Από τη δεκαετία του 1970 και μετά, όταν η παραγωγικότητα στις ΗΠΑ επιβραδύνθηκε αισθητά, έχει υπάρξει μόνο μία σύντομη περίοδος ισχυρής ανάπτυξης: η εποχή των υπολογιστών. Στα τέλη της δεκαετίας του 1990 και στις αρχές του 2000, η παραγωγή ανά ώρα αυξανόταν περίπου κατά 3% ετησίως, πριν εξασθενήσει ξανά.
Το Social Europe αναρωτιέται αν μπορεί η τεχνητή νοημοσύνη να αποδειχθεί διαφορετική. Οι αισιόδοξοι δείχνουν τα στοιχεία για την παραγωγικότητα εργασίας, η οποία αυξήθηκε με ετήσιο ρυθμό 1,8% στο τέταρτο τρίμηνο του 2025. Ωστόσο, μια πιο «καθαρή» μέτρηση από την Ομοσπονδιακή Τράπεζα του Σαν Φρανσίσκο, που αφαιρεί τις κυκλικές επιδράσεις (όπως η εντατικοποίηση της εργασίας), δείχνει αύξηση μόλις 0,2% σε ετήσια βάση – κάτι που δύσκολα υποδηλώνει ότι «συμβαίνει κάτι μεγάλο».
Αντίθετα, θα πρέπει να θεωρούμε επιτυχία ακόμη και το να επαναλάβει η τεχνητή νοημοσύνη τη σύντομη δυναμική της επανάστασης των υπολογιστών. Η αύξηση της παραγωγικότητας είναι πιθανό να απογοητεύσει – όχι επειδή η τεχνολογία είναι αδύναμη, αλλά επειδή αυτοματοποιεί κάτι θεμελιωδώς διαφορετικό από ό,τι οι προσωπικοί υπολογιστές και το διαδίκτυο.
Η επανάσταση των υπολογιστών αυτοματοποίησε κυρίως τον υπολογισμό και την πρόσβαση στη γνώση. Οι υπολογιστές, το email, τα λογιστικά φύλλα και το διαδίκτυο μείωσαν δραστικά τα εμπόδια στην αναζήτηση, αποθήκευση και μετάδοση πληροφοριών. Ένας ερευνητής δεν χρειαζόταν πλέον να ψάχνει σε βιβλιοθήκες ή να περιμένει την αποστολή υλικού – μπορούσε απλώς να χρησιμοποιήσει το διαδίκτυο. Τα οφέλη ήταν άμεσα, γιατί ο άνθρωπος αντικαθιστούσε απλώς μια αργή μέθοδο με μια ταχύτερη.
Επιπλέον, όταν οι υπολογιστές εκτελούσαν βασικές εργασίες, το έκαναν με ντετερμινιστικό τρόπο. Ένα λογιστικό φύλλο μπορούσε να αναπαράγει λάθη στα δεδομένα, αλλά δεν «εφηύρισκε» μαθηματικά. Οι μηχανές αναζήτησης μπορούσαν να εμφανίσουν άσχετα αποτελέσματα, αλλά δεν κατασκεύαζαν πηγές. Ο βασικός κίνδυνος ήταν το ανθρώπινο λάθος — όχι η πειστική επινόηση.
Η τεχνητή νοημοσύνη, αντίθετα, αυτοματοποιεί την ίδια την παραγωγή γνωστικών αποτελεσμάτων – από τη συγγραφή μέχρι τον προγραμματισμό. Συχνά τα καταφέρνει πολύ καλά. Όμως, επειδή μπορεί επίσης να κάνει λάθη με αυτοπεποίθηση και πειστικότητα, δημιουργεί ένα νέο δίλημμα: αν ο άνθρωπος πρέπει να παραμένει «στον κύκλο» για να επαληθεύει τα αποτελέσματα, τότε χρειάζεται ακριβώς τη γνώση που υποτίθεται ότι αντικαθιστά η τεχνητή νοημοσύνη.
Έτσι, ο χρόνος που κερδίζεται από τη δημιουργία περιεχομένου συχνά αντισταθμίζεται – εν μέρει ή και πλήρως- από τον χρόνο που απαιτείται για την επαλήθευση, τον έλεγχο και την ανάληψη ευθύνης.
Ένα πρόσφατο περιστατικό σε πτωχευτικό δικαστήριο του Μανχάταν είναι ενδεικτικό. Η νομική εταιρεία Sullivan & Cromwell κατέθεσε επείγουσα αίτηση γεμάτη με ανύπαρκτες παραπομπές και λάθη που είχαν παραχθεί από τεχνητή νοημοσύνη. Τα λάθη εντοπίστηκαν όχι από την ίδια την εταιρεία, αλλά από την αντίδικη πλευρά. Το περιστατικό ήταν παράδοξο, αλλά αποκαλυπτικό: δείχνει τι συμβαίνει όταν ένα εργαλείο που παράγει άψογο λόγο συναντά έναν κόσμο που απαιτεί επαληθεύσιμη αλήθεια.
Το βαθύτερο πρόβλημα δεν είναι απλώς ότι η τεχνητή νοημοσύνη κάνει λάθη, αλλά ότι αλλάζει το κόστος αυτών των λαθών. Καθώς τα συστήματα γίνονται πιο «αυτόνομα», τα σφάλματα αποκτούν μεγαλύτερη βαρύτητα. Ένα chatbot που «παραληρεί» είναι ενοχλητικό· ένας αυτόνομος παράγοντας που αλλάζει κώδικα, μετακινεί χρήματα ή ενεργοποιεί διαδικασίες μπορεί να προκαλέσει πραγματική ζημιά — και μάλιστα με ταχύτητα μηχανής.
Αυτό που προκύπτει είναι ένας «φόρος επαλήθευσης». Σε κάθε τομέα όπου υπάρχει ευθύνη – νομική, ιατρική, χρηματοοικονομική, μηχανική ή δημόσια πολιτική – το αποτέλεσμα της τεχνητής νοημοσύνης δεν είναι τελικό προϊόν, αλλά προσχέδιο που πρέπει να ελεγχθεί. Η εργασία δεν εξαφανίζεται· μετατοπίζεται από την παραγωγή στην επίβλεψη.
Τα δεδομένα το επιβεβαιώνουν. Σε μια μεγάλη μελέτη σε υπηρεσίες εξυπηρέτησης πελατών, η χρήση γενετικής τεχνητής νοημοσύνης αύξησε την παραγωγικότητα κατά περίπου 14% κατά μέσο όρο, με πολύ μεγαλύτερα οφέλη για τους λιγότερο έμπειρους εργαζομένους. Όταν όμως οι εργασίες είναι πιο σύνθετες και η ορθότητα δυσκολότερο να ελεγχθεί, το όφελος εξαφανίζεται. Σε πείραμα με έμπειρους προγραμματιστές ανοιχτού λογισμικού, η χρήση προηγμένων εργαλείων τεχνητής νοημοσύνης τους έκανε περίπου 19% πιο αργούς, καθώς ο χρόνος τους καταναλωνόταν σε διατυπώσεις εντολών, αναμονή, έλεγχο και διορθώσεις.
Το συμπέρασμα είναι σαφές: η απόδοση της τεχνητής νοημοσύνης εξαρτάται από τη φύση της εργασίας. Όπου τα λάθη έχουν μικρό κόστος και τα αποτελέσματα είναι εύκολα ελέγξιμα, η παραγωγικότητα αυξάνεται. Όπου τα λάθη είναι κρίσιμα και η ορθότητα δύσκολα διαπιστώσιμη, το «στενό σημείο» μεταφέρεται από την εκτέλεση στην πιστοποίηση.
Αυτό αναδεικνύει και έναν μακροπρόθεσμο κίνδυνο. Αν οι επιχειρήσεις προσλαμβάνουν λιγότερους νέους επαγγελματίες και επενδύουν λιγότερο στην εκπαίδευση, βασιζόμενες στην τεχνητή νοημοσύνη για τα πρώτα στάδια της δουλειάς, υπονομεύουν τη γνώση που απαιτείται για τον έλεγχο των αποτελεσμάτων της.
Τι χρειάζεται, λοιπόν, για να μετατραπεί η τεχνητή νοημοσύνη σε πραγματικό μοχλό παραγωγικότητας; Η απάντηση είναι σαφής: υποδομές επαλήθευσης. Ήδη, ένας ομοσπονδιακός δικαστής στο Τέξας απαιτεί από τους δικηγόρους να πιστοποιούν ότι κάθε κείμενο που παράγεται με τη βοήθεια τεχνητής νοημοσύνης έχει ελεγχθεί με παραδοσιακές μεθόδους.
Ανάλογες αλλαγές απαιτούνται σε όλο το φάσμα της «λευκής» εργασίας. Αν οι εταιρείες θέλουν να εμπιστευτούν την τεχνητή νοημοσύνη για κρίσιμες λειτουργίες —από τη συγγραφή κώδικα μέχρι τη διαχείριση κεφαλαίων— θα χρειαστούν μηχανισμούς τεκμηρίωσης, ελέγχου και λογοδοσίας.
Μέχρι όμως οι θεσμοί – ρυθμιστικές αρχές, εταιρικές διαδικασίες, επαγγελματικά πρότυπα και δικαστικά συστήματα – προσαρμοστούν, η δυναμική της τεχνητής νοημοσύνης θα παραμένει περιορισμένη. Η υπόσχεση υπάρχει· η πραγματική επανάσταση, όχι ακόμη.
