Η εμφάνιση της τεχνητής νοημοσύνης (AI) προκαλεί συχνά έντονες ανησυχίες, όμως, όπως δείχνει η ιστορία, η πανικός δεν είναι η πιο χρήσιμη αντίδραση. Από την Παγκόσμια Έκθεση της Νέας Υόρκης το 1964, όπου παρουσιάστηκαν ρομπότ για τις οικιακές εργασίες, μέχρι τις διαδοχικές προβλέψεις για την ανατροπή της παραγωγικότητας λόγω υπολογιστικής ισχύος τη δεκαετία του 1990, και τις ανησυχίες για την αυτοματοποίηση πολλών θέσεων εργασίας τη δεκαετία του 2010, η ανθρωπότητα έχει βιώσει κύκλους υπερβολικών προσδοκιών και φόβων. Ακόμη και οι προβλέψεις για την άμεση κατάργηση θέσεων όπως οι οδηγοί φορτηγών το 2019, δεν επαληθεύτηκαν. Αντιθέτως, η αύξηση της χρήσης ρομπότ στη βιομηχανία έχει συσχετιστεί με αύξηση θέσεων εργασίας.
Η τρέχουσα υστερία γύρω από τα Μεγάλα Γλωσσικά Μοντέλα (LLMs) δεν αποτελεί εξαίρεση. Παρά τις διαδόσεις, μέχρι το 2025, είναι δύσκολο να βρεθούν παραδείγματα όπου τα LLMs έχουν πραγματικά αντικαταστήσει μεγάλο αριθμό θέσεων εργασίας. Οι απολύσεις που αποδίδονταν στην AI, μοιάζουν όλο και περισσότερο να μην συνδέονται άμεσα με αυτήν, ή, στην καλύτερη περίπτωση, ήταν προληπτικές, βασισμένες στην προσδοκία αντικατάστασης εργαζομένων. Ακόμη και ο CEO της OpenAI, Sam Altman, αναφέρθηκε σε “AI washing”, δηλαδή σε “ξεπλυμένο” marketing τεχνητής νοημοσύνης, όπου οι απολύσεις αυτές είναι στην ουσία “καπνός και καθρέφτες”.
Η πραγματική υιοθέτηση της AI είναι πιο αργή από όσο πιστεύουμε. Πρώτον, το κόστος εισαγωγής και χρήσης είναι σημαντικό. Οι πιο προηγμένες LLMs είναι ακριβές, και η υπόθεση ότι θα φθηνύνουν δραματικά δεν είναι αυτονόητη. Επιπλέον, οι περισσότερες προσφερόμενες λύσεις βασίζονται σε πυρηνική τεχνολογία από λίγες εταιρείες. Το κόστος του υπολογιστικού χρόνου και της ηλεκτρικής ενέργειας αυξάνεται. Το μεγαλύτερο κόστος, όμως, είναι η προσπάθεια διαμόρφωσης και συνεχούς ενημέρωσης των συστημάτων εντός του οργανισμού. Χρειάζεται ανθρώπινη υποστήριξη για την επίλυση προβλημάτων που η AI δεν μπορεί να χειριστεί, και οι βελτιώσεις στην παραγωγικότητα που οδηγούν σε μείωση προσωπικού έρχονται αργότερα.
Δεύτερον, η εστίαση στην κατάργηση θέσεων χαμηλής εξειδίκευσης είναι παραπλανητική. Η περικοπή θέσεων με ελάχιστο μισθό δεν επιφέρει σημαντική εξοικονόμηση, ειδικά όταν απαιτείται παρακολούθηση των εργαλείων AI. Οι απλές θέσεις εργασίας γραφείου είναι απλές επειδή δεν απαιτούν κρίση, αλλά πρέπει να εκτελούνται με απόλυτη ακρίβεια, κάτι που είναι ιδανικό για Machine Learning, αλλά το ML είναι πιο ακριβό και απαιτεί συνεχή προσαρμογή.
Τρίτον, τα LLMs μπορούν να αναλάβουν εργασίες σε πιο σύνθετες θέσεις, όπου η ακρίβεια δεν χρειάζεται να είναι απόλυτη. Είναι φθηνότερα από το ML, αλλά απαιτούν παρακολούθηση. Μια τυπική ανθρώπινη εργασία περιλαμβάνει πολλές διακριτές και σύνθετες εργασίες που δεν αυτοματοποιούνται εύκολα. Τα LLMs μπορούν να βοηθήσουν σε εργασίες προγραμματισμού, αλλά οι προγραμματιστές δαπανούν μεγάλο μέρος του χρόνου τους σε επικοινωνία με συναδέλφους.
Το πραγματικό όφελος των LLMs, κατά πάσα πιθανότητα, δεν θα προέλθει από την εξοικονόμηση κόστους, αλλά από τη δυνατότητα να κάνουμε νέα πράγματα που δεν είχαμε φανταστεί. Η εισαγωγή των μηχανών αναζήτησης, για παράδειγμα, μείωσε δραστικά τον χρόνο έρευνας, αλλά δημιούργησε νέες επιχειρήσεις, νέους τρόπους εργασίας και νέες θέσεις εργασίας. Πολλές επιχειρήσεις διαθέτουν τεράστιους όγκους δεδομένων που δεν μπορούσαν να οργανώσουν. Εργαλεία όπως το Claude/Anthropic, αν αποδώσουν τα αναμενόμενα, θα μπορούσαν να αφιερώσουν χρόνια στην ανάλυση αυτών των δεδομένων.
Αντί να εστιάζουμε στο τι κόβει η AI (μείωση προσωπικού), θα πρέπει να εστιάζουμε στο τι αναπτύσσει: νέα προϊόντα και λύσεις που η AI καθιστά εφικτά.
