هوش مصنوعی و نقش بانک مرکزی
وقتی AI نشانههای اقتصاد را پیچیدهتر میکند
بر اساس مطالعهای که در ژوئیه ۲۰۲۶ توسط بانک تسویه بینالمللی منتشر شد، گسترش هوش مصنوعی به افزایش سرمایهگذاری، رشد تجارت و افزایش ارزش بازارهای سهام منجر شده و اثرات آن در کشورها و بخشهای مختلف یکسان نیست. از نگاه این مطالعه، نکته مهم برای سیاست پولی این است که AI میتواند همزمان بر سمت عرضه و تقاضای اقتصاد اثر بگذارد. همین موضوع میتواند تفسیر شاخصهای اقتصادی را دشوارتر کند و ارزیابی وضعیت واقعی اقتصاد و تنظیم سیاست پولی را برای بانکهای مرکزی دشوارتر سازد. به بیان سادهتر، بانک مرکزی ممکن است با اقتصادی مواجه شود که در آن چند تغییر بهطور همزمان در حال رخ دادن است. شرکتها برای فناوریهای جدید سرمایهگذاری میکنند، بهرهوری در برخی فعالیتها افزایش مییابد، تقاضا برای برخی کالاها و خدمات تغییر میکند و بازارهای مالی نیز به چشمانداز AI واکنش نشان میدهند. BIS تاکید میکند که اندازه و سرعت اثر بهرهوری AI همچنان نامطمئن است و میان بخشها و کشورها تفاوت دارد.
وقتی اثر AI هنوز در آمارهای اقتصاد دیده نمیشود
بر اساس مطالعه بانک مرکزی کانادا در مارس ۲۰۲۶، یکی از معماهای فعلی AI این است که با وجود پیشرفت سریع این فناوری، افزایش بهرهوری که در مطالعات سطح بنگاهها مشاهده شده، هنوز به همان اندازه در آمارهای کلان اقتصاد دیده نمیشود. نویسندگان این مطالعه از این وضعیت با عنوان «پارادوکس بهرهوری AI» یاد میکنند. به گفته آنها، بخشی از این فاصله میتواند به زمانبر بودن گسترش فناوری در اقتصاد، هزینههای سازگار شدن بنگاهها با فناوری جدید و محدودیتهای اندازهگیری مربوط باشد. بانک مرکزی کانادا به همین دلیل تاکید میکند که ارزیابی آثار اقتصادی AI در زمان وقوع این تغییرات، با عدمقطعیت همراه است.
این مطالعه همچنین نشان میدهد که AI در بلندمدت میتواند ظرفیت تولید اقتصاد را افزایش دهد و فشار کاهنده بر تورم ایجاد کند، اما اثر آن بر تورم در دوره گذار مشخص نیست. از دید نویسندگان، یکی از چالشهای سیاست پولی این است که بانک مرکزی بتواند تشخیص دهد تغییر شاخصهای اقتصادی ریشه در یک تحول عمیقتر در ساختار اقتصاد دارد یا صرفا بخشی از نوسانات معمول اقتصاد در مسیر رشد و رکود است. به بیان ساده، ممکن است اقتصاد در حال تغییر باشد، اما بانک مرکزی در همان لحظه نداند که با یک تغییر ماندگار در ساختار اقتصاد روبهروست یا با یک ضعف یا بهبود موقتی که پس از مدتی برطرف میشود.
آیا خود معیارهای سنجش اقتصاد هم ممکن است تغییر کنند؟
اما مساله AI فقط این نیست که تشخیص تغییرات اقتصادی برای بانک مرکزی دشوارتر شود. مطالعه بانک مرکزی آمریکا در آوریل ۲۰۲۶ به نکته دیگری اشاره میکند. اگر AI واقعا فناوری تولید و ساختار اقتصاد را تغییر دهد، ممکن است برخی از معیارهایی که بانک مرکزی برای ارزیابی وضعیت اقتصاد به آنها تکیه میکند، نیز تغییر کنند. یکی از این معیارها ظرفیت بالقوه تولید اقتصاد است؛ یعنی سطحی از تولید که اقتصاد با توجه به عواملی مانند فناوری، نیروی کار و سرمایه میتواند در شرایط عادی به آن برسد. اگر AI بهرهوری و فناوری تولید را افزایش دهد، این ظرفیت نیز میتواند تغییر کند. در چنین شرایطی، بانک مرکزی برای ارزیابی میزان استفاده از ظرفیت اقتصاد، دیگر نمیتواند لزوما به همان برآوردهای گذشته تکیه کند. معیار دیگر نرخ طبیعی بهره است؛ یعنی نرخی که با شرایط اقتصادی سازگار باشد و در بلندمدت به ثبات تورم کمک کند.
مطالعه فدرالرزرو توضیح میدهد که تغییرات فناوری، بهرهوری و ساختار اقتصاد میتواند این نرخ را نیز جابهجا کند. بنابراین، تغییرات ناشی از AI فقط به تولید و بهرهوری محدود نمیشود و میتواند بر معیاری که بانک مرکزی برای ارزیابی وضعیت نرخهای بهره به آن توجه دارد نیز اثر بگذارد. این مطالعه همچنین نشان میدهد که AI میتواند در کوتاهمدت، نحوه اثرگذاری تغییرات عرضه و تقاضا بر تورم را تغییر دهد. برای مثال، تغییر در فناوری تولید، هزینههای بنگاهها، نحوه قیمتگذاری آنها و سرعت انتقال تغییرات هزینه به قیمتها میتواند بر مسیر تورم اثر بگذارد. بنابراین، حتی اگر برخی شاخصهای معمول اقتصاد تغییر زیادی نکرده باشند، رابطه میان فعالیت اقتصادی، هزینهها و قیمتها ممکن است در حال تغییر باشد. اما AI میتواند به خواندن اقتصاد هم کمک کند.
در کنار این چالشها، هوش مصنوعی میتواند ابزارهای بانکهای مرکزی برای رصد اقتصاد را نیز تقویت کند. بانک مرکزی کانادا در مطالعهای در سال ۲۰۲۶ نشان میدهد که ابزارهای جدید هوش مصنوعی به بانکهای مرکزی امکان میدهند حجم بیشتری از اطلاعات را با سرعت بیشتری بررسی کنند. از اطلاعات متنی و خبری گرفته تا دادههای اقتصادی و مالی که بهصورت پیوسته تولید میشوند. اهمیت این موضوع در این است که بسیاری از تحولات اقتصادی ممکن است ابتدا در دادههای جدید و پراکنده دیده شوند و با فاصله در آمارهای رسمی منعکس شوند. هوش مصنوعی میتواند به جمعآوری، دستهبندی و استخراج الگو از این حجم بزرگ اطلاعات کمک کند و در نتیجه تصویر بهروزتری از وضعیت اقتصاد در اختیار سیاستگذاران قرار دهد.
تجربه بانک مرکزی اروپا (ECB)، رصد ریسک تورم با یادگیری ماشین(Machine Learning یا ML)
بانک مرکزی اروپا یکی از نمونههای عملی استفاده از این ابزارها را ارائه کرده است. در مطلبی که در آوریل ۲۰۲۶ منتشر شد، ECB توضیح میدهد که از یک مدل مبتنی بر ML برای بررسی ریسکهای پیرامون پیشبینی تورم استفاده میکند. این مدل میتواند تعداد بیشتری از شاخصهای اقتصادی را همزمان در نظر بگیرد و الگوهای پیچیده و روابط غیرخطی میان متغیرها را شناسایی کند. ویژگیهایی که در مدلهای اقتصادی متعارف ممکن است محدودتر باشند. اهمیت این کاربرد در این است که بانک مرکزی فقط به دنبال پیشبینی یک عدد برای تورم نیست؛ بلکه میخواهد بداند چه احتمالی وجود دارد که تورم بالاتر یا پایینتر از مسیر پیشبینیشده قرار گیرد.
ECB از این ابزار برای تقویت ارزیابی ریسک پیرامون پیشبینی تورم استفاده میکند. وقتی داده زیاد است، مساله تبدیل داده به اطلاعات است. اما مساله بانکهای مرکزی فقط کمبود اطلاعات نیست. گاهی اطلاعات آنقدر زیاد است که استفاده از آن دشوار میشود. یک نمونه جالب، پروژهای مشترک میان بانک تسویه بینالمللی، بانک مرکزی اروپا و بانک مرکزی آلمان است که در سال ۲۰۲۶ انجام شد. در این پروژه، پژوهشگران به سراغ دادههای بسیار گستردهای از قیمت محصولات رفتند. دادههایی که از وبسایتهای فروش و منابع آنلاین جمعآوری شده بودند و شاملمیلیاردها مشاهده روزانه قیمت و حدود ۳۴میلیون محصول مختلف میشدند. اما داشتن این حجم از داده بهتنهایی کافی نبود.
برای تحلیل تورم، ابتدا باید مشخص میشد هر محصول دقیقا در چه گروهی قرار میگیرد؛ کاری که انجام آن بهصورت دستی عملا امکانپذیر نبود. پروژه نشان داد که میتوان با استفاده متفاوت از هوش مصنوعی، این دادههای خام و پراکنده را به اطلاعات منظم و قابل استفاده برای تحلیل قیمتها تبدیل کرد. در این روش، هوش مصنوعی برای تبدیل توضیحات محصولات به اطلاعات قابل پردازش، استفاده شد و سپس محصولات با کمک الگوریتمهای یادگیری ماشین در گروههای مختلف دستهبندی شدند. این روش از نظر دقت، عملکردی مشابه استفاده مستقیم از مدلهای زبانی بزرگ داشت، اما زمان و هزینه بسیار کمتری نیاز داشت. اهمیت این تفاوت در نحوه بهکارگیری هوش مصنوعی زمانی روشنتر میشود که مقیاس دادهها را در نظر بگیریم.
پژوهشگران برآورد کردند که اگر ۳۴میلیون محصول این مجموعه مستقیما با یک مدل زبانی بزرگ دستهبندی شوند، بیش از ۶ ماه زمان محاسباتی و بیش از ۵۰۰ هزار یورو هزینه نیاز خواهد داشت. در مقابل، روش مورد استفاده در این پروژه توانست کل مجموعه داده را در حدود پنج روز و با هزینهای نزدیک به ۱۵۰۰ یورو دستهبندی کند. اهمیت این مثال برای سیاست پولی روشن است. بانک مرکزی فقط به داده بیشتر نیاز ندارد. باید بتواند از میان حجم بزرگی از اطلاعات، نشانههای قابل استفاده برای تحلیل اقتصاد استخراج کند. هوش مصنوعی میتواند در همین مرحله، یعنی تبدیل دادههای خام و پراکنده به اطلاعات قابل استفاده برای رصد تورم و اقتصاد، نقش داشته باشد.
چالش جدید؛ اقتصادی که تغییر میکند و ابزارهای سنجش آن
گسترش هوش مصنوعی برای بانکهای مرکزی یک چالش دوگانه ایجاد میکند. از یک سو، خود اقتصاد در حال تغییر است. از شیوه تولید و بهرهوری گرفته تا رفتار بنگاهها، هزینهها و نحوه شکلگیری قیمتها، همگی در حال تغییر هستند. از سوی دیگر، ابزارهای جدیدی در اختیار بانکهای مرکزی قرار گرفتهاند که میتوانند حجم بیشتری از اطلاعات را با سرعت بیشتری پردازش کنند. در چنین شرایطی، استفاده از هوش مصنوعی میتواند به بانک مرکزی کمک کند برخی تغییرات اقتصادی را زودتر مشاهده و تحلیل کند. با این حال، همچنان این پرسش باقی میماند که آنچه در دادهها مشاهده میشود، یک تغییر موقتی است یا نشانه تغییری عمیقتر در ساختار اقتصاد است. به این ترتیب، چالش پیش روی بانکهای مرکزی فقط پیشبینی اثر هوش مصنوعی بر تورم، تولید یا اشتغال نیست. آنها باید همزمان با اقتصادی که در حال تغییر است، روشهای سنجش و تحلیل خود را نیز بهروز کنند.
* کارشناس بانک مرکزی
