诺贝尔经济学奖得主罗伯特·索洛 (Robert Solow) 在 20 世纪 80 年代末指出：“除了生产率统计数据外，你随处可见计算机时代的影子。”当时如此，现在也是如此。
人工智能 (AI) 技术是新的计算机时代。每个人都在谈论它们，新模型正在以闪电般的速度开发和发布，数百万甚至数十亿的用户正在尝试它们。然而，加拿大和其他地方的生产力仍然低迷。
虽然人们非常关注生产力增长能够提升到何种程度，但很少有人关注这种增长能多快实现，更不用说其中是否有任何可以可靠衡量的因素。这些问题对于制定支持这项技术建设性传播的政策具有重要意义。
回顾20世纪90年代的信息和通信技术（ICT）革命是具有启发意义的。
尽管当时企业在 ICT 设备上投入了大量资金，但这些投入需要数年时间才能转化为更高的生产率。这是有原因的。最重要的收益来自于技术的使用，而不是技术的生产，而技术的使用不仅需要在 ICT 上进行大量投资，还需要在企业组织方式、员工培训等方面进行补充投资——这些无形资产难以衡量，而且在实现收益之前必须克服调整成本。在短期内，这些成本非常明显，可能会让人觉得投资没有回报。
俗话说，经济学家总是最后才知道发生了什么，部分原因是数据收集存在时间滞后。20 世纪 90 年代的繁荣时期确实如此。衡量 ICT 影响的难度（部分原因是实施影响了如何衡量产出和价格）意味着收益很可能在数据证实之前就已经积累了。事实上，美国的生产率大幅提高，但直到官方数据修订版发布后，政策制定者才意识到这一点。换句话说，收益是存在的，但直到几年后才在官方生产率数据中体现出来。
这为什么重要？
首先，这种情况给宏观经济政策带来了一个棘手的问题。投资似乎没有带来回报，这可能被误认为是经济中供应方面的制约因素，从而引发通货膨胀。这样的背景可能导致货币和财政政策收紧，进而抑制增长，限制经济吸收新技术的能力。
其次，这种看法可能成为一种具有破坏性的自我实现预言：当投资似乎无法带来回报时，人们就不会再愿意进行进一步的投资。
当然，我们不是生活在 20 世纪 90 年代。政策制定者和企业已经从经验中吸取了教训。统计人员大大提高了衡量无形资产的能力。因此，错过生产率增长的风险比 30 年前要低（尽管并没有完全消除）。此外，企业快速扩展人工智能的能力比以往的科技繁荣时期要强得多：例如，企业和用户能够比以前更快地进行实验。
尽管如此，我们可以预见未来的道路充满坎坷。任何新的通用技术都存在未知数。过去的经验可以作为指导，但永远无法作为预言，而关于人工智能如何以及何时能够提高生产力的争论还远未尘埃落定。
此外，人工智能的采用也带来了自身的挑战。最近的一项调查指出了一系列问题，包括获得融资、雇用新的技术工人和提高现有劳动力的技能。这些挑战在采用 ICT 时也存在。但调查还指出了数据隐私和安全方面的问题。如果说有什么问题的话，那就是这些风险被低估了。解决这些问题对于人工智能能够且应该传播的速度至关重要，从而对其对生产力的影响也至关重要。
为此，更新隐私立法，为个人数据的使用和货币化制定适当的基本规则，对于人工智能的传播至关重要。但加拿大的隐私立法（以及数据和人工智能的监管框架）在加拿大议会首次提出多年后仍未见起色。在此背景下，加拿大宣布对计算（包括量子）进行大量投资。虽然这是一个可喜的发展，但重点是一些有形的东西——计算能力——而我们从 1990 年代学到的是，需要更加注重对无形资产的投资，使这些有形资产更有效。在无形资产是经济增长关键驱动力的当今世界，这无疑更为重要。
