AI as a General Purpose Technology

AI is widely argued to be the most consequential general purpose technology (GPT) in history — one that may automate not just physical or narrow cognitive tasks, but intelligence itself.

What It Is

Economic historians classify technologies as “general purpose” when their transformative effects extend throughout the economy — enabling innovations in many sectors rather than just one. Electricity, the steam engine, semiconductors, and the internet are canonical examples. AI fits this mould, but with a potentially critical difference: previous GPTs replaced humans in physical tasks or narrow cognitive tasks, making human intelligence more valuable in complementary roles. AI threatens to automate the cognitive residual itself — any task a human can do on a computer.

Charles Jones (Stanford GSB, Jan 2026) presents two extreme scenarios: (1) AI accelerates economic growth dramatically, potentially reaching “a country of geniuses in a data center” (Amodei’s phrase) that raises R&D productivity across all fields; (2) AI is “business as usual,” simply being the latest GPT that sustains the US economy’s long-run 2% per year growth trend rather than raising it. Jones argues both scenarios are plausible, and the future lies somewhere between them.

Why It Matters (for the Economy)

The GPT framing carries two important lessons from economic history that temper both excessive optimism and pessimism. First, past GPTs did raise growth rates — but primarily by preventing growth from slowing, not by creating hockey-stick acceleration. Second, diffusion takes decades: the productivity payoff from electricity took 40 years to show up in factory output data. The “AI productivity paradox” — strong AI capabilities but muted macroeconomic impact so far — may simply reflect normal diffusion lag rather than a fundamental flaw. If so, the meaningful question is not whether AI matters, but when its impact will become visible in GDP statistics.

The most radical pathway involves recursive self-improvement: AI models raising the productivity of AI researchers, who build better models, creating a feedback loop that could compress decades of innovation into years. Jones notes the METR time horizon measure (how long it takes AI to complete engineering tasks with 50% success) is doubling every ~7 months overall (post-2023 pace ~4.3 months). 📅 NOTE: Jones’s paper cited ~5–7 months; subsequent METR TH1.1 data (Feb 2026) confirmed the post-2023 rate at ~4.3 months. See Evidence section for current values.

Evidence & Examples

  • US GDP per capita has grown at ~2% per year for 150 years despite transformative innovations including electricity, semiconductors, and the internet — suggesting GPTs sustain growth rather than accelerate it (Jones 2026, AIandEconomicFuture.pdf)
  • Epoch AI estimates “effective compute” used to train AI models is rising 10x annually (4x from better chips, 2.5x from better algorithms), with rapid capability improvements as result (AIandEconomicFuture.pdf)
  • 📅 UPDATED: Claude Opus 4.6 (not 4.5) now holds the top METR time horizon score: 14.5 hours for 50% task success as of Feb 21, 2026, per METR TH1.1. Jones’s Jan 2026 paper cited ~5 hours, which was already superseded by the TH1.1 update published the same month. (AIandEconomicFuture.pdf, METR TH1.1)
  • AlphaFold solved the protein folding problem — demonstrating AI already contributes to scientific discovery at a Nobel-Prize level (AIandEconomicFuture.pdf)
  • 📅 FLAG #15 (May 8, 2026) — Mythos Preview METR ≥16h adds real-world corroboration for accelerating GPT framing: METR officially added Claude Mythos Preview to its time-horizons page on May 8, 2026, confirming a 50% time horizon of ≥16 hours. Real-world corroboration: Mozilla Firefox’s team used Mythos Preview to fix 423 bugs in April 2026 vs. a prior monthly average of 17–31 bugs, including decades-old multi-component vulnerabilities. The LessWrong capability analysis estimates this jump represents ~8 months of prior-trend progress delivered in ~2 months (4.28× speedup factor). This strengthens the accelerating-growth scenario over the business-as-usual scenario in Jones’s two-scenario framing — but also tightens the “weak links” problem (human complementary tasks become bottlenecks sooner). [metr.org/time-horizons/; officechai.com; forecastingaifutures.substack.com]
  • David (1990) showed the steam engine and electric motor both took 40+ years for their productivity impact to appear in statistics — supporting diffusion-lag interpretation of current AI productivity data (AIandEconomicFuture.pdf)

Tensions & Open Questions

  • The weak-links problem: Jones uses a “task complementarity” framework — even if AI automates most tasks, the few remaining human-required tasks become bottlenecks. This could limit explosive growth even with very capable AI.
  • Distribution vs. aggregate: Even if GDP grows, the distributional impact could be severe — capital capturing most of the gains while labour loses bargaining power (see AI Labor Displacement and Augmentation).
  • Is this time actually different? Solow’s 1987 productivity paradox observation (“you can see the computer age everywhere but in the productivity statistics”) proved temporary. Whether AI’s current paradox will resolve similarly or persist is genuinely uncertain.
  • Existential risk as tail event: Jones acknowledges scenarios where sufficiently advanced AI poses risks that economics frameworks cannot adequately model — a consideration absent from GPT analyses of electricity or the internet.

AI Productivity Paradox · AI Labor Displacement and Augmentation · Recursive Self-Improvement and AI R&D · AI Capex Economics and Bubble Risk · AI Boosts Science, But Only Under Specific Conditions · When AI Automates Intelligence, Growth Rewrites Its Rules · When Intelligence Itself Becomes a General Purpose Technology · Europe’s Innovation Paradox: Brilliant Science, Broken Scale

AI als Algemene Technologie

AI wordt breed gezien als de meest ingrijpende algemene technologie (GPT) in de geschiedenis — één die mogelijk niet alleen fysieke of smalle cognitieve taken automatiseert, maar intelligentie zelf.

Wat Het Is

Economisch historici classificeren technologieën als “algemeen” wanneer hun transformatieve effecten zich uitstrekken door de gehele economie — innovaties in vele sectoren mogelijk makend in plaats van slechts één. Elektriciteit, de stoommachine, halfgeleiders en het internet zijn canonieke voorbeelden. AI past in dit patroon, maar met een potentieel cruciale uitzondering: eerdere GPTs vervingen mensen in fysieke taken of smalle cognitieve taken, waardoor menselijke intelligentie meer waardevol werd in complementaire rollen. AI dreigt het cognitieve restant zelf te automatiseren — elke taak die een mens op een computer kan uitvoeren.

Charles Jones (Stanford GSB, januari 2026) presenteert twee extreme scenario’s: (1) AI versnelt economische groei dramatisch, mogelijk uitlopend op “een land van genieën in een datacenter” (Amodei’s formulering) dat R&D-productiviteit in alle vakgebieden verhoogt; (2) AI is “business as usual”, simpelweg de nieuwste GPT die de langetermijngroeiverwachting van de Amerikaanse economie van 2% per jaar handhaaft in plaats van verhoogt. Jones betoogt dat beide scenario’s plausibel zijn, en dat de toekomst ergens tussenin ligt.

Waarom Het Belang Heeft (voor de Economie)

Het GPT-kader draagt twee belangrijke lessen uit de economische geschiedenis die zowel overmatig optimisme als pessimisme temperen. Ten eerste verhoogden vroegere GPTs wel de groeivoeten — maar voornamelijk door groei te voorkomen dat ze vertraagde, niet door hockeystick-versnelling te creëren. Ten tweede duurt verspreiding decennia: het productiviteitsvoordeel van elektriciteit duurde 40 jaar voordat het zichtbaar was in fabrieksoutputgegevens. De “AI-productiviteitsparadox” — sterke AI-capaciteiten maar tot dusver een gedempte macro-economische impact — weerspiegelt mogelijk gewoon normale diffusievertraging in plaats van een fundamenteel gebrek. Als dat het geval is, is de zinvolle vraag niet of AI er toe doet, maar wanneer de impact zichtbaar wordt in bbp-statistieken.

De meest radicale route omvat recursieve zelfverbetering: AI-modellen die de productiviteit van AI-onderzoekers verhogen, die betere modellen bouwen, wat een feedbacklus creëert die decennia van innovatie in jaren kan comprimeren. Jones merkt op dat de METR tijdhorizontmaatstaf (hoe lang het AI kost om engineeringtaken met 50% succes te voltooien) elke ~7 maanden verdubbelt in totaal (tempo na 2023: ~4,3 maanden). 📅 NOOT: Jones’ paper citeerde ~5–7 maanden; latere METR TH1.1-gegevens (februari 2026) bevestigden het post-2023-tempo op ~4,3 maanden. Zie het gedeelte Bewijs voor actuele waarden.

Bewijs & Voorbeelden

  • Het Amerikaanse bbp per hoofd van de bevolking is ~2% per jaar gegroeid gedurende 150 jaar, ondanks transformatieve innovaties zoals elektriciteit, halfgeleiders en het internet — wat suggereert dat GPTs groei handhaven in plaats van versnellen (Jones 2026, AIandEconomicFuture.pdf)
  • Epoch AI schat dat de “effectieve rekenkracht” die wordt gebruikt voor het trainen van AI-modellen jaarlijks 10x stijgt (4x door betere chips, 2,5x door betere algoritmen), met snelle capaciteitsverbeteringen als gevolg (AIandEconomicFuture.pdf)
  • 📅 BIJGEWERKT: Claude Opus 4.6 (niet 4.5) houdt nu de topscore op de METR-tijdhorizontschaal: 14,5 uur voor 50% taakvoltooiing per 21 februari 2026, volgens METR TH1.1. Jones’ paper van januari 2026 citeerde ~5 uur, wat al was achterhaald door de TH1.1-update die dezelfde maand werd gepubliceerd. (AIandEconomicFuture.pdf, METR TH1.1)
  • AlphaFold loste het eiwitvouwingsprobleem op — waarmee aangetoond wordt dat AI al bijdraagt aan wetenschappelijke ontdekkingen op Nobelprijs-niveau (AIandEconomicFuture.pdf)
  • 📅 VLAG #15 (8 mei 2026) — Mythos Preview METR ≥16u voegt reële bevestiging toe voor versnellend GPT-kader: METR voegde Claude Mythos Preview officieel toe aan zijn tijdhorizontenpagina op 8 mei 2026, met bevestiging van een 50% tijdhorizont van ≥16 uur. Reële bevestiging: het team van Mozilla Firefox gebruikte Mythos Preview om in april 2026 423 bugs op te lossen, tegenover een eerder maandelijks gemiddelde van 17–31 bugs, inclusief tientallen jaren oude meervoudige kwetsbaarheden. De LessWrong-capaciteitsanalyse schat dat deze sprong ~8 maanden voortgang op voorgaande trend vertegenwoordigt, geleverd in ~2 maanden (4,28× versnellingsfactor). Dit versterkt het accelererende-groei-scenario boven het business-as-usual-scenario in Jones’ twee-scenario-kader — maar verkrapt ook het “zwakke schakels”-probleem (menselijke complementaire taken worden eerder knelpunten). [metr.org/time-horizons/; officechai.com; forecastingaifutures.substack.com]
  • David (1990) toonde aan dat de stoommachine en de elektromotor beiden 40+ jaar nodig hadden voordat hun productiviteitseffect zichtbaar werd in statistieken — wat de interpretatie van diffusievertraging bij huidige AI-productiviteitsgegevens ondersteunt (AIandEconomicFuture.pdf)

Spanningsvelden & Openstaande Vragen

  • Het zwakke-schakels-probleem: Jones gebruikt een kader van “taakcomplementariteit” — zelfs als AI de meeste taken automatiseert, worden de weinige resterende menselijk vereiste taken knelpunten. Dit kan explosieve groei beperken, zelfs met zeer capabele AI.
  • Verdeling versus aggregaat: Zelfs als het bbp groeit, kan de verdelingsimpact ernstig zijn — waarbij kapitaal het grootste deel van de winst pakt terwijl arbeid haar onderhandelingspositie verliest (zie AI Labor Displacement and Augmentation).
  • Is dit keer echt anders? Solow’s productiviteitsparadox-observatie uit 1987 (“je ziet het computertijdperk overal behalve in de productiviteitsstatistieken”) bleek tijdelijk. Of de huidige paradox van AI op vergelijkbare wijze zal oplossen of aanhouden is echt onzeker.
  • Existentieel risico als staartgebeurtenis: Jones erkent scenario’s waarbij voldoende geavanceerde AI risico’s met zich meebrengt die economische kaders niet adequaat kunnen modelleren — een overweging die ontbreekt in GPT-analyses van elektriciteit of het internet.

Gerelateerde Concepten

AI Productivity Paradox · AI Labor Displacement and Augmentation · Recursive Self-Improvement and AI R&D · AI Capex Economics and Bubble Risk · AI Boosts Science, But Only Under Specific Conditions · When AI Automates Intelligence, Growth Rewrites Its Rules · When Intelligence Itself Becomes a General Purpose Technology · Europe’s Innovation Paradox: Brilliant Science, Broken Scale