Τα τελευταία χρόνια, όλο και περισσότερες εταιρείες –και ειδικά επενδυτικοί οργανισμοί– αναζητούν τρόπους να επιταχύνουν διαδικασίες που μέχρι πρότινος απαιτούσαν εβδομάδες ή και μήνες. Η τεχνητή νοημοσύνη και ειδικά τα μεγάλα γλωσσικά μοντέλα (LLMs) εμφανίζονται ως η «προφανής» λύση: μπορούν να αναλύουν τεράστιους όγκους πληροφοριών σε ελάχιστο χρόνο και να προσφέρουν γρήγορες απαντήσεις σε σύνθετα ερωτήματα.
Δεν είναι τυχαίο ότι η πλειονότητα των στελεχών θεωρεί πλέον τη χρήση της AI υψηλή προτεραιότητα, ενώ πολλοί πιστεύουν ότι μέσα στα επόμενα χρόνια θα αλλάξει ριζικά τον τρόπο που δουλεύουν. Η ταχύτητα, όμως, δεν είναι πάντα συνώνυμο της ποιότητας. Και στον κόσμο των επιχειρήσεων –και ιδιαίτερα των επενδύσεων– ένα λάθος συμπέρασμα μπορεί να κοστίσει πολύ ακριβά.
Όπως αναφέρει σε ειδικό άρθρο της η McKinsey:
Οι επενδυτικές αποφάσεις απαιτούν ακρίβεια, κρίση και βαθιά κατανόηση της πραγματικότητας πίσω από τα δεδομένα. Εδώ ακριβώς αρχίζουν να φαίνονται και τα όρια της γενετικής τεχνητής νοημοσύνης.
Όταν τα μοντέλα αντλούν πληροφορίες κυρίως από δημόσιες πηγές, όπως το διαδίκτυο, είναι πιθανό να αναπαράγουν υπερβολικά αισιόδοξες εκτιμήσεις, γενικεύσεις ή ακόμα και αντικρουόμενα στοιχεία. Το αποτέλεσμα μπορεί να είναι μια εικόνα «καλοφτιαγμένη», αλλά όχι απαραίτητα αληθινή. Όπως λένε συχνά έμπειρα στελέχη της αγοράς, «πληρωνόμαστε για να είμαστε σωστοί – όχι απλώς γρήγοροι». To ΑΙ μπορεί να βοηθήσει να κερδηθεί χρόνος, αλλά δεν μπορεί από μόνη της να υποκαταστήσει την ανθρώπινη κρίση.
Γιατί τα data χρειάζονται ανθρώπινο φίλτρο
Έρευνες και πρακτικά παραδείγματα δείχνουν ότι οι αναλύσεις που βασίζονται αποκλειστικά σε AI τείνουν συχνά να παρουσιάζουν μια πιο «ρόδινη» εικόνα της αγοράς σε σχέση με την πραγματικότητα που βιώνουν όσοι δραστηριοποιούνται καθημερινά σε έναν κλάδο. Σε αρκετές περιπτώσεις, οι εκθέσεις της Τεχνητής Νοημοσύνης εμφανίζουν υψηλότερα μεγέθη αγοράς, ταχύτερους ρυθμούς ανάπτυξης ή πιο ώριμες συνθήκες από αυτές που περιγράφουν στελέχη, σύμβουλοι και ειδικοί του χώρου.
Το πρόβλημα δεν είναι απλώς θεωρητικό, εξηγεί η Mckinsey. Αν μια εταιρεία βασιστεί σε τέτοιες αναλύσεις, μπορεί να αφιερώσει χρόνο και πόρους σε ευκαιρίες που, με πιο προσεκτική εξέταση, θα αποδεικνύονταν λιγότερο ελκυστικές. Σε άλλες περιπτώσεις, το AI παραλείπει κρίσιμες πληροφορίες: δομές συμβολαίων, πραγματικά περιθώρια κέρδους, κανονιστικά εμπόδια ή ιδιαιτερότητες συγκεκριμένων πελατειακών ομάδων.
Εδώ ακριβώς αναδεικνύεται η αξία των «ιδιόκτητων δεδομένων» και της ανθρώπινης εμπειρίας. Σημειώσεις από συναντήσεις με διοικήσεις, συνεντεύξεις ειδικών, εσωτερικές αναλύσεις και εμπειρία ετών προσθέτουν βάθος και ρεαλισμό στην εικόνα. Δεν ακυρώνουν την δουλειά της Τεχνητής Νοημοσύνης, αλλά τη συμπληρώνουν. Η σύγκριση ανάμεσα σε όσα «λέει» το μοντέλο και σε όσα επιβεβαιώνουν οι άνθρωποι της αγοράς βοηθά τις εταιρείες να εντοπίσουν ασυμφωνίες, κενά ή υπερβολές.
Το κρίσιμο συμπέρασμα είναι ότι καμία πηγή δεν αρκεί από μόνη της. Ούτε η πιο εξελιγμένη τεχνητή νοημοσύνη, ούτε τα πιο έμπειρα στελέχη έχουν απόλυτη εικόνα όταν λειτουργούν μεμονωμένα. Η πραγματική αξία προκύπτει από τον συνδυασμό: AI για ταχύτητα και εύρος, data για τεκμηρίωση και ανθρώπινη εμπειρία για κρίση, κατανόηση και σωστή ιεράρχηση.
Σήμερα, οι πιο ώριμες εταιρείες δεν αντιμετωπίζουν την AI ως «μαγικό ραβδί», αλλά ως εργαλείο μέσα σε ένα αυστηρό πλαίσιο διαδικασιών. Ελέγχουν τις πηγές, διασταυρώνουν τα δεδομένα, αμφισβητούν τα συμπεράσματα και επενδύουν στην ποιότητα της πληροφόρησης. Με άλλα λόγια, δεν καταναλώνουν απλώς περισσότερη πληροφορία – μαθαίνουν να καταναλώνουν τη σωστή.
Σε έναν κόσμο όπου η πληροφορία είναι άφθονη, το πραγματικό ανταγωνιστικό πλεονέκτημα δεν είναι η πρόσβαση στα δεδομένα, αλλά η ικανότητα να τα φιλτράρεις, να τα κατανοείς και να τα μετατρέπεις σε σωστές αποφάσεις. Και εκεί, η τεχνητή νοημοσύνη μπορεί να είναι πολύτιμος σύμμαχος, αρκεί να «δουλεύει μαζί» με τον άνθρωπο, καταλήγει η Mckinsey.