Sino ang makikinabang sa hinaharap?

Sa loob lamang ng ilang dekada matapos ang trabaho ni Gutenberg sa Mainz, kumalat na sa buong Europe ang mga printing press. Murang nakapagpapalawak ng kaalaman ang teknolohiya, ngunit kailangan pa rin ng lipunan ng mga mambabasa, paaralan, publisher at mga administrasyong may kakayahang gawing kapaki-pakinabang sa ekonomiya ang mas murang impormasyon.

Mas mabilis kumalat ang teknolohiya kaysa sa kakayahan ng mga tao at institusyon na gamitin ito. Maaaring ganito rin ang nangyayari ngayon sa artificial intelligence (AI).

Ipinapakita ng bagong datos mula sa Anthropic, isang American AI company, ang hindi pagkakapantay ng paggamit sa Claude model nito kung ihahambing sa laki ng populasyon. Bahagyang saklaw lamang ng datos ang sitwasyon dahil isang provider lamang ang inilalarawan nito at hindi ang kabuuan ng paggamit ng artificial intelligence.

Ipinapahiwatig ng pinakabagong datos ng Anthropic na hindi pantay ang paglaganap ng paggamit ng AI. Ang 20 bansang may pinakamataas na per-capita use ng Claude ay umabot sa 48% ng population-adjusted global usage noong Pebrero 2026, mula sa 45% sa nakaraang ulat.

Sa loob naman ng Estados Unidos, kabaligtaran ang naging takbo. Bumaba mula 30%, sa 24% ang bahagi ng per-person use na nagmumula sa limang state na may pinakamataas na paggamit sa pagitan ng Agosto 2025 at Pebrero 2026.

Ibig sabihin, maaaring lumawak ang paggamit ng AI sa loob ng isang ekonomiya habang lalo naman itong nagiging concentrated sa pagitan ng mga bansa. Dito mahalagang magkaroon ng isang kapaki-pakinabang na pagkakaiba.

May access gap, adoption gap at absorption gap. Ang access gap ay tungkol sa kung sino ang may kakayahang makakuha ng teknolohiya. Ang adoption gap naman ay kung sino ang aktuwal na gumagamit nito. Samantala, ang absorption gap ay tumutukoy sa kung sino ang may kakayahang baguhin ang trabaho, kapital at mga institusyon upang sapat na magamit ang teknolohiya at makalikha ng pangmatagalang pakinabang sa ekonomiya. Maaaring ang ikatlo ang pinakamahalaga.

Nakakita na ang mga ekonomista ng ganitong mga sitwasyon noon. Ang electricity, computing at iba pang general-purpose technologies ay naghatid ng pinakamalalaking pakinabang nang sabayan lamang ang mga ito ng complementary capital—mga bagong kasanayan, imprastraktura, proseso at paraan ng organisasyon.

Hindi agad binago ng kuryente ang manufacturing dahil lamang pinalitan ng mga pabrika ang steam engine ng electric motors. Mas malaki ang naging pakinabang nang muling idisenyo ang mga pabrika upang gumamit ng distributed power.

Ganito rin ang nangyari sa computing. Bumili muna ng mga computer ang mga kumpanya at ilang taon ang lumipas bago nila binago ang software, skills at workflows upang umangkop dito.

Sa madaling salita, bahagi lamang ng capital stock ang makina. Ang natitira ay institutional.

Mahalaga ito dahil mas mabagal mag-adjust ang mga institusyon kaysa sa pag-unlad ng teknolohiya. Mabilis ma-deploy ang isang bagong AI model. Ngunit maaaring abutin ng ilang taon bago mabago ang reporting lines, incentives, procurement rules, skills at nakasanayang paraan ng pagtatrabaho. Ito ay maaaring tawaging absorption gap.

Maraming halimbawa nito sa kasaysayan ng ekonomiya. Nakabuo ang Imperial China ng mahahalagang teknolohiya bago pa man ang industriyalisasyon sa north-western Europe, ngunit hindi awtomatikong nagbunga ang technological precedence nito ng Industrial Revolution.

Sa kabilang banda, isa pang halimbawa ang Japan matapos ang Meiji Restoration. Hindi nito inimbento ang mga teknolohiyang naging pundasyon ng industriyalisasyon noong ika-19 na siglo. Sa halip, itinayo nito ang educational, administrative, at physical infrastructure na kailangan upang matagumpay na ma-absorb ang mga teknolohiyang iyon.

Ang aral ay hindi nangangahulugang mas mahalaga ang mga institusyon kaysa sa teknolohiya. Ang punto ay bihirang makalikha ang teknolohiya ng pinakamalaking pakinabang kapag ginagamit ito nang mag-isa. Lalong mahalaga ang pagkakaibang ito sa AI dahil madaling mailipat at magamit ang mga advanced model. Para sa mga bansa at kumpanyang may kakayahang makakuha ng mga ito, maaaring unti-unting mawalan ng saysay ang access bilang sukatan ng competitive advantage.

Mas mahirap kopyahin ang mga kinakailangang katuwang ng teknolohiya: maaasahang data, skilled workers, managerial competence, redesigned workflows at mga sistema ng accountability. Ganito rin ang lohika sa loob ng mga kumpanya.

Ang pagbibigay sa mga empleyado ng access sa isang chatbot ay adoption. Ngunit ang muling pagdidisenyo ng trabaho upang AI ang gumawa ng bahagi ng analysis, habang bine-verify ng mga tao ang mahahalagang resulta, naiiba ang daloy ng impormasyon sa organisasyon at nananatiling malinaw kung sino ang responsable—iyon ang absorption.

Binabago ng una ang tool. Binabago naman ng ikalawa ang buong kumpanya. Dahil dito, maaaring pareho lamang ang AI model na ginagamit ng dalawang kumpanya ngunit lubhang magkaiba ang resulta. Maaaring idagdag lamang ng isang kumpanya ang AI sa kasalukuyang workflow at makakuha ng kaunting dagdag na efficiency.

Samantala, maaaring muling idisenyo ng isa pang kumpanya ang buong proseso ng trabaho gamit ang AI, baguhin ang hatian ng trabaho sa pagitan ng tao at makina at paikliin ang decision-making cycles. Pareho ang teknolohiya. Magkaiba ang organisasyon.

Dahil dito, lumilikha ang AI ng kakaibang economic race. Maaaring kumilos ang supply side sa bilis ng software, ngunit ang demand side ay gumagalaw pa rin sa bilis ng mga institusyon.

Ipinapakita ng mga usage statistics ngayon kung saan nagaganap ang experimentation. Ngunit mas kaunti ang sinasabi nito tungkol sa kung sino ang makakakuha ng pinakamalalaking pakinabang.

Nakadepende ang mga pakinabang na iyon sa kung aling mga kumpanya ang kayang muling idisenyo ang kanilang mga sarili, kung aling mga manggagawa ang makakakuha ng mga bagong kasanayan at kung aling mga institusyon ang matututong magbago bago muling magbago ang teknolohiya.

Maaaring hindi na maging scarce resource ang capable AI models sa hinaharap. Ngunit maaaring manatiling kakaunti ang mga institusyong may kakayahang lubusang gamitin at i-absorb ang mga ito.

- Ilija Tozija. Siya ang Vice President ng Technology & Innovation sa The Group Hospitality, isang hospitality group na nakabase sa New York City, kung saan pinamumunuan niya ang technology at AI transformation ng kumpanya. May mahigit 15 taon siyang karanasan sa governance at risk management para sa malalaking capital programme, na may pinagsama-samang halaga na mahigit $1 bilyon sa sektor ng enerhiya, teknolohiya at imprastraktura sa EU, UK, US at Canada, kabilang ang mga pangunahing capital works kasama ang Mace Group.

Nakapaghatid na rin siya ng payo sa mga public at private stakeholder para sa mga proyektong pinondohan ng International Financial Institutions (IFI). Nag-aral siya sa University of Oxford at Vienna University of Economics and Business.

Disclaimer: Ang mga pananaw na ipinahayag ng may-akda ay kanya lamang at hindi sa anumang paraan kumakatawan sa pananaw ng Sari Story.