Os efeitos de produtividade da inteligência artificial generativa

As tecnologias de automação – máquinas capazes de realizar tarefas produtivas no lugar de trabalhadores humanos – têm desempenhado um papel enorme na história econômica da humanidade desde a Revolução Industrial. Da automação da produção têxtil no século 19 à mecanização da agricultura no início do século 20, as ondas históricas de automação levaram a enormes realocações setoriais de mão de obra e ajudaram a estimular a urbanização e grandes mudanças sociais. Essas ondas de automação estavam longe de ser perfeitamente benevolentes no curto e médio prazo (Acemoglu e Johnson 2023), mas acabaram contribuindo para um imenso crescimento na produção e nos padrões de vida nos países industrializados.

Entre a década de 1970 e o início da década de 2020, a história da automação em países de alta renda permaneceu bastante consistente (Autor 2015). Avanços no maquinário, o surgimento dos computadores e a proliferação das tecnologias digitais levaram à automação gradual de tarefas de "qualificação intermediária", que vão desde as tarefas da linha de montagem no chão de fábrica até a escrituração e tarefas contábeis (Autor et al. 2003). Essas tarefas – consistindo em sequências discretas e formalizáveis ​​de etapas – poderiam ser cada vez mais programadas em computadores e máquinas cada vez mais baratos, deslocando os humanos de muitas ocupações.

Essas ondas incrementais de automação 'tendenciosa à rotina' contribuíram para uma 'polarização' amplamente discutida do mercado de trabalho: a manufatura de salário médio e os empregos administrativos desapareceram lentamente, enquanto novos empregos apareceram em ocupações de limpeza, varejo e cuidados pessoais de baixo salário como bem como ocupações gerenciais, técnicas e profissionais com altos salários. Como consequência, a desigualdade salarial e de renda aumentou dramaticamente nesse período, com grupos demográficos antes concentrados em ocupações dominadas pela automação ficando para trás (Acemoglu e Restrepo 2022), enquanto profissionais de renda mais alta e proprietários de capital avançaram (Moll et al. 2022).

A partir da década de 2010, os economistas observaram que o crescente campo do aprendizado de máquina poderia direcionar a automação para uma nova direção. Anteriormente, as tarefas só podiam ser automatizadas se pudessem ser divididas em sequências explícitas de etapas que pudessem ser explicadas formalmente a um computador ou máquina. Muitas tarefas que exigiam criatividade ou conhecimento tácito e difícil de formalizar – da redação ao diagnóstico médico e ao design gráfico – evitavam a automação. Mas na década de 2010, os economistas observaram que as técnicas emergentes de 'aprendizagem profunda', que treinam computadores indutivamente em grandes conjuntos de dados existentes, em vez de fornecer instruções explícitas, podem eventualmente permitir a automação de tarefas criativas ou dependentes de conhecimento tácito.

A primeira onda de tecnologias de automação baseadas em aprendizado de máquina visava tarefas 'preditivas', como decisões de fiança, decisões de contratação ou diagnósticos médicos (Kleinberg et al. 2018, Chalfin et al. 2016, Mullainathan e Obermeyer 2022). Os algoritmos de aprendizado de máquina tornaram-se cada vez mais bons em fazer previsões binárias a partir de dados de entrada de alta dimensão, gerando preocupações sobre o futuro de ocupações como a radiologia. Mas as tarefas criativas ainda pareciam seguramente isoladas da ameaça da automação.

Isso mudou com o lançamento público de impressionantes sistemas de inteligência artificial 'generativos' em meados de 2022. Treinados usando técnicas de aprendizado profundo para gerar grandes corpos de texto coerentes ou imagens bem produzidas em resposta a solicitações escritas, esses sistemas foram substancialmente mais capaz do que qualquer chatbot ou ferramenta de geração de imagem pré-existente. Pela primeira vez, parecia que a escrita criativa ou as tarefas de design poderiam enfrentar uma automação generalizada iminente.

Em um artigo recente (Noy e Zhang 2023), relatamos os resultados de um experimento online que conduzimos que fornece uma primeira olhada na produtividade potencial e nos impactos do mercado de trabalho de sistemas de IA generativos baseados em texto, especificamente ChatGPT 3.5.

Conduzimos o experimento no Prolific, uma plataforma de pesquisa que é um dos pilares da pesquisa acadêmica em ciências sociais. Selecionamos dezenas de milhares de entrevistados na plataforma para identificar um subconjunto de entrevistados com formação universitária em nossas ocupações de interesse – gerentes, profissionais de recursos humanos, redatores de subsídios, profissionais de marketing, consultores e analistas de dados – que foram escolhidos com base em nossa capacidade de crie tarefas de escrita realistas, específicas da ocupação, de 20 a 30 minutos, que poderíamos administrar por meio de uma pesquisa online. Gerentes e profissionais de RH foram designados para escrever um e-mail confidencial, profissionais de marketing para escrever um comunicado de imprensa para um produto hipotético, redatores para escrever um pedido de subsídio, consultores para escrever um breve relatório e analistas de dados para escrever um plano de análise. Cerca de 85% dos participantes avaliaram as tarefas como imitações "realistas" ou "muito realistas" de tarefas reais realizadas em suas ocupações.