Productivity gains of artificial intelligence outweigh energy costs

Technische Samenvatting: Productiviteitswinsten van Kunstmatige Intelligentie wegen zwaarder dan de Energiekosten

Probleemstelling
De snelle verspreiding van kunstmatige intelligentie (AI) op de werkplek presenteert een dubbele trend: substantiële productiviteitswinsten op taalniveau en een ongekende expansie van de energievoetafdruk die geassocieerd wordt met AI-systemen. Terwijl studies op microniveau de tijdsbesparingen van AI-tools kwantificeren, en de afzonderlijke literatuur de koolstof- en elektriciteitsvoetafdruk van AI-infrastructuur schat, heeft geen enkele studie deze twee factoren direct vergeleken op een gemeenschappelijke monetaire schaal voor de geaggregeerde economie. Dit gat is cruciaal omdat de productiviteitsvoordelen primair toevallen aan bedrijven, terwijl de milieukosten worden geexternaliseerd naar de samenleving. Zonder een gezamenlijke beoordeling kunnen beleidsmakers en bedrijven de netto maatschappelijke opbrengst van grootschalige AI-adoptie niet evalueren.

Methodologie
De auteurs hanteren een taakgebaseerd kader om de eerste directe monetaire vergelijking te maken tussen AI-geïnduceerde productiviteitswinsten en energiekosten in de Amerikaanse werkomgeving. De analyse steunt op de volgende gegevens en methoden:

• Databronnen: De studie maakt gebruik van de O*NET-database, die 19.265 werktaken over 923 beroepen beslaat. Werkgelegenheids- en loongegevens zijn afkomstig van de U.S. Bureau of Labor Statistics (National Employment Matrix en Current Population Survey). Energieverbruik-benchmarks per query zijn afgeleid van [14], en elektriciteitsprijzen zijn gebaseerd op de Amerikaanse industriële tarieven van 2024.
• Productiviteitsschatting: Taakspecifieke tijdsbesparingen worden geschat met behulp van GPT-5-evaluaties van de O*NET-database. Taken worden geclassificeerd in drie blootstellingscategorieën:
  • E0: AI-assistentie levert tijdsbesparingen op van minder dan 50%.
  • E1: Toegang tot alleen een LLM-chatbot levert besparingen op van >50%.
  • E2: Besparingen overschrijden 50% alleen wanneer het model wordt uitgebreid met taakspecifieke software.
    De analyse gaat uit van een scenario van "quasi-volledige adoptie" waarbij alle E1-taken volledig worden uitgebreid, en E2-taken voor 50% worden gewogen om organisatorische barrières te reflecteren.
• Energie-inschatting: Totale elektriciteitskosten worden berekend door de frequentie van taakuitvoering te combineren met energieverbruik-benchmarks per query. De studie modelleert drie aannames voor query-iteraties (1, 4 en 7 iteraties per taak) en drie scenario's voor energieverbruik (minimum, gemiddeld en maximum over de gebenchmarkte modellen).
• Monetisering: Productiviteitswinsten worden uitgedrukt als "loonbesparingen" (de arbeidskosten-equivalent van de vrijgekomen tijd). Energiekosten worden omgezet naar dollars met behulp van gemiddelde Amerikaanse industriële elektriciteitsprijzen. De studie berekent ook koolstofemissies met behulp van levenscyclus CO2-gegevens en de sociale kosten van koolstof volgens de EPA om milieuexternaliteiten mee te wegen.

Belangrijkste Resultaten

• Productiviteitswinsten: Onder het scenario van quasi-volledige adoptie worden de geaggregeerde loonbesparingen geschat op ongeveer 8,87% van het Amerikaanse nominale BBP (2024). De verdeling van de tijdsbesparingen is bimodal: handmatige en zeer contextspecifieke taken vertonen bijna nul besparingen, terwijl cognitieve, informatieve en tekstuele taken besparingen vertonen die clusteren rond de 60–70%, waarbij sommige E2-taken 85–90% bereiken.
• Energiekosten: Over alle model- en iteratie-aannames heen blijven de energiekosten ruim onder de 0,1% van het BBP. In absolute termen wordt het totale energieverbruik voor het benchmarkscenario (7 iteraties, gemiddeld energieverbruik) geschat op 28 TWh.
• Vergelijkbare Grootteorde: Productiviteitswinsten overtreffen de directe operationele energiekosten met meerdere grootteordes.
• Fysieke Efficiëntie: AI-assistentie vereist tussen de 27 en 1.769 Wh per uur aan bespaarde arbeid, met een benchmark-inschatting van 430 Wh. Dit impliceert dat het besparen van één uur arbeid ongeveer 8 keer de energie van dat uur werk zelf consumeert (uitgaande van een laptop-benchmark van ~50 Wh/uur), wat wijst op een netto toename van het energieverbruik.
• Milieuexternaliteiten: Zelfs wanneer rekening wordt gehouden met koolstofemissies (geschat op 10,7 Mt CO2, of 0,21% van de totale Amerikaanse emissies) en de sociale kosten van koolstof wordt toegepast ($204/ton), blijven de gecombineerde energetische en milieukosten ($2,2 miljard sociale kosten + ~$2,6 miljard directe kosten) ver onder de geschatte monetaire waarde van de productiviteitswinsten ($2,6 biljoen).

Belangrijkste Bijdragen

1. Eerste Directe Monetaire Vergelijking: Dit artikel biedt de eerste directe vergelijking tussen AI-productiviteitswinsten en energiekosten op een gemeenschappelijke monetaire schaal voor de geaggregeerde economie.
2. Granulariteit op Taakniveau: In tegen tegenover top-down benaderingen die industrieel intensiteitscoëfficiënten gebruiken, bouwt deze studie schattingen op van onderaf door specifieke taakfrequenties te combineren met energieverbruik-benchmarks per query.
3. Genormaliseerde Efficiëntiemetriek: De auteurs introduceren een metriek van energieverbruik in Wh per uur bespaarde arbeid, wat een genormaliseerd beeld geeft van de energetische kosten van productiviteitswinsten.
4. Integratie van Externaliteiten: De studie breidt de analyse uit voorbij directe monetaire kosten door ook de sociale kosten van koolstof op te nemen, waarmee wordt aangetoond dat zelfs met milieuexternaliteiten de netto voordelen positief blijven.

Betekenis en Claims
Het artikel beweert dat, in tegenstelling tot zorgen over de energie-intensiteit van AI, de productiviteitswinsten van AI-adoptie de bijbehorende energiekosten met meerdere grootteordes lijken te overtreffen. De auteurs stellen dat zelfs wanneer milieuexternaliteiten worden geïnternaliseerd, de netto maatschappelijke opbrengst van grootschalige AI-adoptie in de werkomgeving sterk positief blijft.

De studie concludeert dat de argumentatie voor AI-adoptie niet kan rusten op directe energiebesparingen (aangezien AI het netto energieverbruik per uur werk verhoogt), maar in plaats daarvan de waarde van bespaarde arbeid moet afwegen tegen de netto energiekosten. De bevindingen suggereren dat de energetische kosten die gepaard gaan met AI-adoptie "bevat zijn ten opzichte van hun voordelen", wat de voortdurende verspreiding van AI in professionele omgevingen ondersteunt vanuit een economisch efficiëntieperspectief. De auteurs merken op dat hun schattingen een ondergrens vormen voor de energie van datacenters die aan professionele AI toe te schrijven is, aangezien zij consumentengebruik en modeltraining buiten beschouwing laten, maar de discrepantie tussen voordelen en kosten blijft enorm.