Γράφει ο Αλέξανδρος Δημητρίου
Η τεχνητή νοημοσύνη αναδιαμορφώνει τον τρόπο που λειτουργεί η παγκόσμια οικονομία και θέτει νέες προκλήσεις για τη νομισματική πολιτική. Οι κεντρικές τράπεζες βρίσκονται πλέον ενώπιον μιας μεταβαλλόμενης πραγματικότητας, στην οποία οι κλασικές στρατηγικές ελέγχου του πληθωρισμού και της ανάπτυξης ενδέχεται να μην αρκούν. Η ανάγκη για ευέλικτες και άμεσα εφαρμόσιμες λύσεις γίνεται όλο και πιο επιτακτική.
Η τεχνητή νοημοσύνη (ΤΝ), όπως έχει ήδη αναλυθεί, αυξάνει την παραγωγικότητα μέσω της αυτοματοποίησης, της βελτιστοποίησης των ροών εργασίας και της βελτίωσης της αποδοτικότητας, μειώνοντας το κόστος παραγωγής και, κατά συνέπεια, τις τιμές αγαθών και υπηρεσιών, ασκώντας πτωτική πίεση στον πληθωρισμό. Παράλληλα, μειώνει την εξάρτηση από την εργασία, συγκρατώντας την άνοδο των μισθών, ειδικά σε θέσεις χαμηλής εξειδίκευσης, γεγονός που ενισχύει περαιτέρω την αποπληθωριστική τάση (Poloz, 2021). Ωστόσο, η ΤΝ μπορεί να αυξήσει τον πληθωρισμό υπό ορισμένες συνθήκες, όπως λόγω της αυξημένης ενεργειακής ζήτησης που απαιτείται για τη λειτουργία των συστημάτων της και μέσω της εφαρμογής δυναμικής τιμολόγησης, που προσαρμόζει τις τιμές βάσει ζήτησης, μειώνοντας την αγοραστική δύναμη των καταναλωτών (BIS, 2024).
Σε δεύτερο επίπεδο, σύμφωνα με τους Guerrón Quintana, Mikami και Nosal (2024), η ΤΝ φέρνει νέες ριζικές αλλαγές στην οικονομία. Συγκεκριμένα, το μοντέλο τους προβλέπει ότι η παραγωγικότητα αυξάνεται ταχύτερα στους τομείς που χρησιμοποιούν έντονα την ΤΝ, με αναμενόμενη αύξηση του ΑΕΠ έως 7% την επόμενη δεκαετία. Οι αλλαγές αυτές είναι ιδιαίτερα έντονες σε τομείς όπως οι διαδικτυακές υπηρεσίες και η επεξεργασία δεδομένων. Η βελτίωση της παραγωγικότητας σε αυτούς τους τομείς αλλάζει το που κατευθύνονται οι ροές κεφαλαίων στην οικονομία και ενισχύει την αποδοτικότητά τους. Παρόλα αυτά, η αύξηση της παραγωγικότητας σε ορισμένους μόνο τομείς δεκτικούς στην ενσωμάτωση της ΤΝ μπορεί να δημιουργήσει πληθωριστικές πιέσεις στους τομείς όπου δεν υπάρχουν οι ανάλογες ευνοϊκές συνθήκες, προκαλώντας ανισορροπίες στον πληθωρισμό.
Είναι εμφανές ότι δημιουργούνται προκλήσεις για τα παραδοσιακά πλαίσια στόχευσης πληθωρισμού των Κεντρικών Τραπεζών (εφεξής ΚΤ). Οι τράπεζες συνήθως ρυθμίζουν τον πληθωρισμό μέσω των επιτοκίων, προσαρμόζοντας τη συνολική ζήτηση και προσφορά. Εντούτοις, η αύξηση της παραγωγικότητας από την ΤΝ μπορεί να οδηγήσει σε παρατεταμένη περίοδο χαμηλού πληθωρισμού. Αυτό, ενώ αρχικά ωφέλιμο, μπορεί να οδηγήσει σε υπερβολικό δανεισμό και χρηματοοικονομικές φούσκες σε αγορές όπως οι μετοχές ή τα ακίνητα, φαινόμενα που είναι δύσκολο να ελεγχθούν (Poloz, 2021). Επιπλέον, οι ΚΤ ίσως βρεθούν μπροστά σε νέες προκλήσεις, καθώς οι κλασικοί δείκτες ενδέχεται να μην καταγράφουν τις πληθωριστικές πιέσεις σε συγκεκριμένους τομείς. Σε αυτό το πλαίσιο, οι γενικές αυξήσεις των επιτοκίων μπορεί να επηρεάσουν αρνητικά τους μη-ΤΝ τομείς και να επιβραδύνουν την ανάπτυξή τους, χωρίς όμως να επιτυγχάνουν τον έλεγχο της υπερθέρμανσης στις βιομηχανίες που χρησιμοποιούν έντονα την ΤΝ.
Παρά τα προαναφερθέντα, η ικανότητα της ΤΝ να συλλέγει και να επεξεργάζεται σε πραγματικό χρόνο δεδομένα, τα οποία προέρχονται από μη παραδοσιακές πηγές, αποτελεί μια σημαντική αναβάθμιση των επιχειρησιακών δυνατοτήτων των κεντρικών τραπεζών. Τα παραδοσιακά οικονομικά μοντέλα βασίζονται σε δεδομένα που δημοσιεύονται με χρονοκαθυστέρηση, όπως τριμηνιαίες εκθέσεις για το ΑΕΠ ή μηνιαίες ενημερώσεις για τον πληθωρισμό από κυβερνητικούς φορείς ή χρηματοπιστωτικά ιδρύματα. To γεγονός αυτό μπορεί να αφήσει τους υπεύθυνους χάραξης πολιτικής να αντιδρούν με βάση παρωχημένες πληροφορίες, αντίθετα η TN επιτρέπει στις KT να ενσωματώνουν πιο λεπτομερή και μη δομημένα δεδομένα στις αναλύσεις τους (Kinywamaghana & Steffen, 2021).
Αυτή η δυνατότητα είναι ιδιαίτερα πολύτιμη για την πρόβλεψη πολύπλοκων φαινομένων, όπως οι οικονομικοί κύκλοι και οι τάσεις του πληθωρισμού. Ενδεικτικά, η TN μπορεί να ανιχνεύσει μη γραμμικές σχέσεις μεταξύ οικονομικών μεταβλητών, όπως πώς μια μικρή αλλαγή στα επιτόκια μπορεί να επηρεάσει δυσανάλογα τον πληθωρισμό ή την ανεργία υπό συγκεκριμένες συνθήκες. Αυτές οι προβλεπτικές δυνατότητες καθιστούν την ΤΝ ένα πολύτιμο εργαλείο για τις ΚΤ, παρέχοντας πιο ακριβείς και έγκαιρες πληροφορίες για την λήψη αποφάσεων νομισματικής πολιτικής.
Η ΤΝ μπορεί να κάνει χρήση πηγών, όπως τα κοινωνικά μέσα, οι διαδικτυακές συναλλαγές, η συλλογή πληροφοριών από τον ιστό (web scraping), ακόμα και δορυφορικές εικόνες (Georgieva, 2023). Αυτά τα δεδομένα υψηλής συχνότητας παρέχουν μια πιο άμεση εικόνα. Για παράδειγμα, η ανάλυση συναισθήματος από δημοσιεύσεις στα κοινωνικά μέσα ή άρθρα ειδήσεων μπορεί να προσφέρει πρώιμους δείκτες της καταναλωτικής εμπιστοσύνης ή του επενδυτικού κλίματος, οι οποίοι μπορούν να χρησιμοποιηθούν για την άμεση εκτίμηση (nowcasting) του πληθωρισμού ή της ανάπτυξης του ΑΕΠ (Cipollone, 2024)
Η τεχνητή νοημοσύνη έχει ανοίξει νέους ορίζοντες στη νομισματική πολιτική, παρέχοντας δυνατότητες πιο άμεσης και ακριβούς παρακολούθησης της οικονομικής δραστηριότητας. Η ενσωμάτωσή της δίνει στις κεντρικές τράπεζες ένα ισχυρό εργαλείο για την καταπολέμηση του πληθωρισμού και τη βελτίωση της παραγωγικότητας, φέρνοντας όμως παράλληλα και νέους κινδύνους. Καθώς οι οικονομικές συνθήκες εξελίσσονται με διαφορετικούς ρυθμούς στους τομείς που αξιοποιούν την ΤΝ και σε εκείνους που μένουν πίσω, η νομισματική πολιτική πρέπει να προσαρμοστεί ανάλογα.
ΒΙΒΛΙΟΓΡΑΦΙΑ
- Georgieva, S. (2023). Application of artificial intelligence and machine learning in the conduct of monetary policy by central banks. Economic Studies, 32(8), 177-199.
- Guerrón Quintana, P., Mikami, T., & Nosal, J. (2024). AI-nomics: Understanding the macroeconomics of the artificial intelligence era. Boston College.
- Bank for International Settlements (2024). Artificial intelligence and the economy: Implications for central banks. BIS Annual Economic Report. Διαθέσιμο σε: https://www.bis.org/publ/arpdf/ar2024e3.htm
- Cipollone, P. (2024). Artificial intelligence: A central bank’s view. European Central Bank. Διαθέσιμο σε: https://www.ecb.europa.eu/press/key/date/2024/html/ecb.sp240704_1~e348c05894.en.html
- Kinywamaghana, A., & Steffen, S. (2021). A note on the use of machine learning in central banking. Frankfurt School of Finance & Management. Διαθέσιμο σε: https://www.frankfurt-school.de/author/home/research/centres/financial-intermediaries-real-economy/safefbdc-TN-policy
- Poloz, S. S. (2021). Technological progress and monetary policy: Managing the fourth industrial revolution. Journal of International Money and Finance. Διαθέσιμο σε: https://doi.org/10.1016/j.jimonfin.2021.102373
ΠΗΓΗ ΕΙΚΟΝΑΣ
https://www.pexels.com/photo/robot-pointing-on-a-wall-8386440/