Του Κωνσταντίνου Μανωλίτση

Η ιστορία της Τεχνητής Νοημοσύνης ξεκινά ήδη από τη δεκαετία του 1950, με τον Άλαν Τούρινγκ να θέτει τα πρώτα ερωτήματα για το αν οι μηχανές μπορούν να "σκεφτούν". Στη συνέχεια, οι ερευνητές ανέπτυξαν τα πρώτα expert systems, που επιχειρούσαν να μιμηθούν την ανθρώπινη διαδικασία σκέψης, και αργότερα πιο ευέλικτους intelligent agents, ικανούς να μαθαίνουν και να προσαρμόζονται. Σήμερα, τα μεγάλα γλωσσικά μοντέλα και η βαθιά μάθηση έχουν ανοίξει έναν νέο, σχεδόν απεριόριστο ορίζοντα δυνατοτήτων. 

And the winner is…… υποδομές!

Στο σημερινό παγκόσμιο τοπίο, οι επενδύσεις στην Τεχνητή Νοημοσύνη (ΑΙ) έχουν ξεπεράσει κάθε προηγούμενο. Τα τελευταία 4 χρόνια, παρακολουθούμε έναν πραγματικό "πυρετό" τοποθετήσεων κεφαλαίων, οι οποίες ενθαρρύνουν την καινοτομία, ωστόσο το μοντέλο απόδοσης παραμένει ασαφές. Η ουσιαστική κερδοφορία παραμένει μάλλον περιορισμένη, με το μεγαλύτερο μέρος των χρημάτων να καταλήγει τελικά σε εταιρείες όπως η Nvidia, η οποία λειτουργεί ως βασικός προμηθευτής της κρίσιμης τεχνολογικής υποδομής: επεξεργαστές, γραφικές κάρτες, υποδομές cloud και άλλα "εργαλεία" απαραίτητα για την εκπαίδευση και ανάπτυξη πολύπλοκων αλγορίθμων των LLMs (μεγάλα γλωσσικά μοντέλα). Είναι, λοιπόν προφανές πως ο "πυρετός" των επενδύσεων δημιουργεί ένα τοπίο διαρκούς αναζήτησης για το ποιος θα ανακαλύψει τον τρόπο να μετατρέψει τις καινοτόμες εφαρμογές σε απτά κέρδη με τα μεγαλύτερα στοιχήματα να τοποθετούνται από τους magnificent seven (Alphabet, Amazon, Apple, Meta Platforms, Microsoft, NVIDIA και Tesla), οι οποίοι συνασπίζονται με τα κατά περίπτωση εξειδικευμένα σχήματα ανάπτυξης της εξαιρετικής αυτής τεχνολογίας, (OpenAI, Anthropic, DeepMind), ή απλώς φτιάχνουν τα δικά τους.

Η τεχνητή νοημοσύνη σε κλίμακα fortune 500

Παρά ταύτα, υπάρχουν επιχειρήσεις και οργανισμοί που μετατρέπουν ήδη σε χρήμα την τεχνητή νοημοσύνη (είτε υπό την έννοια της εξοικονόμησης σε κόστος, είτε της αύξησης σε πωλήσεις, είτε με τη βελτιστοποίηση της αλυσίδας αξίας τους), ενσωματώνοντάς την στις καθημερινές τους λειτουργίες και πρακτικές. Ενδεικτικά, μεγάλες πολυεθνικές αλυσίδες λιανικής αξιοποιούν προηγμένα μοντέλα πρόβλεψης ζήτησης, ώστε να ρυθμίζουν έγκαιρα το απόθεμά τους. Ασφαλιστικές εταιρείες χρησιμοποιούν μηχανική μάθηση για να επιταχύνουν την επεξεργασία αποζημιώσεων, μειώνοντας κόστος και βελτιώνοντας την εμπειρία του πελάτη. Πλατφόρμες ηλεκτρονικού εμπορίου έχουν ήδη αυτοματοποιήσει τον έλεγχο ποιότητας και την ταξινόμηση προϊόντων, ενώ συστήματα συστάσεων (recommendation systems) συνεχώς "μαθαίνουν" τις προτιμήσεις των καταναλωτών, αυξάνοντας τον μέσο όρο αξίας του "καλαθιού" με βομβαρδισμό στοχευμένων διαφημίσεων.

Οικοσύστημα startups που παρέχουν εξατομικευμένες υπηρεσίες ΑΙ

Το οικοσύστημα των νεοφυών επιχειρήσεων που επιδιώκει να παρέχει εξατομικευμένες υπηρεσίες Τεχνητής Νοημοσύνης είναι ένας άλλος υπολογίσιμος παράγοντας στην εξίσωση, αλλά αντιμετωπίζει ένα σημαντικό πρόβλημα. Στο διάστημα που απαιτείται για ανάπτυξη ενός ικανοποιητικού, τεσταρισμένου πρωτοτύπου, τα μεγάλα γλωσσικά μοντέλα (GPT-4, Claude, Gemini κλπ), εφοδιασμένα με σχεδόν απεριόριστους υπολογιστικούς πόρους, ομάδες από εξαιρετικά ταλαντούχους επιστήμονες στη βελτιστοποίηση αλγορίθμων και πρόσβαση σε γιγαντιαίους όγκους δεδομένων, προχωρούν με τέτοιο ρυθμό ώστε η αγορά να θεωρεί το υπό ανάπτυξη προϊόν των νεοφυών ήδη ξεπερασμένο. Με άλλα λόγια, πριν καν οι μικρότερες επιχειρήσεις ολοκληρώσουν την πρώτη τους προσφορά προς τους πελάτες, τα κυρίαρχα ονόματα της ΑΙ έχουν ανεβάσει τον πήχη τόσο ψηλά ώστε αυτό που οι startups αναπτύσσουν να μοιάζει παρωχημένο, αναγκάζοντάς τες να βρεθούν διαρκώς σε θέση άμυνας και αναθεώρησης των στρατηγικών τους.

Ωστόσο η ευκαιρία είναι υπαρκτή και πιο προσιτή από όσο φαίνεται

Tο ερώτημα που ανακύπτει, ειδικά για τις ελληνικές μικρομεσαίες επιχειρήσεις, είναι το πώς μπορούν να "ζυμώσουν" τις δυνατότητες της Τεχνητής Νοημοσύνης σε πραγματική αξία; Είναι προφανές πως δεν διαθέτουν τα κεφάλαια ή την κλίμακα των προαναφερθεισών επιχειρήσεων. Επίσης είναι απίθανο να πρωτοστατήσουν στην καθαυτή τεχνολογική επανάσταση, η οποία συντελείται σχεδόν αποκλειστικά στις ΗΠΑ, με ότι αυτό συνεπάγεται για την ευκολία πρόσβασης σε κεφάλαια και εξειδικευμένους πόρους. 

Ένας πολύ πρακτικός τρόπος είναι να βοηθήσουμε τους εργαζόμενους της μικρομεσαίας επιχείρησης να αξιοποιούν καλύτερα τον χρόνο τους. Με ένα δωρεάν, ή χαμηλού κόστους εργαλείο ΑΙ που αναλαμβάνει χρονοβόρες, μηχανικές εργασίες (όπως η ταξινόμηση φακέλων, η άντληση στοιχείων από βάσεις δεδομένων, ή οι απλές απαντήσεις σε ερωτήματα πελατών μέσω chatbots), οι εργαζόμενοι απαλλάσσονται από μεγάλο μέρος της "χαμαλοδουλειάς". Ταυτόχρονα, η ικανότητα των εργαλείων αυτών να αξιοποιούν στο έπακρο τα συνήθη πακέτα μηχανοργάνωσης (πχ Office 365 Copilot, Gemini 2.0) αποτελούν αυτοτελή παράγοντα εξοικονόμησης χρόνου. 

Έτσι, με τα εργαλεία ΑΙ να αποτελούν πλέον προσωπικούς βοηθούς υψηλού επιπέδου, οι εργαζόμενοι που διαθέτουν τη γνώση και έχουν αναπτύξει την κουλτούρα να τα αξιοποιούν, έχουν την ευκαιρία να στρέψουν την προσοχή τους σε ό,τι πραγματικά μετράει: να βρίσκουν δημιουργικές λύσεις, να σκέφτονται στρατηγικά, να βελτιώνουν τα προϊόντα και να φροντίζουν ουσιαστικά τους πελάτες τους. Όσο λιγότερο ασχολείται ο κάθε εργαζόμενος με επουσιώδη ζητήματα, τόσο περισσότερο μπορεί να επικεντρωθεί σε αληθινά προβλήματα, στη βελτίωση των διαδικασιών και στη συνολική εμπειρία του πελάτη. Το αποτέλεσμα είναι απτό: καλύτερες επιδόσεις, ταχύτερη ανταπόκριση στις ανάγκες της αγοράς, υψηλότερη ποιότητα υπηρεσιών και εν τέλει εξοικονόμηση πόρων.

Εκπαίδευση και Κουλτούρα ΑΙ

Για να αξιοποιήσουν ουσιαστικά την τεχνητή νοημοσύνη οι ελληνικές ΜμΕ πρέπει να κινηθούν με πειθαρχία και στρατηγική. Να οργανώσουν ένα εσωτερικό ή εξωτερικό μηχανισμό παρακολούθησης των εξελίξεων, να ορίσουν συγκεκριμένα επιχειρηματικά προβλήματα, να επιλέξουν κατάλληλα εργαλεία βάσει μετρήσιμων δεικτών απόδοσης και να επενδύσουν σε ένα σχέδιο εκπαίδευσης του προσωπικού (learning & development plan), ώστε να δημιουργήσουν μια κουλτούρα "ενισχυμένης απόδοσης μέσω ΑΙ". Ακόμη και μικρά οφέλη στην καθημερινή λειτουργία μπορούν, μακροπρόθεσμα, να εξελιχθούν σε σημαντικά έσοδα ή εξοικονόμηση κόστους. Έτσι, χωρίς να "ανακαλύψουν τον τροχό", οι ΜΜΕ μπορούν να αξιοποιήσουν την τρέχουσα τεχνολογική στάθμη για να βελτιώσουν την παραγωγικότητα, την ποιότητα και την κερδοφορία τους, μετουσιώνοντας την τεχνητή νοημοσύνη σε αξιοποιήσιμη πραγματικότητα.

*Ο Κωνσταντίνος Μανωλίτσης είναι Μηχανολόγος Μηχανικός με ειδίκευση στα Συστήματα Παραγωγής και Διοίκησης. Είναι συνιδρυτής της MASTER ΑΕ