Влияние искусственного интеллекта на структурную трансформацию экономики Казахстана

В условиях ускоряющейся цифровой трансформации особую актуальность приобретает количественная оценка воздействия искусственного интеллекта (далее – ИИ) на структурную динамику ресурсозависимых экономик. Цель исследования заключается в разработке и апробации интегрированной динамической модели количественной оценки воздействия ИИ на структурную трансформацию и диверсификацию экономики Казахстана. Методологический аппарат включает интеграцию модели диффузии инноваций Басса, расширенной производственной функции с эндогенным технологическим прогрессом и задачно-ориентированного подхода Асемоглу–Рестрепо, а также многокритериальную систему отраслевой приоритизации. Эмпирическую основу составили отраслевые данные Бюро национальной статистики Республики Казахстан за 2020–2024 гг. Результаты моделирования показывают, что за период 2025–2035 гг. совокупный прирост валовой добавленной стоимости в анализируемых отраслях составит 35,3 п.п., из которых 16,8 п.п. обеспечиваются вкладом ИИ. Уровень внедрения ИИ в приоритетных секторах достигает 86,8–93,8 п.п. к 2035 г., что превышает показатели неприоритетных отраслей на 13–32 п.п. Доля приоритетных отраслей в структуре ВВП увеличивается на 6,3 п.п., тогда как совокупная занятость возрастает на 22,4 п.п. (+1,3 млн рабочих мест). При этом во всех секторах наблюдается устойчивое превышение эффекта создания новых задач над эффектом автоматизации, что отражает специфику ресурсозависимой экономики с дефицитом квалифицированных кадров. Полученные результаты подтверждают целесообразность концентрации государственной поддержки на ограниченном числе отраслей с максимальным потенциалом структурной трансформации. 

1. Acemoglu, D., & Restrepo, P. (2018). The race between man and machine: Implications of technology for growth, factor shares, and employment. American Economic Review, 108(6), 1488–1542. https://doi.org/10.1257/aer.20160696

2. 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

3. Aghion, P., & Howitt, P. (1992). A model of growth through creative destruction. Econometrica, 60(2), 323– 351. https://doi.org/10.2307/2951599

4. Aitnazarov, T. M., Andabayeva, G. K., & Kakizhanova, T. I. (2024). The role of digital technologies and their impact on the economy of Kazakhstan. Central Asian Economic Review, 3, 86–99. https://doi.org/10.52821/2789-4401-2024-3-86-99 (In Russ.)

5. Bass, F. M. (1969). A new product growth model for consumer durables. Management Science, 15(5), 215– 227. https://doi.org/10.1287/mnsc.15.5.215

6. Bresnahan, T. F., & Trajtenberg, M. (1995). General purpose technologies: Engines of growth? Journal of Econometrics, 65(1), 83–108. https://doi.org/10.1016/0304-4076(94)01598-T

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

8. Bulkhairova, Zh. S., Alpeissova, Sh. E., & Kossymbayeva, Sh. I. (2023). [The current state and problems of economic digitalization in Kazakhstan]. Vestnik ENU im. L. N. Gumilyova. Ekonomicheskaya seriya = Bulletin of L.N. Gumilyov ENU. Economic Series, 1, 32–39. https://bulecon.enu.kz/index.php/main/article/view/110 (In Russ.)

9. Bureau of National Statistics. (2024). Bureau of National Statistics of the Republic of Kazakhstan. Retrieved December 15, 2025 from https://stat.gov.kz/en

10. Cockburn, I. M., Henderson, R., & Stern, S. (2018). The impact of artificial intelligence on innovation (NBER Working Paper No. 24449). National Bureau of Economic Research. https://doi.org/10.3386/w24449

11. Comin, D., & Hobijn, B. (2010). An exploration of technology diffusion. American Economic Review, 100(5), 2031–2059. https://doi.org/10.1257/aer.100.5.2031

12. Dell’Acqua, F., McFowland, E., Mollick, E. R., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F., & 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 Working Paper No. 24-013). Harvard Business School. https://doi.org/10.2139/ssrn.4573321

13. Denissova, O., Konurbayeva, Z., Kulisz, M., Yussubaliyeva, M., & Suieubayeva, S. (2025). Measuring the digital economy in Kazakhstan: From global indices to a contextual composite index (IDED). Economies, 13(8), 225. https://doi.org/10.3390/economies13080225

14. 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. Science, 381(6654), 187–192. https://doi.org/10.1126/science.adh2586

15. Felten, E., 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

16. Felten, E., Raj, M., & Seamans, R. (2023). How will language modelers like ChatGPT affect occupations and industries? arXiv. https://doi.org/10.48550/arXiv.2303.01157

17. Goldfarb, A., & Tucker, C. (2019). Digital economics. Journal of Economic Literature, 57(1), 3–43. https://doi.org/10.1257/jel.20171452

18. Government of the Republic of Kazakhstan (2024). Concept for the development of artificial intelligence in the Republic of Kazakhstan for 2024–2029 [Kontseptsiya razvitiya iskusstvennogo intellekta v Respublike Kazakhstan na 2024–2029 gody] (Resolution No. 592, July 24, 2024). https://adilet.zan.kz/rus/docs/P2400000592 (In Russ.)

19. Hall, R. E., & Jones, C. I. (1999). Why do some countries produce so much more output per worker than others? Quarterly Journal of Economics, 114(1), 83–116. https://doi.org/10.1162/003355399555954

20. Hausmann R., & Klinger B. (2007). The structure of the product space and the evolution of comparative advantage. CID Working Paper No. 146. Harvard University. Retrieved December 15, 2025 from https://www.hks.harvard.edu/sites/default/files/centers/cid/files/publications/faculty-working-papers/146.pdf

21. Hausmann, R., Hidalgo, C. A., Bustos, S., Coscia, M., Simoes, A., & Yildirim, M. A. (2014). The atlas of economic complexity: Mapping paths to prosperity. MIT Press. https://doi.org/10.7551/mitpress/9647.001.0001

22. Hidalgo, C. A., & Hausmann, R. (2009). The building blocks of economic complexity. Proceedings of the National Academy of Sciences, 106(26), 10570–10575. https://doi.org/10.1073/pnas.0900943106

23. International Monetary Fund. (2024). Gen-AI: Artificial intelligence and the future of work (IMF Staff Discussion Note No. 2024/001). https://doi.org/10.5089/9798400262548.006

24. McKinsey Global Institute. (2023). The economic potential of generative AI: The next productivity frontier. McKinsey & Company. Retrieved December 15, 2025 from https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier

25. Mehlum, H., Moene, K., & Torvik, R. (2006). Institutions and the resource curse. Economic Journal, 116(508), 1–20. https://doi.org/10.1111/j.1468-0297.2006.01045.x

26. PricewaterhouseCoopers. (2017). Sizing the prize: What’s the real value of AI for your business and how can you capitalise? PwC. Retrieved December 15, 2025 from https://www.pwc.com.au/government/pwc-ai-analysis-sizing-the-prize-report.pdf

27. Romer, P. M. (1990). Endogenous technological change. Journal of Political Economy, 98(5), S71–S102. https://doi.org/10.1086/261725

28. Sachs, J. D., & Warner, A. M. (1995). Natural resource abundance and economic growth (NBER Working Paper No. 5398). National Bureau of Economic Research. https://doi.org/10.3386/w5398

29. Sachs, J. D., & Warner, A. M. (2001). The curse of natural resources. European Economic Review, 45(4–6), 827–838. https://doi.org/10.1016/S0014-2921(01)00125-8

30. Solow, R. M. (1956). A contribution to the theory of economic growth. Quarterly Journal of Economics, 70(1), 65–94. https://doi.org/10.2307/1884513

31. Solow, R. M. (1957). Technical change and the aggregate production function. Review of Economics and Statistics, 39(3), 312–320. https://doi.org/10.2307/1926047

32. Sultan, F., Farley, J. U., & Lehmann, D. R. (1990). A meta-analysis of applications of diffusion models. Journal of Marketing Research, 27(1), 70–77. https://doi.org/10.2307/3172552

33. Trajtenberg, M. (2018). AI as the next GPT: A political-economy perspective (NBER Working Paper No. 24245). National Bureau of Economic Research. https://doi.org/10.3386/w24245

34. Workforce Development Center. (2023). Assessment of the impact of automation, robotization and artificial intelligence on the labour market of the Republic of Kazakhstan [Otsenka vliyaniya avtomatizatsii, robotizatsii i iskusstvennogo intellekta na rynok truda Respubliki Kazakhstan]. https://erdo.enbek.kz/news/271 (In Russ.)