Οι αγορές, όταν ακούν τον όρο «Τεχνητή Νοημοσύνη», έχουν συνηθίσει να τον προσδιορίζουν με γραμμικούς όρους: ένα νέο μοντέλο, λίγο καλύτερες επιδόσεις, περισσότερες εφαρμογές, σταδιακή ενσωμάτωση από τις επιχειρήσεις. Ωστόσο, αυτή η ανάγνωση κρίνεται πλέον ανεπαρκής, γιατί η AI δεν βελτιώνεται απλώς βήμα – βήμα, αλλά εισέρχεται σε μια νέα περίοδο μη γραμμικής και σχεδόν εκθετικής αναβάθμισης και επιτάχυνσης των δυνατοτήτων της.
Καθημερινά, όλοι μας γινόμαστε μάρτυρες νέων εφαρμογών και συστημάτων AI που βγαίνουν σε κυκλοφορία, γεγονός που συχνά κάνει δύσκολο να αντιληφθεί κανείς το βάθος της αλλαγής. Η καθημερινή ειδησεογραφία μπορεί να δημιουργεί την εντύπωση μιας συνεχούς αλλά ομαλής τεχνολογικής προόδου. Ωστόσο, το πραγματικό διακύβευμα είναι ότι οι δυνατότητες των μεγάλων γλωσσικών μοντέλων αυξάνονται με ρυθμό που μπορεί να αιφνιδιάσει επιχειρήσεις, επενδυτές και ολόκληρους κλάδους.
Αλλαγές με γεωμετρική πρόοδο
Όπως εκτιμούν ειδικοί στο χώρο της σύγχρονης Πληροφορικής, στην περίπτωση της Τεχνητής Νοημοσύνης η παραπάνω αλλαγή μπορεί να γίνει αντιληπτή μέσα από έναν κρίσιμο κανόνα κλιμάκωσης: Όσο αυξάνεται η υπολογιστική ισχύς που χρησιμοποιείται για την εκπαίδευση των Μεγάλων Γλωσσικών Μοντέλων (Large Language Models – LLMs), τόσο αυξάνονται δυσανάλογα και οι δυνατότητές τους.
Σε πρόσφατη ανάλυση της Morgan Stanley των Tom Wigg and Stephen Byrd, μια αύξηση κατά 10 φορές στο training compute μπορεί να οδηγήσει περίπου σε διπλασιασμό των δυνατοτήτων των μοντέλων αυτών. Το σημείο αυτό είναι καθοριστικό, διότι μεταφέρει τη συζήτηση από το πόσο καλύτερο είναι το επόμενο μοντέλο στο πόσο γρήγορα αλλάζει το σύνολο των οικονομικών δραστηριοτήτων που μπορεί να εκτελέσει η AI.
Τι σημαίνει αυτό, πρακτικά; Ότι η Τεχνητή Νοημοσύνη δεν αφορά πλέον μόνο την αυτοματοποίηση απλών εργασιών ή τη βελτίωση υφιστάμενων ψηφιακών εργαλείων.
Ήδη από τις αρχές του 2026 η συζήτηση γύρω από την Τεχνητή Νοημοσύνη στρέφεται στο κατά πόσον τα νέα μοντέλα μπορούν να αναλάβουν μεγαλύτερο μέρος της οικονομικής δραστηριότητας, με υψηλότερη ακρίβεια και πολύ χαμηλότερο κόστος. Εάν αυτό επιβεβαιωθεί, τότε η AI δεν θα είναι απλώς ακόμη ένας τεχνολογικός κύκλος, αλλά μια οριζόντια δύναμη μετασχηματισμού, ικανή να επηρεάσει επιχειρηματικά μοντέλα σε κάθε κλάδο: από το λογισμικό (software) και τις υπηρεσίες (services) έως την υγεία, τη βιομηχανία, τη χρηματοοικονομική ανάλυση και τη διοίκηση επιχειρήσεων.
Δύο κρίσιμα ζητήματα
Υπό το πρίσμα της παραπάνω υπόθεσης, εγείρονται δύο καίρια ζητήματα που χρήζουν εκτενέστερης ανάλυσης αναφορικά με τις επιπτώσεις αυτής της εκθετικής επιτάχυνσης της AI τόσο στις επιχειρήσεις όσο και ευρύτερα στις διεθνείς αγορές.
Το πρώτο αφορά στην έννοια της «διατάραξης» (disruption) που θα προκληθεί, εξαιτίας της Τεχνητής Νοημοσύνης, στις επιχειρήσεις. Και είναι κάτι που θα πρέπει να αντιμετωπιστεί με τη μέγιστη δυνατή προσοχή, διότι δεν συνεπάγεται πως όλες οι επιχειρήσεις θα πληγούν εξίσου ή ότι οι επενδυτές πρέπει να απορρίψουν συλλήβδην ολόκληρους κλάδους.
Μάλιστα, στην προκειμένη περίπτωση ισχύει το αντίθετο. Η επόμενη φάση της AI θα απαιτήσει βαθύτερη ανάλυση και διερεύνηση: Ποιες εταιρείες κινδυνεύουν να διαταραχθούν, ποιες μπορούν να ενισχυθούν από την AI και ποιες παραμένουν σχετικά προστατευμένες; Η διάκριση αυτή έχει μεγάλη σημασία, καθώς η Τεχνητή Νοημοσύνη μπορεί ταυτόχρονα να καταστρέφει αξία σε ορισμένα επιχειρηματικά μοντέλα και να δημιουργεί τεράστια παραγωγικότητα σε άλλα.
Το δεύτερο μεγάλο ζήτημα αφορά στις υποδομές. Η άνοδος της AI δεν είναι άυλη· απαιτεί data centers, μνήμη, ημιαγωγούς, οπτικές διασυνδέσεις, ενέργεια και τεράστιες επενδύσεις κεφαλαίου. Οι λεγόμενοι hyperscalers - οι μεγάλοι πάροχοι cloud και υπολογιστικής ισχύος - βρίσκονται στο επίκεντρο αυτής της μετάβασης. Παρότι η αγορά ανησυχεί για την πίεση που ασκούν αυτές οι επενδύσεις στις ελεύθερες ταμειακές ροές, οι ειδικοί εκτιμούν πως όσοι διαθέτουν την απαιτούμενη υπολογιστική ισχύ και την πρόσβαση σε ενέργεια θα έχουν ισχυρή τιμολογιακή δύναμη.
Η λογική, πίσω απ’ αυτό, είναι απλή: Αν οι επιχειρήσεις μπορούν να εξοικονομούν σημαντικό χρόνο και κόστος μέσω της χρήσης AI, τότε είναι διατεθειμένες να πληρώσουν για αυτή την υπηρεσία. Στη συζήτηση αναφέρεται ένα ενδεικτικό παράδειγμα: μια εταιρική χρήση μεγάλου γλωσσικού μοντέλου μπορεί να αντικαταστήσει εργασία περίπου μιάμισης εργατοώρας, εξοικονομώντας περίπου 55 δολάρια κόστους, ενώ το κόστος για ένα εκατομμύριο tokens μπορεί να είναι πολύ χαμηλότερο. Ακόμη και σύνθετες agentic εργασίες - δηλαδή εργασίες όπου ένα σύστημα AI αναλαμβάνει πολλαπλά βήματα αντί να απαντά απλώς σε ένα ερώτημα- μπορούν σήμερα να εκτελούνται με κατανάλωση tokens πολύ μικρότερη από το ένα εκατομμύριο.
Με βάση τους παραπάνω υπολογισμούς, γίνεται αντιληπτό γιατί μεγάλοι «παίκτες» της αγοράς, όπως η Morgan Stanley, βλέπουν ισχυρή απόδοση επένδυσης για τους μεγάλους παίκτες της AI υποδομής. Το κρίσιμο στοιχείο δεν είναι μόνο η προσφορά υπολογιστικής ισχύος, αλλά και η εκρηκτική αύξηση της ζήτησης. Καθώς οι δυνατότητες των μοντέλων βελτιώνονται, οι επιχειρήσεις θα χρησιμοποιούν περισσότερα tokens, όχι λιγότερα. Η μετάβαση από απλές ερωτήσεις προς agentic workflows μπορεί να αυξήσει τη χρήση tokens κατά τάξη μεγέθους, επειδή η AI δεν περιορίζεται σε μία απάντηση, αλλά σχεδιάζει, εκτελεί, ελέγχει, διορθώνει και επαναλαμβάνει ενέργειες.
Ένας αντίλογος απέναντι στους σκεπτικιστές
Σε αυτό το σημείο, ακριβώς, βρίσκεται και μια κρίσιμη απάντηση σε όσους αντιμετωπίζουν με σκεπτικισμό την εν λόγω προοπτική. Ορισμένοι θεωρούν ότι η σημερινή έκρηξη στη χρήση tokens οφείλεται κυρίως στον προγραμματισμό, έναν τομέα που είναι από τη φύση του φιλικός προς τα γλωσσικά μοντέλα και απαιτεί μεγάλη κατανάλωση υπολογιστικών πόρων.
Πράγματι – και αυτό είναι κάτι που αναγνωρίζουν και οι ειδικοί στο χώρο της σύγχρονης Πληροφορικής – η κωδικοποίηση (coding) είναι μια διαδικασία που απαιτεί μεγάλη κατανάλωση tokens (token-intensive). Ωστόσο, η επόμενη φάση της Τεχνητής Νοημοσύνης δεν θα περιοριστεί εκεί. Σχεδόν κάθε εργασία γνώσης μπορεί να κινηθεί προς agentic χρήση της AI: ανάλυση, έρευνα, σύνταξη, έλεγχος δεδομένων, λήψη αποφάσεων, επιχειρησιακή υποστήριξη. Όταν ένα μοντέλο δεν απαντά απλώς σε ένα prompt, αλλά εργάζεται αυτόνομα πάνω σε έναν στόχο, η ανάγκη για compute αυξάνεται κατακόρυφα.
Δύο παράλληλοι κόσμοι
Εντούτοις, η μετάβαση αυτή δεν θα γίνει ομοιόμορφα. Εκείνοι που θα υιοθετήσουν με γοργό ρυθμό την AI, θα προηγηθούν και θα δείξουν στην αγορά τι είναι πραγματικά δυνατό.
Εξάλλου, οι μέσες επιχειρήσεις θα χρειαστούν περισσότερο χρόνο για να κατανοήσουν, να ενσωματώσουν και να ανασχεδιάσουν τις ροές εργασίας τους γύρω από την Τεχνητή Νοημοσύνη.
Αυτό έχει ως αποτέλεσμα τη δημιουργία δύο παράλληλους κόσμους: Από τη μία, εταιρείες που ήδη αποκομίζουν τεράστια οφέλη παραγωγικότητας· από την άλλη, επιχειρήσεις που ακόμη αντιμετωπίζουν την AI ως εργαλείο υποβοήθησης και όχι ως θεμελιώδη μηχανισμό ανασχεδιασμού της λειτουργίας τους.
Βάσει των παραπάνω, το 2026 μπορεί να αποτελέσει ένα έτος καμπής για την εξέλιξη της ΑΙ. Όχι απαραίτητα επειδή όλες οι επιχειρήσεις θα μετασχηματιστούν άμεσα, αλλά επειδή θα αρχίσουν να εμφανίζονται πιο καθαρά οι αποδείξεις: επιτάχυνση εσόδων στα AI labs, έκρηξη χρήσης tokens, μεγαλύτερη ανάγκη για data centers, πίεση για ενέργεια και διαρκής ζήτηση για υπολογιστική ισχύ. Η αγορά, που συχνά αναζητά απτά σημάδια πριν αναθεωρήσει τις αποτιμήσεις της, ενδέχεται να αρχίσει να αντιμετωπίζει την AI όχι ως αφήγημα, αλλά ως παραγωγική υποδομή της νέας οικονομίας.
Ερωτήματα, προκλήσεις και το πρόβλημα της Ευρώπης
Όπως καθίσταται αντιληπτό, το επόμενο μεγάλο άλμα της Τεχνητής Νοημοσύνης δεν είναι μόνο τεχνολογικό. Είναι οικονομικό, επενδυτικό και επιχειρησιακό. Η AI αλλάζει το κόστος της εργασίας γνώσης, επαναπροσδιορίζει την αξία της υπολογιστικής ισχύος και αναγκάζει κάθε εταιρεία να απαντήσει σε ένα δύσκολο ερώτημα: Θα είναι από εκείνες που θα διαταραχθούν ή από εκείνες που θα χρησιμοποιήσουν την Τεχνητή Νοημοσύνη για να γίνουν πιο παραγωγικές, πιο γρήγορες και πιο ανταγωνιστικές;
Η μεγάλη πρόκληση, πάντως, δεν αφορά μόνο τις εταιρείες τεχνολογίας ή τους επενδυτές που αναζητούν τους επόμενους νικητές της αγοράς. Αφορά και τις κυβερνήσεις, τα εκπαιδευτικά συστήματα και τις κοινωνίες συνολικά. Αν η Τεχνητή Νοημοσύνη μπορεί να αυξήσει θεαματικά την παραγωγικότητα, τότε το κρίσιμο ερώτημα είναι ποιοι θα έχουν πρόσβαση σε αυτή την παραγωγικότητα και ποιοι θα μείνουν πίσω. Η απόσταση ανάμεσα σε επιχειρήσεις, χώρες και εργαζομένους που θα ενσωματώσουν γρήγορα την AI και σε εκείνους που θα καθυστερήσουν μπορεί να διευρυνθεί σημαντικά.
Παράλληλα, η συζήτηση για την AI δεν μπορεί να αποσυνδεθεί από το ανθρώπινο κεφάλαιο. Η τεχνολογία μπορεί να αυτοματοποιεί εργασίες, αλλά η αξία της θα εξαρτηθεί σε μεγάλο βαθμό από το πώς οι άνθρωποι θα μάθουν να τη χρησιμοποιούν. Οι εργαζόμενοι δεν θα χρειαστεί απλώς να αποκτήσουν τεχνικές δεξιότητες, αλλά να αναπτύξουν ικανότητες κρίσης, αξιολόγησης, δημιουργικής σκέψης και ελέγχου των αποτελεσμάτων που παράγουν τα συστήματα AI. Η επόμενη φάση δεν θα είναι μόνο μάχη υπολογιστικής ισχύος, αλλά και μάχη προσαρμογής.
Για την Ευρώπη, το ζήτημα αποκτά ακόμη μεγαλύτερη σημασία. Η ήπειρος κινδυνεύει να βρεθεί ανάμεσα στις αμερικανικές και ασιατικές τεχνολογικές πλατφόρμες, χωρίς επαρκή δική της υπολογιστική υποδομή, ενεργειακή επάρκεια και βιομηχανική στρατηγική. Αν η AI γίνει η βασική υποδομή της νέας οικονομίας, τότε η τεχνολογική εξάρτηση θα μεταφραστεί και σε οικονομική εξάρτηση. Γι’ αυτό η συζήτηση για την Τεχνητή Νοημοσύνη είναι πλέον και συζήτηση για ανταγωνιστικότητα, κυριαρχία και στρατηγική αυτονομία.
