پارادوکس بهره‌وری در عصر AI

اسفندیار جهانگرد، استاد دانشگاه علامه طباطبائی

تحولات سریع در فناوری‌های هوش‌مصنوعی و اثرگذاری گسترده آنها بر ساختارهای اقتصادی، اجتماعی، حکمرانی و فرهنگی نیاز کشورها را به وضع مقررات جامع، متناسب و پیشرو آشکار کرده. در ایران نیز سند ملی هوش‌مصنوعی جمهوری اسلامی ایران در سال۱۴۰۳ به تصویب رسیده است. سازمان  هوش‌مصنوعی به‌دنبال تصویب سند هوش‌مصنوعی افتتاح شد. با این وجود وضع فعلی نشان می‌دهد که کشور با موانع جدی در مسیر توسعه و قانونگذاری هوش‌مصنوعی مواجه است، از جمله هماهنگ‌سازی بین نهادها، دستگاه‌های اجرایی و بخش‌خصوصی ناکافی است. زیرساخت‌های حقوقی و تنظیم‌گری لازم برای مواجهه با مخاطرات هوش‌مصنوعی مانند تعیین مسوولیت در خسارات ناشی از الگوریتم‌ها، حفظ حریم خصوصی، تبعیض الگوریتمی، مالکیت داده‌ها و آثار تولیدشده توسط هوش‌مصنوعی هنوز به مرحله نهایی نرسیده‌اند. ظرفیت‌های بومی داده، سخت‌افزار، نیروی انسانی متخصص، زیست‌بوم صنعتی و تجاری‌سازی فناوری هوش‌مصنوعی نیازمند توسعه جدی هستند. قانون تجارت الکترونیک ایران بسیار قدیمی است  و متناسب با شرایط حال حاضر نیست. در عین حال چشم‌انداز ملی مبنی بر اینکه ایران در افق۱۴۱۲ «جزو ۱۰کشور برتر هوش‌مصنوعی جهان» باشد، به‌عنوان هدف آرمانی تعیین شده اما تحقق آن مستلزم پیوستگی سیاست‌ها، تخصیص منابع و تعامل سازنده بین ذی‌نفعان متعدد است. این وضعیت چند پرسش اساسی را مطرح می‌کند: چگونه می‌توان نظام حقوقی و تنظیم‌گری هوش‌مصنوعی را طوری طراحی کرد که هم زمینه رشد فناوری را فراهم و هم از خطرات آن صیانت کند؟ چه سازوکارهایی برای تضمین مالکیت داده، پاسخگویی و شفافیت در کارکرد سیستم‌های هوش‌مصنوعی بومی لازم است؟ با توجه به توانمندی‌های فعلی ایران در علوم و فناوری، چگونه می‌توان مسیر تجاری‌سازی، صنعتی‌سازی و رقابت فناوری هوش‌مصنوعی را با توجه به تحریم‌های بین‌المللی تسریع کرد؟ در زیست‌بوم هوش‌مصنوعی ایران نقش بخش‌خصوصی، نهادهای غیردولتی، دانشگاه‌ها و همکاری‌های بین‌المللی چگونه باید تعریف شود و درنهایت چگونه می‌توان شاخص‌ها و معیارهایی برای سنجش پیشرفت ایران در حوزه هوش‌مصنوعی طراحی کرد تا تحقق چشم‌انداز «۱۰کشور برتر» قابل پایش باشد؟ برای پاسخ به سوال آخر یادداشت  حاضر تنظیم شده است که با نگاهی به شرایط جهانی و تاریخی و معیارها به آن توجه می‌شود.

با یک وقفه از جنون سیاست و سیاستگذاری در کنار تمام اتفاقات دیگر، شاهد گسترش یک فناوری انقلابی در دنیا هستیم که همه آن را هوش‌مصنوعی می‌نامند، حتی اگر هنوز شبیه آن نوع هوش‌مصنوعی که انتظار داشتیم نباشد. با این حال هنگام بررسی این انقلاب و  به طور کلی نقش اقتصادی فناوری، با یک مشکل مواجهیم: اقتصاددانان معمولا دانش کافی در مورد فناوری ندارند تا قضاوتی آگاهانه داشته باشند و فناوران نیز در مورد اقتصاد چندان مهارت ندارند و این ماهیت‌، اندازه‌گیری نقش اقتصادی فناوری  را بسیار مشکل می‌کند.

رابرت سولو در دهه۱۸۸۰ میلادی، معمایی اقتصادی را مطرح کرد که «ما عصر رایانه را همه جا می‌بینیم، جز در آمارهای بهره‌وری!» که براین جلفسون این مفهوم را «پارادوکس بهره‌وری» نامید. بنابراین پرسش اصلی در دنیا این است که این فناوری‌ها دقیقا چه تاثیری بر اقتصاد دارند تا بتوان از تجربه تاریخی دنیا استفاده کرد. سولو در دهه۱۹۵۰ که بعدا به خاطر آن جایزه نوبل گرفت، نشان داد که دلیل اصلی بهبود استانداردهای زندگی، کار کردن بیشتر یا داشتن سرمایه بیشتر نیست بلکه فناوری بهتر است. او فناوری را در مدل‌هایش به عنوان یک متغیر برون‌زا وارد کرد و نتیجه‌اش افزایش بهره‌وری و پیشرفت اقتصادی بود. از آن زمان تاکنون بسیاری از افراد سعی کرده‌اند این مدل را با جزئیات بیشتری تکمیل کنند. یکی از موضوعات مرتبط با هوش‌مصنوعی، بعد فناوری‌ عمومی  بودن آن است. جالب است که اقتصاددانان این اصطلاح را قبلا برای فناوری‌هایی مانند موتور بخار، برق  و اینترنت به کار می‌بردند و متخصصان هوش‌مصنوعی نیز آن را عاریه گرفتند. در نهایت همین فناوری‌های عمومی هستند که باعث پیشرفت استانداردهای زندگی بشر می‌شوند.

پارادوکس بهره‌وری در دهه۱۹۹۰ از بین رفت زیرا شاهد افزایش شدید بهره‌وری در اقتصاد بودیم. نرخ بهره‌وری به حدود  ۳درصد در سال رسید که از نظر اقتصاددانان نرخ بسیار خوبی است. بخشی از این افزایش به خاطر اینترنت بود اما بخش بزرگ‌تری که کمتر مورد توجه قرار گرفت، ورود سیستم‌های سازمانی بزرگ مانند برنامه‌ریزی منابع سازمانی، مدیریت زنجیره تامین و مدیریت ارتباط با مشتری بود که نحوه انجام تجارت را کاملا تغییر دادند. نکته کلیدی اینجاست که فناوری‌های عمومی به‌تنهایی و در همان ابتدا تاثیر زیادی ندارند. اثر بزرگ آنها زمانی رخ می‌دهد که فرآیندهای کسب‌وکار تغییر کنند و شرکت‌ها روش‌های خود را بازنگری کنند. این تغییرات در مدل‌های کسب‌وکار، مهارت‌های نیروی کار و سازماندهی شرکت‌ها معمولا زمان می‌برد تا به بهره‌وری اقتصادی تبدیل شوند.

تاریخ و پیشینه اقتصادی هم این موضوع را تایید می‌کند. در دهه۱۸۸۰، شرکت‌ها شروع به نصب موتورهای الکتریکی کردند اما طبق بررسی‌هایی که پل دیوید انجام داده‌، هیچ افزایش قابل‌توجهی تا حدود ۳۰ تا ۴۰‌سال بعد در بهره‌وری مشاهده نمی‌شد. تغییر بزرگ این بود که در ابتدا آنها فقط موتور بخار را  از سیستم‌ها خارج کرده و یک موتور الکتریکی را جای آن قرار می‌دادند، بدون اینکه چیز دیگری را تغییر دهند. حدود یک نسل از مدیران طول کشید تا متوجه شوند که موتورهای الکتریکی می‌توانند در اندازه‌های کوچک، متوسط و بزرگ باشند و می‌توان آنها را براساس جریان مواد در کارخانه چیدمان کرد، به جای اینکه فقط یک موتور بزرگ در وسط کارخانه باشد. این تغییر در چیدمان کارخانه‌ها بود که منجربه خطوط مونتاژ و بهینه‌سازی جریان تولید شد و درنهایت، طبق یافته‌های پل دیوید، منجر به افزایش بهره‌وری سه‌رقمی (بیش از ۱۰۰درصد) شد اما نکته مهم این است که برق به تنهایی باعث این افزایش بهره‌وری نشد بلکه ترکیب برق با فرآیندهای جدید کسب‌وکار بود که این جهش را ایجاد کرد.

با انقلاب فناوری دیجیتال هم‌ از ۲۰۰۵ به بعد بهره‌وری دوباره شروع به کاهش کرد و به ۴/۱درصد در سال رسید یعنی تقریبا نصف آن‌چیزی که در دهه‌۱۹۹۰ تجربه شده بود. در واقع برخی با توجه به مشکل اندازه‌گیری بهره‌وری ناشی از فناوری  معتقد به وقوع پارادوکس دوم در بهره‌وری  هستند.

در شرایط حاضر جامعه‌، اکثر مردم روزانه حدود ۵/۸ساعت را به تماشای صفحه نمایش‌ها از گوشی‌های هوشمند گرفته تا لپ‌تاپ و تلویزیون می‌گذرانند. این نشان می‌دهد که محصولات دیجیتال بخش بزرگی از مصرف آنها حتی بزرگ‌تر از مصرف کالاهای فیزیکی و خدمات سنتی شده‌اند.

از منظر سنجش، معیار GDP یک اختراع شگفت‌انگیز در اقتصاد است که پل ساموئلسون آن را یکی از بزرگ‌ترین اختراعات قرن بیستم نامید اما  کاربست آن یک مشکل بزرگ دارد؛ چیزهایی که قیمت صفر دارند، به‌خوبی اندازه‌گیری نمی‌کند. برای مثال ارزش مصرف‌کننده از زوم‌، گوگل میت، چت‌جی‌پی‌تی‌، کلود‌، جیمینای‌، ویکی‌پدیا، جست‌وجوی گوگل، یا حتی شبکه‌های اجتماعی مانند اینستاگرام‌، تلگرام و واتساپ و … در آمار بهره‌وری محاسبه نمی‌شوند! البته ممکن است برخی اثرات اقتصادی مانند افزایش مصرف برق یا درآمد تبلیغاتی در GDP  دیده شود اما بخش اصلی منفعت مصرف‌کننده از این فناوری‌ها در آمار گم شده است. اقتصاد  حال حاضر دنیا به ‌طور فزاینده‌ای مبتنی بر کالاها و خدمات دیجیتال شده و این یعنی در حال از دست دادن بخش بزرگ‌تری از واقعیت‌ها در ادبیات سنجش هستیم.

در گوشی‌های هوشمند هم اکثر محتوایی که افراد روی آنها مصرف می‌کنند رایگان است یا هزینه مستقیمی ندارد بنابراین این ارزش به‌طور کامل در آمار GDP نادیده گرفته می‌شود. این موضوع  یک نکته فنی هم دارد که عبارت است از اینکه بهره‌وری به‌صورت تولید ناخالص داخلی تقسیم بر ساعات کار تعریف می‌شود. پس اگر GDP را اشتباه اندازه‌گیری کنیم، بهره‌وری هم اشتباه اندازه‌گیری خواهد شد اما یک سوال همیشگی این است که آیا این موضوع فقط مربوط به عصر دیجیتال است؟ زیرا در گذشته هم پیشرفت‌های عظیمی مانند بهبود سلامت عمومی در نیمه اول قرن بیستم اتفاق افتاد که ممکن است در GDP به‌درستی ثبت نشده باشد.

چاد استیونسون مقاله‌ جالبی در این زمینه نوشته است و استدلال می‌کند، ما همیشه مشکل اندازه‌گیری را داریم و در گذشته نیز این مشکل را داشتیم بنابراین شما واقعا باید یک اندازه‌گیری اشتباه را در مقابل اندازه‌گیری اشتباه دیگری مقایسه کنید که حتی انجام یکی از آنها سخت است، چه برسد به  انجام  هردوی آنها در یک زمان. این یکی از دلایلی است که چاد و  براین جلفسون به همراه دنیل راک مقاله‌ای نوشتند تا این موضوع را حل کنند. آنها در مطالعه خود به این نتیجه رسیده‌اند که خطای اندازه‌گیری کل داستان نیست، یا شاید حتی بخش اصلی داستان هم نباشد بلکه سازمان‌دهی مجدد یک بخش بسیار بزرگ از داستان است، به‌عبارت دیگر یعنی بازآفرینی اقتصاد بخش مهم داستان است. نوع بازآفرینی که برای عصر دیجیتال موردنیاز است، حداقل به بزرگی همان چیزی است که در عصر صنعتی شاهدش بودیم. در این باره براین جلفسون و همکارانش در دانشگاه استنفورد، شاخص جدیدی برای اندازه‌گیری تولید ناخالص داخلی یا بهتر بگوییم رفاه ایجاد کرده‌اند که به آن GDP-B می‌گویند. این شاخص تلاش می‌کند منافع مصرف‌کنندگان را اندازه‌گیری کند. به این معنی که حتی اگر شما به‌عنوان مصرف‌کننده برای یک محصول هیچ پولی پرداخت نکنید، ممکن است همچنان منفعت زیادی از آن ببرید. اگر از این منظر به قضیه نگاه کنیم، انقلاب دیجیتال در حال ایجاد هزاران میلیارد دلار رفاه مصرف‌کننده  در دنیاست، حتی اگر بابت آن پولی پرداخت نکنیم. براین جلفسون و همکاران  امیدوار هستند که این چارچوب جدید یعنی محاسبه  GDP-B به تدریج در کنار GDP سنتی استفاده شود چرا که هرچه اقتصاد دیجیتالی‌تر شود، کشورها نه‌تنها باید هزینه‌های خود را اندازه‌گیری کنند بلکه باید منافعی را که به دست می‌آورند را نیز در نظر بگیرند. مطالعات آنها با یک مقایسه‌ بین‌المللی  با انتخاب ۱۲کالای دیجیتال  نشان می‌دهد که  کشورهای ثروتمند سهم کمتری از رفاه کلی خود را از کالاهای دیجیتال نسبت به کشورهای فقیرتر یا با درآمد متوسط دریافت می‌کنند، به عنوان مثال، مکزیک و برزیل در واقع سهم بیشتری از رفاه کلی خود را از کالاهای دیجیتال دریافت می‌کنند و این منطقی به نظر می‌رسد. اگر شما فقیر باشید پول زیادی برای کالاهای لوکس و گران‌قیمت یا حتی تلویزیون خرج نخواهید کرد. ما بیشتر روی چیزهایی که رایگان هستند تمرکز خواهید کرد. شما می‌توانید به همان اندازه که هر کس دیگری از چیزهای رایگان استفاده کند، استفاده کنید، به شرطی که یک گوشی هوشمند داشته باشید که اکثر مردم دارند بنابراین این امر به نسبت، سهم بیشتری از رفاه شما را تشکیل می‌دهد. کالاهای دیجیتال هم چنین تمایل دارند تا حدی نابرابری را کاهش دهند زیرا تقریبا برای همه در دسترس هستند.

البته در مورد کالاهای دیجیتالی واقعیت منحنی بهره‌وری صادق است یعنی ابتدا بهره‌وری کاهش می‌یابد و سپس افزایش پیدا می‌کند. در این باره آنچه اتفاق می‌افتد این است که در ابتدا شما باید نیروی کار خود را بازآموزی کنید، زمان زیادی را صرف آموزش کنید و کارمندان باید به‌‌طور مستقل مسیر خود را پیدا کنند. شما فرآیندهای جدید کسب‌وکار ایجاد می‌کنید، حتی محصولات و خدمات جدید، سازمان‌های جدید ایجاد می‌کنید بنابراین در ابتدا تلاش زیادی انجام می‌شود اما ستانده قابل اندازه‌گیری وجود ندارد یعنی بهره‌وری کاهش می‌یابد و نهاده‌های  بیشتر صرف می‌کنید اما خروجی آن نزدیک به صفر است. بعد از گذشت زمان  و تحولات در کسب‌وکار، کارفرماها شروع به بهره‌برداری از این دستاوردها می‌کنند.

از دیدگاه یک اقتصاددان، اگر بخواهید ببینید اقتصاد چگونه تغییر خواهد کرد، باید به این نکته توجه کنید که همین چیزی که اکنون در قالب هوش‌مصنوعی در اختیار داریم، برای تاثیرگذاری بر درصد زیادی از مشاغل‌، شناختی کافی  ارائه می‌دهد و آنچه در چند سال آینده خواهیم دید، فقط این نسبت را افزایش خواهد داد. پس از نظر تحول اقتصادی، اقتصادها همین حالا هم درگیر یک انقلاب فناوری اقتصادی هستند. یک پیچیدگی جالب که با هوش‌مصنوعی وارد اقتصاد شده این است که این سیستم‌ها (‌به‌عنوان مثال مدل‌های زبانی بزرگ‌) از چه چیزی ساخته شده‌اند؟ جواب این است که از کدساخته شدند بنابراین اکنون اقتصاد وارد مرحله‌ای شده‌ که بهبود خودکار بازگشتی که ۵۰سال پیش در داستان‌های علمی‌تخیلی درباره آن صحبت می‌شد، در حال رخ دادن است. این می‌تواند به چیزی مانند «تکینگی» منجر شود؛ جایی که این سیستم‌ها خود را بهبود می‌دهند و سپس با سرعت فزاینده‌ای خود را بهبود می‌بخشند. البته مشخص نیست که آیا چنین انفجار سریعی رخ خواهد داد یا نه اما اگر با افراد فعال در شرکت‌های بزرگ هوش‌مصنوعی صحبت کنید، آنها اکنون به‌شدت از مدل‌های زبانی بزرگ و ابزارهای کدنویسی برای تولید نسل بعدی مدل‌های هوش‌مصنوعی استفاده می‌کنند. در واقع کدنویسی یکی از حوزه‌هایی است که می‌توان با آن داده‌های مصنوعی تولید و از آنها برای آموزش مدل‌ها استفاده کرد؛ به این صورت که مدل‌ها معماهایی طراحی، خودشان آنها را حل می‌کنند و از این طریق عملکردشان بهبود می‌یابد. اکنون آنها در حال پیشرفت در این زمینه هستند. باید ببینیم که داده‌های مصنوعی تا چه حد می‌توانند این روند را ادامه دهند اما این می‌تواند یکی از راه‌های گسترش ظرفیت مدل‌ها باشد زیرا تقریبا تمام داده‌های موجود در اینترنت قبلا برای آموزش آنها استفاده شده است بنابراین باید منابع جدیدی از داده‌ها یا روش‌های بهبود پیدا شود و این همان چیزی است که آنها در حال کار روی آن هستند. برخی مانند اریک اشمیت در مورد  فناوری هوش‌مصنوعی می‌گویند: «بله، این هزینه‌بر است اما اگر بخواهیم چالش‌های زیست‌محیطی خود را حل کنیم، به هوش بیشتری نیاز داریم. در بلندمدت افزایش هوش می‌تواند منجربه فناوری‌های بهتری برای انرژی خورشیدی و فرآیندهای صنعتی شود و این‌گونه می‌توان به مشکل انرژی غلبه کرد.»

نکته‌ دیگر این است که از وقتی مدل چینی دیپ سیک معرفی شد، بسیاری متوجه شدند که می‌توان با مدل‌های بسیار کوچک‌تر نیز توانایی‌های خارق‌العاده‌ای به دست آورد بنابراین حالا تمرکز بیشتری روی این موضوع هست که آیا می‌توانیم به/ جای بزرگ‌تر کردن مدل‌ها، آنها را بهینه‌تر کنیم؟ هیچ‌کس به ‌طور قطع نمی‌داند اما آنها در حال کار بر روی چندین بعد مختلف از بهینه‌سازی هستند. در مجموع همه امیدوارند که بتوانیم بدون افزایش چشمگیر مصرف انرژی، هوش بیشتری ایجاد کنیم.

در حیطه اقتصاددان‌ها، پاسخ قطعی در مورد اینکه ارزش نهایی هوش چقدر است بسیار سخت است. این یعنی اگر مرزهای مدل‌ها را گسترش دهیم و چند واحد معادل IQ به آنها اضافه کنیم، چقدر ارزش دارد؟ شاید صاحب یک فروشگاه معمولی نیازی به این نداشته باشد که اینشتین بیاید و قفسه‌هایش را مرتب کند اما قطعا به یک سیستم نسبتا هوشمند نیاز دارد که این کار را انجام دهد. وقتی به آنچه در اقتصاد رخ می‌دهد توجه شود، متوجه می‌شویم که همه کسب‌وکارها نیازی به تیمی از اینشتین‌ها ندارند که از اتوبوس پیاده شوند و به آنها مشاوره بدهند اما قطعا می‌توانند از کمک افراد نسبتا باهوش بهره‌مند شوند. یک مفهوم  کلیدی دیگر نیز در اقتصاد تحت عنوان «کشش هوش‌مصنوعی» وجود دارد یعنی با کاهش شدید هزینه‌ دسترسی به هوش بالا، مردم روش‌هایی برای استفاده حداکثری از آن پیدا خواهند کرد که با کاهش چشمگیر قیمت هوش، دوران امیدوار کننده‌ای را از منظر اقتصادی ترسیم می‌کند. با این اوصاف در حوزه اقتصاد دیجیتال و هوش‌مصنوعی اگر بازار به ‌درستی عمل کند، بیشتر این ارزش نصیب مصرف‌کنندگان خواهد شد، نه تولیدکنندگان. بیل نوردهاوس تخمین زده بود که حدود ۹۵درصد از سود حاصل از نوآوری‌ها در نهایت به مصرف‌کنندگان می‌رسد، نه به افرادی که آن را ایجاد می‌کنند بنابراین، هیچ تضمینی وجود ندارد که هرکسی که بهترین سیستم جدید را اختراع کند، بتواند به ‌طور کامل از آن بهره‌مند شود. در این باره  اینترنت یک قیاس بدی نیست که خانوارها از آن مزایای زیادی دیدند. این موج جدید هوش‌مصنوعی هم  از نظر منافع مصرف‌کننده و همچنین تعداد برندگان و بازندگان به‌‌مراتب بزرگ‌تر  از قبل خواهد بود. افراد زیادی در حال شرط‌بندی هستند که شرکت آنها برنده این رقابت خواهد شد اما قطعا همه آنها موفق نخواهند شد. در زمان هجوم طلا به کالیفرنیا نیز کسانی که بیشترین پول را درآوردند، معدنچیان طلا نبودند بلکه افرادی بودند که کلنگ، بیل و شلوار جین به آنها می‌فروختند. در قیاس با آن، انویدیا هم تقریبا در چنین موقعیتی در حوزه هوش‌مصنوعی قرار دارد. شرکت‌هایی که در حال انجام این سرمایه‌گذاری‌ها در حوزه هوش هستند، شرط بسته‌اند که مشتریان و مصرف‌کنندگان در آینده مبلغی چند برابر این هزینه‌ها را به آنها پرداخت خواهند کرد تا این سرمایه‌گذاری‌ها توجیه اقتصادی پیدا کند. نگاه  اندی مک‌آفی و براین جلفسون در کتاب «عصر دوم ماشین‌ها» این است که اکنون  در حوزه فناوری ما فقط عضلات خود را تقویت نمی‌کنیم بلکه در حال افزایش توانایی‌های ذهنی خود نیز هستیم و این یک رویداد عظیم در تاریخ است. سوال این است که چگونه باید اقتصاد را برای دنیایی بازطراحی کنیم که در آن ماشین‌ها نه تنها بیشتر کارهای فیزیکی را انجام می‌دهند بلکه هرروز بخش بیشتری از وظایف شناختی را نیز  بر عهده می‌گیرند؟ چگونه باید سیستمی ایجاد کنیم که نه تنها موجب رفاه شود بلکه این رفاه به ‌طور عادلانه توزیع شود؟ اکثر مردم درآمد اصلی خود را از کار کردن به دست می‌آورند اما اگر ماشین‌ها بتوانند این کارها را انجام دهند، باید به روش‌های جدیدی برای توزیع این مزایا فکر کنیم. سناریوی پیش‌فرض این است که مزایای بیشتر و بیشتر در دستان عده‌ای معدود متمرکز شود و ثروت و قدرت در اختیار افراد کمتری قرار بگیرد اما اگر نخواهیم این اتفاق بیفتد، باید فعالانه سیستم‌‌های اقتصادی خود را بازآفرینی کنیم تا اطمینان حاصل شود که مزایای این پیشرفت‌ها به ‌طور گسترده توزیع شوند.

چالش ایران

با گسترش سرمایه‌گذاری در حوزه ‎هوش‌مصنوعی، برخی مطالعات نشان می‌دهند که این موج می‌تواند منجر به افزایش قابل‌توجهی در رشد ‎تولید ناخالص داخلی شود. مدافعان سرسخت هوش‌مصنوعی حتی وارد حوزه‌ای فراتر می‌شوند و استدلال می‌کنند که ورود قریب‌الوقوع ‎هوش‌مصنوعی عمومی  می‌تواند تاثیری کاملا تحول‌آفرین داشته باشد؛ مثلا دریو آمودئی مدیرعامل شرکت آنتروپیک ادعا کرده است که پتانسیل هوش‌مصنوعی به ‌شدت دست‌کم گرفته شده و در صورت توسعه ایمن می‌تواند نوآوری‌هایی در زیست‌شناسی، علوم اعصاب و رشد اقتصادی ایجاد و حتی امراض را ریشه‌کن، فقر را کاهش دهد و همکاری جهانی را تقویت کند.

در صورتی که چنین دنیای فراوانی واقعا در افق باشد  یا حتی اگر تحقق آن تنها در آینده دور ممکن شود رصد دقیق نحوه وقوع این تحول حیاتی است. با این حال، همان‌گونه که در مطالعات بین‌المللی نشان داده شده، معیارهای اقتصادی سنتی هنوز برای ثبت تاثیرات اقتصاد دیجیتال «قدیمی» و چه رسد به اقتصاد مبتنی‌بر هوش مصنوعی کافی نیستند. به‌عنوان نمونه، تبدیل رشد تولید ناخالص داخلی به یک شاخص زودهنگام برای فناوری‌های تحول‌آفرین بسیار دشوار است؛ پژوهشگران نشان داده‌اند که فناوری‌هایی همچون نیروی بخار یا برق، دهه‌ها طول کشید تا در آمارهای رسمی نمود یابند و حتی زمانی که اثرات آنها آشکار شد، نتایج درآمدی اندازه‌گیری‌شده بسیار متواضع به نظر رسیدند.

در زمینه هوش‌مصنوعی نیز بسیاری از واقعیت‌های بنیادی هنوز ثبت یا کامل نیستند؛ برای مثال چند شرکت در ایران از هوش‌مصنوعی مولد استفاده می‌کنند؟ در چه بخش‌هایی؟ برای چه استفاده‌ای؟ ابزارهای هوش‌مصنوعی چگونه در بازاریابی، لجستیک یا خدمات مشتری به کار می‌روند؟ کدام شرکت‌ها عامل‌های هوش‌مصنوعی را عملیاتی کرده‌اند و چه کسانی واقعا از آنها استفاده می‌کنند؟ در بازار کار‌، رفاه مصرف‌کنندگان و تولیدکنندگان  چه اتفاقی خواهد افتاد؟ کدام شغل‌ها منسوخ و کدام شغل‌ها خلق می‌شوند؟ قیمت کالاها و خدمات متاثر از فناوری چه می‌شوند؟

با وجود گسترش سریع تحقیق در زمینه هوش‌مصنوعی، آنچه اکنون در ایران مورد نیاز است جمع‌آوری سیستماتیک داده‌ها  در کنار تحول در زمینه  استانداردهای حسابداری ملی‌، حساب‌های دولت و بنگاه‌هاست. آمارهای قابل اعتماد نه تنها به کسب‌وکارها کمک می‌کند تا تقاضا و فرصت را ارزیابی کنند بلکه به دولت امکان می‌دهد سیاست‌هایی طراحی کند که رشد را تقویت کرده و از مصرف‌کنندگان محافظت کنند در نتیجه پیشنهاد می‌شود که ایران علاوه بر پیگیری توسعه فناورانه هوش‌مصنوعی، به‌صورت همزمان به تاسیس چارچوب‌های اندازه‌گیری و شاخص‌گذاری نیز به دقت بپردازد و شاخص‌هایی مانند سرمایه‌گذاری در هوش‌مصنوعی، میزان مصرف داده‌ها، انرژی صرف‌شده، تعداد شرکت‌های مستقرشده با هوش‌مصنوعی، ترکیب بازار کار نسبت به مشاغل هوش‌محور، تغییرات ساختاری در صنایع و سهم فناوری هوش‌مصنوعی در بهره‌وری کل عوامل تولید و غیره را بسنجند. این رویکرد نه تنها می‌تواند نشان دهد که کشور تا کجا در مسیر تحقق فناوری هوش‌مصنوعی پیش رفته است بلکه امکان می‌دهد آثار آن بر متغیرهای کلان اقتصادی مانند رشد، اشتغال، سرمایه‌گذاری، بهره‌وری و ساختار صنعتی بهتر شناخته شود.

همانطورکه شاخص‌های ساختاری مانند تغییرات در ترکیب صنعتی و طراحی سازمانی مهم هستند به‌طور گسترده‌تر تصویر کامل‌تری از تغییرات ساختاری به ما کمک می‌کند تا اثرات اقتصادی گسترده‌تر هوش‌مصنوعی از تخصیص مجدد بخشی گرفته تا تغییر جریان‌های کاری را درک کنیم. متاسفانه چنین معیارهایی در حال حاضر کمتر  مورد توجه قرار دارند. در این زمینه  مشکل در همه جای دنیا هست اما در در ایران بدتر از متوسط جهان است  چراکه بسیاری از نهاد‌های آماری  در ایران  در آشفتگی به سر می‌برند و  فاصله  زیادی  با استانداردهای حسابداری بین‌المللی دارند. در کنار آن اکثر سیاستگذاران همچنان نسبت به استفاده از منابع و روش‌شناسی‌های داده جدید بیش از حد  غیر مطلع هستند.

محققان دانشگاهی کشور‌، از طرف خود، مشتاق بهبود نحوه سنجش و درک تاثیر اقتصادی هوش‌مصنوعی هستند. با این حال، در حال حاضر ما در همان موقعیت دوران ویکتوریایی دنیا در ایران قرار داریم که درباره نحوه تغییر شکل دنیای خود توسط قدرت بخار، راه‌آهن و تلگراف بیشتر از رمان‌های چارلز دیکنز و جورج الیوت  تا از آمارهای رسمی یاد گرفتند.