Парадоксът на Солоу: защо AI е навсякъде, освен в резултатите

Юли 1987 г. Икономистът Робърт Солоу пише в New York Times Book Review изречение, което ще цитират през следващите 40 години:

„Ерата на компютрите се вижда навсякъде, освен в статистиката за производителността.“

Февруари 2026 г. Торстен Слок, главен икономист на инвестиционната компания Apollo, пише за AI:

„AI е навсякъде, освен в постъпващите макроикономически данни.“

Почти дума по дума. 39 години по-късно.

Междувременно колегата ти пише имейлите си с ChatGPT за половин минута. Шефът е купил лицензи за целия екип. В LinkedIn всеки втори пост разказва как някой спестява по 10 часа седмично. А тримесечният отчет на фирмата прилича на миналогодишния като две капки вода.

Къде отиват спестените часове? Отговорът е на около 140 години и започва с един мотор.

Кой е Солоу и защо изречението му жили

Робърт Солоу не е бил скептик към технологиите. Точно обратното. Същата 1987 г. получава Нобелова награда за икономика за теорията си за икономическия растеж. Той е човекът, който показва колко голяма част от растежа идва от технологичния прогрес.

Затова изречението му жили. Ако технологиите движат растежа, а компютрите вече са на всяко бюро, къде е растежът?

Икономистите го кръщават „парадокс на производителността“. Или просто парадоксът на Солоу.

Фабриката, която смени мотора и нищо друго

През 1990 г. историкът на икономиката Пол Дейвид публикува статия със заглавие „The Dynamo and the Computer“ („Динамото и компютърът“). Отговорът му е: това вече се е случвало. С електричеството.

Електрическите крушки съществуват от 1879 г. През 1881 г. в Ню Йорк и Лондон вече работят електроцентрали. А производителността в американските фабрики скача чак през 20-те години на XX век – четири десетилетия по-късно. Тогава расте с над 5% годишно.

Защо толкова бавно? Заради начина, по който са построени фабриките.

Фабриката с парна машина е изградена около един огромен двигател. Етажите са наредени спрямо него, а ремъци и валове предават движението до всяка машина. Всички ремъци се въртят с една и съща скорост.

Първите собственици на електрически мотори правят логичното: махат парната машина и слагат на нейно място голямо динамо. Сградата, ремъците и процесът остават същите. Ползата е минимална.

Истинската промяна идва, когато някой се сеща, че всяка машина може да има свой малък мотор. Тогава ремъците и валовете отпадат. Фабриката може да е на един етаж, подредена по пътя на продукта, а не около двигателя. Всеки работник пуска и спира машината си, когато му трябва.

Има и втора половина на историята. След Първата световна война САЩ ограничават имиграцията и евтината необучена работна ръка намалява. Фабриките започват да обучават хората си да вземат повече решения сами.

Технологията проработва, едва когато се сменят и сградата, и процесът, и уменията.

Електричеството не е било проблемът. Проблемът е бил, че хората са го включвали в старата фабрика.

90-те: компютрите най-сетне влизат в статистиката

Дейвид се оказва прав и за компютрите. В САЩ производителността на труда расте средно с 1,53% годишно през 1991–1995 г. и с 2,57% през 1996–1999 г. Според изследване на Стивън Олинър и Даниел Сишел от Федералния резерв около две трети от това ускорение идват от информационните технологии – от употребата им и от производството на компютри.

Около десет години след изречението на Солоу компютрите най-сетне се виждат в статистиката. Пол Дейвид би казал, че фабриките просто са имали нужда от време да се пренаредят.

J-кривата: защо първо става по-зле

През 2021 г. Ерик Бриньолфсон, Даниел Рок и Чад Сайвърсън дават име на това явление: J-кривата на производителността.

Идеята е проста. Когато фирма въведе технология с общо предназначение (електричество, компютри, AI), тя прави и куп невидими инвестиции: нови процеси, обучение на хората, нови бизнес модели. Те струват време и пари, но статистиката не ги отчита като актив.

Затова в началото производителността изглежда по-ниска, отколкото е. Буквата J първо слиза.

После невидимите инвестиции започват да се изплащат и кривата тръгва нагоре. По изчисленията на тримата, ако се добавят невидимите инвестиции в компютри и софтуер, общата факторна производителност в САЩ в края на 2017 г. е с 15,9% по-висока от официално отчетената.

С други думи: голяма част от работата по новата технология не се вижда. Докато не се види.

AI днес: по-бързи коне

При отделния човек AI работи. Това не е усещане, а измерване:

• В изследване с 5 179 служители в клиентската поддръжка AI асистентът увеличава решените случаи на час средно с 14%. При новите и по-неопитните – с 34%.
• В експеримент с 758 консултанти от Boston Consulting Group (2023) тези с GPT-4 приключват с 12,2% повече задачи, с 25,1% по-бързо и с над 40% по-високо качество. Но при задача извън възможностите на AI шансът им да стигнат до вярно решение пада с 19 процентни пункта.

А при фирмите? В проучване на NBER близо 9 000 финансови и изпълнителни директори и други висши мениджъри от седем държави отчитат, че AI е добавил около 0,2% годишно към растежа на производителността за последните три години. Датско изследване, което проследява реалните заплати и отработените часове, показва, че две години след пускането на ChatGPT ефектът не надхвърля 2%.

Отделният човек – по-бърз. Фирмата – почти както преди. Солоу би се усмихнал.

Обяснението е старо колкото фабриката с един мотор. Повечето фирми махнаха парната машина и сложиха AI на нейно място. Ремъците си стоят.

Хенри Форд уж е казал: „Ако бях попитал хората какво искат, щяха да кажат по-бързи коне.“ Музеят The Henry Ford посочва, че няма доказателство Форд да го е казал. Но фразата описва точно какво правят повечето екипи с AI днес. Конят е същият, само тича по-бързо.

Ето къде изтичат спестените минути:

Проверката изяжда спестеното. През 2025 г. организацията METR дава на 16 опитни програмисти реални задачи от собствените им проекти – едни с AI, други без. Преди старта те очакват да са с 24% по-бързи. Измерено – с 19% по-бавни. А след експеримента пак вярват, че са били с 20% по-бързи. От METR сами признават, че инструментите оттогава са по-добри. Урокът обаче остава: усещането за бързина не е измерване.

Работата около работата расте. Датските изследователи откриват, че AI ражда нови задачи: създаване на съдържание, надзор над AI и вграждане на AI в системите. Имейлът се пише за 30 секунди, но някой трябва да го прочете, провери и поправи. Подробно писахме за това в статията за slop grenade.

Процесът остава същият. Доклад на проекта NANDA към MIT от 2025 г. твърди, че 95% от фирмите не виждат измерима възвръщаемост от AI. Числото е спорно, защото се основава на 52 интервюта и анкета сред 153 мениджъри. Но един оперативен директор, цитиран в доклада, го обобщава по-добре от всяка таблица: „Обработваме някои договори по-бързо, но това е всичко, което се е променило.“

Спестените 20 минути не стават резултат. Стават още един имейл.

Какво правят фирмите, при които ефектът се вижда

В годишното проучване на McKinsey за 2025 г. само 39% от анкетираните отчитат някакъв ефект на AI върху оперативната печалба (EBIT). Малка група, около 6%, казва, че AI носи поне 5% от нея.

Кое отличава тези 6%? Една от най-ясните разлики: те почти три пъти по-често от останалите са преустроили из основи работните си процеси, за да използват AI. Не са сложили AI в стария процес. Построили са нова фабрика.

Как изглежда това на практика:

• Не „AI пише първата чернова на офертата“, а „офертата се сглобява от шаблон и данни от CRM-а и човек проверява само цената и условията“.
• Не „всеки си ползва ChatGPT“, а „най-добрите отговори на екипа стават обща база, от която учат новите“. Авторите на изследването в клиентската поддръжка обясняват точно така големия скок при новаците: AI им предава практиките на най-добрите колеги.
• Не „спестихме 2 часа“, а „отпадна цяла стъпка от процеса“.

5 стъпки за понеделник

1. Измери, преди да ускоряваш. Избери един процес и запиши колко време отнема днес от началото до края. Не задачата, а целия процес – с чакането и проверките.
2. Потърси ремъците. Начертай стъпките. Кои съществуват, само защото преди нещо е било бавно или скъпо? Те са първите кандидати за премахване, а не за ускоряване.
3. Планирай проверката. Реши предварително кой проверява резултата от AI, какво точно гледа и колко време има за това. Непланираната проверка е мястото, където изчезва спестеното.
4. Споделяй, не само ползвай. Добрите промптове, шаблони и примери на един човек трябва да станат достояние на целия екип. Иначе всеки сам си изобретява мотора.
5. Дай си време за J-кривата. Първите седмици с нов процес ще са по-бавни. Това е инвестиция, не провал. Мери отново след 2–3 месеца, не след 2 дни.

Ще влезе ли AI в статистиката?

Бриньолфсон смята, че вече влиза. По неговите изчисления производителността в САЩ е скочила с около 2,7% през 2025 г. – почти двойно спрямо средните 1,4% за последното десетилетие. „Излизаме от фазата на инвестициите и влизаме във фазата на жътвата“, казва той.

Слок е по-предпазлив: „Може би AI има ефект на J-крива и му трябва време да се появи в макроданните. А може би не.“

Кой е прав, ще покажат следващите години. Но за твоя екип отговорът няма да дойде от статистиката. Ще дойде от това дали ще смениш само мотора, или и фабриката.

Ако искаш да започнеш от най-лесното място – ясни инструкции към AI, проверка на резултата и реални задачи от работата, – виж курса „Летящ старт с AI“.

Солоу виждаше компютрите навсякъде, освен в статистиката. Добрата новина е, че статистиката на твоя екип е много по-малка. И в нея ефектът се вижда далеч по-бързо.