A mesterséges intelligencia (AI) gazdasági, tőkepiaci hatásai

A mesterséges intelligencia terjedése egyre több kérdést vet fel a gazdasági növekedéssel, a munka termelékenységével és a vállalatok pénzügyi teljesítményével kapcsolatban. Egyre több kísérlet és vállalati adat áll rendelkezésünkre, de az eredmények értelmezésénél fontos megkülönböztetni a feladatok gyorsabb elvégzését, a vállalatok tényleges teljesítményjavulását és a teljes gazdaságban mérhető hatásokat. Cikkünkben ezekkel a kérdésekkel foglalkozunk. Témáink:

• A mesterséges intelligencia (AI) hatása a gazdasági növekedésre
• Kísérletek az AI és a hatékonyságnövekedés témában
• Mit mutatnak az újabb munkahelyi vizsgálatok (2025-2026)?
• Mikor járul hozzá az AI a gazdasági növekedéshez?
• A ChatGPT használata a dán munkavállalók körében
• Az általános mesterséges intelligencia (AGI) gazdasági hatásai
• A generatív AI terjedése és a termelékenységre gyakorolt hatás becslése
• Miért nem jelenik meg teljes egészében az AI hatása a gazdasági adatokban?
• Acemoglu szerint valószínűtlen a nagyon pozitív forgatókönyv 
• Az AI használata és a vállalatok pénzügyi teljesítménye 

A mesterséges intelligencia (AI) hatása a gazdasági növekedésre

A közgazdasági növekedéselméletek egyik fontos megállapítása, hogy a munkaerő és a tőke mennyiségének növelése önmagában nem biztosít korlátlan, tartós egy főre jutó gazdasági növekedést. A Solow-modell alapján a csökkenő tőkehozadék miatt hosszabb távon meghatározó szerep jut a technológiai fejlődésnek és a termelékenység javulásának. Az összefüggéshez kapcsolódik a közepes jövedelmi csapda problémája is. A fejlett gazdaságokban az elmúlt évtizedekben lassult a termelékenység növekedése. A következő ábrán az Egyesült Államok munkaerő-termelékenysége az 1930-2000 közötti időszakban évente átlagosan 2,04 százalékkal, a 2000-2019 közötti időszakban viszont csak 1,12 százalékkal emelkedett. A lassulás annak ellenére következett be, hogy közben széles körben elterjedt az internet, az elektronikus levelezés, az okostelefon és az online munkavégzés.

Forrás: Hogan, Kalyani (2024)

A magyar adatok is lassulást mutattak a korábbi évtizedekben. A KSH itt bemutatott, 2000-2020 közötti adatai szerint a munkaerő-termelékenység átlagosan évi 1,6 százalékkal emelkedett. Míg 2000-2010 között az átlagos növekedés 2,6 százalék volt, 2010-2020 között már csak 0,6 százalék. A két időszak összehasonlítása történeti képet ad, az ábra nem a legfrissebb éves helyzetet mutatja.

Forrás: KSH

A termelékenységi lassulás egyik lehetséges magyarázata, hogy egyes területeken egyre nagyobb kutatási ráfordításra van szükség a hasonló mértékű technológiai előrelépésekhez. Bloom és szerzőtársai Are Ideas Getting Harder to Find? című tanulmányukban több kutatási terület példáján vizsgálták ezt az összefüggést. Az alábbi ábrán az Egyesült Államok kutatói ráfordításai és a teljes tényezőtermelékenység (TFP) növekedése látható. A TFP az a termelékenységi komponens, amelyet a felhasznált munka és tőke mennyiségének változása önmagában nem magyaráz meg. A kutatás eredményei alapján a vizsgált időszakban számottevően nőtt az azonos ütemű termelékenységnövekedéshez szükséges kutatói ráfordítás. Ez történeti összefüggés, és önmagában nem bizonyítja, hogy a technológiai fejlődés a jövőben szükségszerűen lelassul.

Forrás: Are Ideas Getting Harder to Find?

A kutatási ráfordítások növekvő igénye tehát korlátozhatja a termelékenység javulását, de az eredmények általánosíthatósága vitatott. Fort és szerzőtársai 2026-os tanulmányukban 45 év amerikai vállalati szabadalmi adatait vizsgálták, és nem találtak általános, tartós visszaesést az egy kutatási ráfordításra jutó szabadalmaztatási teljesítményben. Ugyanakkor a szabadalmak száma önmagában nem méri teljeskörűen az új ötletek gazdasági értékét. A két vizsgálat eltérő mutatókkal dolgozik, és arra figyelmeztet, hogy a jövőbeli termelékenységi pályát nem lehet egyszerűen a múltbeli trendek kivetítésével meghatározni.

Az újabb adatokban már a korábbi lassulás mellett gyorsabb növekedési időszakok is láthatók. Az amerikai Bureau of Labor Statistics szerint 2025-ben a nem mezőgazdasági magánszektor munkaerő-termelékenysége 2,2 százalékkal, teljes tényezőtermelékenysége 0,8 százalékkal nőtt. A változásból nem állapítható meg, mekkora rész tulajdonítható az AI-nak. A hosszú távú hatás megítéléséhez ezért a felhasználási adatok és a célzott vizsgálatok eredményeit is érdemes megvizsgálni. Forrás: BLS (2026).

Kísérletek az AI és a hatékonyságnövekedés témában

A fenti történeti adatokban a generatív AI széles körű elterjedésének hatása még nem jelenhetett meg. A korai kísérletek ugyanakkor azt mutatták, hogy a fejlett nyelvi modellek, például a ChatGPT, gyorsabbá tehetnek bizonyos szellemi munkafeladatokat. Noy és Zhang 444 felsőfokú végzettségű résztvevő bevonásával végeztek randomizált kísérletet. A résztvevők különböző foglalkozási területeken dolgoztak, és szövegalkotási feladatokat kaptak. Az egyik csoport használhatta a ChatGPT-t, a másik nem. A ChatGPT-t használók átlagosan körülbelül 40 százalékkal gyorsabban végeztek a feladatokkal, miközben a munkák értékelt minősége is javult, mintegy 18 százalékkal. Az alábbi ábra a kísérlet eredményeit szemlélteti.

Forrás: Noy, Zhang (2023)

A vizsgálat azt is kimutatta, hogy az alacsonyabb kiinduló teljesítményű résztvevők nagyobb javulást értek el. Ez arra utal, hogy a nyelvi modellek bizonyos feladatokban mérsékelhetik a munkavállalók közötti teljesítménykülönbségeket. Az eredmények ugyanakkor meghatározott írásbeli feladatokra vonatkoznak, így nem terjeszthetők ki automatikusan minden munkakörre.

A kísérleti eredményeket más kutatások is megerősítették. Brynjolfsson és szerzőtársai ügyfélszolgálati dolgozóknál, Peng és szerzőtársai pedig programozási feladatoknál találtak számottevő javulást. Az eredmények azonban eltérő mérőszámokra épülnek. Egyes kutatások az elvégzett feladatok számát, mások a feladatmegoldáshoz szükséges időt vagy az elkészült munka minőségét vizsgálják. Az önéletrajzok automatikus szövegjavításával foglalkozó Wiles és szerzőtársai (2023) vizsgálatában például 8 százalékkal magasabb felvételi arányt mértek, ami nem közvetlen termelékenységi mutató. A kísérleti javulások ezért nem összegezhetők egyetlen, a teljes gazdaságra érvényes százalékos hatásként.

Mit mutatnak az újabb munkahelyi vizsgálatok (2025-2026)?

A 2023-2024-es kísérleteket követően olyan kutatások is megjelentek, amelyek nagyobb munkahelyi mintán, hosszabb időn keresztül mérték a generatív AI alkalmazásának következményeit. A Brynjolfsson, Li és Raymond (2025) által feldolgozott adatok 5172 ügyfélszolgálati munkatárs munkavégzését mutatják be. Az AI-asszisztenshez hozzáférő alkalmazottak óránként átlagosan 15 százalékkal több ügyet tudtak lezárni. A nagyobb javulás itt is a kevésbé tapasztalt munkatársaknál jelentkezett, miközben a legtapasztaltabb dolgozóknál a gyorsasági előny kisebb volt.

Más környezetben jóval szerényebb eredmények születtek. Dillon és szerzőtársai (2025) 66 vállalatnál, 7137 munkavállalóval vizsgálták egy munkahelyi AI-eszköz használatát. A hat hónapos kísérlet második felében az AI-t ténylegesen használó, hozzáférést kapó munkatársak átlagosan heti két órával kevesebbet töltöttek e-mailezéssel, de a kutatók a munkafeladatok összmennyiségében és összetételében nem azonosítottak egyértelmű változást. Az időmegtakarítás tehát önmagában még nem igazolja az összesített vállalati kibocsátás növekedését.

Ellentétes eredményt is találunk. A METR 2025-ös randomizált kísérletében 16 tapasztalt, nyílt forráskódú projekteken dolgozó fejlesztő 246 feladatát vizsgálták. A fejlesztők AI-eszközök használata mellett átlagosan 19 százalékkal több idő alatt végeztek a feladatokkal. A jelenséget többek között a javaslatok ellenőrzése és javítása magyarázhatja. Ez az eredmény egy adott munkakörnyezetre és a 2025 elején elérhető eszközökre vonatkozik. A szervezet 2026-os újabb adatfelvétele már olyan mintaszelekciós problémába ütközött, amely nem tette lehetővé a hatás megbízható újrabecslését.

A három vizsgálat együtt azt mutatja, hogy az AI termelékenységi hatása nagymértékben függ a feladat jellegétől, a munkavállaló tapasztalatától és attól, mennyi ellenőrzést igényel a gép által előállított eredmény. Éppen ezért a feladatoknál mért időmegtakarítást érdemes elkülöníteni a teljes munkakör és a vállalat termelékenységétől.

Mikor járul hozzá az AI a gazdasági növekedéshez?

A technológiai újítások gazdasági hatása rendszerint csak fokozatosan jelenik meg. A vállalatoknak be kell építeniük az új eszközöket a meglévő munkafolyamatokba, képzést kell szervezniük, és sokszor a szervezeti működésüket is módosítaniuk kell. A személyi számítógépek története jól szemlélteti ezt a folyamatot. Noha az első, asztali számítógépként emlegetett eszközök már az 1960-as évek végén megjelentek, az amerikai háztartásokban és munkahelyeken csak jóval később váltak elterjedtté. A számítástechnikai terjedést követő években az Egyesült Államok teljes tényezőtermelékenysége 1991-2004 között évente átlagosan mintegy 1 százalékkal nőtt, szemben az 1980-as évek körülbelül 0,6 százalékos ütemével. Ez történeti együttmozgás, amelynek értelmezésekor más gazdasági változásokat is figyelembe kell venni.

Forrás: Hogan, Kalyani (2024)

Hogan és Kalyani (2024) más technológiák elterjedését is megvizsgálták, és megkülönböztették a háztartási használatot a munkahelyi alkalmazástól. Ez azért fontos, mert a lakosság körében gyorsan népszerűvé váló eszközök beépülése a vállalati működésbe hosszabb időt vehet igénybe.

Forrás: Hogan, Kalyani (2024)

Az alábbi ábra a felhőszámítás munkahelyi elterjedését mutatja, amely a vizsgált időszakban lassabban haladt, mint az okostelefonok háztartási terjedése. A különböző technológiákra vonatkozó arányok azonban eltérő felhasználási módokat mérnek.

Forrás: Hogan, Kalyani (2024)

A következő ábra a 3D-nyomtatás munkahelyi alkalmazását mutatja. A technológia már évtizedek óta elérhető, mégis viszonylag kevés állás kapcsolódik közvetlenül hozzá. Ez jól szemlélteti, hogy a technológia létezése és gazdaságszerte mérhető elterjedése között jelentős különbség lehet.

Forrás: Hogan, Kalyani (2024)

Hogan és Kalyani 2024-ben, a korai vállalati adatok alapján arra jutottak, hogy az AI munkahelyi elterjedése fokozatos folyamat lehet. Az általuk ismertetett amerikai felmérésben 2018-ban a cégek 3 százaléka számolt be AI-használatról, a későbbi, 2023-2024-es adatokban pedig 4,4 százalék körüli arány szerepelt. Ezek a számok a korabeli adatfelvételre és meghatározott alkalmazási definícióra vonatkoznak, így nem tekinthetők a 2026-os helyzet leírásának.

A frissebb adatok már jóval szélesebb használatot mutatnak. A Federal Reserve 2026-os elemzése szerint az amerikai Census Bureau felmérésében 2025 végén a vállalatok mintegy 18 százaléka alkalmazott AI-t. Egy másik, munkavállalókat kérdező felmérésben 2025 novemberében a dolgozók körülbelül 41 százaléka számolt be generatív AI munkahelyi használatáról. A két adat közvetlenül nem vethető össze, mivel eltér a megfigyelési egység, az AI meghatározása és a kérdezés módja. A magasabb felhasználói arány önmagában azt sem mondja meg, hogy a vállalatok teljes termelési folyamataiban milyen súllyal van jelen az AI.

Az elterjedés sebességének megítéléséhez Bloom és szerzőtársai (2021) tanulmánya is ad támpontot. A kutatók 1286 technológiai újítás vállalati említéseit és álláshirdetésekben való megjelenését vizsgálták. A következő ábra néhány ismert technológiát helyez el az említések gyakorisága alapján. A vállalati beszámolókban és álláshirdetésekben szereplő utalások között a szerzők erős kapcsolatot találtak, az ábrán bemutatott illeszkedés R²-értéke 57 százalék. Az említések száma ugyanakkor nem azonos a technológia tényleges használatával vagy gazdasági eredményével.

Forrás: Bloom  (2021)

A Bloom és szerzőtársai által vizsgált időszakban a mesterséges intelligencia már gyakran szerepelt a vállalati beszámolókban, miközben az álláshirdetési adatok alapján még korlátozottabb volt az intézményesülése. A 2021-es kutatás a generatív AI 2022 végétől kibontakozó terjedését még nem foglalhatta magában, így elsősorban történeti összehasonlításra alkalmas. Az újabb felmérések alapján ma már az AI széles körű használata a kérdéses, miközben továbbra is vizsgálni kell, mikor és mekkora hatás jelenik meg a vállalatok eredményességében.

A ChatGPT használata a dán munkavállalók körében

A generatív nyelvi modellek megjelenése a munkavégzéssel kapcsolatos várakozásokat is átalakította. Az egyik fontos kérdés, hogy az alkalmazottak milyen gyorsan kezdik használni az új eszközöket, és milyen akadályokba ütköznek a munkahelyükön. Az egyéni tapasztalatok mellett ezért nagy mintán végzett felmérésekre van szükség. A munkavállalói önbevallások ugyanakkor azt mutatják meg, hogy az emberek mit tapasztalnak vagy várnak, és csak korlátozottan alkalmasak a tényleges termelékenység mérésére.

Humlum és Vestergaard Dániában 11, a ChatGPT által várhatóan érintett foglalkozás munkavállalóit vizsgálták. A dán statisztikai hivatal közreműködésével 2023 novembere és 2024 januárja között mintegy 100 ezer embert kerestek meg, és körülbelül 18 ezer használható választ elemeztek. A megkérdezettek között könyvelők, pénzügyi tanácsadók, ügyfélszolgálatosok, informatikusok, újságírók, jogi és HR-szakemberek, marketingesek, fejlesztők és tanárok is szerepeltek. A kutatás arra kereste a választ, milyen gyakran használják a ChatGPT-t, mennyire tartják hasznosnak, és milyen tényezők segítik vagy akadályozzák az alkalmazását.

A válaszadók körülbelül fele már kipróbálta a ChatGPT-t, de a használat a foglalkozások között jelentősen eltért. Az alábbi ábrán a szoftverfejlesztők körében magas, a pénzügyi tanácsadók között jóval alacsonyabb arány látható. A használat, a munkahelyi alkalmazás és a fizetős előfizetés eltérő mutatók, ezért ezek százalékait nem érdemes azonos nevezőjű adatként értelmezni.

Forrás: Humlum, Vestergaard (2024)

A megkérdezettek jelentős része számottevő hatékonyságnövekedést várt a technológiától. A felmérés arra is rákérdezett, hogy a ChatGPT a szakmájukban végzett egyes feladatok idejét akár a felére csökkentheti-e. Az alábbi táblázat a foglalkozásonkénti várakozásokat és a saját munkára vonatkozó véleményeket hasonlítja össze. A marketingesek és a pénzügyi tanácsadók körében is viszonylag magas volt a potenciális időmegtakarítást valószínűsítők aránya.

A táblázat külön oszlopban mutatja, hogy a válaszadók saját feladataikban mekkora javulást tartanak elérhetőnek. A saját munkára becsült előny általában mérsékeltebb, mint a teljes foglalkozásra adott várakozás. A felmérésből az is kiderült, hogy sokan a megtakarított időt nem feltétlenül fordítanák több munkahelyi feladat elvégzésére. Ez azért fontos, mert a gyorsabb munkavégzésből automatikusan nem következik a vállalati kibocsátás ugyanilyen arányú növekedése.

Forrás: Humlum, Vestergaard (2024)

A kutatás szerint a fiatalabb és kevésbé tapasztalt munkavállalók gyakrabban használták a ChatGPT-t, miközben a munkahelyi szabályok és a szükséges képzés hiánya sok esetben korlátozta az alkalmazást. A válaszadók egy része érdemi időmegtakarítási lehetőséget látott az eszközben, de az önbevalláson alapuló eredmények nem bizonyítják, hogy ez a teljes munkavégzésben már megvalósult. A szerzők későbbi, munkaerőpiaci adatokhoz kapcsolt vizsgálata ezért fontos további információt ad arról, milyen gazdasági következményekkel járhat a tényleges használat.

Az általános mesterséges intelligencia (AGI) gazdasági hatásai

Az általános mesterséges intelligencia, angolul artificial general intelligence (AGI), olyan rendszerként írható le, amely kognitív feladatok széles körében képes az emberi teljesítménnyel összemérhető eredményt elérni. A fogalomnak nincs minden kutató által elfogadott, egységes tesztje és definíciója, ezért a megjelenésének időpontjára vonatkozó előrejelzéseket nagy bizonytalanság övezi. A 2023-as Macey-Dare-féle szimuláció például 2041 körüli időpontot jelölt meg, de az eredmény nagyban függött a kiinduló fejlettségi szintre és a jövőbeli fejlődési ütemre tett feltevésektől. Ezért az ilyen dátumokat érdemes feltételes forgatókönyvként kezelni.

Forrás: Rupert Macey-Dare (2023)

A hosszú távú előrejelzéseket az is nehezíti, hogy a technológiai képességek fejlődése nem feltétlenül követi tartósan ugyanazt az ütemet. A fejlesztési költségek, a számítási kapacitás, az energiaigény és a feladatok nehézsége egyaránt befolyásolhatják a pályát. Erről korábbi cikkünkben részletesebben is írtunk.

Korinek és Suh (2024) elméleti modellje abból indul ki, hogy a mesterséges intelligencia fejlődésével fokozatosan egyre összetettebb feladatok válnak automatizálhatóvá. A következő ábrán a szaggatott függőleges vonal a modell 2024-es kiinduló állapotát jelöli. A vonaltól balra az egyszerűbb, már automatizálható részfeladatok helyezkednek el. A modellben a technológiai fejlődéssel az automatizálható feladatok köre bővül.

Forrás: Korinek és Suh (2024)

A modell két eltérő forgatókönyvben szemlélteti a gazdasági kibocsátás és a bérek lehetséges alakulását. A fokozatos automatizációt feltételező változatban a kibocsátás és a bérek is növekednek. Az AGI gyorsabb előretörését feltételező pályán a kibocsátás sokkal gyorsabban emelkedhet, miközben a bérekre gyakorolt hatás ettől elmaradhat, sőt kedvezőtlenül is alakulhat. Az ábra modellbeli lehetőségeket mutat, és nem megfigyelt gazdasági adatokat vagy megbízható pontelőrejelzéseket.

Forrás: Korinek és Suh (2024)

Korinek és Suh a gyors technológiai fejlődés lehetséges következményeit igen nagy, tízéves távon akár 100-300 százalékos kumulált GDP-emelkedést feltételező forgatókönyvekkel is szemléltetik. Ezek a számok erősen függnek a modell feltevéseitől, és nem jelentik azt, hogy ekkora növekedés nagy valószínűséggel be is következik. A tényleges gazdasági hatás megítélésében ezért továbbra is az empirikus adatoknak van meghatározó szerepük.

A generatív AI terjedése és a termelékenységre gyakorolt hatás becslése

Bick, Blandin és Deming (2024) az amerikai 18-64 éves lakosság körében végzett reprezentatív felméréssel vizsgálták a generatív AI elterjedését. A 2024 augusztusában megkérdezett 4682 személy alapján a válaszadók közel 40 százaléka használt már generatív AI-t. A felmérés idején alig két év telt el a ChatGPT 2022. novemberi megjelenése óta. Az alábbi ábra ennek a korai időszaknak az adatait mutatja.

Forrás: Bick, Blandin és Deming (2024)

A személyi számítógépek és az internet korábbi elterjedésével összevetve a generatív AI lakossági használata gyorsan növekedett. A következő ábra ezt a kezdeti terjedési ütemet szemlélteti. A háztartási hozzáférés és a munkahelyi, rendszeres használat között azonban fontos különbség van.

Forrás: Bick, Blandin és Deming (2024)

A magas használati arány ellenére az AI nem minden munkafeladatban kapott azonos szerepet. A szövegírás, az információkeresés, a programozás és az adatelemzés már a korai felmérésekben is fontos felhasználási területnek számított, amint azt az alábbi táblázat mutatja.

Forrás: Bick, Blandin és Deming (2024)

A szerzők a korai felhasználási adatokból a termelékenységre vonatkozó nagyságrendi becslést is készítettek. A 2024-es blogbejegyzésben az AI által támogatott munkaórák arányát és a kísérletekben mért időmegtakarítást összekapcsolva körülbelül 0,1-0,9 százalékos lehetséges munkaerő-termelékenységi hatást szemléltettek. Ez feltételezéseken alapuló számítás volt, és nem az amerikai gazdaságban közvetlenül kimutatott AI-hatás. A később átdolgozott kutatás szintén gyorsan terjedő AI-használatot és a teljes munkaidőhöz viszonyított időmegtakarítást talált, de a becslések módszertana és időszaka módosult. Az alábbi grafikon az amerikai és a magyar munkaerő-termelékenység történeti alakulását mutatja. A termelékenységi idősorok változásából önmagában nem azonosítható az AI hozzájárulása. A frissített kutatás elérhető az NBER oldalán.

Miért nem jelenik meg teljes egészében az AI hatása a gazdasági adatokban?

Az eddig bemutatott kutatások közös kérdése, hogy a munkahelyen megtakarított időből mennyi válik valódi többletkibocsátássá. Egy-egy szöveg gyorsabb elkészítése vagy egy programozási részfeladat automatizálása javíthatja az egyéni munkavégzést, miközben a végső eredményt további ellenőrzés, jóváhagyás, ügyfélkapcsolat vagy más munkafolyamat korlátozhatja. Az AI bevezetésének ráadásul költségei is vannak, ideértve a képzést, az adatbiztonságot és az emberi ellenőrzést.

Humlum és Vestergaard (2025) a korábbi dán felmérést újabb adatfelvétellel és munkaerőpiaci nyilvántartásokkal egészítették ki. Összesen körülbelül 25 ezer munkavállaló és 7 ezer munkahely adatait vizsgálták. A munkavállalók által jelzett átlagos időmegtakarítás 2,8 százalék volt, miközben a kutatók a vizsgált időszakban nem tudtak statisztikailag kimutatható változást azonosítani sem a keresetekben, sem a nyilvántartott munkaórákban. Az eredmény egy meghatározott országra, foglalkozási körre és időszakra vonatkozik, de jól mutatja, hogy az egyéni hatékonyságjavulás munkaerőpiaci hatásai nem automatikusak.

A vállalatvezetők tapasztalatai is visszafogottabbak a korai várakozásoknál. Yotzov és szerzőtársai (2026) hét ország közel 9000 vállalatvezetőjét kérdezték meg az AI használatáról. A 2026 októberében frissített eredmények szerint a válaszadók az előző három évben átlagosan évi 0,2 százalékpontnyi munkatermelékenység-növekedési többletet tulajdonítottak az AI-nak, a következő három évre pedig évi 0,6 százalékpontot vártak. Ezek önbevalláson alapuló becslések és várakozások, nem oksági hatásokat mérő kísérleti eredmények. Arra azonban felhívják a figyelmet, hogy a vállalatvezetők saját beszámolói alapján az eddig realizált makrogazdasági hatás mérsékelt.

A gazdasági növekedés szempontjából az lesz meghatározó, hogy az AI segítségével felszabaduló munkaidőt a vállalatok képesek-e nagyobb kibocsátássá, jobb szolgáltatássá vagy alacsonyabb költséggé alakítani. Ehhez sok esetben a munkafolyamatok átszervezésére és a dolgozók készségeinek fejlesztésére is szükség van.

Acemoglu szerint valószínűtlen a nagyon pozitív forgatókönyv

Daron Acemoglu, az MIT közgazdásza a The Simple Macroeconomics of AI című tanulmányában azt vizsgálta, hogy a feladatszinten megfigyelt AI-hatékonyságjavulás mekkora összesített gazdasági növekedést eredményezhet. A korabeli becslések jelentősen eltértek egymástól, mivel más feltételezésekkel számoltak az automatizálható feladatok arányáról, a költségmegtakarítás nagyságáról és a beruházások alakulásáról.

Acemoglu három fontos kutatási irányt különböztetett meg a korai várakozások értékelésekor. Az egyikbe a konkrét munkafeladatokra épülő kísérletek tartoztak, amelyekben sok esetben jelentős időmegtakarítást és minőségjavulást mértek. A másikba a tanácsadó cégek és pénzügyi intézmények optimistább, feltételezésekre épülő gazdasági előrejelzései kerültek. A harmadik irányt a gyors automatizáció vagy az AGI megjelenésének elméleti forgatókönyvei jelentették. Az egyes becslések eltérő időtávot és mérőszámot használtak, ezért közvetlen összehasonlításuk óvatosságot igényel.

Acemoglu saját számításaiban a teljes gazdaság szempontjából hasznosítható feladatok arányából és a várható költségmegtakarításból indult ki. A nehezebben automatizálható feladatokat is figyelembe vevő becslése szerint a teljes tényezőtermelékenység szintje tíz év alatt legfeljebb körülbelül 0,53 százalékkal, a GDP szintje pedig körülbelül 0,9 százalékkal lehet magasabb az AI miatt. Más beruházási feltevésekkel a GDP tízéves, összesített szinttöbbletére körülbelül 0,93-1,16 százalékos, intenzívebb tőkefelhalmozás esetén 1,4-1,56 százalékos értéket is bemutat. Ezek nem éves GDP-növekedési ütemek, és nem megfigyelt eredmények, hanem feltételezésekből származó becslések.

A tanulmány a pozitív termelékenységi hatások mellett arra is kitér, hogy az AI segítségével új, társadalmilag káros tevékenységek jöhetnek létre. Ide tartozhat a manipuláció, a deepfake-tartalmak előállítása vagy a kibertámadások és az ellenük folytatott védekezés költségeinek növekedése. Acemoglu egy szemléltető számításában olyan esetet is bemutat, amelyben a mért GDP akár 2 százalékkal emelkedhet, miközben a társadalmi jólét fogyasztási egyenértékben 0,72 százalékkal csökkenhet. Ez nem az AI várható nettó hatására adott központi előrejelzés. A szerző szerint az AI előnyei sem feltétlenül oszlanak meg egyenletesen a munkavállalók és a tőketulajdonosok között.

Az AI használata és a vállalatok pénzügyi teljesítménye

Tucker, Wang és Zhao (2025) a vállalati AI-használat és a későbbi pénzügyi teljesítmény kapcsolatát vizsgálták. A 2010-2023 közötti időszak 32 893 amerikai 10-K éves beszámolóját elemezték természetesnyelv-feldolgozási eszközökkel. Két mutatót alakítottak ki. Az egyik azt jelezte, hogy a vállalat beszámolója szerint használ-e AI-megoldásokat a működésében, a másik pedig a felhasználás intenzitását próbálta megragadni. A kutatás teljes időszaka jóval korábban kezdődött a generatív AI 2022 végi elterjedésénél, így a vizsgált AI-alkalmazások között hagyományos gépi tanulási rendszerek is szerepeltek. A következő ábra az AI-használatra utaló vállalati beszámolók számának növekedését mutatja.

Forrás: Tucker, Wang és Zhao (2025)

A következő ábrán az látható, hogy az AI-ra utaló beszámolók a vizsgált időszak végére számos iparágban megjelentek. Az ágazatok között ugyanakkor jelentős eltérés maradt a használat gyakoriságában és intenzitásában.

Forrás: Tucker, Wang és Zhao (2025)

A következő táblázat a vizsgálat egyik legfontosabb eredményét mutatja. A vállalati beszámolók alapján azonosított AI-használat és annak intenzitása pozitív kapcsolatot mutatott a következő évi árbevétel-növekedéssel, az iparághoz viszonyított növekedéssel és a piaci részesedés változásával. A szerzők a következő mutatókat használták:

• Árbevétel-növekedés: Az értékesítés éves százalékos változása a következő évben.
• Relatív növekedés: A vállalat árbevételének növekedése az iparág medián növekedésével korrigálva.
• Piaci részesedés változása: A vállalat árbevételének arányváltozása az iparág teljes árbevételéhez képest.

Forrás: Tucker, Wang és Zhao (2025)

Az alábbi táblázat azt mutatja, hogy az AI-használat a pénzügyi teljesítmény további mutatóival, köztük a működési eredménnyel és a működési pénzáramlással is pozitív statisztikai kapcsolatot mutatott a mintában.

Forrás: Tucker, Wang és Zhao (2025)

A vizsgálat tehát arra utal, hogy az AI-t alkalmazó vállalatok egy része kedvezőbb későbbi értékesítési és pénzügyi eredményeket érhet el. A kapcsolat értelmezésénél azonban figyelembe kell venni a vállalati önszelekció lehetőségét. Elképzelhető, hogy a jobban menedzselt, nagyobb erőforrásokkal rendelkező vagy eleve gyorsabban növekvő vállalatok nagyobb eséllyel vezetnek be AI-megoldásokat. A beszámolók szövegéből kialakított mutatók ráadásul csak közvetetten mérik a tényleges alkalmazást. A pozitív korreláció ezért önmagában nem bizonyítja, hogy a későbbi növekedést az AI okozta. Mindazonáltal az eredmények összhangban állnak azzal a lehetőséggel, hogy a jól beillesztett AI-eszközök versenyelőnyt teremthetnek a vállalatok számára.

Mekkora gazdasági hatást várhatunk az AI-tól? - Összegzés

A bemutatott kutatások alapján a mesterséges intelligencia számos szellemi munkafeladatban már mérhető időmegtakarítást és hatékonyságjavulást eredményez. Az ügyfélszolgálati feladatok, a szövegírás és egyes programozási munkák esetében jelentős javulást találtak, más feladatokban viszont az ellenőrzés és a hibajavítás elviheti az előny egy részét. Az eredmények feladatonként, munkakörönként és a munkavállaló tapasztalatától függően eltérnek.

A vállalati és gazdasági adatok egyelőre visszafogottabb képet mutatnak. A munkavállalóknál megtakarított idő nem feltétlenül alakul át ugyanekkora többletkibocsátássá, és a bérekre vagy a munkaórákra gyakorolt hatás is lassabban jelenhet meg. A vállalatoknak szervezeti változtatásokra, képzésre és új ellenőrzési folyamatokra lehet szükségük ahhoz, hogy az AI-ban rejlő lehetőségeket tartós termelékenységjavulássá alakítsák.

A következő évek egyik fontos gazdasági kérdése ezért az lesz, hogy a feladatszinten mért előnyök milyen mértékben jelennek meg a vállalatok költségeiben, a munkaerő termelékenységében és végül a GDP-ben. A korai kísérletek biztató eredményei és a visszafogottabb makrogazdasági becslések egyaránt indokolják az óvatosságot. A technológia gyors fejlődése miatt sem a múltbeli előnyök, sem a mai korlátok változatlansága nem tekinthető biztosnak.

A cikk folytatása - Tényleg elveszi az AI a munkánkat? Melyek a veszélyeztetett foglalkozások?