Статті

Аналіз продуктивності праці в контексті технологічних трансформацій

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Зміст №3 2026

Останнє оновлення: 26 червня 2026

Опубліковано: 30 листопада -0001

Перегляди: 1412

Authors:

Т. В. Мартин*, orcid.org/0009-0003-0673-2456, Івано-Франківський національний технічний університет нафти і газу, м. Івано-Франківськ, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

В. С. Ніценко, orcid.org/0000-0002-2185-0341, Івано-Франківський національний технічний університет нафти і газу, м. Івано-Франківськ, Україна; Міжнародний університет INTI, м. Нілай, Малайзія, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

В. І. Кириленко, orcid.org/0000-0002-7433-0630, Київський національний економічний університет імені Вадима Гетьмана, м. Київ, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

О. О. Ткаченко, orcid.org/0009-0004-0569-6120, Київський національний економічний університет імені Вадима Гетьмана, м. Київ, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

Ю. В. Ставська, orcid.org/0000-0003-2799-1556, Вінницький національний аграрний університет, м. Вінниця, Україна; e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

О. М. Кульганік, orcid.org/0000-0003-2276-1161, Вінницький торговельно-економічний інститут Державного торговельно-економічного університету, м. Він­ниця, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

* Автор-кореспондент e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

повний текст / full article

Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2026, (3): 225 - 234

https://doi.org/10.33271/nvngu/2026-3/225

Abstract:

Мета. Концептуальне пояснення парадоксу продуктивності праці при використанні технологій штучного інтелекту (ШІ), а також теоретико-емпіричне обґрунтування виокремлення нової макроекономічної фази, детермінованої впровадженням інтелектуальних систем.

Методика. Дослідження ґрунтується на комплексному підході, що поєднує аналіз вторинних даних (агреговані статистичні ряди Бюро статистики праці США) й методи теоретичного аналізу та узагальнення. Для математико-статистичного обчислення довгострокових середньорічних темпів зміни продуктивності (AAPC) застосовано індексний метод і формулу середньогеометричного темпу зростання. Порівняльний аналіз використано для ретроспективного зіставлення макроекономічних циклів та ідентифікації відхилень від довгострокового тренду. Крім того, залучено аналіз корпоративних кейсів й емпіричних звітів для оцінки мікрорівневих ефектів впровадження ШІ в організаціях.

Результати. Ідентифіковані вісім виразних макроекономічних циклів зміни продуктивності у США з 1947 по 2025 роки. Обґрунтоване настання «фази штучного інтелекту». Доведено, що розрив між очікуваними приростами макроекономічної ефективності (вираженими через агрегований індекс продуктивності праці) й мікрорівневими результатами (зокрема, локальним скороченням часу виконання операційних завдань, підвищенням якості генерованих рішень і прискореним засвоєнням навичок працівниками) зумовлений організаційними й поведінковими чинниками. Виокремлені ключові мікромеханізми парадоксу продуктивності праці: розширення завдань, розмиття меж між робочим і неробочим часом, посилення мультизадачності й накопичення організаціями «ШІ-боргу».

Наукова новизна. Набуло подальшого розвитку теоретичне пояснення парадоксу продуктивності праці в умовах системного впровадження технологій штучного інтелекту. Удосконалена періодизація макроекономічних циклів США шляхом розрахунку індексів AAPC і виокремлення новітніх етапів ‒ «фази пандемії та адаптації» і «фази штучного інтелекту». Запропонована концептуальна модель парадоксу продуктивності ШІ, що пояснює причини втрати ефективності. Систематизоване та поглиблене розуміння мікромеханізмів впливу ШІ на організаційну ефективність, зокрема формалізована їх роль в уповільненні зростання агрегованих макропоказників.

Практична значимість. Сформовано теоретичний каркас для розробки цілеспрямованих організаційно-управлінських заходів, спрямованих на подолання мікрорівневих бар’єрів продуктивності й гармонійну інтеграцію інновацій у бізнес-процеси. Доведена необхідність системного узгодження технологічного потенціалу алгоритмів штучного інтелекту з організаційним забезпеченням і людським фактором для перетворення вигод від ШІ на стале економічне зростання.

Ключові слова: штучний інтелект, парадокс продуктивності, продуктивність праці

References.

1. Brynjolfsson, E., Rock, D., & Syverson, C. (2017). Artificial intelligence and the modern productivity paradox: A clash of expectations and statistics. Working Paper No. 24001. National Bureau of Economic Research. https://doi.org/10.3386/w24001

2. Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187-192. https://doi.org/10.1126/science.adh2586

3. Brynjolfsson, E., Li, D., & Raymond, L. R. (2023). Generative AI at work. Working Paper No. 31161. National Bureau of Economic Research. https://doi.org/10.3386/w31161

4. Fukumura, Y. E., Gray, J. M., Lucas, G. M., Becerik-Gerber, B., & Roll, S. C. (2021). Worker perspectives on incorporating artificial intelligence into office workspaces: Implications for the future of office work. International Journal of Environmental Research and Public Health, 18(4), 1690. https://doi.org/10.3390/ijerph18041690

5. Acemoglu, D. (2024). The simple macroeconomics of AI. Working Paper No. 32487. National Bureau of Economic Research. https://doi.org/10.3386/w32487

6. 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

7. Agrawal, A., Gans, J. S., & Goldfarb, A. (2019). Artificial intelligence: The ambiguous labor market impact of automating prediction. Journal of Economic Perspectives, 33(2), 31-50. https://doi.org/10.1257/jep.33.2.31

8. Babina, T., Fedyk, A., He, A. X., & Hodson, J. (2024). Artificial intelligence, firm growth, and product innovation. Journal of Financial Economics, 151, 103745. https://doi.org/10.1016/j.jfineco.2023.103745

9. Trivedi, J., Devi, M.S., Vithalani, C., Parmar, K., & Dave, D. (2025). Industrial intelligence for smart cities: the role of AI and IoT in transforming urban mobility and infrastructure. Scientific Journal of Silesian University of Technology. Series Transport, 129, 261-281. https://doi.org/10.20858/sjsutst.2025.129.15

10.      Felten, E. W., Raj, M., & Seamans, R. (2021). Occupational, industry, and geographic exposure to artificial intelligence: A novel dataset and its potential uses. Strategic Management Journal, 42(12), 2195-2217. https://doi.org/10.1002/smj.3286

11.      Ingram, K., Diachenko, O., Halytskyi, O., Nitsenko, V., Romaniuk, M., & Zhumbei, M. (2022). Formalization of the Optimal Choice of the Activities of Agricultural Enterprises for the Implementation of Information and Communication Technologies. Financial and Credit Activity: Problems of Theory and Practice, 3(44), 141-149. https://doi.org/10.55643/fcaptp.3.44.2022.3758

12.      Cruces, G., Fernández Meijide, D., Galiani, S., Gálvez, R. H., & Lombardi, M. (2026). Does generative AI narrow education-based productivity gaps? Evidence from a randomized experiment. Working Paper No. 34851. National Bureau of Economic Research. https://doi.org/10.3386/w34851

13.      Dell’Acqua, F., McFowland, E., Mollick, E. R., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., …, & Lakhani, K. R. (2023). Navigating the jagged technological frontier: Field experimental evidence of the effects of AI on knowledge worker productivity and quality. Harvard Business School Technology & Operations Mgt. Unit ­Working Paper No. 24-013. https://doi.org/10.2139/ssrn.4573321

14.      Eisfeldt, A. L., Schubert, G., & Zhang, M. B. (2023). Generative AI and firm values. Working Paper No. 31222. National Bureau of Economic Research. https://doi.org/10.3386/w31222

15.      Eloundou, T., Manning, S., Mishkin, P., & Rock, D. (2023). GPTs are GPTs: An early look at the labor market impact potential of large language models. arXiv preprint. https://doi.org/10.48550/arXiv.2303.10130

16.      Webb, M. (2020). The impact of artificial intelligence on the labor market. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.3482150

17.      Bessen, J., Impink, S. M., Reichensperger, L., & Seamans, R. (2022). The role of data for AI startup growth. Research Policy, 51(5), 104513. https://doi.org/10.1016/j.respol.2022.104513

18.      Gal, U., Jensen, T. B., & Stein, M. K. (2020). Breaking the vicious cycle of algorithmic management: A virtue ethics approach to people analytics. Information and Organization, 30(2), 100301. https://doi.org/10.1016/j.infoandorg.2020.100301

19.      Kellogg, K. C., Valentine, M. A., & Christin, A. (2020). Algorithms at work: The new contested terrain of control. Academy of Management Annals, 14(1), 366-410. https://doi.org/10.5465/annals.2018.0174

20.      Schildt, H. (2017). Big data and organizational design–the brave new world of algorithmic management and computer augmented transparency. Innovation, 19(1), 23-30. https://doi.org/10.1080/14479338.2016.1252043

21.      Nitsenko, V., Martyn, T., Hutorov, A., Gutorov, O., Zhemerdieiev, A., & Chekanov, O. (2026). Transformation of business models: Methodology for transition to the “AI-first» paradigm. Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu, (1), 157-164. https://doi.org/10.33271/nvngu/2026-1/157

22.      Akkaya, B., Apostu, S. A., Hysa, E., & Panait, M. (2023). Technostress and burnout of female employees: A review of the healthcare field in perspective of digital transition. Digitalization, Sustainable Development, and Industry 5.0, (pp. 317-335). Emerald Publishing Limited. https://doi.org/10.1108/9781837531905

23.      Marwan, M., & Soleman, M.M. (2025). Analysis of role antecedent variables on innovative work behavior and the impact on business performance of micro and small enterprises. Intellectual Economics, 19(1), 210-233. https://doi.org/10.13165/IE-25-19-1-09

24.      Bregenzer, A., & Jimenez, P. (2021). Risk factors and preventive factors for technostress and burnout in employees. International Journal of Environmental Research and Public Health, 18(11), 5873. https://doi.org/10.3390/ijerph18115873

25.      Figueroa, A., & Garcia, A. (2025). The dual impact of AI on burnout and technostress in manufacturing workplaces. The Proceedings of the 20 ^th European Conference on Innovation and Entrepreneurship, 20(1), 892-897. https://doi.org/10.34190/ecie.20.1.3863

26.      Salo, M., Pirkkalainen, H., & Koskelainen, T. (2019). Technostress and social networking services: Explaining users’ concentration mitigation and network avoidance. Information & Management, 56(4), 514-527. https://doi.org/10.1016/j.im.2018.09.001

27.      Tarafdar, M., Pirkkalainen, H., Salo, M., & Makkonen, M. (2020). Taking on the “dark side” ‒ Coping with technostress. IT Professional, 22(6), 82-89. https://doi.org/10.1109/MITP.2020.2977343

28.      Sfounis, D., Kolovos, D., Kostas, A., Tsoukalidis, I., & Karasavvoglou, A. (2024). Use of an AI-based digital prediction model for the evaluation of urban infrastructure in terms of accessibility and efficient urban movement for people with disabilities. Intellectual Economics, 18(2), 237-260. https://doi.org/10.13165/IE-24-18-2-01

29.      Perevozova, I., Gubernat, T., Hontar, K., Shayban, V., & Bocharova, N. (2024). Using Big Data Analytics to Improve Logistics Processes and Forecast Demand. Pacific Business Review (International), 17(4), 30-39. https://doi.org/10.5281/zenodo.14756955

• < Попередня
• Наступна >