De weg naar een mooie toekomst met nieuwe technologie

De belofte van nieuwe technologieën

Een reeks nieuwe technologieën - waaronder universele robots, zelfrijdende voertuigen, en ‘internet der dingen’ - die zich de afgelopen tien jaar ontwikkelden, komen sneller naar de markt dan verwacht. Brynjolfsson en McAfee (2011, 2014), geven op overtuigende wijze aan dat de nieuwe technologieën de organisatie van de productie zullen verstoren, de aard van het werk zullen verbeteren en de ervaring van consumenten zal verruimen. Op het ogenblik merken we weinig van de potentiële productiviteitsverhoging en horen we des temeer van privacy-schendingen, marktmachtsmisbruik en scheve inkomensverdeling. Dit essay beschrijft of, en in welke mate, de technologieën de welvaart blijvend kunnen verhogen en welk beleid nodig is om de belofte te verzilveren.

De door kunstmatige intelligentie (AI) gestuurde robots zijn goed voor de productiviteit: ze vervangen arbeid, of ze nemen werktaken op zich die de (fysieke) mogelijkheden van mensen te boven gaan (Frey and Osborne 2017). Veel van de nieuwe robots kunnen zonder beveiligingskooi direct naast mensen werken, en de totale kosten van gebruik zit nu rond de vijf à tien euro per uur (Bartelsman, 2019). Deze robots zijn geschikt voor het MKB en kunnen nu ook, dankzij AI, gevoelige taken verrichten zoals het plukken of snijden van tomaten.

Zelfrijdende auto's spreken al tot de verbeelding sinds de eerste grote DARPA-uitdaging van 2004, toen geen van de deelnemers aan de autonome voertuigcompetitie de finish bereikte. In 2013 testte Google (nu Waymo) autonome auto’s en sindsdien hebben veel concurrenten zich in de strijd geworpen. De uitrol van niveau 4 zelfrijdende auto’s (met een bestuurder voor het geval dát) wordt steeds eerder verwacht, nu zelfs in het komend jaar. Autonoom vervoer van fysieke objecten in de productieketen is voor de productiviteit wellicht nog belangrijker dan autonoom personenvervoer. In combinatie met sensoren, mobiele communicatie en AI neemt het aantal locaties en omstandigheden waar autonoom transport arbeid kan verdringen, gestaag toe.

Al met al beginnen de AI-technieken zoals ‘generative adversarial networks’ (Creswell at al. 2018) haar vruchten af te werpen. Met behulp van AI kunnen de marginale kosten van het gebruik van andere kapitaalgoederen omlaag en hun bezettingsgraad omhoog. Voorts kan de combinatie van AI met de andere technologieën de complementariteit tussen kapitaal- en kenniswerkers vergroten, terwijl het de vervanging van werknemers in routinetaken versnelt. Met AI en datacommunicatie kunnen de productieketens tussen primaire middelen en finale vraag ook veel efficiënter worden. Deze trends zijn mooi voor de productiviteit maar beloven niet veel goeds voor de inkomensverdeling.

Hoe te rijmen met pessimistische macrotrends?

De positieve potentiële effecten van de nieuwe technologieën - een hogere arbeidsproductiviteit, een hogere bezettingsgraad van kapitaalgoederen en betere aansluiting van vraag en aanbod - laten zich moeilijk rijmen met de macro-trends. De productiviteitsgroei is de laatste jaren erg laag in alle geavanceerde economieën (OECD 2019a) en de loongroei blijft nog verder achter. De investeringsquote heeft zich niet hersteld tot het niveau van vóór de crisis, zelfs niet nu de beurswaarderingen van met name hightechbedrijven stijgen (Gutiérrez en Philippon 2016, 2017). Tegelijkertijd neemt het arbeidsaandeel in de productie af, terwijl de winstpercentages lijken toe te nemen (Karabarbounis en Neiman, 2014; de Loecker en Eeckhout 2017). De top vijf procent van de bedrijven zijn goed voor het overgrote deel van de totale winst en zijn de enige met een hoge productiviteitsgroei (Andrews et al., 2016).

De burger voelt de maatschappelijke verstoringen door de platformindustrieën, heeft privacyzorgen over sociale netwerken en kijkt argwanend naar onbelaste superwinsten van de supersterbedrijven.

Analytisch kader

Traditionele modellen van economische groei, zoals Solow (1958) en Romer (1989), sloten goed aan bij empirische groei-feiten van de vorige eeuw, de zogenaamde "Kaldor-feiten" (Kaldor 1961). Jones en Romer (2010) laten zien dat deze feiten, waaronder bijvoorbeeld een stabiele arbeidsinkomensquote, niet langer standhouden.

Een nieuw kader dat het traject van digitale technologieën naar productiviteitsgroei en welvaart goed kan beschrijven heeft enkele noodzakelijke ingrediënten (zie Bartelsman 2019). De noodzakelijke ingrediënten zijn immateriële activa en marktdynamiek. Immateriële kapitaalgoederen verschillen van traditioneel kapitaal doordat er geen schaarste optreedt in het gebruik: als ik een moker gebruik om een steen stuk te slaan kan jij de moker niet tegelijkertijd gebruiken, terwijl als ik een algoritme gebruik om een probleem stuk te slaan, kun jij het algoritme op elk gewenst moment of gewenste locatie ook gebruiken zonder dat de ingezette middelen stijgen. Marktdynamiek is nodig om zicht te geven op mogelijke schaalvergroting waarmee investeerders hun immateriële activa kunnen laten renderen, maar tegelijkertijd ook om te zorgen dat de winnende bedrijven niet ongebreideld hun marktmacht kunnen uitoefenen. Een goed voorbeeld van een model dat in overeenstemming is met de recente macro- en microtrends en waarmee beleidsanalyse kan worden gedaan is Akcigit en Ates (2019). Zij wijzen op een afname in de diffusie van kennis tussen bedrijven, wellicht vanwege toegenomen marktmacht, als verklarende factor.

Nieuw beleid

Trajtenberg (2018) wijst op de urgentie voor nieuw beleid met het oog op AI en benadrukt de noodzaak van hervormingen in het onderwijs. Verder is er beleid nodig voor inkomensonzekerheid en sociale inclusie. Wat vooral belangrijk is, zijn aanpassingen in mededingingsbeleid en randvoorwaarden die nodig zijn om investeringen in de digitale toekomst te stimuleren en in goede banen te leiden.

In perfect concurrerende arbeidsmarkten hangt het werkgelegenheidseffect van nieuwe digitale technologieën af van de vrije keuzes van de werknemers en is er geen reden voor beleidsinterventie. In de echte wereld leiden ontwrichtende veranderingen in productieketens tot langdurig baanverlies. De onderhandelingspositie van werknemers in arbeidsmarkten met zulke ontwrichtende veranderingen zal sterk verzwakken. Bovendien kunnen nieuwe technologieën de inkomensongelijkheid vergroten. Ten slotte wordt de arbeidsmarktstatus van werknemers steeds diverser, mede doordat technologie veranderingen teweegbrengt in de kosten en baten tussen werken in loondienst en werken als zelfstandige. Hierom zou sociaal beleid erop gericht moeten zijn alle werkenden voldoende bescherming en verzekering te bieden, ongeacht hun arbeidsmarktstatus.

Een zeer duur middel voor onvoorwaardelijke bescherming is het basisinkomen (zie bijvoorbeeld Saez en Pikkety 2013). Efficiëntere vormen van sociale zekerheid zijn doorgaans afhankelijk van de (recente) arbeidsmarktstatus en vergen aandacht voor een goede classificatie van arbeidsmarktstatus en controle op schijnzelfstandigheid. Risicospreiding op basis van andere kenmerken dan arbeidsmarktstatus zou een win-win opleveren. Zo zou een werkloosheidsverzekering kunnen afhangen van locatie- in plaats van baangebonden factoren. Evenzo zouden ziekteverzuimverzekeringen of onderwijs- of opleidingsbudgetten kunnen worden geformuleerd op basis van beroep en niet op basis van arbeidscontract. De opleiding van werkenden, een cruciaal onderdeel van de 'race tussen technologie en onderwijs' (Tinbergen, 1975; Heckman 2019), zou in dit geval niet langer afhankelijk zijn van een werkgever die vooral bezig is met het vervangen van werknemers door machines.

Wat het onderwijs betreft, zijn de belangrijkste beleidsvragen voor wie, welk type onderwijs en hoe kunnen we onderwijs het beste organiseren? Omdat de afschrijving op onderwijs versneld wordt door nieuwe technologieën is er meer behoeft aan onderwijs voor oudere werkenden. De aandacht naar bèta/technisch onderwijs lijkt doorgeschoten in een wereld waar de meest geavanceerde bedrijven vooral multidisciplinaire teams vragen met een steeds grotere rol voor alfa en gamma opgeleiden. Naarmate de technologie vordert, worden de programmeurs vervangen door code-bots, en wordt de belangrijkste vaardigheid de vaardigheid om vaardigheden te verwerven. Ten slotte moet het onderwijssysteem aangepast worden zodat het bij stijgende welvaart een groter aandeel van ons inkomen inneemt. Dit vereist een beter evenwicht tussen publieke en private bekostiging en tussen vraag en aanbod. Met inzicht in het rendement van onderwijs en de cumulatieve effecten van de verwerving van vaardigheden in een vroeg stadium (Heckman 2009) is een heroverweging van ons aanbodgestuurd systeem evident.

Stimulering innovatie

Het beleid ter stimulering van innovatie moet vooral gericht zijn op het voorkomen van toenemende marktconcentratie, misbruik van marktmacht, en belastingontwijking. Op basis van het eerder besproken economische kader, zullen bedrijfsinvesteringen in innovatieve activiteiten vooral afhangen van de verwachting dat succesvolle innovatie zal leiden tot een toename van het marktaandeel en van de winst. Ook kunnen complementaire publieke investeringen helpen om private investeringen te stimuleren zonder dat ze leiden tot grote marktconcentratie. Verder, zeker op terreinen van productie dichtbij het publieke domein, zoals (ouderen)zorg of onderwijs, kan de overheid gericht zelf investeren en private investeringen aanwakkeren. Het specifieke beleid om dynamische concurrentie te stimuleren zal per technologie en per markt verschillen, maar we geven enkele voorbeelden.

De platforms van nu zijn het moderne equivalent van de bazaars of middeleeuwse Europese markten met ‘charters’ of oorkondes. 

Voor autonome voertuigen zijn er grote kansen in de Europese Unie. In tegenstelling tot de Verenigde Staten, waar hoofdzakelijk wordt geïnvesteerd in technologieën die volledig in het voertuig zijn ingebed, kan in de EU met publiek-private samenwerking een technologie-intensieve transportsysteem ontstaan. De Europese strategie voor coöperatief intelligente vervoerssystemen (C-ITS) aangevuld door overheidsinvesteringen in sensoren in de openbare ruimte, denk aan verkeersborden en -signalen die hun positie kenbaar maken, kan de vorming van een open transportmarkt bespoedigen. Het Amerikaanse systeem leidt tot een dynamiek van "winner-takes-all" en de mogelijkheid van eeuwige grid-lock door privé-voertuigen die 24/7 op zoek zijn naar parkeerplekken.

Een andere technologie-cluster wordt gevormd door platformdiensten die de vraag- en aanbodzijde van een markt met elkaar verbinden. We zien nu platforms voor deelgebruik (vakantieverhuur, autodelen), goederenbezorging (boeken, levensmiddelen of maaltijden) en diensten (taxiservice, hotelboeking, arbeidskrachten). De platforms van nu zijn het moderne equivalent van de bazaars of middeleeuwse Europese markten met ‘charters’ of oorkondes. In Europa is het de traditie om markten te zien als openbare ruimtes. Historisch waren de markten goed gereguleerd. De openingstijden en de locatie van de markt waren gecoördineerd en concurrerende marktplekken werden verboden waardoor handelsvolume en liquiditeit van de markt werden gegarandeerd. Maten en gewichten, de echtheid van munten, en de handhaving van orde werd door de autoriteiten gehandhaafd waardoor de markten tot bloei konden komen. Ten slotte werd de huur die de markteigenaar (in de middeleeuwen meestal een lokale landheer) kon innen begrensd door concurrentie van geografisch aangrenzende markten.

Aanpak macht platformbedrijven

De beleidsoplossing voor de macht van platformbedrijven moet de bron van het probleem aangrijpen: eigendom van en controle over historische transactiegegevens. In principe geeft de GDPR van de EU de transactiepartners het recht om hun eigen gegevens in machine-leesbare vorm op te vragen. Het is echter de totale verzameling van dergelijke gegevens van alle transactiepartners die door AI-analyse nog meer marktmacht brengt. Dit geeft twee mogelijkheden: in de eerste plaats zouden lokale autoriteiten met regelgevende macht, bijvoorbeeld op het gebied van vervoersdiensten, hun vergunningen voor het platform afhankelijk kunnen maken van de voorwaarde dat alle transactiegegevens moeten worden gedeeld (op een manier die de privacy beschermt) door alle concurrenten. Om de externe effecten van het netwerk aan de gebruikerszijde tegen te gaan, moet het berichtenprotocol van het platform open zijn, zodat elke bestuurder elke passagier kan ontmoeten, ongeacht welke concurrerende app wordt gebruikt, welk vervoermiddel wordt gekozen, of welk analyse- en betalingsplatform de ritten verwerkt en coördineert. Op deze manier wordt de vervoersmarkt meer een middeleeuwse markt, met niet-discriminerende toegang van kopers tot verkopers en vice versa. Met deze beleidsaanpassing komt er niet alleen concurrentie tussen transportmiddelaanbieders maar komt er ook concurrentie tussen de platformbedrijven, waarbij sommige beter zijn dan andere in het voorspellen en regisseren van chauffeurs naar de juiste locaties, of sommige beter in het ontwerpen van gebruiksvriendelijke apps en betalingssystemen. De platforms zullen dus concurreren op kwaliteit en op hun aandeel in de marge (de wig tussen de prijs van de dienstverlening tussen de reiziger en de transportmiddel aanbieder). Hoewel het voor een bepaalde lokale overheid moeilijk kan zijn om zo'n systeem op eigen houtje op te zetten wanneer ze geconfronteerd worden met grote internationale platforms en hun advocaten, zou een consortium van steden in staat moeten zijn om de beleidsuitdaging aan te gaan.

De beleidsoplossing voor de macht van platformbedrijven moet de bron van het probleem aangrijpen: eigendom van en controle over historische transactiegegevens. 

Als het platform geen lokale regelgevende instantie kent, is een EU-brede aanpak nodig. Op basis van het GDPR moet ervoor worden gezorgd dat de platforms hun historische gegevens op niet-discriminerende wijze toegankelijk maken aan anderen. Het vinden van een wettelijke route om een open protocol voor de uitwisseling van berichten tussen koper en verkoper op het platform af te dwingen, kan een grotere uitdaging zijn, maar is een noodzakelijk onderdeel van de beleidsoplossing.

Een platform-type waarbij het ingewikkelder is om goede regelgeving te ontwikkelen is de zogenaamde tweezijdige markt. In deze markten handelen kopers en verkopers niet rechtstreeks met elkaar, maar hebben beide partijen interactie met het platform. Op zo’n platform verkopen consumenten hun aandacht (eyeballs) aan het platform in ruil voor inhoud, zoals nieuws, entertainment of andere informatie, terwijl bedrijven hun advertenties willen plaatsen (ze kopen eyeballs) in ruil voor geld dat ze aan het platform geven. Dergelijke markten bestaan al meer dan een eeuw, in de vorm van kranten-, radio- en televisie-met-reclame. Wat nieuw is, is dat het platform nu historische transactiegegevens kan verzamelen van beide kanten van de markt. De enorme toename van (het aandeel van) de reclame-inkomsten die naar deze platformen vloeien, bewijst de efficiëntie van hun bedrijfsvoering ten opzichte van de oude media. Soortgelijke marktverstoringen vinden plaats in andere platforms die toegang hebben tot privé-gegevens, zoals internet-verbonden huishoudelijke apparaten of mobiele-gebaseerde betalingsverwerkers.

Op deze markten is er een wisselwerking tussen de kwestie van privacy en de kwestie van de (eigendom van) de economische waarde van historische transactiegegevens. Het GDPR werd vooral ontwikkeld wegens privacy en ging niet rechtstreeks in op de toekomstige verdeling van de economische waarde van gegevens van transacties tussen de drie betrokken partijen. Oplossingen zijn op het ogenblik niet direct voorhanden, maar sommige recente beleidsmaatregelen kunnen in de goede richting wijzen. In de financiële sector biedt de EU-betalingsdienstenrichtlijn (PSD2) bankklanten de mogelijkheid om derden toegang te verlenen tot historische betalingsinformatie, waardoor het monopolie van de banken op deze informatie wordt doorbroken. Een soortgelijke benadering van andere waardevolle gegevensopslag zou kunnen worden overwogen. Een andere mogelijkheid is het toestaan van ‘microbetaling’-contracten, zodat een consument die gebruik maakt van een dienst dat gegevens verzamelt, een (kleine) prijs kan vragen voor het toekomstige gebruik van deze gegevens. Hoewel de betalingsstromen voor een individu klein kunnen zijn, zullen de economische ‘rents’ die door platforms met marktmacht kunnen worden geïnd, aanzienlijk worden verlaagd.

Tot slot kijken we naar manieren om investeringen te verhogen in sectoren waarin de overheid een grote rol speelt of waarin de overheid maatschappelijke kansen ziet, zoals ouderenzorg of hoger onderwijs. In deze sectoren is het lastig voor private bedrijven om te investeren omdat de omvang van de toekomstige markt en de mogelijkheid om daarin een positie te verwerven voor private bedrijven erg moeilijk is in te schatten. Anders dan bij een platformmarkt waar bedrijven gokken dat hun superieure technologie gaat leiden tot een groot marktaandeel, wordt gevreesd dat er ondanks superieure technologie weinig kans is om de zittende partijen (of de overheid) te verdringen. Een oplossing kan gevonden worden in een technologische prijsvraag, waarin nu al een toekomstige markt van een bepaalde omvang wordt beloofd aan een bedrijf dat aan technische voorwaarden voldoet op een toekomstige datum. Zeker in richtingen waarheen de overheid innovatie en nieuwe technologie wil sturen, kan vooruitgang geholpen worden door dit soort innovatie-instrumenten.

* Dit artikel is gebaseerd op Bartelsman, E.J. (te verschijnen) “From New Technology to Aggregate Productivity”, DG ECFIN Discussion Papers, en is nauw verwant aan Bartelsman, E.J. (2019) “Op weg met nieuwe technologie”.

Referenties:

Acemoglu, D., & Autor, D. (2011). Chapter 12 - Skills, Tasks and Technologies: Implications for Employment and Earnings . In Handbook of Labor Economics: Vol. Volume 4, Part B (pp. 1043–1171).

Acemoglu, D., & Restrepo, P. (2018). Artificial Intelligence, Automation and Work , NBER Working Paper No. 24196. Cambridge MA.

Aghion, P., Jones, B. F., & Jones, C. I. (2017). Artificial Intelligence and Economic Growth , NBER Working Paper No. 23928, Cambridge MA.

Agrawal, A., Gans, J. S., & Goldfarb, A. (2019a). Prediction, Judgment, and Complexity: A Theory of Decision Making and Artificial Intelligence. In The Economics of Artificial Intelligence: An Agenda. University of Chicago Press/NBER.

Agrawal, A. K., Gans, J., & Goldfarb, A. (2019b). The Economics of Artificial Intelligence: An Agenda . Cambridge MA.

Akcigit, U., & Ates, S. T. (2019a). Ten Facts on Declining Business Dynamism and Lessons from Endogenous Growth Theory , NBER Working Paper No. 25755. Cambridge MA.

Athey, S. (2019). The Impact of Machine Learning on Economics. In The Economics of Artificial Intelligence: An Agenda. University of Chicago Press/NBER.

Autor, D., Dorn, D., Katz, L. F., Patterson, C., & Van Reenen, J. (2017). Concentrating on the Fall of the Labor Share . American Economic Review, 107(5), 180–185.

Baltrušaitis, T., Ahuja, C., & Morency, L. (2019). Multimodal Machine Learning: A Survey and Taxonomy . IEEE Transactions on Pattern Analysis and Machine Intelligence, 41(2), 423–443.

Bartelsman, E. J., (forthcoming) From New Technology to Aggregate Productivity, DG ECFIN Discussion Papers, Brussels.

Bartelsman, E. J., Gautier, P. A., & De Wind, J. (2016). Employment Protection, Technology Choice, and Worker Allocation . International Economic Review, 57(3), 787–826.

Bartelsman, E. J., Hagsten, E., & Polder, M. (2017). Micro moments database for cross-country analysis of ICT, innovation, and economic outcomes . Journal of Economics and Management Strategy.

Bartelsman, E., Lopez-Garcia, P., & Presidente, G. (2018). Cyclical and Stuctural Variation in Resource Reallocation: Evidence for Europe . Tinbergen Institute, Amsterdam.

Bessen, J. (2018). AI and Jobs: The role of demand , NBER Working Paper No. 24235. Cambridge, MA.

Bessen, J., Goos, M., Salomons, A., & van den Berge, W. (2019). Automatic Reaction: What happens to workers at firms that automate? CPB, Den Haag.

Brynjolfsson, E., & McAfee, A. (2011). Race Against The Machine: How the Digital Revolution is Accelerating Innovation, Driving Productivity, and Irreversibly Transforming Employment and the Economy . Digital Frontier Press.

Brynjolfsson, E., & McAfee, A. (2014). The Second Machine Age: Work, Progress, and Prosperity in a Time of Brilliant Technologies (1 edition). W. W. Norton & Company.

Brynjolfsson, E., Rock, D., & Syverson, C. (2017). Artificial Intelligence and the Modern Productivity Paradox: A Clash of Expectations and Statistics , NBER Working Paper No. 24001. Cambridge, MA.

Brynjolfsson, E., Rock, D., & Syverson, C. (2018). The Productivity J-Curve: How Intangibles Complement General Purpose Technologies , NBER Working Paper No. 25148. Cambridge, MA.

Cockburn, I. M., Henderson, R., & Stern, S. (2018). The Impact of Artificial Intelligence on Innovation , NBER Working Paper No. 24449. Cambridge, MA.

Coyle, D. (2017). Do-it-Yourself Digital: The Production Boundary and the Productivity Puzzle (SSRN Scholarly Paper No. ID 2986725).

Creswell, A., White, T., Dumoulin, V., Arulkumaran, K., Sengupta, B., & Bharath, A. A. (2018). Generative Adversarial Networks: An Overview . IEEE Signal Processing Magazine, 35(1), 53–65.

Deng, L. (2018). Artificial Intelligence in the Rising Wave of Deep Learning: The Historical Path and Future Outlook [Perspectives] . IEEE Signal Processing Magazine, 35(1), 180–177.

Fazeli, N., Oller, M., Wu, J., Wu, Z., Tenenbaum, J. B., & Rodriguez, A. (2019). See, feel, act: Hierarchical learning for complex manipulation skills with multisensory fusion . Science Robotics, 4(26), eaav3123.

Frey, C. B., & Osborne, M. A. (2017). The future of employment: How susceptible are jobs to computerisation? Technological Forecasting and Social Change , 114, 254–280.

Goldin, C., & Katz, L. F. (1998). The Origins of Technology-Skill Complementarity . The Quarterly Journal of Economics, 113(3), 693–732.

Gordon, R. (2016). The rise and fall of American growth: The US standard of living since the civil war . Princeton University Press.

Gutiérrez, G., & Philippon, T. (2016). Investment-less Growth: An Empirical Investigation , NBER Working Paper No. 22897. Cambridge, MA.

Gutiérrez, G., & Philippon, T. (2017). Declining Competition and Investment in the U.S. , NBER Working Paper No. 23583. Cambridge, MA.

Heckman, J. J. (2018). The Race Between Demand and Supply: Tinbergen’s Pioneering Studies of Earnings Inequality , NBER Working Paper No. 25415. Cambridge, MA.

Hopenhayn, H. A. (1992). Entry, Exit, and firm Dynamics in Long Run Equilibrium . Econometrica, 60(5), 1127–1150.

Jones, C. I., & Romer, P. M. (2010). The New Kaldor Facts: Ideas, Institutions, Population, and Human Capital . American Economic Journal: Macroeconomics, 2(1), 224–245.

Kaldor, N. (1961). Capital Accumulation and Economic Growth . In F. A. Lutz & D. C. Hague (Eds.), The Theory of Capital: Proceedings of a Conference held by the International Economic Association (pp. 177–222).

Karabarbounis, L., & Neiman, B. (2014). The Global Decline of the Labor Share . The Quarterly Journal of Economics, 129(1), 61–103.

Loecker, J. D., & Eeckhout, J. (2017). The Rise of Market Power and the Macroeconomic Implications , NBER Working Paper No. 23687. Cambridge, MA.

McAfee, A., & Brynjolfsson, E. (2018). Machine, Platform, Crowd: Harnassing our Digital Future. W. W. Norton & Company.

McKinsey & Company. (2013). Disruptive technologies: Advances that will transform life, business, and the global economy .

Minar, M. R., & Naher, J. (2018). Recent Advances in Deep Learning: An Overview . ArXiv:1807.08169 [Cs, Stat].

OECD. (2019a). OECD Compendium of Productivity Indicators 2019 . Parijs.

OECD. (2019b). OECD Employment Outlook 2019 . Parijs.

O’Mahony, M., & Timmer, M. P. (2009). Output, Input and Productivity Measures at the Industry Level: The EU KLEMS Database* . The Economic Journal, 119(538), F374–F403.

Romer, P. M. (1990). Endogenous Technological Change. The Journal of Political Economy, 98(5), S71–S102.

Solow, R. M. (1956). A Contribution to the Theory of Economic Growth. The Quarterly Journal of Economics, 70(1), 65–94.

Trajtenberg, M. (2018). AI as the next GPT: A Political-Economy Perspective , NBER Working Paper No. 24245. Cambridge, MA.