دوره 26، شماره 1 - ( 2-1405 )
جلد 26 شماره 1 صفحات 41-9 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Maaboudi R, Nademi Y, Khochiany R. (2026). The Technology Paradox: Analyzing the Dual Impact of Artificial Intelligence on Well-Being Evidence from Leading Countries. Social Welfare Quarterly. 26(1), 9-41. doi:10.32598/refahj.26.100.8
URL: http://refahj.uswr.ac.ir/article-1-4512-fa.html
URL: http://refahj.uswr.ac.ir/article-1-4512-fa.html
معبودی رضا، نادمی یونس، خوچیانی رامین.(1405). پارادوکس فناوری: تحلیل تاثیر دوگانه هوش مصنوعی بر رفاه - شواهدی از کشورهای پیشرو رفاه اجتماعی 26 (1) :41-9 10.32598/refahj.26.100.8
متن کامل [PDF 614 kb]
(560 دریافت)
| چکیده (HTML) (1872 مشاهده)
منبع: دانشگاه استنفورد، 2017 تا 2023
به دلیل چولگی بالا و تفاوت قابل‌توجه مقیاس سرمایه‌گذاری میان کشورها، متغیر سرمایه‌گذاری در هوش مصنوعی به‌صورت لگاریتم طبیعی در مدل وارد می‌شود تا توزیع داده‌ها متعادل‌تر شده و ضرایب به‌صورت کشش قابل تفسیر باشند. جدول 2 آمار توصیفی و همچنین نحوه اندازه‌گیری متغیرها را گزارش می‌کند.
طبق آمار توصیفی، لگاریتم شاخص رفاه در کشورهای منتخب دارای میانگین 3/4 و انحراف معیار 21/13 است که بر پراکندگی زیاد بین کشورها و سالهای موردبررسی دلالت دارد. در بین کشورهای منتخب به ترتیب دانمارک، نروژ، فنلاند، آلمان و انگلستان بالاترین سطح رفاه را دارا هستند؛ در مقابل کشورهای هند، برزیل، چین و روسیه پایین‌ترین سطح رفاه را به خود اختصاص داده‌اند و بقیه کشورها در گروه رفاه متوسط قرار می‌گیرند.
به‌طور خلاصه، گروه اول از ویژگیهایی مانند دموکراسی بالا، درآمد سرانه بالا، سرمایه اجتماعی بالا، نوآوری، سطح فساد پایین، سیستم آموزش و بهداشت باکیفیت برخوردار هستند. بااین‌حال کشورهایی که در گروه پایین‌ترین سطح رفاه قرار می‌گیرند، دلایل متفاوتی دارند. به‌عنوان نمونه، هند با وجود پیشرفت در فناوری و دیجیتال‌سازی اقتصاد، با مشکلاتی چون فقر گسترده، شکاف طبقاتی، چالشهای بهداشتی و آموزشی و ضعف در حکمرانی و زیرساختهای اجتماعی روبه‌رو است. برزیل از فساد، نابرابری، خشونت و بی‌ثباتی سیاسی، ناکارآمدی نظام سلامت عمومی در برابر پاندمیها، تورم و بدهی بالا رنج می‌برد. چین با وجود برخورداری از رشد اقتصادی، نوآوری در هوش مصنوعی و زیرساختها با مشکلات قابل‌توجهی در آزادیهای فردی، حقوق بشر و شفافیت حکمرانی مواجه است. روسیه نیز به دلیل جنگ اوکراین، تحریمهای غرب، کاهش اعتماد به حاکمیت، ضعف آزادیهای فردی و فشار سیاسی ازلحاظ شاخص لگاتوم دارای وضعیت خوبی نیست.
لگاریتم هوش مصنوعی که با شاخص ترکیبی سرمایه‌گذاریها و فعالیتهای مرتبط با هوش مصنوعی سنجیده شده، میانگین 90/5 و انحراف معیار 11/2 دارد؛ مقدار میانگین در کنار نوسان بالا حاکی است کشورها در سرعت ورود به موج سرمایه‌گذاری هوش مصنوعی در مواجهه با هوش مصنوعی رفتار عمدتاً ناهمگنی داشته‌اند.
رشد اقتصادی کشورهای نمونه در دوره 2023 به‌طور میانگین 01/2 درصد است و انحراف معیار 54/3 درصد نشان می‌دهد پراکندگی نسبتاً زیادی بین کشورها و سالها وجود دارد؛ بنابراین برخی مشاهدات رشد منفی یا جهشهای بالاتری را تجربه کرده‌اند. پراکندگی بالا در متغیرهای منعکس‌کننده اثرات تقاطعی هوش مصنوعی با سرمایه انسانی، امید به زندگی و رشد اقتصادی نشان می‌دهد که اثرات هوش مصنوعی در این کشورها متفاوت است؛ اما اثرات تقاطعی نابرابری و هوش مصنوعی نشان از رفتار یکسان کشورها در مواجهه با هوش مصنوعی دارد.
در پژوهش حاضر، با توجه به اینکه تعداد مقاطع (کشورها) از طول دوره زمانی بیشتر است (N>T) و همچنین به دلیل وجود وقفه متغیر وابسته در مدل، استفاده از روشهای برآورد ایستا نظیر اثرات ثابت یا تصادفی می‌تواند منجر به برآوردهای تورش‌دار و ناسازگار شود. به‌طور خاص، حضور وقفه متغیر وابسته در سمت راست معادله موجب همبستگی آن با جزء اخلال و بروز مشکل درون‌زایی می‌شود. علاوه براین، برخی متغیرهای توضیحی نظیر شاخص هوش مصنوعی نیز به‌طور بالقوه در معرض علیت معکوس و هم‌زمانی قرار دارند. ازاین‌رو، برای برآورد الگو و بررسی تأثیر هوش مصنوعی بر رفاه، از رویکرد پانلی پویا با روش گشتاورهای تعمیم‌یافته استفاده می‌شود که امکان کنترل همزمان ناهمسانی واریانس، خودهمبستگی و درون‌زایی را فراهم کرده و درک دقیق‌تری از روابط پویای میان متغیرهای اقتصادی ارائه می‌دهد. به‌طورکلی، مدل پانل پویا به‌صورت زیر معرفی می‌شود (باند[23]، 2002):
(2) y_it=βyit-1+θxit+μi + vit
که در آن yit متغیر وابسته، β ضریب وقفه متغیر وابسته، yit-1 وقفه متغیر وابسته، θ ضرایب متغیرهای توضیحی، xit بردار متغیرهای توضیحی، μi اثرات ثابت و vitجمله اخلال را نشان می‌دهند. سازگاری رویکرد گشتاورهای تعمیم‌یافته وابسته به نتایج آزمونهای خودهمبستگی و اعتبار متغیرهای ابزاری است؛ لذا به‌منظور ارزیابی سازگاری الگوهای برآورد شده از آزمون خودهمبستگی آرلانو و باند[24] (1991) و آزمون سارگان[25] استفاده می‌شود. با توجه به روابط 1 و 2، الگوی پژوهش بر اساس روش گشتاورهای تعمیم‌یافته پانلی به‌صورت زیر تصریح می‌شود:
(3)Legit=α1 Legit-1 +α2 Grit+α3 Uit+ α4 AIit+α5 (AI* H)it+α6 (AI* L)it+α7 (AI* Gini)it+α8 (AI* Gr)it+eit
در چارچوب الگوی گشتاورهای تعمیم‌یافته، برای کنترل درون‌زایی از ابزارهای داخلی، به‌طور مشخص، وقفه‌های مناسب متغیرهای درون‌زا و از پیش تعیین‌شده به‌عنوان ابزار برای معادله تفاضلی استفاده می‌شود.
دوره زمانی پژوهش، یعنی بازه 2023-2017 با وقوع شوکهای جهانی مهمی نظیر همه‌گیری کووید-19، تشدید تنشهای ژئوپلیتیک و تغییرات ساختاری در فرایندهای دیجیتال‌سازی همراه است. ازآنجاکه این شوکها می‌توانند به‌طور همزمان بر تمامی کشورها اثرگذار باشند، در این پژوهش اثرات زمانی مشترک از طریق لحاظ‌کردن اثر ثابت سالانه[26] در الگوی پانلی پویا کنترل شده‌اند.
این رویکرد امکان تفکیک تغییرات ناشی از شوکهای جهانی مشترک از اثرات متغیرهای توضیحی اصلی را فراهم می‌کند و مانع از انتساب نادرست آثار این رخدادها به متغیر هوش مصنوعی یا تعاملات آن می‌شود.
یافته‌ها
جدول 3 نتایج برآورد الگوی پژوهش به‌منظور بررسی تأثیر رشد هوش مصنوعی بر رفاه اقتصادی را به‌اختصار گزارش می‌کند.
مطابق یافته‌ها، رتبه متغیرهای ابزاری (19) از تعداد متغیرهای برآورد شده (8) بیشتر است که نشان می‌دهد روش الگو برای ساخت آماره آزمون سارگان، کارآمد است. کوچک‌تر‌بودن آماره سارگان از سطح کای دو جدول و بزرگ‌تر‌بودن اندازه سطح احتمال آزمون از 5 درصد، بر معتبربودن متغیرهای ابزاری برای برآورد دلالت دارد. نتایج آزمون آرلانو-باند نشان می‌دهد در آزمونهای خودهمبستگی مرتبه اول و دوم، به ترتیب سطح احتمال کمتر از 5 درصد و بیشتر از 5 درصد است؛ بنابراین، الگوی برازش‌شده فاقد مشکل خودهمبستگی مرتبه دوم است که مطابق انتظار نظری است. بررسی آماره آزمون تی‌استیودنت و سطح معناداری متغیرها حاکی است متغیرهای هوش مصنوعی و اثر متقاطع لگاریتم هوش مصنوعی و لگاریتم امید به زندگی در سطح ده درصد و سایر ضرایب متغیرها در سطح 5 درصد معنادار هستند. یافته‌های برآورد الگو نشان می‌دهند:
1. ضریب وقفه اول متغیر لگاریتم رفاه منفی است که نشان می‌دهد رفاه جاری در واکنش به افزایش رفاه گذشته کاهش می‌یابد. این موضوع بیانگر سازوکار تعدیل سریع و وجود همگرایی شرطی در شاخص رفاه است.
2. رشد اقتصادی سرانه تأثیر مثبت بر رفاه کشورها دارد؛ افزایش تولید سرانه زمینه لازم برای سرمایه‌گذاری در آموزش، سلامت، زیرساخت و خدمات اجتماعی را فراهم می‌کند که به معنای رشد ظرفیتهای اقتصادی کشور، افزایش درآمد خانوارها و گسترش فرصتهای شغلی است که به‌نوبه خود ارتقاء کیفیت زندگی و رفاه را در پی دارد.
3. بیکاری تأثیر منفی بر رفاه کشورها دارد؛ افزایش بیکاری از طریق کاهش ساعات کار نه‌تنها درآمد افراد را کاهش می‌دهد، بلکه آثار منفی روانی، اجتماعی و سیاسی گسترده‌ای دارد که موجب نارضایتی اجتماعی، کاهش مشارکت اقتصادی و کاهش احساس امنیت فردی می‌شود که کاهش رفاه را در پی دارد.
4. هوش مصنوعی بر رفاه کشورها تأثیر مثبت دارد؛ اثر مستقیم هوش مصنوعی بر رفاه، نمایانگر ماهیت ذاتاً مولد و کارای این فناوری است. هوش مصنوعی با کاهش هزینه‌ها، ایجاد محصولات و خدمات جدید و بهبود کارایی اطلاعات، مستقیماً به افزایش رفاه کمک می‌کند.
5. اثر متقاطع هوش مصنوعی و سرمایه انسانی تأثیر منفی بر رفاه کشورها دارد. نتیجه منفی تعامل هوش مصنوعی و سرمایه انسانی می‌تواند به علت ناکارآمدی تطبیق مهارتی باشد. گسترش هوش مصنوعی منجر به جابه‌جایی نیروی کار به جای افزایش بهره‌وری مشترک می‌شود. از سوی دیگر، هوش مصنوعی با جایگزین‌شدن مهارتهای فناوری-محور به جای مهارتهای سنتی و زمان‌بربودن بازآموزی کافی نیروی کار باعث می‌شود از طریق کاهش امنیت اقتصادی، سطح رفاه کاهش یابد.
6. اثر متقاطع هوش مصنوعی و امید به زندگی بر رفاه کشورها مثبت است. درواقع، هوش مصنوعی با پیش‌بینی بیماریها، ارائه راهکارهای درمان، پتانسیل بهبود مراقبت از بیمار، کیفیت زندگی را افزایش می‌دهد که بهبود رفاه را در پی دارد.
7. اثر متقاطع هوش مصنوعی و نابرابری بر رفاه کشورها منفی است. گسترش هوش مصنوعی با ایجاد فرصتهای مختلف شغلی و تحصیلی همراه است که ابتدا بیشتر در اختیار بنگاههای بزرگ‌مقیاس و نخبگان قرار می‌گیرد. ازاین‌رو افزایش نابرابری با بروز شکاف طبقاتی همراه است که به کاهش رفاه منجر می‌شود.
8. اثر متقاطع هوش مصنوعی و رشد اقتصادی سرانه بر رفاه کشورها منفی است. اگرچه توسعه هوش مصنوعی با ایجاد قابلیتهای جدید و تغییر ساختار فنی تولید به افزایش ظرفیت تولید و رشد اقتصادی منجر می‌شود؛ اما هوش مصنوعی ساختار و سازمان تولید را نیز دگرگون می‌کند و باعث بازآرایی ترکیب نهاده‌ها و شیوه‌های تولید می‌شود که به‌نوبه خود مسیر تولید را به سمت پیچیدگی بیشتر و ارزش‌افزوده بالاتر سوق می‌دهد.
9. اثر نهایی[27] هوش مصنوعی بر رفاه منفی و معنادار است. به‌بیان‌دیگر، منافع حاصله از هوش مصنوعی به‌طور متوازن و عادلانه توزیع نشده و هزینه‌های ناشی از تخریب سرمایه انسانی به دلیل بروز شکاف مهارتی، تشدید نابرابری و ناپایداری رشد بر این منافع غلبه کرده است. جدول 4 نتایج حاصل از برآورد تأثیر نهایی هوش مصنوعی بر رفاه را به‌صورت خلاصه نشان می‌دهد.
با توجه به نتایج، اگرچه هوش مصنوعی پتانسیل افزایش رفاه را دارد، اما در بستر نهادی و توزیعی فعلی، این پتانسیل به نتیجه‌ای منفی منجر شده است. یافته‌های پژوهش حاکی‌اند، متغیرها به لحاظ آماری بر شاخص رفاه لگاتوم دارای تأثیر معنادار هستند. همچنین، جهت و علامت اثرگذاری متغیرها با انتظار نظری همخوانی دارد.
بحث
یافته‌های پژوهش نشان دادند هوش مصنوعی اثری دوگانه بر رفاه کشورها دارد. از یک‌سو، نفوذ هوش مصنوعی در بخش سلامت از طریق ارتقای امید به زندگی و نیز تسریع رشد اقتصادی از رهگذر افزایش درآمدها و منافع حاصل از رشد، به بهبود رفاه منجر می‌شود. از سوی دیگر، هوش مصنوعی از طریق سایر متغیرها، رفاه را به‌صورت منفی متأثر می‌کند.
نتایج حاکی است سرمایه‌گذاری همزمان در هوش مصنوعی و سرمایه انسانی، در غیاب سازوکارهای مکمل، می‌تواند به جابه‌جایی نیروی کار ماهر و تعمیق شکافهای اقتصادی منجر شده و رفاه را تضعیف کند. به‌بیان‌دیگر، در مراحل اولیه پذیرش فناوریهای هوش مصنوعی، منافع بهره‌وری عمدتاً نصیب بنگاههای بزرگ و نیروی کار ماهر می‌شود، درحالی‌که گروههای کم‌مهارت با خطر جابه‌جایی شغلی مواجه هستند؛ فرآیندی که به افزایش نابرابری درآمدی و نارضایتی اجتماعی می‌انجامد.
در این راستا، لو (2021) با استفاده از الگوی رشد درون‌زا نشان داد ورود هوش مصنوعی درصورتی‌که از مسیر ارتقای بهره‌وری و نه صرفاً جایگزینی نیروی کار صورت گیرد، می‌تواند رفاه را افزایش دهد؛ اما در سناریوی جایگزینی گسترده نیروی کار بدون سازوکارهای جبرانی مناسب، رفاه بلندمدت خانوارها کاهش خواهد یافت. اثر متقابل هوش مصنوعی و رشد اقتصادی بر رفاه منفی است. همان‌گونه که پایچ و سرکین (2025) بیان می‌کنند اگرچه هوش مصنوعی فرصتهای قابل‌توجهی برای رشد در بخشهایی نظیر سلامت و آموزش فراهم می‌آورد، اما در نبود چارچوبهای حکمرانی کارآمد و مشارکت مؤثر نهادهای علمی، می‌تواند شکافهای توسعه‌ای را تشدید کرده و رشد اقتصادی فراگیر را با چالش مواجه کند.
علاوه براین، افزایش نرخ بیکاری و تشدید نابرابری درآمدی اثر منفی بر رفاه دارند. نرخهای بالاتر بیکاری با کاهش درآمد خانوارها، افزایش نااطمینانی اقتصادی و پیامدهای روانی اجتماعی همراه بوده و درنهایت به افت کیفیت زندگی و کاهش رضایت اجتماعی منجر می‌شوند. گسترش نابرابری درآمدی ناشی از بهره‌مندی نامتوازن گروههای پردرآمد از منافع رشد اقتصادی مبتنی بر هوش مصنوعی، سطح رفاه اجتماعی را کاهش می‌دهد.
درواقع، هرچند هوش مصنوعی بهره‌وری تولید را افزایش می‌دهد، اما همزمان ساختار و سازمان تولید را نیز متحول می‌کند و با بازآرایی ترکیب نهاده‌ها و شیوه‌های تولید، اقتصاد را به سمت فعالیتهای پیچیده‌تر و ارزش‌افزوده بالاتر سوق می‌دهد. این فرایند از طریق بازتعریف نقش عوامل تولید و شکل‌گیری مدلهای جدید تولید، ظرفیت تولیدی اقتصاد را افزایش می‌دهد، اما درعین‌حال می‌تواند به تمرکز منافع اقتصادی و افزایش نابرابری درآمدی بینجامد؛ وضعیتی که درنهایت با کاهش رفاه همراه است. این یافته با نتایج سپتیاندری و همکاران (2025) همسو است که نشان داد در شرایطی که فرصتهای اقتصادی به‌صورت متمرکز توزیع می‌شوند، توسعه و کاربرد هوش مصنوعی می‌تواند نابرابری را تشدید کند.
ژانگ و ژانگ (2025) نیز نشان دادند هوش مصنوعی مولد از طریق ایجاد فرصتهای جدید رانت‌جویی و تخصیص غیربهینه منابع می‌تواند رفاه اجتماعی را کاهش دهد. درمجموع، برآیند نتایج نشان می‌دهد اثر خالص هوش مصنوعی بر رفاه در نمونه موردبررسی منفی است. به‌بیان‌دیگر، اگرچه برخی مجراها نظیر بهبود سلامت، افزایش امید به زندگی و ارتقای بهره‌وری آثار مثبتی بر رفاه دارند، اما پیامدهای توزیعی و ساختاری شامل نابرابری درآمدی، بیکاری و عدم تطابق مهارتی از وزن بیشتری برخوردار بوده و درنهایت موجب کاهش رفاه شده‌اند. یافته‌های مطالعه حاضر ضمن همخوانی با ادبیات پیشین، شواهد جدیدی درباره سازوکارهای اثرگذاری هوش مصنوعی بر رفاه ارائه می‌کند. به این معنا که هوش مصنوعی ظرفیت قابل‌توجهی برای ارتقای تولید و رفاه دارد، اما تحقق این ظرفیت مستلزم مدیریت پیامدهای توزیعی آن است.
در بسیاری از اقتصادهای پیشرفته، افزایش بهره‌وری ناشی از هوش مصنوعی می‌تواند سهم نیروی کار از درآمد ملی را کاهش دهد و در صورت فقدان سیاستهای بازتوزیعی مناسب، رفاه طبقات متوسط و کم‌درآمد را تضعیف کند. در مقابل، کاربردهای هوش مصنوعی در حوزه سلامت و خدمات اجتماعی در مطالعات مختلف به‌عنوان عاملی مؤثر در بهبود کیفیت زندگی معرفی شده‌اند. برای مثال، الگوریتمهای یادگیری عمیق از طریق تشخیص زودهنگام بیماریها و شخصی‌سازی درمان، ضمن افزایش نرخ بقای بیماران، هزینه‌های درمانی را نیز کاهش می‌دهند که این موضوع با اثر مثبت مشاهده‌شده در مطالعه حاضر سازگار است.
شواهد تجربی پژوهش حاضر نشان می‌دهد هوش مصنوعی به‌تنهایی تضمین‌کننده بهبود رفاه نیست، بلکه اثر آن به‌نحوه ادغام این فناوری با سیاستهای بازار کار، سرمایه انسانی و توزیع درآمد بستگی دارد. براین اساس، توصیه‌های سیاستی زیر قابل‌طرح است. نخست، اثر مثبت رشد اقتصادی و امید به زندگی بر رفاه نشان می‌دهد هدایت کاربردهای هوش مصنوعی به حوزه‌هایی نظیر سلامت، آموزش و خدمات اجتماعی می‌تواند بیشترین ظرفیت را برای ارتقای مستقیم رفاه فراهم کند.
دوم، اثر منفی و معنادار تعامل هوش مصنوعی با سرمایه انسانی و رشد اقتصادی بیانگر آن است که توسعه هوش مصنوعی در غیاب سیاستهای مکمل، احتمال جابه‌جایی نیروی کار و تعمیق شکافهای اقتصادی را افزایش می‌دهد؛ بنابراین، توسعه فناوریهای هوش مصنوعی، به‌ویژه در اقتصادهایی که سرمایه انسانی به‌صورت نامتوازن توزیع شده است، باید همزمان با اجرای برنامه‌های هدفمند بازآموزی، ارتقای مهارت و انطباق نیروی کار با نیازهای جدید بازار کار دنبال شود.
سوم، ضریب منفی تعامل هوش مصنوعی و نابرابری درآمدی نشان می‌دهد در نبود سیاستهای توزیعی مناسب، منافع حاصل از توسعه این فناوری به شکل نامتوازن میان گروههای مختلف جامعه توزیع شده و رفاه اجتماعی را کاهش می‌دهد. ازاین‌رو، طراحی سیاستهای حمایتی و بازتوزیعی با هدف حفاظت از گروههای آسیب‌پذیر در برابر شوکهای فناوری‌محور ضروری به نظر می‌رسد.
شایان‌ذکر است اگرچه استفاده از رویکرد پانلی پویا و متغیرهای وقفه‌دار به کاهش برخی مسائل درون‌زایی کمک می‌کند، اما نتایج این پژوهش باید به‌عنوان شواهد تجربی مبتنی بر همبستگیهای شرطی تفسیر شوند. شناسایی علی دقیق‌تر اثرات تعاملی هوش مصنوعی مستلزم بهره‌گیری از داده‌های خرد، شوکهای برون‌زا یا طراحیهای شبه‌آزمایشی است که می‌تواند موضوع پژوهشهای آتی قرار گیرد.
ملاحظات اخلاقی
پیروی از اصول اخلاقی
این پژوهش بر پایه اصول اخلاقی در پژوهشهای انسانی انجام شده است.
مشارکت نویسندگان
همه نویسندگان به‌طور یکسان در طراحی، اجرا و نگارش تمامی بخشهای این پژوهش مشارکت داشته‌اند.
تأمین مالی
این پژوهش از هیچ‌گونه حمایت مالی برخوردار نیست.
تعارض منافع
نویسندگان اعلام می‌کنند که هیچ‌گونه تعارض منافعی مرتبط با محتوای این مقاله وجود ندارد.
قدردانی و تشکر
نویسندگان از داوران ناشناس به سبب ارائه دیدگاهها و نظرات سازنده که نقش مهمی در بهبود این پژوهش داشته است، قدردانی می‌کنند.
منابع
متن کامل: (43 مشاهده)
مقدمه
در سالهای اخیر، پیشرفتهای سریع در فناوریهای هوش مصنوعی به‌عنوان یک محرک فناوری‌محور و تحول‌آفرین، ساختار فعالیتهای اقتصادی و اجتماعی را به‌طور بنیادین دگرگون کرده است. درحالی‌که موجهای پیشین خودکارسازی عمدتاً بهره‌وری صنایع تولیدی را تحت‌تأثیر قرار می‌دادند، هوش مصنوعی معاصر به حوزه‌های متنوعی ازجمله مالی، سلامت، خدمات اجتماعی و مدیریت دولتی نفوذ کرده است.
این گسترش دامنه کاربرد، پیامدهای گسترده‌ای برای بهره‌وری، توزیع درآمد و درنهایت رفاه اجتماعی به همراه داشته است. بااین‌حال، آثار هوش مصنوعی بر رفاه ماهیتی پیچیده و چندبعدی دارد. رفاه بازتابی از سطح کامیابی و کیفیت زندگی افراد جامعه است و صرفاً به درآمد یا مصرف محدود نمی‌شود. از یک‌سو، هوش مصنوعی از طریق بهبود بهره‌وری تولید (برینجلفسون و همکاران[1]، 2025)، توسعه خدمات بهداشتی (چیانگ[2]، 2025) و افزایش امید به زندگی می‌تواند سطح رفاه را ارتقا دهد.
از سوی دیگر، این فناوری با ایجاد اختلال در بازار کار و کاهش سهم دستمزد مشاغل کم‌مهارت، به تشدید نابرابری درآمدی منجر می‌شود (آسم‌اوغلو [3]، 2025) که تهدیدی برای پایداری رفاه اجتماعی به شمار می‌رود. این دوگانگی، آنچه در این پژوهش از آن به‌عنوان «پارادوکس رفاهی فناوری» یاد می‌شود، پرسشی بنیادین را مطرح می‌کند: درنهایت، اثر خالص هوش مصنوعی بر رفاه اجتماعی چیست؟
درک پیامدهای رفاهی تحولات شتابان هوش مصنوعی به یکی از ضرورتهای فوری علوم اقتصادی و اجتماعی تبدیل شده است. بااین‌وجود، بخش عمده‌ای از ادبیات موجود بر پیامدهای هوش مصنوعی برای سودآوری بنگاهها یا رشد اقتصادی کلان تمرکز دارد، درحالی‌که اثرات ناهمگون و توزیعی این فناوری بر رفاه جمعی همچنان به‌طور کامل تبیین نشده است.
این خلأ پژوهشی، طراحی سیاستهای کارآمد را با چالش مواجه کرده و در برخی موارد، تهدیدهای ساختاری هوش مصنوعی برای پایداری اجتماعی را نادیده گرفته است. این کمبود پژوهشی در ادبیات داخلی آشکارتر است. تاکنون رابطه بین هوش مصنوعی و رفاه اجتماعی در مطالعات داخلی به‌طور مستقیم بررسی نشده و شواهد تجربی نظام‌مند در این زمینه وجود ندارد. افزون براین، بسیاری از مطالعات بین‌المللی صرفاً از شاخصهای منفرد، نظیر تعداد پتنتهای هوش مصنوعی یا انتشارهای علمی، به‌عنوان نماینده توسعه هوش مصنوعی استفاده کرده‌اند. این رویکرد تک‌بعدی، قادر به پوشش تمامی ابعاد اقتصادی و نهادی این فناوری نیست و می‌تواند به برآوردی ناقص از اثرات واقعی آن بر رفاه منجر شود.
پژوهش حاضر با هدف پرکردن این خلأ، به بررسی تجربی تأثیر هوش مصنوعی بر رفاه می‌پردازد. در این مطالعه، از شاخص سرمایه‌گذاری در هوش مصنوعی که ابعاد مختلف فعالیتهای مرتبط با این فناوری را در برمی‌گیرد، در کنار شاخص رفاه لگاتوم[4] استفاده می‌شود. بدین‌ترتیب، اثر سرمایه‌گذاری در هوش مصنوعی بر رفاه کشورهای پیشرو در این حوزه در دوره 2017 تا 2023 مورد آزمون قرار می‌گیرد.
بهره‌گیری از شاخص ترکیبی لگاتوم این امکان را فراهم می‌کند که رفاه به‌صورت چندبعدی و فراتر از شاخصهای صرفاً اقتصادی موردسنجش قرار گیرد. نتایج این پژوهش می‌تواند چارچوبی تحلیلی برای سیاست‌گذاران اقتصادی و اجتماعی فراهم کند تا در مواجهه با گسترش هوش مصنوعی، میان کارایی اقتصادی و عدالت توزیعی توازن برقرار کند.
چارچوب نظری
هوش مصنوعی از مجراهای مختلفی سطح رفاه را متأثر می‌کند که در ادامه معرفی می‌شوند.
بازار کار و اشتغال
اگرچه مدلهای رشد درون‌زا با واردکردن یادگیری ماشین به‌عنوان جانشین وظایف روتین، نشان می‌دهند هوش مصنوعی بهره‌وری کل را افزایش می‌دهد، اما ممکن است منجر به جابجایی کارگران به‌ویژه در مشاغل با مهارت متوسط شود و درنتیجه اگر توزیع مجدد درآمد صورت نگیرد، کاهش رفاه برای کارگران جابه‌جا شده را به همراه دارد (ژنگ و همکاران[5]، 2020).
برخی مطالعات نیز بر پتانسیل هوش مصنوعی در تقویت نیروی کار انسانی و خلق مشاغل جدید در توسعه، نگهداری و نظارت بر هوش مصنوعی تأکید دارند؛ به‌طوری‌که ابزارهای تصمیم‌یار هوش مصنوعی جایگزین کامل کارکنان اجتماعی نشده بلکه وظایف آنها را تغییر داده‌اند؛ و علی‌رغم ترسهای اولیه از کاهش مهارت، کارمندانی که با هوش مصنوعی هم‌زیستی مؤثری داشته‌اند، افزایش بهره‌وری و رضایت شغلی را تجربه کرده‌اند (کاواکامی و همکاران[6]، 2022).
سرمایه انسانی
هوش مصنوعی می‌تواند به کارگران کم‌تجربه کمک کند تا بهره‌وری خود را سریع‌تر افزایش دهند. کارگران جوان‌تر ممکن است راحت‌تر از فرصتها استفاده کنند، درحالی‌که کارگران مسن‌تر ممکن است برای تطبیق با فناوریهای جدید با مشکل مواجه شوند. اگر ترکیب نیروی فعال و شاغل جوان باشند، انتظار می‌رود افزایش هوش مصنوعی و سرمایه‌گذاری در زیرساختهای آن با افزایش رفاه جامعه همراه شود و بلعکس.
مطالعات آسم‌اوغلو نشان می‌دهد هوش مصنوعی در کوتاه‌مدت مشاغل کم‌مهارت را تهدید می‌کند و سود آن عمدتاً به سرمایه‌داران و کارگران ماهر می‌رسد. این امر شکاف درآمدی را افزایش می‌دهد (آسم‌اوغلو، 2025). علاوه براین، ادبیات نظری نشان می‌دهد که رابطه میان هوش مصنوعی، سرمایه انسانی و رفاه اجتماعی پیچیده و وابسته به شرایط نهادی و ساختاری اقتصاد است. نظریه سوگیری فناورانه به نفع مهارت بیان می‌کند که فناوریهای پیشرفته تقاضا برای نیروی کار ماهر را افزایش می‌دهند، اما درصورتی‌که انباشت مهارتها با سرعت تغییرات فناورانه همگام نباشد، شکاف مهارتی و نابرابری درآمدی تشدید خواهد شد. رویکردهای وظیفه‌محور نیز تأکید دارند هوش مصنوعی بیش از آنکه جایگزین سطوح تحصیلی شود، وظایف قابل‌کدنویسی و روتین را هدف قرار می‌دهد؛ ازاین‌رو حتی نیروی کار دارای سرمایه انسانی بالا نیز ممکن است در معرض جابه‌جایی شغلی و کاهش رفاه قرار گیرد (آتور[7] و همکاران، 2003).
از سوی دیگر، نظریه‌های اتوماسیون و تغییر فناورانه جهت‌دار نشان می‌دهند اثر رفاهی هوش مصنوعی حاصل برآیند دو نیروی متضاد است: جابه‌جایی نیروی کار از طریق خودکارسازی وظایف و ایجاد فرصتهای شغلی و وظایف جدید. در شرایطی که سرعت اتوماسیون از خلق فرصتهای جدید پیشی گیرد، بیکاری، کاهش سهم نیروی کار از درآمد و فشارهای توزیعی افزایش می‌یابد و سرمایه انسانی به‌تنهایی قادر به خنثی‌سازی این پیامدها نخواهد بود (آسم‌اوغلو و رسترپو[8]، 2019). افزون‌براین، اصطکاکهای بازار کار، عدم‌تطابق مهارتی و وقفه‌های پیاده‌سازی فناوری می‌توانند مانع تبدیل سرمایه انسانی به منافع رفاهی شوند. از این‌منظر، اثر تعدیل‌گر سرمایه انسانی تنها زمانی ظاهر می‌شود که مهارتها با نیازهای فناوریهای جدید سازگار باشند؛ نظام آموزشی و بازار کار امکان بازتخصیص سریع نیروی کار را فراهم کنند و منافع فناوری به‌صورت گسترده در اقتصاد توزیع شود. در غیر این صورت، حتی با سطح بالای سرمایه انسانی نیز هوش مصنوعی ممکن است از طریق تشدید نابرابری، نااطمینانی شغلی و تمرکز منافع، اثر رفاهی محدودی داشته باشد (آتور و همکاران، 2020؛ برینجلفسون و همکاران، 2025).
نابرابری درآمدی
تحلیلهای پانل کوانتایل اثرات رفاهی ناهمگون در بین گروههای درآمدی در مراحل اولیه پذیرش فناوری را نشان می‌دهند. برای مثال، پذیرندگان اولیه فناوریهای هوش مصنوعی - عمدتاً شرکتهای بزرگ با سرمایه بالا- بهره‌وری و سود بیشتری کسب کرده که باعث افزایش مزایای درآمدی برای کارگران با مهارت بالا و مالکان سرمایه می‌شوند. به‌عبارتی افزایش شکاف و کاهش رفاه در مراحل اولیه پذیرش فناوری وجود دارد. البته سازوکارهای مبتنی بر سیاست جبرانی می‌توانند این اثرات را متعادل کنند. مدل اقتصاددان هوش مصنوعی نشان داد سیستمهای مالیاتی طراحی‌شده توسط هوش مصنوعی می‌توانند به بهره‌وری بالا و کاهش نابرابری دست یابند و با تنظیم بهینه نرخهای مالیاتی و یارانه‌ها، رفاه اجتماعی را بدون کاهش تولید کل ارتقا دهند. همچنین مالیات تصاعدی همراه با یارانه‌های بازآموزی هدفمند برای خانوارهای کم‌درآمد در مواجهه با جابه‌جایی شغلی ناشی از هوش مصنوعی مؤثر است(کامیونال و مانرا[9]، 2024). یکی دیگر از اثرات هوش مصنوعی در این حوزه، رانت جوییهای جدید مبتنی بر هوش مصنوعی است که می‌تواند به کاهش رفاه اجتماعی منجر شود.
هوش مصنوعی مولد می‌تواند با دسترسی بیشتر به داده‌ها، رانتهای اطلاعاتی سنتی را کاهش دهد اما همزمان از طریق دستکاری الگوریتمی، فرصتهای جدیدی برای رانت‌جویی ایجاد کرده و با تخصیص ناکارا، رفاه را کاهش دهد. همچنین، فرصتهای نوین ایجادشده از طریق هوش مصنوعی اگر با مالیات یا نظارت تنظیمی همراه نباشد، این فعالیتها باعث افزایش عدم تقارن اطلاعاتی شده و به ضرر گروههای ضعیف‌تر تمام می‌شوند(ژانگ و ژانگ[10]، 2025).
بهداشت و خدمات اجتماعی
کاربردهای هوش مصنوعی در تشخیص، برنامه‌ریزی درمان و تخصیص منابع به بهبود رفاه کمک شایانی کرده است. مدلهای پیش‌بینی صحیح در مراقبتهای بهداشتی بهره‌وری در تصمیم‌گیریهای بالینی را تا حد قابل‌توجهی افزایش می‌دهد به‌طوری‌که می‌توانند نتایج بیماران را بهبود و هزینه‌های سرانه را کاهش دهند (ابرمیر و همکاران[11]، 2019). علاوه بر مراقبتهای بهداشتی، تصمیم‌یارهای الگوریتمی در خدمات اجتماعی در صورت طراحی مناسب می‌توانند رفاه را بهبود دهند و خطاهای نظارتی را کاهش دهند (کاواکامی و همکاران، 2022). اما از طرف دیگر، سوگیری در سیستمهای هوش مصنوعی و دسترسیهای نابرابر می‌تواند رفاه گروههای آسیب‌پذیر را کاهش دهد. به‌طوری‌که در سناریوهای سوگیری شدید، رفاه کل تا 4 درصد کاهش یافته و بیشترین آسیب متوجه گروههای کم‌درآمد شده است (باهامازاوا[12]، 2024).
حمایت اجتماعی و مدیریت عمومی
دولتها از هوش مصنوعی برای بهبود کارایی برنامه‌های حمایت اجتماعی استفاده می‌کنند. بررسی خودکار واجد شرایط بودن و کشف تقلب می‌تواند هزینه‌های اداری را کاهش و سرعت پرداختها را افزایش دهد. به‌عنوان‌مثال، مؤسسه وادهوانی[13] در هند با توسعه ابزارهای یادگیری ماشین برای پیش‌بینی خسارتهای کشاورزی و تنظیم یارانه‌ها، با کاهش تأخیر در پرداخت، رفاه کشاورزان خرد را بهبود داده است (مؤسسه وادهوانی، 2024) بااین‌حال، دیوان‌سالاری ماشینی می‌تواند به حذف اشتباه ذی‌نفعان منجر شود.
اثرات اطلاعاتی و رفتاری
پلتفرمهای اطلاعاتی مبتنی بر هوش مصنوعی می‌توانند رفاه مصرف‌کننده را با کاهش هزینه‌های جستجو و شخصی‌سازی خدمات عمومی افزایش دهند. برای مثال، چت‌باتهای مولد در پرتالهای خدمات اجتماعی به کاربران کم‌سواد کمک می‌کنند فرآیندهای پیچیده درخواست را طی کرده و نرخ بهره‌برداری از خدمات را افزایش دهند. به‌عبارت‌دیگر هوش مصنوعی از طریق دسترسی اطلاعاتی بیشتر، رفاه را افزایش می‌دهد (وردنبرگ و همکاران[14]، 2024). اما توانایی هوش مصنوعی در هدف‌گیری کاربران خرد، چالشهای اخلاقی نیز ایجاد می‌کند. شرکتها می‌توانند از مدلهای مولد برای دستکاری ترجیحات مصرف‌کنندگان استفاده کرده و سود خود را حداکثر کنند، اما این موضوع به‌ویژه برای کاربران آسیب‌پذیر به ضرر رفاه فردی آنها تمام می‌شود (ژانگ و ژانگ، 2025).
پیشینه تجربی
تاکنون در مطالعات داخلی اثر هوش مصنوعی بر رفاه بررسی نشده است؛ اما مطالعات خارجی مختلفی به این مهم پرداخته‌اند که در ادامه، به چند نمونه از جدیدترین پژوهشها اشاره می‌شود.
ابرمیر و همکاران (2019) نشان دادند مدلهای پیش‌بینی صحیح در مراقبتهای بهداشتی می‌توانند نتایج بیماران را بهبود و هزینه‌های سرانه را کاهش دهند. بااین‌حال، الگوریتمهای نادرست می‌توانند سوگیریها را تقویت کنند؛ مدلی که هزینه‌های مراقبت را به‌عنوان نماینده نیاز استفاده کرده بود، نیازهای بیماران سیاه‌پوست را کمتر تخمین زده و باعث پیامدهای رفاهی منفی شد. استفاده از بهینه‌سازی با قید انصاف توانست این تحریفات را کاهش دهد.
ژنگ و همکاران (2020) با توسعه مدل اقتصاددان هوش مصنوعی نشان دادند سیستمهای بهینه‌سازی شده با هوش مصنوعی می‌توانند تولید کل را تا 16 درصد افزایش دهند، اما بدون توزیع مجدد، این منافع عمدتاً به مالکان سرمایه رسیده و منجر به کاهش رفاه برای کارگران جابه‌جا شده می‌شود. به‌عبارت‌دیگر اثرات هوش مصنوعی در بهینه‌سازی سیستمها و توسعه یک مدل اقتصاد کلان با حضور هوش مصنوعی برای تحلیل تأثیر آن بر تولید و توزیع منافع است.
لو[15] (2021) با استفاده از الگوی رشد درون‌زا نشان داد که توسعه هوش مصنوعی می‌تواند از طریق بهبود بهره‌وری هم بر پویاییهای گذار و هم بر مسیر رشد متعادل تأثیر گذارد. یافته‌های وی بر این موضوع دلالت دارد که اگرچه هوش مصنوعی می‌تواند در کوتاه‌مدت رفاه خانوار را افزایش دهد، اما تأثیر بلندمدت آن بر رفاه خانوار مبهم است؛ زیرا در صورت جایگزینی گسترده نیروی کار با فناوریهای هوش مصنوعی و عدم اجرای سیاستهای جبرانی مانند آموزش مجدد یا بازتوزیع درآمد ممکن است رفاه بخشی از جامعه کاهش یابد. درواقع، تغییرات رفاهی هوش مصنوعی به این موضوع بستگی دارد که پذیرش هوش مصنوعی، افزایش بهره‌وری را در پی دارد یا به جابه‌جایی نیروی کار منجر می‌شود.
کاواکامی و همکاران (2022) در سازمانهای حمایت از کودک نشان دادند ابزارهای تصمیم‌یار هوش مصنوعی[16] جایگزین کامل کارکنان اجتماعی نشده بلکه وظایف آنها را تغییر داده‌اند؛ به‌گونه‌ای که کارمندان بر قضاوتهای کیفی تمرکز کرده و هوش مصنوعی غربال داده‌ها را انجام می‌دهد. این مطالعه گزارش داد با وجود ترسهای اولیه از کاهش مهارت، کارمندانی که با هوش مصنوعی هم‌زیستی مؤثری داشته‌اند، افزایش بهره‌وری و رضایت شغلی را تجربه کرده‌اند.
باهامازاوا (2024) در مطالعه خود به کمی‌سازی اثرات اقتصادی و رفاهی سوگیری الگوریتمی در سیستمهای پاسخ اضطراری سلامت عمومی پرداخته است و با واردکردن تابع سوگیری به مدل رفاه اجتماعی و شبیه‌سازی انواع سناریوهای سوگیری (خفیف تا شدید) نشان داد که در سناریوهای با سوگیری شدید تا 4٪ کاهش در رفاه کل جامعه و آسیب‌دیدن نامتناسب گروههای کم‌درآمد مشاهده شد.
پایچ و سرکین[17] (2025) در یک پژوهش مروری- تحلیلی پیامدهای هوش مصنوعی بر نابرابری جهانی، ثبات اقتصادی و هزینه‌های شناختی نیروی کار را بررسی کردند. آنها نتیجه گرفتند اگرچه هوش مصنوعی فرصتهایی برای رشد در بخشهایی مانند سلامت و آموزش فراهم می‌کند، اما بدون چارچوبهای حکمرانی قوی و مشارکت نیروهای اکادمیک ممکن است شکاف توسعه را تشدید کند و رشد اقتصادی دموکراتیک را مختل کند.
سپتیانداری و همکاران[18] (2025) در مطالعه‌ای با استفاده از داده‌های 342 منطقه در آمریکا تأثیر هوش مصنوعی بر نابرابری درآمدی را در دوره زمانی 2022-2015 بررسی کردند. یافته‌ها نشان دادند در مراحلی که فرصتهای اقتصادی متمرکز هستند، استفاده از هوش مصنوعی می‌تواند نابرابری را تشدید کند. این مقاله با مدل‌سازی شبکه‌ای و داده‌های منطقه‌ای تأکید می‌کند که سیاستهای مهار متمرکزسازی داده و انتشار متن باز ضروری است.
ژانگ و ژانگ (2025) نشان دادند هوش مصنوعی مولد می‌تواند با دموکراتیزه‌کردن دسترسی به داده‌ها، رانتهای اطلاعاتی سنتی را کاهش دهد اما همزمان از طریق دستکاری الگوریتمی، فرصتهای جدیدی برای رانت‌جویی ایجاد کرده و با تخصیص ناکارا، رفاه را کاهش دهد. علاوه‌برآن، اگر با مالیات یا نظارت تنظیمی مقابله نشود، این فعالیتها باعث افزایش عدم تقارن اطلاعاتی شده و به ضرر گروههای ضعیف‌تر تمام می‌شود.
مرور ادبیات موضوع نشان می‌دهد تاکنون مطالعات داخلی رابطه هوش مصنوعی و رفاه اجتماعی را به‌صورت تجربی بررسی نکرده‌اند. همچنین، پژوهشهای بین‌المللی بیشتر بر شاخصهای تک‌بعدی هوش مصنوعی و کانالهای منفرد اثرگذاری آن تمرکز داشته‌اند. تحلیل گسترده ادبیات علمی نشان می‌دهد که هوش مصنوعی اثرات معنادار و قابل‌توجهی بر توزیع درآمد و رشد اقتصادی دارد. علاوه‌براین، ابزارهای هوش مصنوعی این پتانسیل را دارند که نحوه عملکرد و یادگیری کارگران را تغییر دهند. به‌نحوی‌که هوش مصنوعی با جایگزینی مشاغل کم‌مهارت و دارای سرمایه انسانی پایین با اتوماسیون، بیکاری فنی را تشدید می‌کند و درنتیجه شکاف درآمد را بیشتر می‌کند. درنهایت، هوش مصنوعی به‌صورت گسترده بر سلامت و امید به زندگی افراد در جوامع اثرگذار است. با توجه به ادبیات نظری و شواهد تجربی موجود، تأثیر هوش مصنوعی بر رفاه اجتماعی را نمی‌توان به‌صورت یک‌بعدی تبیین کرد. هوش مصنوعی هم به‌صورت مستقیم و هم به‌صورت غیرمستقیم از مجراهای مختلفی بر رفاه اثر می‌گذارد که برخی از آنها ماهیتی تقویت‌کننده و برخی دیگر ماهیتی تضعیف‌کننده دارند.
در این پژوهش، چارچوب نظری بر این فرض استوار است که اثر نهایی هوش مصنوعی بر رفاه، برآیند تعامل آن با متغیرهای کلیدی اقتصاد کلان و اجتماعی است. به‌طور مشخص، چهار مجرای اصلی شامل رشد اقتصادی، بازار کار، سرمایه انسانی، نابرابری درآمدی و سلامت (امید به زندگی) در نظر گرفته می‌شود.
روش
مطابق ادبیات موضوع، هوش مصنوعی هم به‌صورت مستقیم و هم به‌صورت غیرمستقیم و از طریق مجرای رشد اقتصادی، سرمایه انسانی، نابرابری درآمدی و امید به زندگی، رفاه را متأثر می‌کند. ازاین‌رو، برای بررسی تأثیر هوش مصنوعی بر رفاه از رابطه (1) استفاده می‌شود:
Legit=f(Grit,Uit, AIit, (AI* H)it,(AI* L)it,(AI* Gini)it,(AI* Gr)it)
که در آنLegit لگاریتم شاخص رفاه لگاتوم است؛ شاخص رفاه لگاتوم یک شاخص ترکیبی هم‌وزن است که هرسال بر اساس 12 مؤلفه اصلی شامل امنیت و ایمنی، آزادی فردی، حکمرانی، سرمایه اجتماعی، محیط سرمایه‌گذاری، شرایط کارآفرینی، دسترسی به بازار و زیرساخت، کیفیت اقتصادی، شرایط زندگی، سلامت، آموزش و محیط طبیعی توسط مؤسسه لگاتوم محاسبه می‌شود.
Grit رشد اقتصادی است که از طریق نرخ رشد سالانه تولید ناخالص داخلی به قیمت سال 2021 و بر اساس برابری قدرت خرید محاسبه می‌شود؛ Uit نرخ بیکاری، AIit شاخص هوش مصنوعی است که برای اندازه‌گیری آن از لگاریتم سرمایه‌گذاری بخش خصوصی در هوش مصنوعی برحسب میلیون دلار استفاده می‌شود.
(AI* H)it اثر متقاطع لگاریتم هوش مصنوعی و لگاریتم سرمایه انسانی را نشان می‌دهد که بر نقش میانجی و تعدیل‌کننده سرمایه انسانی و مهارت‌محور بودن هوش مصنوعی دلالت دارد؛ Lit لگاریتم شاخص امید به زندگی است و(AI* L)it اثر متقاطع لگاریتم هوش مصنوعی با امید به زندگی است که تأثیر هوش مصنوعی بر رفاه را بر پایه شاخص سلامت و زندگی طولانی‌تر به‌عنوان نماینده‌ای از رفاه غیرمادی منعکس می‌کند؛ به دیگر بیان، رفاه صرفاً مصرف فعلی نیست، بلکه سلامت و ظرفیت کار بلندمدت را هم دربرمی‌گیرد.
واردکردن امید به زندگی در مدل کمک می‌کند تا اثرات غیرمالی هوش مصنوعی بر رفاه نیز در نظر گرفته شود؛ Giniit ضریب جینی است و (AI* Gini)it اثر متقاطع لگاریتم هوش مصنوعی و ضریب جینی را نشان می‌دهد که بر ثبت آثار توزیعی فناوری دلالت دارد؛ یعنی، تأثیر بهره‌مندی اقشار مختلف از افزایش بازده سرمایه و مهارت‌محوری فناوری را نشان می‌دهد که باعث تغییر سهم درآمدی طبقات و رفاه می‌شود. درنهایت، (AI* Gr)it اثر متقاطع لگاریتم هوش مصنوعی و رشد اقتصادی است؛ همچنین، اندیس i و t به ترتیب به مقاطع(کشورها) و زمان دلالت دارد.
قلمرو مکانی پژوهش شامل کشورهای پیشرو در حوزه هوش مصنوعی است که کشورهای استرالیا، اتریش، بلژیک، برزیل، کانادا، چین، دانمارک، فنلاند، فرانسه، آلمان، هند، ایتالیا، ژاپن، کره‌جنوبی، نروژ، اسپانیا، سنگاپور، روسیه، انگلستان و آمریکا را شامل می‌شود. نمونه پژوهش به‌صورت هدفمند و بر اساس معیارهای بیرونی از پیش تعیین‌شده انتخاب شده است تا از سوگیری انتخاب مبتنی بر نتایج جلوگیری شود.
کشورهای موردمطالعه بر اساس گزارشهای پایگاه هوش مصنوعی دانشگاه استنفورد[19] و با توجه به حضور مستمر در سرمایه‌گذاریهای خصوصی هوش مصنوعی طی دوره 2017 تا 2023 انتخاب شده‌اند. این رویکرد تضمین می‌کند که انتخاب کشورها بر مبنای شدت توسعه و پذیرش هوش مصنوعی و نه بر اساس سطح رفاه انجام شود. همچنین تمرکز بر کشورهای پیشرو موجب کاهش ناهمگنی ساختاری و بررسی اثرات هوش مصنوعی در اقتصادهایی می‌شود که این فناوری به‌طور بالفعل وارد فعالیتهای اقتصادی، بازار کار و خدمات عمومی شده است. براین اساس، تعمیم نتایج پژوهش به کشورهای پیشرو در توسعه هوش مصنوعی محدود است؛ بااین‌حال، یافته‌ها می‌تواند برای کشورهای درحال‌توسعه و اقتصادهای نوظهور نیز دارای دلالتهای سیاستی باشد.
اگرچه ایران در زمره کشورهای پیشرو در سرمایه‌گذاری و تجاری‌سازی هوش مصنوعی قرار ندارد و در نمونه تجربی این پژوهش لحاظ نمی‌شود، اما نتایج به‌دست‌آمده می‌تواند در طراحی سیاستهای مرتبط با بازار کار، سرمایه انسانی و رفاه اجتماعی در مسیر گذار به اقتصاد مبتنی بر هوش مصنوعی آموزنده باشد.
در این پژوهش، از متغیر سرمایه‌گذاری در هوش مصنوعی به‌عنوان شاخص هوش مصنوعی استفاده می‌شود که داده‌های آن از پایگاه داده شاخص هوش مصنوعی[20] دانشگاه استنفورد استخراج شده است.
سرمایه‌گذاری خصوصی بیرونی در هوش مصنوعی شامل جریانهای سرمایه‌گذاری بخش خصوصی نظیر سرمایه‌گذاری خطرپذیر[21]، سرمایه‌گذاری خصوصی[22] ادغام و تملکهای مرتبط با هوش مصنوعی و سایر اشکال سرمایه‌گذاری خصوصی گزارش‌شده در شرکتهای فعال در حوزه هوش مصنوعی است. شاخصهای مبتنی بر پتنتها و انتشارهای علمی، عمدتاً ظرفیت نوآوری فناورانه یا تولید دانش را منعکس می‌کنند، اما لزوماً بیانگر مقیاس واقعی به‌کارگیری اقتصادی، تجاری‌سازی و نفوذ عملی هوش مصنوعی در ساختار تولید و خدمات نیستند (لو، 2021؛ سپتیاندری و همکاران، 2025).
این شاخصها به‌ویژه در مقایسه‌های بین‌کشوری، با سوگیریهای نهادی، تفاوت در نظام ثبت اختراع و تمرکز جغرافیایی فعالیتهای پژوهشی مواجه‌اند. افزون‌براین، شاخصهای علمی اغلب با وقفه زمانی قابل‌توجهی نسبت به آثار واقعی هوش مصنوعی بر بازار کار، نابرابری و رفاه اجتماعی همراه هستند.
در مقابل، سرمایه‌گذاری در هوش مصنوعی به‌عنوان یک شاخص مبتنی بر بازار، مستقیماً تصمیمات بنگاهها و سرمایه‌گذاران را منعکس می‌کند و نشان‌دهنده انتظارات اقتصادی، مقیاس تجاری‌سازی و شدت نفوذ هوش مصنوعی در فعالیتهای واقعی اقتصادی است. ازاین‌رو، در این پژوهش به‌عنوان نماینده توسعه اقتصادی هوش مصنوعی مورداستفاده قرار گرفته است. بااین‌حال، این شاخص برخی محدودیتها را دارا است؛ ازجمله آنکه سرمایه‌گذاریهای دولتی، مخارج داخلی تحقیق و توسعه بنگاهها و تفاوتهای بخشی در کاربرد هوش مصنوعی را به‌طور کامل منعکس نمی‌کند. ازآنجاکه سؤال اصلی این پژوهش بر پیامدهای رفاهی و توزیعی هوش مصنوعی در سطح کلان متمرکز است، استفاده از شاخص سرمایه‌گذاری این امکان را فراهم می‌کند که اثرات ملموس و بالفعل این فناوری بر مجراهای اثرگذاری رفاه، یعنی رشد اقتصادی، بازار کار، نابرابری و سلامت موردبررسی قرار گیرد. جدول 1 مقادیر خام سرمایه‌گذاری کشورها بر هوش مصنوعی را طی بازه موردمطالعه برحسب دلار نشان می‌دهد.
در سالهای اخیر، پیشرفتهای سریع در فناوریهای هوش مصنوعی به‌عنوان یک محرک فناوری‌محور و تحول‌آفرین، ساختار فعالیتهای اقتصادی و اجتماعی را به‌طور بنیادین دگرگون کرده است. درحالی‌که موجهای پیشین خودکارسازی عمدتاً بهره‌وری صنایع تولیدی را تحت‌تأثیر قرار می‌دادند، هوش مصنوعی معاصر به حوزه‌های متنوعی ازجمله مالی، سلامت، خدمات اجتماعی و مدیریت دولتی نفوذ کرده است.
این گسترش دامنه کاربرد، پیامدهای گسترده‌ای برای بهره‌وری، توزیع درآمد و درنهایت رفاه اجتماعی به همراه داشته است. بااین‌حال، آثار هوش مصنوعی بر رفاه ماهیتی پیچیده و چندبعدی دارد. رفاه بازتابی از سطح کامیابی و کیفیت زندگی افراد جامعه است و صرفاً به درآمد یا مصرف محدود نمی‌شود. از یک‌سو، هوش مصنوعی از طریق بهبود بهره‌وری تولید (برینجلفسون و همکاران[1]، 2025)، توسعه خدمات بهداشتی (چیانگ[2]، 2025) و افزایش امید به زندگی می‌تواند سطح رفاه را ارتقا دهد.
از سوی دیگر، این فناوری با ایجاد اختلال در بازار کار و کاهش سهم دستمزد مشاغل کم‌مهارت، به تشدید نابرابری درآمدی منجر می‌شود (آسم‌اوغلو [3]، 2025) که تهدیدی برای پایداری رفاه اجتماعی به شمار می‌رود. این دوگانگی، آنچه در این پژوهش از آن به‌عنوان «پارادوکس رفاهی فناوری» یاد می‌شود، پرسشی بنیادین را مطرح می‌کند: درنهایت، اثر خالص هوش مصنوعی بر رفاه اجتماعی چیست؟
درک پیامدهای رفاهی تحولات شتابان هوش مصنوعی به یکی از ضرورتهای فوری علوم اقتصادی و اجتماعی تبدیل شده است. بااین‌وجود، بخش عمده‌ای از ادبیات موجود بر پیامدهای هوش مصنوعی برای سودآوری بنگاهها یا رشد اقتصادی کلان تمرکز دارد، درحالی‌که اثرات ناهمگون و توزیعی این فناوری بر رفاه جمعی همچنان به‌طور کامل تبیین نشده است.
این خلأ پژوهشی، طراحی سیاستهای کارآمد را با چالش مواجه کرده و در برخی موارد، تهدیدهای ساختاری هوش مصنوعی برای پایداری اجتماعی را نادیده گرفته است. این کمبود پژوهشی در ادبیات داخلی آشکارتر است. تاکنون رابطه بین هوش مصنوعی و رفاه اجتماعی در مطالعات داخلی به‌طور مستقیم بررسی نشده و شواهد تجربی نظام‌مند در این زمینه وجود ندارد. افزون براین، بسیاری از مطالعات بین‌المللی صرفاً از شاخصهای منفرد، نظیر تعداد پتنتهای هوش مصنوعی یا انتشارهای علمی، به‌عنوان نماینده توسعه هوش مصنوعی استفاده کرده‌اند. این رویکرد تک‌بعدی، قادر به پوشش تمامی ابعاد اقتصادی و نهادی این فناوری نیست و می‌تواند به برآوردی ناقص از اثرات واقعی آن بر رفاه منجر شود.
پژوهش حاضر با هدف پرکردن این خلأ، به بررسی تجربی تأثیر هوش مصنوعی بر رفاه می‌پردازد. در این مطالعه، از شاخص سرمایه‌گذاری در هوش مصنوعی که ابعاد مختلف فعالیتهای مرتبط با این فناوری را در برمی‌گیرد، در کنار شاخص رفاه لگاتوم[4] استفاده می‌شود. بدین‌ترتیب، اثر سرمایه‌گذاری در هوش مصنوعی بر رفاه کشورهای پیشرو در این حوزه در دوره 2017 تا 2023 مورد آزمون قرار می‌گیرد.
بهره‌گیری از شاخص ترکیبی لگاتوم این امکان را فراهم می‌کند که رفاه به‌صورت چندبعدی و فراتر از شاخصهای صرفاً اقتصادی موردسنجش قرار گیرد. نتایج این پژوهش می‌تواند چارچوبی تحلیلی برای سیاست‌گذاران اقتصادی و اجتماعی فراهم کند تا در مواجهه با گسترش هوش مصنوعی، میان کارایی اقتصادی و عدالت توزیعی توازن برقرار کند.
چارچوب نظری
هوش مصنوعی از مجراهای مختلفی سطح رفاه را متأثر می‌کند که در ادامه معرفی می‌شوند.
بازار کار و اشتغال
اگرچه مدلهای رشد درون‌زا با واردکردن یادگیری ماشین به‌عنوان جانشین وظایف روتین، نشان می‌دهند هوش مصنوعی بهره‌وری کل را افزایش می‌دهد، اما ممکن است منجر به جابجایی کارگران به‌ویژه در مشاغل با مهارت متوسط شود و درنتیجه اگر توزیع مجدد درآمد صورت نگیرد، کاهش رفاه برای کارگران جابه‌جا شده را به همراه دارد (ژنگ و همکاران[5]، 2020).
برخی مطالعات نیز بر پتانسیل هوش مصنوعی در تقویت نیروی کار انسانی و خلق مشاغل جدید در توسعه، نگهداری و نظارت بر هوش مصنوعی تأکید دارند؛ به‌طوری‌که ابزارهای تصمیم‌یار هوش مصنوعی جایگزین کامل کارکنان اجتماعی نشده بلکه وظایف آنها را تغییر داده‌اند؛ و علی‌رغم ترسهای اولیه از کاهش مهارت، کارمندانی که با هوش مصنوعی هم‌زیستی مؤثری داشته‌اند، افزایش بهره‌وری و رضایت شغلی را تجربه کرده‌اند (کاواکامی و همکاران[6]، 2022).
سرمایه انسانی
هوش مصنوعی می‌تواند به کارگران کم‌تجربه کمک کند تا بهره‌وری خود را سریع‌تر افزایش دهند. کارگران جوان‌تر ممکن است راحت‌تر از فرصتها استفاده کنند، درحالی‌که کارگران مسن‌تر ممکن است برای تطبیق با فناوریهای جدید با مشکل مواجه شوند. اگر ترکیب نیروی فعال و شاغل جوان باشند، انتظار می‌رود افزایش هوش مصنوعی و سرمایه‌گذاری در زیرساختهای آن با افزایش رفاه جامعه همراه شود و بلعکس.
مطالعات آسم‌اوغلو نشان می‌دهد هوش مصنوعی در کوتاه‌مدت مشاغل کم‌مهارت را تهدید می‌کند و سود آن عمدتاً به سرمایه‌داران و کارگران ماهر می‌رسد. این امر شکاف درآمدی را افزایش می‌دهد (آسم‌اوغلو، 2025). علاوه براین، ادبیات نظری نشان می‌دهد که رابطه میان هوش مصنوعی، سرمایه انسانی و رفاه اجتماعی پیچیده و وابسته به شرایط نهادی و ساختاری اقتصاد است. نظریه سوگیری فناورانه به نفع مهارت بیان می‌کند که فناوریهای پیشرفته تقاضا برای نیروی کار ماهر را افزایش می‌دهند، اما درصورتی‌که انباشت مهارتها با سرعت تغییرات فناورانه همگام نباشد، شکاف مهارتی و نابرابری درآمدی تشدید خواهد شد. رویکردهای وظیفه‌محور نیز تأکید دارند هوش مصنوعی بیش از آنکه جایگزین سطوح تحصیلی شود، وظایف قابل‌کدنویسی و روتین را هدف قرار می‌دهد؛ ازاین‌رو حتی نیروی کار دارای سرمایه انسانی بالا نیز ممکن است در معرض جابه‌جایی شغلی و کاهش رفاه قرار گیرد (آتور[7] و همکاران، 2003).
از سوی دیگر، نظریه‌های اتوماسیون و تغییر فناورانه جهت‌دار نشان می‌دهند اثر رفاهی هوش مصنوعی حاصل برآیند دو نیروی متضاد است: جابه‌جایی نیروی کار از طریق خودکارسازی وظایف و ایجاد فرصتهای شغلی و وظایف جدید. در شرایطی که سرعت اتوماسیون از خلق فرصتهای جدید پیشی گیرد، بیکاری، کاهش سهم نیروی کار از درآمد و فشارهای توزیعی افزایش می‌یابد و سرمایه انسانی به‌تنهایی قادر به خنثی‌سازی این پیامدها نخواهد بود (آسم‌اوغلو و رسترپو[8]، 2019). افزون‌براین، اصطکاکهای بازار کار، عدم‌تطابق مهارتی و وقفه‌های پیاده‌سازی فناوری می‌توانند مانع تبدیل سرمایه انسانی به منافع رفاهی شوند. از این‌منظر، اثر تعدیل‌گر سرمایه انسانی تنها زمانی ظاهر می‌شود که مهارتها با نیازهای فناوریهای جدید سازگار باشند؛ نظام آموزشی و بازار کار امکان بازتخصیص سریع نیروی کار را فراهم کنند و منافع فناوری به‌صورت گسترده در اقتصاد توزیع شود. در غیر این صورت، حتی با سطح بالای سرمایه انسانی نیز هوش مصنوعی ممکن است از طریق تشدید نابرابری، نااطمینانی شغلی و تمرکز منافع، اثر رفاهی محدودی داشته باشد (آتور و همکاران، 2020؛ برینجلفسون و همکاران، 2025).
نابرابری درآمدی
تحلیلهای پانل کوانتایل اثرات رفاهی ناهمگون در بین گروههای درآمدی در مراحل اولیه پذیرش فناوری را نشان می‌دهند. برای مثال، پذیرندگان اولیه فناوریهای هوش مصنوعی - عمدتاً شرکتهای بزرگ با سرمایه بالا- بهره‌وری و سود بیشتری کسب کرده که باعث افزایش مزایای درآمدی برای کارگران با مهارت بالا و مالکان سرمایه می‌شوند. به‌عبارتی افزایش شکاف و کاهش رفاه در مراحل اولیه پذیرش فناوری وجود دارد. البته سازوکارهای مبتنی بر سیاست جبرانی می‌توانند این اثرات را متعادل کنند. مدل اقتصاددان هوش مصنوعی نشان داد سیستمهای مالیاتی طراحی‌شده توسط هوش مصنوعی می‌توانند به بهره‌وری بالا و کاهش نابرابری دست یابند و با تنظیم بهینه نرخهای مالیاتی و یارانه‌ها، رفاه اجتماعی را بدون کاهش تولید کل ارتقا دهند. همچنین مالیات تصاعدی همراه با یارانه‌های بازآموزی هدفمند برای خانوارهای کم‌درآمد در مواجهه با جابه‌جایی شغلی ناشی از هوش مصنوعی مؤثر است(کامیونال و مانرا[9]، 2024). یکی دیگر از اثرات هوش مصنوعی در این حوزه، رانت جوییهای جدید مبتنی بر هوش مصنوعی است که می‌تواند به کاهش رفاه اجتماعی منجر شود.
هوش مصنوعی مولد می‌تواند با دسترسی بیشتر به داده‌ها، رانتهای اطلاعاتی سنتی را کاهش دهد اما همزمان از طریق دستکاری الگوریتمی، فرصتهای جدیدی برای رانت‌جویی ایجاد کرده و با تخصیص ناکارا، رفاه را کاهش دهد. همچنین، فرصتهای نوین ایجادشده از طریق هوش مصنوعی اگر با مالیات یا نظارت تنظیمی همراه نباشد، این فعالیتها باعث افزایش عدم تقارن اطلاعاتی شده و به ضرر گروههای ضعیف‌تر تمام می‌شوند(ژانگ و ژانگ[10]، 2025).
بهداشت و خدمات اجتماعی
کاربردهای هوش مصنوعی در تشخیص، برنامه‌ریزی درمان و تخصیص منابع به بهبود رفاه کمک شایانی کرده است. مدلهای پیش‌بینی صحیح در مراقبتهای بهداشتی بهره‌وری در تصمیم‌گیریهای بالینی را تا حد قابل‌توجهی افزایش می‌دهد به‌طوری‌که می‌توانند نتایج بیماران را بهبود و هزینه‌های سرانه را کاهش دهند (ابرمیر و همکاران[11]، 2019). علاوه بر مراقبتهای بهداشتی، تصمیم‌یارهای الگوریتمی در خدمات اجتماعی در صورت طراحی مناسب می‌توانند رفاه را بهبود دهند و خطاهای نظارتی را کاهش دهند (کاواکامی و همکاران، 2022). اما از طرف دیگر، سوگیری در سیستمهای هوش مصنوعی و دسترسیهای نابرابر می‌تواند رفاه گروههای آسیب‌پذیر را کاهش دهد. به‌طوری‌که در سناریوهای سوگیری شدید، رفاه کل تا 4 درصد کاهش یافته و بیشترین آسیب متوجه گروههای کم‌درآمد شده است (باهامازاوا[12]، 2024).
حمایت اجتماعی و مدیریت عمومی
دولتها از هوش مصنوعی برای بهبود کارایی برنامه‌های حمایت اجتماعی استفاده می‌کنند. بررسی خودکار واجد شرایط بودن و کشف تقلب می‌تواند هزینه‌های اداری را کاهش و سرعت پرداختها را افزایش دهد. به‌عنوان‌مثال، مؤسسه وادهوانی[13] در هند با توسعه ابزارهای یادگیری ماشین برای پیش‌بینی خسارتهای کشاورزی و تنظیم یارانه‌ها، با کاهش تأخیر در پرداخت، رفاه کشاورزان خرد را بهبود داده است (مؤسسه وادهوانی، 2024) بااین‌حال، دیوان‌سالاری ماشینی می‌تواند به حذف اشتباه ذی‌نفعان منجر شود.
اثرات اطلاعاتی و رفتاری
پلتفرمهای اطلاعاتی مبتنی بر هوش مصنوعی می‌توانند رفاه مصرف‌کننده را با کاهش هزینه‌های جستجو و شخصی‌سازی خدمات عمومی افزایش دهند. برای مثال، چت‌باتهای مولد در پرتالهای خدمات اجتماعی به کاربران کم‌سواد کمک می‌کنند فرآیندهای پیچیده درخواست را طی کرده و نرخ بهره‌برداری از خدمات را افزایش دهند. به‌عبارت‌دیگر هوش مصنوعی از طریق دسترسی اطلاعاتی بیشتر، رفاه را افزایش می‌دهد (وردنبرگ و همکاران[14]، 2024). اما توانایی هوش مصنوعی در هدف‌گیری کاربران خرد، چالشهای اخلاقی نیز ایجاد می‌کند. شرکتها می‌توانند از مدلهای مولد برای دستکاری ترجیحات مصرف‌کنندگان استفاده کرده و سود خود را حداکثر کنند، اما این موضوع به‌ویژه برای کاربران آسیب‌پذیر به ضرر رفاه فردی آنها تمام می‌شود (ژانگ و ژانگ، 2025).
پیشینه تجربی
تاکنون در مطالعات داخلی اثر هوش مصنوعی بر رفاه بررسی نشده است؛ اما مطالعات خارجی مختلفی به این مهم پرداخته‌اند که در ادامه، به چند نمونه از جدیدترین پژوهشها اشاره می‌شود.
ابرمیر و همکاران (2019) نشان دادند مدلهای پیش‌بینی صحیح در مراقبتهای بهداشتی می‌توانند نتایج بیماران را بهبود و هزینه‌های سرانه را کاهش دهند. بااین‌حال، الگوریتمهای نادرست می‌توانند سوگیریها را تقویت کنند؛ مدلی که هزینه‌های مراقبت را به‌عنوان نماینده نیاز استفاده کرده بود، نیازهای بیماران سیاه‌پوست را کمتر تخمین زده و باعث پیامدهای رفاهی منفی شد. استفاده از بهینه‌سازی با قید انصاف توانست این تحریفات را کاهش دهد.
ژنگ و همکاران (2020) با توسعه مدل اقتصاددان هوش مصنوعی نشان دادند سیستمهای بهینه‌سازی شده با هوش مصنوعی می‌توانند تولید کل را تا 16 درصد افزایش دهند، اما بدون توزیع مجدد، این منافع عمدتاً به مالکان سرمایه رسیده و منجر به کاهش رفاه برای کارگران جابه‌جا شده می‌شود. به‌عبارت‌دیگر اثرات هوش مصنوعی در بهینه‌سازی سیستمها و توسعه یک مدل اقتصاد کلان با حضور هوش مصنوعی برای تحلیل تأثیر آن بر تولید و توزیع منافع است.
لو[15] (2021) با استفاده از الگوی رشد درون‌زا نشان داد که توسعه هوش مصنوعی می‌تواند از طریق بهبود بهره‌وری هم بر پویاییهای گذار و هم بر مسیر رشد متعادل تأثیر گذارد. یافته‌های وی بر این موضوع دلالت دارد که اگرچه هوش مصنوعی می‌تواند در کوتاه‌مدت رفاه خانوار را افزایش دهد، اما تأثیر بلندمدت آن بر رفاه خانوار مبهم است؛ زیرا در صورت جایگزینی گسترده نیروی کار با فناوریهای هوش مصنوعی و عدم اجرای سیاستهای جبرانی مانند آموزش مجدد یا بازتوزیع درآمد ممکن است رفاه بخشی از جامعه کاهش یابد. درواقع، تغییرات رفاهی هوش مصنوعی به این موضوع بستگی دارد که پذیرش هوش مصنوعی، افزایش بهره‌وری را در پی دارد یا به جابه‌جایی نیروی کار منجر می‌شود.
کاواکامی و همکاران (2022) در سازمانهای حمایت از کودک نشان دادند ابزارهای تصمیم‌یار هوش مصنوعی[16] جایگزین کامل کارکنان اجتماعی نشده بلکه وظایف آنها را تغییر داده‌اند؛ به‌گونه‌ای که کارمندان بر قضاوتهای کیفی تمرکز کرده و هوش مصنوعی غربال داده‌ها را انجام می‌دهد. این مطالعه گزارش داد با وجود ترسهای اولیه از کاهش مهارت، کارمندانی که با هوش مصنوعی هم‌زیستی مؤثری داشته‌اند، افزایش بهره‌وری و رضایت شغلی را تجربه کرده‌اند.
باهامازاوا (2024) در مطالعه خود به کمی‌سازی اثرات اقتصادی و رفاهی سوگیری الگوریتمی در سیستمهای پاسخ اضطراری سلامت عمومی پرداخته است و با واردکردن تابع سوگیری به مدل رفاه اجتماعی و شبیه‌سازی انواع سناریوهای سوگیری (خفیف تا شدید) نشان داد که در سناریوهای با سوگیری شدید تا 4٪ کاهش در رفاه کل جامعه و آسیب‌دیدن نامتناسب گروههای کم‌درآمد مشاهده شد.
پایچ و سرکین[17] (2025) در یک پژوهش مروری- تحلیلی پیامدهای هوش مصنوعی بر نابرابری جهانی، ثبات اقتصادی و هزینه‌های شناختی نیروی کار را بررسی کردند. آنها نتیجه گرفتند اگرچه هوش مصنوعی فرصتهایی برای رشد در بخشهایی مانند سلامت و آموزش فراهم می‌کند، اما بدون چارچوبهای حکمرانی قوی و مشارکت نیروهای اکادمیک ممکن است شکاف توسعه را تشدید کند و رشد اقتصادی دموکراتیک را مختل کند.
سپتیانداری و همکاران[18] (2025) در مطالعه‌ای با استفاده از داده‌های 342 منطقه در آمریکا تأثیر هوش مصنوعی بر نابرابری درآمدی را در دوره زمانی 2022-2015 بررسی کردند. یافته‌ها نشان دادند در مراحلی که فرصتهای اقتصادی متمرکز هستند، استفاده از هوش مصنوعی می‌تواند نابرابری را تشدید کند. این مقاله با مدل‌سازی شبکه‌ای و داده‌های منطقه‌ای تأکید می‌کند که سیاستهای مهار متمرکزسازی داده و انتشار متن باز ضروری است.
ژانگ و ژانگ (2025) نشان دادند هوش مصنوعی مولد می‌تواند با دموکراتیزه‌کردن دسترسی به داده‌ها، رانتهای اطلاعاتی سنتی را کاهش دهد اما همزمان از طریق دستکاری الگوریتمی، فرصتهای جدیدی برای رانت‌جویی ایجاد کرده و با تخصیص ناکارا، رفاه را کاهش دهد. علاوه‌برآن، اگر با مالیات یا نظارت تنظیمی مقابله نشود، این فعالیتها باعث افزایش عدم تقارن اطلاعاتی شده و به ضرر گروههای ضعیف‌تر تمام می‌شود.
مرور ادبیات موضوع نشان می‌دهد تاکنون مطالعات داخلی رابطه هوش مصنوعی و رفاه اجتماعی را به‌صورت تجربی بررسی نکرده‌اند. همچنین، پژوهشهای بین‌المللی بیشتر بر شاخصهای تک‌بعدی هوش مصنوعی و کانالهای منفرد اثرگذاری آن تمرکز داشته‌اند. تحلیل گسترده ادبیات علمی نشان می‌دهد که هوش مصنوعی اثرات معنادار و قابل‌توجهی بر توزیع درآمد و رشد اقتصادی دارد. علاوه‌براین، ابزارهای هوش مصنوعی این پتانسیل را دارند که نحوه عملکرد و یادگیری کارگران را تغییر دهند. به‌نحوی‌که هوش مصنوعی با جایگزینی مشاغل کم‌مهارت و دارای سرمایه انسانی پایین با اتوماسیون، بیکاری فنی را تشدید می‌کند و درنتیجه شکاف درآمد را بیشتر می‌کند. درنهایت، هوش مصنوعی به‌صورت گسترده بر سلامت و امید به زندگی افراد در جوامع اثرگذار است. با توجه به ادبیات نظری و شواهد تجربی موجود، تأثیر هوش مصنوعی بر رفاه اجتماعی را نمی‌توان به‌صورت یک‌بعدی تبیین کرد. هوش مصنوعی هم به‌صورت مستقیم و هم به‌صورت غیرمستقیم از مجراهای مختلفی بر رفاه اثر می‌گذارد که برخی از آنها ماهیتی تقویت‌کننده و برخی دیگر ماهیتی تضعیف‌کننده دارند.
در این پژوهش، چارچوب نظری بر این فرض استوار است که اثر نهایی هوش مصنوعی بر رفاه، برآیند تعامل آن با متغیرهای کلیدی اقتصاد کلان و اجتماعی است. به‌طور مشخص، چهار مجرای اصلی شامل رشد اقتصادی، بازار کار، سرمایه انسانی، نابرابری درآمدی و سلامت (امید به زندگی) در نظر گرفته می‌شود.
روش
مطابق ادبیات موضوع، هوش مصنوعی هم به‌صورت مستقیم و هم به‌صورت غیرمستقیم و از طریق مجرای رشد اقتصادی، سرمایه انسانی، نابرابری درآمدی و امید به زندگی، رفاه را متأثر می‌کند. ازاین‌رو، برای بررسی تأثیر هوش مصنوعی بر رفاه از رابطه (1) استفاده می‌شود:
Legit=f(Grit,Uit, AIit, (AI* H)it,(AI* L)it,(AI* Gini)it,(AI* Gr)it)
که در آنLegit لگاریتم شاخص رفاه لگاتوم است؛ شاخص رفاه لگاتوم یک شاخص ترکیبی هم‌وزن است که هرسال بر اساس 12 مؤلفه اصلی شامل امنیت و ایمنی، آزادی فردی، حکمرانی، سرمایه اجتماعی، محیط سرمایه‌گذاری، شرایط کارآفرینی، دسترسی به بازار و زیرساخت، کیفیت اقتصادی، شرایط زندگی، سلامت، آموزش و محیط طبیعی توسط مؤسسه لگاتوم محاسبه می‌شود.
Grit رشد اقتصادی است که از طریق نرخ رشد سالانه تولید ناخالص داخلی به قیمت سال 2021 و بر اساس برابری قدرت خرید محاسبه می‌شود؛ Uit نرخ بیکاری، AIit شاخص هوش مصنوعی است که برای اندازه‌گیری آن از لگاریتم سرمایه‌گذاری بخش خصوصی در هوش مصنوعی برحسب میلیون دلار استفاده می‌شود.
(AI* H)it اثر متقاطع لگاریتم هوش مصنوعی و لگاریتم سرمایه انسانی را نشان می‌دهد که بر نقش میانجی و تعدیل‌کننده سرمایه انسانی و مهارت‌محور بودن هوش مصنوعی دلالت دارد؛ Lit لگاریتم شاخص امید به زندگی است و(AI* L)it اثر متقاطع لگاریتم هوش مصنوعی با امید به زندگی است که تأثیر هوش مصنوعی بر رفاه را بر پایه شاخص سلامت و زندگی طولانی‌تر به‌عنوان نماینده‌ای از رفاه غیرمادی منعکس می‌کند؛ به دیگر بیان، رفاه صرفاً مصرف فعلی نیست، بلکه سلامت و ظرفیت کار بلندمدت را هم دربرمی‌گیرد.
واردکردن امید به زندگی در مدل کمک می‌کند تا اثرات غیرمالی هوش مصنوعی بر رفاه نیز در نظر گرفته شود؛ Giniit ضریب جینی است و (AI* Gini)it اثر متقاطع لگاریتم هوش مصنوعی و ضریب جینی را نشان می‌دهد که بر ثبت آثار توزیعی فناوری دلالت دارد؛ یعنی، تأثیر بهره‌مندی اقشار مختلف از افزایش بازده سرمایه و مهارت‌محوری فناوری را نشان می‌دهد که باعث تغییر سهم درآمدی طبقات و رفاه می‌شود. درنهایت، (AI* Gr)it اثر متقاطع لگاریتم هوش مصنوعی و رشد اقتصادی است؛ همچنین، اندیس i و t به ترتیب به مقاطع(کشورها) و زمان دلالت دارد.
قلمرو مکانی پژوهش شامل کشورهای پیشرو در حوزه هوش مصنوعی است که کشورهای استرالیا، اتریش، بلژیک، برزیل، کانادا، چین، دانمارک، فنلاند، فرانسه، آلمان، هند، ایتالیا، ژاپن، کره‌جنوبی، نروژ، اسپانیا، سنگاپور، روسیه، انگلستان و آمریکا را شامل می‌شود. نمونه پژوهش به‌صورت هدفمند و بر اساس معیارهای بیرونی از پیش تعیین‌شده انتخاب شده است تا از سوگیری انتخاب مبتنی بر نتایج جلوگیری شود.
کشورهای موردمطالعه بر اساس گزارشهای پایگاه هوش مصنوعی دانشگاه استنفورد[19] و با توجه به حضور مستمر در سرمایه‌گذاریهای خصوصی هوش مصنوعی طی دوره 2017 تا 2023 انتخاب شده‌اند. این رویکرد تضمین می‌کند که انتخاب کشورها بر مبنای شدت توسعه و پذیرش هوش مصنوعی و نه بر اساس سطح رفاه انجام شود. همچنین تمرکز بر کشورهای پیشرو موجب کاهش ناهمگنی ساختاری و بررسی اثرات هوش مصنوعی در اقتصادهایی می‌شود که این فناوری به‌طور بالفعل وارد فعالیتهای اقتصادی، بازار کار و خدمات عمومی شده است. براین اساس، تعمیم نتایج پژوهش به کشورهای پیشرو در توسعه هوش مصنوعی محدود است؛ بااین‌حال، یافته‌ها می‌تواند برای کشورهای درحال‌توسعه و اقتصادهای نوظهور نیز دارای دلالتهای سیاستی باشد.
اگرچه ایران در زمره کشورهای پیشرو در سرمایه‌گذاری و تجاری‌سازی هوش مصنوعی قرار ندارد و در نمونه تجربی این پژوهش لحاظ نمی‌شود، اما نتایج به‌دست‌آمده می‌تواند در طراحی سیاستهای مرتبط با بازار کار، سرمایه انسانی و رفاه اجتماعی در مسیر گذار به اقتصاد مبتنی بر هوش مصنوعی آموزنده باشد.
در این پژوهش، از متغیر سرمایه‌گذاری در هوش مصنوعی به‌عنوان شاخص هوش مصنوعی استفاده می‌شود که داده‌های آن از پایگاه داده شاخص هوش مصنوعی[20] دانشگاه استنفورد استخراج شده است.
سرمایه‌گذاری خصوصی بیرونی در هوش مصنوعی شامل جریانهای سرمایه‌گذاری بخش خصوصی نظیر سرمایه‌گذاری خطرپذیر[21]، سرمایه‌گذاری خصوصی[22] ادغام و تملکهای مرتبط با هوش مصنوعی و سایر اشکال سرمایه‌گذاری خصوصی گزارش‌شده در شرکتهای فعال در حوزه هوش مصنوعی است. شاخصهای مبتنی بر پتنتها و انتشارهای علمی، عمدتاً ظرفیت نوآوری فناورانه یا تولید دانش را منعکس می‌کنند، اما لزوماً بیانگر مقیاس واقعی به‌کارگیری اقتصادی، تجاری‌سازی و نفوذ عملی هوش مصنوعی در ساختار تولید و خدمات نیستند (لو، 2021؛ سپتیاندری و همکاران، 2025).
این شاخصها به‌ویژه در مقایسه‌های بین‌کشوری، با سوگیریهای نهادی، تفاوت در نظام ثبت اختراع و تمرکز جغرافیایی فعالیتهای پژوهشی مواجه‌اند. افزون‌براین، شاخصهای علمی اغلب با وقفه زمانی قابل‌توجهی نسبت به آثار واقعی هوش مصنوعی بر بازار کار، نابرابری و رفاه اجتماعی همراه هستند.
در مقابل، سرمایه‌گذاری در هوش مصنوعی به‌عنوان یک شاخص مبتنی بر بازار، مستقیماً تصمیمات بنگاهها و سرمایه‌گذاران را منعکس می‌کند و نشان‌دهنده انتظارات اقتصادی، مقیاس تجاری‌سازی و شدت نفوذ هوش مصنوعی در فعالیتهای واقعی اقتصادی است. ازاین‌رو، در این پژوهش به‌عنوان نماینده توسعه اقتصادی هوش مصنوعی مورداستفاده قرار گرفته است. بااین‌حال، این شاخص برخی محدودیتها را دارا است؛ ازجمله آنکه سرمایه‌گذاریهای دولتی، مخارج داخلی تحقیق و توسعه بنگاهها و تفاوتهای بخشی در کاربرد هوش مصنوعی را به‌طور کامل منعکس نمی‌کند. ازآنجاکه سؤال اصلی این پژوهش بر پیامدهای رفاهی و توزیعی هوش مصنوعی در سطح کلان متمرکز است، استفاده از شاخص سرمایه‌گذاری این امکان را فراهم می‌کند که اثرات ملموس و بالفعل این فناوری بر مجراهای اثرگذاری رفاه، یعنی رشد اقتصادی، بازار کار، نابرابری و سلامت موردبررسی قرار گیرد. جدول 1 مقادیر خام سرمایه‌گذاری کشورها بر هوش مصنوعی را طی بازه موردمطالعه برحسب دلار نشان می‌دهد.
جدول 1. سرمایه‌گذاری کشورها روی هوش مصنوعی بر اساس میلیون دلار
منبع: دانشگاه استنفورد، 2017 تا 2023
به دلیل چولگی بالا و تفاوت قابل‌توجه مقیاس سرمایه‌گذاری میان کشورها، متغیر سرمایه‌گذاری در هوش مصنوعی به‌صورت لگاریتم طبیعی در مدل وارد می‌شود تا توزیع داده‌ها متعادل‌تر شده و ضرایب به‌صورت کشش قابل تفسیر باشند. جدول 2 آمار توصیفی و همچنین نحوه اندازه‌گیری متغیرها را گزارش می‌کند.
طبق آمار توصیفی، لگاریتم شاخص رفاه در کشورهای منتخب دارای میانگین 3/4 و انحراف معیار 21/13 است که بر پراکندگی زیاد بین کشورها و سالهای موردبررسی دلالت دارد. در بین کشورهای منتخب به ترتیب دانمارک، نروژ، فنلاند، آلمان و انگلستان بالاترین سطح رفاه را دارا هستند؛ در مقابل کشورهای هند، برزیل، چین و روسیه پایین‌ترین سطح رفاه را به خود اختصاص داده‌اند و بقیه کشورها در گروه رفاه متوسط قرار می‌گیرند.
جدول 2. آمار توصیفی متغیرها
به‌طور خلاصه، گروه اول از ویژگیهایی مانند دموکراسی بالا، درآمد سرانه بالا، سرمایه اجتماعی بالا، نوآوری، سطح فساد پایین، سیستم آموزش و بهداشت باکیفیت برخوردار هستند. بااین‌حال کشورهایی که در گروه پایین‌ترین سطح رفاه قرار می‌گیرند، دلایل متفاوتی دارند. به‌عنوان نمونه، هند با وجود پیشرفت در فناوری و دیجیتال‌سازی اقتصاد، با مشکلاتی چون فقر گسترده، شکاف طبقاتی، چالشهای بهداشتی و آموزشی و ضعف در حکمرانی و زیرساختهای اجتماعی روبه‌رو است. برزیل از فساد، نابرابری، خشونت و بی‌ثباتی سیاسی، ناکارآمدی نظام سلامت عمومی در برابر پاندمیها، تورم و بدهی بالا رنج می‌برد. چین با وجود برخورداری از رشد اقتصادی، نوآوری در هوش مصنوعی و زیرساختها با مشکلات قابل‌توجهی در آزادیهای فردی، حقوق بشر و شفافیت حکمرانی مواجه است. روسیه نیز به دلیل جنگ اوکراین، تحریمهای غرب، کاهش اعتماد به حاکمیت، ضعف آزادیهای فردی و فشار سیاسی ازلحاظ شاخص لگاتوم دارای وضعیت خوبی نیست.
لگاریتم هوش مصنوعی که با شاخص ترکیبی سرمایه‌گذاریها و فعالیتهای مرتبط با هوش مصنوعی سنجیده شده، میانگین 90/5 و انحراف معیار 11/2 دارد؛ مقدار میانگین در کنار نوسان بالا حاکی است کشورها در سرعت ورود به موج سرمایه‌گذاری هوش مصنوعی در مواجهه با هوش مصنوعی رفتار عمدتاً ناهمگنی داشته‌اند.
رشد اقتصادی کشورهای نمونه در دوره 2023 به‌طور میانگین 01/2 درصد است و انحراف معیار 54/3 درصد نشان می‌دهد پراکندگی نسبتاً زیادی بین کشورها و سالها وجود دارد؛ بنابراین برخی مشاهدات رشد منفی یا جهشهای بالاتری را تجربه کرده‌اند. پراکندگی بالا در متغیرهای منعکس‌کننده اثرات تقاطعی هوش مصنوعی با سرمایه انسانی، امید به زندگی و رشد اقتصادی نشان می‌دهد که اثرات هوش مصنوعی در این کشورها متفاوت است؛ اما اثرات تقاطعی نابرابری و هوش مصنوعی نشان از رفتار یکسان کشورها در مواجهه با هوش مصنوعی دارد.
در پژوهش حاضر، با توجه به اینکه تعداد مقاطع (کشورها) از طول دوره زمانی بیشتر است (N>T) و همچنین به دلیل وجود وقفه متغیر وابسته در مدل، استفاده از روشهای برآورد ایستا نظیر اثرات ثابت یا تصادفی می‌تواند منجر به برآوردهای تورش‌دار و ناسازگار شود. به‌طور خاص، حضور وقفه متغیر وابسته در سمت راست معادله موجب همبستگی آن با جزء اخلال و بروز مشکل درون‌زایی می‌شود. علاوه براین، برخی متغیرهای توضیحی نظیر شاخص هوش مصنوعی نیز به‌طور بالقوه در معرض علیت معکوس و هم‌زمانی قرار دارند. ازاین‌رو، برای برآورد الگو و بررسی تأثیر هوش مصنوعی بر رفاه، از رویکرد پانلی پویا با روش گشتاورهای تعمیم‌یافته استفاده می‌شود که امکان کنترل همزمان ناهمسانی واریانس، خودهمبستگی و درون‌زایی را فراهم کرده و درک دقیق‌تری از روابط پویای میان متغیرهای اقتصادی ارائه می‌دهد. به‌طورکلی، مدل پانل پویا به‌صورت زیر معرفی می‌شود (باند[23]، 2002):
(2) y_it=βyit-1+θxit+μi + vit
که در آن yit متغیر وابسته، β ضریب وقفه متغیر وابسته، yit-1 وقفه متغیر وابسته، θ ضرایب متغیرهای توضیحی، xit بردار متغیرهای توضیحی، μi اثرات ثابت و vitجمله اخلال را نشان می‌دهند. سازگاری رویکرد گشتاورهای تعمیم‌یافته وابسته به نتایج آزمونهای خودهمبستگی و اعتبار متغیرهای ابزاری است؛ لذا به‌منظور ارزیابی سازگاری الگوهای برآورد شده از آزمون خودهمبستگی آرلانو و باند[24] (1991) و آزمون سارگان[25] استفاده می‌شود. با توجه به روابط 1 و 2، الگوی پژوهش بر اساس روش گشتاورهای تعمیم‌یافته پانلی به‌صورت زیر تصریح می‌شود:
(3)Legit=α1 Legit-1 +α2 Grit+α3 Uit+ α4 AIit+α5 (AI* H)it+α6 (AI* L)it+α7 (AI* Gini)it+α8 (AI* Gr)it+eit
در چارچوب الگوی گشتاورهای تعمیم‌یافته، برای کنترل درون‌زایی از ابزارهای داخلی، به‌طور مشخص، وقفه‌های مناسب متغیرهای درون‌زا و از پیش تعیین‌شده به‌عنوان ابزار برای معادله تفاضلی استفاده می‌شود.
دوره زمانی پژوهش، یعنی بازه 2023-2017 با وقوع شوکهای جهانی مهمی نظیر همه‌گیری کووید-19، تشدید تنشهای ژئوپلیتیک و تغییرات ساختاری در فرایندهای دیجیتال‌سازی همراه است. ازآنجاکه این شوکها می‌توانند به‌طور همزمان بر تمامی کشورها اثرگذار باشند، در این پژوهش اثرات زمانی مشترک از طریق لحاظ‌کردن اثر ثابت سالانه[26] در الگوی پانلی پویا کنترل شده‌اند.
این رویکرد امکان تفکیک تغییرات ناشی از شوکهای جهانی مشترک از اثرات متغیرهای توضیحی اصلی را فراهم می‌کند و مانع از انتساب نادرست آثار این رخدادها به متغیر هوش مصنوعی یا تعاملات آن می‌شود.
یافته‌ها
جدول 3 نتایج برآورد الگوی پژوهش به‌منظور بررسی تأثیر رشد هوش مصنوعی بر رفاه اقتصادی را به‌اختصار گزارش می‌کند.
جدول 3. نتایج برآورد الگوی رفاه اقتصادی
مطابق یافته‌ها، رتبه متغیرهای ابزاری (19) از تعداد متغیرهای برآورد شده (8) بیشتر است که نشان می‌دهد روش الگو برای ساخت آماره آزمون سارگان، کارآمد است. کوچک‌تر‌بودن آماره سارگان از سطح کای دو جدول و بزرگ‌تر‌بودن اندازه سطح احتمال آزمون از 5 درصد، بر معتبربودن متغیرهای ابزاری برای برآورد دلالت دارد. نتایج آزمون آرلانو-باند نشان می‌دهد در آزمونهای خودهمبستگی مرتبه اول و دوم، به ترتیب سطح احتمال کمتر از 5 درصد و بیشتر از 5 درصد است؛ بنابراین، الگوی برازش‌شده فاقد مشکل خودهمبستگی مرتبه دوم است که مطابق انتظار نظری است. بررسی آماره آزمون تی‌استیودنت و سطح معناداری متغیرها حاکی است متغیرهای هوش مصنوعی و اثر متقاطع لگاریتم هوش مصنوعی و لگاریتم امید به زندگی در سطح ده درصد و سایر ضرایب متغیرها در سطح 5 درصد معنادار هستند. یافته‌های برآورد الگو نشان می‌دهند:
1. ضریب وقفه اول متغیر لگاریتم رفاه منفی است که نشان می‌دهد رفاه جاری در واکنش به افزایش رفاه گذشته کاهش می‌یابد. این موضوع بیانگر سازوکار تعدیل سریع و وجود همگرایی شرطی در شاخص رفاه است.
2. رشد اقتصادی سرانه تأثیر مثبت بر رفاه کشورها دارد؛ افزایش تولید سرانه زمینه لازم برای سرمایه‌گذاری در آموزش، سلامت، زیرساخت و خدمات اجتماعی را فراهم می‌کند که به معنای رشد ظرفیتهای اقتصادی کشور، افزایش درآمد خانوارها و گسترش فرصتهای شغلی است که به‌نوبه خود ارتقاء کیفیت زندگی و رفاه را در پی دارد.
3. بیکاری تأثیر منفی بر رفاه کشورها دارد؛ افزایش بیکاری از طریق کاهش ساعات کار نه‌تنها درآمد افراد را کاهش می‌دهد، بلکه آثار منفی روانی، اجتماعی و سیاسی گسترده‌ای دارد که موجب نارضایتی اجتماعی، کاهش مشارکت اقتصادی و کاهش احساس امنیت فردی می‌شود که کاهش رفاه را در پی دارد.
4. هوش مصنوعی بر رفاه کشورها تأثیر مثبت دارد؛ اثر مستقیم هوش مصنوعی بر رفاه، نمایانگر ماهیت ذاتاً مولد و کارای این فناوری است. هوش مصنوعی با کاهش هزینه‌ها، ایجاد محصولات و خدمات جدید و بهبود کارایی اطلاعات، مستقیماً به افزایش رفاه کمک می‌کند.
5. اثر متقاطع هوش مصنوعی و سرمایه انسانی تأثیر منفی بر رفاه کشورها دارد. نتیجه منفی تعامل هوش مصنوعی و سرمایه انسانی می‌تواند به علت ناکارآمدی تطبیق مهارتی باشد. گسترش هوش مصنوعی منجر به جابه‌جایی نیروی کار به جای افزایش بهره‌وری مشترک می‌شود. از سوی دیگر، هوش مصنوعی با جایگزین‌شدن مهارتهای فناوری-محور به جای مهارتهای سنتی و زمان‌بربودن بازآموزی کافی نیروی کار باعث می‌شود از طریق کاهش امنیت اقتصادی، سطح رفاه کاهش یابد.
6. اثر متقاطع هوش مصنوعی و امید به زندگی بر رفاه کشورها مثبت است. درواقع، هوش مصنوعی با پیش‌بینی بیماریها، ارائه راهکارهای درمان، پتانسیل بهبود مراقبت از بیمار، کیفیت زندگی را افزایش می‌دهد که بهبود رفاه را در پی دارد.
7. اثر متقاطع هوش مصنوعی و نابرابری بر رفاه کشورها منفی است. گسترش هوش مصنوعی با ایجاد فرصتهای مختلف شغلی و تحصیلی همراه است که ابتدا بیشتر در اختیار بنگاههای بزرگ‌مقیاس و نخبگان قرار می‌گیرد. ازاین‌رو افزایش نابرابری با بروز شکاف طبقاتی همراه است که به کاهش رفاه منجر می‌شود.
8. اثر متقاطع هوش مصنوعی و رشد اقتصادی سرانه بر رفاه کشورها منفی است. اگرچه توسعه هوش مصنوعی با ایجاد قابلیتهای جدید و تغییر ساختار فنی تولید به افزایش ظرفیت تولید و رشد اقتصادی منجر می‌شود؛ اما هوش مصنوعی ساختار و سازمان تولید را نیز دگرگون می‌کند و باعث بازآرایی ترکیب نهاده‌ها و شیوه‌های تولید می‌شود که به‌نوبه خود مسیر تولید را به سمت پیچیدگی بیشتر و ارزش‌افزوده بالاتر سوق می‌دهد.
9. اثر نهایی[27] هوش مصنوعی بر رفاه منفی و معنادار است. به‌بیان‌دیگر، منافع حاصله از هوش مصنوعی به‌طور متوازن و عادلانه توزیع نشده و هزینه‌های ناشی از تخریب سرمایه انسانی به دلیل بروز شکاف مهارتی، تشدید نابرابری و ناپایداری رشد بر این منافع غلبه کرده است. جدول 4 نتایج حاصل از برآورد تأثیر نهایی هوش مصنوعی بر رفاه را به‌صورت خلاصه نشان می‌دهد.
جدول 4. نتایج برآورد اثر نهایی هوش مصنوعی بر رفاه با استفاده از نرم‌افزار استتا
با توجه به نتایج، اگرچه هوش مصنوعی پتانسیل افزایش رفاه را دارد، اما در بستر نهادی و توزیعی فعلی، این پتانسیل به نتیجه‌ای منفی منجر شده است. یافته‌های پژوهش حاکی‌اند، متغیرها به لحاظ آماری بر شاخص رفاه لگاتوم دارای تأثیر معنادار هستند. همچنین، جهت و علامت اثرگذاری متغیرها با انتظار نظری همخوانی دارد.
بحث
یافته‌های پژوهش نشان دادند هوش مصنوعی اثری دوگانه بر رفاه کشورها دارد. از یک‌سو، نفوذ هوش مصنوعی در بخش سلامت از طریق ارتقای امید به زندگی و نیز تسریع رشد اقتصادی از رهگذر افزایش درآمدها و منافع حاصل از رشد، به بهبود رفاه منجر می‌شود. از سوی دیگر، هوش مصنوعی از طریق سایر متغیرها، رفاه را به‌صورت منفی متأثر می‌کند.
نتایج حاکی است سرمایه‌گذاری همزمان در هوش مصنوعی و سرمایه انسانی، در غیاب سازوکارهای مکمل، می‌تواند به جابه‌جایی نیروی کار ماهر و تعمیق شکافهای اقتصادی منجر شده و رفاه را تضعیف کند. به‌بیان‌دیگر، در مراحل اولیه پذیرش فناوریهای هوش مصنوعی، منافع بهره‌وری عمدتاً نصیب بنگاههای بزرگ و نیروی کار ماهر می‌شود، درحالی‌که گروههای کم‌مهارت با خطر جابه‌جایی شغلی مواجه هستند؛ فرآیندی که به افزایش نابرابری درآمدی و نارضایتی اجتماعی می‌انجامد.
در این راستا، لو (2021) با استفاده از الگوی رشد درون‌زا نشان داد ورود هوش مصنوعی درصورتی‌که از مسیر ارتقای بهره‌وری و نه صرفاً جایگزینی نیروی کار صورت گیرد، می‌تواند رفاه را افزایش دهد؛ اما در سناریوی جایگزینی گسترده نیروی کار بدون سازوکارهای جبرانی مناسب، رفاه بلندمدت خانوارها کاهش خواهد یافت. اثر متقابل هوش مصنوعی و رشد اقتصادی بر رفاه منفی است. همان‌گونه که پایچ و سرکین (2025) بیان می‌کنند اگرچه هوش مصنوعی فرصتهای قابل‌توجهی برای رشد در بخشهایی نظیر سلامت و آموزش فراهم می‌آورد، اما در نبود چارچوبهای حکمرانی کارآمد و مشارکت مؤثر نهادهای علمی، می‌تواند شکافهای توسعه‌ای را تشدید کرده و رشد اقتصادی فراگیر را با چالش مواجه کند.
علاوه براین، افزایش نرخ بیکاری و تشدید نابرابری درآمدی اثر منفی بر رفاه دارند. نرخهای بالاتر بیکاری با کاهش درآمد خانوارها، افزایش نااطمینانی اقتصادی و پیامدهای روانی اجتماعی همراه بوده و درنهایت به افت کیفیت زندگی و کاهش رضایت اجتماعی منجر می‌شوند. گسترش نابرابری درآمدی ناشی از بهره‌مندی نامتوازن گروههای پردرآمد از منافع رشد اقتصادی مبتنی بر هوش مصنوعی، سطح رفاه اجتماعی را کاهش می‌دهد.
درواقع، هرچند هوش مصنوعی بهره‌وری تولید را افزایش می‌دهد، اما همزمان ساختار و سازمان تولید را نیز متحول می‌کند و با بازآرایی ترکیب نهاده‌ها و شیوه‌های تولید، اقتصاد را به سمت فعالیتهای پیچیده‌تر و ارزش‌افزوده بالاتر سوق می‌دهد. این فرایند از طریق بازتعریف نقش عوامل تولید و شکل‌گیری مدلهای جدید تولید، ظرفیت تولیدی اقتصاد را افزایش می‌دهد، اما درعین‌حال می‌تواند به تمرکز منافع اقتصادی و افزایش نابرابری درآمدی بینجامد؛ وضعیتی که درنهایت با کاهش رفاه همراه است. این یافته با نتایج سپتیاندری و همکاران (2025) همسو است که نشان داد در شرایطی که فرصتهای اقتصادی به‌صورت متمرکز توزیع می‌شوند، توسعه و کاربرد هوش مصنوعی می‌تواند نابرابری را تشدید کند.
ژانگ و ژانگ (2025) نیز نشان دادند هوش مصنوعی مولد از طریق ایجاد فرصتهای جدید رانت‌جویی و تخصیص غیربهینه منابع می‌تواند رفاه اجتماعی را کاهش دهد. درمجموع، برآیند نتایج نشان می‌دهد اثر خالص هوش مصنوعی بر رفاه در نمونه موردبررسی منفی است. به‌بیان‌دیگر، اگرچه برخی مجراها نظیر بهبود سلامت، افزایش امید به زندگی و ارتقای بهره‌وری آثار مثبتی بر رفاه دارند، اما پیامدهای توزیعی و ساختاری شامل نابرابری درآمدی، بیکاری و عدم تطابق مهارتی از وزن بیشتری برخوردار بوده و درنهایت موجب کاهش رفاه شده‌اند. یافته‌های مطالعه حاضر ضمن همخوانی با ادبیات پیشین، شواهد جدیدی درباره سازوکارهای اثرگذاری هوش مصنوعی بر رفاه ارائه می‌کند. به این معنا که هوش مصنوعی ظرفیت قابل‌توجهی برای ارتقای تولید و رفاه دارد، اما تحقق این ظرفیت مستلزم مدیریت پیامدهای توزیعی آن است.
در بسیاری از اقتصادهای پیشرفته، افزایش بهره‌وری ناشی از هوش مصنوعی می‌تواند سهم نیروی کار از درآمد ملی را کاهش دهد و در صورت فقدان سیاستهای بازتوزیعی مناسب، رفاه طبقات متوسط و کم‌درآمد را تضعیف کند. در مقابل، کاربردهای هوش مصنوعی در حوزه سلامت و خدمات اجتماعی در مطالعات مختلف به‌عنوان عاملی مؤثر در بهبود کیفیت زندگی معرفی شده‌اند. برای مثال، الگوریتمهای یادگیری عمیق از طریق تشخیص زودهنگام بیماریها و شخصی‌سازی درمان، ضمن افزایش نرخ بقای بیماران، هزینه‌های درمانی را نیز کاهش می‌دهند که این موضوع با اثر مثبت مشاهده‌شده در مطالعه حاضر سازگار است.
شواهد تجربی پژوهش حاضر نشان می‌دهد هوش مصنوعی به‌تنهایی تضمین‌کننده بهبود رفاه نیست، بلکه اثر آن به‌نحوه ادغام این فناوری با سیاستهای بازار کار، سرمایه انسانی و توزیع درآمد بستگی دارد. براین اساس، توصیه‌های سیاستی زیر قابل‌طرح است. نخست، اثر مثبت رشد اقتصادی و امید به زندگی بر رفاه نشان می‌دهد هدایت کاربردهای هوش مصنوعی به حوزه‌هایی نظیر سلامت، آموزش و خدمات اجتماعی می‌تواند بیشترین ظرفیت را برای ارتقای مستقیم رفاه فراهم کند.
دوم، اثر منفی و معنادار تعامل هوش مصنوعی با سرمایه انسانی و رشد اقتصادی بیانگر آن است که توسعه هوش مصنوعی در غیاب سیاستهای مکمل، احتمال جابه‌جایی نیروی کار و تعمیق شکافهای اقتصادی را افزایش می‌دهد؛ بنابراین، توسعه فناوریهای هوش مصنوعی، به‌ویژه در اقتصادهایی که سرمایه انسانی به‌صورت نامتوازن توزیع شده است، باید همزمان با اجرای برنامه‌های هدفمند بازآموزی، ارتقای مهارت و انطباق نیروی کار با نیازهای جدید بازار کار دنبال شود.
سوم، ضریب منفی تعامل هوش مصنوعی و نابرابری درآمدی نشان می‌دهد در نبود سیاستهای توزیعی مناسب، منافع حاصل از توسعه این فناوری به شکل نامتوازن میان گروههای مختلف جامعه توزیع شده و رفاه اجتماعی را کاهش می‌دهد. ازاین‌رو، طراحی سیاستهای حمایتی و بازتوزیعی با هدف حفاظت از گروههای آسیب‌پذیر در برابر شوکهای فناوری‌محور ضروری به نظر می‌رسد.
شایان‌ذکر است اگرچه استفاده از رویکرد پانلی پویا و متغیرهای وقفه‌دار به کاهش برخی مسائل درون‌زایی کمک می‌کند، اما نتایج این پژوهش باید به‌عنوان شواهد تجربی مبتنی بر همبستگیهای شرطی تفسیر شوند. شناسایی علی دقیق‌تر اثرات تعاملی هوش مصنوعی مستلزم بهره‌گیری از داده‌های خرد، شوکهای برون‌زا یا طراحیهای شبه‌آزمایشی است که می‌تواند موضوع پژوهشهای آتی قرار گیرد.
ملاحظات اخلاقی
پیروی از اصول اخلاقی
این پژوهش بر پایه اصول اخلاقی در پژوهشهای انسانی انجام شده است.
مشارکت نویسندگان
همه نویسندگان به‌طور یکسان در طراحی، اجرا و نگارش تمامی بخشهای این پژوهش مشارکت داشته‌اند.
تأمین مالی
این پژوهش از هیچ‌گونه حمایت مالی برخوردار نیست.
تعارض منافع
نویسندگان اعلام می‌کنند که هیچ‌گونه تعارض منافعی مرتبط با محتوای این مقاله وجود ندارد.
قدردانی و تشکر
نویسندگان از داوران ناشناس به سبب ارائه دیدگاهها و نظرات سازنده که نقش مهمی در بهبود این پژوهش داشته است، قدردانی می‌کنند.
منابع
Acemoglu, D. (2025). The simple macroeconomics of AI. Economic Policy, 40(121), 13-58. https://doi.org/10.1093/epolic/eiae042.
Acemoglu, D., & Restrepo, P. (2019). Automation and new tasks: How technology displaces and reinstates labor. Journal of Economic Perspectives, 33(2), 3-30. https://doi.org/10.1257/jep.33.2.3.
Arellano, M., & Bond, S. (1991). Some tests of specification for panel data: Monte Carlo evidence and an application to employment equations. The Review of Economic Studies, 58(2), 277-297. https://academic.oup.com/restud/article-abstract/58/2/277/1563354.
Autor, D., Dorn, D., Katz, L. F., Patterson, C., & Van Reenen, J. (2020). The fall of the labor share and the rise of superstar firms. The Quarterly Journal of Economics, 135(2), 645-709. http://hdl.handle.net/10.1093/qje/qjaa004.
Autor, D. H., Levy, F., & Murnane, R. J. (2003). The skill content of recent technological change: An empirical exploration. The Quarterly Journal of Economics, 118(4), 1279-1333. http://hdl.handle.net/10.1162/003355303322552801.
Bahamazava, K. (2024). Modelling of economic implications of bias in AI-powered health emergency response systems. arXiv preprint arXiv:2410.20229. https://arxiv.org/abs/2410.20229.
Bond, S. R. (2002). Dynamic panel data models: A guide to micro data methods and practice. Portuguese Economic Journal, 1(2), 141–162. https://doi.org/10.1007/s10258-002-0009-9.
Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889-942. https://doi.org/10.1093/qje/qjae044.
Comunale, M., & Manera, A. (2024). The economic impacts and the regulation of AI: A review of the academic literature and policy actions. Working Paper No. 065.https://doi.org/10.5089/9798400268588.001.
Kawakami, A., Sivaraman, V., Cheng, H.-F., Stapleton, L., Cheng, Y., Qing, D., Perer, A., Wu, Z. S., Zhu, H., & Holstein, K. (2022). Improving human-AI partnerships in child welfare: understanding worker practices, challenges, and desires for algorithmic decision support. Proceedings of the 2022 CHI Conference on Human Factors in Computing Systems, No. 52, 1-18. https://doi.org/10.1145/3491102.3517439.
Lu, C. H. (2021). The impact of artificial intelligence on economic growth and welfare. Journal of Macroeconomics, 69, 103342. https://doi.org/10.1016/j.jmacro.2021.103342.
Obermeyer, Z., Powers, B., Vogeli, C., & Mullainathan, S. (2019). Dissecting racial bias in an algorithm used to manage the health of populations. Science, 366(6464), 447-453. https://doi.org/10.1126/science.aax2342.
Paić, G., & Serkin, L. (2025). The impact of artificial intelligence: from cognitive costs to global inequality. The European Physical Journal Special Topics, 234, 3045-3050. https://doi.org/10.1140/epjs/s11734-025-01561-8.
Qiang, S. (2025). Intelligent Social Welfare: How AI Optimizes Social Assistance, elderly care, and healthcare systems. Digital Society & Virtual Governance, 1(1), 17-32. https://doi.org/10.6914/dsvg.010102.
Septiandri, A., Constantinides, M., & Quercia, D. (2025). AI and the economic divide: how artificial intelligence could widen the divide in the US. European Physical Journal Data Science, 14(33), 1-13. https://doi.org/0.1140/epjds/s13688-025-00547-9.
Vredenburg, J., Kapitan, S., & Jang, S. (2024). Service mega-disruptions: a conceptual model and research agenda. Journal of Services Marketing, 38(1), 131-144. https://doi.org/10.1108/JSM-01-2023-0025.
Wadhwani AI. (2024). Annual Report 2024. Wadhwani AI. https://www.lehsindia.org/wp-content/uploads/2025/12/Wadhwani_Annual-Report_2024_.pdf
Zhang, Y., & Zhang, T. (2025). AI-enabled rent-seeking: how generative AI alters market transparency and efficiency. arXiv preprint arXiv:2502.12956. https://doi.org/10.48550/arXiv.2502.12956.
Zheng, S., Trott, A., Srinivasa, S., Naik, N., Gruesbeck, M., Parkes, D. C., & Socher, R. (2020). The AI economist: improving equality and productivity with ai-driven tax policies. arXiv preprint arXiv:2004.13332. https://doi.org/10.48550/arXiv.2004.13332.
Acemoglu, D., & Restrepo, P. (2019). Automation and new tasks: How technology displaces and reinstates labor. Journal of Economic Perspectives, 33(2), 3-30. https://doi.org/10.1257/jep.33.2.3.
Arellano, M., & Bond, S. (1991). Some tests of specification for panel data: Monte Carlo evidence and an application to employment equations. The Review of Economic Studies, 58(2), 277-297. https://academic.oup.com/restud/article-abstract/58/2/277/1563354.
Autor, D., Dorn, D., Katz, L. F., Patterson, C., & Van Reenen, J. (2020). The fall of the labor share and the rise of superstar firms. The Quarterly Journal of Economics, 135(2), 645-709. http://hdl.handle.net/10.1093/qje/qjaa004.
Autor, D. H., Levy, F., & Murnane, R. J. (2003). The skill content of recent technological change: An empirical exploration. The Quarterly Journal of Economics, 118(4), 1279-1333. http://hdl.handle.net/10.1162/003355303322552801.
Bahamazava, K. (2024). Modelling of economic implications of bias in AI-powered health emergency response systems. arXiv preprint arXiv:2410.20229. https://arxiv.org/abs/2410.20229.
Bond, S. R. (2002). Dynamic panel data models: A guide to micro data methods and practice. Portuguese Economic Journal, 1(2), 141–162. https://doi.org/10.1007/s10258-002-0009-9.
Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889-942. https://doi.org/10.1093/qje/qjae044.
Comunale, M., & Manera, A. (2024). The economic impacts and the regulation of AI: A review of the academic literature and policy actions. Working Paper No. 065.https://doi.org/10.5089/9798400268588.001.
Kawakami, A., Sivaraman, V., Cheng, H.-F., Stapleton, L., Cheng, Y., Qing, D., Perer, A., Wu, Z. S., Zhu, H., & Holstein, K. (2022). Improving human-AI partnerships in child welfare: understanding worker practices, challenges, and desires for algorithmic decision support. Proceedings of the 2022 CHI Conference on Human Factors in Computing Systems, No. 52, 1-18. https://doi.org/10.1145/3491102.3517439.
Lu, C. H. (2021). The impact of artificial intelligence on economic growth and welfare. Journal of Macroeconomics, 69, 103342. https://doi.org/10.1016/j.jmacro.2021.103342.
Obermeyer, Z., Powers, B., Vogeli, C., & Mullainathan, S. (2019). Dissecting racial bias in an algorithm used to manage the health of populations. Science, 366(6464), 447-453. https://doi.org/10.1126/science.aax2342.
Paić, G., & Serkin, L. (2025). The impact of artificial intelligence: from cognitive costs to global inequality. The European Physical Journal Special Topics, 234, 3045-3050. https://doi.org/10.1140/epjs/s11734-025-01561-8.
Qiang, S. (2025). Intelligent Social Welfare: How AI Optimizes Social Assistance, elderly care, and healthcare systems. Digital Society & Virtual Governance, 1(1), 17-32. https://doi.org/10.6914/dsvg.010102.
Septiandri, A., Constantinides, M., & Quercia, D. (2025). AI and the economic divide: how artificial intelligence could widen the divide in the US. European Physical Journal Data Science, 14(33), 1-13. https://doi.org/0.1140/epjds/s13688-025-00547-9.
Vredenburg, J., Kapitan, S., & Jang, S. (2024). Service mega-disruptions: a conceptual model and research agenda. Journal of Services Marketing, 38(1), 131-144. https://doi.org/10.1108/JSM-01-2023-0025.
Wadhwani AI. (2024). Annual Report 2024. Wadhwani AI. https://www.lehsindia.org/wp-content/uploads/2025/12/Wadhwani_Annual-Report_2024_.pdf
Zhang, Y., & Zhang, T. (2025). AI-enabled rent-seeking: how generative AI alters market transparency and efficiency. arXiv preprint arXiv:2502.12956. https://doi.org/10.48550/arXiv.2502.12956.
Zheng, S., Trott, A., Srinivasa, S., Naik, N., Gruesbeck, M., Parkes, D. C., & Socher, R. (2020). The AI economist: improving equality and productivity with ai-driven tax policies. arXiv preprint arXiv:2004.13332. https://doi.org/10.48550/arXiv.2004.13332.
[1]. Brynjolfsson
[2]. Qiang
[3]. Acemoglu
[4]. legatum prosperity index
[5]. Zheng
[6]. Kawakami
[7]. Autor
[8]. Acemoglu and Restrepo
[9]. Comunale and Manera
[10]. Zhang and Zhang
[11]. Obermeyer
[12]. Bahamazava
[13]. Wadhwani
[14]. Vredenburg
[15]. Lu
[16]. AI agents
[17]. Paić and Serkin
[18]. Septiandri
[19]. https://hai.stanford.edu/ai-index/2025-ai-index-report
[20]. AI index
[21]. venture capital
[22]. private equity
[23]. Bond
[24]. Arellano Bond
[25]. Sargan
[26]. time fixed effects
[27]. marginal effect
نوع مطالعه: اصیل |
موضوع مقاله:
رفاه اجتماعی
دریافت: 1404/6/6 | پذیرش: 1405/2/15 | انتشار: 1405/3/10
دریافت: 1404/6/6 | پذیرش: 1405/2/15 | انتشار: 1405/3/10
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
تماس با ما
فصلنامه رفاه اجتماعی
تهران، اوین، بلوار دانشجو، خ کودکیار، دانشگاه علوم توانبخشی و سلامت اجتماعی، ساختمان فارابی
تلفن دفتر نشریه: 02171732851
وب سایت: http://refahj.uswr.ac.ir
ایمیل: refahj@uswr.ac.ir
