Τεχνητή νοημοσύνη: Από την εποχή του hype στην εποχή της λογοδοσίας

• Η Dambisa Moyo υποστηρίζει ότι η τεχνητή νοημοσύνη περνά από την εποχή του hype στην εποχή της λογοδοσίας.
• Οι επενδύσεις σε AI αυξάνονται, όμως οι επιχειρήσεις καλούνται να αποδείξουν μετρήσιμη απόδοση και παραγωγικότητα.
• Τα πιλοτικά έργα γενετικής AI δεν μεταφράζονται πάντα σε πραγματική επιχειρηματική αξία, προειδοποιεί η οικονομολόγος.

Μετά από χρόνια έντονου ενθουσιασμού γύρω από την τεχνητή νοημοσύνη (AI), η παγκόσμια αγορά εισέρχεται σε μια νέα φάση, όπου το ζητούμενο δεν είναι πλέον οι υποσχέσεις, αλλά τα αποτελέσματα. Αυτό υποστηρίζει η διεθνούς φήμης οικονομολόγος και συγγραφέας Dambisa Moyo, η οποία εκτιμά ότι η AI βρίσκεται πλέον σε ένα κρίσιμο σημείο καμπής: οι επενδυτές, τα διοικητικά συμβούλια και οι επιχειρήσεις καλούνται να αποδείξουν ότι οι τεράστιες δαπάνες για την τεχνητή νοημοσύνη μπορούν να μεταφραστούν σε πραγματική οικονομική αξία.

Ειδικότερα, για καιρό το AI βρέθηκε στο επίκεντρο της επενδυτικής αισιοδοξίας, παρουσιάζοντας την εικόνα μιας τεχνολογικής επανάστασης που θα μεταμόρφωνε την παγκόσμια οικονομία. Οι επενδύσεις εκτινάχθηκαν, οι αποτιμήσεις των εταιρειών τεχνολογίας ακολούθησαν ανοδική πορεία και οι επιχειρήσεις επιδόθηκαν σε έναν αγώνα δρόμου για την ενσωμάτωση εργαλείων AI στις λειτουργίες τους.

Ωστόσο, σύμφωνα με τη διεθνώς αναγνωρισμένη οικονομολόγο Dambisa Moyo, η περίοδος του άκριτου ενθουσιασμού φτάνει σταδιακά στο τέλος της. Οι αγορές εισέρχονται πλέον σε μια φάση αυξημένης λογοδοσίας, όπου το βασικό ζητούμενο δεν είναι αν η τεχνητή νοημοσύνη αποτελεί μια επαναστατική τεχνολογία, αλλά αν οι τεράστιες επενδύσεις που πραγματοποιούνται μπορούν να δημιουργήσουν πραγματική, μετρήσιμη οικονομική αξία.

Η ίδια υποστηρίζει ότι όλο και περισσότεροι επενδυτές, διοικητικά συμβούλια και ανώτατα στελέχη επιχειρήσεων αμφισβητούν κατά πόσο οι σημερινές δαπάνες για την AI δικαιολογούνται από τα αποτελέσματα που παράγονται. Η συζήτηση μετατοπίζεται από το «τι μπορεί να κάνει η τεχνητή νοημοσύνη» στο «ποια είναι η πραγματική απόδοση των επενδύσεων».

Το παράδοξο των LLMs: χαμηλότερο κόστος, υψηλότερες συνολικές δαπάνες

Ένα από τα βασικά επιχειρήματα της Moyo αφορά την αναντιστοιχία ανάμεσα στη χρήση των μεγάλων γλωσσικών μοντέλων (LLMs) και στα οικονομικά αποτελέσματα που αυτά παράγουν.

Παρότι το κόστος ανά μονάδα υπολογιστικής ισχύος έχει μειωθεί αισθητά τα τελευταία χρόνια, οι συνολικές δαπάνες των επιχειρήσεων για AI αυξάνονται με ταχύτερο ρυθμό. Ο λόγος είναι ότι οι οργανισμοί χρησιμοποιούν ολοένα περισσότερα δεδομένα, περισσότερα tokens και ολοένα περισσότερες εφαρμογές τεχνητής νοημοσύνης, διευρύνοντας συνεχώς το αποτύπωμα της τεχνολογίας στις λειτουργίες τους.

Η εξέλιξη αυτή δημιουργεί μια εύθραυστη ισορροπία. Από τη μία πλευρά, οι επιχειρήσεις καλούνται να δικαιολογήσουν επενδύσεις δισεκατομμυρίων απέναντι στους μετόχους τους. Από την άλλη, οι πάροχοι AI βασίζονται στη συνεχή αύξηση της κατανάλωσης υπολογιστικών πόρων προκειμένου να στηρίξουν τους υψηλούς ρυθμούς ανάπτυξης και τις ιδιαίτερα απαιτητικές χρηματιστηριακές αποτιμήσεις τους.

Το κρίσιμο ερώτημα, σημειώνει η οικονομολόγος, παραμένει το ίδιο: πότε θα εμφανιστούν οι ουσιαστικές αυξήσεις παραγωγικότητας και η εξοικονόμηση κόστους που υπόσχεται η τεχνητή νοημοσύνη;

Η Moyo υποστηρίζει ότι τα πρώτα αποτελέσματα από τη μαζική υιοθέτηση της γενετικής τεχνητής νοημοσύνης δεν είναι τόσο εντυπωσιακά όσο ανέμεναν οι αγορές.

Πολλά πιλοτικά έργα δεν κατάφεραν να επιτύχουν τους στόχους που είχαν τεθεί, αποδεικνύοντας ότι η τεχνολογική υπεροχή δεν μεταφράζεται αυτόματα σε επιχειρηματική αξία.

Όπως επισημαίνει, ακόμη και το πιο προηγμένο μοντέλο AI δεν μπορεί να αποδώσει εάν δεν ενσωματωθεί σωστά στις επιχειρησιακές διαδικασίες, δεν διαθέτει αξιόπιστα δεδομένα, δεν συνοδεύεται από κατάλληλη εκπαίδευση του ανθρώπινου δυναμικού και δεν αξιολογείται με συγκεκριμένους δείκτες απόδοσης.

Η πραγματική πρόκληση για τις διοικήσεις, επομένως, δεν είναι πλέον η υιοθέτηση της AI, αλλά η απόδειξη ότι η χρήση της δημιουργεί μετρήσιμο οικονομικό όφελος.

Ένα ακόμη ζήτημα που αναδεικνύει η οικονομολόγος αφορά την προστασία των δεδομένων και της εταιρικής τεχνογνωσίας.

Οι επιχειρήσεις έχουν δημιουργήσει επί δεκαετίες πολύτιμη γνώση γύρω από τον σχεδιασμό προϊόντων, την τιμολόγηση, τις σχέσεις με τους πελάτες και τις εσωτερικές διαδικασίες τους. Η αξιοποίηση εξωτερικών μοντέλων AI δημιουργεί τον κίνδυνο μέρος αυτής της γνώσης να μεταφερθεί, άμεσα ή έμμεσα, στους μεγάλους τεχνολογικούς παρόχους.

Ακόμη και όταν υπάρχουν συμβατικές δικλίδες ασφαλείας, η εξάρτηση από τρίτους δημιουργεί στρατηγικά ερωτήματα για τον έλεγχο της τεχνολογίας που επεξεργάζεται τα σημαντικότερα περιουσιακά στοιχεία μιας επιχείρησης.

Η Moyo υπενθυμίζει ότι αντίστοιχοι προβληματισμοί προέκυψαν μετά τη συνεργασία της Figma με την Anthropic για την ανάπτυξη εργαλείων σχεδιασμού με AI, όταν η Anthropic παρουσίασε στη συνέχεια δικό της ανταγωνιστικό προϊόν στον ίδιο χώρο.

Κατά την ίδια, η ιστορία της τεχνολογίας έχει δείξει επανειλημμένα ότι μεγάλες εταιρείες αξιοποιούν τη γνώση, την κλίμακα και την πρόσβαση που αποκτούν μέσω συνεργασιών για να επεκταθούν σε νέες αγορές. Αντίστοιχη ήταν, όπως αναφέρει, και η στρατηγική που ακολούθησε η Microsoft στις δεκαετίες του 1980 και του 1990, κυριαρχώντας τελικά στην αγορά λογισμικού γραφείου εις βάρος παικτών όπως η Lotus και η WordPerfect.

Η AI δεν δημιουργεί μόνο ευκαιρίες αλλά και κοινωνικό κόστος

Η οικονομολόγος επισημαίνει ότι η δημόσια συζήτηση για την τεχνητή νοημοσύνη επικεντρώνεται κυρίως στα οφέλη, παραβλέποντας συχνά το κοινωνικό και οικονομικό κόστος της μετάβασης.

Η ανάπτυξη της AI απαιτεί ολοένα μεγαλύτερες ποσότητες ηλεκτρικής ενέργειας, νερού και επενδύσεων σε data centers. Ταυτόχρονα, η αυτοματοποίηση μεγάλου μέρους των επαναλαμβανόμενων εργασιών αναμένεται να επιταχύνει τις αλλαγές στην αγορά εργασίας, διευρύνοντας τις ανισότητες μεταξύ εργαζομένων με διαφορετικά επίπεδα δεξιοτήτων.

Κατά τη Moyo, η αντιμετώπιση αυτών των συνεπειών πιθανότατα θα απαιτήσει αυξημένες δημόσιες επενδύσεις και νέες μορφές κοινωνικής πολιτικής. Δεν αποκλείει, μάλιστα, το ενδεχόμενο οι κυβερνήσεις να εξετάσουν υψηλότερη φορολόγηση των τεχνολογικών εταιρειών ή ακόμη και την υιοθέτηση μοντέλων όπως το καθολικό βασικό εισόδημα.

Τρεις προτεραιότητες για τις επιχειρήσεις

Μέσα σε αυτό το περιβάλλον, η Dambisa Moyo προτείνει τρεις βασικές κατευθύνσεις για τις επιχειρήσεις.

Πρώτον, θεωρεί ότι τα εμπορικά μοντέλα συνεργασίας με τους παρόχους AI πρέπει να εξελιχθούν. Εφόσον οι εταιρείες τεχνολογίας υποστηρίζουν ότι τα μοντέλα τους δημιουργούν σημαντική οικονομική αξία, θα πρέπει μέρος της αμοιβής τους να συνδέεται με τα πραγματικά επιχειρηματικά αποτελέσματα και όχι αποκλειστικά με την κατανάλωση υπολογιστικών πόρων.

Δεύτερον, οι επιχειρήσεις οφείλουν να μετρούν συστηματικά την οικονομική απόδοση κάθε εφαρμογής AI. Κάθε έργο θα πρέπει να αξιολογείται με αντικειμενικά κριτήρια: πόσο χρόνο εξοικονομεί, πόσο μειώνει το λειτουργικό κόστος και ποια νέα αξία δημιουργεί.

Τρίτον, προειδοποιεί για τους κινδύνους της εξάρτησης από έναν μόνο πάροχο. Η διαφοροποίηση μεταξύ διαφορετικών μοντέλων και η αξιοποίηση, όπου είναι εφικτό, ανοικτών λύσεων μπορεί να περιορίσει τον κίνδυνο εγκλωβισμού, αν και δημιουργεί νέες προκλήσεις σε επίπεδο κυβερνοασφάλειας και γεωπολιτικής.

Η ολοένα μεγαλύτερη εξάρτηση των επιχειρήσεων από την τεχνητή νοημοσύνη καθιστά την κυβερνοασφάλεια στρατηγική προτεραιότητα.

Οι εξελίξεις στην κρυπτογράφηση, την αποκρυπτογράφηση και κυρίως στην κβαντική υπολογιστική αναμένεται να δημιουργήσουν ένα πολύ πιο απαιτητικό περιβάλλον απειλών, όπου οι κυβερνοεπιθέσεις θα είναι συχνότερες και πιο σύνθετες.

Η προστασία των ψηφιακών υποδομών, τονίζει η Moyo, δεν αποτελεί πλέον αποκλειστική αρμοδιότητα των τμημάτων πληροφορικής. Πρόκειται για ζήτημα εταιρικής διακυβέρνησης, διοικητικής ευθύνης και επιχειρηματικής ανθεκτικότητας.

Η Dambisa Moyo καταλήγει ότι η τεχνητή νοημοσύνη βρίσκεται πλέον σε μια καθοριστική καμπή. Οι επενδύσεις έχουν φτάσει σε πρωτοφανή επίπεδα και οι προσδοκίες παραμένουν υψηλές, όμως οι αγορές δεν ανταμείβουν επ’ αόριστον τις υποσχέσεις.

Οι επιχειρήσεις καλούνται να θέσουν σαφή χρονοδιαγράμματα και συγκεκριμένους δείκτες αξιολόγησης, προκειμένου να διαπιστώσουν αν οι εφαρμογές AI εκπληρώνουν τις υποσχέσεις τους. Σε διαφορετική περίπτωση, προειδοποιεί, η απογοήτευση των επενδυτών θα μπορούσε να οδηγήσει σε σημαντική αναθεώρηση των αποτιμήσεων των εταιρειών που συνδέονται με την τεχνητή νοημοσύνη.

Για την οικονομολόγο, η μεγάλη πρόκληση της επόμενης δεκαετίας δεν θα είναι η δημιουργία ακόμη ισχυρότερων μοντέλων AI. Θα είναι η απόδειξη ότι αυτά τα μοντέλα μπορούν να παράγουν πραγματική, βιώσιμη και μετρήσιμη οικονομική αξία. Με άλλα λόγια, η εποχή του ενθουσιασμού δίνει σταδιακά τη θέση της στην εποχή της λογοδοσίας.

ΔΙΑΒΑΣΤΕ ΠΕΡΙΣΣΟΤΕΡΕΣ ΕΙΔΗΣΕΙΣ:

• Ελληνικές τράπεζες: Η Optima βλέπει νέα άνοδο σε κέρδη και έσοδα από τόκους
• Eurostat: Στο «κόκκινο» οι αποταμιεύσεις των Ελλήνων – Τελευταία η Ελλάδα στις επενδύσεις
• Επιτόκια: Το ενεργειακό σοκ ανοίγει τον δρόμο για νέα αύξηση από την ΕΚΤ
• «Υψηλά επιτόκια για χρόνια»: Η πρόβλεψη της Morgan Stanley που αλλάζει τις προσδοκίες των αγορών