Wraz z rozwojem sztucznej inteligencji (AI) coraz częściej słyszymy prognozy o masowej automatyzacji i redukcji etatów. Intuicyjnie mogłoby się wydawać, że bardziej wydajne technologie zmniejszą zapotrzebowanie na pracę ludzi i zasoby. A jednak rzeczywistość bywa inna – historia pokazuje, że postęp technologiczny często napędza dalszy wzrost popytu. Już w latach 30. XX w. ekonomista John M. Keynes przewidywał, że dzięki automatyzacji będziemy pracować zaledwie 15 godzin tygodniowo. Dziś wiemy, że stało się odwrotnie – pełny etat pozostał normą, a utopijna wizja „technologicznego bezrobocia” się nie spełniła. To zjawisko nie jest nowe ani przypadkowe. Ekonomiści opisali je ponad 150 lat temu jako Paradoks Jevonsa – pozornie sprzeczną sytuację, w której wzrost efektywności zwiększa całkowite zużycie danego zasobu zamiast je zmniejszać. W niniejszym artykule wyjaśniamy, na czym polega paradoks Jevonsa, oraz jak tłumaczy on dzisiejsze trendy gospodarcze związane z AI: rosnący popyt na oprogramowanie i specjalistów mimo postępującej automatyzacji i wydajniejszych narzędzi. Przyjrzymy się konkretnym przykładom rynkowym i zastanowimy, co ta dynamiczna zależność oznacza dla przyszłości pracy oraz branży technologicznej.
Czym jest Paradoks Jevonsa?
Paradoks Jevonsa został sformułowany przez angielskiego ekonomistę Williama Stanleya Jevonsa w 1865 roku na podstawie obserwacji rynku węgla. Jevons zauważył, że ulepszenie maszyn parowych sprawiło, iż zużywały one mniej węgla na jednostkę pracy. Logika podpowiadałaby, że bardziej oszczędne wykorzystanie węgla powinno zmniejszyć jego łączne zużycie. Stało się jednak odwrotnie – całkowita konsumpcja węgla gwałtownie wzrosła, ponieważ tańsza energia węglowa napędziła rozwój przemysłu i nowych zastosowań technologii parowej. Sam Jevons ujął to dobitnie: „To całkowite pomieszanie pojęć sądzić, że oszczędne użycie paliwa oznacza mniejsze jego zużycie. Prawda jest dokładnie odwrotna”. Innymi słowy, zwiększona efektywność sprawiła, że węgiel stał się tańszy w użyciu, co zachęciło do szerszego korzystania z niego we wszystkich gałęziach gospodarki. Spadek kosztu jednostkowego wywołał efekt odbicia – popyt rósł tak bardzo, że z nadwyżką skompensował oszczędność na jednostce.
Paradoks Jevonsa to skrajny przypadek efektu odbicia, gdy wzrost popytu całkowicie niweluje (lub przewyższa) oszczędności wynikające z poprawy efektywności. Choć koncepcja ta narodziła się na gruncie ekonomii energii, z czasem zaczęto dostrzegać podobne mechanizmy w innych obszarach. Na przykład poszerzenie autostrad często ostatecznie zwiększa ruch zamiast go zmniejszać – więcej pasów zachęca więcej kierowców, przez co korki powracają (tzw. indukowany popyt na transport). Podobne zjawiska opisywano na rynku wody (ulepszone nawadnianie zwiększa zużycie wody) czy infrastruktury miejskiej. Kluczowym warunkiem wystąpienia paradoksu jest elastyczny popyt: gdy obniżenie kosztu danego dobra lub usługi powoduje, że ludzie zaczynają korzystać z niej znacznie częściej. Jeśli natomiast popyt jest nieelastyczny (mało wrażliwy na spadek ceny), efektywniejsze wykorzystanie zasobu po prostu zmniejszy koszty i zużycie – bez paradoksu.
Paradoks Jevonsa w erze sztucznej inteligencji
Czy mechanizm opisany w XIX wieku może wyjaśnić paradoksy współczesnej rewolucji cyfrowej? Wiele wskazuje, że tak. Gdy AI czyni pewne procesy tańszymi, szybszymi i łatwiejszymi, obserwujemy gwałtowny wzrost wykorzystania tych technologii – czasem do poziomu, który niweluje spodziewane oszczędności lub zmiany. Zjawisko to dostrzegają zarówno ekonomiści, jak i liderzy branży technologicznej. Dyrektor Microsoftu Satya Nadella zauważył niedawno, że „w miarę jak AI staje się bardziej wydajna i dostępna, jej użycie wystrzeli w górę – stanie się towarem, którego nigdy nie mamy dość”. Chodzi o to, że tańsza i lepsza AI będzie wszechobecna: zamiast ograniczyć wykorzystanie zasobów, może wywołać boom na usługi i infrastrukturę AI (np. większy popyt na moc obliczeniową, energię czy układy GPU potrzebne do trenowania modeli). Paradoks Jevonsa w kontekście AI można rozpatrywać na dwóch głównych płaszczyznach: (1) rynku oprogramowania oraz (2) rynku pracy i zapotrzebowania na pracowników. Przyjrzyjmy się obu tym obszarom.
Wydajniejsze tworzenie oprogramowania = większe zapotrzebowanie na software
Rozwój narzędzi AI dla programistów – takich jak asystenci kodu (np. GitHub Copilot) czy generatory oprogramowania – znacząco zwiększa efektywność tworzenia software’u. Kod można pisać szybciej, mniejszym nakładem pracy i często niższym kosztem. Intuicyjnie można by oczekiwać, że w efekcie firmom potrzeba będzie mniej programistów, a projektów programistycznych będzie ubywać. Tymczasem dzieje się odwrotnie – popyt na tworzenie nowych aplikacji i systemów informatycznych rośnie lawinowo, właśnie dlatego że stało się to łatwiejsze i tańsze. Jak przejawia się ten „paradoks AI” w praktyce? Można wymienić kilka czynników:
• Niższe koszty, więcej projektów: Skoro kodowanie jest szybsze i tańsze, firmy mogą pozwolić sobie na realizację większej liczby projektów, w tym takich, które dawniej były nieopłacalne. Powstają aplikacje dla mniejszych, niszowych potrzeb – nawet małe biznesy czy indywidualni użytkownicy mogą zamawiać lub samodzielnie budować rozwiązania szyte na miarę. Przykład: właściciel małej firmy bez zaplecza IT dzięki narzędziom AI zamówi (lub sam stworzy) prostą aplikację do zarządzania zapasami, która kilka lat temu byłaby poza jego zasięgiem finansowym.
• Demokratyzacja tworzenia: AI obniża barierę wejścia – osoby bez formalnego wykształcenia programistycznego mogą teraz tworzyć działający kod przy pomocy narzędzi AI. To otwiera drzwi nowym grupom użytkowników i organizacji do świata tworzenia oprogramowania. Innymi słowy, programowanie przestaje być domeną wyłącznie zawodowych developerów, co zwiększa ogólną liczbę wytwarzanych programów. Przykład: bloger czy nauczyciel jest w stanie z pomocą AI stworzyć prostą aplikację lub wtyczkę do swojej strony WWW, nie zatrudniając do tego programisty.
• Szybsze iteracje i eksperymenty: Gdy koszt wytworzenia kodu spada, firmy i zespoły mogą pozwolić sobie na częstsze eksperymenty oraz prototypowanie. Zamiast jednej wersji rozwiązania, testuje się wiele podejść, zwiększając łączny wolumen napisanego kodu. Przykład: zespół produktowy może przy pomocy AI stworzyć i przetestować pięć różnych prototypów funkcjonalności zamiast jednego, co oznacza znacznie więcej pracy programistycznej w sumie.
• Rosnąca złożoność systemów: Narzędzia AI pozwalają budować coraz bardziej złożone systemy mniejszym wysiłkiem. W efekcie istniejące produkty są częściej rozbudowywane, ulepszane i przebudowywane od podstaw, aby wyprzedzić konkurencję. To również zwiększa całkowitą ilość kodu, która powstaje w dłuższej perspektywie. **Przykład: **firma oferująca oprogramowanie jako usługę (SaaS) może wykorzystać AI, by co kilka lat przeprojektować i przepisać swój system na nowo – coś, na co bez automatyzacji nie byłoby czasu ani zasobów.
Wszystkie powyższe zjawiska sprawiają, że ogólny popyt na oprogramowanie rośnie zamiast maleć. Paradoksalnie, efektywniejsze narzędzia programistyczne zwiększają zapotrzebowanie na pracę programistów, choć zmienia się charakter tej pracy. Najbardziej rutynowe czynności może faktycznie wykonuje za nas AI, ale w ich miejsce pojawia się zapotrzebowanie na nowe funkcjonalności, bardziej dopracowane systemy i integracje. Dobitnie ujął to Erik Brynjolfsson, badacz gospodarki cyfrowej: „Mieliśmy wiele niesamowitych technologii – buldożery, komputery, arkusze kalkulacyjne – które radykalnie zwiększyły ludzką produktywność, a jednak, paradoksalnie, ciągle zatrudniamy coraz więcej ludzi”. Rzeczywiście, branża IT od lat notuje wzrost zatrudnienia, a liczba programistów na świecie stale się zwiększa. Szacunki wskazują, że globalna populacja deweloperów wzrosła o ponad 20% w ciągu ostatnich pięciu lat, osiągając ok. 27–28 mln w 2023 roku. Prognozy mówią nawet o 45 milionach programistów do 2030 r., co pokazuje, że mimo pojawienia się automatyzacji, zapotrzebowanie na specjalistów od tworzenia oprogramowania pozostaje ogromne i wciąż rośnie.
Automatyzacja a rynek pracy: czy wydajność zwiększa popyt na pracowników?
Paradoks Jevonsa ma też istotne implikacje dla rynku pracy w erze AI. Powszechne są obawy, że sztuczna inteligencja odbierze ludziom pracę, eliminując całe zawody. Historia i analiza ekonomiczna sugerują jednak bardziej złożony obraz. W wielu przypadkach AI może zwiększyć popyt na pracę ludzką w danej dziedzinie, o ile spełnione są pewne warunki. Aby wzrost efektywności przełożył się na więcej miejsc pracy zamiast redukcji, potrzebne są trzy elementy:
-
AI znacząco podnosi produktywność pracowników. Technologia musi wspomagać ludzi, umożliwiając im wykonanie dużo większej pracy w tym samym czasie (ale nie całkowicie ich zastępować). Przykład: tłumacz korzystający z narzędzi tłumaczenia maszynowego może przełożyć znacznie więcej tekstu dziennie niż wcześniej, nadal nadzorując jakość.
-
Większa produktywność obniża koszt produktu lub usługi. Jeśli pracownik dzięki AI wytwarza więcej, koszt jednostkowy usługi spada (nawet jeśli pensja jednostkowo nie maleje). Usługi stają się tańsze lub bardziej dostępne dla klientów. Np. jeśli radiolog dzięki AI analizuje obrazy szybciej, koszt badania obrazowego może efektywnie się obniżyć lub szpitale mogą badać więcej pacjentów w tym samym czasie.
-
Popyt na daną usługę jest elastyczny i rośnie wraz ze spadkiem ceny. To kluczowy warunek: konsumenci muszą zechcieć więcej danej usługi, gdy staje się tańsza lub łatwiej dostępna. Jeżeli spadek kosztów wyzwoli nowy popyt (więcej klientów, częstsze korzystanie), wówczas mimo usprawnienia pracy łączny wolumen usług rośnie do tego stopnia, że potrzeba więcej pracowników niż przedtem.
Kiedy te trzy czynniki wystąpią łącznie, możemy zobaczyć prawdziwy Paradoks Jevonsa na rynku pracy – automatyzacja zamiast bezrobocia przynosi więcej zatrudnienia w danym zawodzie. Brynjolfsson podaje tu analogię z historii transportu lotniczego. Gdy wynaleziono samoloty odrzutowe, wydajność pilotów dramatycznie wzrosła – mogli oni latać dalej i szybciej, przez co koszt przelotu na milę spadł. Czy to oznaczało, że potrzeba mniej pilotów? Stało się odwrotnie: ludzie zaczęli latać więcej niż kiedykolwiek, bo podróże lotnicze stały się tańsze i powszechnie dostępne. Efekt? Więcej samolotów w powietrzu i więcej miejsc pracy dla pilotów niż wcześniej.
Podobne zjawisko może zachodzić w niektórych profesjach "zagrożonych" przez AI. Już teraz można wskazać przykłady zawodów, które dynamicznie się rozwijają pomimo (a nawet z powodu) rosnącej automatyzacji:
• Programiści (koderzy): Jak opisano wyżej, narzędzia AI przyspieszają pracę developerów, ale jednocześnie branża IT ciągle rekrutuje. Firmy chcą tworzyć więcej oprogramowania niż dotąd, więc dobrze wyszkoleni inżynierowie oprogramowania wciąż są rozchwytywani na rynku. W efekcie zawód programisty nie zanika – przeciwnie, w wielu krajach wciąż brakuje rąk do pracy w IT.
• Tłumacze: Tłumaczenie maszynowe (Google Translate, DeepL itp.) już od ponad dekady radykalnie poprawiło swoją skuteczność. Mimo to nie nastąpiła zagłada zawodu tłumacza. Wręcz przeciwnie, w latach 2008–2018 liczba etatów tłumaczy i interpreterów w USA wzrosła o 49,4%. Globalizacja i rosnący strumień treści do przetłumaczenia spowodowały, że nawet korzystając z AI, organizacje nadal potrzebują ludzi do przekładu tekstów specjalistycznych, weryfikacji jakości czy tłumaczeń ustnych. Automatyzacja przyspieszyła pracę pojedynczego tłumacza, lecz jednocześnie pojawiło się więcej zleceń – efekt odbicia zwiększył łączne zapotrzebowanie na usługi językowe.
• Radiolodzy: W środowisku medycznym mówiło się, że AI w diagnostyce obrazowej może zastąpić radiologów, automatycznie rozpoznając np. guzy na zdjęciach RTG czy MRI. W praktyce jednak popyt na radiologów nie maleje. Algorytmy analizujące skany pozwalają specjalistom szybciej opisywać badania, dzięki czemu szpitale mogą wykonywać ich więcej – co w dobie starzejącego się społeczeństwa i większej profilaktyki przekłada się na więcej pracy do wykonania. Radiolodzy z pomocą AI są bardziej wydajni, ale to oznacza, że mogą obsłużyć rosnącą liczbę pacjentów zamiast stać się zbędni. Jak ujął to jeden z komentatorów: „im bardziej efektywne narzędzia dostają lekarze, tym więcej badań się zleca – popyt rośnie, zanim zdąży spaść” (znów mechanizm paradoksu Jevonsa).
To tylko kilka przykładów zawodów, gdzie AI pełni rolę „współpracownika” zwiększającego możliwości człowieka, a nie jego konkurenta do zastąpienia. Oczywiście nie dotyczy to każdej profesji – jeśli technologia całkowicie automatyzuje zadanie i nie pojawia się nowy popyt, wtedy zatrudnienie faktycznie spada. Przykładem jest rolnictwo: maszyny rolnicze i roboty sprawiły, że pojedynczy rolnik wytwarza dziś żywność dla tysięcy osób, ale popyt na jedzenie nie rośnie w nieskończoność (jest ograniczony biologicznie i budżetowo). W 1900 roku około 40% pracowników w USA stanowili farmerzy, a dziś to zaledwie ~2% – maszyny wyparły ludzi, bo wydajność wzrosła, lecz popyt na żywność okazał się nieelastyczny. Podobnie może stać się w dziedzinach, gdzie AI całkowicie zastąpi ludzi i nie wygeneruje się nowy popyt (lub będzie on ograniczony). Dlatego wpływ AI na rynek pracy będzie zróżnicowany: w niektórych obszarach zobaczymy Paradoks Jevonsa – wzrost zatrudnienia dzięki wyższej efektywności – a w innych spadek, tam gdzie automatyzacja zamknie pewien rynek bez rozszerzania go.
Wnioski: czy AI zabierze nam pracę, czy pracy przybędzie?
Paradoks Jevonsa przypomina, że wpływ technologii na gospodarkę bywa nieintuicyjny. Zwiększenie efektywności rzadko przekłada się liniowo na oszczędność zasobów – często uruchamia mechanizmy prowadzące do jeszcze większego wykorzystania tych zasobów. W kontekście sztucznej inteligencji oznacza to, że choć AI automatyzuje wiele zadań, nie musi to oznaczać masowego bezrobocia. Przeciwnie, w wielu sektorach może wystąpić efekt, w którym wydajniejsi dzięki AI pracownicy są bardziej potrzebni niż wcześniej. Efektywność odblokowuje nowy popyt – firmy znajdują kolejne zastosowania dla tańszej technologii, konsumenci korzystają częściej z udoskonalonych usług, powstają całkiem nowe potrzeby i rynki.
Oczywiście, nie ma jednej prostej odpowiedzi co do przyszłości pracy w dobie AI. Paradoks Jevonsa nie jest uniwersalnym prawem – raczej przestrogą, by nie zakładać automatycznie, że oszczędność z tytułu automatyzacji pozostanie oszczędnością w skali całej gospodarki. Wszystko zależy od charakteru popytu. Jeżeli AI uzupełnia ludzkie umiejętności, czyniąc usługi tańszymi i szerzej dostępnymi, możemy spodziewać się rozkwitu zatrudnienia w tych dziedzinach (przynajmniej do czasu kolejnej rewolucji). Z drugiej strony, tam gdzie AI stanie się substytutem i popyt na dane dobra nie wzrośnie wystarczająco, nastąpi spadek zapotrzebowania na pracowników.
Wielu ekspertów pozostaje jednak ostrożnymi optymistami. Erik Brynjolfsson, określający się mianem „techno-optymisty”, zauważa, że w ujęciu historycznym technologia mimo wszystko okazała się netto korzystna dla zatrudnienia. Powstawały nowe branże i zawody, a ludzkie potrzeby ewoluowały wraz z rozwojem cywilizacji. Co więcej, sam William Jevons w XIX wieku przewidywał, że choć maszyny początkowo mogą zabierać pracę ludziom, to w szerszej perspektywie zwiększają skalę produkcji i tworzą nowe miejsca pracy – często dla tych samych osób, które na krótko zostały wyparte.
Patrząc w przyszłość, możemy oczekiwać, że branża technologiczna będzie się dalej dynamicznie rozwijać, napędzana m.in. przez rosnącą rolę AI. Zapotrzebowanie na oprogramowanie i usługi cyfrowe będzie rosło w miarę, jak stają się one tańsze i bardziej dostępne – zgodnie z logiką paradoksu Jevonsa. W efekcie specjaliści od IT, data science, analizy danych, a także zawodów kreatywnych wspieranych przez AI, prawdopodobnie nie stracą pracy, lecz będą musieli dostosować swoje kompetencje do nowych warunków. Pojawią się także nowe role, o których dziś jeszcze nie myślimy. Z drugiej strony, konieczna jest czujność – tam gdzie automatyzacja trwale zastępuje człowieka, należy zawczasu planować przekwalifikowanie pracowników i poszukiwanie dla nich nowych ścieżek.
Paradoks Jevonsa w kontekście AI uczy nas jednego: ulepszanie technologii nie usuwa ludzkiej roli z równania gospodarczego, a przynajmniej nie tak prosto, jak się obawiamy. W wielu przypadkach większa efektywność oznacza większy apetyt – zarówno na moc obliczeniową i dane, jak i na ludzką kreatywność, nadzór czy wytwarzanie nowych rozwiązań. Zamiast więc pytać, czy AI zabierze nam pracę, coraz częściej musimy pytać jak zmieni się charakter tej pracy oraz jak wykorzystać uwolniony potencjał. Jevons 150 lat temu pokazał, że oszczędność zasobów może paradoksalnie zużyć ich więcej – dziś widzimy, że oszczędność czasu i pracy dzięki AI może skutkować jeszcze większym zapotrzebowaniem na pracę i technologię. To ważna lekcja dla firm, pracowników i decydentów planujących przyszłość w cieniu rewolucji AI. Dzięki zrozumieniu tego paradoksu możemy lepiej przygotować się na gospodarcze skutki automatyzacji i sprawić, by kolejne fale innowacji służyły nam wszystkim, zamiast nas zaskakiwać.