Το πρόβλημα είναι ότι άλλο είναι να προβλέψει κανείς τι θα μπορεί να κάνει μια τεχνολογία και εντελώς διαφορετικό να προβλέψει πώς, πότε και σε ποια κλίμακα θα αλλάξει τον πραγματικό κόσμο.

Ένας αιώνας τεχνολογικών προβλέψεων

Η Deutsche Bank συγκεντρώνει μια σειρά από χαρακτηριστικά παραδείγματα.

Ο πρόεδρος της IBM, Thomas Watson, φέρεται να είχε προβλέψει ότι η παγκόσμια ζήτηση για υπολογιστές θα περιοριζόταν σε περίπου πέντε μηχανήματα. Η πραγματικότητα αποδείχθηκε προφανώς πολύ διαφορετική.

Ο Elon Musk προέβλεπε ήδη από το 2013 ότι τα αυτοοδηγούμενα αυτοκίνητα θα αποτελούσαν σύντομα τον κανόνα στους δρόμους. Η τεχνολογία έχει προχωρήσει σημαντικά, αλλά η μαζική επικράτηση των πλήρως αυτόνομων οχημάτων δεν ήρθε στον χρόνο που είχε προβλεφθεί.

Ακόμη πιο ενδιαφέροντα είναι ορισμένα παραδείγματα από τον 20ό και τον 21ο αιώνα.

Nikola Tesla, 1926: προέβλεπε ότι η ασύρματη τεχνολογία θα επέτρεπε στους ανθρώπους να επικοινωνούν άμεσα ανεξάρτητα από την απόσταση και ότι οι συσκευές θα ήταν τόσο μικρές ώστε να χωρούν στην τσέπη. Η βασική ιδέα αποδείχθηκε εντυπωσιακά σωστή, αν και ο τρόπος και ο χρόνος υλοποίησης ήταν διαφορετικοί.

Albert Einstein, 1934: θεωρούσε ότι δεν υπήρχε ένδειξη πως η πυρηνική ενέργεια θα μπορούσε να καταστεί πρακτικά εφικτή. Μόλις οκτώ χρόνια αργότερα, το 1942, στο Πανεπιστήμιο του Σικάγο πραγματοποιήθηκε η πρώτη αυτοσυντηρούμενη πυρηνική αλυσιδωτή αντίδραση.

Ray Kurzweil, 1999: προέβλεψε ότι έως το 2029 οι υπολογιστές θα διαθέτουν νοημοσύνη αντίστοιχη με την ανθρώπινη. Πολλές από τις τεχνολογικές προβλέψεις του έχουν προσεγγίσει εντυπωσιακά την πραγματικότητα, ενώ η εκτίμησή του για την τεχνητή γενική νοημοσύνη παραμένει μία από τις πιο συζητημένες προβλέψεις στον χώρο.

Steve Chen, 2005: ο συνιδρυτής του YouTube είχε εκφράσει την άποψη ότι απλώς δεν υπήρχαν τόσα πολλά βίντεο που θα ήθελε να παρακολουθήσει κανείς. Έναν χρόνο αργότερα, η Google εξαγόρασε το YouTube έναντι 1,65 δισ. δολαρίων.

Steve Ballmer, 2007: ο τότε διευθύνων σύμβουλος της Microsoft είχε αμφισβητήσει ότι το iPhone θα μπορούσε να αποκτήσει σημαντικό μερίδιο αγοράς. Από τότε, η αγορά των smartphones άλλαξε ριζικά.

Ακόμη και οι ειδικοί της AI έχουν πέσει έξω

Το πιο ενδιαφέρον για τη σημερινή συζήτηση είναι ότι παρόμοιες αστοχίες υπάρχουν και στον ίδιο τον χώρο της τεχνητής νοημοσύνης.

Ο Geoffrey Hinton, μία από τις σημαντικότερες προσωπικότητες στην ανάπτυξη του deep learning, είχε υποστηρίξει το 2016 ότι η εκπαίδευση ακτινολόγων θα έπρεπε ουσιαστικά να σταματήσει, καθώς τα συστήματα deep learning θα μπορούσαν να ξεπεράσουν τους ακτινολόγους μέσα σε λίγα χρόνια.

Η πραγματικότητα εξελίχθηκε διαφορετικά. Ο αριθμός των ακτινολόγων αυξήθηκε την επόμενη δεκαετία, καθώς η τεχνητή νοημοσύνη δεν αντικατέστησε τον άνθρωπο στον βαθμό που είχε προβλεφθεί, ενώ αυξήθηκε και η ζήτηση για ιατρικές υπηρεσίες.

Ο ίδιος ο Hinton έχει αναθεωρήσει τις συγκεκριμένες εκτιμήσεις του.

Ακόμη πιο χαρακτηριστική είναι η περίπτωση του Sam Altman. Το 2025 είχε εκτιμήσει ότι σε ένα όχι πολύ μακρινό μέλλον η AI θα μπορούσε να εκτελεί το 30%-40% των εργασιών που γίνονται σήμερα στην οικονομία.

Αργότερα αναγνώρισε ότι οι τεχνολογικές προβλέψεις μπορεί να ήταν περίπου σωστές, αλλά οι εκτιμήσεις για τις οικονομικές και κοινωνικές επιπτώσεις είχαν αποδειχθεί πολύ πιο δύσκολες.

Και αυτό ακριβώς είναι το κρίσιμο σημείο.

Η τεχνολογία δεν εξελίσσεται σε εργαστήριο

Μία από τις βασικές εξηγήσεις που δίνει η Deutsche Bank είναι η τεράστια απόσταση ανάμεσα σε ένα τεχνολογικό εργαστήριο και στον πραγματικό κόσμο.

Μέσα σε ένα εργαστήριο, ένα μοντέλο μπορεί να παρουσιάζει εντυπωσιακές επιδόσεις σε μια συγκεκριμένη εργασία.

Η οικονομία, όμως, είναι πολύ πιο σύνθετη.

Μια τεχνολογία πρέπει να ενσωματωθεί σε επιχειρήσεις, κανονιστικά πλαίσια, οργανισμούς, ανθρώπινες διαδικασίες και καταναλωτικές συνήθειες. Πρέπει να είναι οικονομικά βιώσιμη, ασφαλής και πρακτικά αξιοποιήσιμη.

Γι' αυτό και ένας κορυφαίος ειδικός στην τεχνητή νοημοσύνη δεν είναι απαραίτητα σε θέση να προβλέψει με ακρίβεια τι θα συμβεί όταν η τεχνολογία μεταφερθεί σε ένα χρηματιστηριακό τμήμα της Wall Street, σε μια επιχείρηση χονδρικής στο Λονδίνο ή σε μια αυτοκινητοβιομηχανία στη Βομβάη.

Η τεχνική δυνατότητα και η οικονομική αξιοποίηση είναι δύο διαφορετικά πράγματα.

Όταν η τεχνολογία αλλάζει την εργασία, αλλά όχι όπως περιμέναμε

Η ιστορία προσφέρει αρκετά παραδείγματα.

Το 1982, δημοσιεύματα προειδοποιούσαν ότι οι ηλεκτρονικοί υπολογιστές στα γραφεία θα μπορούσαν να προκαλέσουν σοβαρά προβλήματα στους εργαζομένους και ακόμη και να εξαφανίσουν θέσεις εργασίας.

Οι υπολογιστές πράγματι άλλαξαν δραματικά την εργασία γραφείου. Δεν την εξαφάνισαν όμως. Αντίθετα, έγιναν το βασικό εργαλείο εκατομμυρίων εργαζομένων.

Ένα χρόνο αργότερα, το κομπιουτεράκι αντιμετωπιζόταν από ορισμένους ως απειλή για την εκπαίδευση, με τον φόβο ότι τα παιδιά θα εξαρτώνταν από τις μπαταρίες αντί από το μυαλό τους.

Στην πράξη, άλλαξε κυρίως το τι θεωρούμε ότι πρέπει να υπολογίζει ο άνθρωπος μόνος του.

Ακόμη και το cloud computing αντιμετωπίστηκε αρχικά με έντονες ανησυχίες για την ασφάλεια και την ιδιωτικότητα. Σήμερα αποτελεί βασικό κομμάτι της ψηφιακής υποδομής των επιχειρήσεων.

Το μοτίβο επαναλαμβάνεται: η τεχνολογία συχνά επιβεβαιώνει την πρόβλεψη ότι θα αλλάξει τα πράγματα, αλλά διαψεύδει την πρόβλεψη για το πώς ακριβώς θα τα αλλάξει.

Γιατί η AI είναι διαφορετική

Αυτό δεν σημαίνει ότι οι σημερινές προειδοποιήσεις για την τεχνητή νοημοσύνη μπορούν απλώς να αγνοηθούν.

Αντίθετα, η AI έχει ένα χαρακτηριστικό που διαφοροποιεί την τρέχουσα τεχνολογική μετάβαση από αρκετές προηγούμενες: η ίδια η τεχνολογία μπορεί να χρησιμοποιηθεί για την ανάπτυξη ακόμη καλύτερης τεχνολογίας.

Η συζήτηση αφορά πλέον συστήματα που μπορούν να γράφουν κώδικα, να χρησιμοποιούν εργαλεία, να λειτουργούν ως αυτόνομοι πράκτορες και να εκτελούν σύνθετες αλληλουχίες εργασιών.

Παράλληλα, έχουν ενταθεί οι ανησυχίες για AI agents που μπορούν να συνεργάζονται μεταξύ τους, για την πρόσβαση σε υπολογιστικά συστήματα και στο διαδίκτυο, αλλά και για την πιθανότητα συστημάτων που θα μπορούν σε κάποιο βαθμό να βελτιώνουν τις ίδιες τις ικανότητές τους.

Εδώ βρίσκεται και η ουσία της σημερινής συζήτησης περί «υπαρξιακού κινδύνου».

Από τη Βιομηχανική Επανάσταση στην «υπερ-ευφυΐα»

Οι προειδοποιήσεις δεν ξεκίνησαν σήμερα.

Κορυφαίοι οικονομολόγοι και ακαδημαϊκοί έχουν προειδοποιήσει ότι η AI μπορεί να μετασχηματίσει την οικονομία σε κλίμακα που θα θυμίζει τη Βιομηχανική Επανάσταση, αλλά σε πολύ μικρότερο χρονικό διάστημα.

Πριν από τρία χρόνια, σημαντικές προσωπικότητες του κλάδου είχαν ζητήσει δράση για τον περιορισμό ακόμη και του «κινδύνου αφανισμού» που θα μπορούσε να προκύψει από την τεχνητή νοημοσύνη.

Η πιο ακραία εκδοχή του σεναρίου είναι γνωστή από το περίφημο νοητικό πείραμα του φιλοσόφου Nick Bostrom.

Στο σενάριο του «μηχανισμού μεγιστοποίησης συνδετήρων», μια υπερ-ευφυής AI λαμβάνει ως στόχο την παραγωγή όσο το δυνατόν περισσότερων συνδετήρων. Καθώς επιδιώκει με απόλυτη αποτελεσματικότητα τον στόχο της, θα μπορούσε θεωρητικά να καταναλώσει όλους τους διαθέσιμους πόρους και τελικά να εξαλείψει τους ανθρώπους, επειδή αυτοί αποτελούν εμπόδιο στην επίτευξη του στόχου.

Πρόκειται για ένα θεωρητικό σενάριο, όχι για πρόβλεψη ότι κάτι τέτοιο θα συμβεί.

Ωστόσο, χρησιμοποιείται για να περιγράψει ένα βασικό πρόβλημα: ένα εξαιρετικά ισχυρό σύστημα μπορεί να επιδιώκει με απόλυτη συνέπεια έναν στόχο που δεν ταυτίζεται με τις ανθρώπινες προτεραιότητες.

Η «τέλεια καταιγίδα» των προβλέψεων

Και εδώ η Deutsche Bank εντοπίζει ένα παράδοξο.

Οι προβλέψεις για την AI είναι ίσως οι πιο δύσκολες τεχνολογικές προβλέψεις που έχουν γίνει ποτέ, ακριβώς επειδή το διακύβευμα είναι τεράστιο.

Δεν πρέπει να προβλεφθεί μόνο τι θα μπορεί να κάνει η AI, αλλά και:

πόσο γρήγορα θα βελτιώνεται,

πόσο γρήγορα θα υιοθετηθεί από τις επιχειρήσεις,

πόσο γρήγορα θα την αποδεχθούν οι καταναλωτές,

ποιες θέσεις εργασίας θα επηρεάσει,

πόσο θα αυξήσει την παραγωγικότητα,

ποιο θα είναι το κόστος της,

πώς θα αντιδράσουν οι κυβερνήσεις και οι ρυθμιστικές αρχές,

και τελικά πόσο γρήγορα θα μετατραπεί η τεχνολογική δυνατότητα σε πραγματική οικονομική αξία.

Την ίδια στιγμή, οι επενδύσεις είναι τεράστιες.

Οι hyperscalers σχεδιάζουν επενδύσεις τουλάχιστον 5 τρισ. δολαρίων μέσα στα επόμενα πέντε χρόνια, γεγονός που δημιουργεί ένα ακόμη ερώτημα για τους επενδυτές: θα αποδώσουν οι συγκεκριμένες επενδύσεις πριν ο εξοπλισμός και τα προηγμένα τσιπ που αγοράζονται σήμερα καταστούν τεχνολογικά ξεπερασμένα;

Τι σημαίνει τελικά για τους επενδυτές

Το μάθημα από την ιστορία δεν είναι ότι οι προειδοποιήσεις για την AI είναι λανθασμένες.

Ούτε ότι η τεχνητή νοημοσύνη δεν θα αλλάξει δραματικά την οικονομία.

Το μάθημα είναι πιο απλό και ίσως πιο χρήσιμο: η τεχνολογική πρόοδος μπορεί να είναι πολύ πιο εύκολο να προβλεφθεί από τις οικονομικές και κοινωνικές συνέπειές της.

Ο υπολογιστής πράγματι ήρθε. Το διαδίκτυο πράγματι άλλαξε την οικονομία. Τα smartphones πράγματι έγιναν πανταχού παρόντα. Το cloud πράγματι μεταμόρφωσε την πληροφορική.

Αυτό που αποδείχθηκε πολύ δυσκολότερο ήταν να προβλεφθούν με ακρίβεια οι χρόνοι, οι νικητές, οι χαμένοι και κυρίως η τελική μορφή που θα έπαιρνε κάθε τεχνολογική επανάσταση.

Το ίδιο μπορεί να ισχύει και για την AI.

Η σημερινή συζήτηση βρίσκεται λοιπόν ανάμεσα σε δύο ακραία σενάρια: από τη μία, την πεποίθηση ότι η τεχνητή νοημοσύνη θα οδηγήσει σε μια άνευ προηγουμένου αύξηση της παραγωγικότητας και του πλούτου και, από την άλλη, τον φόβο ότι η ανεξέλεγκτη ανάπτυξή της μπορεί να δημιουργήσει κινδύνους που δεν θα είναι εύκολο να αναστραφούν.

Η ιστορία δεν μας λέει ποιο από τα δύο σενάρια θα επικρατήσει.

Μας υπενθυμίζει όμως κάτι πολύ σημαντικό: όσο μεγαλύτερη είναι η τεχνολογική αλλαγή, τόσο μεγαλύτερη είναι συνήθως και η αβεβαιότητα για το πώς ακριβώς θα μεταφραστεί στον πραγματικό κόσμο.

Και για τις αγορές αυτό ίσως είναι το σημαντικότερο μήνυμα: το μεγάλο ερώτημα δεν είναι μόνο πόσο ισχυρή θα γίνει η AI, αλλά ποιος θα καταφέρει τελικά να μετατρέψει αυτή τη δύναμη σε πραγματικά και διατηρήσιμα κέρδη.