AI leidt niet vanzelf tot een productievere economie

• Werner, G. (2025) ESB, 110(4843), 110-113. Download [138,38 kb]

Twee jaar na de marktintroductie van ChatGPT is het wachten op de grote klapper van kunstmatige intelligentie voor de economie. Wat is er nodig voordat kunstmatige intelligentie de economie productiever maakt? En wat kan de overheid doen?

Eind 2022 kwam ChatGPT beschikbaar. Nooit werd een toepassing van nieuwe technologie – generatieve AI op basis van taalmodellen en aangeboden als chatbot – zo snel door 100 miljoen mensen in gebruik genomen. Weinig productie en werk zou ontkomen aan de ontwrichtende capaciteiten van AI, en schaalvergroting van modellen en modeltrainingen zou verrassende nieuwe AI-capaciteiten aan het licht brengen. En zelden of nooit kregen prognoses over explosieve technologische en economische groei zo veel gehoor.

Maar twee jaar na dato blijken de eerste indrukken van de economische potentie van AI niet zo veelzeggend. Het adoptierecord werd snel verbroken door een meer traditionele digitale dienst, Threads (Reuters, 2023). Na het eerste gebruiksgenot kwamen steeds meer opschalingsgrenzen, kostenposten en gebruiksbeperkingen aan het licht (FD, 2024; Martens, 2024a). Dus zijn de prognoses voor economische groei inmiddels bijna net zo snel naar beneden als naar boven bijgesteld (The Economist, 2024). Zijn de economische beloftes vooral mooie verhalen geweest?

In dit artikel reflecteer ik op de vraag in welke mate AI – in het bijzonder generatieve AI – de economie productief kan transformeren. Een helder beeld van de economische potentie van AI helpt om economische verwachtingen te vormen en verstandige beleidskeuzes te maken.

Algemeen toepasbare technologie

Een bruikbare toetssteen voor de economische potentie van AI is het concept van een general purpose technology oftewel een algemeen toepasbare technologie (ATT). Dat is een nieuwe technologie die de economie als geheel buitengewoon productief transformeert (Bresnahan en ­Trajtenberg, 1995; Bresnahan, 2010). Zo’n doorbraaktechnologie zorgt op zichzelf niet onmiddellijk voor een enorme productiviteitsgroei, maar pas na verloop van tijd bij een productieve wisselwerking tussen verbetering van de technologie zelf, aanvullende innovatie, en breed en intensief gebruik in de economie.

Het ATT-concept koppelt economische logica (over prikkels op microniveau en productiviteit op macroniveau) aan historische werkelijkheid (zoals de buitengewone productiviteitsgroei die door technologieën als elektriciteitsvoorziening en de computer mogelijk werd).

Een nieuwe technologie is nooit al van oorsprong een bruikbaar middel dat efficiënt voorziet in gebruikersbehoeften. Neem de elektriciteitsvoorziening. Het is pas na een reeks van technologische vondsten (zoals de gloeilamp en de elektriciteitscentrale) en toepassingen (zoals de verbrandingsmotor en de lopende band) geweest dat elektriciteit zo efficiënt en bruikbaar werd als technologische basis voor productieve toepassing (Bresnahan en Gordon, 1997). Zonder specifieke innovaties zoals de lift, koelkast, metro of röntgenfoto zou de technologie te algemeen voor gebruik zijn gebleven voor afstemming op uiteenlopende gebruiksbehoeften, en waren meeropbrengsten van elektriciteitsvoorziening sneller afgenomen (Bresnahan, 2010; Gordon, 2016). Tot slot was er breed en wijdverbreid gebruik van elektriciteit nodig: het kostte organisaties en sectoren tientallen jaren aan investeringen en aanpassingen om elektriciteit volwaardig voor hun kernactiviteiten te kunnen toepassen – en dan nog bleef de technologische impact onderworpen aan afnemende meeropbrengsten omdat de industrie bijvoorbeeld meer profiteerde dan de dienstverlening (Bresnahan en Gordon, 1997).

Toetsing van de economische potentie van generatieve AI aan het ATT-concept heeft om drie redenen meerwaarde. Ten eerste wordt AI al langer als ATT gemunt maar niet per se als zodanig economisch geduid (WRR, 2021). Ten tweede geeft generatieve AI, omdat economen juist van deze AI-variant veel productiviteitswinst verwachten, aanleiding voor hernieuwde toetsing aan de voorwaarden van een ATT (Bresnahan, 2023; Clark Center Forum, 2023).Ten derde is de toetsing van generatieve AI aan het ATT-concept tot nu toe alleen gericht geweest op de gevoeligheid van de productiviteitsbijdrage van generatieve AI voor bepaalde groeikanalen zoals technologische convergentie en wijdverbreide adoptie (OESO, 2024). Reden genoeg om per ATT-voorwaarde economische inzichten aan te reiken over de mate waarin generatieve AI er wel en niet aan voldoet.

Verbetering van de technologie zelf

Er zijn duidelijke aanwijzingen voor een sterk verbeterpotentieel bij AI. De taalmodellen worden vaardiger, veelzijdiger en specifieker. De komst van generatieve AI suggereert ook dat AI nieuwe vormen kan aannemen. AI-patenten zijn origineler en algemener dan andere patenten (OESO, 2023a). En AI convergeert stapsgewijs verder met de robottechnologie waarmee AI ook industriële activiteiten als tomatenteelt en automontage productiever kan maken. Bijzonder aan generatieve AI is hoe technologie en toepassing samenvallen. Er ontstaat snelle feedback tussen technologie (de modelkwaliteit) en toepassing (het modelgebruik) waarvan bij elektriciteit en computer nog geen sprake was (Bresnahan, 2024).

Toch ontsnapt AI niet aan afnemende meeropbrengsten. Op basis van trainingsdata voorspelt een taalmodel – het soort model dat ten grondslag ligt aan generatieve AI – wat een plausibele uitkomst is voor een gegeven opdracht. De plausibiliteit van de uitkomst voor een opdracht aan een taalmodel is gebonden aan schaarse rekenkracht en trainingsdata. Ook is generatieve AI nog beperkt in staat tot generalisatie naar situaties buiten trainingsdata. Dus blijft een taalmodel naast informatieve en creatieve resultaten onbetrouwbare en onnavolgbare resultaten voortbrengen, ten koste van het aantal productieprocessen waarin AI verdienstelijk kan functioneren. Experts in wetenschap en industrie wijzen op afnemende meeropbrengsten van schaalvergroting van de modellen en datasets (Varoquaux et al., 2024).

Alleen met verstrekkende technologische doorbraken en convergenties zouden de functionele vermogens van AI heel veel hoger dan nu kunnen reiken. Overheden kunnen bijdragen aan de ontwikkeling van de technologie zelf via steun voor publieke goederen zoals fundamenteel AI-onderzoek en hoogontwikkelde AI-infrastructuur.

Economische gronden

Het technisch verbeterpotentieel van AI is economisch stevig geworteld. Overal in de wereld wordt privaat en publiek in de ontwikkeling van allerlei soorten AI geïnvesteerd (Stanford University, 2024). Speciaal aan generatieve AI, vergeleken bij de opkomst van elektriciteit en computer, is het investeringspatroon binnen een aantal grote technologiebedrijven. Het is via hun miljardeninvesteringen dat de rekenkracht achter grensverleggende AI-modellen zo snel heeft kunnen toenemen. Kenmerkend voor generatieve AI is daarnaast de gelijktijdige investering van de big tech-bedrijven in technologie en toepassing (en de feedbacklussen ertussen). Aan de hand van de taalmodellen kunnen ze het externe effect van investering in technologie internaliseren op de opbrengsten uit de toepassing. Door hun grotere totaalopbrengsten ontstaan er sterkere investeringsprikkels om AI-technologie te verbeteren (­Bresnahan, 2024).

Tegelijkertijd zijn grote en gelijktijdige investeringen noodzakelijke, maar onvoldoende voorwaarden voor substantiële technische verbetering in productieve richtingen. Enerzijds geven ze op zichzelf geen betrouwbaar signaal over de technische en economische potentie van AI. De digitaal-economische geschiedenis kent veel investeringsgolven die niet de gehoopte economische groei brachten, en door de hoge investerings- en trainingskosten is dat bij generatieve AI ook nog niet zeker (Martens, 2024b). Anderzijds is bij succesvolle investeringsimpulsen in de technische verbetering van AI de sleutelrol van de big tech-bedrijven riskant. Zij bepalen in toenemende mate de richting waarin AI zich ontwikkelt. Denk aan de gekozen balans tussen snelheid en veiligheid van markttoepassingen, tussen openheid en controle van AI-modellen, en tussen soorten AI-modellen. Ook kan de toch al aanzienlijke economische macht en invloed van de big tech verder toenemen. Niettegenstaande recente toetredingen door nieuwkomers (zoals bijvoorbeeld Deepseep) kunnen AI-markten, net als andere digitale markten, door toetredingsdrempels en bedrijfsintegratie kantelen naar onbetwiste markten en afgesneden innovatiepaden (Aghion en Bunel, 2024). Bij overheden ligt daarom de uitgelezen taak om AI-markten via beleid en toezicht open en eerlijk te houden.

Aanvullende innovatie

Dankzij lage ontwikkelkosten worden er wekelijks kansrijke nieuwe AI-toepassingen ontwikkeld. Bestaande technologiebedrijven kunnen AI-toepassingen relatief goedkoop integreren in hun bestaande digitale diensten en platforms (Bresnahan, 2024). Ondernemers kunnen laagdrempeliger innoveren door innovatieplatforms (met flexibele modellen en tools om toepassingen te bouwen), transactieplatforms (appstores en websites waar ondernemers toepassingen aanbieden) en clouddiensten (voor opslag en analyse van data) (De Bijl et al., 2023).

Een bijzondere bijdrage aan lagere ontwikkelkosten komt van krachtige chatbots, die flexibele interactie tussen mens en AI bevorderen (Bresnahan, 2024). Met een chatbot als gebruikersinterface ontstaat voor ondernemers een nieuw toepassingsgebied voor bijvoorbeeld AI-assistenten (CERRE, 2024; FD, 2024).

Maar er zijn ook redenen voor meer getemperde verwachtingen over de ontdekking van nieuwe AI-toepassingen en hun meeropbrengsten. Denk aan afnemende meeropbrengsten door beperkte betrouwbaarheid en legitimiteit van taalmodellen – advertentiediensten en productaanbevelingen zijn fouttoleranter dan nieuwsdiensten en zorgverlening. Ook werkt de vraag over de houdbaarheid van investeringskosten voor AI-technologie door op de economische levensvatbaarheid van de AI-toepassingen. Bovendien kan de hoge technologische en economische dynamiek rond AI aanvullende innovatie niet alleen versnellen maar ook vertragen. Hoe meer technische verbetering en economische alternatieven een ondernemer van nieuwe technologie verwacht, des te meer tijd en geld je kan besparen als je eerst verbeterde of andersoortige modellen afwacht (Kennedy, 2006; Bresnahan, 2010).

Overheden kunnen bijdragen aan de ontwikkeling van waardevolle AI-toepassingen door de AI-verordening en andere relevante wetten zo doelgericht en werkbaar mogelijk te maken.

Ontdekking van ideeën

Vervolginnovatie drijft ook op het opdoen van nieuwe ideeën. Ideeën kunnen bij AI goedkoper worden ontwikkeld dan bij eerdere technologische doorbraken. Dankzij bestaande digitale infrastructuren en diensten gaat de uitwisseling van kennis tegenwoordig sneller, waardoor in theorie efficiënter ideeën voor en door AI ontstaan. Er zijn bovendien veel middelen en mensen geconcentreerd in grootschalige onderzoekslabs. Hieruit kunnen bij de vorming van nieuwe ideeën voor en door AI sterke schaalvoordelen en synergievoordelen ontstaan.

Ook kan AI de ideeënvorming versnellen (OESO, 2023b). Generatieve AI kan ideeën efficiënter helpen vormen en toetsen via bijvoorbeeld achtergrondonderzoek, data-analyse, modelsimulatie en tekstschrijven – alsof elke wetenschapper er een fenomenale onderzoeksassistent bij heeft (Korinek, 2023). En AI zou zelfs een nieuwe methode kunnen worden voor wetenschappelijke ontdekking die het aanboren van nieuwe ideeën versnelt (­Cockburn et al., 2019) – alsof AI zélf een fenomenale ‘zelfstandige’ onderzoeker wordt (Lu et al., 2024). Mogelijk zijn recente AI-gestuurde ontdekkingen zoals bij waterstoffusie en antistofontwikkeling hiervan slechts voorproefjes (Stanford University, 2024).

Toch is er ook bij ideevorming reden om sceptisch te zijn. Het opdoen van nieuwe ideeën vaart in belangrijke mate op menselijke ervaring en intuïtie. Het is, afgezien van potentiële efficiëntiewinsten in onderzoeksprocessen, en misschien ook wel van de vertaling van datapatronen naar hypotheses, niet duidelijk dat AI zonder vorm van menselijk begrip nieuwe ideeën kan ‘verzinnen’.

De sterk teruggelopen onderzoeksproductiviteit in de afgelopen honderd jaar suggereert dat het ondanks ICT-ontwikkelingen steeds moeilijker wordt om op nieuwe ideeën te komen (Bloom et al., 2020). Er zou dus echt een radicale doorbraak en zelfs omkering plaats moeten vinden van de wet van afnemende opbrengsten van wetenschappelijk onderzoek, waaraan onderzoekers ook met ICT en AI vooralsnog niet ontkomen. De overheid doet er op zijn minst goed aan om bij te blijven dragen aan passende onderzoeksinfrastructuren en kennisnetwerken.

Breed en algemeen gebruik

Het gebruik van AI-toepassingen is door universele internettoegang, gebruiksvriendelijke interfaces, productintegraties en gebruikstarieven onder de kostprijs laagdrempelig. De laagdrempeligheid lokt vroeg en massaal gebruik uit. Met betrekking tot wetenschappelijke experimenten over communiceren met klanten, programmeren van software, schrijven van teksten en ontwerpen van producten, kan dit AI-gebruik mensen in zeer uiteenlopende werkzaamheden productiever maken (OESO, 2024). Het laagdrempelige gebruik kan bovendien een productieve feedbacklus op gang brengen tussen het gebruik en de kwaliteit van AI-modellen. Het modelgebruik levert content en informatie op, die modelprestaties helpen verbeteren, wat weer modelgebruik uitlokt, enzovoort.

Productief gebruik onder werkenden

Maar het gebruik van (generatieve) AI door werkenden is niet automatisch productief. Het vergt kennis en kunde om gebruiksmogelijkheden van AI te herkennen en verkennen; om AI-toepassingen te selecteren, evalueren en specificeren; en om AI-content te creëren, evalueren en verbeteren (Waber en Fast, 2024).

Het gebruik van AI kan contraproductief zijn: de consumptiemogelijkheden van AI kunnen net als bij de tv en smartphone afleiden van bedoelingen om productief te zijn, en de laagdrempeligheid lokt schadelijk aanbod uit zoals deep fakes, digitale aanvallen en illegale recepten (Stanford University, 2024). De massale productie van waardeloze en schadelijke AI-content holt zelfs de kwaliteit van informatie op het internet uit, en daarmee de databron voor generatieve AI (Waber en Fast, 2024). Er bestaan dus negatieve feedbacklussen tussen modelkwaliteit en modelgebruik die het productiepotentieel van AI-modellen beperken.

De overheid kan in beeld brengen welke vaardigheden passen in een AI-economie, en kan digitale vaardigheden nog nadrukkelijker prioriteren.

Productief gebruik onder organisaties

Organisaties kunnen van de laagdrempelige gebruiksmogelijkheden van AI profiteren. Naast de redenen voor werkenden kunnen bestaande organisaties baat hebben bij de integratie van AI in bestaande kantoorsoftware en datamanagementsystemen. Ook kunnen organisaties op basis van beschikbare AI-modellen en -tools relatief eenvoudig en goedkoop organisatie-specifieke toepassingen van AI voor de eigen bedrijfsvoering ontwikkelen en uitproberen. Hoewel het bij AI, net zoals bij de computer en elektriciteit, zo kan zijn dat productiviteit na investering eerst zakt voordat ze uiteindelijk stijgt, lijken bepaalde datagestuurde bedrijfsprocessen snel en goed verbeterbaar met AI (Bresnahan, 2024).

Toch loopt organisatorische inpassing en aanpassing vaak op allerlei manieren vertraging op. Bestaande digitale infrastructuur kan behalve een zegen ook een vloek zijn voor implementatie van AI, als de bestaande IT-systemen en bedrijfsmodellen er niet op zijn toegerust. Een organisatie kan verstrikt raken in een innovatorsdilemma – een situatie waarin een organisatie niet wil investeren in eigen verandering uit vrees om het eigen verdienmodel te ondergraven. Nieuwe ondernemers lopen tegen toetredingsdrempels zoals netwerkeffecten, kapitaalrestricties, nalevingskosten en personeelsschaarste aan. Bij de hoge technologische en economische dynamiek die AI momenteel kenmerkt, ontstaat een economisch motief om organisatorische aanpassing uit te stellen totdat het duidelijker is welke AI-­toepassingen blijvertjes zijn. AI-projecten komen door tegenvallende resultaten en juridische kwesties niet zonder meer van pilotfase tot implementatiefase (The New York Times, 2023). Het proces van ontdekking is dus onvoldoende voltooid om zinnige uitspraken te kunnen doen over de economische potentie van AI binnen organisaties.

De overheid kan productieve transformatie van organisaties stimuleren door markttoetreding te bevorderen en defensieve lobby te weerstaan.

Productief gebruik onder sectoren

AI zou overal in de economie bruikbaar kunnen zijn. AI kan goed assisteren bij informatieverwerking, wat in alle sectoren in meer of mindere mate plaats.

Meer in het bijzonder zou AI een potent medicijn kunnen zijn dat publieke sectoren zoals het onderwijs, de gezondheidszorg en het openbaar bestuur tot op zekere hoogte geneest van de ziekte van Baumol – het verschijnsel dat essentiële sectoren bij nieuwe technologie een groter deel van de economie gaan innemen omdat er minder productiviteitsgroei in mogelijk is. Daardoor wordt productiviteitsgroei niet alleen geremd door wat we goed doen, maar vooral ook door wat moeilijk te verbeteren is (Baumol, 1967). Juist in publieke sectoren vindt veel informatieverwerking plaats die mogelijk gebaat is bij AI, wat de ziekte van Baumol kan mitigeren.

Toch blijven de meeropbrengsten van AI van sector tot sector verschillen, want niet in alle sectoren is informatieverwerking even essentieel. In de bouwnijverheid en de logiesverstrekking heeft informatieverwerking bijvoorbeeld een kleine rol. De informatieverwerking is ook niet in alle sectoren even verbeterbaar. Zo vindt veel informatieverwerking in het openbaar bestuur en de rechtskundige dienstverlening plaats op basis van impliciete kennis, menselijke interactie, vertrouwelijke informatie en onvoorziene omstandigheden.

Voor wél verbeterbare informatieverwerking rijst bovendien de vraag of het publieke sectoren zonder tucht van de markt lukt om zichzelf met AI productief te vernieuwen. Om écht te ontdekken wat er voor publieke sectoren aan productiviteitswinst haalbaar is, zullen ze hiermee grootschalig en systematisch moeten experimenteren.

Conclusie en beleidsdiscussie

Met grootschalige taalmodellen en gebruiksvriendelijke chatbots biedt generatieve AI nieuwe innovatiepaden. Deze innovatiepaden naar een productievere economie zijn sneller af te lopen dan bij andere technologie door de bijzondere feedbacklussen bij taalmodellen (tussen technologie en toepassing) en chatbots (tussen toepassing en eindgebruik).

Toch blijkt het nog geen uitgemaakte zaak dat AI de economie substantieel productiever maakt. Generatieve AI veroorzaakt niet ineens een buitengewone productiviteitsgroei: de bijdrage aan productiviteit valt of staat, net als bij andere algemeen toepasbare technologieën, bij een langdurig proces van economische ontdekking en transformatie waarin veel economische hordes genomen moeten worden.

Ook wordt AI niet vanzelf zo’n invloedrijke ATT: de overheid moet blijven inspringen door hinderlijke hordes weg te nemen. De beleidsprioriteit die volgt uit de onzekere fase van de economische opkomst van AI is de stimulering van ontdekking: de ontdekking van kansrijke modellen, interfaces, onderzoeksmethodes, toepassingen, verdienmodellen, vaardigheden, organisatievormen, marktstructuren en al met al de buitengewone kansen (en bedreigingen) van AI voor een productievere economie. De overheid kan aan dit economische ontdekkingsproces bijdragen via het waarborgen van open AI-markten, werkbare AI-wetten, passende onderzoeksinfrastructuren, passende vaardigheden en uitvoerige experimentatie in publieke sectoren.

Van belang voor doeltreffend overheidsbeleid is om AI te blijven zien in het licht van de langere digitaliseringstrend. AI vergroot de stapel aan digitale technologieën: ze bouwt voort op de computer en het internet, en is het vlotst inpasbaar bij toepassingen en organisaties die toch al datagestuurd en algoritmisch waren. De digitale transformatie van een organisatie legt dan ook vaak een indirect pad af, eerst via investering in datatechnologie en pas later in AI-technologie (Bresnahan, 2023). Empirisch onderzoek toont ook aan dat specifieke AI-bedrijvigheid gebaat is bij generieke ICT-vaardigheden (Fontanelli et al., 2024). AI maakt het dus nóg belangrijker dan het al was om als overheid digitale transformatie in algemene zin te ondersteunen.

Literatuur

Aghion, P. en S. Bunel (2024) AI and growth: Where do we stand? Notitie Federal Reserve Bank of San Francisco, juni. Te vinden op www.frbsf.org.

Baumol, W.J. (1967) Macroeconomics of unbalanced growth: The anatomy of urban crisis. The American Economic Review, 57(3), 415–426.

Bijl, P. de, N. van Gorp en G. Werner (2023) Handboek platformeconomie: Beleid en strategie voor de digitale samenleving. Amsterdam: Boom uitgevers.

Bloom, N., C.I. Jones, J. Van Reenen en M. Webb (2020) Are ideas getting harder to find? The American Economic Review, 110(4), 1104–1144.

Bresnahan, T.F. (2010) General purpose technologies. In: B.H. Hall en N. Rosenberg (red.), Handbook of the economics of innovation. Volume 2. Amsterdam: Elsevier, p. 760–791.

Bresnahan, T.F. (2023) What innovation paths for AI to become a GPT? Journal of Economics & Management Strategy, 33(2), 305–316.

Bresnahan, T.F. en R.J. Gordon (1997) The economics of new goods.Chicago: Chicago University Press.

Bresnahan, T.F. en M. Trajtenberg (1995) General purpose technologies ‘engines of growth’? Journal of Econometrics, 65(1), 83–108.

CERRE (2024) AI agents and ecosystems contestability. CERRE Issue Paper, 5 november.

Clark Center Forum (2023) AI and productivity growth. Economenenquête, 27 april. Te vinden op www.kentclarkcenter.org.

Cockburn, I., M. Henderson en S. Stern (2019) The impact of artificial intelligence on innovation: An exploratory analysis. In: A. Agrawal, J. Gans en A. Goldfarb (red.), The economics of artificial intelligence. Chicago: University of Chicago Press, p. 115–146.

FD (2024) AI die niet alleen kletst, maar ook iets dóét; Zijn agents dan de killer app? Het Financieele Dagblad, 24 november.

Fontanelli, L., F. Calvino, C. Criscuolo et al. (2024) The role of human capital for AI adoption: Evidence from French firms. Centre for Economic Performance Discussion Paper, 2055.

Kennedy, A. (2006) Interstellar travel: The wait calculation and the incentive trap of progress. Journal of the British Interplanetary Society, 59(7), 239–246.

Korinek, A. (2023) Language models and cognitive automation for economic research. NBER Working Paper, 30957.

Lu, C., C. Lu, R.T. Lange et al. (2024) The AI scientist: Towards fully automated open-ended scientific discovery. Werkdocument, 2408.06292. Te vinden op arxiv.org.

Martens, B. (2024a) The tension between exploding AI investment costs and slow productivity growth. Bruegel Working Paper, 9 oktober.

Martens, B. (2024b) Catch-up with the US or prosper below the tech frontier? An EU artificial intelligence strategy. Bruegel Policy Brief, 21 oktober.

OESO (2023a) What technologies are at the core of AI? An exploration based on patent data. OECD Artificial Intelligence Paper, 6.

OESO (2023b) Artificial intelligence (AI) in science. OESO Publicatieoverzicht.

OESO (2024) Miracle or myth? Assessing the macroeconomic productivity gains from artificial intelligence. OECD Artificial Intelligence Paper, 29.

Reuters (2023) Meta’s Twitter rival Threads surges to 100 million users faster than ChatGPT. Reuters Video, 11 juli.

Stanford University (2024) The AI Index Report. Measuring trends in AI. Rapport op aiindex.stanford.edu.

The Economist (2024) Computers unleashed economic growth: Will artificial intelligence? The Economist, 21 november.

The New York Times (2023) The A.I. revolution is coming; But not as fast as some people think. The New York Times, 29 augustus.

Varoquaux, G., A.S. Luccioni en M. Whittaker (2024) Hype, sustainability, and the price of the bigger-is-better paradigm in AI. Werkdocument, 2409.14160. Te vinden op arxiv.org.

Waber, B. en N.J. Fast (2024) Is GenAI’s impact on productivity overblown? Harvard Business Review, 8 januari.

WRR (2021) Artificiële intelligentie als een general prupose technology. WRR working paper, 16 februari.