Заместитель председателя Федеральной резервной системы Филип Н. Джефферсон заявил 13 ноября 2026 года, что генеративный искусственный интеллект быстро распространяется по экономике США, но пока не принес явной отдачи в измеримой производительности, предупредив при этом, что обусловленный технологиями рост инвестиций в центры обработки данных уже усиливает ценовое давление. «Имеющиеся на данный момент данные свидетельствуют об ограниченном вкладе в совокупную производительность, но со значительным потенциалом роста, что в целом соответствует историческим эпизодам технологических прорывов», — сказал Джефферсон в выступлении перед Economic Roundtable Калифорнийского университета в Сан-Диего в Сан-Диего, Калифорния. «При этом масштабы и сроки предстоящего роста производительности остаются крайне неопределенными».

Речь под названием «Новые технологии, старые вопросы: загадки производительности и макроэкономика» была произнесена перед аудиторией из студентов, преподавателей и руководителей бизнеса. Полный текст доступен на сайте Федеральной резервной системы, а выступление также доступно в формате PDF. Джефферсон отметил, что высказанные взгляды являются его собственными и не обязательно отражают позицию его коллег в Совете управляющих ФРС или Федеральном комитете по открытым рынкам (FOMC).

Должность заместителя председателя является второй по значимости в Совете управляющих ФРС, что делает Джефферсона одним из самых высокопоставленных американских экономических политиков, представивших детальную публичную оценку влияния ИИ на рост, цены и занятость.

Уроки компьютерной эпохи

Джефферсон начал с знаменитого наблюдения лауреата Нобелевской премии экономиста Роберта Солоу 1987 года о том, что «компьютерную эпоху можно увидеть повсюду, кроме статистики производительности», предположив, что Солоу «возможно, ожидал слишком многого от увиденных им компьютеров». Хотя в 1989 году 32 процента работников использовали компьютеры на работе, машины той эпохи не были очень мощными: процессор в современном телефоне выполняет примерно столько же вычислений в секунду, сколько 10 миллионов персональных компьютеров 1987 года выпуска. В совокупности национальные расходы на компьютеры, показанные на рисунке 1 речи, в то время были едва различимы, даже несмотря на то, что ПК стали важной частью эпохи.

Десять лет спустя инвестиции в компьютеры резко возросли, и некоторые наблюдатели, в частности тогдашний председатель Алан Гринспен, полагали, что видят это в статистике производительности, хотя связь между ними была установлена лишь позже. Джефферсон сообщил, что инвестиции в капитал информационных технологий (ИТ) — компьютеры, программное обеспечение и коммуникационное оборудование — повысили годовой темп роста производительности труда примерно на 3/4 процентного пункта в конце 1990-х годов.

Бум включал нечто большее, чем накопление капитала. Бизнес также реорганизовал свою деятельность вокруг компьютеров, что дополнительно поддержало рост производительности. Достижения технологий изменили стоимость создания, хранения и передачи информации, предоставив компаниям возможность пересмотреть свой масштаб, размер и производственные функции. Из этого процесса в конечном итоге выросли электронная коммерция, волна глобализации и облачное программное обеспечение. Признаком того, что реорганизация была полезной и значительной, стал быстрый рост выпуска на единицу затрат вне ИТ-сектора в начале 2000-х годов — рост, который отражал увеличение того, что экономисты называют совокупной факторной производительностью (TFP), а не просто больше капитала.

Джефферсон отметил, что семена бума производительности 1990-х были посеяны задолго до наблюдения Солоу 1987 года. Фундаментальные исследования, заложившие основы современных вычислений, включали изобретение транзистора в 1947 году и компилятора Fortran в 1954 году, за которыми последовали десятилетия прикладных исследований компаний, давших практические применения и неустанно совершенствовавших информационные технологии.

Эта история предполагает простую модель роста производительности. Фундаментальные исследования, проводимые без определенного приложения в виду, расширяют наши знания о мире. Прикладные исследования разрабатывают практические промышленные приложения, которые повышают производительность и снижают издержки производства. Когда издержки падают, цены также имеют тенденцию к снижению, особенно в условиях конкуренции. Со временем компании усиливают использование более дешевых капитальных товаров, произведенных благодаря более высокой производительности, — процесс, известный как «углубление капитала», — и компании, использующие этот капитал, пересматривают свой подход к производству, дополнительно повышая TFP и, возможно, вновь запуская инвестиционный цикл. Как показывает пример вычислительной техники, сказал Джефферсон, этому процессу требуется время, чтобы его полный эффект был ощутим и измерим, особенно для технологий, требующих реорганизации бизнеса.

Применение модели к ИИ

Джефферсон утверждал, что та же модель достаточно хорошо применима к развитию ИИ. Нынешние генеративные модели можно проследить до фундаментальных исследований, начавшихся вскоре после изобретения транзистора. Практические применения появились много лет спустя — например, Почтовая служба США начала использовать ИИ для чтения конвертов с рукописными адресами в 1990-х годах. Использование резко возросло, особенно в информационном и финансовом секторах, примерно 10 лет спустя с появлением моделей машинного обучения. Наконец, после невероятных улучшений и обучения на массивных наборах данных — по некоторым оценкам, на всем тексте всемирной паутины — большие языковые модели теперь достаточно хороши, чтобы поддерживать популярные сегодня чат-боты, помощники для программирования и умные устройства, а также множество менее заметных приложений, таких как научные исследования.

«Сегодняшний мир зеркально отражает тот, который наблюдал Боб Солоу», — сказал Джефферсон. Генеративный ИИ доминирует в заголовках новостей, находится на наших телефонах и появляется в нашем программном обеспечении и звонках в службу поддержки клиентов, и он может иметь далеко идущие последствия для работников, компаний и государственных органов, включая центральные банки. Но старые вопросы сохраняются: насколько активно его на самом деле используют бизнес и работники, и влияет ли это использование на статистику производительности?

Внедрение: растущее, но неравномерное

Недавние опросы показывают, что заметная и растущая доля американских компаний и работников использует генеративный ИИ. Опросы работников выявили, что от 40 до 50 процентов работающих взрослых используют эту технологию в своей работе, как показано синей линией на рисунке 2 речи. Однако среди работников, которые используют ИИ на работе, лишь небольшая доля использует его ежедневно.

Кроме того, уровень внедрения, по-видимому, широко варьируется по отраслям. Хотя показатели внедрения в бизнесе сильно различаются в зависимости от методологии, опрос Бюро переписи населения национально репрезентативной выборки американских компаний иллюстрирует межотраслевые различия. Как показано на рисунке 3, опрос указывает, что по состоянию на октябрь 2026 года примерно 25 процентов всех американских компаний использовали эту технологию хотя бы в одной бизнес-функции по состоянию на середину этого года. Эта доля была ближе к 40 процентам в наукоемких секторах, таких как профессиональные услуги и информация, тогда как на другом конце спектра она составляла около 10 процентов в секторах добычи полезных ископаемых, досуга и гостеприимства.

По сравнению с более зрелыми технологиями, такими как персональный компьютер, сказал Джефферсон, ИИ на самом деле не везде — в смысле полной интеграции в рабочие процессы большинства компаний и работников во всей экономике. Скорее, экономика, по-видимому, находится на более ранней стадии, которая является естественной частью долгого цикла инноваций и внедрения: новая технология продемонстрировала свои возможности, и компании и работники активно используют ее и изучают ее возможности, при этом некоторые отрасли, компании и профессии в этом процессе значительно опережают другие.

Статистика производительности: пока рано судить

Отражается ли наблюдаемое до сих пор внедрение в совокупной статистике производительности? Рост производительности действительно увеличился в последние годы, но Джефферсон сказал, что слишком рано говорить о том, какую роль в этом сыграл ИИ. Поскольку показатели производительности очень волатильны, экономисты часто игнорируют квартальные или даже годовые колебания, рассматривая длинные скользящие средние. Рост производительности труда в среднем составил 2,2 процента между 2020 и 2025 годами — желанное повышение по сравнению со скромным средним темпом роста в 1,5 процента за предыдущий деловой цикл. Однако этот всплеск начался до дебюта популярных ИИ-чат-ботов в 2022 году и, вероятно, отражает множество факторов, включая рост образования нового бизнеса. «Выделить вклад ИИ в недавний рост производительности непросто», — сказал Джефферсон. «Нам нужно больше данных». Он отметил, что ретроспективно исследования связали бум производительности 1990-х с ИТ, но в реальном времени этого наверняка не знали.

Что касается микроэкономических данных, растет объем данных, показывающих, что новая технология напрямую и существенно повышает эффективность для некоторых конкретных задач, особенно там, где она может наиболее легко заменить людей. Например, одно влиятельное академическое исследование показало, что инструменты генеративного ИИ значительно улучшили способность некоторых сотрудников службы поддержки клиентов решать проблемы.

В то же время данные о том, как рост эффективности на уровне задач влияет на более широкую производительность, кажутся неоднозначными. Некоторые недавние исследования обнаружили положительные связи между ростом производительности и внедрением ИИ или воздействием ИИ на уровне компаний. С другой стороны, некоторые опросы, пытающиеся более напрямую измерить причинность, пока обнаружили лишь скромные эффекты. Одно недавнее исследование, опросившее высших руководителей, оценило, что ИИ повысил продажи на одного сотрудника всего на 1/2 процента за последние три года.

Джефферсон предложил два возможных объяснения очевидного разрыва между достижениями на уровне задач и на уровне компаний. Во-первых, даже среди компаний, использующих ИИ, охват остается ограниченным, поскольку они все еще экспериментируют и учатся: одно недавнее исследование показало, что среди внедряющих компаний большинство использует ИИ максимум в нескольких бизнес-функциях, чаще всего в продажах и маркетинге, стратегии и развитии бизнеса, а также информационных технологиях. Во-вторых, даже для самых естественных случаев использования рост эффективности в одной области идет рука об руку с компенсирующими затратами, новыми требованиями или узкими местами в других — например, некоторые компании сообщают, что сгенерированный ИИ код содержит больше ошибок, поэтому требуется больше работы по отладке.

Тем не менее, сказал Джефферсон, более широкие улучшения вполне могут материализоваться со временем. Компании и работники, вероятно, расширят и усилят использование ИИ, а также реорганизуют производство и рабочие процессы, а успешные компании могут получить конкурентное преимущество, позволяющее им расширяться и привлекать рабочую силу и капитал от конкурирующих компаний.

Макроэкономические последствия

Базовый взгляд Джефферсона состоит в том, что внедрение новой технологии в конечном итоге существенно, но постепенно повысит производственную мощность экономики. Ожидания этих долгосрочных выгод со стороны предложения экономики уже значительно увеличивают совокупный спрос. Значительная часть роста цен на акции за последние несколько лет может быть отнесена на счет энтузиазма вокруг новой технологии, и это добавленное богатство, по-видимому, повышает расходы домохозяйств. Компании строят и оснащают новые центры обработки данных в очень больших масштабах для поддержки обучения моделей и инференции, что обеспечивает быстрый рост совокупных бизнес-инвестиций.

Эти расходы оказывают повышательное давление на использование ресурсов и общий уровень цен. Кроме того, поскольку инвестиционный спрос сосредоточен в некоторых секторах, где предложение с трудом поспевает, — таких как чипы памяти и логики, — он также способствовал резкому росту цен на конкретные товары. В среднесрочной перспективе, сказал Джефферсон, предложение этих товаров должно догнать спрос, и более широкий рост совокупной производительности от внедрения должен материализоваться; оба эти развития должны ослабить повышательное давление на цены, наблюдаемое сегодня.

Хотя новая технология в конечном итоге должна обеспечить более высокий совокупный выпуск и доход, Джефферсон признал, что этот переход может быть болезненным для некоторых работников и компаний. Компании, отстающие во внедрении, могут оказаться в конкурентном невыгодном положении, и их долгосрочная жизнеспособность может быть под угрозой. Даже в компаниях, успешно внедряющих технологию, работники, специализирующиеся на задачах, которые ИИ может выполнять более эффективно, — таких как определенные аспекты разработки программного обеспечения, — могут столкнуться с вытеснением с рабочих мест.

«Один из рисков для моего базового прогноза состоит в том, что новая технология может вытеснить работников гораздо быстрее, чем они смогут адаптироваться и переучиться, что может привести к росту безработицы», — сказал Джефферсон. В этом сценарии ключевой вопрос для денежно-кредитной политики заключался бы в том, какая часть этого роста является структурной — отражающей устойчивое несоответствие между навыками работников и потребностями компаний — и, следовательно, вероятно сохранится, даже когда экономика работает близко к своему полному потенциалу. Денежно-кредитная политика может влиять на циклические условия, такие как временное снижение занятости и расходов, но она не может решить структурные факторы, определяющие долгосрочные уровни занятости.

Джефферсон также указал на потенциальные эффекты новой технологии на долгосрочную нейтральную ставку процента, часто называемую r*. Если нейтральная ставка растет, то при любом данном уровне ставки по федеральным фондам политика фактически становится более стимулирующей; наоборот, если нейтральная ставка снижается, политика фактически становится более ограничительной. Если новая технология приведет к постоянно более высоким уровням роста производительности, она может увеличить желание компаний инвестировать и, следовательно, их спрос на финансирование, повышая уровень процентных ставок. Более высокий рост производительности может также снизить сбережения домохозяйств и повысить потребление за счет увеличения ожидаемого будущего дохода — в этих условиях, чтобы согласовать рост инвестиций со снижением сбережений, нейтральная ставка, вероятно, вырастет. Однако прогнозирование изменений нейтральной ставки затруднено, учитывая исторически шумную связь между ростом производительности и реальными процентными ставками. Политики, сказал он, должны оставаться внимательными к текущим и потенциальным будущим событиям, чтобы гарантировать, что направленность денежно-кредитной политики остается надлежащим образом откалиброванной.

Ориентиры, по словам самого Джефферсона, — это то, расширят ли компании использование ИИ за пределы немногих бизнес-функций, где он сосредоточен сегодня, догонит ли предложение в дефицитных сегментах, таких как чипы памяти и логики, спрос центров обработки данных, и накопится ли достаточно данных, чтобы выделить вклад ИИ в совокупную производительность.

Экономический прогноз и политика

Переходя к более широкой экономике, Джефферсон сказал, что она набрала обороты в этом году, расширяясь темпом, примерно соответствующим ее потенциалу — что примечательно, учитывая каскад шоков, включая энергетический шок и значительные изменения в торговой политике, в дополнение к технологическому строительству. ВВП расширился темпом в 3,4 процента в третьем квартале, как показано на рисунке 4 речи. Бизнес-инвестиции были весьма сильными, а потребительские расходы оставались устойчивыми. Джефферсон сказал, что ожидает, что расширение продолжится примерно в соответствии с потенциальным выпуском в следующем году.

Широкий спектр недавних данных рынка труда показывает, что условия стабилизировались. Уровень безработицы в этом году в основном оставался стабильным, составив 4,1 процента в октябре, как показано на рисунке 5. Увольнения остаются низкими, а вакансии немного выросли. Хотя создание рабочих мест было волатильным, прирост занятости в последние месяцы расширился на многие секторы, что Джефферсон считает обнадеживающим. Он ожидает, что уровень безработицы останется около текущего уровня в ближайшей перспективе — уровня, который он считает соответствующим максимальной занятости. Риски для его прогнозов выпуска и занятости примерно сбалансированы: рост неопределенности, связанный с напряженностью на Ближнем Востоке, может сдерживать активность и найм, в то время как дальнейший всплеск инвестиционных расходов может поддержать более сильный рост.

Что касается аспекта стабильности цен двойного мандата ФРС, инфляция остается заметно выше целевого уровня FOMC в 2 процента. Двенадцатимесячное изменение индекса цен личных потребительских расходов, показанное синей линией на рисунке 6, составило 3,6 процента в сентябре. Более высокие затраты на энергоносители являются одним из драйверов повышенной инфляции: цены на нефть были весьма волатильными, а мировые поставки энергии оказались под новым напряжением на фоне обострения геополитической напряженности. Джефферсон сказал, что он по-прежнему обеспокоен риском того, что более высокие цены на энергоносители приведут к устойчивому росту инфляции в более широком смысле.

Двенадцатимесячное изменение базовой инфляции PCE, исключающей волатильные цены на продукты питания и энергоносители, составило 3,1 процента в сентябре. Косвенно более высокие затраты на энергоносители проявляются в таких областях, как авиабилеты и транспорт, а бум спроса на новые технологии вызывает необычно сильный рост затрат на потребительские товары и услуги, зависящие от тех же компонентов, таких как память. Данные, полученные на данный момент за октябрь, остаются совместимыми с инфляцией значительно выше целевого уровня.

Джефферсон также уделяет пристальное внимание инфляционным ожиданиям. Основанные на опросах краткосрочные меры инфляционных ожиданий повышены, в основном отражая более высокие цены на энергоносители, в то время как большинство мер долгосрочных инфляционных ожиданий оставались стабильными на уровнях, соответствующих инфляции в 2 процента.

На заседании FOMC по денежно-кредитной политике в прошлом месяце Джефферсон присоединился к большинству своих коллег, проголосовав за сохранение ставки по федеральным фондам без изменений, как показано на рисунке 7. Данные, полученные с тех пор, свидетельствуют о том, что экономическая активность и условия рынка труда остаются в целом устойчивыми, в то время как показатели инфляции демонстрируют устойчивое ценовое давление. Соответственно, Джефферсон сказал, что он видит траекторию инфляции как более важный сигнал для определения надлежащей направленности денежно-кредитной политики. В дальнейшем, по его мнению, дальнейшие корректировки политики должны определяться тщательным изучением тенденций в данных, меняющегося прогноза и баланса рисков.

Заключение

В заключение Джефферсон вернулся к своей центральной теме: новые технологии заставляют пересмотреть старые, но очень важные вопросы. Пути от инноваций к внедрению, адаптации и устойчивому росту производительности могут быть неровными и непредсказуемыми — некоторые даже сказали бы, загадочными. Новые технологии привлекают внимание задолго до того, как они влияют на измеримую производительность, и заставляют переосмыслить наше понимание того, как работает экономика, делая процесс выработки денежно-кредитной политики захватывающим и сложным. «К счастью, несмотря ни на что, наша миссия в ФРС ясна», — сказал он: выполнить двойной мандат, данный ФРС Конгрессом, — максимальная занятость и стабильность цен. «Это цели каждого нашего действия».

Примечания и ссылки к речи

1. Взгляды, высказанные в речи, принадлежат самому Джефферсону и не обязательно отражают позицию его коллег в Совете управляющих ФРС или Федеральном комитете по открытым рынкам.
2. Недавние технологические достижения, обсуждаемые в речи, иногда называют суперспособностью, или SI.
3. Robert Solow (1987), "We'd Better Watch Out," New York Times, July 12.
4. Микропроцессор Intel 386, высококлассный вариант для ПК того времени, выполнял около 200 000 операций с плавающей запятой в секунду (FLOPS). См. Richard Grehan, Tom Thompson, Curtis Franklin Jr., and George A. Stewart (1988), "Introducing the New BYTE Benchmarks," BYTE, June. Чип Apple A19, используемый в iPhone 17, выполняет 2,07 триллиона FLOPS. См. Nanoreview.net (2026), "Apple iPhone 17: Specifications and Benchmarks,"
5. Небольшая доля компьютеров в основном капитале была отмечена как разрешение парадокса в то время. См. Stephen D. Oliner, Daniel E. Sichel, Jack E. Triplett, and Robert J. Gordon (1994), "Computers and Output Growth Revisited: How Big is the Puzzle?" Brookings Papers on Economic Activity, no. 2, pp. 273–334.
6. Alan Greenspan (1998), "The Implications of Technological Changes," речь на Торгово-промышленной палате Шарлотты, Шарлотт, Северная Каролина, 10 июля. О свидетельствах связи роста производительности с информационными технологиями см. Stephen D. Oliner and Daniel E. Sichel (2000), "The Resurgence of Growth in the Late 1990s: Is Information Technology the Story?" Journal of Economic Perspectives, vol. 14 (4), pp. 3–22.
7. Daniel E. Sichel, Stephen Oliner, and Kevin J. Stiroh (2007), "Explaining a Productive Decade," Brookings Papers on Economic Activity, Spring, pp. 81–152.
8. Timothy F. Bresnahan, Erik Brynjolfsson, and 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), pp. 339–76.
9. Sichel, Oliner, and Stiroh, "Explaining a Productive Decade" (см. примечание 7).
10. James Moor (2006), "The Dartmouth College Artificial Intelligence Conference: The Next Fifty Years," AI Magazine, December 15, pp. 87–91.
11. Brian Tanton (2007), "Becoming More Clear," Mailing Systems Technology, January 29.
12. Alexander Bick, Adam Blandin, David J. Deming, and Tyler R. Schumacher (2026), "What Work Does Generative AI Do?" NBER Working Paper Series 35677 (Кембридж, Массачусетс: Национальное бюро экономических исследований, август).
13. Поскольку крупные компании составляют непропорционально большую долю общей занятости, уровни внедрения, взвешенные по занятости, еще выше, чем обсуждавшиеся данные переписи. См. 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, and Ben Zhe Wang (2026), "Firm Data on AI," NBER Working Paper Series 34836 (Кембридж, Массачусетс: Национальное бюро экономических исследований, февраль; пересмотрено в октябре 2026 года). Эта работа показывает, что уровень внедрения среди американских компаний, взвешенный по занятости, составляет 95 процентов.
14. Erik Brynjolfsson, Danielle Li, and Lindsey Raymond (2025), "Generative AI at Work," The Quarterly Journal of Economics, vol. 140 (2), pp. 889–942.
15. Tania Babina, Alex X. He, and Renhao Jiang (2026), "Canaries in the Gold Mine: Early Productivity Gains from Artificial Intelligence Creating Organization Capital," NBER Working Paper Series 35684 (Кембридж, Массачусетс: Национальное бюро экономических исследований, август).
16. Yotzov et al. (2026), "Firm Data on AI" (см. примечание 13). Эта оценка представляет собой средневзвешенное значение по занятости среди респондентов опроса.
17. Kathryn Bonney, Cory Breaux, Emin Dinlersoz, Lucia Foster, John Haltiwanger, and 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 (Вашингтон: Бюро переписи населения США, апрель).
18. Значительная часть этого инвестиционного спроса, особенно на ИТ-оборудование, удовлетворяется за счет импорта, что снижает прямое влияние на ВВП. Тем не менее углубление капитала повышает производительность труда независимо от того, был ли капитал импортирован или нет.
19. В частности, производители чипов памяти объявили о масштабном увеличении производственных мощностей, что ослабит ценовое давление на продукты, использующие DRAM, в ближайшие годы.

Источник: Совет управляющих Федеральной резервной системы, речь заместителя председателя Филипа Н. Джефферсона, «Новые технологии, старые вопросы: загадки производительности и макроэкономика», 13 ноября 2026 года, https://www.federalreserve.gov/newsevents/speech/jefferson20261113a.htm