Kami sudah salah tentang teknologi baru sebelumnya. Apakah kita salah tentang AI?

Tahun ini tahun 1956. Anda seorang peneliti yang bekerja di International Business Machines, perusahaan mesin tabulasi terkemuka di dunia, yang baru-baru ini melakukan diversifikasi ke bidang komputer elektronik yang baru. Anda telah ditugaskan untuk menentukan tujuan apa, tepatnya, pelanggan Anda menggunakan mainframe besar IBM.

Jawabannya ternyata sangat sederhana: Komputer adalah untuk militer, dan untuk militer saja. Pada tahun 1955, tahun sebelumnya, sejauh ini sumber pendapatan tunggal terbesar untuk divisi komputer IBM adalah The Sage Project, sebuah inisiatif Departemen Pertahanan yang menugasi IBM dengan menciptakan sistem komputer yang mampu memberikan peringatan dini di seluruh Amerika Serikat jika pembom Soviet yang bersenjata nuklir menyerang negara itu. Itu menghasilkan $ 47 juta pada tahun 1955, dan proyek -proyek militer lainnya menghasilkan $ 35 juta. Komputer yang dapat diprogram dijual ke bisnis, sementara itu, membawa $ 12 juta yang remeh.

Anda mengirim memo ke bos Anda yang menjelaskan bahwa dampak komputer pada masyarakat terutama akan memberi AS keunggulan pada Soviet dalam Perang Dingin. Dampaknya pada sektor swasta, sebaliknya, tampaknya kecil. Anda bersandar di kursi Anda, menyalakan sebatang rokok, dan merenungkan masa depan yang mulia dari kompleks industri pertahanan.

Anda akan, tentu saja, benar -benar salah – tidak hanya di masa depan yang jauh tetapi di tempat yang sangat langsung. Inilah yang tampak seperti pendapatan dari masing -masing divisi komputasi IBM pada tahun 1952 hingga 1964, yang disusun oleh veteran perusahaan Emerson Pugh dalam bukunya Membangun IBM:

Hanya dua tahun setelah 1956, komputer yang dapat diprogram yang dijual kepada perusahaan swasta telah cocok dengan Sage sebagai sumber pendapatan. Tahun setelah itu, sektor swasta membawa sebanyak militer secara keseluruhan. Pada tahun 1963, bahkan tidak satu dekade setelah data tahun 1955 yang Anda lihat, militer tampaknya menjadi kesalahan pembulatan di sebelah pendapatan komputer privat IBM, yang telah berkembang untuk memperhitungkan mayoritas dari seluruh pendapatan AS perusahaan.

Aduh!

Apa yang bisa kita pelajari dari bagaimana orang menggunakan AI sekarang?

Minggu ini, tim ekonom yang mengesankan di Openai dan Anthropic merilis laporan besar yang dirancang dengan cermat tentang bagaimana orang menggunakan model AI mereka – dan salah satu pemikiran pertama saya adalah, “Saya bertanya -tanya seperti apa laporan IBM tentang bagaimana orang menggunakan komputer pertama mereka akan terlihat seperti itu.” (Pengungkapan: Vox Media adalah salah satu dari beberapa penerbit yang telah menandatangani perjanjian kemitraan dengan Openai. Pelaporan kami tetap mandiri secara editorial. Juga, Future Perfect sebagian didanai oleh BEMC Foundation, yang dana utamanya juga merupakan investor awal dalam antropik; mereka tidak memiliki input editorial ke dalam konten kami.)

Untuk lebih jelasnya: tingkat perawatan yang dimasukkan oleh tim perusahaan AI dalam pekerjaan mereka adalah banyak, banyak pesanan besar lebih besar dari yang ditunjukkan oleh analis IBM fiksi kami. Pendapatan bukanlah ukuran terbaik dari minat dan penggunaan pelanggan aktual; Semua orang tahu bahkan pada tahun 1955 bahwa komputer membaik dengan cepat dan penggunaannya akan berubah; Perusahaan AI memiliki akses ke berbagai data real-time yang mengesankan tentang bagaimana produk mereka digunakan yang akan membuat keluarga Watson menjalankan IBM Sampa.

Yang mengatakan, saya pikir contoh IBM berguna untuk mengklarifikasi apa, tepatnya, kami ingin keluar dari data semacam ini.

Laporan perusahaan AI paling berguna dalam memberi kami snapshot point-in-time, dan sejarah baru-baru ini selama beberapa tahun, dari pertanyaan seperti apa yang dikirim ke Chatgpt dan Claude. Anda mungkin telah membaca kolega saya Shayna Korol di Newsletter Perfect Future pada hari Rabu yang meletakkan temuan OpenAI, dan saya juga merekomendasikan penulis rekan penulis studi dan Profesor Harvard David Deming. Tetapi beberapa gambaran besar, hal-hal non-sepele yang saya pelajari dari dua laporan adalah:

• Penyerapan sedang meroket: Chatgpt telah berubah dari 1 juta pengguna terdaftar pada bulan Desember 2022, menjadi 100 juta orang yang menggunakannya setidaknya setiap minggu pada November 2023, menjadi lebih dari 750 juta pengguna aktif mingguan sekarang. Jika jumlah pesan yang dikirim ke sana terus tumbuh pada kecepatan saat ini, akan ada lebih banyak permintaan chatgpt daripada pencarian Google pada akhir tahun depan.
• Baik Openai dan Anthropic menemukan bahwa negara-negara yang lebih kaya menggunakan AI lebih dari yang miskin (tidak mengherankan di sana), tetapi Openai secara intrik menemukan bahwa negara-negara berpenghasilan menengah seperti Brasil menggunakan chatgpt hampir sama seperti yang kaya seperti AS.
• Kasus penggunaan terbesar untuk chatgpt adalah “saran praktis” seperti bagaimana-ke atau bimbingan/pengajaran (28,3%dari pertanyaan), mengedit atau menerjemahkan atau menghasilkan teks (28,1%), dan kueri informasi gaya mesin pencari (21,3%). Antropik menggunakan kategori deskriptif yang berbeda tetapi menemukan bahwa orang yang menggunakan claude.ai, antarmuka seperti chatgpt untuk modelnya, paling umum menggunakannya untuk masalah komputasi dan matematika (36,9% dari penggunaan), sementara pangsa yang meningkat menggunakannya untuk “instruksi pendidikan dan perpustakaan” pekerjaan (12,7%).

Apa tidak bisa Kami belajar?

Tapi aku rakus. Saya tidak hanya ingin mengetahui fakta-fakta deskriptif orde pertama tentang bagaimana model-model ini digunakan, meskipun itu adalah jenis pertanyaan makalah ini, dan data internal yang dapat dikumpulkan secara lebih umum dan antropik secara umum, dapat dijawab. Pertanyaan yang sangat ingin saya jawab tentang penggunaan AI, dan konsekuensi ekonominya, lebih seperti:

• Apakah persalinan manusia dan AI akan saling melengkapi atau menggantikan satu sama lain dalam lima tahun? Sepuluh tahun? Dua puluh?
• Akankah upah naik karena ekonomi masih botol pada hal -hal yang hanya dapat dilakukan manusia? Atau akankah mereka runtuh menjadi nol karena kemacetan itu tidak ada?
• Akankah AI memungkinkan penciptaan “jenius di pusat data” – agen AI melakukan penelitian ilmiah mereka sendiri? Apakah ini akan memimpin stok pengetahuan ilmiah tentang dunia untuk tumbuh lebih cepat dari sebelumnya? Apakah itu akan mengarah pada pertumbuhan ekonomi yang eksplosif?

Banyak orang mengajukan pertanyaan -pertanyaan ini, dan sejumlah pekerjaan teoretis yang mengesankan telah dilakukan di bidang ekonomi. Saya telah menemukan set kuliah ini dan kutipan kertas tentang subjek dari ekonom Philip Trammell sangat berguna.

Tetapi pekerjaan teoretis itu sebagian besar dalam bentuk, “Apa saja konsep yang bisa kita gunakan untuk memahami apa yang terjadi atau akan segera terjadi?” – Ini teori, itu intinya! – dan dengan demikian meninggalkan seorang pria serakah dan tidak sabar seperti saya tanpa jawaban yang baik, atau bahkan tebakan yang baik, pada pertanyaan di atas. Ini adalah tempat di mana saya ingin penelitian empiris yang baik memberi saya rasa kerangka teori yang sesuai dengan realitas dasar.

Ketakutan saya adalah bahwa, karena alasan perumpamaan IBM menjelaskan, detail empiris tentang bagaimana AI digunakan sekarang dapat menyesatkan kita tentang bagaimana hal itu akan digunakan di masa depan, dan tentang efek terpentingnya pada kehidupan kita. Jika Anda secara kriogenik membekukan analis IBM kami pada tahun 1956 dan membangkitkan mereka hari ini untuk menganalisis laporan openai dan antropik, apa yang akan mereka katakan tentang pertanyaan yang lebih spekulatif di atas?

Mereka mungkin menunjukkan fakta bahwa studi ChatGPT menemukan sekitar setengah dari semua pesan sesuai dengan sejumlah kecil “kegiatan kerja,” sebagaimana dilacak oleh Departemen Tenaga Kerja, seperti “mendokumentasikan/merekam informasi” dan “membuat keputusan dan memecahkan masalah.” Itu adalah kategori besar yang pasti, tetapi orang harus melakukan banyak hal lain dalam pekerjaan mereka yang tidak termasuk di bawahnya. Analis IBM kami mungkin menyimpulkan bahwa AI hanya mengotomatiskan sebagian kecil dari tugas kerja, yang berarti bahwa tenaga kerja manusia dan AI akan saling melengkapi ke depan.

Kemudian lagi, analis dapat melihat laporan antropik yang menemukan bahwa kasus penggunaan “otomatisasi” (di mana Anda hanya memberi tahu Claude untuk melakukan sesuatu dan itu melakukan seluruh tugas, mungkin dengan umpan balik manusia berkala) adalah jauh lebih umum di antara bisnis yang menggunakan backend antropik dengan claude spesifik mereka sendiri atau dalam pekerjaan yang diaktifkan oleh Claude, di mana Anda sendiri. Augmentasi masih merupakan bagian yang lebih besar dari penggunaan di situs web Claude.ai, tetapi bagian otomatisasi juga tumbuh di sana. Analis kami mungkin melihat ini dan menyimpulkan bahwa AI dan tenaga kerja manusia akan berakhir sebagai pengganti, karena pengguna Claude menggunakannya kurang sebagai sahabat karib daripada sebagai agen yang melakukan pekerjaan sendiri.

Semua kesimpulan ini adalah, saya pikir, terlalu dini pada titik kecerobohan. Inilah sebabnya, untuk kredit mereka, penulis dari Laporan Openai dan Antropik sangat berhati -hati tentang apa yang mereka lakukan dan tidak tahu dan dapat dan tidak dapat menyimpulkan dari pekerjaan mereka. Mereka tidak mengklaim temuan ini dapat memberi tahu kita tentang dampak Medium atau Long-Run dari AI pada permintaan tenaga kerja, atau distribusi pertumbuhan ekonomi, atau profesi yang paling dipengaruhi oleh AI-meskipun itulah yang dilakukan oleh banyak pengamat luar.

Mengapa AI berbeda dari jagung (saya berjanji ini masuk akal)

Jadi izinkan saya menyelesaikannya dengan berfokus pada sesuatu yang menurut laporan memberi tahu kami bahwa, saya pikir, sangat penting. Salah satu temuan tertua dalam ekonomi inovasi adalah bahwa teknologi baru membutuhkan waktu, seringkali lama, untuk “menyebar” melalui ekonomi.

Kertas klasik di sini adalah Zvi Griliches pada tahun 1957 tentang penyebaran jagung hibrida. Jagung hibrida bukanlah satu produk tertentu, tetapi pendekatan khusus untuk membiakkan biji jagung secara optimal untuk tanah tertentu di daerah tertentu. Begitu beberapa petani di negara bagian yang diadopsi jagung hibrida, penyerapan selanjutnya tampaknya sangat cepat. Lihatlah kurva-S itu!

Tetapi sementara difusi dalam keadaan individu cepat, difusi antar negara tidak. Mengapa Texas membutuhkan satu dekade setelah munculnya jagung hibrida di Iowa untuk menyadari bahwa ini dapat sangat meningkatkan hasil? Mengapa tampaknya mencapai langit-langit yang jauh lebih rendah dari penggunaan 60-80%, dibandingkan dengan serapan universal di Iowa? Anda juga melihat kelambatan semacam ini saat melihat kasus -kasus seperti listrik dan dalam kumpulan data yang mencakup beragam penemuan.

Sesuatu yang dikatakan data antropik dan openai dengan sangat jelas adalah bahwa lag difusi untuk AI, menurut standar historis, sangat pendek. Adopsi teknologi ini sangat cepat, memang lebih cepat dari produk online sebelumnya seperti Facebook atau Tiktok, apalagi jagung hibrida.

Teknologi tujuan umum masa lalu seperti listrik atau komputasi membutuhkan waktu bertahun-tahun atau dekade untuk berdifusi melalui ekonomi, yang membatasi manfaatnya untuk sementara waktu tetapi juga memberi kami waktu untuk beradaptasi. Kami kemungkinan tidak akan mendapatkan waktu itu berjalan-jalan ini.