*هوش مصنوعی و نقش حکمرانی(بانک مرکزی)*
روزنامه دنیای اقتصاد۷ مهرماه
نویسنده: مونا موسی‌پور
خلاصه مدیریتی: دکترامیرصادقی

📌توسعه شتابان هوش مصنوعی (AI) صرفاً یک جهش فناورانه در سطح بنگاه نیست، بلکه یک شوک ساختاری دوگانه به اقتصاد کلان است. از یک سو، AI با دستکاری هم‌زمان سمت عرضه و تقاضا، تعاریف سنتی و متغیرهای کلیدی بانک‌های مرکزی را دگرگون می‌کند؛ از سوی دیگر، ابزارهای پیشرفته پردازش داده و یادگیری ماشین (ML) را برای سیاست‌گذاری دقیق‌تر در اختیار حکمرانان پولی قرار می‌دهد.
۱. ابعاد چالش: پیچیدگی در سیاست‌گذاری و پاردوکس‌ها
الف) شوک هم‌زمان عرضه و تقاضا
ورود AI به اقتصاد به‌طور هم‌زمان باعث افزایش سرمایه‌گذاری شرکت‌ها، تغییر در بازارهای مالی و پویایی در تقاضای کل می‌شود. این هم‌زمانی، تفکیک «نوسانات کوتاه‌مدت چرخه تجاری» از «تغییرات ماندگار ساختاری» را برای بانک‌های مرکزی دشوار می‌سازد.
ب) پارادوکس بهره‌وری (AI Productivity Paradox)
مطالعات نشان می‌دهند که با وجود جهش بهره‌وری در سطح خرد (بنگاه‌ها)، این اثرات هنوز در آمارهای کلان اقتصاد منعکس نشده‌اند. علل این گاف زمانی عبارتند از:
● زمان‌بر بودن نفوذ فناوری در کل لایه‌های بدنه اقتصاد.
● هزینه‌های بالای سازگاری (Adaptation Costs) در سازمان‌ها.
● محدودیت‌های سنتی اندازه‌گیری در حساب‌های ملی.
ج) بی‌ثباتی متغیرهای بنیادی راهنما
ارزیابی‌های سیاست پولی متکی بر معیارهای کلیدی زیر هستند که همگی تحت تأثیر AI تغییر می‌کنند:
● ظرفیت بالقوه تولید (Y^*): افزایش بهره‌وری، سقف تولید بدون تورم را بالا می‌برد.
● نرخ طبیعی بهره (r^*): تغییر در بازدهی سرمایه و ساختار تولید، نرخ بهره بلندمدتِ خنثی را جابه‌جا می‌کند.
● دینامیک تورم و قیمت‌گذاری: تغییر ساختار هزینه بنگاه‌ها و سرعت انتقال هزینه‌ها به قیمت final، مکانیسم انتقال پولی (Monetary Transmission Mechanism) را نامتقارن می‌سازد.
۲. فرصت‌ها: ارتقای حکمرانی داده‌محور و رصد هوشمند
هوش مصنوعی علاوه بر چالش‌زا بودن، قدرتمندترین ابزار سیاست‌گذار برای «خوانش سریع اقتصاد» در ادامه دو بخش "الف" و "ب" با ۴ بخش
• محور کاربرد
• ابزار / فناوری
• دستاورد برای بانک مرکزی
• نمونه عملیاتی
آمده است:
● محورالف) رصد هوشمند تورم ● ابزار/فناوری الف) Machine دستاورد الف) Learning (ML) شناسایی روابط غیرخطی و تحلیل سناریوهای ریسک تورمی
● نمونه عملیاتی الف) بانک مرکزی اروپا (ECB): بررسی ریسک‌های حول پیش‌بینی تورم با متغیرهای چندبعدی

● محورب)پردازش داده‌های کلان (Big Data)
● ابزار/فناوری ب)ترکیب NLP و الگوریتم‌های طبقه‌بندیML
● دستاوردب) تبدیل داده‌های خام آنلاین به شاخص‌های اقتصادی قابل تحلیل
● نمونه عملیاتی ب)پروژه مشترک BIS، ECB و بانک مرکزی آلمان

۳. تحلیل اقتصادی-مدیریتی پروژه شاخص قیمت (BIS & ECB Case Study)
پروژه مشترک BIS و ECB اهمیت کارایی محاسباتی را در استفاده از هوش مصنوعی به اثبات می‌رساند. برای تحلیل ۳۴ میلیون محصول و میلیاردها داده روزانه قیمت:
> مقایسه روش‌شناختی دسته‌بندی داده‌ها:
>>روش مستقیم (Large Language Models): نیازمند ۶ ماه زمان محاسباتی و بیش از ۵۰۰,۰۰۰ یورو هزینه.
>> روش ترکیبی هوشمند (Hybrid AI/ML): اجرا در ۵ روز با هزینه تقریبی ۱,۵۰۰ یورو (بیش از ۹۹٪ کاهش هزینه و زمان با حفظ دقت هم‌سطح LLM).

🔺نتیجه مدیریتی: مسئله بانک‌های مرکزی کمبود داده نیست، بلکه بهینه‌سازی فرایند تبدیل داده خام به اطلاعات تصمیم‌ساز است.
جمع‌بندی و توصیه‌های استراتژیک برای بانک‌های مرکزی
● بازنگری در مدل‌های کلان (DSGE): تجدیدنظر در فرضیات مربوط به نرخ طبیعی بهره (r^*) و ظرفیت تولید برای جلوگیری از خطای سیاست‌گذاری پولی.
● ارتقای زیرساخت تحلیل داده: بهره‌گیری از مدل‌های ترکیبی سبک و کارآمد AI به جای اتکای صرف به مدل‌های پرهزینه عمومی.
● تفکیک سیگنال از نویز: تدوین روش‌های ارزیابی جدید برای تشخیص بازه‌های گذار تکنولوژیک از رکود و رونق‌های متعارف.