AI-paradokset: Mer produktivitet, lavere multipler

Søndag publiserte Citrini Research en rapport kalt The 2028 Global Intelligence Crisis. Den ble beskrevet som et hypotetisk scenario – ikke en spådom. Formålet var å utforske risikoer knyttet til en verden der agentisk kunstig intelligens blir økonomisk dominerende.

Virkningene av rapporten ble langt mer enn akademiske. Den sendte sjokkbølger i markedet, særlig i sektorer som programvare – SaaSpocalypse Redux – og intermedierende tjenester (tenk DoorDash, Uber Eats, eller American Express).

Dette har skapt behovet for en mer analytisk diskusjon om hvilke antagelser som ligger til grunn, hva som faktisk er sannsynlig, og hvilke konsekvenser det kan ha for verdivurdering i aksjemarkedet.

Hva Citrini faktisk argumenterer for

Citrini sier ikke at “alle jobber forsvinner i morgen”. Rapporten er ikke en teknologideterministisk undergangsprofeti. Det er et makroøkonomisk tankeeksperiment om hva som kan skje dersom kunstig intelligens når et nivå der den i stor skala kan erstatte kognitivt arbeid.

Utgangspunktet er en verden der agentisk AI – autonome systemer som kan planlegge, utføre og koordinere oppgaver uten kontinuerlig menneskelig styring – blir bredt tilgjengelig og kommersielt anvendelig. Ikke bare som støtteverktøy, men som faktisk erstatning for analytikere, jurister, utviklere, konsulenter, kundeservicearbeidere og store deler av administrativt arbeid.

På bedriftsnivå er dynamikken rasjonell og nesten uunngåelig. Hvis en AI-agent kan utføre arbeidet til tre ansatte raskere, billigere og med færre feil, vil selskapet som tar den i bruk få et konkurransefortrinn. Marginene styrkes. Kostnadsbasen faller. Aksjonærene belønnes. Konkurrentene tvinges til å følge etter.

Problemet oppstår når denne rasjonelle mikrotilpasningen skjer samtidig over hele økonomien. Det er i denne sammenhengen begrepet “ghost GDP” introduseres.

Citrinis hypotese er at dersom AI-adopsjonen skjer raskere enn nye sektorer og inntektsmuligheter vokser frem, kan lønnsandelen i økonomien falle betydelig på relativt kort tid. Husholdningenes primære inntektskilde – arbeid – svekkes. Samtidig fortsetter produksjonen å øke, fordi maskiner og algoritmer holder hjulene i gang.

Resultatet kan bli en situasjon der selskaper rapporterer rekordmarginer og høy produktivitet, mens arbeidsmarkedet kollapser. Etterspørselen svekkes ikke fordi økonomien ikke produserer, men blir strukturelt svak fordi færre mennesker mottar lønn som kan omsettes i konsum. Finansmarkedene, som er bygget på forventninger om varige kontantstrømmer fra en konsumdrevet økonomi, kan da bli ustabile.

Dette er ikke en prediksjon om total kollaps. Det er en advarsel om at tempoet i AI-adopsjonen kan overstige systemets evne til å absorbere omstillingen.

Spørsmålet er om denne koblingsbristen mellom produksjon og inntekt faktisk kan oppstå i den formen Citrini beskriver – eller om det finnes mekanismer som automatisk motvirker den.

Hullet i Citrinis tese

Robert Armstrongs i Financial Times avviser ikke at AI kan bli dypt disruptiv. Det han avviser, er Citrinis premiss om «ghost GDP». Når økonomien produserer en vare eller tjeneste med verdi 100, må det samtidig eksistere en motpost på 100 et sted i systemet – enten som lønn, overskudd, rente, utbytte eller skatteinntekt.

Nasjonalregnskapets ligning er enkel: Y = C + I + G + (X − M)

Øker BNP, må enten konsum, investeringer, offentlig etterspørsel eller nettoeksport øke tilsvarende.

Armstrongs poeng er derfor at Citrini beskriver et fordelingsproblem, ikke et måleproblem. Faller lønnsandelen og marginene øker, stiger kapitalinntektene. Presses priser ned, øker real kjøpekraft. Hvis staten griper inn, kan skatter og overføringer redistribuere inntekten. 

Empirisk er AI-boomens motpost åpenbar: investeringer. Bare i 2026 anslås Big Techs AI-relaterte kapitalinvesteringer til over 650 milliarder dollar. Det er to harde prosent av amerikansk bruttonasjonalprodukt – ikke et spøkelse.

På slutten av 1800-tallet økte kapitalens andel kraftig under industrialiseringen. På 1980- og 1990-tallet steg den igjen under globalisering og finansialisering. I begge tilfeller førte det til politisk spenning – men ikke til at BNP ble spøkelsesaktig.

Likevel, hvis kapitalinntektene i økende grad konsentreres hos et lite antall aktører med lav marginal konsumtilbøyelighet, kan etterspørselsstrukturen endres dramatisk selv om BNP øker. En milliardær med 100 milliarder i AI-generert overskudd konsumerer ikke proporsjonalt mer enn en middelklassehusholdning. Ulikhetene kan bli ekstreme.

Citadel kontra Citrini

Også Citadel Securities har kastet seg inn i debatten. I et notat argumenterer hedgefondgiganten for at dommedagsnarrativet hviler på en overvurdering av både tempo og omfang i AI-adopsjonen.

Citadel peker på harde data: Arbeidsledigheten er lav, stillingsutlysninger for programvareingeniører øker tosifret år over år, og realtidsdata fra St. Louis Fed viser ingen eksplosiv økning i daglig bruk av generativ AI i arbeidssammenheng. Teknologi kan være rekursiv – den forbedrer seg selv – men økonomisk implementering følger historisk en S-kurve, ikke en eksponentiell linje. Organisatorisk integrasjon, regulering, energitilgang og fysisk kapital setter grenser.

Som Robert Armstrong i Financial Times peker også Citadel på at et vedvarende scenario med stigende produksjon og kollapsende etterspørsel rett og slett ikke henger på greip makroøkonomisk, det bryter med nasjonalregnskapets logikk.

For at AI skal utløse en strukturell resesjon må man anta nær total substitusjon av arbeidskraft kombinert med fravær av investering, finanspolitisk respons eller ekstern etterspørsel – en kombinasjon Citadel mener fremstår lite sannsynlig, med henvisning til den eksplosive økningen i ny bedriftsetablering i USA etter pandemien.

Videre understreker Citadel at substitusjonselastisiteten mellom AI-kapital og arbeidskraft ikke er ubegrenset. Selv om algoritmene forbedres raskt, krever utrulling betydelig datakraft, energi og infrastruktur. Dersom marginalkostnaden for compute stiger når etterspørselen øker, vil det sette en naturlig økonomisk grense for hvor langt og hvor raskt arbeidskraft kan erstattes. 

Eller sagt mer direkte: Det finnes et punkt der mennesker er villige til å gjøre arbeid for lavere lønn enn det koster å automatisere det.

Citadel trekker også frem John Maynard Keynes’ berømte essay fra 1930, hvor han spådde at produktivitetsveksten ville redusere arbeidsuken til 15 timer. Produktivitetsveksten kom. 15-timersuken gjorde det ikke. I stedet valgte samfunnet å arbeide mer for å konsumere mer. Produktivitet øker ikke nødvendigvis fritiden – den utvider forbrukets mulighetsrom. Vanlige folk i dag har et forbruk som selv en 1920-talls overklassehedonist som Keynes ikke ville hatt i sin villeste fantasi. 

For den økonomiske veksten har Citadel et langt mer nøkternt syn enn tekno-optimister som ARK Invest, som preker om 7 prosent BNP-vekst og roboter for alle – som vil skape verdi tilsvarende en årsinntekt.

Citadel viser i stedet til at det samme mønsteret gikk igjen for alle de store teknologibølgene gjennom det 20. århundret. Om det var elektrifisering, masseproduksjon, datamaskiner eller internett. Ingen skapte eksponentiell hypervekst. De var “bare” kraftige nok til å holde trendveksten i avanserte økonomier rundt 2 prosent årlig – en i historiens lange løp bemerkelsesverdig stabil og høy vekstrate. Teknologirevolusjonene gjorde ikke arbeidskraft overflødig. Kanskje kan AI gjøre det samme, og ha akkurat sterk nok effekt til å motvirke eldrebølge, regulering og strukturelle motkrefter.

Jevons-paradokset

William Stanley Jevons observerte på 1800-tallet at når kull ble brukt mer effektivt gjennom bedre dampmaskiner, falt ikke kullforbruket – det økte. Effektivitet senker kostnader, lavere kostnader øker bruk.

Selv om AI dramatisk reduserer kostnaden ved å utvikle programvare, betyr ikke det nødvendigvis at behovet for utviklere kollapser. Det kan tvert imot bety at vi får mer og bedre programvare enn tidligere. 

Hver teknologiske revolusjon – mekanisering, elektrifisering, masseproduksjon, digitalisering – har blitt ledsaget av frykt for varig arbeidsledighet og sosial kollaps. I praksis har de utløst nye sektorer og nye jobber.

En ting er likevel annerledes i AI-revolusjonen. Tidligere produktivitetsrevolusjoner økte i stor grad produktiviteten i fysisk produksjon og transport. De forsterket menneskelig arbeid. AI retter seg direkte mot kognitiv koordinering – som en potensiell substitutt for menneskelig hjernekraft. 

Tekno-optimistene vender gjerne et blindt øye til at teknologisk fremgang ofte har ført til stor omveltning og lidelse i overgangsfasene. Og selv om nye jobber ble skapt, var det for nye kohorter av arbeidere. Mange av de som ble arbeidsledige, forble arbeidsledige, og ble aldri "omskolert" – slik Robert Gordon dokumenterer i sin murstein The Rise and Fall of American Growth. 

Jevons-paradokset kan dessuten slå ulikt ut avhengig av hvem som eier produktiviteten. Hvis én utvikler med AI kan gjøre arbeidet til ti, må etterspørselen øke tilsvarende for å opprettholde sysselsettingen. Hvis ikke, får vi en effektivisering som primært øker kapitalens andel.

Kapitalismen har historisk vært bemerkelsesverdig adaptiv. Men historien viser også at store teknologiske skifter ofte ledsages av fordelingskonflikter før et nytt likevektspunkt etableres.

Produktivitetsrevolusjon – eller klassisk malinvestering?

En mer strukturell måte å analysere AI-boomen på er å kombinere nasjonalregnskapet med kapitalteorien til Ludwig von Mises og Friedrich Hayek.

AI har åpenbart løftet I'en i nasjonalregnskapet. Men for at en investeringsbølge skal være bærekraftig må den, før eller siden, materialisere seg som høyere C – enten gjennom høyere lønn, lavere priser eller nye varer og tjenester husholdninger faktisk er villige til å betale for.

Det er her den østerrikske skolens problemstilling melder seg. Hos Mises og Hayek oppstår malinvestering når kapital allokeres på grunnlag av forventninger som ikke forankres i reell etterspørsel. Lave renter og rikelig kreditt kan forlenge og forstørre investeringer som virker lønnsomme så lenge optimismen varer, men som senere viser seg å være bobler. 

AI-investeringene kan passe inn i et slikt mønster – ikke fordi teknologien er illusorisk, men fordi kapitalvolumet som mobiliseres forutsetter en betalingsvilje som ennå ikke er bevist.

Ta Nvidia. Selskapet leverer historisk høye marginer på 75 prosent ved å selge brikker til datasentre. Spørsmålet er om de som kjøper brikkene faktisk genererer lønnsomhet som forsvarer investeringen. Hvis hyperscalere og oppstartsbedrifter bruker titalls milliarder på regnekraft uten robuste forretningsmodeller, får vi en forskyvning i kontantstrøm: leverandøren realiserer gevinst nå, kunden håper på gevinst senere.

Foreløpig selger Nvidia AI-brikker som varmt hvetebrød. Men de færreste av kundene har funnet måter å faktisk tjene penger på AI-brikkene de kjøper. 

Det er ikke ulikt tidligere infrastruktursykluser hvor kapasitet ble bygget raskere enn betalingsvilligheten utviklet seg. Teknologien var reell. Avkastningen ble likevel svak.

Ser vi på de store språkmodellene, er bildet ikke entydig. De har enorme brukerbaser, men mye av trafikken er gratis. Konverteringen til betalende abonnement er begrenset, hyperbrukere forbruker mer enn de betaler for og kostnadsstrukturen er tung. Når også disse aktørene vender blikket mot reklame som inntektsmodell, kan det tolkes som at direkte betalingsvilje ikke matcher investeringsnivået.

Dermed står vi igjen med et makroøkonomisk spørsmål: Vil AI-investeringene faktisk øke husholdningenes kjøpekraft og konsum, eller er vi i en fase hvor investeringskomponenten blåses opp før sluttetterspørselen er moden?

Hvis produktivitetsgevinsten blir bred, og realinntektene stiger, vil I naturlig transformeres til høyere C. Hvis ikke, risikerer vi at deler av dagens kapitalinvesteringer fremstår som overdimensjonert når avkastningen skal realiseres.

Det er i denne overgangen Mises og Hayek ville ha pekt på faren. Ikke at teknologien er feil. Men at kapitalstrukturen kan være bygget på forventninger som ikke fullt ut er testet mot markedets betalingsvilje.

AI kan være den mest transformative teknologien på flere tiår. Men det utelukker ikke at det samtidig er en boble. Og om historien er noen guide, jo mer transformativ en ny teknologi er, desto flere av bedriftene som satser på den går konkurs. Det har vi sett fra jernbaner, bilindustrien, radio- og dotcom-boblen. 

Spørsmålet er ikke om AI øker verdiskapningen. Spørsmålet er om verdiskapningen noen gang blir til betaling.

Knightiansk usikkerhet og reprising av fremtiden

For aksjemarkedet er det avgjørende spørsmålet ikke om AI øker produktiviteten. Det avgjørende er hvordan AI endrer sannsynlighetsfordelingen for fremtidige kontantstrømmer.

Her er det nyttig å hente frem økonomen Frank Knight. Han skilte mellom risiko – som kan kvantifiseres og prises – og usikkerhet, som ikke kan det. Risiko handler om kjente utfall med kjente sannsynligheter. Knightiansk usikkerhet handler om at selve utfallsrommet kan endre seg.

AI representerer ikke bare høyere volatilitet innenfor et kjent regime. Den representerer muligheten for regimeskifte.

For mange høymultippels SaaS- og vekstselskaper utgjør terminalverdien en dominerende del av dagens verdsettelse. Investorene betaler i liten grad for de neste to–tre års kontantstrømmer. De betaler for en implisitt antagelse om varighet – at selskapet vil eksistere, dominere og generere supernormal avkastning langt frem i tid.

Når AI introduserer strukturell usikkerhet, skjer det noe mer subtilt enn at inntjeningen svinger mer fra kvartal til kvartal. Sannsynlighetsfordelingen blir tykkere i halene. Det blir mer sannsynlig både at enkelte selskaper lykkes spektakulært – og at de blir irrelevante.

Når en større andel av mulige fremtidige utfall innebærer at virksomheten i siste instans kan bli verdiløs, faller nåverdien. Det avgjørende er ikke at nullutfall er blitt hovedscenarioet, men at vektingen av nullutfall innenfor den samlede sannsynlighetsfordelingen har økt.

I selskaper der 60–70 prosent – og ofte mer – av verdien ligger i terminalleddet, er selv en moderat økning i denne vektingen nok til å knuse multippelen. Markedet trenger ikke å prise kollaps i morgen for at kursene skal falle i dag. Det holder at sannsynligheten for at kontantstrømmen i 2035 ikke eksisterer, øker fra lav til moderat.

Dette er særlig relevant for SaaS-modellen, som i stor grad har bygget på antagelser om varig lock-in gjennom byttekostnader, integrasjonskompleksitet og organisatorisk friksjon. Hvis AI reduserer utviklingskostnader og gjør det enklere å replikere funksjonalitet, kan disse barrierene svekkes. Virksomhetens forventede varighet blir kortere, selv om inneværende kvartal leverer solid vekst.

Når usikkerheten er av Knightiansk type – altså ikke bare høyere risiko innenfor et kjent regime – øker avkastningskravet. Varighet verdsettes lavere. Kontantstrøm i dag verdsettes høyere enn løfter om dominans om ti år.

Dette er ikke et dommedagsscenario. Det er en overgang fra en stabil vekstregimeprising til en mer binær og usikker verdsettelsesverden.