Ξεχάστε το επόμενο «μπαμ» παραγωγικότητας: Η μεγάλη παγίδα της Τεχνητής Νοημοσύνης

«Κάτι μεγάλο συμβαίνει», έγραψε ο ιδρυτής μιας startup Τεχνητής Νοημοσύνης Matt Shumer σε ένα πρόσφατο viral άρθρο, το οποίο αποτύπωσε την αυξανόμενη αυτοπεποίθηση του κλάδου του ότι η τεχνολογία θα τροφοδοτήσει την επόμενη μεγάλη έκρηξη παραγωγικότητας. Μέχρι στιγμής, η οικονομία δεν έχει ακολουθήσει τον ίδιο ρυθμό.

Στην πραγματικότητα, μετά την απότομη επιβράδυνση της δεκαετίας του 1970, η παραγωγικότητα των ΗΠΑ έχει βιώσει μόνο μία σύντομη έκρηξη ανάπτυξης: την εποχή των υπολογιστών. Η παραγωγή ανά ώρα εργασίας αυξήθηκε κατά περίπου 3% ετησίως στα τέλη της δεκαετίας του 1990 και στις αρχές της δεκαετίας του 2000, και στη συνέχεια εξασθένησε.

Όταν η AI παίρνει αποφάσεις αυτόνομα, ποιος θα πληρώσει το βαρύ τίμημα των λαθών του;

Θα μπορούσε η τεχνητή νοημοσύνη (AI) να είναι διαφορετική περίπτωση; Οι αισιόδοξοι δείχνουν την κύρια παραγωγικότητα της εργασίας, η οποία αυξήθηκε με ετήσιο ρυθμό 1,8% το τέταρτο τρίμηνο του 2025, σημειώνει στο Social Europe ο καθηγητής Τεχνητής Νοημοσύνης Καρλ Μπένεντικτ Φρέι.

Αλλά μια πιο καθαρή μέτρηση από την Ομοσπονδιακή Τράπεζα του Αγίου Φραγκίσκου, η οποία αφαιρεί την κυκλική ένταση (την επίδραση του να βάζεις απλώς ανθρώπους και μηχανές να δουλεύουν πιο εντατικά), δείχνει ότι η παραγωγικότητα της εργασίας αυξήθηκε μόλις 0,2% σε ετήσια βάση. Αυτό δύσκολα υποδηλώνει «κάτι μεγάλο».

Μια θεμελιώδης διαφορά

Αντιθέτως, θα ήμασταν τυχεροί αν βλέπαμε την τεχνολογία να φτάνει έστω και τη βραχύβια επανάσταση των υπολογιστών.

Η αύξηση της παραγωγικότητας πιθανότατα θα απογοητεύσει, όχι επειδή η τεχνολογία είναι αδύναμη, αλλά επειδή αυτοματοποιεί κάτι θεμελιωδώς διαφορετικό από αυτό που έκαναν ο προσωπικός υπολογιστής και το διαδίκτυο.

Πιο συγκεκριμένα, η AI δημιουργεί ένα σημείο συμφόρησης (bottleneck) που τα προηγούμενα ψηφιακά εργαλεία κατάφεραν σε μεγάλο βαθμό να αποφύγουν.

Η AI δεν ολοκληρώνει τη δουλειά, απλώς παράγει αβέβαια προσχέδια

Σκεφτείτε τι πραγματικά αυτοματοποίησε η επανάσταση των υπολογιστών — ταχύτερους υπολογισμούς και πρόσβαση στη γνώση. Οι υπολογιστές, το email, τα λογιστικά φύλλα και ο Παγκόσμιος Ιστός (web) αφαίρεσαν τις τριβές από τη διαδικασία εύρεσης, αποθήκευσης και μετάδοσης πληροφοριών.

Ένας ερευνητής που χρειαζόταν μια πηγή δεν χρειαζόταν πλέον να ψάξει σε μια βιβλιοθήκη ή να περιμένει να του αποσταλεί ταχυδρομικά.

Τα κέρδη παραγωγικότητας ήταν σχετικά απλά, επειδή οι άνθρωποι μπορούσαν απλώς να υποκαταστήσουν την πιο αργή μέθοδο (μια βιβλιοθήκη) με την ταχύτερη (Google). Η πληροφορία που βρισκόταν στο διαδίκτυο ήταν η ίδια με αυτή που θα έβρισκε κανείς σε ένα ράφι.

Κρίσιμης σημασίας είναι το γεγονός ότι, όταν οι υπολογιστές εκτελούσαν βασικές εργασίες, το έκαναν ντετερμινιστικά. Ένα λογιστικό φύλλο θα μπορούσε να πολλαπλασιάσει λανθασμένα δεδομένα εισόδου, αλλά δεν εφηύρε την αριθμητική.

Οι μηχανές αναζήτησης μπορούσαν να εμφανίσουν άσχετο υλικό, αλλά δεν κατασκεύαζαν ανύπαρκτες πηγές. Ο κύριος κίνδυνος ήταν το ανθρώπινο λάθος, όχι η πειστική επινόηση.

Το ακριβό τίμημα του λάθους

Η AI αυτοματοποιεί κάτι διαφορετικό: την ίδια την παραγωγή γνωστικών αποτελεσμάτων — από τη συγγραφή κειμένων μέχρι τη σύνταξη κώδικα. Συχνά εκτελεί αυτές τις εργασίες αρκετά καλά.

Αλλά επειδή μπορεί επίσης να κάνει λάθη με μεγάλη αυτοπεποίθηση και με τρόπους που φαίνονται αληθοφανείς, δημιουργεί μια ένταση που όσοι βίωσαν την επανάσταση των υπολογιστών δεν αντιμετώπισαν ποτέ: αν οι άνθρωποι πρέπει να παραμείνουν στο κύκλωμα για να επαληθεύσουν τα αποτελέσματα της AI, θα εξακολουθούν να χρειάζονται τη βαθιά γνώση του αντικειμένου που υποτίθεται ότι υποκαθιστά η AI.

Η διασφάλιση της αξιοπιστίας εξακολουθεί να απαιτεί σπάνια τεχνογνωσία και χρόνο. Έτσι, μέρος του χρόνου που εξοικονομείται κατά την παραγωγή του περιεχομένου αντισταθμίζεται εν μέρει —και μερικές φορές εξ ολοκλήρου— από τον χρόνο που δαπανάται για την ανακατασκευή της συλλογιστικής, τη δοκιμή των ισχυρισμών και την ανάληψη της ευθύνης για το τελικό αποτέλεσμα.

Ένα πτωχευτικό δικαστήριο του Μανχάταν έδωσε το πιο πρόσφατο παράδειγμα αυτού του προβλήματος μόλις αυτόν τον μήνα. Η Sullivan & Cromwell —μία από τις πιο διακεκριμένες νομικές εταιρείες της Wall Street— κατέθεσε μια επείγουσα αίτηση γεμάτη από κατασκευασμένες παραπομπές και άλλα λάθη που δημιουργήθηκαν από AI.

Τα λάθη δεν εντοπίστηκαν από τη διαδικασία ελέγχου της ίδιας της εταιρείας, αλλά από τον δικηγόρο της αντίδικης πλευράς. Το περιστατικό έδειξε τι συμβαίνει όταν ένα εργαλείο που παράγει ρέοντα λόγο συναντά έναν κόσμο που απαιτεί επαληθεύσιμη αλήθεια.

Το βαθύτερο ζήτημα δεν είναι απλώς ότι η AI μπορεί να κάνει λάθος. Είναι ότι το κόστος των λαθών αλλάζει. Καθώς τα συστήματα γίνονται πιο «πρακτορικά» (agentic) —καθώς ενεργούν αυτόνομα, αντί να παράγουν απλώς κείμενο— τα λάθη αποκτούν μεγαλύτερες συνέπειες.

Ένα chatbot που «παραισθάνεται» μια παράγραφο είναι ενοχλητικό. Ένας αυτόνομος πράκτορας που αλλάζει κώδικα, μεταφέρει χρήματα, καταθέτει έγγραφα ή διαγράφει μια βάση δεδομένων, μπορεί να προκαλέσει πραγματική ζημιά στην ταχύτητα μιας μηχανής.

Ο «φόρος επαλήθευσης»

Ονομάστε το «φόρο επαλήθευσης» (verification tax). Σε οποιοδήποτε περιβάλλον όπου κάποιος είναι υπόλογος για ένα αποτέλεσμα, το αποτέλεσμα του AI δεν είναι ένα τελικό προϊόν.

Είναι ένα προσχέδιο που πρέπει να ελεγχθεί. Η δουλειά δεν εξαφανίζεται· μετατοπίζεται από την παραγωγή στην επίβλεψη. Η καθαρή παραγωγικότητα ισούται με τον χρόνο που εξοικονομείται για τη δημιουργία ενός προσχεδίου μείον τον χρόνο που δαπανάται για τη διασφάλιση της αξιοπιστίας του.

Συνεπώς, σε μια μεγάλη μελέτη πεδίου για την υποστήριξη πελατών, ένας παραγωγικός βοηθός τεχνητής νοημοσύνης αύξησε την παραγωγικότητα κατά 14% κατά μέσο όρο, με πολύ μεγαλύτερα κέρδη για τους αρχάριους και ελάχιστα οφέλη για τους έμπειρους. Επειδή οι εργασίες ήταν τυποποιημένες, τα αποτελέσματα ήταν ευκολότερο να αξιολογηθούν.

Αλλά όταν το πλαίσιο είναι πιο περίπλοκο, το βάρος της επαλήθευσης μπορεί να υπερβεί το όφελος.

Μια τυχαιοποιημένη δοκιμή με έμπειρους προγραμματιστές που εργάζονταν στα δικά τους αποθετήρια, διαπίστωσε ότι η πρόσβαση σε εργαλεία AI αιχμής τους έκανε περίπου 19% πιο αργούς — σε μεγάλο βαθμό επειδή ο χρόνος τους αναλώθηκε στο να δίνουν εντολές, να αναθεωρούν και να διορθώνουν.

Αυτά τα αποτελέσματα υποδηλώνουν ότι η απόδοση της τεχνητής νοημοσύνης εξαρτάται από τη δομή της εργασίας. Όπου τα λάθη είναι φθηνά και τα αποτελέσματα ελέγχονται εύκολα, η AI μπορεί να επιταχύνει την εργασία. Όπου τα λάθη είναι δαπανηρά, το σημείο συμφόρησης μετατοπίζεται από την «εκτέλεση της δουλειάς» στην «πιστοποίησή» της.

Όταν η AI σπρώχνει το κόστος εκτέλεσης προς το μηδέν, ο περιοριστικός παράγοντας γίνεται η ικανότητά μας να επικυρώνουμε τα αποτελέσματα.

Ο κίνδυνος για το μέλλον

Αυτό το πλαίσιο αποσαφηνίζει επίσης έναν μακροπρόθεσμο κίνδυνο. Εάν οι εταιρείες ανταποκριθούν στην τεχνητή νοημοσύνη προσλαμβάνοντας λιγότερους junior υπαλλήλους, παρέχοντας λιγότερη εκπαίδευση και υποθέτοντας ότι η μηχανή θα αναλάβει το πρώτο προσχέδιο, διαβρώνουν την ίδια την τεχνογνωσία που απαιτείται για τον έλεγχο των αποτελεσμάτων της μηχανής.

Ο οργανισμός θα φαίνεται πιο ευέλικτος μέχρι τη στιγμή που το κρυφό λάθος θα βγει στην επιφάνεια.

Η ανάγκη για νέους κανόνες

Τι θα χρειαζόταν, λοιπόν, για να αποδώσει η AI ευρεία αύξηση της παραγωγικότητας, αντί για πολλή δραστηριότητα και ακοστολόγητο κίνδυνο;

Η απάντηση είναι η υποδομή επαλήθευσης. Για παράδειγμα, ένας ομοσπονδιακός δικαστής στο Τέξας απαιτεί πλέον από τους δικηγόρους να πιστοποιούν ότι οποιοδήποτε κείμενο έχει συνταχθεί από AI, έχει επαληθευτεί με παραδοσιακή έρευνα, προσθέτει ο Φρέι

Καταλήγοντας, ο καθηγητής επισημαίνει ότι μια παρόμοια αλλαγή απαιτείται σε όλες τις εργασίες γραφείου. Εάν οι εταιρείες θέλουν οι πράκτορες AI να διαχειρίζονται κρίσιμα δεδομένα, θα χρειαστούν αποδείξεις προέλευσης, ίχνη ελέγχου και σαφή πρότυπα δέουσας επιμέλειας. Μια τέτοια θεσμική αλλαγή δεν συμβαίνει με την ίδια ταχύτητα που κυκλοφορούν τα νέα μοντέλα.

Μέχρι να προλάβουν να προσαρμοστούν οι κανονισμοί, οι επαγγελματικοί κανόνες και τα δικαστήρια, οι δυνατότητες της AI θα παραμένουν περιορισμένες.

Πηγή: Social Europe