Αν βρισκόμαστε σε μια «φούσκα» τεχνητής νοημοσύνης, τι μπορούμε να μάθουμε από την προηγούμενη τεχνολογική φούσκα που έσκασε με κρότο; Αυτό το ερώτημα τριγυρίζει στο μυαλό μου το τελευταίο διάστημα, καθώς παρατηρώ τις αγορές να συνεχίζουν τη φρενήρη πορεία τους στη βάση μιας τεχνολογίας που είμαι απολύτως πεπεισμένη ότι θα αλλάξει τον κόσμο μας – όμως, για την ώρα, στην πραγματική οικονομία, η ουσιαστική, μετασχηματιστική της διείσδυση παραμένει χαμηλή.
Για την ακρίβεια, η διείσδυση είναι αποσπασματική, συχνά επιφανειακή και σίγουρα πιο αργή απ’ ό,τι θα υπέθετε κανείς διαβάζοντας τα πρωτοσέλιδα – αλλά και αντιστοιχίζοντάς την με τις τωρινές δυνατότητές της (που είναι ήδη τεράστιες). Κι εκεί όπου υπάρχει χάσμα μεταξύ προσδοκιών και εφαρμοσμένης πραγματικότητας είναι που συνήθως «φυτρώνουν» οι φούσκες.
Πριν συνεχίσω, μια απαραίτητη διευκρίνιση: όταν χρησιμοποιώ τον όρο «φούσκα», δεν αναφέρομαι σε μια φούσκα θεμελιωδών μεγεθών – η αξία της τεχνητής νοημοσύνης είναι πραγματική και βαθιά. Η «φούσκα» εδώ αφορά το χάσμα στις αγορές ανάμεσα στο αφήγημα και στον ρεαλιστικό ρυθμό υλοποίησης· δηλαδή, σε μια συγκεκριμένη στιγμή στον χρόνο, μια υπερσυγκέντρωση προσδοκιών που τρέχει πολύ ταχύτερα από την ενσωμάτωση της τεχνολογίας στην πραγματική οικονομία. Είμαι πεπεισμένη, και το αναφέρω εδώ προς αποφυγήν παρεξηγήσεων, ότι δεν τίθεται θέμα αξίας του AI, αλλά timing.
Η διάσταση του χρόνου είναι κρίσιμη: συχνά δεν αμφισβητείται η τελική αξία μιας τεχνολογίας, αλλά η υπεραισιόδοξη υπόθεση ότι αυτή η αξία –και τα αντίστοιχα κέρδη που θα δημιουργήσει– θα υλοποιηθούν πολύ πιο γρήγορα απ’ ό,τι είναι ρεαλιστικό.
Παράλληλα, έχει σημασία να ξεχωρίσουμε μια «φούσκα» από μια απλή διόρθωση των αγορών. Η διόρθωση είναι υγιής, παροδική και συνήθως περιορισμένη· μια βίαιη όμως αναπροσαρμογή προσδοκιών, όταν το αφήγημα έχει προηγηθεί υπερβολικά της πραγματικότητας, μοιάζει περισσότερο με φούσκα – ακόμη κι αν οι τεχνολογικές δυνατότητες στις οποίες βασίζεται είναι απολύτως πραγματική. Στην περίπτωση της AI, ίσως αυτό που πρέπει να περιμένουμε βραχυπρόθεσμα είναι πιθανότερο να μοιάζει με απότομη διόρθωση στον ρυθμό με τον οποίο οι προσδοκίες μας μπορούν ρεαλιστικά να επιβεβαιωθούν.
Τι Είναι Φούσκα και τι μας Δίδαξε το Dot-Com
Στην οικονομική ιστορία, ο όρος «φούσκα» χρησιμοποιείται για να περιγράψει τη συλλογική ψευδαίσθηση ότι κάτι (μια εταιρεία, μια τεχνολογία, ένα περιουσιακό στοιχείο) «αξίζει» πολύ περισσότερο απ’ ό,τι υποστηρίζουν τα θεμελιώδη μεγέθη του τη δεδομένη χρονική στιγμή. Η διάσταση του χρόνου είναι κρίσιμη: συχνά δεν αμφισβητείται η τελική αξία μιας τεχνολογίας, αλλά η υπεραισιόδοξη υπόθεση ότι αυτή η αξία –και τα αντίστοιχα κέρδη που θα δημιουργήσει– θα υλοποιηθούν πολύ πιο γρήγορα απ’ ό,τι είναι ρεαλιστικό.
Η τιμή λοιπόν φουσκώνει από ενθουσιασμό, προσδοκίες και φθηνή ρευστότητα – όχι από πραγματική, ώριμη παραγωγή αξίας. Όσο τα πράγματα πάνε καλά, όλοι συνεχίζουν να αγοράζουν, αγνοώντας τον υψηλό βαθμό αβεβαιότητας γύρω από το πότε και πώς θα ωριμάσει η τεχνολογία. Μέχρι που τα νούμερα γίνεται σαφές ότι δεν βγαίνουν –ή μια εξωγενής αρνητική είδηση ταρακουνά το ήδη ασθενές οικοδόμημα– και η φούσκα σκάει με τρόπο που εκ των υστέρων μοιάζει προφανής.
Το δε μάθημα που έμεινε σε πολλούς ήταν το λάθος: ότι το ίντερνετ αποδείχθηκε φούσκα. Ξέρουμε πολύ καλά ότι αυτό δεν ισχύει: η «φούσκα» του ίντερνετ κατέστρεψε αδύναμα επιχειρηματικά μοντέλα, δεν άλλαξε την τελική επέλαση της εν λόγω τεχνολογίας.
Η τελευταία μεγάλη τεχνολογική φούσκα που έσκασε ήταν η dot-com φρενίτιδα στα τέλη της δεκαετίας του ’90. Τότε, το διαδίκτυο παρουσιαζόταν ως η απαρχή ενός νέου κόσμου, κάτι που –τι ειρωνεία!– αποδείχθηκε απόλυτα ακριβές.
Στο μεταξύ όμως, μέχρι δηλαδή να γεφυρωθεί το χάσμα μεταξύ βάσιμης προσδοκίας και πραγματικότητας, μεταξύ 2000 και 2002, ο Nasdaq έχασε περίπου το 78% της αξίας του! Οι πιο αδύναμοι κρίκοι (αλλά όχι μόνο), δηλαδή εταιρείες χωρίς έσοδα, χωρίς ξεκάθαρο προϊόν ή χωρίς σχέδιο, κατέρρευσαν σε λίγους μήνες.
Το δε μάθημα που έμεινε σε πολλούς ήταν το λάθος: ότι το ίντερνετ αποδείχθηκε φούσκα. Ξέρουμε πολύ καλά ότι αυτό δεν ισχύει: η «φούσκα» του ίντερνετ κατέστρεψε αδύναμα επιχειρηματικά μοντέλα, δεν άλλαξε την τελική επέλαση της εν λόγω τεχνολογίας. Αντιθέτως, η εποχή των dot-com θα έπρεπε να μας θυμίζει πως το hype συχνά καταρρέει πιο γρήγορα από τις πραγματικές μετασχηματιστικές δυνατότητες μιας τεχνολογίας, κι αυτό γιατί η παραγωγικότητα σε επίπεδο οικονομίας εμφανίζεται χρόνια μετά τις χρηματοοικονομικές αποτιμήσεις.
Το AI Σήμερα: Το Χάσμα Μεταξύ Hype και Πραγματικότητας
Στο ίντερνετ αυτό το χάσμα κράτησε περίπου επτά χρόνια. Στα τέλη των ’90s, τα websites ήταν αργά, τα δίκτυα ανεπαρκή, το bandwidth σχεδόν ανύπαρκτο. Οι χρήστες ήταν λίγοι και οι εφαρμογές φτωχές. Κι όμως, μέσα σ’ εκείνη τη «θορυβώδη», φαινομενικά παράλογη περίοδο στήθηκε η υποδομή του σύγχρονου διαδικτύου: τα data centers, οι οπτικές ίνες, τα θεμέλια του cloud και, φυσικά, οι εταιρείες που θα καθόριζαν το επόμενο τέταρτο του αιώνα – Amazon, Google, eBay, PayPal. Χρειάστηκε περίπου μια δεκαετία για να δικαιωθεί η επένδυση σε παραγωγικότητα και επιχειρησιακή αξία. Το crash δεν κατέστρεψε το ίντερνετ· απλώς σάρωσε τους πιο αδύναμους κρίκους. Κάτι ανάλογο συμβαίνει σήμερα με το AI – εξού και η συζήτηση περί φούσκας κινδυνεύει να λειτουργήσει αποπροσανατολιστικά.
Σήμερα, λοιπόν, τα μοντέλα εντυπωσιάζουν, όμως ακόμη δεν είναι πλήρως αξιόπιστα. Ακόμη πιο σημαντικό: υπάρχει τεράστια ανομοιογένεια στον τρόπο με τον οποίο τα χρησιμοποιούν διαφορετικοί χρήστες, οδηγώντας, κατά μέσο όρο, σε υποαξιοποίηση των ήδη τεράστιων δυνατοτήτων τους για αύξηση της παραγωγικότητας.
Οι αγορές τρέχουν πολύ πιο γρήγορα από τις θεσμικές, οργανωσιακές και λειτουργικές πραγματικότητες. Κι αυτό ακριβώς είναι το περιβάλλον όπου γεννιούνται φούσκες.
Ένα παράδειγμα: να χρησιμοποιούμε συστήματα όπως το ChatGPT απλώς για να ξαναγράψουμε emails «λίγο πιο ωραία», να παράγουμε μέτριο περιεχόμενο για τα social media ή να κάνουμε απλές εργασίες ρουτίνας, τη στιγμή που θα μπορούσαμε να τα αξιοποιούμε για να ξανασχεδιάσουμε διαδικασίες, να βελτιστοποιήσουμε λειτουργίες, να εντοπίσουμε μοτίβα που ήταν αόρατα μέχρι χθες και να χτίσουμε στοχευμένα μοντέλα πάνω στις δικές μας ανάγκες. Αυτά τα κάνουν ακόμη ελάχιστοι.
Οι αποτιμήσεις του AI, όμως, έχουν ήδη «ενσωματώσει» μια παραγωγική επανάσταση που δεν έχει ακόμη αποτυπωθεί στην καθημερινή λειτουργία των επιχειρήσεων ή στη δημόσια διοίκηση (χωρίς αυτό να σημαίνει ότι δεν πλησιάζει με γοργούς ρυθμούς). Οι οργανισμοί χρειάζονται χρόνο για να αλλάξουν τα συστήματα, τις διαδικασίες, τους ρόλους και τις ροές εργασίας τους· οι δεξιότητες στην αγορά εργασίας δεν έχουν προλάβει να προσαρμοστούν. Οι αγορές τρέχουν πολύ πιο γρήγορα από τις θεσμικές, οργανωσιακές και λειτουργικές πραγματικότητες. Κι αυτό ακριβώς είναι το περιβάλλον όπου γεννιούνται φούσκες.
Την ίδια στιγμή που οι επιχειρήσεις δυσκολεύονται να περάσουν από το pilot στη μαζική υιοθέτηση, η ρύθμιση βρίσκεται επίσης σε εμβρυικό στάδιο – και αυτό θα το βρούμε μπροστά μας. H δημόσια συζήτηση υπονοεί ότι «η επανάσταση έχει ήδη συμβεί», όμως στην πράξη βρισκόμαστε ακόμη στην αρχή ενός τεράστιου έργου που πρέπει να προηγηθεί πριν βρεθούμε στην αντίπερα όχθη.
Η Ελληνική Παγίδα
Κι εδώ φτάνουμε στο κρίσιμο ερώτημα: τι σημαίνουν όλα αυτά για την Ελλάδα; Όσο κι αν συζητάμε για «φούσκες» και διορθώσεις, για την Ελλάδα το πραγματικό διακύβευμα είναι αλλού. Η χώρα δεν κινδυνεύει τόσο από μια πιθανή πτώση των αγορών AI – δεν είμαστε εκτεθειμένοι σε αποτιμήσεις δισεκατομμυρίων που μπορεί να χαθούν. Κινδυνεύουμε από κάτι πολύ σοβαρότερο: από το να χαθεί ξανά η τεχνολογική μετάβαση ενόσω ο υπόλοιπος κόσμος τρέχει. Κάθε κύκλος υπεραισιοδοξίας και αναπροσαρμογής μεγαλώνει το χάσμα ανάμεσα σε όσους χτίζουν την επόμενη ψηφιακή υποδομή και σε όσους απλώς την ενοικιάζουν. Κι εδώ ακριβώς εντοπίζεται η ελληνική παγίδα.
Η Ελλάδα δεν κατόρθωσε να αξιοποιήσει οικονομικά την πρώτη ψηφιακή επανάσταση. Τη δεκαετία του 2000 καταναλώναμε τεχνολογία αντί να τη χτίζουμε. Δεν δημιουργήσαμε πλατφόρμες, δεν αποκτήσαμε κρίσιμη τεχνογνωσία και η δημόσια διοίκηση ψηφιοποιήθηκε αργά. Αν επαναλάβουμε το ίδιο λάθος με το AI, θα καταλήξουμε μόνιμοι «ενοικιαστές» νοημοσύνης – χρήστες συστημάτων που σχεδιάζονται αλλού, χωρίς πρόσβαση στην υπεραξία τους. Θα πληρώνουμε για πρόσβαση, χωρίς να κατέχουμε την υποδομή, ούτε την υπεραξία της. Και αυτό είναι μια ιδιαίτερα δεινή θέση.
Υποψιάζομαι ότι ενδιάμεση κατάσταση δεν θα υπάρξει: είτε θα βρεθούμε στην πλευρά των χωρών που ανεβαίνουν σκαλοπάτια είτε στην πλευρά εκείνων που παγιώνουν την υστέρησή τους.
Το AI μπορεί να γίνει είτε ο μεγάλος συμπιεστής του ελληνικού παραγωγικού κενού είτε ο μηχανισμός που θα το παγιώσει. Η χώρα χαρακτηρίζεται από μικρές επιχειρήσεις, χαμηλή κλίμακα, περιορισμένη μετάφραση έρευνας σε προϊόν, αδύναμη δικαστική ταχύτητα, και γενικά χαμηλή λειτουργική παραγωγικότητα. Το AI μπορεί να λειτουργήσει ως επιταχυντής, αυτοματοποιώντας αναποτελεσματικότητες και κλείνοντας το χάσμα πιο γρήγορα από ό,τι θα έκλεινε αλλιώς. Ή να γίνει ο μηχανισμός που θα επιτρέψει στους ανταγωνιστές μας να επιταχύνουν πολύ πιο γρήγορα, εγκλωβίζοντάς μας στο κάτω άκρο των αξιακών αλυσίδων της Ευρώπης. Υποψιάζομαι ότι ενδιάμεση κατάσταση δεν θα υπάρξει: είτε θα βρεθούμε στην πλευρά των χωρών που ανεβαίνουν σκαλοπάτια είτε στην πλευρά εκείνων που παγιώνουν την υστέρησή τους.
Το πραγματικό στοίχημα, για εμένα, βρίσκεται στον δημόσιο τομέα. Εκεί βρίσκονται τα κρίσιμα δεδομένα και οι υπηρεσίες που καθορίζουν την οικονομία. Υγεία, φορολογία, δικαιοσύνη, ενέργεια, μεταφορές, χωροταξία: αυτά είναι τα ελληνικά «AI moonshots». Αν δεν υπάρξει υιοθέτηση εκεί, το ιδιωτικό οικοσύστημα θα δυσκολευτεί να αλλάξει πίστα. Το ρίσκο εδώ δεν είναι να χαθεί μία ή περισσότερες startup· είναι να χαθεί η μοναδική δυνατότητα της χώρας να κάνει το αναγκαίο leapfrog και να μείνουμε, για άλλη μια φορά, απλοί χρήστες τεχνολογίας που σχεδιάζεται αλλού.
Το πραγματικό ερώτημα δεν είναι αν θα σκάσει η φούσκα, αλλά σε ποια πλευρά της επόμενης ημέρας θα βρεθεί η Ελλάδα: ανάμεσα στους συνδιαμορφωτές ή στους παθητικούς χρήστες. Κι αυτό είναι το δίλημμα της Ελλάδας μπροστά στην εποχή της τεχνητής νοημοσύνης – ένα δίλημμα που δεν επιδέχεται αναβολές.
Διαβάστε επίσης στην αθηΝΕΑ:
Τι θα Έλεγε Ένα Εργαλείο AI για Χιονοδρομικά το 2050;
Τεχνητή Νοημοσύνη & Δημόσιες Προμήθειες. Μια Επανάσταση για Τολμηρούς!
Η Μάθηση στην Εποχή του ChatGPT
