Οι καταιγιστικές εξελίξεις στο χώρο της Τεχνητής Νοημοσύνης την αναβαθμίζουν σε βασικό στοιχείο της ανταγωνιστικότητας για τις επιχειρήσεις που φιλοδοξούν να κυριαρχήσουν.
Το 2023 ήταν το «έτος μηδέν» της τεχνητής νοημοσύνης. Το απόλυτο relaunch της, αφού μπορεί εδώ και χρόνια να υπήρχε στις ζωές μας αλλά αυτό που ακολούθησε την «απελευθέρωση» του Chat GPT της OpenAI στο πλατύ κοινό δεν συμβαίνει συχνά. Η «Γενετική» ή «Παραγωγική» και κατ’ άλλους «Δημιουργική» Νοημοσύνη -όπως αποδίδεται στα ελληνικά η generative AI- τράβηξε την προσοχή παγκοσμίως και γοήτευσε ή τρόμαξε το κοινό, όπως λίγες τεχνολογικές εξελίξεις στην ιστορία. Kαι σε βαθμό που πριν συνδεθεί με την οικονομία εσφαλμένα ταυτίστηκε με το σύνολο της τεχνητής νοημοσύνης. Σήμερα, σχεδόν ενάμιση χρόνο μετά την κυκλοφορία του ChatGPT και σύμφωνα με την πιο πρόσφατη έρευνα της Focus Bari για την ελληνική αγορά, 1 στους 4 Έλληνες δοκίμασαν ήδη να χρησιμοποιήσουν την generative AI. Ήδη ένα 45% από τους χρήστες της τη χρησιμοποιεί για επαγγελματικούς λόγους, ενώ ένα 19% των συνολικών χρηστών της τη χρησιμοποιεί σχεδόν κάθε μέρα.

Ποιος είναι ο λόγος που η generative AI ξαναέβαλε στο επίκεντρο της παγκόσμιας προσοχής την τεχνητή νοημοσύνη; Η παραγωγική τεχνητή νοημοσύνη είναι μια υποκατηγορία της τεχνητής νοημοσύνης-της «στενής» (narrow) ή αδύναμης («weak») νοημοσύνης -όπως την αναφέρουν κάποιοι ειδικοί-, με πολύ συγκεκριμένα χαρακτηριστικά και ικανότητες που την έφεραν στο προσκήνιο με έμφαση που επισκίασε κάθε άλλη μορφή τεχνητής νοημοσύνης. Για να γίνει πιο κατανοητή η διαφορά, η «παραδοσιακή» τεχνητή νοημοσύνη έχει σαν κυρίως ρόλο να αναλύει δεδομένα και να κάνει ασφαλείς προβλέψεις. Η παραγωγική τεχνητή νοημοσύνη πήγε ένα βήμα -άλμα για να είμαστε ακριβείς- παραπέρα και για πρώτη φορά στην ιστορία δημιουργεί νέα δεδομένα, παρόμοια με αυτά με τα οποία εκπαιδεύτηκε. Όπου στις προηγούμενες προτάσεις διαβάσατε «μοτίβα» και «δεδομένα», αντικαταστήστε το με κείμενα, ήχο, εικόνες, βίντεο, 3D Animation ακόμα και λογισμικό. Η παραδοσιακή τεχνητή νοημοσύνη γίνεται ολοένα και πιο ικανή στο να διακρίνει, για παράδειγμα, μοτίβα ανάμεσα στα δεδομένα, ενώ ο παραγωγικός «απόγονος» της δημιουργεί με βάση αυτά νέα δικά του μοτίβα και το κάνει με τρόπο εντυπωσιακά φιλικό προς το χρήστη. Αυτό σε συνδυασμό με το ότι για πρώτη φορά ο χρήστης δεν χρειάζεται να έχει γνώσεις προγραμματισμού για να απολαύσει τις υπηρεσίες της τεχνητής ευφυίας και αρκεί να πληκτρολογήσει τι χρειάζεται, αλλάζει το παιχνίδι σε κάθε μία από τις εκφάνσεις της «αναλογικής» ζωής και ιδιαίτερα σε εφαρμογές στην επιχειρηματικότητα. Και το κάνει ακριβώς τώρα.

Γιατί τώρα;
Σημαντικό για την αντίληψη της επίδρασης της Παραγωγικής Τεχνητής Νοημοσύνης (ΠΤΝ) είναι να καταλάβουμε πώς προέκυψε αυτή την δεδομένη στιγμή. Χρειάστηκε να περάσουμε πολλά κύματα ψηφιοποίησης του αναλογικού κόσμου και μια επιδημία που θα έκανε προφανή την ανάγκη του ψηφιακού μετασχηματισμού σαν εργαλείο επιβίωσης, πριν χρήμα (πολύ!) και ενέργεια (ακόμα περισσότερη) αφιερωθούν στην ανάπτυξη τεχνολογιών που να την υποστηρίζουν. Μια από τις σημαντικότερες εξελίξεις είναι αυτή που χωράει κάθε μέρα στην παλάμη σας. Τα smartphones που σε συνδυασμό με τα social media ήταν ανάμεσα σε αυτά που κατάφεραν να στρέψουν αμέτρητα ρυάκια ψηφιακών δεδομένων σε έναν ωκεανό data, πάνω στα οποία εκπαιδεύτηκε στην πιο πρόσφατη φάση εξέλιξης της η Παραγωγική Τεχνητή Νοημοσύνη. Πριν όμως γίνει αυτό έπρεπε να αυξηθεί η δυνατότητα αποθήκευσης, επεξεργασίας και ανάλυσης των δεδομένων σε cloud και distributed computing, ώστε να γίνει στη συνέχεια εφικτή η δημιουργία ενός «μεγάλου γλωσσικού μοντέλου» (large language model – LLM) με το οποίο μπορέσαμε επιτέλους όλοι να συνομιλήσουμε με την Παραγωγική Τεχνητή Νοημοσύνη.

Τhere is no business like ΑΙ business
Αμέσως και σχεδόν αυτόματα η παραγωγική τεχνητή νοημοσύνη συνδέθηκε με την επιχειρηματικότητα. Σύμφωνα με πρόσφατη μελέτη της McKinsey, ο αντίκτυπος της Παραγωγικής Τεχνητής Νοημοσύνης στην παραγωγικότητα σε παγκόσμιο επίπεδο, θα μπορούσε να προσθέσει 2,6 με 4,4 τρισεκατομμύρια δολάρια σε ετήσια βάση. Επίσης η Παραγωγική Τεχνητή Νοημοσύνη θα αυξήσει συνολικά την επίδραση της τεχνητής νοημοσύνης στην οικονομία κατά 15% έως 40%. Η ίδια μελέτη υπολογίζει ότι περίπου το 75% της αξίας που θα προσφέρει η Παραγωγική Τεχνητή Νοημοσύνη θα επικεντρωθεί σε τέσσερις τομείς: πελατειακές δραστηριότητες (customer operations), marketing και πωλήσεις, σχεδιασμός λογισμικού και έρευνα & ανάπτυξη. Oι κλάδοι που θα επωφεληθούν πρώτοι θα είναι η τραπεζική/ ασφάλιση, οι εταιρείες υψηλής τεχνολογίας και οι βιοεπιστήμες.

Σε ό,τι αφορά την Ελλάδα, στην πρόσφατη μελέτη του ΣΕΠΕ και της Deloitte για την επίδραση της Παραγωγικής Τεχνητής Νοημοσύνης στην ελληνική οικονομία διακρίνονται τρία σενάρια: η πιο συντηρητική πρόβλεψη μιλά για αύξηση του ΑΕΠ κατά 5,5% και 10,7 δισεκατομμύρια επιπλέον μέχρι το 2030. Το αισιόδοξο σενάριο μιλά για αύξηση 7,3% και 14,3 δις και η υπεραισιόδοξη, που προϋποθέτει η χώρα να ακολουθεί τις χώρες πρωτοπόρους στην ανάπτυξη και χρήση Παραγωγικής Τεχνητής Νοημοσύνης μιλά για ανάπτυξη της τάξης του 9,8% και 19,2 δις στο ίδιο διάστημα. Tο 48% της επίδρασης της Παραγωγικής Τεχνητής Νοημοσύνης στην χώρα αναμένεται να προέλθει από 5 κλάδους της οικονομίας:

Χρηματοπιστωτικός και ασφαλιστικός κλάδος: Προηγμένα συστήματα ανίχνευσης απάτης, ανάλυσης επενδυτικού ρίσκου, ανάλυση μοντέλων των διεθνών αγορών και επενδυτικού ρίσκου, εικονικοί βοηθοί θα παρέχουν εξατομικευμένη εξυπηρέτηση.

Παροχή Υπηρεσιών: Ανάλυση δεδομένων για ανάπτυξη προτάσεων βελτίωσης της απόδοσης και της ποιότητας των υπηρεσιών, ανάπτυξη τεχνικών εγχειριδίων χρήσης, εκπαίδευση και βοήθεια προσωπικού.

Ενημέρωση & Επικοινωνία: Δημιουργία περιεχομένου marketing με τοπική προσαρμογή υψηλής εξειδίκευσης, μοντέλα πρόβλεψης καταναλωτικών συμπεριφορών, ανίχνευση τάσεων αλλά και ψευδών και χειραγωγούμενων ροών πληροφορίας.

Χονδρικό Εμπόριο: Βελτιστοποίηση εφοδιαστικής αλυσίδας με προβλέψεις διακυμάνσεων της ζήτησης, ανάπτυξη μοντέλων τιμολόγησης και εκτίμησης της κερδοφορίας.

Μεταποίηση: Δημιουργία μοτίβων και συσχετισμών με λήψη δεδομένων αισθητήρων και ιστορικού συντήρησης για πρόβλεψη δυσλειτουργίας εξοπλισμού, προσομοίωση και αξιολόγηση πολλαπλών σεναρίων.

Παρόλα αυτά η υιοθέτηση της Παραγωγικής Τεχνητής Νοημοσύνη ς αναμένεται να αποφέρει πολλαπλά οφέλη σε όλους τους κλάδους της οικονομίας αφού σε μια σειρά από τομείς υπόσχεται:
Βελτιωμένη Πελατειακή Εμπειρία: Αμεσότερη και αποτελεσματικότερη αλληλεπίδραση με το κοινό και περισσότερο εξατομικευμένη εμπειρία χρήστη μέσω παροχής στοχευμένων απαντήσεων δημιουργημένων βάση του εκάστοτε προφίλ του.

Ανάπτυξη περιεχομένου: Δημιουργία πρωτότυπων κειμένων, εικόνων, προϊόντων κλπ. Επιτρέπει στις επιχειρήσεις να δημιουργούν περιεχόμενο γρήγορα και αποτελεσματικά.

Αξιοποίηση Data: Εξαγωγή πληροφορίας από αδόμητα δεδομένα, επιτυγχάνοντας τη βέλτιστη κατανόηση και αξιοποίηση των πληροφοριών που περιέχονται σε αυτά (π.χ. ανάλυση εικόνων και ήχου).

Διαχείριση γνώσης: Αυτοματοποίηση των διαδικασιών συλλογής και συντήρησης της γνώσης. Ευκολότερη πλοήγηση των χρηστών σε αποθετήρια δεδομένων και γνώσεων της επιχείρησης, προσωποποιημένη εμπειρία βιωματικής εκπαίδευσης πάνω σε αυτά.

Διαχείριση κώδικα: Επιτάχυνση και βελτίωση της διαδικασίας ανάπτυξης κώδικα, εξοικονομώντας χρόνο και εξαλείφοντας τα ανθρώπινα λάθη.

Επιτάχυνση καινοτομίας: Αύξηση ρυθμού ανάπτυξης νέων προϊόντων ή υπηρεσιών και ταχύτερη διάθεσή τους στην αγορά, αλλά και αύξηση της δημιουργικότητας με την άρση των οικομοτεχνικών φραγμών στη δοκιμή νέων ιδεών.

Στρατηγική αποτελεσματικότητα: Καλύτερη λήψη αποφάσεων μέσα από την αποτελεσματικότερη επεξεργασία μεγάλου όγκου δεδομένων /ανάλυση δημογραφικών τάσεων, οικονομικών δεικτών, ερευνών κοινής γνώμης μέσω των ψηφιακών καναλιών.

Υψηλότερη παραγωγικότητα: Ενίσχυση της αποτελεσματικότητας των διαδικασιών μέσω της μείωσης των χειρωνακτικών παρεμβάσεων.

Εξοικονόμηση κόστους: Μείωση κόστους, ακόμα και ως 30% κυρίως μέσω της αυτοματοποίησης πολλών χρονοβόρων διαδικασιών, αλλά και μέσω του διαρκούς monitoring ελαχιστοποίησης λαθών.

Ανακάλυψη νέων φαρμάκων: Πρωτοφανείς δυνατότητες ανάλυσης και δημιουργίας νέων εξειδικευμένων φαρμακευτικών προϊόντων.

Από τις προσδοκίες στις επενδύσεις
Οι επιχειρηματικές δυνατότητες της Παραγωγικής Τεχνητής Νοημοσύνης είναι πρακτικά αμέτρητες γιατί συνδυάζοντας τις υπάρχουσες τεχνολογίες με αυτή σε κάθε επιχειρηματικό πεδίο, προκύπτουν ατελείωτες δυναμικές.
Για παράδειγμα, φανταστείτε τα chatbots και τους φωνητικούς βοηθούς τύπου Alexa που χρησιμοποιούν όλοι και στην ουσία με την χρήση της υπάρχουσας τεχνολογίας τεχνητής νοημοσύνης κατηγοριοποιούν ερωτήσεις και αιτήματα και τα αντιστοιχούν με έτοιμες απαντήσεις ή στοιχεία. Τώρα αναλογιστείτε τι θα γίνει αν ένα chatbot συνδυαστεί με την ΠΤΝ και κάθε φορά που θέτουμε μια ερώτηση -όσο ιδιαίτερα και αν μπορεί ο κάθε ένας μας να την εκφράσει- το σύστημα δεν ανατρέχει σε έτοιμες απαντήσεις και data αλλά «παράγει» μια ξεχωριστή «αντίδραση», συνδυάζοντας προφορικό ή γραπτό λόγο, εικόνες ή βίντεο για να δώσει ιδιαίτερες και προσωποποιημένες απαντήσεις που εξελίσσονται συνεχώς στην αλληλεπίδραση αυτή.

Οι αμέτρητες αυτές δυνατότητες της τεχνητής νοημοσύνης είναι που συμπαρασύρουν τον τελευταίο χρόνο σε ένα ράλι επενδύσεων και εξελίξεων τον επιχειρηματικό κόσμο. Αυτό αποτυπώνεται σε αριθμούς, με την Statista να υπολογίζει ότι 154 δισεκατομμύρια δολάρια επενδύθηκαν σε ΑΙ παγκοσμίως μόνο τη χρονιά που πέρασε -από τα οποία σχεδόν 21 μόνο από τον τραπεζικό τομέα- και οι αυξητικές τάσεις της δαπάνης σε ΑΙ αναμένεται να οδηγήσει την ευρύτερη αγορά τεχνητής νοημοσύνης σε συνολική αξία πάνω από 1,8 τρισεκατομμύρια δολάρια ως το 2030.
Οι επιχειρηματικές δυνατότητες της Παραγωγικής Τεχνητής Νοημοσύνης είναι πραγματικά ανυπολόγιστες.