عبارت "وقت طلاست" یک اصطلاح رایج در دنیای شرکت‌ها است. مانند بسیاری از کلیشه‌های دیگر، اغلب استفاده می‌شود اما به ندرت جدی گرفته می‌شود. اما در زمینه هوش مصنوعی و تأثیرات آن بر بهره‌وری اقتصادی، زمان—و به طور خاص‌تر، صرفه‌جویی در زمان—در حال تبدیل شدن به یکی از مهم‌ترین معیارهای این است که آیا سرمایه‌گذاری‌های هنگفت در این فناوری نتیجه خواهد داد یا خیر.
پتانسیل هر فناوری برای ارتقای سطح زندگی بستگی به توانایی آن در ایجاد بهبود در چیزی دارد که اقتصاددانان آن را بهره‌وری کل عوامل (total factor productivity) می‌نامند—یعنی، به دست آوردن ارزش بیشتر از تمام منابع مورد استفاده در تولید کالاها یا خدمات. بهره‌وری به یک دغدغه کلیدی رهبران تجاری و سیاست‌گذاران تبدیل شده است، زیرا رشد آن در دهه‌های اخیر به طور چشمگیری کاهش یافته است، حتی با وجود اینکه به نظر می‌رسد تغییرات تکنولوژیکی به طرز شگفت‌آوری سریع پیشرفت می‌کنند.
اگرچه تقریباً هر هفته یک مدل جدید هوش مصنوعی با قابلیت‌های شگفت‌انگیز ارائه می‌شود، و انتظار متناظر آن این است که به شرکت‌ها کمک می‌کند تا گردش کار یا خدمات خود را بهبود بخشند، شواهد مربوط به دستاوردهای کارآمدی تبلیغ‌شده تاکنون در آمار اقتصادی نشان داده نمی‌شود. نظرسنجی‌ها نشان می‌دهند که بسیاری در حال آزمایش هوش مصنوعی هستند. یک بررسی اجمالی هیئت فدرال رزرو ایالات متحده از نظرسنجی‌های تجاری نشان داد که 20٪ تا 40٪ از کارگران این کار را انجام می‌دهند. یک مطالعه دیگر نشان داد که نرخ پذیرش در میان شرکت‌های اتحادیه اروپا به طور متوسط 13.5٪ است.
هنگامی که فناوری‌های به اصطلاح هدف کلی قبلی ظهور کرده‌اند، همیشه زمان برده است تا مزایای بهره‌وری در آمار ملی ظاهر شود. یک مطالعه موردی شناخته‌شده در مورد برق‌رسانی به تولیدات آمریکایی در اوایل قرن بیستم نشان داد که این تأخیر حدود 50 سال بوده است. یک دلیل کلیدی: مشاغل مجبور بودند نه تنها در تجهیزات الکتریکی بلکه در کارخانه‌های جدید نیز سرمایه‌گذاری کنند. یک آسیاب بخار چند طبقه بود تا بتواند از منبع انرژی خود به طور موثر استفاده کند، در حالی که یک خط مونتاژ با نیروی برق به یک طرح مسطح نیاز داشت. گروهی از اقتصاددانان به رهبری اریک برینجولفسون از دانشگاه استنفورد این پدیده را "منحنی جی بهره‌وری" نامیدند: بهره‌وری پس از پذیرش یک فناوری جدید قبل از افزایش، کاهش می‌یابد.
یکی دیگر از دلایلی که دستاوردهای بهره‌وری به آرامی در داده‌ها نشان داده می‌شوند این است که اندازه‌گیری بهره‌وری دشوار است، به ویژه در بخش‌های بزرگی از اقتصاد که دیگر کالاهای استاندارد و آسان برای شمارش مانند ماشین لباسشویی و قطعات خودرو تولید نمی‌کنند. مشاوره مدیریت یا خدمات حقوقی را در نظر بگیرید. آژانس‌های آمار می‌توانند به راحتی داده‌های مربوط به درآمد این نوع شرکت‌ها را جمع‌آوری کنند، اما کمیت خروجی آنها چقدر است؟ مطمئناً طول یک اسلاید یا تعداد صفحات در یک خلاصه حقوقی نیست. قیمتی که آنها برای خدمات دریافت می‌کنند به کیفیت بستگی دارد، اما چگونه یک آماردان می‌تواند کیفیت مشاوره مدیریت یا حقوقی را در نظر بگیرد؟
گوگل میلیاردها دلار از خدماتی که به صورت رایگان ارائه می‌دهد - جستجو - با پرداخت هزینه برای تبلیغاتی که در کنار نتایج نمایش داده می‌شوند، به دست می‌آورد. با این حال، نسبت دادن ایجاد ارزش اقتصادی، که هدف بهره‌وری اندازه‌گیری آن است، کمتر از شمارش درآمد گوگل سرراست است. در مورد مشارکت ارائه‌دهندگان خدمات اینترنتی، صاحبان مراکز داده و ارائه‌دهندگان محتوا چطور؟
نگاه کردن به زمان صرف‌شده - چه مقدار و توسط چه کسی - یک معیار بهره‌وری مفیدتر برای ردیابی تأثیر هوش مصنوعی است. اگرچه ما تمایل داریم در مورد فناوری از نظر ابزارها یا اختراعات جدید فکر کنیم، اما بیشتر پیشرفت‌های بهره‌وری در تاریخ به این دلیل بوده است که کارگران توانایی انجام برخی کارها را سریع‌تر به دست آورده‌اند و زمان بیشتری را برای سایر فعالیت‌ها آزاد کرده‌اند. به طور خلاصه، نوآوری‌های فرآیندی مهم‌تر از نوآوری‌های محصول هستند.
به گسترش کشتی بخار فکر کنید. پیشرفت‌های قبلی، مانند پوشاندن بدنه‌ها با مس، سرعت کشتی‌های بادبانی را افزایش داده بود، اما پذیرش کشتی‌های تندروی بخار بود که سفر و تجارت را در اواخر قرن نوزدهم متحول کرد. یک مثال جدیدتر از نوآوری فرآیندی، گسترش تکنیک‌های تولید "درست به موقع" است که در دهه 1980 در ژاپن پیشگام شد. صنایع از خودرو گرفته تا پوشاک که با بهبود در تدارکات امکان‌پذیر شد، به سمت همسو کردن تولید نزدیک‌تر با تقاضا حرکت کردند و خطر گیر افتادن با موجودی فروخته‌نشده را کاهش دادند.
برای برخی از فناوری‌ها، مزایای سراسری اقتصاد کمتر واضح است. کیوسک‌های خودپرداز که اکنون در بسیاری از فروشگاه‌ها نصب شده‌اند را در نظر بگیرید. آنها دستمزد صندوق‌داران جایگزین‌شده را برای صاحبان فروشگاه‌ها پس‌انداز می‌کنند، که احتمالاً بهره‌وری اندازه‌گیری‌شده بخش خرده‌فروشی را افزایش می‌دهد. اما آنها به جای آن از زمان پرداخت‌نشده خریداران استفاده می‌کنند، بنابراین مشخص نیست که در کل سود بهره‌وری زیادی وجود داشته باشد. به طرق دیگر، برخی از کاربردهای هوش مصنوعی مالیات زمانی را بر مصرف‌کنندگان به نفع سازمان‌هایی که از آنها استفاده می‌کنند تحمیل می‌کنند. به زمان (و استرس) درگیر در برخورد با آن مراکز تماس خدمات مشتری که در آن هیچ انسانی هرگز تلفن را برنمی‌دارد یا پیمایش فرآیند بازگشت در یک سایت تجارت الکترونیک فکر کنید.
به همین دلایل، زمان یک معیار اقتصادی کلیدی مورد علاقه است زیرا هوش مصنوعی شروع به تغییر زندگی ما می‌کند. متأسفانه، داده‌های کمی در مورد نحوه تخصیص ساعات هر روز توسط افراد، چه در محل کار و چه در خارج از آن، جمع‌آوری می‌شود. برخی از آژانس‌های آماری ملی که از مصرف‌کنندگان در مورد نحوه استفاده از زمان خود نظرسنجی می‌کنند، اکنون سؤالاتی را در مورد فعالیت‌های آنلاین اضافه کرده‌اند. اما این نظرسنجی‌ها نادر هستند، و هنوز هم تشخیص اینکه آیا فعالیت‌های آنلاین زندگی را راحت‌تر و کارآمدتر می‌کنند یا در عوض از طریق منوهای آنلاین پیچیده مالیات زمانی می‌گیرند، در نتیجه کار را به فرد واگذار می‌کنند، دشوار است.
هوش مصنوعی در حال حاضر برای خودکارسازی فرآیندهای زمان‌بر - خلاصه‌سازی رویه‌های حقوقی، قالب‌بندی ارائه‌ها و نوشتن قطعات استاندارد کد - مفید است. مشاغل باید در مورد فرصت‌های بهره‌وری خود از نظر نحوه گذراندن زمان کارمندان خود در حال حاضر و نحوه گذراندن آن به روش‌های ارزشمندتر در آینده فکر کنند. به عبارت دیگر، هوش مصنوعی این فرصت را ارائه می‌دهد تا بفهمید کدام فعالیت‌ها یا وظایف هدردهنده زمان هستند. کارمندان مطمئناً پاسخ را خواهند دانست، اگرچه ممکن است از ترس حذف شدن مشاغلشان، تمایلی به اشتراک‌گذاری اطلاعات با روسای خود نداشته باشند. (گزارشی در سال 2023 توسط گلدمن ساکس تخمین زد که هوش مصنوعی ممکن است 300 میلیون شغل تمام وقت را در سراسر جهان از بین ببرد، اما هیچ‌کس واقعاً نمی‌داند.)
در همین حال، اقتصاددانان و آماردانان باید به انواع جدیدی از نظرسنجی‌ها و روش‌های نوآورانه‌تر جمع‌آوری داده، مانند ردیابی تلفن همراه و نحوه استفاده از رایانه، فکر کنند که به پر کردن برخی از این شکاف‌ها کمک می‌کند. نحوه تخصیص 24 ساعت گرانبهایی که در یک روز داریم، معیار نهایی ارزش است - و اینکه چگونه هوش مصنوعی ارزش اقتصادی خود را ثابت خواهد کرد.
دایان کویل معاون مدیر موسسه بنت برای سیاست‌گذاری عمومی در دانشگاه کمبریج است. او نویسنده کتاب اندازه‌گیری پیشرفت: شمارش آنچه واقعاً مهم است. است.