Wiceprzewodniczący Rady Gubernatorów Fed Philip N. Jefferson stwierdził 13 listopada 2026 r., że generatywna sztuczna inteligencja szybko rozprzestrzenia się w amerykańskiej gospodarce, ale nie przyniosła jeszcze wyraźnego efektu w mierzonej produktywności, ostrzegając jednocześnie, że napędzany technologią wzrost inwestycji w centra danych już teraz zwiększa presję cenową. „Dostępne dotychczas dane wskazują na ograniczony wkład w zagregowaną produktywność, ale z potencjałem do znacznie większego wzrostu, co jest ogólnie zgodne z historycznymi epizodami przełomów technologicznych” — powiedział Jefferson w wystąpieniu przed Economic Roundtable Uniwersytetu Kalifornijskiego w San Diego w Kalifornii. „Mimo to skala i timing nadchodzących zysków produktywności pozostają wysoce niepewne.”

Wykład, zatytułowany „Nowa technologia, stare pytania: zagadki produktywności i makroekonomia”, został wygłoszony przed słuchaczami złożonymi ze studentów, wykładowców i liderów biznesu. Pełny tekst jest dostępny na stronie Rezerwy Federalnej, a wystąpienie jest również dostępne w formacie PDF. Jefferson zaznaczył, że wyrażone poglądy są jego własne i niekoniecznie odzwierciedlają stanowisko jego kolegów z Rady Gubernatorów Rezerwy Federalnej ani Federalnego Komitetu Open Market (FOMC).

Stanowisko wiceprzewodniczącego to druga najwyższa funkcja w Radzie Gubernatorów Rezerwy Federalnej, co czyni Jeffersona jednym z najwyższych rangą amerykańskich decydentów gospodarczych, którzy przedstawili szczegółową publiczną ocenę wpływu AI na wzrost, ceny i zatrudnienie.

Lekcje ery komputerów

Jefferson rozpoczął od słynnej obserwacji noblisty Roberta Solowa z 1987 r., że „epokę komputerów widać wszędzie, tylko nie w statystykach produktywności”, sugerując, że Solow „mógł oczekiwać zbyt wiele od komputerów, które widział”. Podczas gdy w 1989 r. 32 procent pracowników używało komputerów w pracy, maszyny tamtej ery nie były zbyt wydajne: procesor w dzisiejszym telefonie wykonuje mniej więcej tyle samo obliczeń na sekundę, co 10 milionów osobistych komputerów z 1987 r. W ujęciu zagregowanym krajowe wydatki na komputery — pokazane na wykresie 1 wykładu — były wówczas ledwo wykrywalne, mimo że komputery PC stały się ważnym elementem ówczesnej duchowości epoki.

Dziesięć lat później inwestycje komputerowe gwałtownie wzrosły, a niektórzy obserwatorzy — zwłaszcza ówczesny przewodniczący Alan Greenspan — sądzili, że widać je w statystykach produktywności, choć powiązanie między nimi zostało ustalone później. Jefferson powiedział, że inwestycje w kapitał informatyczny (IT) — komputery, oprogramowanie i sprzęt komunikacyjny — podniosły roczne tempo wzrostu produktywności pracy o około 3/4 punktu procentowego pod koniec lat 90.

Boom obejmował więcej niż tylko akumulację kapitału. Firmy reorganizowały również swoją działalność wokół komputerów, co dodatkowo wspierało wzrost produktywności. Postęp technologiczny zmienił koszty tworzenia, przechowywania i przekazywania informacji, dając firmom możliwość przemyślenia zakresu, skali i funkcji produkcji. Z tego procesu ostatecznie wyłoniły się e-commerce, fala globalizacji i oprogramowanie w chmurze. Oznaki korzyści i znaczenia reorganizacji widoczne były w szybkim wzroście produkcji na jednostkę nakładów poza sektorem IT na początku lat 2000. — wzrost ten odzwierciedlał zwiększenie tego, co ekonomiści nazywają całkowitą produktywnością czynników produkcji (TFP), a nie wyłącznie większą ilość kapitału.

Jefferson zauważył, że nasiona boomu produktywności lat 90. zostały zasiane na długo przed obserwacją Solowa z 1987 r. Badania podstawowe, które położyły fundamenty pod nowoczesne informatykę, obejmowały wynalezienie tranzystora w 1947 r. i kompilatora Fortran w 1954 r., po których nastąpiły dziesięciolecia badań stosowanych prowadzonych przez firmy, które przyniosły praktyczne zastosowania i nieustannie doskonaliły technologie informatyczne.

Ta historia sugeruje prosty model wzrostu produktywności. Badania podstawowe, prowadzone bez określonego zastosowania, poszerzają naszą wiedzę o świecie. Badania stosowane rozwijają praktyczne zastosowania przemysłowe, które zwiększają produktywność i obniżają koszty produkcji. Gdy koszty spadają, ceny również zwykle spadają, zwłaszcza w warunkach konkurencji. Z czasem firmy intensyfikują wykorzystanie tańszych dóbr kapitałowych wytworzonych dzięki wyższej produktywności — proces znany jako „pogłębianie kapitału” — a firmy korzystające z tego kapitału przemyślą swoje podejście do produkcji, dodatkowo zwiększając TFP i być może rozpoczynając cykl inwestycyjny od nowa. Jak pokazuje przykład komputerów, Jefferson powiedział, że ten proces wymaga czasu, zanim jego pełny efekt zostanie odczuty i zmierzony, szczególnie w przypadku technologii wymagających reorganizacji działalności.

Zastosowanie modelu do AI

Jefferson argumentował, że ten sam model można w miarę dobrze zastosować do rozwoju AI. Dzisiejsze modele generatywne można wywodzić z badań podstawowych rozpoczętych wkrótce po wynalezieniu tranzystora. Praktyczne zastosowania pojawiły się wiele lat później — na przykład United States Postal Service zaczęła używać AI do odczytywania adresowanych ręcznie kopert w latach 90. Wykorzystanie technology gwałtownie wzrosło, szczególnie w sektorach informacyjnym i finansowym, około 10 lat później wraz z pojawieniem się modeli uczenia maszynowego. Wreszcie, po niezwykłych udoskonaleniach i trenowaniu na ogromnych zbiorach danych — według niektórych źródeł na całym tekście internetu — duże modele językowe są teraz na tyle dobre, że obsługują popularne chatboty, asystentów kodowania i urządzenia inteligentne, a także szereg mniej widocznych zastosowań, takich jak badania naukowe.

„Świat dzisiejszy jest lustrzanym odbiciem tego, który obserwował Bob Solow” — powiedział Jefferson. Generatywna AI dominuje w nagłówkach prasowych, znajduje się na naszych telefonach i pojawia się w oprogramowaniu oraz rozmowach z obsługą klienta, i może mieć dalekosiężne konsekwencje dla pracowników, firm i agencji rządowych, w tym banków centralnych. Ale stare pytania nadal wiszą w powietrzu: jak bardzo firmy i pracownicy faktycznie jej używają i czy to użycie wpływa na statystyki produktywności?

Adopcja: rosnąca, ale nierówna

Ostatnie badania ankietowe pokazują, że znacząca i rosnąca część amerykańskich firm i pracowników korzysta z generatywnej AI. Badania pracowników wykazały, że 40 do 50 procent dorosłych pracujących używa tej technologii w pracy, jak pokazuje niebieska linia na wykresie 2 wykładu. Jednak wśród pracowników używających AI w pracy tylko niewielka część korzysta z niej codziennie.

Adopcja również znacznie różni się między branżami. Chociaż wskaźniki adopcji biznesowej różnią się w zależności od metodologii, badanie Census Bureau reprezentatywnej krajowo próby amerykańskich firm ilustruje różnice międzybranżowe. Jak pokazuje wykres 3, badanie wskazuje, że na październik 2026 r. około 25 procent wszystkich amerykańskich firm używało technologii w co najmniej jednej funkcji biznesowej w połowie tego roku. Ta proporcja była bliższa 40 procentom w branżach intensywnie wykorzystujących wiedzę, takich jak usługi profesjonalne i informacyjne, podczas gdy na drugim końcu skali wynosiła około 10 procent w sektorach wydobywczym oraz rozrywki i hotelarstwa.

W porównaniu z bardziej dojrzałymi technologiami, takimi jak komputer osobisty, Jefferson powiedział, że AI nie jest tak naprawdę wszędzie — w sensie pełnej integracji z przepływami pracy większości firm i pracowników w gospodarce. Raczej gospodarka wydaje się być na wcześniejszym etapie, będącym naturalną częścią długiego cyklu innowacji i wdrażania: nowa technologia wykazała swoje możliwości, a firmy i pracownicy aktywnie ją wykorzystują i badają jej możliwości, przy czym niektóre branże, firmy i zawody są w tym procesie znacznie dalej niż inne.

Statystyki produktywności: za wcześnie, by ocenić

Czy dotychczasowa adopcja znajduje odzwierciedlenie w zagregowanych statystykach produktywności? Wzrost produktywności rzeczywiście przyspieszył w ostatnich latach, ale Jefferson powiedział, że jest za wcześnie, by określić, jaką rolę odegrała w tym AI. Ponieważ miary produktywności są tak zmienne, ekonomiści często ignorują kwartalne, a nawet roczne wahania, patrząc na długie średnie kroczące. Wzrost produktywności pracy wynosił średnio 2,2 procent w latach 2020–2025 — to pożądany wzrost w porównaniu ze skromnym średnim tempem 1,5 procentu z poprzedniego cyklu koniunkturalnego. Jednak ten skok rozpoczął się przed debiutem popularnych chatbotów AI w 2022 r. i prawdopodobnie odzwierciedla różnorodne czynniki, w tym ożywienie zakładania nowych firm. „Wyizolowanie wkładu AI w ostatni wzrost produktywności nie jest proste” — powiedział Jefferson. „Potrzebujemy więcej danych.” Zaznaczył, że badania retrospektywnie powiązały boom produktywności lat 90. z IT, ale nie było to wiadome na pewno w czasie rzeczywistym.

W ujęciu mikroekonomicznym rosnąca liczba dowodów pokazuje, że nowa technologia bezpośrednio i znacząco podnosi efektywność w niektórych konkretnych zadaniach, szczególnie tam, gdzie może najłatwiej zastąpić człowieka. Na przykład jeden wpływowy academicki study wykazał, że narzędzia generatywnej AI znacząco poprawiły zdolność niektórych pracowników wsparcia klienta do rozwiązywania problemów.

Jednocześnie dowody dotyczące tego, jak zyski efektywności na poziomie zadań wpływają na szerszą produktywność, wydają się mieszane. Niektóre ostatnie badania wykazały pozytywne powiązania między wzrostem produktywności a adopcją lub ekspozycją na AI na poziomie firmy. Z drugiej strony niektóre badania próbujące bardziej bezpośrednio mierzyć przyczynowość wykazały jak dotąd tylko umiarkowane efekty. Jedno z ostatnich badań, które ankietowało wysokich menedżerów, oszacowało, że AI zwiększyła sprzedaż na pracownika o zaledwie 1/2 procentu w ciągu ostatnich trzech lat.

Jefferson zaproponował dwa możliwe wyjaśnienia pozornego rozdźwięku między zyskami na poziomie zadań a na poziomie firmy. Po pierwsze, nawet wśród firm korzystających z AI zakres pozostaje ograniczony, ponieważ wciąż eksperymentują i się uczą: jedno z ostatnich badań wykazało, że wśród firm adoptujących większość używa AI w co najwyżej kilku funkcjach biznesowych, najczęściej w sprzedaży i marketingu, strategii i rozwoju biznesu oraz technologii informacyjnej. Po drugie, nawet w najbardziej naturalnych przypadkach użycia zyski efektywności w jednym obszarze idą w parze z kompensującymi kosztami, nowymi wymaganiami lub wąskimi gardłami gdzie indziej — na przykład niektóre firmy zgłaszają, że kod generowany przez AI zawiera więcej błędów, więc konieczna jest więcej pracy debugowania.

Mimo to Jefferson powiedział, że szersze ulepszenia mogą z czasem nadejść. Firmy i pracownicy prawdopodobnie rozszerzą i zintensyfikują wykorzystanie AI oraz zreorganizują produkcję i przepływy pracy, a odnoszące sukcesy firmy mogą zdobyć przewagę konkurencyjną, umożliwiając im ekspansję i przyciąganie pracy i kapitału od konkurencyjnych firm.

Implikacje makroekonomiczne

Wyjściowy pogląd Jeffersona jest taki, że adopcja nowej technologii ostatecznie znacząco, ale stopniowo podniesie zdolności produkcyjne gospodarki. Oczekiwania tych długoterminowych zysków po stronie podaży gospodarki już teraz znacząco zwiększają zagregowany popyt. Znacząca część wzrostu cen akcji w ciągu ostatnich kilku lat można przypisać entuzjazmowi wokół nowej technologii, a ten dodatkowy majątek zdaje się podnosić wydatki gospodarstw domowych. Firmy budują i wyposażają nowe centra danych na bardzo dużą skalę, aby wspierać trenowanie modeli i inferencję, napędzając szybki wzrost zagregowanych inwestycji biznesowych.

Te wydatki wywierają presję na wykorzystanie zasobów i ogólny poziom cen. Ponadto, ponieważ popyt inwestycyjny koncentruje się w niektórych sektorach, gdzie podaż ma trudności z nadążaniem — takich jak pamięci i układy logiczne — przyczynił się również do stromych wzrostów cen określonych dóbr. W perspektywie średnioterminowej, Jefferson powiedział, podaż tych dóbr powinna nadążyć, a szerszy impuls dla zagregowanej produktywności z adopcji powinien się zmaterializować; oba te rozwoje powinny złagodzić dzisiejszą presję na wzrost cen.

Chociaż nowa technologia powinna ostatecznie wygenerować wyższą produkcję i dochód w ujęciu zagregowanym, Jefferson uznał, że ta transformacja może być bolesna dla niektórych pracowników i firm. Firmy opóźniające się w adopcji mogą być w niekorzystnej pozycji konkurencyjnej, a ich długoterminowa rentowność może być zagrożona. Nawet w firmach, które pomyślnie adoptują technologię, pracownicy specjalizujący się w zadaniach, które AI może wykonywać wydajniej — takich jak pewne aspekty rozwoju oprogramowania — mogą stanąć w obliczu utraty pracy.

„Jednym z ryzyk dla mojego wyjściowego scenariusza jest to, że nowa technologia może wypierać pracowników znacznie szybciej, niż oni potrafią się dostosować i przekwalifikować, co może skutkować wzrostem bezrobocia” — powiedział Jefferson. W tym scenariuszu kluczowym pytaniem dla polityki pieniężnej byłoby, jaka część tego wzrostu ma charakter strukturalny — odzwierciedlający trwałe niedopasowanie między umiejętnościami pracowników a potrzebami firm — i dlatego prawdopodobnie utrzyma się nawet wtedy, gdy gospodarka działa blisko swojego pełnego potencjału. Polityka pieniężna może wpływać na warunki cykliczne, takie jak tymczasowy spadek zatrudnienia i wydatków, ale nie może rozwiązać czynników strukturalnych, które determinują długoterminowe poziomy zatrudnienia.

Jefferson zasygnalizował również potencjalne skutki dla długoterminowej neutralnej stopy procentowej, często nazywanej r*. Jeśli stopa neutralna wzrośnie, to przy danym poziomie stopy funduszy federalnych polityka skutecznie staje się bardziej ekspansywna; odwrotnie, jeśli stopa neutralna spadnie, polityka skutecznie staje się bardziej restrykcyjna. Jeśli nowa technologia doprowadzi do trwale wyższych poziomów wzrostu produktywności, może zwiększyć chęć firm do inwestowania, a zatem ich popyt na finansowanie, podnosząc poziom stóp procentowych. Wyższy wzrost produktywności może również zniechęcać gospodarstwa domowe do oszczędzania i zwiększać konsumpcję poprzez wzrost oczekiwanych przyszłych dochodów — w takich warunkach, aby pogodzić zwiększone inwestycje ze zmniejszonym oszczędzaniem, stopa neutralna prawdopodobnie wzrośnie. Przewidywanie zmian stopy neutralnej jest jednak trudne, biorąc pod uwagę historycznie zaszumioną relację między wzrostem produktywności a realnymi stopami procentowymi. Decydenci, powiedział, muszą pozostawać uważni na bieżące i potencjalne przyszłe wydarzenia, aby upewnić się, że polityka pieniężna pozostaje odpowiednio skalibrowana.

Znaki rozpoznawcze, według samego Jeffersona, to: czy firmy poszerzą wykorzystanie AI poza kilka funkcji biznesowych, w których obecnie jest skoncentrowana; czy podaż w ograniczonych segmentach, takich jak pamięci i układy logiczne, nadąży za popytem centrów danych; oraz czy zgromadzi się wystarczająco dużo danych, by wyizolować wkład AI w zagregowaną produktywność.

Outlook gospodarczy i nastawienie polityki

Przechodząc do szerszej gospodarki, Jefferson powiedział, że zyskała ona w tym roku rozpęd, rozwijając się w tempie mniej więcej zgodnym z potencjałem — co jest godne uwagi wobec kaskady szoków, w tym szoku energetycznego i istotnych zmian polityki handlowej, oprócz budowy infrastruktury technologicznej. PKB wzrósł w tempie 3,4 procentu w trzecim kwartale, jak pokazano na wykresie 4 wykładu. Inwestycje biznesowe były bardzo mocne, a wydatki konsumpcyjne pozostały odporne. Jefferson powiedział, że oczekuje, iż ekspansja będzie kontynuowana mniej więcej w tempie potencjalnej produkcji w przyszłym roku.

Szeroki zakres ostatnich danych z rynku pracy pokazuje, że warunki się ustabilizowały. Stopa bezrobocia przez większość tego roku utrzymywała się na zbliżonym poziomie, ustalając się na 4,1 procentu w październiku, jak pokazano na wykresie 5. Zwolnienia pozostają niskie, a liczba wolnych miejsc nieco wzrosła. Chociaż tworzenie miejsc pracy było zmienne, przyrosty zatrudnienia w ostatnich miesiącach rozszerzyły się na wiele sektorów — co Jefferson uważa za obiecujące. Oczekuje, że stopa bezrobocia w najbliższym czasie pozostanie na obecnym poziomie — poziomie, który uważa za zgodny z pełnym zatrudnieniem. Ryzyka dla jego prognoz produkcji i zatrudnienia są mniej więcej zrównoważone: wzrost niepewności związany z napięciami na Bliskim Wschodzie może obciążać aktywność i rekrutację, podczas gdy dalszy skok wydatków inwestycyjnych mógłby wspierać silniejszy wzrost.

Na polu stabilności cen, jednej z części podwójnego mandatu Fed, inflacja pozostaje znacznie powyżej celu FOMC wynoszącego 2 procent. Dwunastomiesięczna zmiana indeksu cen wydatków konsumpcyjnych osobistych, pokazana niebieską linią na wykresie 6, wyniosła we wrześniu 3,6 procentu. Wyższe koszty energii są jednym z czynników podwyższonej inflacji: ceny ropy były bardzo zmienne, a globalne dostawy energii znalazły się pod nowym naprężeniem w atmosferze zaostrzonych napięć geopolitycznych. Jefferson powiedział, że pozostaje zaniepokojony ryzykiem, że wyższe ceny energii doprowadzą do trwałego wzrostu inflacji w szerszym zakresie.

Dwunastomiesięczna zmiana inflacji bazowej PCE, która wyklucza zmienne ceny żywności i energii, wyniosła we wrześniu 3,1 procentu. Pośrednio wyższe koszty energii przenikają do obszarów takich jak bilety lotnicze i transport, a boom popytu na nowe technologie napędza niezwykle silne wzrosty kosztów dóbr i usług konsumpcyjnych zależnych od tych samych czynników, takich jak pamięci. Dane otrzymane dotąd za październik pozostają zgodne z inflacją znacznie powyżej celu.

Jefferson zwraca również baczną uwagę na oczekiwania inflacyjne. Ankiety krótkoterminowych miar oczekiwań inflacyjnych są podwyższone, głównie w wyniku wyższych cen energii, podczas gdy większość miar długoterminowych oczekiwań inflacyjnych pozostała stabilna na poziomach zgodnych z inflacją 2 procent.

Na posiedzeniu polityki FOMC w zeszłym miesiącu Jefferson dołączył do większości swoich kolegów, głosując za utrzymaniem stopy funduszy federalnych bez zmian, jak pokazano na wykresie 7. Dane otrzymane od tego posiedzenia są zgodne z broadly stabilną aktywnością gospodarczą i warunkami na rynku pracy, podczas gdy odczyty inflacyjne pokazują trwałe presje cenowe. W związku z tym Jefferson powiedział, że trajektoria inflacji dostarcza ważniejszego sygnału do określenia odpowiedniego nastawienia polityki pieniężnej. Idąc dalej, wierzy, że dalsze korekty polityki powinny być określane przez staranną analizę trendów w danych, zmieniającego się outlooku i bilansu ryzyk.

Podsumowanie

Podsumowując, Jefferson powrócił do swojego głównego wątku: nowe technologie skłaniają do ponownego rozważenia starych, ale bardzo ważnych pytań. Ścieżki od innowacji do adopcji i adaptacji do trwałych zysków produktywności mogą być nierówne i nieprzewidywalne — niektórzy powiedzieliby nawet: zagadkowe. Nowe technologie przyciągają uwagę na długo przed tym, zanim wpłyną na mierzoną produktywność. Skłaniają nas do przemyślenia rozumienia tego, jak działa gospodarka. Ponowne zrozumienie gospodarki sprawia, że proces prowadzenia polityki pieniężnej jest ekscytujący i wymagający. „Na szczęście, przez to wszystko, nasza misja w Fed jest jasna” — powiedział: realizacja podwójnego mandatu przekazanego Fed przez Kongres — pełne zatrudnienie i stabilność cen. „To są cele każdego naszego działania.”

Notatki i odniesienia z wykładu

1. Poglądy wyrażone w wykładzie są poglądami samego Jeffersona i niekoniecznie odzwierciedlają stanowisko jego kolegów z Rady Gubernatorów Rezerwy Federalnej ani Federalnego Komitetu Open Market.
2. Ostatnie postępy technologiczne omawiane w wykładzie są czasami określane jako superinteligencja, czyli SI.
3. Robert Solow (1987), "We'd Better Watch Out," New York Times, July 12.
4. Procesor Intel 386, wówczas opcja wysokiej klasy dla PC, wykonywał około 200 000 operacji zmiennoprzecinkowych na sekundę (FLOPS). Zob. Richard Grehan, Tom Thompson, Curtis Franklin Jr. i George A. Stewart (1988), "Introducing the New BYTE Benchmarks," BYTE, czerwiec. Chip Apple A19, używany w iPhonie 17, osiąga 2,07 biliona FLOPS. Zob. Nanoreview.net (2026), "Apple iPhone 17: Specifications and Benchmarks,"
5. Mały udział komputerów w kapitale został wówczas wskazany jako rozwiązanie paradoksu. Zob. Stephen D. Oliner, Daniel E. Sichel, Jack E. Triplett i Robert J. Gordon (1994), "Computers and Output Growth Revisited: How Big is the Puzzle?" Brookings Papers on Economic Activity, nr 2, s. 273–334.
6. Alan Greenspan (1998), "The Implications of Technological Changes," wykład wygłoszony w Charlotte Chamber of Commerce, Charlotte, N.C., 10 lipca. Dowody na powiązanie skoku produktywności z technologią informacyjną: Stephen D. Oliner i Daniel E. Sichel (2000), "The Resurgence of Growth in the Late 1990s: Is Information Technology the Story?" Journal of Economic Perspectives, vol. 14 (4), s. 3–22.
7. Daniel E. Sichel, Stephen Oliner i Kevin J. Stiroh (2007), "Explaining a Productive Decade," Brookings Papers on Economic Activity, wiosna, s. 81–152.
8. Timothy F. Bresnahan, Erik Brynjolfsson i Lorin M. Hitt (2002), "Information Technology, Workplace Organization, and the Demand for Skilled Labor: Firm-Level Evidence," The Quarterly Journal of Economics, vol. 117 (1), s. 339–76.
9. Sichel, Oliner, Stiroh, "Explaining a Productive Decade" (patrz przypis 7).
10. James Moor (2006), "The Dartmouth College Artificial Intelligence Conference: The Next Fifty Years," AI Magazine, 15 grudnia, s. 87–91.
11. Brian Tanton (2007), "Becoming More Clear," Mailing Systems Technology, 29 stycznia.
12. Alexander Bick, Adam Blandin, David J. Deming i Tyler R. Schumacher (2026), "What Work Does Generative AI Do?" NBER Working Paper Series 35677 (Cambridge, Mass.: National Bureau of Economic Research, sierpień).
13. Ponieważ duże firmy odpowiadają za nieproporcjonalną część całkowitego zatrudnienia, wskaźniki adopcji ważone zatrudnieniem są jeszcze wyższe niż omawiane dane Census. Zob. Ivan Yotzov, Jose Maria Barrero, Nicholas Bloom, Philip Bunn, Chanya Chawla, Steven J. Davis, Kevin M. Foster, Aaron Jalca, Brent H. Meyer, Paul Mizen, Michael A. Navarrete, Samil Oh, Katia Garcia Loredo, Monique Reid, Pawel Smietanka, Gregory Thwaites i Ben Zhe Wang (2026), "Firm Data on AI," NBER Working Paper Series 34836 (Cambridge, Mass.: National Bureau of Economic Research, luty; zrewidowane październik 2026). Ten artykuł szacuje, że ważona zatrudnieniem stopa adopcji wśród amerykańskich firm wynosi 95 procent.
14. Erik Brynjolfsson, Danielle Li i Lindsey Raymond (2025), "Generative AI at Work," The Quarterly Journal of Economics, vol. 140 (2), s. 889–942.
15. Tania Babina, Alex X. He i Renhao Jiang (2026), "Canaries in the Gold Mine: Early Productivity Gains from Artificial Intelligence Creating Organization Capital," NBER Working Paper Series 35684 (Cambridge, Mass.: National Bureau of Economic Research, sierpień).
16. Yotzov i in. (2026), "Firm Data on AI" (patrz przypis 13). Ta estymacja to średnia ważona zatrudnieniem wśród respondentów ankiety.
17. Kathryn Bonney, Cory Breaux, Emin Dinlersoz, Lucia Foster, John Haltiwanger i Aditya Pande (2026), "The Microstructure of AI Diffusion: Evidence from Firms, Business Functions, and Worker Tasks," Center for Economic Studies Working Paper No. CES-26-25 (Waszyngton: U.S. Census Bureau, kwiecień).
18. Znacząca część tego popytu inwestycyjnego, zwłaszcza na sprzęt IT, jest zaspokajana importem, co zmniejsza bezpośredni wpływ na PKB. Niemniej pogłębianie kapitału podnosi produktywność pracy, niezależnie od tego, czy kapitał był importowany.
19. W szczególności producenci pamięci ogłosili ogromny wzrost mocy produkcyjnych, co w nadchodzących latach złagodzi presję cenową na produkty wykorzystujące DRAM.

Źródło: Rada Gubernatorów Rezerwy Federalnej, wykład wiceprzewodniczącego Philipa N. Jeffersona, "New Technology, Old Questions: Productivity Puzzles and the Macroeconomy," 13 listopada 2026, https://www.federalreserve.gov/newsevents/speech/jefferson20261113a.htm