W modelu ekonomicznym Google DeepMind kompetencje agentów AI określają, ile firma może wytworzyć przy danej wielkości, a koordynacja wpływa na to, jak zmienia się jej wydajność, gdy rośnie zespół. To ważne, bo sama poprawa umiejętności wykonywania zadań może zmieniać produkcję i płace stopniowo, podczas gdy lepsza współpraca może w modelu odblokować korzyści z większej skali.
Esej „The Economics of Intelligence”, opublikowany 29 października 2026 r. przez Google DeepMind, przedstawia ten podział jako sposób analizowania wpływu AI na firmy, zatrudnienie i płace. Napisali go Alex Imas, Andrew Koh i Shane Legg. Towarzysząca mu praca „Organizing Intelligence” formalizuje model. Esej ukazał się w ramach Google DeepMind Institute, którego uruchomienie opisaliśmy w osobnym materiale NeoTeo.
Dlaczego liczy się cały zespół, a nie tylko pojedynczy agent
Firmy łączą różne umiejętności i dzielą pracę, dlatego wynik pojedynczego systemu nie mówi sam w sobie, jak sprawny będzie zespół. Google DeepMind nazywa łączenie uzupełniających się zdolności „inteligencją mozaikową”: zespół może osiągać lepsze wyniki, jeśli jego członkowie dobrze pasują do różnych zadań.
Esej opisuje quiz, w którym uczestniczyło 100 osób i który obejmował sześć dziedzin: matematykę, rozumowanie werbalne, nauki ścisłe, rozpoznawanie wzorców, kulturę i ekonomię. Autorzy podają, że pary dobrane ze względu na uzupełniające się mocne strony osiągnęły w opisanym zadaniu wynik o 32% lepszy niż pary losowe. To rezultat tego konkretnego zadania, a nie ogólna miara wzrostu produktywności.
Kompetencje podnoszą wynik, koordynacja wpływa na skalę
W pracy towarzyszącej kompetencje oznaczają zdolność wykonywania zadań, takich jak pisanie lub programowanie. Koordynacja obejmuje natomiast współpracę agentów, w tym ograniczanie kosztów komunikacji i tarć związanych z uzgadnianiem działań.
| Wymiar modelu | Co zmienia | Możliwy skutek w modelu |
| Kompetencje | Wynik przy danej wielkości firmy | Zmiana produktywności, płac i składu zespołu bez koniecznej zmiany efektywnej skali firmy |
| Koordynacja | Sposób, w jaki wynik zmienia się wraz ze wzrostem organizacji | Przy odpowiednio wysokiej koordynacji każdy kolejny członek może zwiększać produkcję przypadającą na pracownika |
Lepsze kompetencje mogą więc podnosić wydajność zespołu bez usuwania ograniczeń związanych z jego rozmiarem. Koordynacja dotyczy innego pytania: czy większa organizacja potrafi dalej zwiększać produkcję na pracownika, zamiast tracić na rosnących kosztach współpracy.
Co oznacza próg koordynacji większej niż 1
W przykładowym równaniu z „Organizing Intelligence” warunkiem rosnących korzyści skali firmy jest średnia koordynacja większa niż 1. To parametr tej konkretnej ilustracji. Nie jest uniwersalną miarą, którą można bezpośrednio przypisać współczesnym systemom AI. Autorzy wskazują, że sprawdzenie, czy AI przekracza próg, jest pytaniem empirycznym.
Model opisuje trzy fazy skalowania organizacji. W pracy indywidualnej zadania wykonuje jedna osoba lub agent. Przy ograniczonej skali podział pracy początkowo pomaga, lecz dalszy wzrost napotyka koszty koordynacji. Nieograniczona skala pojawia się w modelu wtedy, gdy koordynacja jest na tyle dobra, że każdy kolejny członek podnosi produkcję przypadającą na pracownika.
Jak scenariusze łączą możliwości AI z pracą i rynkami
Esej wyróżnia cztery analityczne reżimy możliwości: minimalną AGI, superkompetentną AI, superkooperacyjną AI oraz sztuczną superinteligencję (ASI). To kategorie używane do rozpatrywania różnych warunków w modelu, a nie opis potwierdzonych etapów rozwoju obecnych systemów.
Skutki zależą również od rynku. Na dużych, skalowalnych rynkach odpowiednio wysoka koordynacja mogłaby sprzyjać wzrostowi firm AI i koncentracji działalności. W niszach ograniczony popyt może ograniczać skalę, a w usługach relacyjnych udział człowieka może wnosić wartość. Są to warunkowe wyniki modelu, nie opis zaobserwowanych zmian w gospodarce.
Model rozróżnia też sposoby zmiany zatrudnienia. W jednym scenariuszu wzrost kompetencji AI stopniowo zmienia liczbę ludzi pracujących w firmach łączących ludzi i systemy AI. W innym przejście do firm działających wyłącznie na AI wiąże się z nagłą zmianą zatrudnienia. Autorzy przedstawiają te scenariusze jako wyniki modelowania, a nie prognozę empiryczną ani prognozę działalności Google.
