AI, Productivity and Firm Resilience: Evidence from Indonesia
تحلل هذه الدراسة الشركات التصنيعية الإندونيسية لتكشف أن تبني الذكاء الاصطناعي يعزز الإنتاجية بشكل كبير، لا سيما للشركات متوسطة الحجم في القطاعات كثيفة التكنولوجيا وتلك المتعافية من الصدمات الاقتصادية، مع إظهار عوائد حدية متناقصة مع زيادة حجم الشركات وكثافة مدخلاتها.
في الاقتصاد الحديث، تُعد المصانع هي المحركات التي تدفع الأمم نحو الأمام، حيث تحول المواد الخام إلى السلع التي تضمن استمرار الحياة اليومية. ولعقود من الزمن، راقب الاقتصاديون هذه المحركات عن كثب وهي تتطور، سعياً لفهم ما يجعلها تعمل بشكل أسرع وأكثر كفاءة. ويتمثل أحد الأسئلة المركزية في هذا المجال في كيفية تغيير التقنيات الجديدة لطريقة عمل الشركات. فعندما يتبنى مصنع ما آلة جديدة أو نظام برمجيات أكثر ذكاءً، هل ينتج ببساطة المزيد، أم أنه يغير جوهرياً طبيعة العمل نفسه؟ ويصبح هذا السؤال أكثر إلحاحاً عند النظر إلى الدول النامية، حيث يعتمد مسار الازدهار غالباً على مدى سرعة قدرة الشركات المحلية على تطوير أدواتها. وفي السنوات الأخيرة، برز نوع محدد من التكنولوجيا يُعرف بالذكاء الاصطناعي كقوة مؤثرة. وخلافاً للآلات البسيطة التي تكرر مهمة واحدة، يمكن لهذه التكنولوجيا أن تتعلم، وتتكيف، وتتخذ القرارات، مما يعد بإعادة تشكيل الإنتاجية في جميع أنحاء العالم. ومع ذلك، وبينما يُعرف الكثير عن كيفية عمل هذه الأدوات في الدول الغنية، إلا أن هناك فجوة في فهمنا لكيفية عملها في أماكن مثل إندونيسيا، حيث تكالفت العمالة أقل والأنظمة الرقمية لا تزال في طور النضج.
تأتي دراسة جديدة أجراها "البحت أنيف" من جامعة ناغويا لتملأ هذه الفجوة عبر فحص كيفية تأثير الذكاء الاصطناعي بدقة على أداء شركات التصنيع في إندونيسيا. وقد حلل الباحث بيانات لآلاف المصانع على مدار فترة عامين تزامنت مع الجائحة العالمية، وهي فترة شهدت اضطراباً شديداً في النشاط الاقتصادي. ومن خلال مقارنة الشركات التي تبنت هذه الأنظمة الذكية بتلك التي لم تتبنها، تكشف الدراسة عن فائدة واضحة وجوهرية: كانت المصانع التي تستخدم الذكاء الاصطناعي أكثر إنتاجية بشكل ملحوظ. وتحديداً، وجدت الدراسة أن الشركات المتبنية أنتجت ما بين 17 و32 بالمئة زيادة في المخرجات لكل وحدة مدخلات مقارنة بنظرائها من غير المتبنيين. ولم تكن هذه الفجوة محض صدفة؛ فقد ظلت قائمة حتى بعد أن وضع الباحث في الاعتبار الاختلافات في حجم الشركة، ورأس المال، وعدد العمال، مما يشير إلى أن التكنولوجيا نفسها كانت هي المحرك لهذا التحسن.
ومع ذلك، فإن القصة ليست بهذه البساطة التي تقول إن "المزيد من التكنولوجيا يعني مزيداً من النجاح للجميع". إذ تكشف الدراسة عن تحول مفاجئ: يبدو أن فوائد الذكاء الاصطناعي ليست موزعة بالتساوي. في الواقع، تبدو هذه التكنولوجيا تعمل بشكل أفضل مع الشركات متوسطة الحجم، لا سيالما تلك الموجودة في صناعات متقدمة تكنولوجياً بالفعل. وبالنسبة لهذه الشركات، كان تبني الذكاء الاصطناعي بمثابة أداة مساواة قوية، مما سمح لها بسد الفجوة مع المنافسين الأكبر حجماً. وفي المقابل، شهدت الشركات الكبيرة جداً في القطاعات التقليدية مكاسب أقل، وتشير الدراسة إلى أنه كلما زاد رأس المال والعمالة التي تستخدمها الشركة، قلّت الفائدة الإضافية التي تجنيها من إضافة الذكاء الاصطناعي. ويشير هذا النمط إلى أن التكنولوجيا لا تعزز مجرد هيمنة اللاعبين الأكبر، بل تقدم ميزة فريدة للشركات المتوسطة المرنة التي يمكنها دمج هذه الأدوات دون تكاليف التنسيق الباهظة التي غالباً ما تبطئ المنظمات الضخمة.
كما يوفر توقيت هذا البحث لمحة نادرة حول كيفية مساعدة التكنولوجيا للشركات على النجاة من الأزمات. فقد غطت البيانات عامي 2020 و2021، وهي الفترة التي تسببت فيها الجائحة في حالات إغلاق واسعة النطاق وفوضى في سلاسل التوريد. وتظهر النتائج أن الذكاء الاصطناعي لم يمنع المصانع من الشعور بالصدمة الأولية للأزمة في عام 2020؛ إذ انخفضت الإنتاجية مع تعطل العمليات. ومع ذلك، بحلول عام 2021، ومع بدء التعافي الاقتصادي، تعافت المصانع التي تبنت التكنولوجيا بشكل أسرع وأقوى بكثير من تلك التي لم تتبنها. وهذا يشير إلى أنه بينما لا تستطيع التكنولوجيا منع العاصفة من الهبوب، إلا أنها تعمل كأداة حاسمة لإعادة البناء بعد ذلك، مما يسمح للشركات بإعادة تنظيم عملياتها والتغلب على الاختناقات مثل نقص العمالة أو تأخيرات التوريد.
تتحدى هذه النتائج الافتراض الشائع بأن الشركات الأكبر والأكثر استقراراً هي الوحيدة المؤهلة للاستفادة من التحديثات عالية التقنية. وبدلاً من ذلك، تشير الأدلة من إندونيسيا إلى أن الذكاء الاصطناوي هو أداة مرنة يمكنها تعزيز الكفاءة لمجموعة واسعة من الشركات، بشرط امتلاك الحجم والسياق المناسبين لاستخدامها بفعالية. وبالنسبة لصناع السياسات وقادة الأعمال في الاقتصادات النامية، فإن الدرس واضح: إن دعم تبني هذه التقنيات في الشركات متوسطة الحجم قد يحقق نمواً اقتصادياً إجمالياً أكبر من التركيز حصراً على العمالقة الصناعيين الأكبر حجماً. وتؤكد الدراسة أنه بينما يكون مسار التحول الرقمي معقداً، فإن العائد من حيث المرونة والإنتاجية هو عائد حقيقي، مما يوفر وسيلة ملموسة للأسواق الناشئة لتعزيز أسسها الاقتصادية في عالم غير مستقر.
ملخص تقني: الذكاء الاصطناعي، الإنتاجية، ومرونة الشركات: أدلة من إندونيسيا
1. مشكلة البحث والسياق بينما يُعترف بالذكاء الاصطناعي على نطاق واسع كتقنية عامة الغرض (GPT) تدفع الإنتاجية العالمية، إلا أن الأدلة التجريبية المتعلقة بتأثيره في الاقتصادات النامية لا تزال نادرة. تعتمد الأدبيات الحالية بشكل كبير على بيانات من مناطق ذات دخل مرتفع (مثل الولايات المتحدة، أوروبا، الصين)، مما يترك فجوة في فهم كيفية عمل الذكاء الاصطناعي في السياقات التي تتميز بانخفاص تكاليف العمالة، وبنية تحتية رقمية ناشئة، وهياكل صناعية متميزة. علاوة على على ذلك، فإن دور الذكاء الاصطناي كآلية للمرونة الاقتصادية أثناء الصدمات الخارجية، وتحديداً جائحة كوفيد-19، لا يزال غير مستكشف بشكل كافٍ على مستوى الشركات. تعالج هذه الدراسة هذه الفجوات من خلال استقصاء العلاقة بين تبني الذكاء الاصطناعي وإنتاجية الشركات داخل قطاع التصنيع الإندونيسي، وهو قطاع نموذجي في اقتصاد ناشئ يمر حالياً بمرحلة التحول الرقمي تحت مظلة خارطة طريق "صنع إندونيسيا 4.0".
2. البيانات والمنهجية تستخدم الدراسة مجموعة بيانات بانل (panel dataset) متطابقة لشركات التصنيع الإندونيسية للفترة 2020-2021، مستمدة من مسح الصناعات التحويلية الكبيرة والمتوسطة الذي أجرته هيئة الإحصاء الإندونيسية (BPS). تتكون العينة النهائية من 24,033 شركة مع ملاحظتين لكل شركة سنوياً.
المتغيرات الرئيسية:
المعالجة (Treatment): مؤشر ثنائي لتبني الذكاء الاصطناعي، ويُعرف بأنه استخدام التقنيات الرقمية والخوارزمية (بما في ذلك أنظمة الأتمتة). ويعكس هذا النمط السائد لتبني الذكاء الاصطناعي في الاقتصادات التصنيعية الناشئة، حيث يتم تجسيد الذكاء الاصطناعي في معدات الإنتاج بدلاً من التطبيقات الرائدة المستقلة.
النتيجة (Outcome): تُعد إنتاجية عوامل الإنتاج الكلية (TFP) المتغير التابع الأساسي، والتي تم تقديرها باستخدام نهج ليفينسون-بيرين (LP) شبه البارامتري لتصحيح تحيز التزامن. وتستخدم اختبارات المتانة (Robustness checks) إنتاجية عوامل الإنتاج الكلية المقدرة عبر بقايا المربعات الصغرى العادية (OLS residuals) وإنتاجية العمل.
المتغيرات الضابطة: تشمل ضوابط مستوى الشركة رأس المال، والعمالة، والمدخلات الوسيطة، وحالة الاستثمار الأجنبي.
استراتيجية التحديد:
التقدير الأساسي: يستخدم المؤلف طريقة المربعات الصغرى العادية (OLS) مع تأثيرات ثابتة عالية الأبعاد (الصناعة والسنة). وقد تم تجنب التأثيرات الثابتة للشركات إلى حد كبير في التقدير الأساسي بسبب قصر أبعاد البانل (2020-2021) والاستمرارية العالية لتبني الذكاء الاصطناعي، مما يحد من التباين داخل الشركة الواحدة.
معالجة تحيز الاختيار: للتخفيف من تحيز الاختيار الذاتي (حيث قد تكون الشركات الأكثر إنتاجية هي الأكثر عرضة لتبني الذكاء الاصطناعي)، تستخدم الدراسة مطابقة درجات الميل (PSM) وتعديل الانحدار باستخدام وزن الاحتمال العكسي (IPWRA). ويُوصف مقدر (IPWRA) بأنه "متين مزدوجاً"، مما يضمن الاتساق إذا تم تحديد نموذج المعالجة أو نموذج النتيجة بشكل صحيح.
الآلية والتباين: يفحص التحليل تأثيرات التفاعل بين تبني الذكاء الاصطناعي وخصائص الشركة (كثافة رأس المال، حجم العمالة، أيام التشغيل) ويفكك النتائج حسب كثافة الذكاء الاصطناعي القطاعية (القطاعات كثيفة الذكاء الاصطناعي مقابل غير الكثيفة) وحجم الشركة.
3. النتائج الرئيسية
علاوة الإنتاجية: تُظهر الشركات التي تتبنى الذكاء الاصطناعي إنتاجية أعلى بكثير من الشركات غير المتبنية. وتشير التقديرات الأساسية إلى وجود فرق في الإنتاجية يتراوح بين 17% و32% عبر مختلف المواصفات ومقاييس الإنتاجية. وتحديداً، تشير المواصفة المفضلة (TFP القائمة على LP مع التأثيرات الثابتة للصناعة والسنة) إلى علاوة إنتاجية بنسبة 18% للمتبنين.
تناقص العوائد الحدية: تجد الدراسة تبايناً كبيراً في العوائد. حيث تضعف مكاسب الإنتاجية من الذكاء الاصطناعي كلما أصبحت الشركات أكثر كثافة في رأس المال أو كثافة في العمالة. وتشير مصطلحات التفاعل بين تبني الذكاء الاصطناعي ومدخلات رأس المال/العمل إلى أنها سالبة وذات دلالة إحصائية، مما يشير إلى أن الذكاء الاصطناعي يعمل كبديل للحجم بدلاً من كونه مكملاً لتراكم المدخلات الهائل.
التباين القطاعي والحجمي:
القطاعات كثيفة الذكاء الاصطناعي: تشهد الشركات متوسطة الحجم أكبر مكاسب الإنتاجية (حوالي 29.2%)، مما يعمل كآلية "لحاق بالركب". أما الشركات الكبيرة في هذه القطاعات فتشهد مكاسب أكثر تواضعاً (ح حوالي 17.5%)، مما يشير إلى تناقص العوائد بالقرب من الحدود التكنولوجية.
القطاعات غير الكثيفة للذكاء الاصطناعي: تحقق الشركات الكبيرة مكاسب إنتاجية أعلى (حوالي 20.8%) مقارم بالشركات متوسطة الحجم (حوالي 16.6%)، مما يشير إلى أن الذكاء الاصطناعي يعزز مزايا الحجم في الصناعات التقليدية.
المرونة والديناميكيات الزمنية: يكشف تحليل فترة الجائحة عن "تأخر المرونة". في عام 2020 (سنة ذروة الصدمة)، كانت علاوة إنتاجية الذكاء الاصطناسي متواضعة وغالباً غير معنوية. ومع ذلك، بحلول عام 2021 (سنة التعافي)، تحولت علاوة الذكاء الاصطناعي بشكل ملحوظ نحو الأعلى. وهذا يشير إلى أن الذكاء الاصطناعي لم يحمِ الشركات من الصدمة الأولية، بل كان آلية حاسمة للتعافي السريع والقوي للإنتاجية مع تكيف الشركات لنماذجها التشغيلية.
4. المساهمات الرئيسية تقدم الورقة ثلاث مساهمات متميزة للأدبيات:
أدلة من الأسواق الناشئة: توفر أدلة جديدة على مستوى الشركة من إندونيسيا، مما يعالج ندرة البيانات من الاقتصادات النامية حيث تختلف تكاليف العمالة والبنية التحتية بشكل كبير عن الاقتصادات المتقدمة.
الآلية المزدوجة للذكاء الاصطناعي: تكشف الدراسة أن الذكاء الاصطناعي يعمل بشكل مختلف اعتماداً على القطاع. فهو يعمل كـ "مُعادل" قوي للشركات متوسطة الحجم في الصناعات عالية التقنية، مما يمكنها من سد فجوة الكفاءة مع الشركات الكبيرة القائمة. وعلى العكس من ذلك، في القطاعات التقليدية، فإنه يعزز مزايا الحجم للشركات الكبيرة.
آلية المرونة: تقدم الدراسة واحدة من أولى التقييمات التجريبية للذكاء الاصطناعي كأداة للمرونة. وتشير النتائج إلى أنه بينما قد لا يمنع الذكاء الاصطناعي انخفاضات الإنتاجية الفورية أثناء الصدمة، فإنه يسهل مسار تعافٍ فائق، حيث يعمل كمحرك للنمو ودرع ضد التقلبات في آن واحد.
5. الأهمية والقيود يخلص المؤلف إلى أن الآثار الإنتاجية للذكاء الاصطناعي في الاقتصادات الناشئة تعتمد على خصائص الشركة، والسياق القطاعي، والقدرة على التكيف مع الصدمات الاقتصادية. وتتحدى النتائج السياسات الصناعية القياسية التي تفضل الشركات الكبيرة كثيفة رأس المال، وتقترح بدلاً من ذلك أن الدعم المستهدف للمؤسسات متوسطة الحجم يمكن أن يحقق مكاسب إنتاجية إجمالية أعلى.
وتقر الورقة بعدة قيود:
القياس: يتم قياس تبني الذكاء الاصطناعي كمؤشر ثنائي، وهو ما لا يلتقط عمق أو جودة أو الكثافة الاستراتيجية للتكامل.
مدة البانل: تحد الفترة الزمنية الممتدة لسنتين من القدرة على التمييز بين تكاليف التكيف قصيرة المدى والتغيرات الهيكلية طويلة المدى.
السببية: بينما تخفف طرق PSM وIPWRA من تحيز الاختيار، لا تستطيع الدراسة استبعاد عدم التجانس غير الملاحظ (مثل جودة الإدارة) تماماً دون أداة خارجية.
وعلى الرغم من هذه القيود، فإن اتساق النتائج عبر مختلف المقدرات والعينات الفرعية يدعم الاستنتاج بأن الذكاء الاصطناعي يلعب دوراً مهماً، وإن لم يكن تلقائياً، في تعزيز الكفاءة والمرونة الاقتصادية لشركات التصنيع في البلدان النامية.