Η Τεχνητή Νοημοσύνη στην μετά-κρίσης Ελλάδα

Η κρίση πέρασε και η χώρα προσγειώθηκε σε χαμηλά επίπεδα. Μπορεί η Τεχνητή Νοημοσύνη να γίνει το στήριγμα των μισθωτών της χώρας για καλύτερα εισοδήματα;

Μετά από μιάμιση δεκαετία, η ανεργία έχει φτάσει πια σε προ-κρίσης επίπεδα. Οι αποδοχές των μισθωτών, όμως, έχουν ανακτήσει μόνο το 1/3 του χαμένου εδάφους, μερικώς επειδή οι θέσεις εργασίας που δημιουργήθηκαν δεν ήταν σε επαγγέλματα υψηλών αποδοχών. Ταυτόχρονα παρατηρήθηκε αύξηση στις θέσεις εργασίας που είναι εκτεθειμένες στην αυτοματοποίηση και την Τεχνητή Νοημοσύνη, με το φαινόμενο να είναι

Η χώρα, λοιπόν, αναζητά έναν τρόπο να βγει από την κατάσταση χαμηλής παραγωγικότητας και μισθών στην οποία έχει βρεθεί, το λεγόμενο «νέο παραγωγικό μοντέλο». Η προφανής ερώτηση είναι, ποιος ο ρόλος της Τεχνητής Νοημοσύνης (ΤΝ) σε αυτό; Και με αυτό δεν εννοούμε την παραγωγή μοντέλων ΤΝ, ή κάποια πιθανά data centers που θα μπορούσαν να έχουν κάποια θετικά, αλλά σχετικά μικρά, αποτελέσματα.

Το μείζον θέμα είναι ο τρόπος με τον οποίο η ΤΝ μπορεί να αλλάξει τη βάση της αγοράς εργασίας, αλλάζοντας τον τρόπο με τον οποίο εργαζόμαστε, είτε διδάσκοντας σε μια τάξη, νοσηλεύοντας ασθενείς, καθαρίζοντας τα σκουπίδια του δήμου, ή αγορεύοντας σε μια δικαστική αίθουσα.

Τα δύο βασικά ερωτήματα είναι: ποια επαγγέλματα είναι τα πιο εκτεθειμένα στην Τεχνητή Νοημοσύνη και με ποιο τρόπο θα τα επηρεάσει; Το πρώτο είναι (σχετικά) εύκολο να απαντηθεί, αν σκεφτεί κάποιος το τι νέο φέρνει η ΤΝ. Οι ψηφιακές τεχνολογίες ως τώρα (αλγόριθμοι) είχαν τη δυνατότητα να αυτοματοποιούν επαναλαμβανόμενες διαδικασίες, π.χ. ένα σύστημα του δημοσίου που παράγει αυτόματα κάποια δικαιολογητικά μέσω Taxis είναι προγραμματισμένο να κάνει ακριβώς την ίδια διαδικασία ξανά και ξανά. Από την άλλη, η Τεχνητή Νοημοσύνη έχει τη δυνατότητα να κάνει κάτι τελείως καινούργιο: να παράξει εξειδικευμένες απαντήσεις βάσει πολύ διαφορετικών πληροφοριών. Δεν κάνει, δηλαδή, κάτι επαναλαμβανόμενο, αλλά αναλόγως το ερώτημα έχει τη δυνατότητα να συνδυάσει διαφορετικές πληροφορίες και να εξειδικεύσει το αποτέλεσμα. Για αυτό και θεωρείται νοήμων.

Αυτό σημαίνει ότι μπορεί να χρησιμοποιηθεί για διαγνώσεις ασθενών, για να αναλύσει δικογραφίες, να προγραμματίσει, να αναλύσει ερευνητικά πεδία, να προβλέψει την κίνηση στους δρόμους, ή τον βέλτιστο τρόπο αναδιοργάνωσής μια εταιρίας. Αντιστοίχως, παραδείγματα επαγγελμάτων που είναι πιο εκτεθειμένα είναι οι Διευθυντές Πωλήσεων και Μάρκετινγκ, Μαθηματικοί, Μηχανικοί, Υπάλληλοι και Γραμματείς Γενικών Καθηκόντων, Δημοσιογράφοι, Δικηγόροι, Ελεγκτές Κρατικών Υπηρεσιών, Καθηγητές και Ιατρικό Προσωπικό.

Το δεύτερο ερώτημα, με ποιον τρόπο θα επηρεαστούν αυτά τα επαγγέλματα, είναι πιο περίπλοκο. Η Τεχνητή Νοημοσύνη, όπως η τεχνολογία γενικώς, μπορεί να έχει τρία σημαντικά αποτελέσματα: πρώτον να αυξήσει την παραγωγικότητα της εργασίας, δεύτερον να αυτοματοποιήσει κομμάτι της εργασίας, τρίτον να δημιουργήσει νέα είδη εργασίας που δεν υπήρχαν πριν. Το πρώτο και το τρίτο τείνουν να αυξάνουν τις αποδοχές και τις θέσεις εργασίας, ενώ η αυτοματοποίηση να τις μειώνει. Με τις εφαρμογές της ΤΝ ακόμα σε διαμόρφωση, δεν είναι ξεκάθαρο ποιο θα υπερισχύσει σε κάθε επάγγελμα. Σε
κάποιες περιπτώσεις, π.χ. στους υπάλληλους γραφείου, είναι εύκολο να φανταστούμε την ΤΝ να επιταχύνει την αυτοματοποίηση που φέρνει η ψηφιοποίηση. Το ίδιο μπορεί να ισχύσει για δημοσιογράφους που ασχολούνται με την ροή των ειδήσεων. Από την άλλη, η δημοσιογραφική έρευνα μπορεί να γίνει πιο αποδοτική, δίνοντας τη δυνατότητα στους δημοσιογράφους να κάνουν αναλύσεις που δεν μπορούσαν ως τώρα.

Ο τομέας της υγείας είναι ένα πολύ ενδιαφέρον παράδειγμα. Κάποιος θα μπορούσε να σκεφτεί την Τεχνητή Νοημοσύνη να αυτοματοποιεί όλες τις διαδικασίες που έχουν να κάνουν με τα αρχεία των ασθενών, ή άλλες εργασίες που κάνει το βοηθητικό προσωπικό. Από την άλλη, θα μπορούσε, εφόσον παράγει εξειδικευμένες πληροφορίες, να δώσει τη δυνατότητα στο νοσηλευτικό προσωπικό να αναλάβει καθήκοντα που ως τώρα μόνο ένας ιατρός μπορούσε, π.χ. απλές διαγνώσεις. Αυτό, το καλό σενάριο για την Τεχνητή Νοημοσύνη (το αναλύω διεξοδικά σε άρθρο μου στο Ινστιτούτο Έτερον), θα είχε τη δυνατότητα να μειώσει τις ανισότητες, δίνοντας τη δυνατότητα σε άτομα με λιγότερη εξειδικευμένη εκπαίδευση να αναλάβουν υψηλά αμειβόμενα καθήκοντα. Το αν αυτό θα γίνει θα εξαρτηθεί από το ποια εργαλεία ΤΝ θα δημιουργηθούν πρώτα και από το νομικό πλαίσιο που θα ισχύσει. Το δεύτερο κομμάτι ουσιαστικά αφορά το πώς θα οριστούν τα επαγγελματικά δικαιώματα στα χρόνια της Τεχνητής Νοημοσύνης, η «μάχη της υπογραφής» την οποία αναλύω σε δεύτερο άρθρο μου για το Ινστιτούτο Έτερον.

Στέφανος Τύρος
Φυσικός και Οικονομολόγος,
Ερευνητής στο Harvard Business School