W debacie o AI łatwo wpaść w dwa tryby: technozachwyt albo wizję masowych zwolnień. Daron Acemoglu idzie trzecią drogą. Ekonomista z MIT i laureat Nagrody Nobla z 2024 roku mówi raczej o tym, gdzie dziś kończy się marketing, a zaczynają twarde ograniczenia agentów, produktywności i wdrożeń.

TL;DR

  • Acemoglu w 2024 roku szacował mały wzrost produktywności dzięki AI
  • AI agents nie zastąpią całych stanowisk według noblisty
  • Dane z 2026 roku nadal potwierdzają jego ostrożne prognozy
  • Acemoglu skupia się na koordynacji zadań przez agentów
  • Noblista widzi szansę w augmentacji a nie w pełnej automatyzacji

Kim jest Daron Acemoglu i skąd bierze się ciężar jego opinii

Daron Acemoglu jest profesorem ekonomii w MIT i laureatem Nagrody Nobla w dziedzinie ekonomii z 2024 roku, co przypomina m.in. komunikat Nobel Prize z tamtego roku. W dyskusji o AI jego głos wybrzmiewa dlatego, że nie opiera się na pokazach produktowych, tylko na badaniu instytucji, rynku pracy i produktywności. W głośnym paperze NBER w32487 z 2024 roku Acemoglu szacował ograniczony wpływ AI na wzrost produktywności w najbliższych latach. To było stanowisko wyraźnie chłodniejsze od opowieści z Doliny Krzemowej o szybkim zastępowaniu pracowników biurowych.

Co paper NBER z 2024 roku mówił o pracy i produktywności

W analizie opublikowanej przez NBER w 2024 roku zespół Darona Acemoglu argumentował, że AI może automatyzować część zadań, ale to nie znaczy jeszcze automatycznego znikania całych zawodów. To ważne rozróżnienie, bo stanowisko pracy zwykle składa się z wielu drobnych czynności: części da się zautomatyzować, części nie, a część po prostu zmienia się pod wpływem nowych narzędzi. Zadania to nie etaty – i właśnie na tym Acemoglu buduje swój sceptycyzm wobec prostych prognoz o „końcu pracy”.

Co dane z 2026 roku mówią o prognozach Acemoglu

Szkic odwołuje się do doniesień z 2026 roku i do rozmów relacjonowanych przez MIT Technology Review oraz New York Times z kwietnia 2026 roku. Z tego obrazu wyłania się raczej brak gwałtownego załamania zatrudnienia niż fala zwolnień, którą część branży wieszczyła jeszcze chwilę temu. Innymi słowy: na razie rynek pracy nie wygląda tak, jakby modele językowe miały z marszu przejąć całe kategorie zawodów. Apokalipsy etatów nie widać, choć to oczywiście nie jest dowód, że nic się nie zmieni. To raczej sygnał, że tempo zmian może być wolniejsze i bardziej nierówne, niż sugerował hype.

Dlaczego Daron Acemoglu patrzy uważnie na agentów AI

Pierwszy obszar, który Acemoglu uznaje za ważny, to agenci AI. Nie dlatego, że już dziś zastępują ludzi jeden do jednego, lecz dlatego, że firmy próbują sprzedać je właśnie w taki sposób. Narracja jest prosta: agent ma sam wykonać ciąg zadań, podjąć decyzje, przejść między narzędziami i dowieźć wynik. Problem w tym, że codzienna praca wygląda mniej elegancko niż slajd inwestorski. Agent to jeszcze nie pracownik – raczej oprogramowanie, które bywa przydatne w wycinku procesu, ale gorzej radzi sobie z bałaganem, wyjątkami i zmianą kontekstu.

Co blokuje agentów AI przed przejęciem całych stanowisk

Acemoglu od lat zwraca uwagę na koordynację zadań. Typowy pracownik nie wykonuje jednej powtarzalnej operacji, tylko przeskakuje między systemami, rozmawia z ludźmi, poprawia błędy, ustala priorytety i reaguje na sytuacje, których nikt wcześniej dobrze nie rozpisał. Właśnie tutaj agentom najczęściej kończy się magia. Nawet jeśli model dobrze radzi sobie z pojedynczym etapem pracy, to przejęcie całego stanowiska wymaga niezawodnego łączenia wielu kroków i odpowiedzialności za wynik. Barierą jest koordynacja, nie samo generowanie tekstu czy kliknięcie w formularz. Z perspektywy polskich firm też to brzmi znajomo: wdrożenia AI często rozbijają się nie o model, ale o jakość procesów, danych i integracji.

Produktywność gospodarki to dla Acemoglu lepszy test niż demo

Drugi obszar to realny wpływ AI na produktywność całej gospodarki. Acemoglu nie pyta, czy narzędzie wygląda efektownie podczas prezentacji, tylko czy przekłada się na trwały wzrost wydajności w skali makro. To dużo trudniejszy test, ale uczciwszy. Jeśli AI rzeczywiście ma zmieniać gospodarkę, powinno być to widoczne nie tylko w komunikatach firm, lecz także w danych o produkcji, kosztach i organizacji pracy. Makroekonomia studzi emocje, bo na razie efekty wyglądają skromniej, niż chciałby marketing.

Nierówności to trzeci wątek, którego nie da się zbyć memem

Trzeci temat to nierówności. Acemoglu od dawna interesuje się tym, kto korzysta na technologii, a kto płaci jej koszty. W kontekście AI pytanie nie brzmi więc tylko „czy wzrośnie produktywność”, ale też „kto zgarnie zysk z tego wzrostu”. Jeśli przewagę zyskają głównie właściciele modeli, platform i danych, a nie pracownicy czy mniejsze firmy, to nawet sensowne wdrożenia mogą pogłębiać różnice dochodowe. Stawka jest polityczna, nie wyłącznie technologiczna. I moim zdaniem to właśnie odróżnia Acemoglu od komentatorów, którzy AI traktują jak kolejny gadżet do Excela.

Na tle branży Acemoglu brzmi spokojnie, ale nie naiwnie

W debacie o AI łatwo dziś usłyszeć albo przesadny optymizm, albo równie przesadny strach. Acemoglu nie mieści się wygodnie w żadnym z tych obozów. Nie twierdzi, że nic się nie wydarzy, ale też nie kupuje tezy, że agenci AI za chwilę wyłączą z rynku pracy całe grupy zawodowe. To stanowisko może wydawać się mało efektowne, bo nie daje prostego nagłówka o końcu świata ani o cudownym wzroście PKB. To sceptycyzm oparty na danych. I właśnie dlatego warto go śledzić – szczególnie wtedy, gdy branża znowu zaczyna mylić obietnicę produktu z opisem rzeczywistości.

Źródła:

MIT Technology Review, NBER paper w32487, Nobel Prize press release 2024, New York Times April 2026

Najczęściej zadawane pytania