Η ταχεία ανάπτυξη της Τεχνητής Νοημοσύνης αποτελεί κίνδυνο για τα επαγγέλματα της γνώσης. Τι συμβαίνει με όσους αποφασίσουν να μην επιβιβαστούν στο τρένο της αλλαγής, πώς επηρεάζεται η χώρα μας, τι βήματα πρέπει να ακολουθήσουμε και ποιο είναι το μεγάλο στοίχημα για την ελληνική οικονομία;
Ο καθηγητής του Τμήματος Διοικητικής Επιστήμης και Τεχνολογίας του Οικονομικού Πανεπιστημίου Αθηνών και διευθυντής του Εργαστηρίου Ηλεκτρονικού Εμπορίου και Επιχειρείν ELTRUN, Γιώργος Δουκίδης, μιλάει στο Liberal και επιχειρεί να βάλει τα πράγματα στη σωστή τους διάσταση.
Συνέντευξη στον Αλέξανδρο Μαυρίδη
Ήδη οι εταιρείες AI απολύουν εργαζομένους και παράλληλα αυξάνουν τις λειτουργικές δαπάνες (capex) για ανάπτυξη AI. Ποια επαγγέλματα θεωρείτε εσείς ότι απειλούνται στο άμεσο μέλλον και τι θα κάνουν όλοι αυτοί οι άνθρωποι που θα χάσουν τις δουλειές τους;
Οι εργασίες που δεν επηρεάζονται είναι οι χειρωνακτικές, ενώ τα επαγγέλματα που απειλούνται σχετίζονται με τις υπηρεσίες που δημιουργούν άυλο περιεχόμενο, δηλαδή σύμβουλοι επιχειρήσεων, δικηγόροι, δημοσιογράφοι, προγραμματιστές, στελέχη μάρκετινγκ, λογιστές, αρχιτέκτονες κ.λπ. Ήδη βλέπουμε τα πρώτα αρνητικά αποτελέσματα πιθανόν λόγω του ΑΙ. Για παράδειγμα, το ποσοστό των πλήρους απασχόλησης εργαζομένων στους πρόσφατα αποφοιτήσαντες μηχανικούς υπολογιστών στις ΗΠΑ από το 70% το 2021 έπεσε στο 55% το 2025. Θεωρώ όμως ότι μάλλον μεταβαίνουμε σε μια αναδιαμόρφωση παρά αντικατάσταση των επαγγελμάτων.
Δηλαδή η ΤΝ αφαιρεί επαναλαμβανόμενες δραστηριότητες και απελευθερώνει χρόνο για δραστηριότητες υψηλότερης προστιθέμενης αξίας όπως επικύρωση των αποτελεσμάτων των συστημάτων ΑΙ, ενορχήστρωση των υβριδικών ομάδων ανθρώπων με τους ΑΙ agents και ουσιαστική διακυβέρνηση στον αβέβαιο και υψηλού ρίσκου επιχειρηματικό οικοσύστημα που αρχίζει να δημιουργείται. Για παράδειγμα, ένας προγραμματιστής του οποίου η συγγραφή κώδικα αυτοματοποιείται μέσω ΑΙ θα πρέπει να ασχολείται περισσότερο με ανάλυση απαιτήσεων και σχεδιασμό, επαλήθευση κώδικα και έλεγχο ποιότητας, ανασχεδιασμό διαδικασιών που αλλάζουν, διαχείριση αλλαγών και αντιστάσεων από τους εργαζόμενους που επηρεάζονται από το πληροφοριακό σύστημα.
Με βάση την επιστημονική σας εμπειρία, τι εξοικονόμηση πόρων πετυχαίνουν οι εταιρείες που κάνουν χρήση AI; Όχι μόνο αυτές που κάνουν αποσπασματική ή πιλοτική χρήση, αλλά και οι οργανισμοί που έχουν προχωρήσει σε ολιστικό μετασχηματισμό και έχουν ενσωματώσει την AI σε όλο το εύρος των λειτουργιών τους.
Η αυτοματοποίηση entry level διαδικασιών μέσω του ΑΙ αυξάνει την παραγωγικότητα, που για την Ελλάδα είναι σοβαρό πρόβλημα γιατί βρισκόμαστε μόλις στο 43% του μέσου όρου παραγωγικότητας ανά ώρα εργασίας στην ΕΕ. Η αύξηση της παραγωγικότητας φέρνει υψηλότερους μισθούς και διατηρήσιμη αύξηση εισοδήματος. Δεν αναμένουμε όμως δραματικές αυξήσεις στο εγχώριο ΑΕΠ, γιατί οι κλάδοι που επηρεάζονται από την αύξηση της παραγωγικότητας είναι κυρίως οι υπηρεσίες που έχουν εσωστρεφή orientation και συμβάλουν περιορισμένα στις εξαγωγές της χώρας μας. Για τις λίγες επιχειρήσεις που κατάφεραν ένα ολιστικό μετασχηματισμό μέσω του ΑΙ σίγουρα θα έχουν ένα στρατηγικό πλεονέκτημα έναντι των ανταγωνιστών με αυτοματοποίηση των λειτουργιών τους, καλύτερη λήψη αποφάσεων από τα στελέχη, και πιθανόν νέες καινοτόμες υπηρεσίες.
Σύμφωνα με έκθεση της McKinsey, τον περασμένο Νοέμβριο, τα 2/3 των επιχειρήσεων παραμένουν εγκλωβισμένες σε πιλοτικό στάδιο, χωρίς να καταφέρουν να κλιμακώσουν λύσεις AI σε όλη την επιχείρηση. Αυτό γιατί συμβαίνει; Είναι επιλογή η επιμέρους χρήση ή είναι κάποιου είδους αδυναμία;
Το θέμα δεν είναι τόσο τεχνολογικό άρα κυρίως επιχειρηματικό και οργανωσιακό. Βάσει πρόσφατης μελέτης του INSEAD με ερευνητές του Οικονομικού Πανεπιστημίου Αθηνών, στις προχωρημένες αυτές επιχειρήσεις αναμένουμε το ΑΙ να επιφέρει δραστικές αλλαγές που έχουν για την ώρα αδυναμία να τις διαχειριστούν.
Πρώτο, οι πράκτορες ΑΙ αναλαμβάνουν επαναλαμβανόμενες παραγωγικές δραστηριότητες και άρα η βάση της ιεραρχικής πυραμίδας συρρικνώνεται για πρώτη φορά μετά από τουλάχιστον 50 χρόνια με ανάπτυξη ενός ισχυρού ενδιάμεσου στελεχιακού επιπέδου.
Δεύτερο, τα παραδοσιακά μοντέλα μάθησης μέσω πρακτικής εμπειρίας καταρρέουν και άρα χρειάζονται νέα μοντέλα ανάπτυξης ταλέντων στις επιχειρήσεις μέσω νέων μοντέλων προσομοίωσης, job rotations, και ουσιαστικής καθοδήγησης (mentoring).
Τρίτο, τα επιχειρηματικά μοντέλα επαναπροσδιορίζονται, αφού η τιμολόγηση στις εταιρίες υπηρεσιών που ήταν βάσει χρόνου εργασίας διαβρώνεται γιατί υπάρχει συμπίεση του χρόνου εκτέλεσης, και αναγκαστικά οι επιχειρήσεις θα πρέπει να εισάγουν τη τιμολόγηση βάσει αποτελέσματος και παραγόμενης αξίας, όπου δεν υπάρχει σχετική τεχνογνωσία.
Τέταρτο, η διακυβέρνηση (governance) από μεταγενέστερη δραστηριότητα κανονιστικής συμμόρφωσης μετατρέπεται σε θεμελιώδη οργανωσιακή ικανότητα και εντάσσεται στο πυρήνα του λειτουργικού τους μοντέλου που σημαίνει: άμεση ανταπόκριση στις κανονιστικές συνθήκες, διαχείριση τεχνολογικών και επιχειρησιακών κινδύνων, και διατήρηση της εμπιστοσύνης των πελατών και θεσμών.
Τι θα συμβεί σε όσες επιχειρήσεις δεν θελήσουν ή δεν μπορέσουν να μετασχηματιστούν ολιστικά ώστε να ενσωματώσουν την Τεχνητή Νοημοσύνη στη λειτουργία τους;
Ασχέτως των τεχνολογικών εξελίξεων, οι εταιρίες πάντα χρειάζονται να έχουν καινοτόμα προϊόντα/υπηρεσίες, ποιοτικό ανθρώπινο δυναμικό, ευχαριστημένους πελάτες, αποδοτικές οργανωσιακές/παραγωγικές υποδομές κ.λπ. Το ΑΙ, τουλάχιστον για την ώρα, δεν είναι η πανάκεια στην επίλυση όλων των προβλημάτων/προκλήσεων/κρίσεων των επιχειρήσεων, απλώς βοηθάει να γίνουν οι επιχειρήσεις πιο παραγωγικές, αποδοτικές και ευέλικτες.
Είναι μια αναβαθμισμένη συνέχεια του ψηφιακού μετασχηματισμού. Άρα αναμένουμε ότι αυτοί που δεν θα την αξιοποιήσουν και είναι στους κλάδους των υπηρεσιών/περιεχομένου να χάνουν σταδιακά τα ανταγωνιστικά τους πλεονεκτήματα. Οι δραματικές αναταράξεις που είδαμε τα τελευταία 40 χρόνια σε διάφορους επιχειρηματικούς κλάδους θα συνεχιστούν και μάλλον με μεγαλύτερη ένταση.
Το στοίχημα βέβαια για την Ελλάδα είναι πώς θα υποστηριχθούν οι εκατοντάδες χιλιάδες μικρό-μεσαίες επιχειρήσεις ώστε να μπορούν να ακολουθούν τις εξελίξεις πάρα τα προβλήματα μεγέθους, τεχνογνωσίας και πόρων που έχουν.
Οι εξελίξεις στον τομέα της ΤΝ και η πρόοδος των Νέων Τεχνολογιών είναι ραγδαίες. Θα προλάβουμε, άραγε, ως Ελλάδα να ακολουθήσουμε εγκαίρως τις εξελίξεις αυτές ή είναι υπαρκτός ο κίνδυνος να μείνουμε πίσω;
Στο υπό διαμόρφωση νέο διεθνές επιχειρηματικό περιβάλλον έχομε μια ευκαιρία να αλλάξουμε το επιχειρηματικό μοντέλο της χώρας και να γίνουμε μια πιο ανταγωνιστική ευρωπαϊκή οικονομία. Έχουμε το αναγκαίο ταλέντο, υψηλή κυβερνητική προτεραιότητα στο θέμα του ΑΙ με στρατηγική επιτροπή του πρωθυπουργού, δυο ειδικές γραμματείες, πρωτοπορία στις υποδομές - όπως Δαίδαλος και Pharos - και καινοτόμες πρωτοβουλίες ΑΙ για το δημόσιο τομέα.
Όμως μας λείπει το δια ταύτα της στοχευμένης αξιοποίησης στην ιδιωτική οικονομία και η αποτελεσματικότητα να αρπάξουμε την ευκαιρία άμεσα με συγκεκριμένους στόχους.
Για παράδειγμα, η δημιουργία εφαρμογών ΑΙ σε σημαντικούς κλάδους της ελληνικής οικονομίας - ναυτιλία, παραγωγή, αγροδιατροφή, τουρισμό - που μπορούν να προωθηθούν και στο εξωτερικό, στοχευμένο πρόγραμμα χρηματοδότησης των 40 και πλέον top ερευνητικών ομάδων ΑΙ στα ελληνικά πανεπιστήμια και ερευνητικά κέντρα με απαίτηση για άμεση αξιοποίηση των ερευνητικών αποτελεσμάτων τους και τέλος η καθολική εισαγωγή ΑΙ εφαρμογών με συγκεκριμένα σενάρια χρήσης στις εκατοντάδες χιλιάδες μικρομεσαίες ελληνικές επιχειρήσεις μέσω των συστημάτων ERP που χρησιμοποιούν καθημερινά, με τη παράλληλη πρακτική εκπαίδευση.
Το θετικό είναι η δημιουργία αρκετών startups στο ΑΙ που όμως θα πάρει χρόνο η επιχειρηματική τους ενηλικίωση και επίσης ότι η πλειοψηφία είναι από Έλληνες της διασποράς με πιθανόν άλλες επιχειρηματικές προτεραιότητες.
Ένα σύνηθες πρόβλημα στις εταιρείες που έχουν μεγάλες βάσεις δεδομένων είναι η ποιότητα των δεδομένων. Αν, δηλαδή, αυτά έχουν λάθη ή αν λείπουν πληροφορίες. Αν προηγουμένως δεν έχει προηγηθεί διόρθωση αυτών των λαθών (data cleansing), κάτι που απαιτεί χρόνο, πώς θα μπορέσουν οι AI agents να χρησιμοποιήσουν τα δεδομένα αυτά; Όσο έξυπνα και ικανά και αν είναι, θα καταλήξουν με τα λάθος data σε λάθος συμπεράσματα. Έχουμε δηλαδή μία ασυμμετρία ταχύτητας μεταξύ data cleansing και AI data processing.
Η ποιότητα δεδομένων είναι από τους πιο κρίσιμους παράγοντες για την επιτυχία της AI. Ακόμα και τα πιο προηγμένα μοντέλα αποδίδουν άσχημα όταν εκπαιδεύονται με λανθασμένα, ελλιπή ή μεροληπτικά δεδομένα. Πολύ συχνά λέμε για το “Garbage in, garbage out”. Δηλαδή αν τα δεδομένα εισόδου είναι ελλιπή και το αποτέλεσμα θα είναι ελλιπές. Άρα πρέπει να γίνεται ουσιαστικός έλεγχος και διορθώσεις ώστε τα δεδομένα να είναι ακριβή χωρίς λάθη, πλήρη χωρίς σημαντικά κενά, συνεπή με την ίδια μορφή και λογική, επίκαιρα και ενημερωμένα, και τέλος αντιπροσωπευτικά ώστε να καλύπτουν όλες τις περιπτώσεις. Η ποιότητα δεδομένων αποτελεί ουσιαστικά το θεμέλιο κάθε επιτυχημένου συστήματος AI γιατί οδηγούν σε πιο αξιόπιστα μοντέλα, πιο δίκαιες αποφάσεις, καλύτερη εμπειρία χρήστη, και ασφαλέστερες εφαρμογές AI.
* Ο Γιώργος Δουκίδης είναι Καθηγητής του Οικονομικού Πανεπιστημίου Αθηνών και Σύμβουλος Επιχειρήσεων.
