450 miliard dolarů a nula na výstupu: Goldman Sachs říká, že AI zatím ekonomiku netáhne

Americké firmy loni utratily za AI přes 450 miliard dolarů. Výsledný dopad na HDP? Podle hlavního ekonoma Goldman Sachs Jana Hatziuse: „V podstatě nula."

Tohle číslo — respektive jeho absence — zaznělo na konferenci Atlantic Council a okamžitě vyvolalo debatu, která sahá hluboko za kvartální výsledky. Protože pokud největší investiční banka světa říká, že stovky miliard dolarů investovaných do AI se neprojevily v žádném makroekonomickém ukazateli, máme tu buď bublinu, nebo paradox. Možná obojí.

Co přesně Goldman Sachs zjistil

Analytici Goldman Sachs v čele s Josephem Briggsem a Janem Hatziusem publikovali v březnu 2026 analýzu, ve které konstatují, že „stále nenacházíme smysluplný vztah mezi produktivitou a adopcí AI na celoekonomické úrovni." To je diplomatický způsob, jak říct: všichni o AI mluví, nikdo to nevidí v číslech.

Data jsou výmluvná. Rekordních 70 % managementů firem z indexu S&P 500 zmínilo AI v kvartálních earnings calls. Ale jen 10 % z nich dokázalo kvantifikovat, jaký konkrétní dopad AI měla na konkrétní úlohy. A pouhé jedno procento — přečtěte si to číslo znovu — jedno procento firem dokázalo kvantifikovat dopad AI na zisky.

Hatzius navíc upozornil na mechanismus, který většina komentátorů přehlíží: velká část AI investic v USA proudí do hardwaru — a ten se importuje. „Hodně AI investic, které vidíme v USA, ve skutečnosti přispívá k tchajwanskému HDP a korejskému HDP, ne k americkému," vysvětlil. Zhruba 75 % nákladů na AI datové centrum tvoří importované komponenty. Amerika platí, Asie vyrábí.

🔍 Co je HDP a proč na něm záleží

Hrubý domácí produkt (GDP — Gross Domestic Product) měří celkovou hodnotu zboží a služeb vyprodukovaných v dané zemi za určité období. Když Goldman Sachs říká, že AI přispěla „nulou," neznamená to, že AI je k ničemu — znamená to, že se její přínos zatím neprojevil ve statistikách, které ekonomové používají k měření hospodářského zdraví. HDP má ale známé slepé skvrny: nezachytí dobře kvalitativní zlepšení, inovace v raných fázích ani hodnotu, která se teprve akumuluje.

Solowův paradox se vrací

„AI je všude, jen ne v příchozích makroekonomických datech," napsal Torsten Slok, hlavní ekonom Apollo. Vědomě tím parafrázoval výrok, který je starý skoro čtyřicet let.

📚 Solowův paradox (1987)

V roce 1987 napsal nositel Nobelovy ceny za ekonomii Robert Solow v recenzi pro New York Times větu, která definovala celou éru: „Počítačový věk je vidět všude, jen ne ve statistikách produktivity." Solow si všiml, že navzdory obrovským investicím do počítačů a informačních technologií se produktivita americké ekonomiky nezvyšovala — naopak, klesala z 2,9 % ročně (1948–1973) na pouhých 1,1 % po roce 1973. Termín „paradox produktivity" pak v roce 1993 formalizoval ekonom Erik Brynjolfsson z MIT.

Paradox se nakonec „vyřešil" — ale až v druhé polovině 90. let, kdy firmy konečně přestavěly své procesy kolem internetu a IT. Trvalo to zhruba dekádu.

Paralela s dneškem je až znepokojivě přesná. Firmy masivně investují do AI. Vedení se předhánějí v tom, kdo AI zmíní vícekrát v earnings callu. Ale měřitelný dopad na produktivitu? Zatím neviditelný.

Joseph Briggs z Goldman Sachs to pojmenoval přímo: příběh o AI investicích je „velmi intuitivní," což „zabránilo nebo omezilo potřebu skutečně se ponořit hlouběji do toho, co se reálně děje."

Mikro vs. makro: kde AI produktivitu prokazatelně zvedá

Příběh má ale důležitou nuanci. Na úrovni celé ekonomiky Goldman Sachs nenašel nic. Na úrovni konkrétních úkolů našel hodně.

Firmy, které dokázaly kvantifikovat dopad AI na specifické procesy, reportovaly mediánový nárůst produktivity kolem 30 %. To není zanedbatelné číslo. Problém je, že těchto firem je zatím žalostně málo — a jejich úspěchy se neprojevují v agregátních datech.

Tohle je klíčový rozdíl, který většina komentátorů mine. AI nepřináší plošné zvýšení produktivity celé firmy. Přináší dramatické zrychlení konkrétních úkolů — generování kódu, sumarizace dokumentů, analýza dat. Ale tyto úlohy tvoří jen zlomek celkové ekonomické aktivity firmy, natož celé ekonomiky.

J-křivka: proč bychom se neměli divit

Existuje ekonomický koncept, který tohle všechno vysvětluje — a zároveň naznačuje, co přijde dál.

📚 Produktivitní J-křivka a technologie obecného účelu

Ekonomové Erik Brynjolfsson, Daniel Rock a Chad Syverson z MIT a University of Chicago popsali fenomén, kterému říkají „produktivitní J-křivka." Když se objeví takzvaná technologie obecného účelu (General Purpose Technology — GPT, pozor, nesouvisí s chatbotem) — jako byla elektřina, spalovací motor nebo internet — měřená produktivita nejdřív klesne.

Proč? Firmy investují obrovské prostředky do nové technologie, ale zároveň musí přestavět procesy, přeškolit lidi a experimentovat s novými způsoby práce. Tyto „nehmotné investice" se v HDP neprojeví, ale jsou nezbytné. Teprve když se nová technologie integruje do firemních procesů, J-křivka se otočí nahoru.

Historický příklad: elektřina vstoupila do továren v 90. letech 19. století. Produktivita ale vzrostla až o tři dekády později — když manažeři přestali napojovat elektromotory na staré parní transmise a místo toho přestavěli celé továrny kolem individuálních elektromotorů. To umožnilo vznik montážní linky. Technologie byla ta samá. Rozdíl udělala reorganizace.

Goldman Sachs sám odhaduje, že AI začne mít měřitelný dopad na americký HDP a produktivitu práce až v roce 2027. Pokud platí historické vzorce J-křivky, může to trvat i déle.

Co to znamená prakticky

Takže jsme v bublině? Ne nutně. Ale jsme v té nepříjemné fázi, kdy technologie už existuje, ale ekonomika se jí ještě nepřizpůsobila. Firmy kupují nástroje, ale nepřestavěly procesy. Manažeři mluví o AI v earnings calls, ale nedokáží říct, kolik jim vydělala.

Tři věci, které z Goldman Sachs analýzy vyplývají:

Za prvé, samotná investice do AI není produktivita. Koupit si GitHub Copilot pro celý tým vývojářů je snadné. Přestavět vývojářský workflow tak, aby AI integroval smysluplně — to je těžké. A přesně tam se rozhoduje o tom, kdo bude na správné straně J-křivky.

Za druhé, číslo „nula" je zavádějící. HDP je nástroj z éry průmyslové ekonomiky — měří hmatatelné výstupy, ne kvalitativní zlepšení. Pokud programátor díky AI napíše stejný počet řádků kódu, ale s menším počtem bugů, HDP to nezachytí. Pokud analytik zpracuje report za hodinu místo za den, ale firma mu stále platí za celý den — produktivita na papíře se nezměnila.

Za třetí — a to je možná nejdůležitější — Solowův paradox se pokaždé vyřešil. U počítačů to trvalo dekádu. U elektřiny tři dekády. Otázka není jestli se AI projeví v ekonomice, ale kdy — a kdo bude připraven.

Goldman Sachs loni v roce 2023 predikoval, že AI zvýší globální HDP o 7 % v příštích deseti letech. Tu predikci nezměnil. Změnil jen časový horizont, kdy to začne být vidět.

Solowův paradox je memento, ne verdikt. Říká: nebojte se, že technologie nefunguje. Bojte se, že vaše organizace se jí ještě nepřizpůsobila.