Πόση αξία δημιουργεί πραγματικά η Τεχνητή Νοημοσύνη;

Η συζήτηση γύρω από τη χρησιμότητα της τεχνητής νοημοσύνης (AI) έχει ωριμάσει σημαντικά τον τελευταίο χρόνο. Η κατηγορηματική άρνηση των δυνατοτήτων της έχει υποχωρήσει, καθώς όλο και περισσότεροι επαγγελματίες διαπιστώνουν στην πράξη τι μπορεί να προσφέρει στον τομέα τους. Πλέον, η διαμάχη επικεντρώνεται στο πόση ακριβώς αξία παράγει.

Ένα ιδιαίτερο σημείο τριβής ανάμεσα στους υποστηρικτές και τους επικριτές της AI είναι η αναντιστοιχία ανάμεσα στην καταγεγραμμένη αύξηση της παραγωγικότητας των προγραμματιστών και την εμφανή έλλειψη μιας ανάλογης έκρηξης στην ανάπτυξη νέων προϊόντων ή στη δημιουργία υπεραξίας. Μια νέα μελέτη έρχεται τώρα να δικαιώσει και τις δύο πλευρές.

Η έρευνα του Mert Demirer από το MIT και των συνεργατών του παρακολούθησε την εργασία προγραμματιστών λογισμικού πριν και μετά την υιοθέτηση εργαλείων AI. Το σημαντικό είναι ότι η μέτρηση έγινε σε πολλά διαφορετικά επίπεδα: από τον όγκο του κώδικα που γράφτηκε και τον αριθμό των μεμονωμένων αρχείων που τροποποιήθηκαν, μέχρι τα έργα ή τις λειτουργίες που υλοποιήθηκαν, φτάνοντας έως την τελική κυκλοφορία του λογισμικού.

Τα ευρήματα έδειξαν μια εκρηκτική επίδραση στην κορυφή αυτής της παραγωγικής αλυσίδας (funnel), καθώς οι προγραμματιστές δημιούργησαν ή επεξεργάστηκαν σχεδόν 300% περισσότερα αρχεία. Ωστόσο, αυτή η ώθηση μειώθηκε στο μισό (150%) όταν εξετάστηκε ο αριθμός των ολοκληρωμένων εργασιών που παραδόθηκαν για έλεγχο. Στο τελικό στάδιο, το όφελος συρρικνώθηκε κατά πέντε φορές, καταλήγοντας σε μια αύξηση μόλις 30% περίπου στις τελικές κυκλοφορίες έτοιμου λογισμικού.

Μια αύξηση της τάξης του 30% στην παραγωγή του βασικού προϊόντος μιας εταιρείας είναι αναμφίβολα σημαντική. Παρά ταύτα, τα ευρήματα αναδεικνύουν πώς οι αντιλήψεις –αλλά και ορισμένοι άμεσοι δείκτες– για τον αντίκτυπο της AI στην παραγωγικότητα μπορεί να αποκλίνουν σημαντικά από την τελική της υπεραξία. Αυτό που φαντάζει – και μετρήσιμα είναι – ως εκρηκτική ώθηση σε μια μεμονωμένη εργασία, καταλήγει συχνά σε ένα πολύ πιο συγκρατημένο κέρδος. Αυτό συμβαίνει μόλις το παραχθέν έργο περάσει από τις ανθρώπινες «συμπληγάδες» (bottlenecks) που απαιτούνται για τον έλεγχο και την κυκλοφορία τελικών προϊόντων επαγγελματικών προδιαγραφών.

Επιπλέον, όταν οι ερευνητές εξέτασαν αν η υποστηριζόμενη από την AI παραγωγή λογισμικού τόνωσε την κατανάλωση, διαπίστωσαν ότι τα στοιχεία είναι ελάχιστα. Η εντυπωσιακή αύξηση στην κυκλοφορία εφαρμογών για κινητά τον τελευταίο χρόνο δεν συνοδεύτηκε από ανάλογη άνοδο των λήψεων (downloads), καθώς οι περισσότερες νέες εφαρμογές αδυνατούν να προσελκύσουν έστω και ένα περιορισμένο κοινό.

Ιδιαίτερη αίσθηση προκαλεί το γεγονός ότι η διαπίστωση πως η παραγωγικότητα και η παραγωγή αξίας είναι πολύ χαμηλότερες από τις προσδοκίες, συνέπεσε χρονικά με την αποκάλυψη του Διευθύνοντος Συμβούλου της Uber, Dara Khosrowshahi. Ο ίδιος αποκάλυψε ότι η εταιρεία εξάντλησε ολόκληρο τον προϋπολογισμό της για την τεχνητή νοημοσύνη (AI) του 2026 μέσα σε ένα μόλις τρίμηνο. Ως εκ τούτου, η Uber σχεδιάζει να στρέψει το μεγαλύτερο μέρος των εφαρμογών AI σε μοντέλα χαμηλότερου κόστους, κρατώντας τα κορυφαία εργαλεία αιχμής μόνο για ειδικές περιπτώσεις. Παράλληλα, μια νέα έρευνα για τη χρήση της AI σε νομικές εργασίες έδειξε ότι ο συνδυασμός οικονομικών πρακτόρων AI ανοιχτού κώδικα με εξελιγμένα μοντέλα σε ρόλο «συμβούλου» απέδωσε καλύτερα αποτελέσματα με σημαντικά χαμηλότερο κόστος.

Θα ήταν απόλυτα λογικό να θεωρήσει κανείς τα παραπάνω ως απόδειξη ότι η ικανότητα της AI να προσφέρει ουσιαστική αξία έχει υπερεκτιμηθεί υπερβολικά, ή τουλάχιστον ότι οι μεγάλες δαπάνες για τα πιο πρόσφατα μοντέλα είναι συχνά άσκοπες. Ωστόσο, ο Demirer και οι συν-συγγραφείς του πιστεύουν ότι η πιθανότερη εξήγηση κρύβεται αλλού: οι σημερινές εταιρικές δομές και οι αγορές δεν είναι σχεδιασμένες έτσι ώστε να αξιοποιούν τα πραγματικά οφέλη της τεχνολογίας. Αυτή η άποψη ενισχύεται και από τα διδάγματα παλαιότερων τεχνολογικών επαναστάσεων. Τότε, τα ουσιαστικά άλματα στην παραγωγικότητα και οι ανακατατάξεις στις θέσεις εργασίας προήλθαν από νέες εταιρείες και καινοτόμες διαδικασίες, και όχι από τις ήδη εδραιωμένες επιχειρήσεις που απλώς προσπάθησαν να «κολλήσουν» τη νέα τεχνολογία πάνω στις παλιές τους συνήθειες.

Χαρακτηριστικό παράδειγμα αποτελεί η εισαγωγή του ηλεκτρισμού στα τέλη του 19ου και τις αρχές του 20ού αιώνα. Τότε, τα κέρδη στην παραγωγικότητα παρέμειναν χαμηλά όσο τα εργοστάσια αντικαθιστούσαν απλώς τις γιγάντιες ατμομηχανές με μεγάλους ηλεκτρικούς κινητήρες, χωρίς όμως να αλλάζουν τα υπόλοιπα μηχανήματα ή τη διάταξη του χώρου. Η πραγματική έκρηξη ήρθε δεκαετίες αργότερα, όταν οι μηχανικοί εξόπλισαν κάθε ξεχωριστό σταθμό εργασίας με τον δικό του αυτόνομο, μικρό κινητήρα.

 

Το γεγονός ότι οι κατεστημένες εταιρείες λογισμικού και παροχής υπηρεσιών διαπιστώνουν απλώς οριακά κέρδη παραγωγικότητας, ενσωματώνοντας την Τεχνητή Νοημοσύνη στις υφιστάμενες ροές εργασίας και τις οργανωτικές τους δομές – την ίδια στιγμή που η χρήση, τα έσοδα και η παραγωγικότητα εκτοξεύονται στην Anthropic και την OpenAI, σε εταιρείες δηλαδή που δομήθηκαν εξαρχής γύρω από το AI, με προϊόντα που γράφονται και ελέγχονται από το ίδιο – αποτελεί ίσως μια πρώιμη ένδειξη ότι η ίδια δυναμική επαναλαμβάνεται και εδώ, αλλά με πολύ ταχύτερους ρυθμούς.

Υποψιάζομαι ότι και οι δύο πλευρές έχουν δίκιο. Μεγάλο μέρος των σημερινών εταιρικών δαπανών και της χρήσης του AI είναι αναποτελεσματικό. Ωστόσο, τα πραγματικά κέρδη παραγωγικότητας αντικατοπτρίζουν την αλληλεπίδραση ισχυρών νέων εργαλείων με δομές και διαδικασίες που δεν είναι κατάλληλα σχεδιασμένες για αυτά. Αυτές οι τριβές και οι δυσλειτουργίες θα υποχωρήσουν με την πάροδο του χρόνου.