📈 economics

The Accumulation Paradox: When Markups Enable and Inhibit AI Adoption

Questo articolo impiega un modello basato su agenti per dimostrare che la dinamica della struttura del mercato, in particolare l'assorbimento dei guadagni di produttività in markup più elevati e la natura bistabile delle soglie di adozione, spiega il paradosso tra i guadagni di produttività dell'IA a livello di impresa e la crescita stagnante della TFP aggregata.

Autori originali: Liutao Hu

Pubblicato 2026-06-25

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Liutao Hu

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immaginate l'economia come un enorme e frenetico mercato con 200 negozi diversi che vendono versioni leggermente differenti dello stesso prodotto. In questo mercato, è arrivato uno strumento magico e nuovo chiamato "IA". Questo strumento può rendere qualsiasi negozio incredibilmente efficiente, permettendogli di produrre beni più velocemente e a costi inferiori.

Il grande mistero che questo articolo cerca di risolvere è: se ogni negozio ottiene questo strumento super-efficiente, perché l'intero mercato non sta improvvisamente vivendo un boom di crescita?

L'autore, Liutao Hu, ha costruito una simulazione al computer (un "sandbox digitale") per osservare come si comportano questi negozi quando ricevono questo strumento. Invece di assumere che i negozi siano robot perfettamente razionali, la simulazione li tratta come persone reali che copiano i propri vicini, hanno paura del cambiamento e tengono profondamente alla quantità di profitto che possono conservare.

Ecco le tre scoperte principali della simulazione, spiegate in modo semplice:

1. La trappola del "Profitto-Prima-di-Tutto" (Assorbimento del Markup)

Immaginate un proprietario di un negozio che acquista lo strumento IA. I suoi costi scendono, quindi potrebbe abbassare i prezzi per attirare più clienti.

In una strada affollata e competitiva: Se ci sono 50 negozi che vendono la stessa cosa, il proprietario deve abbassare i prezzi per sopravvivere. Il risparmio derivante dallo strumento IA viene trasmesso a voi, il cliente, e l'intera economia cresce.
In una strada tranquilla ed esclusiva: Se il proprietario è uno dei soli due negozi in città, non ha bisogno di abbassare i prezzi. Invece, tiene il risparmio come profitto extra (un "markup" più elevato).

Il Risultato: L'articolo scopre che nelle strade "esclusive", lo strumento IA rende ricchi i proprietari dei negozi, ma non fa crescere l'intera economia. I guadagni di efficienza vengono "assorbiti" nelle tasche dei proprietari invece di fluire verso prezzi più bassi. La simulazione suggerisce che questo comportamento "profitto-prima-di-tutto" è la ragione principale per cui l'economia non sta vedendo un enorme boom, anche se le singole aziende stanno migliorando.

2. La corsa al "Rallentatore" (Inversione Temporale)

La simulazione mostra un colpo di scena sorprendente nel modo in cui i diversi tipi di negozi adottano lo strumento IA nel tempo. È come una corsa con due fasi distinte:

Fase 1 (Lo Sprint): All'inizio, i negozi nella "strada affollata" (settori competitivi) adottano l'IA per primi. Perché? Perché l'informazione viaggia velocemente lì ed è facile entrare. Sono gli "early adopter".
Fase 2 (La Maratona): Dopo alcuni anni, la corsa si ribalta. I negozi nella "strada esclusiva" (settori concentrati) iniziano a prendere il largo. Perché? Perché hanno accumulato tutti quei profitti extra (dalla trappola del "Profitto-Prima-di-Tutto"). Hanno un portafoglio profondo di contanti da versare in costosi aggiornamenti tecnologici a lungo termine. I negozi competitivi, lottando per mantenere i prezzi bassi, rimangono senza liquidità per grandi investimenti.

La Previsione: Se questo modello è corretto, potremmo vedere le industrie competitive (come alcuni settori del retail o dei servizi) guidare l'adozione dell'IA proprio ora, ma intorno al 2029, le grandi aziende dominanti nelle industrie concentrate potrebbero superarle.

3. Il "Punto di Svolta" (Bistabilità)

La simulazione ha scoperto un pericoloso "punto di svolta" nel mercato.

Sotto la linea: Se un mercato è solo parzialmente concentrato (pochi grandi attori), l'adozione dell'IA è alta e stabile.
Sopra la linea: Se un mercato è troppo competitivo (troppi giocatori che combattono per le briciole), i profitti sono così esigui che nessuno può permettersi di investire nello strumento IA, e l'adozione si blocca.
La Zona di Pericolo: Proprio nel mezzo, il sistema diventa instabile. È come una palla appoggiata sulla cima di una collina. Una piccola spinta in una direzione la manda a rotolare in una valle a "Alta Adozione"; una piccola spintarella dall'altro lato la manda in una valle a "Bassa Adozione". Due mercati identici potrebbero finire con futuri completamente diversi basandosi solo su una condizione iniziale casuale.

Il Ruolo del "Copiare" (Imitazione)

L'articolo ha anche esaminato cosa succede se i negozi smettono di copiare le strategie l'uno dell'altro.

La Scoperta: Quando i negozi smettono di copiarsi, il mercato diventa in realtà più monopolistico (meno grandi vincitori, più perdenti). Copiare funge da rete di sicurezza che mantiene il mercato diversificato. Impedisce che la spirale del "chi più ha, più ottiene" diventi troppo estrema, anche se non necessariamente spinge tutti a investire di più.

In Sintesi

L'articolo sostiene che il "Paradosso della Produttività dell'IA" (perché vediamo una grande tecnologia ma una crescita economica lenta) non riguarda solo una cattiva misurazione o la perdita di posti di lavoro. Riguarda chi ottiene i soldi.

Se la struttura del mercato permette alle grandi aziende di tenere tutti i guadagni di efficienza come profitto extra, l'intera economia non ne beneficia. La simulazione suggerisce che affinché l'IA possa davvero dare una spinta all'economia, abbiamo bisogno di un mix di competizione (per forzare i cali di prezzo) e di abbastanza stabilità (per permettere l'investimento), ma l'attuale percorso sembra favorire la prima a scapito della seconda.

Nota Importante: L'autore è molto chiaro nel dire che questa è una simulazione basata su regole specifiche. Mostra come questi schemi potrebbero emergere da comportamenti semplici, ma non è una palla di cristallo che predice esattamente il futuro del mondo reale. È una storia del tipo "cosa succederebbe se" che aiuta a comprendere la meccanica del problema.

Sintesi Tecnica: Il Paradosso dell'Accumulazione

Definizione del Problema
Il documento affronta il "paradosso della produttività dell'IA", ovvero la discrepanza tra i robusti guadagni di produttività a livello di impresa attribuiti all'intelligenza artificiale generativa (stimati intorno al ~~4%) e la stagnazione della crescita aggregata della Produttività Totale dei Fattori (TFP) negli Stati Uniti (~~1%/anno). Mentre la letteratura esistente attribuisce questo divario a errori di misurazione, spostamento del lavoro o esternalità della domanda (ad es. Falk & Tsoukalas, 2026), tali modelli trattano tipicamente la struttura del mercato come un dato esogeno e fisso. Il documento sostiene che la struttura del mercato non è uno sfondo statico, ma co-evolve con l'adozione tecnologica. Nello specifico, investiga come la distribuzione delle rendite dell'IA — mediata dalla concentrazione di mercato e dal potere di prezzo — determini se i guadagni di efficienza a livello di impresa si traducano in crescita macroeconomica aggregata.

Metodologia
Lo studio impiega un Modello Basato su Agenti (ABM) situato all'interno della tradizione dell'economia evolutiva (Nelson & Winter, 1982; Dosi & Roventini, 2019). Il modello simula un'economia di concorrenza monopolistica con $N=200$ imprese eterogenee e un consumatore rappresentativo. Le principali caratteristiche metodologiche includono:

Razionalità Limitata: Le imprese non risolvono problemi di ottimizzazione prospettici. Al contrario, seguono euristiche di investimento, apprendono attraverso l'imitazione di pari di successo e regolano le strategie in base alla redditività osservata.
Struttura di Mercato Endogena: La concentrazione di mercato (misurata tramite HHI), la dispersione dei markup e la tempistica di adozione emergono dalle decisioni a livello di impresa piuttosto che essere imposte come parametri. Le imprese possiedano elasticità di sostituzione specifiche per l'impresa ( $\sigma_i$ ) derivate dalla loro produttività e quota di mercato, che determinano il loro potere di prezzo.
Dinamiche di Adozione: L'investimento nell'IA è regolato da una variabile di prontezza informativa ( $R_i$ ) che si accumula tramite la diffusione e l'influenza dei pari. Ciò crea una traiettoria di adozione a curva S, ritardando l'investimento fino al superamento di una soglia.
Approccio Generativo: Il modello è progettato per l'identificazione dei meccanismi (Epstein & Axtell, 1996) piuttosto che per la stima strutturale. Testa se la competizione, l'imitazione e le dinamiche di adozione siano congiuntamente sufficienti a generare il paradosso osservato.
Calibrazione: I parametri sono ancorati a momenti empirici, inclusa la distribuzione dei markup a livello di impresa (De Loecker et al., 2020) e i tassi di crescita della TFP a breve termine (BLS). I ranking di adozione settoriale del modello sono confrontati con l'U.S. Business Trends and Outlook Survey (BTOS).

Contributi Chiave e Risultati
Le simulazioni generano tre pattern primari che spiegano la soppressione della TFP aggregata:

Assorbimento dei Markup: Nei mercati concentrati (bassa elasticità di sostituzione $\sigma$ ), le imprese convertono i guadagni di efficienza indotti dall'IA in markup più elevati invece di abbassare i prezzi o espandere l'output. Il documento identifica questo "canale del markup" come il principale soppressore della trasmissione della TFP, spiegando circa 24 punti percentuali della soppressione della TFP nell'intervallo di $\sigma$ . Un meccanismo secondario, il "gate di adozione" (ritardo nell'investimento dovuto all'accumulo di informazioni), contribuisce con una soppressione media aggiuntiva di 10,4 punti percentuali.
Inversione Temporale nei Ranking di Adozione: Il modello predice un'evoluzione non monotona nell'adozione settoriale. Inizialmente (anni 0–4), i settori competitivi (alto $\sigma$ ) adottano l'IA più rapidamente a causa delle barriere all'entrata più basse e della rapida diffusione delle informazioni. Tuttavia, dopo un punto di incrocio (circa 4 anni), i settoli concentrati (basso $\sigma$ ) li superano. Questa inversione avviene perché i markup più elevati nei settori concentrati forniscono i fondi interni sostenuti necessari per investimenti in IA duraturi e su larga scala, mentre i settori competitivi ne erodono i rendimenti.
Bistabilità e Soglie di Competizione: Esiste una soglia critica di competizione intorno a $\sigma \approx 5$ . Al di sotto di questo valore, i mercati concentrati sostengono un'alta adozione; al di sopra, la pressione competitiva erode i markup a un punto tale che l'investimento nell'IA diventa insostenibile, portando a una bassa adozione. Vicino a questo confine, il sistema esibisce bistabilità: parametrizzazioni identiche producono regimi di alta o bassa adozione a seconda delle condizioni iniziali casuali. Ciò formalizza una tensione kaleckiana in cui i markup fungono simultaneamente da carburante per l'investimento e da barriera alla diffusione competitiva dei guadagni.

Significatività e Rivendicazioni
Il documento inquadra esplicitamente i suoi contributi come "dimostrazioni generative" piuttosto che stime causali di fenomeni del mondo reale. La sua significatività risiede in:

Identificazione dei Meccanismi: Dimostra che il paradosso della produttività dell'IA può emergere endogenamente dalla co-evoluzione di tecnologia e struttura del mercato, senza fare affidamento esclusivamente su esternalità della domanda o errori di misurazione.
Integrazione Teorica: I risultati collegano gli strumenti di modellazione mainstream (domanda CES, produzione Cobb-Douglas) con quadri teorici eterodossi. Il canale dell'assorbimento del markup risuona con l'assorbimento del surplus marxista e il capitale monopolistico di Baran/Sweezy; la soglia di bistabilità riflette la tensione post-keynesiana/kaleckiana tra investimento guidato dai profitti e domanda guidata dai salari; e il ruolo dell'imitazione si allinea con le visioni istituzionaliste sulla coordinazione non di mercato (Hodgson, 1988).
Implicazioni Politiche (Indirette): Il documento chiarisce le precondizioni analitiche per la politica piuttosto che prescrivere strumenti specifici. Suggerisce che la politica della concorrenza e la politica industriale debbano affrontare i meccanismi distributivi: prevenendo che l'assorbimento dei markup affami la TFP aggregata, garantendo al contempo una diffusione sufficiente laddove i rendimenti privati siano insufficienti.
Predizioni Empiriche: Il modello offre un'ipotesi testabile: se i settori competitivi guidano attualmente l'adozione dell'IA (come suggeriscono i dati BTOS del 2024), i settori concentrati dovrebbero superarli intorno al 2029.

Gli autori mantengono una posizione modesta, osservando che il modello è un'economia chiusa con mercati del lavoro semplificati e che i livelli quantitativi di adozione sono valori di equilibrio di lungo periodo che eccedono i dati trasversali attuali. La rivendicazione centrale è che i pattern osservati sono strutturalmente generati da un insieme minimo di regole comportamentali, offrendo una nuova lente attraverso cui interpretare l'interazione tra potere di mercato e diffusione tecnologica.