DOI: https://doi.org/10.1016/j.techfore.2024.123249
PMID: https://pubmed.ncbi.nlm.nih.gov/38562244
تاريخ النشر: 2024-02-13
المؤلف: Giacomo Damioli وآخرون
الموضوع الرئيسي: ابتكار الشركات والنمو
نظرة عامة
تبحث هذه الدراسة في تأثير ابتكار الذكاء الاصطناعي (AI) على نمو التوظيف من خلال تحليل مجموعة بيانات طولية تضم 4,184 شركة حصلت على براءات اختراع لتقنيات الذكاء الاصطناعي من 2000 إلى 2016. باستخدام تقدير GMM-SYS، تكشف النتائج عن تأثير إيجابي وذو دلالة على عائلات براءات اختراع الذكاء الاصطناعي على التوظيف، مع مرونة تقدر بحوالي 2%. يُلاحظ هذا التأثير بشكل أساسي في القطاعات الخدمية والشركات الشابة التي تقود ثورة الذكاء الاصطناعي. تشير الأبحاث أيضًا إلى وجود عوائد متزايدة، مما يدل على أن الشركات التي تركز أكثر على تقنيات الذكاء الاصطناعي تميل إلى تحقيق تأثيرات أكبر في خلق الوظائف.
على عكس الدراسات السابقة التي تناولت بشكل أساسي آثار توفير العمالة الناتجة عن الأتمتة، تبرز هذه الورقة الطبيعة الصديقة للعمالة للذكاء الاصطناعي كابتكار منتج في القطاعات العليا. بينما يُعتبر التأثير الإيجابي على التوظيف الناتج عن براءات اختراع الذكاء الاصطناعي ملحوظًا، إلا أنه محدود في نطاقه مقارنة بفقدان الوظائف المنسوب إلى الأتمتة في التصنيع السفلي. تدعو الدراسة إلى تفسير حذر لفوائد التوظيف لتقنيات الذكاء الاصطناعي وتقترح أن السياسات الصناعية والابتكارية يجب أن تعزز القطاعات الناشئة مع ضمان خلق وظائف تكاملية. بالإضافة إلى ذلك، تؤكد الحاجة إلى شبكات أمان وسياسات نشطة لسوق العمل لمعالجة فقدان الوظائف المحتمل بسبب اعتماد الذكاء الاصطناعي. يعترف المؤلفون بالقيود في تحليلهم، داعين إلى مزيد من الأبحاث لاستكشاف قرارات التوظيف داخل الشركات وتفاعلاتها مع استراتيجيات الابتكار.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التقدم الكبير في الذكاء الاصطناعي (AI) على مدى العقدين الماضيين، متوازية مع الثورات التكنولوجية التاريخية مثل ظهور تكنولوجيا المعلومات والاتصالات (ICT). بينما يتركز الكثير من النقاش الحالي حول الآثار السلبية المحتملة للذكاء الاصطناعي والأتمتة على التوظيف – وغالبًا ما يُشار إليها باسم “البطالة التكنولوجية” – يهدف المؤلفون إلى استكشاف الآثار الإيجابية الأقل فحصًا للذكاء الاصطناعي على خلق الوظائف ضمن جانب العرض، لا سيما بين مبتكري الذكاء الاصطناعي. يشيرون إلى أن الأدبيات الحالية تتناول بشكل أساسي آثار توفير العمالة الناتجة عن الذكاء الاصطناعي في القطاعات المستخدمة، مما يترك فجوة فيما يتعلق بفرص العمل التي تولدها الذكاء الاصطناعي والروبوتات في قطاعات التطوير والعرض.
يشير المؤلفون إلى الإطار الشمبترى، الذي يفترض أن التغيير التكنولوجي يمكن أن يؤدي إلى كل من الابتكارات العملية والمنتجات، مما يشير إلى أن الذكاء الاصطناعي يمكن أن يعمل في الوقت نفسه كابتكار موفر للعمالة في الصناعات المستخدمة وابتكار صديق للعمالة في الصناعات العرضية. تركز الدراسة على عينة من 4,184 شركة رائدة حصلت على براءات اختراع لتقنيات مرتبطة بالذكاء الاصطناعي بين عامي 2000 و2016، بهدف تقييم تأثير خلق الوظائف للذكاء الاصطناعي مع التحكم في محركات التوظيف الأخرى. تهدف الأبحاث إلى وصف الآثار الصديقة للعمالة للذكاء الاصطناعي عبر مختلف القطاعات وأعمار الشركات، مع التركيز بشكل خاص على الشركات ذات التركيز الأعلى من براءات اختراع الذكاء الاصطناعي. تم هيكلة الورقة لمراجعة الأدبيات الحالية أولاً، ثم توضيح المنهجية والبيانات والنتائج، مختتمة بالتداعيات على السياسات.
الطرق
في هذه الدراسة، نستخدم نموذج طلب العمل العشوائي القائم على دالة منفعة كوب دوغلاس لتحليل تأثير ابتكارات الذكاء الاصطناعي على التوظيف. يوسع النموذج دالة طلب العمل القياسية من خلال دمج عامل تكنولوجي لأخذ تأثير التغيير التكنولوجي على مستويات التوظيف في الاعتبار. تُعبر دالة طلب العمل على النحو التالي:
\[
l_{i,t} = \beta_1 y_{i,t} + \beta_2 w_{i,t} + \beta_3 I_{i,t} + \beta_4 \text{innov}_{i,t} + \mu_i + \epsilon_{i,t}
\]
حيث يمثل \(l\) العمل (مستوى التوظيف)، و\(y\) يشير إلى الناتج (الإيرادات)، و\(w\) يدل على الأجور (تكلفة العمل لكل موظف)، و\(I\) يشير إلى الاستثمارات الإجمالية (نمو رأس المال الثابت). تلتقط المتغير \(\text{innov}\) التغيير التكنولوجي من خلال عائلات براءات اختراع الذكاء الاصطناعي وغير الذكاء الاصطناعي، مما يؤدي إلى تحديد ديناميكي لمعالجة لزوجة طلب العمل:
\[
l_{i,t} = \alpha l_{i,t-1} + \beta_1 y_{i,t} + \beta_2 w_{i,t} + \beta_3 I_{i,t} + \beta_4 \text{innov}_{i,t} + \mu_i + \epsilon_{i,t}
\]
لتخفيف مشكلات التزامن والسببية، نستخدم نهج تقدير GMM النظامي، الذي يستخدم متغيرات آلية للحصول على تقديرات متسقة في سياقات بيانات اللوحات الديناميكية. تعالج هذه الطريقة السبب المحتمل في جميع المتغيرات التفسيرية، بما في ذلك الأجور والتوظيف، من خلال استخدام القيم المتأخرة والمختلفة كأدوات، مع دمج أيضًا دمى القطاع والدولة والسنة لتعزيز قوة النموذج.
النتائج
تستخدم التحليل الاقتصادي الكمي المقدم في هذا القسم تقدير SYS-GMM من خطوة واحدة على مجموعة بيانات تضم 28,840 ملاحظة من 4,184 شركة تعمل في براءات اختراع الذكاء الاصطناعي. تتماشى النتائج الأساسية، كما هو موضح في الجدول 3، مع الدراسات السابقة، كاشفة عن معاملات ذات دلالة للمتغيرات التفسيرية. يُظهر التوظيف المتأخر تأثيرًا إيجابيًا كبيرًا (0.45)، مما يدل على طلب مستمر على العمل، بينما يُظهر الإيرادات أيضًا تأثيرًا إيجابيًا كبيرًا (0.37). على العكس، فإن تكلفة العمل لكل موظف لها تأثير سلبي قوي (-0.48)، وتظهر الاستثمارات الإجمالية تأثيرًا إيجابيًا هامشيًا (0.03).
تشير التحليلات أيضًا إلى أن مرونة طلب العمل بالنسبة لعائلات براءات اختراع الذكاء الاصطناعي وغير الذكاء الاصطناعي تتراوح بين 2.2% إلى 2.3%، مما يدعم فكرة أن الابتكار في المنتجات صديق للعمالة. ومع ذلك، عند تقييم جودة البراءات، تُظهر فقط عائلات براءات اختراع الذكاء الاصطناعي تأثيرًا إيجابيًا ذا دلالة إحصائية على التوظيف، بينما لا تصل براءات الاختراع غير الذكاء الاصطناعي إلى مستويات الدلالة التقليدية. تشير هذه الفجوة إلى الحاجة إلى مزيد من التحقيق في تأثيرات التركيب بين فئات مختلفة من الشركات، حيث تشير النتائج إلى أن التأثير المتوقع الصديق للعمالة للابتكار قد لا يتم تجربته بشكل موحد عبر القطاع.
المناقشة
تسلط قسم المناقشة في الورقة الضوء على النقاش المستمر في الأدبيات الاقتصادية بشأن تأثير الذكاء الاصطناعي (AI) والروبوتات على التوظيف. بينما تركز الكثير من الأبحاث الحالية على آثار توفير العمالة الناتجة عن هذه التقنيات، تقدم الدراسات الحديثة وجهة نظر أكثر تعقيدًا. على سبيل المثال، يتوقع فري وأوزبورن (2017) أن 47% من الوظائف معرضة لخطر الأتمتة، مما يؤثر بشكل أساسي على المهن ذات المهارات المنخفضة والمتوسطة. في المقابل، يجادل أرنتز وآخرون (2016، 2017) بأن 9% فقط من الوظائف معرضة للخطر عند النظر في تباين المهام داخل المهن. تشير تحليلات تجريبية أخرى، مثل تلك التي أجراها نيديلكوسكا وكوينتيني (2018) وبوليكاس (2018)، إلى أنه بينما قد تواجه نسبة كبيرة من الوظائف مخاطر الأتمتة، يختلف التأثير الفعلي عبر القطاعات وأنواع الوظائف.
تنتقد الورقة أيضًا التركيز السائد على الآثار السلبية للتوظيف الناتجة عن الذكاء الاصطناعي والروبوتات، داعية إلى فحص أكثر توازنًا يتضمن إمكانية الابتكارات في المنتجات لخلق وظائف. يجادل المؤلفون بأنه بينما قد تؤدي الابتكارات العملية إلى فقدان الوظائف، يمكن أن تحفز الابتكارات في المنتجات – خاصة تلك المدفوعة بالذكاء الاصطناعي – خلق الوظائف، لا سيما في القطاعات الخدمية وبين الشركات الرائدة في تطوير الذكاء الاصطناعي. تتماشى هذه النظرة مع الأدلة التاريخية التي تشير إلى أن الابتكارات في المنتجات ضرورية لنمو الوظائف. يقترح المؤلفون أن الآثار الصديقة للعمالة لابتكارات الذكاء الاصطناعي قد تتركز بين الشركات الشابة والمبتكرة، لا سيما تلك التي تشارك بشكل كبير في تقنيات الذكاء الاصطناعي، مما يستدعي مزيدًا من التحقيق في تباين مبتكري الذكاء الاصطناعي وتأثيراتهم المتفاوتة على التوظيف.
DOI: https://doi.org/10.1016/j.techfore.2024.123249
PMID: https://pubmed.ncbi.nlm.nih.gov/38562244
Publication Date: 2024-02-13
Author(s): Giacomo Damioli et al.
Primary Topic: Firm Innovation and Growth
Overview
This study investigates the impact of artificial intelligence (AI) innovation on employment growth by analyzing a longitudinal dataset of 4,184 firms that patented AI technologies from 2000 to 2016. Utilizing GMM-SYS estimation, the findings reveal a positive and significant effect of AI patent families on employment, with an estimated elasticity of approximately 2%. This effect is primarily observed in service sectors and younger firms that are leading the AI revolution. The research also suggests the presence of increasing returns, indicating that companies more focused on AI technologies tend to achieve greater job creation impacts.
In contrast to previous studies that primarily examined the labor-saving effects of automation, this paper highlights the labor-friendly nature of AI as a product innovation in upstream sectors. While the positive employment impact from AI patenting is notable, it is limited in scope compared to the job losses attributed to automation in downstream manufacturing. The study calls for cautious interpretation of the employment benefits of AI technologies and suggests that industrial and innovation policies should promote emerging sectors while ensuring complementary employment creation. Additionally, it emphasizes the need for safety nets and active labor market policies to address potential job displacement due to AI adoption. The authors acknowledge limitations in their analysis, advocating for future research to explore employment decisions within firms and their interactions with innovation strategies.
Introduction
The introduction of this research paper highlights the significant advancements in artificial intelligence (AI) over the past two decades, paralleling historical technological revolutions such as the rise of information and communication technologies (ICT). While much of the current discourse centers on the potential negative impacts of AI and automation on employment—often referred to as “technological unemployment”—the authors aim to explore the less examined positive effects of AI on job creation within the supply side, particularly among AI innovators. They note that existing literature predominantly addresses the labor-saving effects of AI in user sectors, leaving a gap regarding the employment opportunities generated by AI and robotics in the development and supply sectors.
The authors reference the Schumpeterian framework, which posits that technological change can lead to both process and product innovations, suggesting that AI can simultaneously act as a labor-saving innovation in user industries and a labor-friendly innovation in supply industries. The study focuses on a sample of 4,184 leading companies that patented AI-related technologies between 2000 and 2016, aiming to assess the job-creation impact of AI while controlling for other employment drivers. The research intends to characterize the labor-friendly effects of AI across various sectors and firm ages, particularly emphasizing firms with a higher concentration of AI patents. The paper is structured to first review existing literature, then outline the methodology, data, and results, concluding with implications for policy.
Methods
In this study, we employ a stochastic labour demand model based on a Cobb-Douglas utility function to analyze the impact of AI innovations on employment. The model extends a standard labour demand function by incorporating a technology factor to account for technological change’s influence on employment levels. The labour demand function is expressed as:
\[
l_{i,t} = \beta_1 y_{i,t} + \beta_2 w_{i,t} + \beta_3 I_{i,t} + \beta_4 \text{innov}_{i,t} + \mu_i + \epsilon_{i,t}
\]
where \(l\) represents labour (employment level), \(y\) denotes output (turnover), \(w\) indicates wages (labour cost per employee), and \(I\) refers to gross investments (growth in fixed capital). The variable \(\text{innov}\) captures technological change through AI and non-AI patent families, leading to a dynamic specification to address labour demand viscosity:
\[
l_{i,t} = \alpha l_{i,t-1} + \beta_1 y_{i,t} + \beta_2 w_{i,t} + \beta_3 I_{i,t} + \beta_4 \text{innov}_{i,t} + \mu_i + \epsilon_{i,t}
\]
To mitigate issues of simultaneity and endogeneity, we utilize a system GMM estimation approach, which employs instrumental variables to yield consistent estimates in dynamic panel data contexts. This method addresses potential endogeneity in all explanatory variables, including wages and employment, by using lagged and differenced values as instruments, while also incorporating sector, country, and year dummies to enhance model robustness.
Results
The econometric analysis presented in this section utilizes one-step SYS-GMM estimation on a dataset comprising 28,840 observations from 4,184 firms engaged in AI patenting. The baseline results, as detailed in Table 3, align with previous studies, revealing significant coefficients for the explanatory variables. Notably, lagged employment exhibits a substantial positive effect (0.45), indicating persistent labor demand, while turnover also shows a significant positive impact (0.37). Conversely, labor cost per employee has a strong negative effect (-0.48), and gross investments show a marginally significant positive effect (0.03).
The analysis further indicates that the elasticity of labor demand with respect to AI and non-AI patent families ranges from 2.2% to 2.3%, supporting the notion that product innovation is employment-friendly. However, when assessing patent quality, only AI patent families demonstrate a statistically significant positive effect on employment, while non-AI patents do not reach conventional significance levels. This discrepancy suggests a need for further investigation into the composition effects among different categories of firms, as the findings imply that the anticipated labor-friendly impact of innovation may not be uniformly experienced across the sector.
Discussion
The discussion section of the paper highlights the ongoing debate in economic literature regarding the impact of artificial intelligence (AI) and robotics on employment. While much of the existing research emphasizes the labor-saving effects of these technologies, recent studies present a more nuanced view. For instance, Frey and Osborne (2017) predict that 47% of jobs are at high risk of automation, primarily affecting low- and middle-skilled occupations. In contrast, Arntz et al. (2016, 2017) argue that only 9% of jobs are at risk when considering task heterogeneity within occupations. Further empirical analyses, such as those by Nedelkoska and Quintini (2018) and Pouliakas (2018), suggest that while a significant portion of jobs may face automation risks, the actual impact varies across sectors and job types.
The paper also critiques the prevailing focus on the negative employment effects of AI and robotics, advocating for a more balanced examination that includes the potential for product innovations to create jobs. The authors argue that while process innovations may lead to job displacement, product innovations—especially those driven by AI—can stimulate job creation, particularly in service sectors and among leading firms in AI development. This perspective aligns with historical evidence suggesting that product innovations are crucial for job growth. The authors propose that the labor-friendly effects of AI innovations may be concentrated among younger, innovative firms, particularly those that are heavily involved in AI technologies, thus warranting further investigation into the heterogeneity of AI innovators and their varying impacts on employment.