Powszechnie uznawano fakt, że młody mężczyzna lub młoda kobieta w XIX wieku w Lancashire mogła znaleźć dobrze płatną pracę jako praktykant tkacki. W przedprodukcyjnym gospodarstwie chałupniczym rodzina tkacka zazwyczaj posiadała jedno ręczne krosno. Wraz z pojawieniem się zmechanizowanego przędzenia wełny, dla młodych i chętnych do podnoszenia kwalifikacji dostępnych stało się mnóstwo miejsc pracy.

Typowe doświadczenie praktykanta zaczyna się od frustracji. Mistrz tkactwa może zrobić wszystko, co uczeń, ale dwa razy szybciej i lepiej. Szybciej ustawiaj krosno, szybciej wykrywaj wady tkaniny, produkuj dwa razy więcej dziennie. Pod każdym względem uczeń jest gorszym pracownikiem. Jednak mistrz nigdy nie spędził poranka na przygotowywaniu szpulek. Każda godzina spędzona na nawijaniu przędzy to godzina nie spędzona na krośnie, gdzie tylko mistrz tkacki jest w stanie utrzymać tempo wymagane przez kupca. Uczeń nawija szpulki przez cały dzień, zwłaszcza nie dlatego, że jest w tym kiepski, ale dlatego, że jego czas jest mniej kosztowny w ten sposób.

Mistrz ma absolutną przewagę w każdym zadaniu. Praktykant ma przewagę komparatywną w nawijaniu szpulek, ponieważ koszt alternatywny czasu praktykanta jest niższy. To rozróżnienie, po raz pierwszy sformalizowane przez Dawid Ricardo w 1817 r., jest jednym z najpotężniejszych wyników w ekonomii. Nawet jeśli jedna ze stron jest lepsza we wszystkim, obie strony są w lepszej sytuacji, gdy każda specjalizuje się zgodnie z przewagą komparatywną.

Czy możemy zastąpić mistrza maszyną?

Duża część paniki wokół sztucznej inteligencji opiera się na wskazywaniu absolutnych zalet. LLM potrafią pisać wyraźnie i przekonująco. Szybko podsumowują duże dokumenty. Generują zadowalające skrypty Pythona w ciągu kilku sekund. W tych odrębnych zadaniach sztuczna inteligencja jest bezpośrednim konkurentem. Jeśli praca jest jedynie zbiorem takich zadań, pracownik ludzki ma kłopoty.

Wyzwaniem Ricardowskim jest jednak określenie, gdzie sztuczna inteligencja ma przewagę komparatywną i czy przejawia się ona na poziomie stanowiska pracy. Przewaga komparatywna zależy od kosztów alternatywnych. Dla człowieka wiążącym ograniczeniem jest czas. W przypadku sztucznej inteligencji ograniczeniem są obliczenia. Są to bardzo różne ograniczenia i są na tyle różne, że ludzie pozostają w centrum uwagi.

Weź radiologów. Agarwal i in. (2024) wykazało, że samonadzorowane algorytmy prześcignęły radiologów-ludzi w odczytywaniu zdjęć rentgenowskich klatki piersiowej, nawet w przypadku rzadkich chorób. Sztuczna inteligencja pełni tu rolę konkurenta dla konkretnego zadania interpretacji obrazu i wykazuje przewagę komparatywną, a mianowicie koszty alternatywne związane z koniecznością wykonywania przez sztuczną inteligencję licznych ćwiczeń z dopasowywania wzorców są znacznie niższe niż w przypadku człowieka. Jednakże wyniki algorytmu nie dają zalecenia ani decyzji dotyczącej leczenia. Radiolog w dalszym ciągu komunikuje się z pacjentem, współpracuje z lekarzami i na podstawie kontekstu ocenia, czy nieprawidłowości wymagają interwencji.

W tym szerszym kontekście zawodowym sztuczna inteligencja jest bardziej narzędziem niż bezpośrednim konkurentem. Koszt alternatywny radiologa związany z wykonywaniem zadań o wysokim kontekście jest niski w porównaniu z kosztem alternatywnym sztucznej inteligencji, ponieważ zamiast tego te same obliczenia mogłyby pozwolić na diagnozowanie tysięcy innych skanów. Nawet jeśli maszyny zastępują ludzi w rutynowych zadaniach, wzmacniają ludzką przewagę komparatywną w ocenie. Prawidłowy podział pracy polega na ciągłym realokowaniu. Maszyna wykonuje zadania tam, gdzie obliczenia są tanie, pozostawiając ludziom specjalizację tam, gdzie czas jest bardziej efektywny.

Czy mimo to powinniśmy się martwić?

Przewaga komparatywna mówi nam, że dwóch agentów czerpie korzyści z handlu, ale nie mówi nic o sposobie podziału korzyści. Jeśli obliczenia staną się wystarczająco tanie, dolna granica płac pracowników ludzkich spadnie wraz z nimi. Restrepo (2025) opracowuje model pokazujący, że płace są zbieżne z kosztem obliczeń potrzebnych do odtworzenia ludzkich umiejętności. Jeśli koszt pracownika cyfrowego spadnie do zera, udział dochodu z pracy w PKB spadnie wraz z nim.

Brzmi to przerażająco, ale „bez ograniczeń” w tym zdaniu robi dużo pracy. The Raport dotyczący indeksu AI Stanford HAI 2025 odkryli, że koszt funkcjonowania systemu na poziomie GPT-3.5 spadł 280-krotnie w latach 2022–2024. Możliwe jednak, że zbliżamy się do fizycznych i ekonomicznych granic tanich mocy obliczeniowych.

• Ograniczenia fizyczne. Zbliżamy się do atomowej granicy sprzętu. Dzisiejsze chipy mają rozstaw bramek około 48 nanometrów. The najmniejsza fizycznie możliwa bramka tranzystorowa wynosi około 0,34 nanometra, czyli szerokość pojedynczego atomu węgla. Cała pozostała odległość od obecnych projektów do granicy atomowej daje w przybliżeniu 140-krotną poprawę gęstości, mniej niż redukcja kosztów osiągnięta już w ciągu ostatnich dwóch lat.
• Energia i strona popytowa. Żadna ilość sprytnego oprogramowania nie eliminuje potrzeby posiadania ziemi, kapitału i energii elektrycznej. A gdy koszty jednostkowe spadają, całkowite zapotrzebowanie na moc obliczeniową rośnie szybciej, odblokowując nowe przypadki użycia, które sprawiają, że mocy obliczeniowej jest niewiele w porównaniu z pracą ludzką.

Ostatecznie rozróżnienie między sztuczną inteligencją jako konkurentem a sztuczną inteligencją jako narzędziem definiuje się poprzez przesuwającą się granicę przewagi komparatywnej. Podczas gdy maszyny wypierają nas w rutynowych zadaniach, w których mają absolutną przewagę, fizyczny i ekonomiczny niedobór mocy obliczeniowych zmusza je do specjalizacji, zamieniając je w instrumenty wzmacniające ludzki osąd.

Rezygnując z zadań, w których maszyna jest lepszym rywalem, skupiamy swój czas na rolach o wysokim kontekście, w których ludzka intuicja pozostaje najskuteczniejszym wkładem: ocena, fizyczna obecność i twórcza improwizacja. Wciąż żyjemy historią rewolucji przemysłowej. Współczesny pracownik utrzymuje swoją wartość, zmieniając pozycję w ramach coraz bardziej płynnego podziału pracy, z tą różnicą, że teraz zmiana pozycji następuje szybciej niż kiedykolwiek wcześniej.