Technisches Resümee: Datengesteuerte Automatisierung

1. Problemstellung

Die Arbeit befasst sich mit der Trajektorie und den ökonomischen Implikationen moderner KI-gesteuerter Automatisierung, die durch eine ausgeprägte Rückkopplungsschleife zwischen Datengenerierung und Kapitalproduktivität gekennzeichnet ist. Im Gegensatz zu früheren Wellen des technologischen Wandels, die primär Routineaufgaben verdrängten, verlassen sich moderne KI-Systeme auf riesige, heterogene und aufgabenspezifische Daten, um ihre Leistung zu verbessern. Die Autoren identifizieren eine kritische Lücke in der bestehenden Literatur: Während Daten als Nebenprodukt wirtschaftlicher Aktivität entstehen, steigern sie gleichzeitig die Produktivität des Kapitals und erweitern damit die Grenze automatisierter Aufgaben.

Das zentrale Problem besteht darin, zu bestimmen, wie diese Daten-Automatisierungs-Rückkopplungsschleife die Geschwindigkeit, die Richtung und die langfristigen Grenzen der Automatisierung prägt. Insbesondere untersucht das Papier:

• Unter welchen Bedingungen die Wirtschaft eine Vollautomatisierung versus eine Teilautomatisierung erreicht.
• Wie die Netzwerkstruktur von Datenspillover-Effekten (Transfer Learning) die Automatisierungsdynamik beeinflusst.
• Die Auswirkungen auf langfristige Löhne und die wirtschaftliche Effizienz.
• Ob datengesteuerte Automatisierung in Kombination mit Kapitalakkumulation zu explosivem Wachstum oder Stagnation führt.

2. Methodik

Die Autoren konstruieren ein Modell des dynamischen allgemeinen Gleichgewichts auf Basis des aufgabenbasierten Frameworks (Zeira, 1998; Acemoglu und Restrepo, 2018), das erweitert wurde, um endogene Datenakkumulation einzubeziehen.

Kernmerkmale des Modells

• Aufgabenraum: Ein Kontinuum von Aufgaben $X = [0,1]$, aggregiert über eine CES-Produktionsfunktion (Constant Elasticity of Substitution) mit der Elastizität $\sigma$.
• Produktionsfaktoren: Kapital ($K$) und Arbeit ($L$). Im Basisszenario sind diese fix; später wird die Kapitalakkumulation eingeführt.
• Daten als Zustandsvariable: Daten ($D_{it}$) sind aufgabenspezifisch und akkumulieren endogen als Nebenprodukt der Produktion: $\dot{D}_{it} = y_{it}$. Daten unterliegen keiner Abschreibung.
• Kapitalproduktivität: Die Produktivität des Kapitals in Aufgabe $i$, $\psi^K_i$, ist eine Funktion der effektiven Daten $A_i(D)$:
  $$\psi^K_i(A_i(D)) = f_i \cdot (A_i(D))^\eta$$
  wobei $\eta \in (0,1)$ die abnehmenden Erträge der Daten erfasst und $f_i$ die aufgabenspezifische Heterogenität darstellt.
• Aufgabenübergreifende Spillover-Effekte: Modelliert mittels eines Graphons $W(i,j)$, einer messbaren Funktion, welche die Intensität der Datenspillover von Aufgabe $j$ zu Aufgabe $i$ darstellt. Die effektiven Daten für Aufgabe $i$ sind $A_i(D) = \int W(i,j) D_j dj$. Dies bildet Transfer Learning und Kompetenzüberschneidungen ab.
• Automatisierungsgrenze: Ein Gleichgewichtsschwellenwert $\gamma_t$ trennt Aufgaben, die durch Kapital produziert werden ($i \le \gamma_t$), von solchen, die durch Arbeit produziert werden ($i > \gamma_t$).

Analytischer Ansatz

Die Autoren analysieren das Modell in drei Stufen:

1. Daten-Autarkie: Keine Spillover-Effekte ($W(i,j) = \mathbb{I}_{i=j}$). Sie leiten die Bedingungen für Voll- versus Teilautomatisierung basierend auf der Beziehung zwischen Aufgaben-Substituierbarkeit ($\sigma$) und Datenrenditen ($\eta$) ab.
2. Vernetzte Ökonomien: Einführung von Spillover-Effekten zur Analyse von „ansteckender“ Automatisierung und Kern-Peripherie-Dynamiken.
3. Effizienz und Wachstum: Vergleich des dezentralen Gleichgewichts mit dem Problem eines Sozialplaners und Einführung endogener Kapitalakkumulation zur Untersuchung von Wachstumsgrenzen.

3. Zentrale Beiträge und Ergebnisse

A. Langfristige Grenzen der Automatisierung

Der Grad der Automatisierung hängt vom Zusammenspiel zwischen aufgabenübergreifender Substituierbarkeit ($\sigma$) und den abnehmenden Erträgen der Daten ($\eta$) ab.

• Vollautomatisierung ($\sigma \le 1/\eta$): Wenn Aufgaben ausreichend komplementär sind (oder schwache Substitute darstellen), konvergiert die Wirtschaft gegen Vollautomatisierung ($\lim_{t\to\infty} \gamma_t = 1$). Die Kapitalallokation tendiert zu datenarmen Aufgaben, was eine ausgewogene Datenakkumulation über die gesamte Wirtschaft hinweg bewirkt.
• Teilautomatisierung ($\sigma > 1/\eta$): Wenn Aufgaben starke Substitute sind und Daten abnehmende Erträge aufweisen, kann die Wirtschaft teilweise automatisiert bleiben. Das Kapital konzentriert sich in einem kleinen Satz „datenreicher“ Aufgaben, was eine Rückkopplungsschleife erzeugt, in der datenreiche Aufgaben mehr Kapital anziehen, während datenarme Aufgaben vernachlässigt werden. Das Verhältnis der Daten zwischen reichen und armen Aufgaben divergiert gegen Unendlich.

B. Löhne und der Mechanismus „Eigene Ersetzung trainieren“

• Lohnstagnation: In der Vollautomatisierungsregime ($\sigma \le 1/\eta$) stagnieren die langfristigen Löhne. Obwohl datenaugmentiertes Kapital die Produktivität steigert, erhöht die Verdrängung der Arbeit auf einen schrumpfenden Satz von Aufgaben das effektive Arbeitsangebot, was die Produktivitätsgewinne kompensiert.
• Unbegrenztes Lohnwachstum: In der Teilautomatisierungsregime ($\sigma > 1/\eta$) wachsen die Löhne unbegrenzt, da die Automatisierungsgrenze begrenzt bleibt und somit eine vollständige Verdrängung der Arbeit verhindert.
• Mechanismus: Das Papier hebt ein Paradoxon hervor: Aufgabenübergreifende Komplementaritäten, die in einem partiellen Gleichgewicht typischerweise die Löhne erhöhen, führen in diesem dynamischen Setting zu Lohnstagnation, da sie die Produktion von „datenarmen“ Aufgaben induzieren, was wiederum die Akkumulation von Daten beschleunigt, die letztlich eben jene Aufgaben automatisieren.

C. Geschwindigkeit der Automatisierung

Selbst wenn eine Vollautomatisierung unvermeidlich ist, ist der Übergang langsam.

• Potenzgesetz-Abfall (Power Law Decay): Der Anteil der Aufgaben, die durch Arbeit produziert werden ($1-\gamma_t$), sinkt als Potenzfunktion der Zeit ($t^{-\eta/(1-\eta)}$).
• Fat Tail: Es bleibt ein „Fat Tail“ (fetter Schwanz) an Aufgaben bestehen, die lange Zeit von menschlicher Arbeit ausgeführt werden – nicht weil das Kapital dazu nicht in der Lage wäre, sondern weil die Grenzkosten des Kapitals (aufgrund begrenzter Daten) über dem Lohn liegen.
• Spillover und Geschwindigkeit: Während aufgabenübergreifende Spillover eine Vollautomatisierung unabhängig von $\sigma$ sicherstellen (Proposition 5), ändern sie die langfristige Geschwindigkeit des Potenzgesetzes nicht grundlegend. Dennoch können Netzwerkstrukturen (z. B. Kern-Peripherie) in der kurzen Frist implikationsreiche Dynamiken erzeugen, bei denen ein „Kern“ von Sektoren schnell automatisiert, während die „Peripherie“ aufgrund von Engpässen im Datenfluss zurückbleibt.

D. Effizienz

Das dezentrale Gleichgewicht ist generisch ineffizient.

• Richtung der Ineffizienz:
  • Wenn $\sigma < 1/\eta$, unterinvestiert der Markt im Vergleich zum Planer in datenarme Aufgaben. Der Planer würde das Kapital stärker in datenarme Aufgaben lenken, um die Konvergenz zu beschleunigen.
  • Wenn $\sigma > 1/\eta$, unterinvestiert der Markt in datenreiche Aufgaben. Der Planer würde das Kapital stärker in datenreiche Aufgaben lenken, um die Daten-Rückkopplungsschleife auszunutzen.
• Ursache: Unternehmen internalisieren nicht die positiven Externalitäten ihrer Produktion auf den aggregierten Datenbestand (weder für ihre eigene Aufgabe noch für andere über Spillover-Effekte).

E. Explosives Wachstum (Die Singularität)

Wenn endogene Kapitalakkumulation eingeführt wird:

• Datengesteuerte Singularität: Die Kombination aus Datenakkumulation (nicht abschreibbar, abnehmende Erträge) und Kapitalakkumulation (mit Abschreibung) führt zu explosivem Wachstum. Output und Konsum werden in endlicher Zeit unbeschränkt.
• Abgrenzung zu Nordhaus (2021): Im Gegensatz zur „angebotsseitigen Singularität“, die auf exogenem exponentiellem Wachstum der Kapitalproduktivität beruht, resultiert dieses Ergebnis aus der endogenen Rückkopplungsschleife. Entscheidend ist, dass dieses Ergebnis auch dann gilt, wenn Aufgaben grobe Komplemente sind ($\sigma < 1$), da sich die Automatisierungsgrenze endogen ausdehnt, um Kapital und Arbeit auf Aufgabenebene zu effektiven perfekten Substituten zu machen.

4. Bedeutung und Ansprüche

Das Papier beansprucht, einen rigorosen theoretischen Rahmen zum Verständnis der einzigartigen Dynamiken der KI-gesteuerten Automatisierung zu bieten, der sich von bisherigen Modellen des technologischen Wandels unterscheidet.

• Daten als distinkter Faktor: Die Autoren argumentieren, dass Daten nicht bloß ein Vorhersagewerkzeug sind (wie bei Jones und Tonetti, 2020), sondern ein kapitalaugmentierender Input, der endogen akkumuliert und eine Rückkopplungsschleife erzeugt, die die Automatisierungsfront vorantreibt.
• Umkehrung der Intuition: Das Papier stellt gängige Intuitionen bezüglich Löhne und Effizienz infrage. Es zeigt, dass aufgabenübergreifende Komplementaritäten zu Lohnstagnation führen können und dass Marktkräfte die Richtung der Datenakkumulation auf eine Weise verzerren können, die nicht-monoton von der Substituierbarkeit abhängt.
• Langsamer Übergang: Entgegen Narrativen eines schnellen, unmittelbaren Verdrängungsprozesses prognostiziert das Modell einen langsamen Übergang nach einem Potenzgesetz mit einem hartnäckigen „Fat Tail“ menschlicher Arbeit, getrieben durch die Zeit, die zur Akkumulation ausreichender aufgabenspezifischer Daten benötigt wird.
• Netzwerkeffekte: Die Einführung von Graphons ermöglicht die Analyse, wie die Struktur des Wissens (Transfer Learning) die Geschwindigkeit und das Gleichgewicht der Automatisierung bestimmt, was kurzfristige „Kern-Peripherie“-Disparitäten erklärt.

Die Autoren kommen zu dem Schluss, dass die datengesteuerte Automatisierung das Potenzial für explosives Wachstum und Vollautomatisierung besitzt, der Übergangspfad jedoch durch komplexe Dynamiken, potenzielle Ineffizienzen und eine verlängerte Phase gekennzeichnet ist, in der Arbeit essenziell bleibt, um die Daten zu generieren, die für ihre eigene Ersetzung erforderlich sind.