Ένα ιδιαίτερο θέμα έντασης μεταξύ των υποστηρικτών και των επικριτών της τεχνητής νοημοσύνης είναι η αναντιστοιχία μεταξύ των ανακοινωμένων αυξήσεων στην παραγωγή των προγραμματιστών και της προφανούς έλλειψης αντίστοιχης έκρηξης στην παραγωγή ή στη δημιουργία αξίας. Μια νέα εργασία δίνει και στις δυο πλευρές το περιθώριο να ισχυριστούν πως δικαιώνονται.
Η μελέτη του Mert Demirer του MIT και των συν-συγγραφέων, παρακολουθεί την εργασία των developers λογισμικού πριν και αφού υιοθέτησαν εργαλεία τεχνητής νοημοσύνης. Το σημαντικό είναι πως αυτό το μέτρησαν σε αρκετά διαφορετικά επίπεδα: από την ποσότητα του κώδικα που γράφτηκε, μέχρι τον αριθμό των ξεχωριστών αρχείων που τροποποιήθηκαν, μέχρι τον αριθμό των projects ή των χαρακτηριστικών πάνω στα οποία εργάστηκαν, μέχρι την πραγματική κυκλοφορία νέου λογισμικού.
Βρήκαν μια εκρηκτική επίπτωση στην κορυφή αυτής της χοάνης –οι προγραμματιστές δημιούργησαν ή τροποποίησαν σχεδόν 300% περισσότερα αρχεία –αλλά αυτή η ενίσχυση μειώθηκε στο ήμισυ, στο 150%, μέχρι να φτάσουν στον αριθμό των ξεχωριστών έργων που υποβλήθηκαν προς έλεγχο, και αυτό με τη σειρά του συρρικνώθηκε κατά πέντε φορές, σε μια αύξηση σχεδόν 30% στον αριθμό πλήρους κυκλοφορίας.
Μια αύξηση 30% στην παραγωγή του βασικού προϊόντος μιας εταιρείας είναι σημαντική. Τα ευρήματα της έρευνας δείχνουν, ωστόσο, το πώς οι αντιλήψεις αλλά και ορισμένες άμεσες μετρήσεις της επίπτωσης της τεχνητής νοημοσύνης στην παραγωγικότητα, μπορεί να απέχουν πολύ από την αξία που τελικά αυτή προσθέτει.
Αυτό που μοιάζει –και όντως είναι μετρήσιμο- με μια εκρηκτική ενίσχυση για μια συγκεκριμένη εργασία, συχνά μεταφράζεται σε ένα πολύ πιο μέτριο κέρδος μόλις αυτή η εργασία περάσει από όλες τις ανθρώπινες καθυστερήσεις που σχετίζονται με τον έλεγχο και την κυκλοφορία έργων έτοιμων προς παραγωγή.
Επιπλέον, όταν οι ερευνητές εξέτασαν αν οι αυξήσεις με τη βοήθεια της τεχνητής νοημοσύνης στην παραγωγή λογισμικού έχουν οδηγήσει σε υψηλότερη κατανάλωση, δεν βρήκαν πολλά στοιχεία.
Η αξιοσημείωτη αύξηση στις κυκλοφορίες mobile apps τον τελευταίο χρόνο δεν έχει συνοδευτεί από οποιαδήποτε αύξηση στα downloads –τα περισσότερα νέα apps δεν καταφέρουν να προσελκύσουν έστω και ένα μικρό κοινό.
Να σημειωθεί πως το εύρημα πως η παραγωγικότητα και η δημιουργία αξίας είναι πολύ πιο ισχνά απ’ όσο υπέθεταν ορισμένοι, ήρθε την ώρα που ο CEO της Uber, Dara Khosrowshahi, αποκάλυψε πως η εταιρεία έχει ξετινάξει όλον τον προϋπολογισμό του 2026 για την τεχνητή νοημοσύνη μέσα σε ένα τρίμηνο, και πως σχεδιάζει να στρέψει το μεγαλύτερο μέρος της χρήσης τεχνητής νοημοσύνης σε μοντέλα χαμηλότερου κόστους, κρατώντας τα εργαλεία αιχμής για ειδικές περιπτώσεις.
Έπειτα ήρθε η νέα έρευνα για τη χρήση της τεχνητής νοημοσύνης στις νομικές εργασίες, που βρήκε πως ο συνδυασμός φθηνών ψηφιακών βοηθών τεχνητής νοημοσύνης ανοιχτού πηγαίου κώδικα με μοντέλα κορυφαίας κατηγορίας που λειτουργούν ως σποραδικοί «σύμβουλοι», απέφερε καλύτερα αποτελέσματα σε πολύ χαμηλότερο κόστος.
Δεν θα ήταν παράλογο να τα δούμε όλα αυτά ως απόδειξη πως η δυνατότητα της τεχνητής νοημοσύνης να αποφέρει πραγματική αξία έχει παραφουσκωθεί σε μεγάλο βαθμό, ή τουλάχιστον πως η σπατάλη χρημάτων για απόκτηση των τελευταίων μοντέλων είναι συχνά αχρείαστη.
Ο Demirer και οι υπόλοιποι συγραφείς της έκθεσης, όμως, νοιώθουν πως η πιο πιθανή εξήγηση είναι ότι οι τρέχουσες οργανωτικές δομές και οι αγορές δεν έχουν διαμορφωθεί για να αξιοποιήσουν τα πραγματικά υποκείμενα κέρδη.
Αυτή η άποψη υποστηρίζεται από τα αποδεικτικά στοιχεία προηγούμενων τεχνολογικών επαναστάσεων, όπου τα πραγματικά άλματα στην παραγωγικότητα και στον εκτοπισμό θέσεων εργασίας ήρθαν από νέες εταιρείες και διαδικασίες αντί για τις υφιστάμενες εταιρείες που εγκαθιστούσαν νέες τεχνολογίες στις υπάρχουσες ροές εργασίας.
Στην περίπτωση του ηλεκτρισμού στα τέλη του 19ου και αρχές του 20ου αιώνα, τα κέρδη στην παραγωγικότητα ήταν μέτρια εκεί που τα εργοστάσια απλά αντικαθιστούσαν τις τεράστιες ατμομηχανές με τεράστιες ηλεκτρικές μηχανές, αλλά άφηναν τον υπόλοιπο εξοπλισμό και το στήσιμο απαράλλαχτα. Η έκρηξη ήρθε δεκαετίες αργότερα, όταν οι μηχανικοί εξόπλισαν τους μεμονωμένους σταθμούς εργασίας με δικά τους, μικρά μοτέρ.
Το γεγονός πως οι κατεστημένες εταιρείες λογισμικού και πνευματικής εργασίας βλέπουν μέτρια μόνο κέρδη στην παραγωγικότητα μετά την ενσωμάτωση της τεχνητής νοημοσύνης στις υπάρχουσες ροές εργασίας και στις οργανωτικές δομές, την ίδια ώρα που η χρήση, τα έσοδα και η παραγωγικότητα εκτινάσσονται στην Anthropic και την OpenAI –εταιρείες που χτίστηκαν γύρω από την τεχνητή νοημοσύνη, με προϊόντα που έχουν γραφτεί και ελεγχθεί από αυτήν- είναι ίσως μια πρώιμη ένδειξη ότι η ίδια δυναμική εξελίσσεται εδώ, μόνο πολύ ταχύτερα.
Υποψιάζομαι πως και τα δυο «στρατόπεδα» έχουν δίκιο. Μεγάλο μέρος της σημερινής εταιρικής χρήσης και δαπάνης για τεχνητή νοημοσύνη είναι αναποτελεσματική. Αλλά τα πραγματικά οφέλη στην παραγωγικότητα αντικατοπτρίζουν την αλληλεπίδραση ισχυρών νέων εργαλείων με δομές και διαδικασίες που δεν είναι κατάλληλα προσαρμοσμένες.
Αυτές οι τριβές και τα σημεία συμφόρησης θα υποχωρήσουν με την πάροδο του χρόνου.