakłada, że uwolniony czas rozpływa się w luzie, więc technologia pomaga poszczególnym pracownikom, ale gospodarka nigdy nie zamienia ich oszczędności w produkcję.
Dane nie pozwalają jeszcze ich rozróżnić. Pracownicy szybciej kończący zadania i ankietowani deklarujący oszczędność czasu tego nie rozstrzygną, bo jedno i drugie pojawiłoby się zarówno w scenariuszu optymistycznym, czyli na krzywej J przed przełomem, jak i w pesymistycznym, w którym zyski na poziomie zadań nigdy się nie sumują.
Historia elektryfikacji podpowiada, jak wyglądałoby to, że AI „działa”. Wzrost TFP utrzymywałby się w sektorach, w których AI jest wdrożona od co najmniej trzech lat. Poprawa produktywności przetrwałaby kilka faz cyklu koniunkturalnego, zamiast odzwierciedlać wahania cykliczne. A firmy na dużą skalę przeprojektowywałyby pracę, zespoły i produkty wokół AI, zamiast nakładać narzędzia na niezmienione struktury. W języku dynama: firmy budowałyby parterową fabrykę, zamiast przykręcać silnik elektryczny do istniejącego wału. Studiów przypadków firm, które tak robią, przybywa, ale wciąż są to pojedyncze przykłady, a wzorzec w skali całej gospodarki się nie pojawił.
Pętla
Wyjątkowe stulecie nigdy nie stawiało zagadki Solowa. Przeobraziło codzienne życie gospodarcze tak gruntownie, że podróżnik w czasie z 1870 roku nie rozpoznałby roku 1940, i nikt nie potrzebował wyrafinowanych pomiarów, żeby to zobaczyć. Komputery postawiły tę zagadkę, a AI postawiła ją ponownie.
Żeby AI przerwała tę pętlę, firmy musiałyby zrobić to, co budowniczowie fabryk w latach 20.: przebudować się wokół technologii i porzucić całe kategorie pracy, zamiast wykonywać dotychczasową pracę odrobinę szybciej. Kiedy taka przebudowa już się zdarzała, w wyjątkowym stuleciu i ponownie podczas zrywu z lat 1996–2004, wyraźnie było ją widać w liczbach. Jeśli przyjdzie kolej na AI, nikt nie będzie musiał cytować Solowa.
Powiązane artykuły
- Powojenny rozwój gospodarczy Japonii
- Kto dźwiga dług stojący za boomem na AI?
- Kto płaci za sieć, której potrzebują centra danych?
Dalsza lektura
Jako partner Amazon Eikleaf zarabia na kwalifikujących się zakupach. Poniższe linki do książek są linkami partnerskimi: jeśli dokonasz zakupu za ich pośrednictwem, możemy otrzymać niewielką prowizję, bez dodatkowych kosztów dla Ciebie.
The Rise and Fall of American Growth: The U.S. Standard of Living Since the Civil WarPokazuje, jak elektryczność, infrastruktura sanitarna, transport i wynalazki domowe przeobraziły produktywność oraz dlaczego późniejsze innowacje przyniosły mniejsze korzyści.WzrostWzrostWyjaśnia źródła wzrostu gospodarczego, niedawne spowolnienie i propozycje pobudzania nowych pomysłów, rozważając zarazem szersze koszty wzrostu.
How Progress Ends: Technology, Innovation, and the Fate of NationsNa historycznych przykładach innowacji i stagnacji wyjaśnia, dlaczego instytucje muszą się dostosować, zanim postęp technologiczny zapewni trwały wzrost gospodarczy.
Potęga prognozowania. Ekonomia sztucznej inteligencjiNa przykładach biznesowych wyjaśnia, dlaczego większe korzyści z AI wymagają przeprojektowania powiązanych decyzji i procesów pracy, odpowiadając przedstawionemu w artykule argumentowi o reorganizacji.Polecane filmy
12:14Robert Gordon: The death of innovation, the end of growthPesymistyczny wywód Roberta Gordona: wielkie wynalazki mamy za sobą, a wzrost spowalnia na dobre.
12:38Robert Gordon, Erik Brynjolfsson debate the future of work at TED2013Gordon i Brynjolfsson spierają się, czy technologia cyfrowa ożywi produktywność, czyli główne pytanie artykułu.
25:43Tyler Cowen: The Great StagnationTyler Cowen o tezie o „nisko wiszących owocach”, od której Wielka Stagnacja wzięła swoją nazwę.Jak cytować
Lena Martin. “Wielka stagnacja: dlaczego wzrost produktywności zwolnił i czy może odżyć.” Eikleaf, 10 maja 2026, aktualizacja 2 listopada 2026. https://www.eikleaf.com/pl/the-great-stagnation-why-productivity-growth-slowed-and-whether-it-can-recover/
Zastrzeżenie dotyczące generatywnej AI
Niektóre treści na tej stronie zostały wygenerowane i/lub zredagowane z pomocą generatywnej sztucznej inteligencji.
Media
Najważniejsze źródła i bibliografia
Robert Solow, „We’d Better Watch Out,” New York Times Book Review, July 12, 1987, p. 36.
Erin Henry, Pierre-Daniel Sarte, and Jack Taylor, „The Productivity Puzzle: AI, Technology Adoption and the Workforce,” Federal Reserve Bank of Richmond Economic Brief No. 24-25, August 2024. https://www.richmondfed.org/publications/research/economic_brief/2024/eb_24-25
Sasha Rogelberg, „Thousands of CEOs admit AI had no impact on employment or productivity—and it has economists resurrecting a paradox from 40 years ago,” Fortune, February 17, 2026. https://fortune.com/2026/02/17/ai-productivity-paradox-ceo-study-robert-solow-information-technology-age/
Robert J. Gordon, The Rise and Fall of American Growth: The U.S. Standard of Living Since the Civil War, Princeton University Press, 2016.
Tyler Cowen, The Great Stagnation: How America Ate All the Low-Hanging Fruit of Modern History, Got Sick, and Will (Eventually) Feel Better, Dutton/Penguin, 2011.
U.S. Bureau of Labor Statistics, Productivity and Costs news releases, 2024–2026, including „Total Factor Productivity — 2025” (March 19, 2026) and „Productivity and Costs, Second Quarter 2026, Revised” (September 3, 2026). https://www.bls.gov/productivity/ · https://www.bls.gov/news.release/prod3.nr0.htm · https://www.bls.gov/news.release/prod2.nr0.htm
OECD, Compendium of Productivity Indicators 2026, June 2026. https://www.oecd.org/en/publications/2026/06/oecd-compendium-of-productivity-indicators-2026_04e21c23.html
Erik Brynjolfsson, Avinash Collis, W. Erwin Diewert, Felix Eggers, and Kevin J. Fox, „GDP-B: Accounting for the Value of New and Free Goods in the Digital Economy,” NBER Working Paper 25695, 2019. https://www.nber.org/papers/w25695
Chad Syverson, „Challenges to Mismeasurement Explanations for the US Productivity Slowdown,” Journal of Economic Perspectives, vol. 31, no. 2, Spring 2017, pp. 165–186. https://www.aeaweb.org/articles?id=10.1257/jep.31.2.165 · https://www.nber.org/system/files/working_papers/w21974/w21974.pdf
Paul A. David, „The Dynamo and the Computer: An Historical Perspective on the Modern Productivity Paradox,” American Economic Review: Papers and Proceedings, vol. 80, no. 2, May 1990, pp. 355–361.
Erik Brynjolfsson, Daniel Rock, and Chad Syverson, „The Productivity J-Curve: How Intangibles Complement General Purpose Technologies,” American Economic Journal: Macroeconomics, vol. 13, no. 1, January 2021, pp. 333–372. https://www.aeaweb.org/articles?id=10.1257/mac.20180386
Erik Brynjolfsson, Danielle Li, and Lindsey Raymond, „Generative AI at Work,” Quarterly Journal of Economics, vol. 140, no. 2, 2025, pp. 889–942. https://academic.oup.com/qje/article/140/2/889/7990658
Sida Peng, Eirini Kalliamvakou, Peter Cihon, and Mert Demirer, „The Impact of AI on Developer Productivity: Evidence from GitHub Copilot,” arXiv:2302.06590, February 2023. https://arxiv.org/abs/2302.06590
Alexander Bick, Adam Blandin, and David Deming, „The Impact of Generative AI on Work Productivity,” Federal Reserve Bank of St. Louis, On the Economy blog, February 27, 2025. https://www.stlouisfed.org/on-the-economy/2025/feb/impact-generative-ai-work-productivity
Alexander Bick, Adam Blandin, and David Deming, „The State of Generative AI Adoption in 2025,” Federal Reserve Bank of St. Louis, On the Economy blog, November 13, 2025. https://www.stlouisfed.org/on-the-economy/2025/nov/state-generative-ai-adoption-2025
Penn Wharton Budget Model, „The Projected Impact of Generative AI on Future Productivity Growth,” September 8, 2025. https://budgetmodel.wharton.upenn.edu/issues/2025/9/8/projected-impact-of-generative-ai-on-future-productivity-growth
Congressional Budget Office, „Labor Productivity: Developments Since 1995,” March 2007. https://www.cbo.gov/sites/default/files/110th-congress-2007-2008/reports/03-26-labor.pdf
Timothy F. Bresnahan and M. Trajtenberg, „General Purpose Technologies: 'Engines of Growth’?” Journal of Econometrics, vol. 65, no. 1, January 1995, pp. 83–108. https://doi.org/10.1016/0304-4076(94)01598-T
Robert J. Gordon, „Off Its Pinnacle,” Finance & Development, IMF, vol. 53, no. 2, June 2016. https://www.imf.org/external/pubs/ft/fandd/2016/06/gordon.htm
„The Great Stagnation: Why Hasn’t Recent Technology Created More Jobs?” (interview with Tyler Cowen), PBS NewsHour, 2011. https://www.pbs.org/newshour/show/the-great-stagnation-why-hasn-t-recent-technology-created-more-jobs
Jeremy Greenwood, Ananth Seshadri, and Mehmet Yorukoglu, „Engines of Liberation,” Review of Economic Studies, vol. 72, no. 1, 2005, pp. 109–133. https://users.ssc.wisc.edu/~aseshadr/Publications/engines.pdf
Brink Lindsey, „Not So Stagnant,” Reason, April 15, 2011. https://reason.com/2011/04/15/not-so-stagnant/
Shawn Sprague, „Contributions to labor productivity growth, private nonfarm business, 1948–2018,” Monthly Labor Review, U.S. Bureau of Labor Statistics, 2021. https://www.bls.gov/opub/mlr/2021/highcharts/data/sprague-fig2.stm
McKinsey Global Institute, „US Productivity Growth 1995–2000,” October 2001. https://www.mckinsey.com/featured-insights/americas/us-productivity-growth-1995-2000
David M. Byrne, Stephen D. Oliner, and Daniel E. Sichel, „How Fast Are Semiconductor Prices Falling?” NBER Working Paper 21074, 2015. https://www.nber.org/papers/w21074
National Park Service, „About the Homestead Act,” Homestead National Historical Park. https://www.nps.gov/home/learn/historyculture/abouthomesteadactlaw.htm












