Artificial Intelligence: Growth, Inequalities and Public Policies

Kunstig intelligens (KI) forandrer økonomien i rekordfart, men vi vet fortsatt ikke helt hvilke konsekvenser det vil få. Vil KI gi oss mer innovasjon, høyere produktivitet og økonomisk vekst? Eller vil det føre til færre jobber, økende ulikhet og mer makt til store selskaper? Politikken vil spille en avgjørende rolle i å styre utviklingen. Myndigheter står overfor et viktig spørsmål: hvordan kan vi sikre at KI gir flest mulig fordeler uten å skape store samfunnsproblemer? Skal politikken først og fremst fremme økonomisk vekst, eller bør den fokusere på å redusere ulikhet og risiko? Å finne riktig balanse er avgjørende, men vi har fortsatt ikke klare svar på hvordan dette kan gjøres best mulig. Dette prosjektet søker å gi svar ved å bruke en ny tilnærming. I stedet for å basere politikk på teori alene, bør vi lære av tidligere erfaringer. Ved å analysere hvordan tidligere KI-relaterte tiltak har påvirket bedrifter og samfunnet, kan vi utforme smartere og mer treffsikre løsninger. Målet er å utvikle politikk som gir størst mulig nytte for samfunnet – både nå og i fremtiden.

There is currently a vivid societal debate and nascent research about the economic effects of artificial intelligence (AI). Some expect to see positive impacts in terms of innovation, productivity and economic growth. Others point to possible economic harms such as technological unemployment, increasing market concentration and exacerbation of income inequalities. Public policies will have a crucial role to shape the direction and extent of these effects. However, it is still quite unclear what policies could do to foster the future economic benefits of AI, what they could do to avoid its possible harms, and how they could balance the positive and negative impacts. The present project will investigate the trade-off between growth and inequality effects of AI, and analyze how public policies for AI should be designed in order to take this trade-off into account. The key novel aspect of the project will be the application of the optimal policy learning (OPL) approach to the study of policies for AI. The main idea of this approach is that optimal policies should be designed by exploiting information about the effects of previous policies on the treated agents, in such a way that new policies will seek to maximize ex-ante the empirical welfare of the target population. In other words, the design of new policies is optimal because it is based upon, and it learns from, the effects of previous policies and the heterogenous characteristics of agents. To apply this approach to the study AI policies, the project will develop the following pillars: (1) a conceptual framework of firm heterogeneity and AI, which points out the main factors that affect firms’ adoption of AI and its effects; (2) empirical analysis of how AI and related policies affect different types of firms; (3) analysis of how different policies should be designed in order to maximize empirical welfare, and how these policies can address the trade-off between efficiency and equity effects of AI.