Των Νικολάου Γεωργικόπουλου* και Γεωργίου Σαμακοβίτη**
Η συζήτηση για την Τεχνητή Νοημοσύνη εισέρχεται σε μια νέα και, κατά τη γνώμη μας, πολύ πιο ενδιαφέρουσα φάση. Μέχρι πρόσφατα, το κυρίαρχο ερώτημα ήταν κατά βάση τεχνολογικό: πόσο ισχυρά μπορούν να γίνουν τα νέα μοντέλα, πόσο γρήγορα μπορούν να εξελιχθούν και πόσες ανθρώπινες λειτουργίες μπορούν να υποστηρίξουν, να αυτοματοποιήσουν ή να μετασχηματίσουν; Σήμερα προστίθεται ένα δεύτερο ερώτημα, αυστηρότερο και βαθιά οικονομικό: Πόσο από το εντυπωσιακό τεχνολογικό δυναμικό της AI μπορεί τελικά να μετατραπεί σε μετρήσιμη οικονομική αξία;
Η πρόσφατη έντονη μεταβλητότητα στις αμερικανικές τεχνολογικές μετοχές επανέφερε αυτό το ερώτημα με ιδιαίτερη ένταση. Το ενδιαφέρον, όμως, δεν βρίσκεται τόσο στο εάν ένας χρηματιστηριακός δείκτης κερδίζει ή χάνει ορισμένες ποσοστιαίες μονάδες σε μία συνεδρίαση. Βρίσκεται στην αλλαγή του ίδιου του υποδείγματος με το οποίο οι αγορές καλούνται πλέον να αξιολογήσουν την AI. Η πρώτη περίοδος ήταν η περίοδος της προσδοκίας. Η δεύτερη θα είναι η περίοδος της απόδειξης.
Η απόσταση μεταξύ τεχνολογικής αξίας και χρηματιστηριακής αποτίμησης
Από τη σκοπιά της χρηματοοικονομικής επιστήμης, είναι αναγκαίο να διαχωρίσουμε δύο έννοιες που στον δημόσιο διάλογο συχνά συγχέονται: την τεχνολογική αξία και τη χρηματιστηριακή αποτίμηση. Μια τεχνολογία μπορεί να αλλάζει πραγματικά τον κόσμο και μια εταιρεία που πρωταγωνιστεί σε αυτήν να εξακολουθεί, σε συγκεκριμένες χρονικές στιγμές, να αποτιμάται υπερβολικά αισιόδοξα. Δεν υπάρχει αντίφαση. Η αποτίμηση μιας επιχείρησης δεν εξαρτάται μόνο από το πόσο προηγμένη είναι η τεχνολογία που διαθέτει. Εξαρτάται από τις μελλοντικές χρηματοροές που εκτιμάται ότι θα δημιουργήσει, από τον χρόνο στον οποίο αυτές θα πραγματοποιηθούν και από τον κίνδυνο που τις συνοδεύει. Όσο μεγαλύτερες προσδοκίες ενσωματώνει ήδη η τιμή ενός περιουσιακού στοιχείου, τόσο μικρότερη είναι η ανοχή στην απογοήτευση. Μια επιχείρηση μπορεί να παρουσιάσει σημαντική ανάπτυξη και η αγορά παρ' όλα αυτά να αντιδράσει αρνητικά, όχι επειδή τα αποτελέσματα ήταν κακά, αλλά επειδή το σενάριο που είχε ήδη προεξοφληθεί ήταν ακόμη καλύτερο. Η χρηματοοικονομική αγορά δεν τιμολογεί απλώς το παρόν. Τιμολογεί το μέλλον. Και όταν έχει αγοράσει πολύ μέλλον εκ των προτέρων, απαιτεί πλέον αποδείξεις.
Η κεφαλαιακή ένταση της Τεχνητής Νοημοσύνης
Η AI έχει μία οικονομική ιδιαιτερότητα που συχνά υποτιμάται. Παρουσιάζεται ως άυλη και ψηφιακή τεχνολογία, αλλά η ανάπτυξή της είναι εξαιρετικά εντάσεως κεφαλαίου. Πίσω από κάθε προηγμένο μοντέλο υπάρχει μια ολόκληρη βιομηχανική υποδομή: προηγμένοι επεξεργαστές, servers, συστήματα αποθήκευσης, τηλεπικοινωνιακά δίκτυα, data centers, εγκαταστάσεις ψύξης και τεράστιες ανάγκες σε ηλεκτρική ενέργεια. Σύμφωνα με την International Data Corporation (IDC), οι παγκόσμιες δαπάνες για υποδομές AI προβλέπεται να ανέλθουν στα 497 δισ. δολάρια το 2026, ενώ η ίδια εκτιμά ότι η συγκεκριμένη αγορά θα ξεπεράσει το 1 τρισ. δολάρια το 2029. Και όσο αυξάνεται ο παρονομαστής της επένδυσης, τόσο σημαντικότερος γίνεται ο αριθμητής της απόδοσης. Το ερώτημα, συνεπώς, μεταβάλλεται. Δεν είναι πλέον μόνο «πόσο μεγάλη μπορεί να γίνει η AI;». Είναι: «Ποια απόδοση παράγει το κεφάλαιο που επενδύεται στην AI;» Αυτή η μετατόπιση από το technological potential στο return on investment αποτελεί, κατά τη γνώμη μας, μία από τις σημαντικότερες αλλαγές της επόμενης φάσης.
Οι φυσικοί περιορισμοί μιας ψηφιακής επανάστασης
Υπάρχει και μια δεύτερη οικονομική διάσταση που αξίζει ιδιαίτερη προσοχή. Η Τεχνητή Νοημοσύνη μπορεί να είναι ψηφιακή, αλλά οι βασικοί πόροι που απαιτούνται για να λειτουργήσει δεν είναι. Χρειάζεται γη, ενέργεια, δίκτυα, ψύξη, chips, κεφάλαιο, αδειοδοτήσεις και, τελικά, χρόνο. Ο International Energy Agency υπολογίζει ότι τα data centers κατανάλωσαν περίπου 415 TWh ηλεκτρικής ενέργειας το 2024, δηλαδή περίπου το 1,5% της παγκόσμιας κατανάλωσης ηλεκτρισμού. Ο ίδιος οργανισμός επισημαίνει ότι η δυνατότητα μετασχηματισμού που προσφέρει η AI εξαρτάται και από την ύπαρξη οικονομικά προσιτής, αξιόπιστης και βιώσιμης ηλεκτρικής ενέργειας. Προκύπτει, έτσι, ένα ενδιαφέρον οικονομικό παράδοξο: Όσο πιο ψηφιακή γίνεται η οικονομία της AI, τόσο περισσότερο εξαρτάται από τη φυσική οικονομία. Το επόμενο όριο ανάπτυξής της μπορεί, επομένως, να μη βρίσκεται μόνο στην υπολογιστική ισχύ ενός νέου επεξεργαστή. Μπορεί να βρίσκεται στη χωρητικότητα ενός ηλεκτρικού δικτύου, στο κόστος χρηματοδότησης μιας επένδυσης ή στον χρόνο που απαιτείται για την κατασκευή της αναγκαίας υποδομής.
Η παραγωγικότητα ως το πραγματικό μέτρο της AI
Από μακροοικονομική σκοπιά, η μεγάλη υπόσχεση της Τεχνητής Νοημοσύνης δεν είναι απλώς ότι οι άνθρωποι θα χρησιμοποιούν εντυπωσιακότερα ψηφιακά εργαλεία. Είναι ότι αυτά τα εργαλεία θα αυξήσουν την παραγωγικότητα. Αυτό είναι το σημείο στο οποίο η τεχνολογία συναντά πραγματικά την οικονομική επιστήμη. Για μια επιχείρηση, η AI αποκτά οικονομική σημασία όταν μπορεί να αυξήσει τα έσοδα, να μειώσει το κόστος, να βελτιώσει την ποιότητα, να επιταχύνει διαδικασίες ή να επιτρέψει την παραγωγή προϊόντων και υπηρεσιών που προηγουμένως δεν ήταν οικονομικά εφικτά. Για μια εθνική οικονομία, το ερώτημα είναι ευρύτερο: κατά πόσο αυτή η διαδικασία μπορεί να μεταφραστεί σε υψηλότερη παραγωγικότητα της εργασίας και, τελικά, σε αύξηση του δυνητικού προϊόντος. Η επόμενη εποχή της AI θα είναι, επομένως, πιθανότατα λιγότερο εντυπωσιακή επικοινωνιακά, αλλά πολύ πιο ενδιαφέρουσα οικονομικά.
Από την τεχνολογική υπόσχεση στη μετρήσιμη απόδοση
Για αρκετό διάστημα αρκούσε μια επιχείρηση να ανακοινώσει ότι αναπτύσσει ή ενσωματώνει εφαρμογές Τεχνητής Νοημοσύνης για να δημιουργήσει υψηλές προσδοκίες. Αυτό σταδιακά δεν θα είναι αρκετό. Οι αγορές θα ζητούν ολοένα περισσότερο συγκεκριμένες απαντήσεις: Πόσο αυξήθηκαν τα έσοδα λόγω της AI; Πόσο μειώθηκε το κόστος; Πόση παραγωγικότητα δημιουργήθηκε; Σε πόσο χρόνο αποσβένονται οι κεφαλαιουχικές δαπάνες; Ποια περιθώρια κέρδους μπορεί να υποστηρίξει το επιχειρηματικό μοντέλο; Και, κυρίως, πόσο διατηρήσιμο είναι το ανταγωνιστικό πλεονέκτημα όταν ολοένα περισσότερες επιχειρήσεις αποκτούν πρόσβαση σε παρόμοιες τεχνολογικές δυνατότητες; Αυτά είναι λιγότερο θεαματικά ερωτήματα από την παρουσίαση ενός νέου AI model. Είναι όμως τα ερωτήματα από τα οποία εξαρτάται τελικά η αξία μιας επένδυσης. Η αγορά περνά σταδιακά από το “Show me the technology” στο “Show me the return”.
Η AI στις ελληνικές επιχειρήσεις: από την υιοθέτηση στη δημιουργία αξίας
Στην περίπτωση της ελληνικής επιχειρηματικότητας, η ουσιαστική πρόκληση δεν είναι πλέον μόνο η ταχύτητα υιοθέτησης της Τεχνητής Νοημοσύνης. Είναι η μετατροπή της τεχνολογικής υιοθέτησης σε μετρήσιμο οικονομικό αποτέλεσμα. Η διάκριση είναι κρίσιμη. Η ενσωμάτωση ενός εργαλείου AI σε μια επιχείρηση δεν συνεπάγεται αυτομάτως αύξηση της παραγωγικότητας ούτε, πολύ περισσότερο, δημιουργία διατηρήσιμου ανταγωνιστικού πλεονεκτήματος. Από μικροοικονομική σκοπιά, η τεχνολογία αποκτά πραγματική αξία όταν επηρεάζει ουσιαστικά την παραγωγική διαδικασία: όταν επιτρέπει την παραγωγή περισσότερου ή ποιοτικότερου αποτελέσματος με δεδομένους πόρους ή όταν το ίδιο αποτέλεσμα μπορεί να παραχθεί με χαμηλότερο κόστος.
Τα διαθέσιμα στοιχεία υποδεικνύουν ότι η διάδοση της AI στις ελληνικές επιχειρήσεις επιταχύνεται. Σύμφωνα με έρευνα της Strand Partners για λογαριασμό της AWS, το 47% των ελληνικών επιχειρήσεων που συμμετείχαν στην έρευνα δήλωσε ότι χρησιμοποιεί εργαλεία AI, έναντι 34% ένα έτος νωρίτερα. Μεταξύ όσων χρησιμοποιούν AI, το 88% ανέφερε βελτιώσεις στην παραγωγικότητα και το 56% επιτάχυνση των κύκλων καινοτομίας. Ωστόσο, μεγαλύτερο ενδιαφέρον παρουσιάζει όχι μόνο η έκταση, αλλά και το βάθος της ενσωμάτωσης. Στην ίδια έρευνα, το 61% των επιχειρήσεων που χρησιμοποιούν AI επικεντρώνεται κυρίως σε εφαρμογές αποτελεσματικότητας και αυτοματοποίησης εργασιών, ενώ μόλις το 17% κατατάσσεται στο πλέον προηγμένο επίπεδο μετασχηματιστικής αξιοποίησης της τεχνολογίας. Εδώ βρίσκεται μια κρίσιμη διάκριση μεταξύ AI adoption και AI transformation. Η πρώτη αφορά την εισαγωγή της τεχνολογίας στις υφιστάμενες επιχειρηματικές διαδικασίες. Η δεύτερη προϋποθέτει ότι η επιχείρηση επανασχεδιάζει διαδικασίες, οργανωτικές δομές και μηχανισμούς λήψης αποφάσεων, ώστε η τεχνολογία να επηρεάζει ουσιαστικά την παραγωγικότητα, το κόστος και τη δημιουργία προστιθέμενης αξίας. Υπό αυτή την οπτική, η AI δεν πρέπει να αντιμετωπίζεται ως ένα απομονωμένο τεχνολογικό input. Η πραγματική της απόδοση εξαρτάται από συμπληρωματικές επενδύσεις στην ποιότητα και τη διακυβέρνηση των δεδομένων, στις ψηφιακές υποδομές, στο ανθρώπινο κεφάλαιο και στην οργανωτική ικανότητα μιας επιχείρησης να απορροφά και να αξιοποιεί την τεχνολογική αλλαγή.
Το ανθρώπινο κεφάλαιο αποτελεί ήδη σημαντική παράμετρο. Στην ίδια έρευνα, η έλλειψη δεξιοτήτων αναφέρεται ως εμπόδιο στην ευρύτερη υιοθέτηση της AI από το 48% των επιχειρήσεων. Για τη διοίκηση των ελληνικών επιχειρήσεων, επομένως, το πλαίσιο αξιολόγησης πρέπει να μετακινηθεί από το απλό ερώτημα: «Χρησιμοποιούμε AI;» σε ένα σαφώς πιο απαιτητικό: «Ποια είναι η οριακή οικονομική αξία που δημιουργεί η επένδυσή μας στην AI;»
Η αξιολόγηση της τεχνολογικής επένδυσης πρέπει να συνδέεται με οικονομικά αποτελέσματα: με την επίδραση στο μοναδιαίο κόστος, στην παραγωγικότητα της εργασίας, στον χρόνο ολοκλήρωσης διαδικασιών, στην ποιότητα των υπηρεσιών, στην ταχύτητα της καινοτομίας και, τελικά, στις λειτουργικές χρηματοροές και στην απόδοση του επενδεδυμένου κεφαλαίου. Καθώς, μάλιστα, η πρόσβαση σε εργαλεία Τεχνητής Νοημοσύνης διευρύνεται, η απλή κατοχή της τεχνολογίας χάνει σταδιακά τη δυνατότητα να αποτελεί από μόνη της διατηρήσιμο ανταγωνιστικό πλεονέκτημα. Το πλεονέκτημα μετατοπίζεται στην ικανότητα αποτελεσματικής ενσωμάτωσης: στην ποιότητα των δεδομένων, στο ανθρώπινο και οργανωτικό κεφάλαιο και στην ικανότητα της διοίκησης να αναγνωρίζει πού ακριβώς η AI μπορεί να παράγει τη μεγαλύτερη οικονομική αξία. Για την ελληνική επιχειρηματικότητα, συνεπώς, το κρίσιμο ερώτημα της επόμενης περιόδου δεν είναι απλώς πόσες επιχειρήσεις χρησιμοποιούν Τεχνητή Νοημοσύνη. Είναι κατά πόσο η διάδοση της AI θα αποτυπωθεί τελικά σε υψηλότερη παραγωγικότητα, μεγαλύτερη προστιθέμενη αξία και ενισχυμένη διεθνή ανταγωνιστικότητα.
Τι μας διδάσκει πραγματικά η εποχή των dot-com
Κάθε μεγάλη τεχνολογική ευφορία προκαλεί αναπόφευκτα συγκρίσεις με το Internet και τη φούσκα των dot-com. Η πραγματική ιστορική αναλογία, όμως, δεν είναι ότι «όλα ήταν φούσκα». Το ουσιαστικό μάθημα είναι διαφορετικό: μια τεχνολογική επανάσταση μπορεί να είναι πραγματική, ενώ οι αποτιμήσεις συγκεκριμένων επιχειρήσεων που δημιουργούνται γύρω της να αποδεικνύονται υπερβολικές. Το Internet άλλαξε πράγματι την παγκόσμια οικονομία. Αυτό που σε πολλές περιπτώσεις αποδείχθηκε λανθασμένο ήταν η εκτίμηση για το ποιες επιχειρήσεις θα μπορούσαν να μετατρέψουν την τεχνολογική αλλαγή σε βιώσιμα επιχειρηματικά μοντέλα. Κάτι ανάλογο αποτελεί ένα χρήσιμο αναλυτικό πλαίσιο και για την AI. Η πραγματική αναμέτρηση δεν είναι μεταξύ εκείνων που «πιστεύουν» και εκείνων που «δεν πιστεύουν» στην Τεχνητή Νοημοσύνη. Είναι μεταξύ εκείνων που θα μπορέσουν να μετατρέψουν την τεχνολογία σε διατηρήσιμη οικονομική αξία και εκείνων που απλώς θα συμμετέχουν στο αφήγημά της.
Από την επιχειρηματική υιοθέτηση στον παραγωγικό μετασχηματισμό της Ελλάδας
Αν για τις επιχειρήσεις το ζητούμενο είναι η μετάβαση από την υιοθέτηση στην απόδοση, για την ελληνική οικονομία το ερώτημα γίνεται ευρύτερο: Μπορεί αυτή η τεχνολογική μετάβαση να μετατραπεί σε διατηρήσιμη αύξηση της παραγωγικότητας και της προστιθέμενης αξίας της χώρας; Η στρατηγική συζήτηση για την Ελλάδα δεν μπορεί να εξαντλείται στο εάν οι αμερικανικές τεχνολογικές μετοχές είναι ακριβές ή φθηνές. Το ουσιαστικό ερώτημα είναι εάν η Ελλάδα θα παραμείνει κυρίως καταναλωτής εφαρμογών Τεχνητής Νοημοσύνης ή θα μπορέσει να χρησιμοποιήσει την AI ως μοχλό παραγωγικού μετασχηματισμού. Για τα πανεπιστήμια αυτό σημαίνει επένδυση στην έρευνα, στη διεπιστημονικότητα και στο ανθρώπινο κεφάλαιο. Για τη δημόσια διοίκηση σημαίνει ένα διαφορετικό μοντέλο ψηφιακού μετασχηματισμού, στο οποίο η τεχνολογία δεν είναι αυτοσκοπός αλλά εργαλείο καλύτερης αξιοποίησης των πόρων και βελτίωσης των παρεχόμενων υπηρεσιών. Και για την οικονομική πολιτική σημαίνει ότι η συζήτηση για την AI πρέπει να συνδεθεί με ένα από τα πλέον διαχρονικά ζητήματα της ελληνικής οικονομίας: την παραγωγικότητα, την ανταγωνιστικότητα και τη δημιουργία υψηλότερης προστιθέμενης αξίας.
Η οικονομική εξίσωση της επόμενης ημέρας
Ίσως, λοιπόν, η σημαντικότερη αλλαγή να μη συμβαίνει στα ίδια τα μοντέλα Τεχνητής Νοημοσύνης. Συμβαίνει στον τρόπο με τον οποίο αρχίζουμε να τα αξιολογούμε. Η πρώτη φάση της AI χαρακτηρίστηκε από την εκπληκτική ταχύτητα της τεχνολογικής εξέλιξης και από την εξίσου εντυπωσιακή άνοδο των προσδοκιών. Στη δεύτερη φάση απαιτούνται αποδείξεις. Πραγματικά έσοδα. Πραγματικές χρηματοροές. Παραγωγικότητα. Απόδοση κεφαλαίου. Ενεργειακή επάρκεια. Βιώσιμα επιχειρηματικά μοντέλα. Αυτό δεν συνιστά αμφισβήτηση της Τεχνητής Νοημοσύνης. Αντίθετα, είναι ίσως η στιγμή κατά την οποία η AI αρχίζει να αντιμετωπίζεται όχι απλώς ως μια εντυπωσιακή τεχνολογική υπόσχεση, αλλά ως μια τεχνολογία γενικού σκοπού που καλείται να περάσει το αυστηρό τεστ της πραγματικής οικονομίας. Ο International Energy Agency χαρακτηρίζει την AI αναδυόμενη τεχνολογία γενικού σκοπού, παραλληλίζοντάς την ως προς αυτό το χαρακτηριστικό με τον ηλεκτρισμό. Και αυτό το τεστ δεν θα κριθεί από την τιμή μιας μετοχής την επόμενη εβδομάδα. Θα κριθεί από κάτι πολύ πιο δύσκολο: Πόση παραγωγικότητα δημιουργεί κάθε μονάδα κεφαλαίου που επενδύεται στην AI και πόσο από αυτήν την αξία μπορεί να διατηρηθεί σε βάθος χρόνου.
Για την Ελλάδα ειδικότερα, το πραγματικό οικονομικό τεστ δεν θα είναι η ταχύτητα διάχυσης της Τεχνητής Νοημοσύνης, αλλά η ικανότητά της να επηρεάσει θετικά την παραγωγικότητα, την απόδοση του επενδεδυμένου κεφαλαίου και, τελικά, τις παραγωγικές δυνατότητες της ελληνικής οικονομίας. Εκεί τελειώνει το αφήγημα. Και αρχίζει η οικονομική επιστήμη.
*Νικόλαος Γεωργικόπουλος είναι Καθηγητής Χρηματοοικονομικής στο Rutgers Business School, USA. Ερευνητικός Συνεργάτης στο Stern School of Business – NYU (USA). Πρόεδρος Επιτροπής στην Ελληνική Αναπτυξιακή Τράπεζα (ΕΑΤ). Σύμβουλος Αναπτυξιακής Πολιτικής της Δημάρχου Πεντέλης και Συνεργάτης του Δημάρχου Αμαρουσίου.
**Ο Γιωργος Σαμακοβίτης είναι Καθηγητής Χρηματοοικονομικής Τεχνολογίας με εξειδίκευση στους τομείς FinTech, Blockchain και Προστασίας της Ιδιωτικότητας. Είναι ειδικός εμπειρογνώμων στο Digital Euro Association, Ανώτερο Εκτελεστικό Μέλος του ινστιτούτου μελετών The Digital Economist και Πρόεδρος της Ομάδας Εργασίας Blockchain του ίδιου ινστιτούτου.
Διαβάστε τις Ειδήσεις σήμερα και ενημερωθείτε για τα πρόσφατα νέα.
Ακολουθήστε το Skai.gr στο Google News και μάθετε πρώτοι όλες τις ειδήσεις.
