AI-forradalomból végül AI-lufi lesz?

A mesterséges intelligencia az elmúlt évek egyik legintenzívebben tárgyalt technológiai fejleménye, amelyet sokan a következő ipari forradalomként értelmeznek. A várakozások szerint az AI érdemben növelheti a termelékenységet, átalakíthatja a munkaerőpiacot, és új növekedési pályára állíthatja a gazdaságot. Ugyanakkor egyre több empirikus vizsgálat utal arra, hogy ezek a hatások rövid távon jóval korlátozottabbak, mint amit a piaci és médiabeli narratívák sugallnak.

Cikkünkben azokat a friss, adatvezérelt kutatásokat tekintjük át, amelyek a ChatGPT megjelenése óta vizsgálják az AI elterjedését és gazdasági hatásait. Különösen a termelékenységre, a munkaerőpiacra és a vállalati alkalmazkodásra fókuszálunk. Célunk annak feltárása, hogy a jelenlegi empirikus bizonyítékok alapján az AI inkább már mérhető gazdasági fordulatot jelent-e, vagy egyelőre egy várakozások által vezérelt technológiai ciklusban vagyunk. Témáink:

• Melyek az AI gazdasági hatásai?
• Megtorpant az AI adoptáció?
• Az AI gazdasági hatása egyelőre nulla?
• Az AI-adatközpontok és a fenntarthatóság
• Számítási teljesítmény verseny
• Nincs bizonyíték az általános mesterséges intelligenciára?
• AI hatása a következő 3 évben
• Az AI-hoz kapcsolódó bizonytalanság mérése

Melyek az AI gazdasági hatásai?

Korábbi cikkünkben (lásd itt ) már áttekintettük a mesterséges intelligencia (AI) gazdasági növekedésre, termelékenységre és vállalati teljesítményre gyakorolt hatásait. Az ott bemutatott empirikus eredmények alapján az AI hosszú távú gazdasági hatásai egyelőre korlátozottan mérhetők, ugyanakkor biztató jelek mutatkoznak a termelékenység és a vállalati pénzügyi teljesítmény területén. A várható hatásokat tekintve azonban jelentős eltéréseket találunk, így például az iparági szereplők, például a McKinsey Global Institute (2023) vagy a Goldman Sachs (2023) elemzése évi 1,5-3,5 százalékponttal magasabb GDP-növekedést vár az AI széles körű elterjedésétől, és az elkövetkező évtizedet új technológiai forradalomként állítják be. Ezek az előrejelzések ugyanakkor ritkán támaszkodnak ellenőrzött empirikus módszertanra. Ezzel szemben az akadémiai kutatások (például Acemoglu, 2024) jóval óvatosabb becsléseket fogalmaznak meg. Példál Acemoglu szerint az AI hatása a gazdasági növekedésre valószínűleg mérsékelt, és inkább a tőkejövedelmek növekedésében és a jövedelmi egyenlőtlenségek erősödésében mutatkozhat meg, mintsem a GDP ugrásszerű emelkedésében. Saját modelljei szerint a következő tíz évben 0,5-0,9 százalékpont között alakulhat, a GDP-növekedés pedig legfeljebb 1-1,5 százalékponttal lehet magasabb az alappályánál.  A gazdasági növekedésre gyakorolt szerepe mellett az AI munkaerőpiacra gyakorolt hatása sem tisztázott. Bár a médiában többnyire az automatizáció és a munkahelyek megszűnése kerül előtérbe, de a témára fókuszáló vizsgálatok ennél jóval árnyaltabb képet mutatnak. A mesterséges intelligencia nem pusztán helyettesítő (replacing), hanem kiegészítő (enabling) technológia is lehet, azaz sok esetben nem váltja ki az emberi munkát, hanem növeli annak hatékonyságát vagy új feladatokat teremt (részletek itt).

Megtorpant az AI adoptáció?

A mellékelt ábrát a U.S. Census Bureau BTOS felmérése alapján készítettük. A felmérésben a vállalatokat arról kérdezték, hogy tervezik-e a mesterséges intelligencia (AI) használatát termékeik vagy szolgáltatásaik előállításában a következő hat hónapban. Az adatok szerint az AI-adoptációs ráta folyamatosan emelkedik. A növekedés különösen a nagyvállalatok körében látványos, miközben a kisebb cégek lassabban alkalmazkodnak. Más technolgóiákkal összevetve az AI adoptáció terjedési gyorsasága példa nélküli.  Érdekesség, hogy 2025 február és augusztus között az összesített (magenta színnel jelölt) érték átmeneti stagnálást, sőt enyhe csökkenést mutatott. Bár ez a visszaesés nem festett túl kedvező jövőképet, ugyanakkor őszre ismét emelkedést figyelhettünk meg. Érdemes megjegyezni, hogy a nagyvállalatok körében mérsékelt csökkenés tapasztalható az AI bevezetését tervezők arányában (lila színnel, 500+ fő, utolsó érték).

forrás: saját szerkesztés

Az AI gazdasági hatása egyelőre nulla?

A témával kapcsolatos egyik legújabb kutatás (Humlum, 2025) a nagy nyelvi modellek megjelenése óta vizsgálta a munkaerőpiaci és gazdasági hatásokat. A kutatás 2023-2024 közötti időszakon zajlott és 25 ezer munkavállalót, 7000 vállalattól vontak be. Elsősorban azokra a foglalkozási csoportokra fókuszáltak, ahol a generatív AI használata a legelterjedtebb (könyvelők, pénzügyi tanácsadók, HR-szakemberek, ügyfélszolgálatosok, marketing, újságírók, jogászok, tanárok, fejlesztők). Az alábbi ábra azt mutatja, hogy az AI-t használó dolgozók (adopters néven) a 2023-2024 közötti időszakon jobban jártak-e a munkaerőpiacon, mint azok, akik nem használtak (non-adopters) ilyen eszközöket. Amit az ábrán ki kell emelni, hogy a pontbecslések körüli konfidencia intervallum tartalmazza a nullát, azaz nincs statisztikailag szignifikáns különbség az AI-használók és a nem használók között sem a bérek, sem a munkaidő (alsó ábra) terén.

forrás: Humlum, 2025

A szerzők minden vizsgált mutató (bér, ledolgozott munkaidő, foglalkoztatás) esetében nulla eredményre jutottak, azaz a generatív AI-t használó dolgozók semmilyen kimutatható előnyre nem tettek szert a munkaerőpiacon. Ráadásul a hatások nemcsak statisztikailag nem szignifikánsak, de gazdaságilag is elhanyagolhatók a különbségek. A probléma tehát az, hogy bár a technológia gyorsan elterjedt (a dolgozók  közel fele már használ valamilyen AI-eszközt), de munkaerőpiaci mutatókban (bérek, foglalkoztatás, munkaidő) nem látható, nem mérhető változás.

A fentiekkel azonos következtetésre jutott a Bick, Blandin és Deming (2024) által készített tanulmány is. A kutatás kimutatta, hogy a generatív mesterséges intelligencia minden korábbi technológiánál gyorsabban terjed, azaz az amerikai felnőttek 40 százaléka már használta, 28 százalékuk a munkája során használja, és 10 százalékuk napi szinten alkalmazza. Ennek ellenére az összes ledolgozott munkaidőnek csupán 0,5-3,5 százaléka történik AI segítségével, ezért a termelékenységre gyakorolt hatása elenyésző. A szerzők becslése szerint ez mindössze 0,1-0,9 százalékpontos termelékenységnövekedést eredményezett a vizsgált időszakon.

Ennek oka, hogy a generatív mesterséges intelligenciát a legtöbben időmegtakarításra, ötletelésre és szövegjavításra használják, nem pedig az emberi munka kiváltására. A feladatok többségében tehát az AI segédeszközként funkcionált, és nem helyettesítette a dolgozót (lásd első bekezdésünk enabling vs. replacing összevetését). Mindez azt is jelenti, hogy a gazdasági médiában gyakran hangoztatott várakozásokkal szemben rövid távon nem fenyeget tömeges munkahelyvesztés, ugyanakkor a hatékonyságjavulás is korlátozott.

AI hatása a következő 3 évben

A témában megjelent legújabb, közel 6000 vállalatvezető válaszán alapuló nemzetközi felmérés (USA, Egyesült Királyság, Németország, Ausztrália) szerint a cégek mintegy 70 százaléka már használ valamilyen AI-megoldást. A felhasználás azonban meglepően koncentrált, nagyrészt a szövegírás, kutatás, kódolás, ügyfélszolgálat és dokumentumfeldolgozásra terjed ki. A felmérés egyik legerősebb megállapítása, hogy a cégek 80-90 százaléka szerint az AI-nak az elmúlt három évben nem volt mérhető hatása sem a foglalkoztatásra, sem a termelékenységre. Az alábbi képen a termelékenységre gyakorolt hatás látható. A grafikonon látható, hogy a vállalatok túlnyomó többsége „no impact”-et jelölt meg, a a negatív és pozitív hatások aránya minimális, és az átlagos termelékenységre gyakorolt hatás +0,3 százalék három év alatt.

Forrás: SSRN

Miközben a múlt csalódást keltően gyenge hatásokat mutat, a vállalatvezetők várakozásai már jóval optimistábbak. A következő három évre:

• termelékenység: +1,4%,
• kibocsátás: +0,8%,
• foglalkoztatás: -0,7%.

Az alábbi képen látható termelékenységgel összefüggő grafikon is ezt mutatja, és a következő 3 évre a várakozások már 1-2 százalékos növekedést mutatnak, főleg az USA-ban.

Forrás: SSRN

Az AI-adatközpontok és a fenntarthatóság

Több vizsgálat is foglalkozik az AI-adatközpontok növekvő energia- és vízigényével, mely hosszabb távon fenntarthatatlanná teheti az AI-fejlesztések jelenlegi ütemét. Például az U.S. Department of Energy (2023–2024) adatai szerint az Egyesült Államokban az adatközpontok a teljes villamosenergia-fogyasztás 4,4 százalékát teszik ki jelenleg, és ez az arány 2028-ra elérheti a 12 százalékot. Ehhez tegyük hozzá, hogy a növekvő energiafelhasználás emeli az elektromos áram árát, ezáltal növeli a háztartások költségeit és felfelé hajtja az inflációt. Ráadásul az AI-adatközpontok működése ebben a formában a gazdaság dekarbonizációs céljaival is ellentétes, hiszen az energiaigény növekedése fosszilis forrásokra is támaszkodik.

Korábban számos tanulmány foglalkozott azzal,  hogy a kriptobányászat milyen mértékű energiaigénnyel, környezetszennyezéssel jár (lásd itt). Az újabb vizsgálatok ma már hasonló problémákat vetnek fel a mesterséges intelligenciával összefüggésben, Például Li et al. (2025) számításai szerint egy 100 szavas ChatGPT-válasz előállítása körülbelül 1,5 liter vizet igényel, figyelembe véve a helyi hűtési és energiatermelési vízfelhasználást.

Vries-Gao 2025-ben publikált számításai szerint 2025 végére az AI-rendszerek már a globális adatközponti energiafelhasználás mintegy 20 százalékát adták. A növekedés üteme jelenleg exponenciális, azaz 2025 végén az AI-rendszerek teljes áramigénye 11-12 gigawatt körül alakult, de 2025 végére a fogyasztás elérheti a 23 gigawattot. Ez meghaladja a kriptobányászat jelenlegi energiafogyasztását, és kétszerese Hollandia teljes villamosenergia-felhasználásának (lásd alábbi képen).

Vries-Gao szerint a nagy technológiai vállalatok tisztában vannak a problémával, de szándékosan nem közölnek pontos adatokat az energiafelhasználásról. A Google például 2019 és 2021 között még nyilvánosan jelezte, hogy az AI a vállalat teljes energiaigényének 10-15 százalékát tette ki, de a ChatGPT megjelenése és az AI-láz elindulása után már nem tett közzé új adatokat. A fentiek egyúttal azt is jelentik, hogy az iparág átláthatatlansága miatt a döntéshozók sem látják pontosan, mekkora környezeti terheléssel jár az AI.

Vries-Gao (2025)

Számítási teljesítmény verseny

A mesterséges intelligencia fejlesztése körüli verseny mára gyakorlatilag a hidegháborús időszakot idéző fegyverkezési küzdelemmé vált, amelyben az Egyesült Államok, Kína és a legnagyobb amerikai technológiai vállalatok a meghatározó szereplők. Amellett, hogy az általános mesterséges intelligencia (AGI) megvalósításának koncepciója hiányzik, vélhetően elegendő számítási kapacitás sem lenne egy ilyen rendszer kifejlesztéséhez, mert az újabb modellek számítási kapacitása jelentős. Például a Musk-féle Grok 2 modell betanításához mintegy 20 ezer H100 chipre volt szükség, és a Grok fejlettebb változatának (Grok 3) már 100 ezer NVIDIA H100 chipre van szüksége.  Jelenleg a legnagyobb szereplők (Amazon, Google, Meta és Microsoft) mintegy 8 millió H100 chipet használnak, miközben az NVIDIA teljes éves gyártási kapacitása 6-7 millió darabra tehető. A kapacitáshiány rövid távon új beruházásokkal enyhíthető, azonban ezek a fejlesztések gyakran nem piaci racionalitás, hanem a technológiai verseny mentén valósulnak meg. Az adatközpont- és chipgyártási beruházások sok esetben állami támogatásokra és befektetői eufóriára épülnek, miközben a tényleges gazdasági megtérülés bizonytalan. Jelenleg az a szemlélet a meghatározó, hogy az Egyesült Államok és a vezető technológiai vállalatok csak a gyorsaságban és méretben bízhatnak technológiai fölényük megőrzésében. Mondhatjuk azt, hogy egy „számítási fegyverkezési verseny” indult el, mely azonban nem feltétlenül racionális gazdasági alapokon nyugszik, és megágyazhat egy tőkepiaci buborék kialakulásának.

Nincs bizonyíték az általános mesterséges intelligenciára?

A generatív AI modelleknek nagyon sok kritikusa van a tudomány világából (legfőképpen Gary Markus, akinek korábbi tanulmányát már összegeztük itt). A fő probléma, hogy a nyelvi modellek egy statisztikai mintázatfelismerő gépek, amelyek csak előrejelzik a legvalószínűbb szavakat, anélkül hogy megértenék a jelentést. Ezért képesek látszólag értelmes, de sokszor hibás válaszokat adni, melyek mellőzik a logikus érvelést.

Az MIT és a Harvard kutatói kimutatták, hogy a legnagyobb nyelvi modellek nem képesek valódi megértésre, csak mintázatok felismerésére. Bár a kutatásban a modelleknek Kepler könyveit és a teljes fizikai tudásanyagot is betanították, ezek a rendszerek nem értették meg a mögöttes törvényeket, például a gravitáció elvét. A modellek képesek voltak előrejelezni a bolygók mozgását, de nem ismerték fel azokat az elveket, amelyek ezt irányítják. A kutatók szerint a mesterséges intelligencia jelenlegi formái csak heurisztikákat tanulnak meg, de nem alakítanak ki általános világképet, azaz megtanulják az adatot, de nem értik a világot.

MIT-kutatói egy másik közleményben empirikus vizsgálatokkal támasztották alá, hogy a generativ rendszerekkel kapcsolatos várakozások túlzók. Például:

• AI és munkahelyek: az elbocsátások száma csekély, és csak olyan ágazatokban jellemző, ahol az automatizáció már korábban is jelentős volt.
• Üzleti transzformáció: az AI-használat széles körű, de a mély átalakulás ritka, a vállalatok mindössze 5%-a integrálta az AI-t teljes működésébe, és 9 iparágból 7-ben nem történt szerkezeti változás.
• Fejlesztési akadályok: nem a modellek minősége vagy a jogi kockázatok a fő probléma, hanem az, hogy az AI-rendszerek rosszul illeszkednek a vállalati munkafolyamatokhoz és nem tanulnak hatékonyan valós környezetben.

Az AI-hoz kapcsolódó bizonytalanság mérése

A mesterséges intelligenciával kapcsolatos bizonytalanság többféleképpen is mérhető. Ezek közül most két módszert mutatunk be. Az egyik a híralapú megközelítés, a másik a pénzügyi piacokból, azon belül az opciós árakból kiolvasható bizonytalanság.

A híralapú megközelítés lényege, hogy azt figyeljük, milyen gyakran jelenik meg az AI a sajtóban, és milyen szövegkörnyezetben bukkan fel. Ennek lehetséges megoldása az alábbi ábrán látható AI-EU index, amely az AI-ra és a gazdaságra utaló szavak mellett a bizonytalanságra utaló kifejezéseknek is figyelembe veszi.  Ez a mutató tehát nem az AI jelenlétét, népszerűségé méri a médiában, hanem kifejezetten az AI-val kapcsolatos gazdasági bizonytalanság sajtóbeli intenzitását.

A módszer előnye, hogy napi gyakorisággal követhető vele, mikor erősödik fel az AI körüli aggodalom vagy bizonytalanság. Mivel az elemzés nagyszámú amerikai újságcikkre épül, az index jól mutatja, mikor kerül az AI a gazdasági közbeszéd fókuszába. Fontos technikai elem, hogy a nyers találatszámokat elosztjuk az adott napi összes újságcikk számával, így az indexet nem torzítja az, ha idővel nő a megfigyelt lapok vagy cikkek száma. A képen az látható, hogy az AI-hoz kapcsolódó bizonytalanság 2025 év végén volt a legmagasabb. 

forrás: saját szerkesztés (az indikátor itt érhető el: https://huncert.eu/AI-uncert/)

A másik esetben az opciós piacból indulunk ki. Itt nem azt figyeljük, mit írnak az újságok, hanem azt, hogy a befektetők milyen jövőbeli árfolyamkockázatot áraznak az AI-hoz kötődő részvényekben. Az alábbi grafikonon több meghatározó AI-részvény  (például Nvidia, Microsoft, Alphabet, Meta, AMD vagy Palantir) opciós adataiból becsüljük meg, hogy milyen valószínűséget tulajdonít a piac egy jelentős árfolyamesésnek.

A számítás menete közérthetően úgy foglalható össze, hogy a a Black–Scholes képlet segítségével kiszámítjuk az implikált volatilitásokat, vagyis azt a volatilitást, amely összhangban van a piaci opciós árakkal. Ezekből az implikált volatilitásokból felrajzolunk egy simított volatilitási görbét a különböző kötési árak mentén. A következő lépésben ebből a görbéből levezetjük az úgynevezett kockázatsemleges sűrűségfüggvényt, amely megmutatja, milyen jövőbeli árfolyameloszlást áraz a piac.

A bizonytalanság mutatója ebben az esetben úgy jelenik meg, hogy kiszámoljuk, mekkora annak a valószínűsége, hogy az adott részvény ára a jelenlegi szint 70 százaléka alá esik a kiválasztott időhorizonton. Ez tekinthető egy „crash probability” típusú mutatónak. Minél nagyobb ez az érték, annál erősebb lefelé mutató kockázatot áraz a piac. Ezt követően az egyedi részvényeket összevonva képezünk egy az AI-részvénykosárra egy átlagos kockázati mutatót. Ezt végül összehasonlítjuk az S&P 500-at leképező SPY ETF megfelelő mutatójával. Ha az AI-részvénykosár összeomlási valószínűsége nagyobb, mint a széles piacé, akkor az ebből képzett index 1 fölé kerül. Ez arra utalhat, hogy az AI-hoz kötődő részvényekben a piac az átlagnál nagyobb lefelé mutató kockázatot, sérülékenységet vagy akár buborékszerű túlárazottsági kockázatot lát.

Az alább ábra azt mutatja, hogy az AI-részvénykosár kockázatsemleges eloszlása laposabb és vastagabb bal oldali farokkal rendelkezik, mint a benchmarkként használt SPY eloszlása, vagyis a piac az AI-részvények esetében nagyobb lefelé mutató szélsőséges kockázatot áraz. A pirossal jelölt crash-határhoz tartozó bal oldali terület alapján az AI-hoz kapcsolódó részvényeknél a jelentős árfolyamesés valószínűsége magasabb. A példában szereplő esetben az átlagos, 2,89%-os crash valószínűség önmagában nem tűnik magasnak, ugyanakkor ez az érték mintegy 54-szerese a benchmarkként használt SPY esetében becsült crash valószínűségnek.

forrás: saját szerkesztés (az indikátor itt érhető el: https://huncert.eu/AI-crash-risk/)

Összegzés

Összességében az eddig rendelkezésre álló (hangsúlyozottan rövid időszakot lefedő) empirikus eredmények azt mutatják, hogy a mesterséges intelligencia gyors terjedése egyelőre nem járt együtt széles körben mérhető makrogazdasági hatásokkal. A termelékenységre, bérekre és foglalkoztatásra gyakorolt hatások a legtöbb vizsgálatban statisztikailag nem szignifikánsak vagy gazdaságilag csekélyek. Ennek egyik fő oka, hogy az AI jelenleg elsősorban kiegészítő technológiaként jelenik meg, amely a meglévő munkafolyamatokat támogatja, de ritkán váltja ki azokat.

Ezzel párhuzamosan a vállalati és befektetői várakozások jóval optimistábbak, ami részben a jövőbeli alkalmazási lehetőségekbe vetett hitet, részben pedig a technológiai verseny dinamikáját tükrözi. Az AI-hoz kapcsolódó beruházások, főleg az adatközpontok és számítási kapacitások terén, jelentős erőforrásokat kötnek le, miközben ezek gazdasági megtérülése egyelőre bizonytalan.

A jelenlegi bizonyítékok alapján az AI inkább egy korai adaptációs szakaszban lévő technológiának tekinthető, ahol a használat gyorsan terjed, de a gazdasági hatások csak korlátozottan jelennek meg az aggregált mutatókban. Ez azonban nem zárja ki, hogy középtávon jelentősebb hatások alakuljanak ki, különösen akkor, ha a technológia mélyebben integrálódik a vállalati működésbe és a termelési folyamatokba. Azt láthatjuk, hogy az AI-val kapcsolatos optimista narratívák és a jelenleg mérhető gazdasági hatások között jelentős az eltérés.