Οι επιχειρήσεις συζητούν τα λάθος ερωτήματα για την ΤΝ

Ο Bill Gates ζητά δικλίδες ασφαλείας για την ΤΝ, επειδή, αν αφεθεί ανεξέλεγκτη, θα μπορούσε να προκαλέσει «ένα δισεκατομμύριο θανάτους». Η δήλωσή του έρχεται λίγο μετά την αναφορά κορυφαίου ερευνητή της Anthropic ότι πιστεύει πως υπάρχει πιθανότητα μεγαλύτερη από 10% η ΤΝ «να αφανίσει όλους τους ανθρώπους» μέσα στην επόμενη δεκαετία. Ωστόσο, ενώ κυβερνήσεις, φιλόσοφοι και οι λίγοι κορυφαίοι δημιουργοί ΤΝ συζητούν για δικλίδες ασφαλείας, είναι κρίσιμο οι επιχειρήσεις που χρησιμοποιούν ΤΝ να αντιληφθούν ότι, αν εστιάζουν σε όσα κυριαρχούν στα πρωτοσέλιδα, μπορεί να αγνοούν τους μεγαλύτερους κινδύνους που αντιμετωπίζουν πράγματι στην εποχή της ΤΝ.

Πέρα από τους φόβους ότι τα ρομπότ θα υπερισχύσουν των ανθρώπων, μεγάλο μέρος της συζήτησης για την ΤΝ στις επιχειρήσεις επικεντρώνεται σε ζητήματα όπως οι κίνδυνοι από ανεξέλεγκτους πράκτορες, το εκτοξευμένο κόστος των token, τα σχετικά αυτόνομα μοντέλα ΤΝ αιχμής και η μη κυρίαρχη ΤΝ.

Τέτοιου είδους απειλές μονοπωλούν σε μεγάλο βαθμό τη συζήτηση για τους κινδύνους της ΤΝ. Όμως, αν εστιάσουμε σε αυτές τις τάσεις αντί στους πραγματικούς επιχειρηματικούς κινδύνους, μπορεί να έχουμε κακά αποτελέσματα που θα μπορούσαν να είχαν αποφευχθεί. Έχω δει δεκάδες επιχειρήσεις να μειώνουν σημαντικά τους κινδύνους που συνδέονται με την ΤΝ, εστιάζοντας πολύ περισσότερο στα επιχειρηματικά αποτελέσματα παρά στην τεχνολογία. Ας δούμε πώς μπορούν να το κάνουν — και γιατί θα πρέπει να το κάνουν.

Εστιάστε στην επιχειρηματική σκοπιμότητα, όχι στο μοντέλο ΤΝ

Οι επιχειρήσεις πρέπει να κατανοήσουν ότι δεν χρειάζεται να χρησιμοποιούν τα πιο πρόσφατα μοντέλα ΤΝ — ούτε να πληρώνουν αστρονομικά ποσά για token, προκειμένου να μετατρέψουν κάθε εργαζόμενο σε προγραμματιστή — για να βελτιώσουν σημαντικά την απόδοση της επένδυσής τους.

Αυτό που χρειάζεται να κάνουν είναι να εξετάσουν προσεκτικά συγκεκριμένους τομείς στους οποίους μπορούν να μειώσουν τις χρηματικές δαπάνες ή τον χρόνο που απαιτείται και να καταρτίσουν σχέδιο για την αντιμετώπιση του συγκεκριμένου προβλήματος, αξιοποιώντας όλα τα διαθέσιμα εργαλεία. Σε αυτά περιλαμβάνονται όχι μόνο η πρακτορική ΤΝ, αλλά και η παραγωγική ΤΝ, οι επιλυτές, η μηχανική μάθηση, ακόμη και προγράμματα που βασίζονται σε κανόνες, ώστε να επιλέξουν το κατάλληλο εργαλείο για κάθε εργασία.

Για παράδειγμα, τα μοντέλα πρόβλεψης που βασίζονται στην ΤΝ μπορούν να προβλέπουν τις ανάγκες στελέχωσης με ακρίβεια που ξεπερνά το 90 τοις εκατό, αναφέρει η McKinsey. Το διαπίστωσα πρόσφατα σε μια εταιρεία ασφάλειας που στέλνει δεκάδες χιλιάδες φύλακες σε χιλιάδες εγκαταστάσεις για παγκόσμιους κολοσσούς όπως η Nike και η Amazon. Όπως πολλές άλλες επιχειρήσεις έντασης εργασίας που λειτουργούν με βάρδιες, αντιμετώπιζε εκτόξευση του κόστους, με τη μορφή υπερωριών και ακριβών υπεργολαβιών, όταν η ζήτηση κορυφωνόταν.

Για να αυξηθεί η απόδοση της επένδυσης της εταιρείας, δεν χρειάστηκαν μοντέλα αιχμής ούτε ήταν απαραίτητο να δεσμευτεί σε συγκεκριμένο πάροχο ή τεχνολογία ΤΝ. Αντίθετα, η εταιρεία ασφάλειας ξεκίνησε επιλύοντας ένα από τα μεγαλύτερα επιχειρηματικά προβλήματα που αντιμετώπιζε, και τα εργαλεία επιλέχθηκαν με βάση το πόσο αποτελεσματικά αντιμετώπιζαν τη συγκεκριμένη πρόκληση. Οι έξυπνοι επιλυτές μπορούν να κατανέμουν τις ομάδες με βέλτιστο τρόπο, μειώνοντας το κόστος των υπερωριών και αποφεύγοντας τις ακριβές υπεργολαβίες χάρη στην καλύτερη πρόβλεψη των αναγκών στελέχωσης. Στην προκειμένη περίπτωση, η παραγωγική ΤΝ, σε συνδυασμό με άλλα εργαλεία, μείωσε την αποχώρηση εργαζομένων, βελτίωσε τον σχεδιασμό και συνέβαλε στη δημιουργία προγραμμάτων που εξυπηρετούσαν καλύτερα τόσο τους πελάτες όσο και τους εργαζομένους — για παράδειγμα, προτείνοντας τρόπους να μειωθούν οι βάρδιες που απαιτούσαν μεγάλη μετακίνηση και να κατανέμονται ισότιμα τα Σαββατοκύριακα χωρίς εργασία. Η εφαρμογή τέτοιων συστάσεων μείωσε το κόστος των υπερωριών κατά 30 τοις εκατό και περιόρισε τις δαπάνες για υπεργολαβίες, ενώ παράλληλα μείωσε τον χρόνο που απαιτούνταν για την κατάρτιση σχεδίων στελέχωσης και βελτίωσε την ποιότητα και τη διάρκεια ισχύος τους. Όταν η εταιρεία ασφάλειας εφάρμοσε τις συστάσεις της ΤΝ, αύξησε τελικά το EBITDA κατά 200 μονάδες βάσης — σημαντική επιτυχία σε έναν κλάδο που είναι γνωστός για τα εξαιρετικά χαμηλά περιθώρια κέρδους. Το γεγονός ότι ένα επιχειρηματικό πρόβλημα είναι μεγάλο δεν σημαίνει ότι η λύση ΤΝ πρέπει να είναι ριψοκίνδυνη.

Πράγματι, πολλά συγκεκριμένα επιχειρηματικά προβλήματα — όπως η βελτίωση της κατανομής των αποθεμάτων, η βελτιστοποίηση της συμφωνίας εισπράξεων, η επιτάχυνση της συμφωνίας τραπεζικών λογαριασμών, η αύξηση της ακρίβειας των προβλέψεων, η αυτοματοποίηση της αντιστοίχισης τιμολογίων και η αναζήτηση σε καταλόγους για την απάντηση ερωτήσεων καταναλωτών — αντιμετωπίζονται με εργαλεία ΤΝ που απαιτούν ελάχιστες παρεμβάσεις. Έτσι αυξάνεται σημαντικά η κερδοφορία, χωρίς να διακινδυνεύεται ο αφανισμός της ανθρωπότητας και χωρίς να χρειάζεται καν η χρήση μοντέλων αιχμής ή ανεξέλεγκτων πρακτόρων.

Προσοχή: Η απομάκρυνση από την απόδοση της επένδυσης μπορεί να επιφέρει κόστος από την υπερβολική προβολή της ΤΝ

Εκτός από τον περιορισμό της πιθανότητας να ξεφύγει η ΤΝ από τον έλεγχο, η προσήλωση σε συγκεκριμένους επιχειρηματικούς στόχους μπορεί επίσης να προστατεύσει τις επιχειρήσεις από το κόστος της υπερβολικής προβολής της ΤΝ, το οποίο εντόπισε η εταιρεία μου αναλύοντας τις τιμές των μετοχών και τις ετήσιες εκθέσεις 275 εισηγμένων εταιρειών από όλο τον κόσμο.

Το Βαρόμετρο ΤΝ 2026 διαπίστωσε ότι οι τιμές των μετοχών των μεγαλύτερων εισηγμένων επιχειρήσεων παγκοσμίως συσχετίζονταν έντονα με την εκτεταμένη αξιοποίηση της ΤΝ και την ευνοϊκότερη πορεία των μετοχών τους. Η συσχέτιση, όμως, ίσχυε μόνο όσο οι επιχειρήσεις αυτές δημοσιοποιούσαν συγκεκριμένες ενέργειες και σαφείς στόχους. Το σημαντικότερο δίδαγμα από την ανάλυση των τιμών των μετοχών είναι ότι οι γενικές δηλώσεις για τον μετασχηματισμό μέσω της ΤΝ δεν αρκούν για τους επενδυτές.

Τι λειτούργησε, λοιπόν; Η έκθεση διαπίστωσε σημαντικό προβάδισμα στις χρηματιστηριακές επιδόσεις υπέρ των εταιρειών που περιέγραφαν συγκεκριμένα τις ενέργειες που θα υλοποιούσαν για να εφαρμόσουν την τεχνητή νοημοσύνη, καθώς και τις βελτιώσεις στην αποδοτικότητα ή τα έσοδα που θα προέκυπταν. Την επόμενη χρονιά, οι επιχειρήσεις αυτές σημείωσαν κατά 14 ποσοστιαίες μονάδες καλύτερες επιδόσεις από τις εταιρείες που αναφέρονταν αόριστα στην τεχνητή νοημοσύνη στις οικονομικές τους εκθέσεις.

Έχω διαπιστώσει από πρώτο χέρι ότι, εστιάζοντας σε συγκεκριμένους στόχους εσόδων και παραγωγικότητας και αξιοποιώντας τα πιο αποδοτικά εργαλεία τεχνητής νοημοσύνης χαμηλού κινδύνου —τα οποία συχνά λειτουργούν ως μικρές εφαρμογές ενσωματωμένες στο περιβάλλον πληροφορικής— αντί για τα πιο πρόσφατα και εντυπωσιακά μοντέλα τεχνητής νοημοσύνης, οι επιχειρήσεις μπορούν σε μεγάλο βαθμό να αποφύγουν τις καταστροφικές εξελίξεις που γίνονται πρωτοσέλιδα και, αντί γι’ αυτές, να προωθήσουν επιχειρηματικά αποτελέσματα που ενισχύουν την κερδοφορία.