📈 economics

Forecasting AI-Era Productivity: The Intellectually Converged Human Framework and a Missing Cognitive Mediator in Production Function Theory

Dit artikel lost de AI-productiviteitsparadox op door het Intellectueel Geconvergeerde Mens (ICH)-raamwerk voor te stellen, dat stelt dat de economische impact van AI afhankelijk is van een ontbrekende cognitieve mediator genaamd "convergentiecapaciteit" (C), waarbij wordt beweerd dat effectieve productiviteitswinsten de voorafgaande ontwikkeling van menselijke cognitieve integratie vereisen in plaats van louter AI-implementatie.

Oorspronkelijke auteurs: Kwan Soo Shin, In Seok Kang

Gepubliceerd 2026-06-19

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Kwan Soo Shin, In Seok Kang

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Mysterie: Waarom AI ons nog niet rijker maakt

Stel je voor dat de wereld zojuist een enorme vloot gloednieuwe, supersnelle racewagens heeft gekocht. Overheden en bedrijven hebben er biljoenen dollars aan uitgegeven. Logischerwijs zou je denken dat als je iedereen een racewagen geeft, iedereen veel sneller op zijn bestemming aankomt, toch?

Maar hier is het puzzelstukje: dat gebeurt niet.

Ondanks enorme investeringen in Kunstmatige Intelligentie (AI), is de algehele snelheid van de wereldeconomie (productiviteit) niet zo sterk gestegen als voorspeld. Sterker nog, in sommige plaatsen, zoals Zuid-Korea, vertraagt de economie zelfs, ondanks het feit dat ze de meest hoogopgeleide werkers en de meeste AI-tools hebben.

De auteurs van dit paper betogen dat economen naar het verkeerde deel van de vergelijking hebben gekeken. Ze behandelen AI als een zelfstandige motor die op zichzelf werkt. Het paper beweert dat AI eigenlijk meer lijkt op brandstof. Brandstof is nutteloos zonder een bestuurder die weet hoe hij moet sturen, wanneer hij moet remmen en hoe hij door een storm moet navigeren.

Het Ontbrekende Ingrediënt: "Convergence Capacity"

Het paper introduceert een nieuw concept genaamd Convergence Capacity (C). Zie dit als het "Rijbewijs" voor het AI-tijdperk. Het gaat niet alleen om het kennen van feiten (wat traditionele educatie meet); het gaat om hoe jouw brein interactie heeft met de machine.

De auteurs zeggen dat AI vier specifieke menselijke vaardigheden nodig heeft om daadwerkelijk te werken:

Embodied Understanding (De "Gevoelscheck"): AI kan een medisch rapport schrijven, maar het voelt de pijn van de patiënt niet en ziet niet de kleur van hun huid. Een mens met een hoge "Convergence Capacity" weet wanneer hij de AI moet vertrouwen en wanneer hij moet zeggen: "Dit voelt niet goed."
Metacognitive Calibration (De "Leugendetector"): Dit is het vermogen om na te denken over je eigen denken. Het is de vraag: "Is deze AI-output een hallucinatie? Is het bevooroordeeld?" Zonder dit kopiëren mensen blindelings wat de computer zegt.
Temporal Integration (De "Tijdreiziger"): AI leeft in het "nu". Het herinnert zich de geschiedenis van het bedrijf van 10 jaar geleden niet en begrijpt niet hoe een beslissing van vandaag de cultuur over 5 jaar kan ruïneren. Mensen moeten de data van de AI verbinden met het verleden en de toekomst.
Integrative Thinking (De "Connector"): AI is erg goed in het oplossen van problemen binnen zijn eigen kader. Mensen zijn nodig om een oplossing uit de biologie toe te passen op techniek, of muziektheorie te mengen met programmeren. AI kan dit creatieve "kruisbestuivingsproces" niet uit zichzelf doen.

De Drie Scenario's: Wat gebeurt er als je AI en Mensen mengt?

Het paper beschrijft drie verschillende "regimes" of uitkomsten op basis van hoeveel AI (A) en hoeveel menselijke vaardigheid (C) je hebt:

Regime 1: "Mediated Automation" (Hoge AI, Lage Vaardigheid)
- De Analogie: Je geeft een peuter een Ferrari. Ze gaan in de bestuurdersstoel zitten, trappen het gas in en crashen.
- Het Resultaat: Dit is wat er gebeurt in plaatsen zoals Zuid-Korea. Ze hebben een hoge AI-adoptie en slimme werkers, maar de werkers missen de specifieke "Convergence Capacity" om de AI te sturen. De AI doet het werk, maar de mens fungeert slechts als tussenpersoon die de output van de AI doorgeeft zonder waarde toe te voegen. Het resultaat? Nul productiviteitswinst.
Regime 2: De "Sweet Spot" (Hoge AI, Hoge Vaardigheid)
- De Analogie: Een Formule 1-coureur met een perfecte auto.
- Het Resultaat: Dit is te zien in landen als Singapore en Denemarken. De mens gebruikt de AI voor de saaie taken, en gebruikt vervolgens zijn "Convergence Capacity" om het werk van de AI te controleren, te corrigeren en creatief te verbeteren. Dit zorgt voor een enorme boost in de productiviteit.
Regime 3: De "Turing Trap" (Te veel AI, Lage Vaardigheid)
- De Analogie: Een bestuurder die de auto zo vaak voor zichzelf laat rijden, dat hij vergeet hoe hij moet rijden.
- Het Resultaat: Als je te veel op AI vertrouwt zonder je brein te trainen, verslappen je eigen vaardigheden (atrofie). Je wordt een "stempelzetter" die alleen maar de fouten van de AI aftekent. Hoe meer je het gebruikt, hoe slechter je wordt in denken, en hoe minder productief het systeem wordt.

De Zuid-Korea Casestudy

Het paper gebruikt Zuid-Korea als een perfect voorbeeld van Regime 1.

De Cijfers: Koreanen zijn extreem hoogopgeleid (Hoog Menselijk Kapitaal). Ze hebben AI sneller geadopteerd dan bijna iedereen (Hoge AI-gebruik).
Het Probleem: Hun onderwijssysteem richt zich op het onthouden van antwoorden en het afleggen van examens (procedurele vloeiendheid) in plaats van kritisch denken, creativiteit en het bevragen van autoriteit (Convergence Capacity).
De Uitkomst: Omdat de "Convergence Capacity" laag is, vertaalt de AI-investering zich niet in economische groei. De "bestuurder" is te druk met het volgen van de GPS om daadwerkelijk de auto te besturen.

De Oplossing: Verander de Volgorde van Operaties

Het paper stelt dat de huidige beleidsvoering achterstevoren is. Overheden en bedrijven haasten zich om AI-tools te kopen (AI-eerst) in de hoop dat de productiviteit volgt.

Het recept van het paper is "C-eerst":
Voordat je meer AI koopt, moet je je mensen trainen om betere "bestuurders" te worden.

Educatie: Stop met het alleen onderwijzen van feiten. Leer studenten hoe ze vragen moeten stellen, hoe ze verschillende ideeën kunnen verbinden en hoe ze kunnen herkennen wanneer een AI ernaast zit.
Bedrijfsvoering: Installeer niet alleen de software. Creëer een cultuur waarin werknemers worden beloond voor het controleren van het werk van de AI en het toevoegen van hun eigen creatieve draai, in plaats van alleen voor het gebruik van het hulpmiddel.

De Kern van het Verhaal

AI is geen toverstaf die alles oplost. Het is een krachtig hulpmiddel dat alleen werkt als de mens die het vasthoudt over de juiste mentale vaardigheden beschikt.

Het paper concludeert dat het "mysterie" waarom AI ons nog niet rijker maakt, is opgelost: We hebben de brandstof (AI), maar we hebben nog niet genoeg bestuurders getraind (Convergence Capacity). Als we de training verbeteren, zal de economie opvliegen. Als we dat niet doen, zitten we straks met een heleboel zeer dure, zeer snelle auto's die in een file staan.

Technische Samenvatting: Voorspellen van Productiviteit in het AI-tijdperk via het Raamwerk van de Intellectueel Geconvergeerde Mens

1. Het Probleem: De AI-productiviteitsparadox

Het artikel behandelt een centrale paradox in de hedendaagse economie: massale wereldwijde investeringen in Kunstmatige Intelligentie (AI) zijn er niet in geslaagd om proportionele winsten in de Totale Factor Productiviteit (TFP) te genereren. Terwijl de adoptie van AI in OECD-economieën snel versnelt, laten empirische gegevens een zwakke correlatie zien tussen AI-intensiteit en productiviteitsgroei. Zo verklaart de adoptie van AI alleen slechts 31% van de variantie in TFP-groei ( $R^2 = 0,31$ ) bij een OLS-analyse van 20 OECD-economieën.

De auteurs stellen dat dit geen empirische anomalie is, maar een theoretisch falen van de heersende productiefunctie-frameworks. Bestaande modellen, inclusere het dominante taakgebaseerde framework (Acemoglu & Restrepo), behandelen AI als een scheidbare productiefactor of een mechanisme voor taakautomatisering. Deze frameworks falen in het modelleren van de cognitieve mediatie die vereist is om AI productieve waarde te laten genereren. Bijgevolg wordt investering gericht op implementatie (AI-intensiteit, $A$ ) zonder de noodzakelijke voorafgaande ontwikkeling van het menselijke cognitieve vermogen om AI-outputs te funderen, te kalibreren en creatief uit te breiden.

2. Methodologie

Het artikel hanteert een conceptueel-theoretische methodologie die geworteld is in empirische observatie, een erkende benadering voor bijdragen aan framework-opbouw. Het onderzoeksontwerp omvat:

Theoretische Constructie: Een synthese van de evolutie van productiefunctietheorie (van de Industriële naar de Kennis-economie stadia) en cognitieve wetenschap (symboolgronding, belichaamde cognitie, metacognitie, temporele integratie) om een nieuw productie-framework voor te stellen.
Vergelijkende Casusanalyse: Een small-n cross-nationale analyse van 20 OECD-economieën (data 2018–2023). Dit volgt de traditie van het ontwikkelen van theoretische proposities door middel van patroonconsistente illustratie in plaats van statistische bevestiging.
Deviant Casusanalyse: Een gerichte examinatie van Zuid-Korea, dat een hoog menselijk kapitaal ( $H$ ) en substantiële AI-adoptie ( $A$ ) vertoont, maar een stagnerende TFP-groei, dienend als een kritische testcase voor de voorgestelde theorie.
Statistische Modellering: Zes OLS-modellen worden gepresenteerd om descriptieve patronen aan te tonen. Het primaire model (Model 6) introduceert een interactieterm tussen AI-adoptie en een proxy voor "Convergentiecapaciteit" ( $C$ ).
Robuustheidstoetsen: De studie maakt gebruik van leave-one-out cross-validatie, bootstrap-resampling (10.000 iteraties) en jackknife-procedures om zorgen over de precisie van kleine steekproeven aan te pakken, waarmee wordt bevestigd dat het interactie-effect niet wordt gedreven door een enkele uitschieter.

3. Belangrijkste Bijdragen

A. Het Framework van de Intellectueel Geconvergeerde Mens (ICH)

Het artikel stelt een vijfde-stadium productiefunctie-framework voor dat effectief menselijk kapitaal ( $\hat{H}$ ) herdefinieert als een functie van basis menselijk kapitaal ( $H$ ), AI-gebruiksinintensiteit ( $A$ ) en Convergentiecapaciteit ( $C$ ):

$\hat{H} = H \cdot [1 + \phi(A, C)]$
$Y = F(K, \hat{H})$

In deze formulering wordt de Solow TFP-residuele ( $A_{Solow}$ ) endogen gemaakt als de augmentatiefunctie: $A_{Solow} = [1 + \phi(A, C)]^{1-\alpha}$ .

B. Definiëren van Convergentiecapaciteit ( $C$ )

De auteurs definiëren $C$ als een vierdimensionale cognitieve constructie die de transformatie van AI-outputs naar productieve waarde medieert. Het is onderscheidend van, en niet reduceerbaar tot, Menselijk Kapitaal ( $H$ ) of Absorptievermogen. De vier dimensies zijn:

Belichaamde Begrip ( $C_1$ ): Het vermogen om symbolische AI-outputs te verbinden met sensorimotorische, culturele en contextuele realiteit.
Metacognitieve Kalibratie ( $C_2$ ): Het vermogen om de eigen kennisstaten te monitoren en het vertrouwen in AI-outputs te kalibreren (bijv. het herkennen van hallucinaties of suboptimale algoritmen).
Temporele Integratie ( $C_3$ ): Het vermogen om AI-outputs te contextualiseren binnen institutioneel geheugen (verleden) en toekomstige projecties.
Integratief Denken ( $C_4$ ): Het vermogen voor analogisch redeneren en cross-domein synthese om nieuwe oplossingen te genereren die buiten de trainingsdistributie van de AI liggen.

C. Theoretische Onderscheidingen

Het artikel onderscheidt $C$ rigoureus van aangrenzende constructen:

Vs. Menselijk Kapitaal: $H$ is de voorraad domeinkennis; $C$ is de metacognitieve architectuur die bepaalt hoe effectief $H$ AI gebruikt.
Vs. Absorptievermogen: Absorptievermogen is een construct op organisatieniveau voor kennisverwerking; $C$ is de individuele cognitieve micro-fundering.
Vs. Taakgebaseerd Framework: Het taakframework bepaalt welke taken geautomatiseerd worden; $C$ bepaalt de productiviteit van de resterende mens-AI-interactie.
Vs. Technologie Acceptatie Modellen (TAM): TAM verklaart adoptie; $C$ verklaart de productieve benutting na adoptie.

D. De Drie Augmentatie-regimes

De eigenschappen van de augmentatiefunctie $\phi(A, C)$ definiëren drie verschillende productie-regimes:

Regime I (Onder-augmentatie): Hoge $A$ , Lage $C$ . Resultaat: $\phi \approx 0$ . AI wordt intensief gebruikt maar fungeert als een "gemedieerde automatisering"-kanaal, wat taakverplaatsing genereert zonder productiviteitswinsten. Dit verklaart het "so-so technologie" fenomeen.
Regime II (Optimale Augmentatie): Hoge $A$ , Hoge $C$ . Resultaat: $\phi$ is gemaximaliseerd. Menselijk kapitaal en AI bevinden zich in een productieve evenwichtstoestand, wat creatieve extensie van AI-outputs mogelijk maakt.
Regime III (Over-automatisering/De Turing-val): Excessieve $A$ relatief aan $C$ . Resultaat: $\phi$ daalt. Mensen worden "stempelzetters", en de cognitieve infrastructuur ( $C$ ) atrofieert door gebrek aan oefening, wat een zelfversterkende degradatiecyclus creëert.

4. Resultaten en Empirische Bevindingen

Het Interactie-effect: De cross-nationale analyse toont aan dat de interactie tussen AI-adoptie en Convergentiecapaciteit ( $A \times C$ ) 86% van de variantie in TFP-groei verklaart ( $R^2 = 0,86$ ), een significante verbetering ten opzichte van de 31% die door AI-adoptie alleen wordt verklaard.
Het Koreaanse Paradox: Zuid-Korea dient als een deviante casus die de theorie bevestigt. Ondanks het hebben van een hoog menselijk kapitaal (70% tertiair onderwijs, top PISA-scores) en een hoge AI-adoptie (28% van de ondernemingen), blijft de TFP-groei in Zuid-Korea stagneren (~0,48%). Het framework schrijft dit toe aan een structurele onderdrukking van $C$ door examen-georiënteerd onderwijs (lage $C_2$ ), organisatorische hiërarchie (lage $C_2$ ) en academische silo-vorming (lage $C_4$ ).
Vergelijkend Bewijs: Landen met een hoge $C$ (bijv. Singapore, Denemarken, Zweden) vertonen een sterke AI-TFP koppeling, terwijl landen met een lage $C$ stagnatie vertonen, ongeacht het niveau van AI-adoptie.
Ontologische Beperkingen: Het artikel betoogt dat AI geen onafhankelijke productieve variabele kan zijn vanwege vier ontologische beperkingen: gebrek aan symboolgronding, gebrek aan belichaamde cognitie, gebrek aan echte metacognitie en gebrek aan temporele integratie (mentale tijdreis). Deze beperkingen vereisen menselijke cognitieve mediatie.

5. Betekenis en Claims

Het artikel claimt een mensgericht mechanisme te bieden voor de Solow TFP-residuele, waardoor deze wordt getransformeerd van een exogene "maatstaf van onwetendheid" naar een endogene beleidsvariabele die wordt bepaald door de kwaliteit van de mens-AI integratie.

Beleidsimplicaties: De auteurs pleiten voor een "C-eerst" beleidssequencing. Naties en organisaties zouden prioriteit moeten geven aan de ontwikkeling van convergentiecapaciteit (door middel van onderwijsreformatie, interdisciplinaire synthese en metacognitieve training) voordat of gelijktijdig met de implementatie van AI. Het versnellen van AI-adoptie in omgevingen met een lage $C$ voorspelt een afnemende meeropbrengst of actieve schade (Regime III) te leveren.
Theoretische Vooruitgang: Het framework overbrugt de micro-macro kloof in AI-productiviteitsonderzoek door een mechanisme te bieden om individuele cognitieve effecten te aggregeren naar macro-economische uitkomsten. Het herinterpreteert de productiviteitsparadox niet als een meetfout of een tijdelijk vertragingsfenomeen (J-curve), maar als een investeringssequencing-probleem.
Falsifieerbaarheid: Het artikel biedt een falsifieerbare 10-jarige prognose (2025–2035): Naties die investeren in de ontwikkeling van $C$ zullen een aanzienlijk sterkere AI-TFP koppeling vertonen dan naties die de adoptie maximaliseren zonder $C$ . Specifiek voorspelt het dat Vietnam, indien het het Koreaanse "credential-gestuurde" onderwijstraject volgt zonder $C$ te ontwikkelen, de Koreaanse augmentatie-tekort zal repliceren.

De auteurs concluderen dat de "Intellectueel Geconvergeerde Mens" ( $\hat{H}$ ) de cruciale variabele is in het AI-tijdperk. Productieve waarde wordt niet gegenereerd door AI alleen, noch door menselijk kapitaal alleen, maar door de convergentiecapaciteit die mensen in staat stelt AI-outputs te funderen, te kalibreren en creatief uit te breiden.