Η έκθεση, στην ένατη έκδοσή της, καταγράφει μια τεχνολογία που εξελίσσεται ταχύτερα από τα συστήματα που καλούνται να τη μετρήσουν, να τη ρυθμίσουν και να την ενσωματώσουν στην οικονομία, στην εργασία, στην εκπαίδευση, στην υγεία και στη δημόσια ζωή.
Μια τεχνολογία μετά τη μαζική είσοδο
Το βασικό συμπέρασμα της έκθεσης είναι ότι η AI έχει περάσει από τη φάση της εντυπωσιακής εμφάνισης στη φάση των συνεπειών. Η γενετική τεχνητή νοημοσύνη έφτασε σχεδόν στο 53% υιοθέτησης σε επίπεδο πληθυσμού μέσα σε τρία χρόνια, ταχύτερα από τον προσωπικό υπολογιστή και το διαδίκτυο, ενώ η υιοθέτηση από οργανισμούς έφτασε στο 88%.
Η ταχύτητα αυτή αλλάζει το ερώτημα. Δεν αφορά πλέον μόνο το αν η τεχνητή νοημοσύνη θα επηρεάσει την οικονομία και την κοινωνία, αλλά αν οι επιχειρήσεις, τα εκπαιδευτικά συστήματα, οι θεσμοί και οι μηχανισμοί διακυβέρνησης μπορούν να συμβαδίσουν με την κλίμακα και τον ρυθμό της αλλαγής. Το Stanford HAI περιγράφει αυτό το χάσμα ως κεντρικό νήμα της έκθεσης: η τεχνολογία προχωρά, ενώ τα συστήματα αξιολόγησης, πολιτικής, εκπαίδευσης και μέτρησης δυσκολεύονται να την παρακολουθήσουν.
Οι δυνατότητες αυξάνονται, αλλά όχι γραμμικά
Σε τεχνικό επίπεδο, η έκθεση απορρίπτει την ιδέα ότι η AI έχει φτάσει σε οροφή. Τα πιο προηγμένα μοντέλα βελτιώνονται σε πεδία όπως η επιστημονική γνώση επιπέδου PhD, ο πολυτροπικός συλλογισμός, τα μαθηματικά διαγωνιστικού επιπέδου και ο προγραμματισμός. Σε ένα βασικό benchmark κώδικα, το SWE-bench Verified, η επίδοση μέσα σε έναν χρόνο ανέβηκε από το 60% σχεδόν στο επίπεδο του ανθρώπινου baseline.
Ωστόσο, η πρόοδος δεν είναι ομοιόμορφη. Η έκθεση μιλά για το λεγόμενο «jagged frontier» της AI: τα μοντέλα μπορούν να πετύχουν επίδοση επιπέδου χρυσού μεταλλίου σε διεθνή μαθηματική ολυμπιάδα, αλλά να δυσκολεύονται ακόμη σε φαινομενικά απλές εργασίες, όπως η ανάγνωση αναλογικού ρολογιού. Αντίστοιχα, οι AI agents προχώρησαν σημαντικά σε πραγματικές εργασίες υπολογιστή, αλλά εξακολουθούν να αποτυγχάνουν περίπου σε μία στις τρεις προσπάθειες σε δομημένα benchmarks.
Ακόμη μεγαλύτερο είναι το χάσμα στη ρομποτική. Τα ρομπότ έχουν υψηλές επιδόσεις σε ελεγχόμενα περιβάλλοντα και προσομοιώσεις, όμως σε οικιακές εργασίες το ποσοστό επιτυχίας παραμένει χαμηλό. Αυτό δείχνει ότι η μετάβαση από τον ψηφιακό στον φυσικό κόσμο παραμένει μία από τις πιο δύσκολες προκλήσεις για την τεχνητή νοημοσύνη.
Η βιομηχανία κυριαρχεί στην ανάπτυξη μοντέλων
Ένα από τα πιο κρίσιμα στοιχεία της έκθεσης είναι η αυξανόμενη συγκέντρωση της ανάπτυξης προηγμένων μοντέλων στη βιομηχανία. Το 2025, πάνω από το 90% των αξιοσημείωτων AI μοντέλων προήλθε από εταιρείες, ενώ η ακαδημαϊκή παραγωγή σε αυτό το πεδίο ήταν πολύ περιορισμένη.
Η συγκέντρωση δεν είναι μόνο κλαδική, αλλά και οργανωτική. Στους βασικούς παραγωγούς μοντέλων περιλαμβάνονται εταιρείες όπως η OpenAI, η Google και η Alibaba. Η εξέλιξη αυτή έχει διπλή ανάγνωση. Από τη μία πλευρά, οι μεγάλες εταιρείες διαθέτουν το κεφάλαιο, τα δεδομένα, την υπολογιστική ισχύ και τις ομάδες που απαιτούνται για να αναπτύξουν frontier μοντέλα. Από την άλλη, όσο η ανάπτυξη συγκεντρώνεται σε λίγους οργανισμούς, τόσο δυσκολότερος γίνεται ο ανεξάρτητος έλεγχος, η αναπαραγωγή αποτελεσμάτων και η διαφάνεια.
Η έκθεση επισημαίνει ότι τα πιο ισχυρά μοντέλα είναι συχνά και τα λιγότερο διαφανή. Πληροφορίες όπως ο κώδικας εκπαίδευσης, το μέγεθος των datasets, ο αριθμός παραμέτρων και η διάρκεια εκπαίδευσης δεν δημοσιοποιούνται πλέον συστηματικά από αρκετά frontier labs. Αυτό δημιουργεί πρόβλημα όχι μόνο για τους ερευνητές, αλλά και για τις ρυθμιστικές αρχές, τους πελάτες και τις επιχειρήσεις που θέλουν να αξιολογήσουν τους κινδύνους των συστημάτων που υιοθετούν.
ΗΠΑ και Κίνα: Το τεχνολογικό χάσμα κλείνει
Η έκθεση καταγράφει ότι το χάσμα επιδόσεων ανάμεσα στα κορυφαία αμερικανικά και κινεζικά μοντέλα έχει ουσιαστικά κλείσει. Από τις αρχές του 2025, μοντέλα από τις δύο χώρες εναλλάσσονται στην κορυφή επιμέρους αξιολογήσεων, ενώ το προβάδισμα του κορυφαίου αμερικανικού μοντέλου έναντι του πλησιέστερου κινεζικού εμφανίζεται πλέον πολύ μικρό.
Παράλληλα, οι Ηνωμένες Πολιτείες εξακολουθούν να προηγούνται στην παραγωγή κορυφαίων μοντέλων και στις επενδύσεις, ενώ η Κίνα προηγείται σε όγκο δημοσιεύσεων, citations, πατέντες και εγκαταστάσεις βιομηχανικών ρομπότ. Η εικόνα δεν είναι μονοδιάστατη: οι ΗΠΑ διατηρούν ισχυρή θέση στην κορυφή της τεχνολογικής ανάπτυξης, αλλά η Κίνα έχει χτίσει βάθος σε έρευνα, βιομηχανική εφαρμογή και παραγωγή γνώσης.
Για τις επιχειρήσεις και τις κυβερνήσεις, αυτό σημαίνει ότι η AI δεν είναι πια μόνο τεχνολογικός αγώνας. Είναι και αγώνας υποδομών, ταλέντου, πατεντών, δεδομένων, chips και εθνικής στρατηγικής.
Τα data centers και το νέο ενεργειακό αποτύπωμα
Η AI γίνεται όλο και περισσότερο ζήτημα φυσικών υποδομών. Η έκθεση αναφέρει ότι οι Ηνωμένες Πολιτείες φιλοξενούν 5.427 data centers, αριθμό πάνω από δέκα φορές μεγαλύτερο από οποιαδήποτε άλλη χώρα. Παράλληλα, η παγκόσμια υπολογιστική ισχύς για AI αυξήθηκε με ρυθμό περίπου 3,3 φορές τον χρόνο από το 2022, φτάνοντας τα 17,1 εκατ. H100-equivalents.
Η υποδομή αυτή έχει στρατηγική αλλά και περιβαλλοντική σημασία. Η συνολική ισχύς των AI data centers έφτασε τα 29,6 GW, μέγεθος συγκρίσιμο με τη ζήτηση της πολιτείας της Νέας Υόρκης σε περίοδο αιχμής. Η έκθεση αναφέρει επίσης ότι οι εκπομπές από την εκπαίδευση του Grok 4 εκτιμώνται σε 72.816 τόνους ισοδυνάμου CO₂, ενώ η ετήσια χρήση νερού μόνο για inference του GPT-4o μπορεί να ξεπερνά τις ανάγκες πόσιμου νερού 1,2 εκατ. ανθρώπων.
Το ενεργειακό και περιβαλλοντικό αποτύπωμα της AI μετατρέπεται έτσι σε κρίσιμο ζήτημα για κυβερνήσεις, επιχειρήσεις και επενδυτές. Η ανάπτυξη της AI δεν εξαρτάται μόνο από τα μοντέλα, αλλά και από το αν τα δίκτυα ενέργειας, τα data centers, οι αλυσίδες εφοδιασμού και οι πολιτικές βιωσιμότητας μπορούν να αντέξουν την κλίμακα της ζήτησης.
Η εξάρτηση από τα chips και η γεωπολιτική τρωτότητα
Η έκθεση φωτίζει και μία από τις πιο ευαίσθητες πλευρές της παγκόσμιας AI οικονομίας: την αλυσίδα εφοδιασμού των chips. Σχεδόν όλα τα κορυφαία AI chips κατασκευάζονται από την TSMC στην Ταϊβάν, γεγονός που καθιστά την παγκόσμια υποδομή AI εξαρτημένη από έναν κρίσιμο κόμβο.
Αυτό δεν αφορά μόνο τους τεχνολογικούς ομίλους. Αφορά και τις χώρες που θέλουν να αναπτύξουν εθνικές AI στρατηγικές, τις επιχειρήσεις που βασίζονται σε cloud υπηρεσίες, αλλά και ολόκληρους κλάδους που θα χρειαστούν AI για παραγωγικότητα, αυτοματοποίηση, έρευνα και καινοτομία. Η «AI sovereignty», δηλαδή η δυνατότητα μιας χώρας να έχει μεγαλύτερο έλεγχο πάνω στις υποδομές, τα δεδομένα, τα μοντέλα, τις εφαρμογές και το ταλέντο της, αναδεικνύεται σε κεντρική αρχή εθνικής πολιτικής.
Οι επενδύσεις εκτινάσσονται, αλλά τα κέρδη δεν είναι παντού ίδια
Στην οικονομία, η έκθεση καταγράφει μεγάλη επιτάχυνση. Η παγκόσμια εταιρική επένδυση στην AI υπερδιπλασιάστηκε το 2025, ενώ η ιδιωτική επένδυση αυξήθηκε κατά 127,5% και αντιπροσωπεύει πλέον το μεγαλύτερο μέρος της συνολικής δραστηριότητας. Η γενετική AI ήταν ο βασικός μοχλός αυτής της ανόδου, με αύξηση άνω του 200% και σχεδόν το μισό της ιδιωτικής χρηματοδότησης.
Οι Ηνωμένες Πολιτείες παραμένουν η κυρίαρχη επενδυτική δύναμη, με ιδιωτικές επενδύσεις 285,9 δισ. δολαρίων το 2025, έναντι 12,4 δισ. δολαρίων στην Κίνα. Ωστόσο, η έκθεση σημειώνει ότι η σύγκριση αυτή πιθανότατα υποεκτιμά την κινεζική δραστηριότητα, καθώς δεν αποτυπώνει πλήρως τον ρόλο κρατικών funds και δημόσιας καθοδήγησης.
Για τις επιχειρήσεις, το σημαντικό ερώτημα δεν είναι μόνο πόσα χρήματα επενδύονται, αλλά πού εμφανίζονται πραγματικά οφέλη παραγωγικότητας. Οι μελέτες δείχνουν κέρδη 14%-15% στην υποστήριξη πελατών, 26% στην ανάπτυξη λογισμικού και έως 50% σε παραγωγή marketing output. Όμως τα αποτελέσματα είναι ασθενέστερα ή ακόμη και αρνητικά σε εργασίες που απαιτούν βαθύτερη κρίση, εμπειρία και σύνθετη αξιολόγηση.
Η αγορά εργασίας αλλάζει πρώτα στην είσοδο
Η έκθεση είναι προσεκτική ως προς τις επιπτώσεις της AI στην απασχόληση. Δεν δείχνει ακόμη γενικευμένη αντικατάσταση εργαζομένων, αλλά καταγράφει πρώιμες πιέσεις σε συγκεκριμένες ομάδες και λειτουργίες. Το πιο χαρακτηριστικό παράδειγμα αφορά τους νεότερους software developers στις ΗΠΑ, ηλικίας 22 έως 25 ετών, όπου η απασχόληση μειώθηκε σχεδόν 20% από το 2024, την ώρα που ο αριθμός των μεγαλύτερων σε ηλικία developers συνέχισε να αυξάνεται.
Η εικόνα αυτή δείχνει έναν πιθανό μηχανισμό αλλαγής: η AI μπορεί να μην αντικαθιστά άμεσα ολόκληρα επαγγέλματα, αλλά να επηρεάζει πρώτα τις entry-level θέσεις, την εκπαίδευση μέσα στην εργασία και τις πρώτες βαθμίδες επαγγελματικής εξέλιξης. Αν αυτό επιβεβαιωθεί, οι επιχειρήσεις θα κληθούν να ανασχεδιάσουν τον τρόπο με τον οποίο προσλαμβάνουν, εκπαιδεύουν και αναπτύσσουν νέο ταλέντο.
Responsible AI: Η ασφάλεια δεν προλαβαίνει τις δυνατότητες
Ένα από τα πιο ανησυχητικά ευρήματα είναι ότι το Responsible AI δεν συμβαδίζει με την τεχνική πρόοδο. Οι κορυφαίοι developers δημοσιεύουν συχνά επιδόσεις σε benchmarks δυνατοτήτων, αλλά η αναφορά αποτελεσμάτων σε benchmarks ασφάλειας, αξιοπιστίας, bias, privacy και άλλων διαστάσεων υπεύθυνης AI παραμένει αποσπασματική.
Τα καταγεγραμμένα AI incidents αυξήθηκαν σε 362 το 2025, από 233 το 2024. Η έκθεση επισημαίνει επίσης ότι η βελτίωση μίας διάστασης υπεύθυνης AI, όπως η ασφάλεια, μπορεί να επιδεινώσει άλλη διάσταση, όπως η ακρίβεια. Αυτό κάνει τη διακυβέρνηση πιο σύνθετη, γιατί δεν αρκεί να επιδιώκεται ένας γενικός στόχος «ασφαλούς AI». Χρειάζονται σαφείς προτεραιότητες, μετρήσεις και trade-offs.
Για τις επιχειρήσεις, το μήνυμα είναι πρακτικό: η υιοθέτηση AI δεν μπορεί να περιορίζεται στην επιλογή εργαλείου. Απαιτεί εσωτερική πολιτική χρήσης, έλεγχο δεδομένων, ανθρώπινη επίβλεψη, διαδικασίες αξιολόγησης και σαφή λογοδοσία.
Η AI στην επιστήμη: Μεγάλες υποσχέσεις, δύσκολη επιβεβαίωση
Το AI Index 2026 περιλαμβάνει για πρώτη φορά αυτόνομο κεφάλαιο για την AI στην επιστήμη. Η έκθεση διακρίνει τρεις μορφές χρήσης: AI για ανάλυση επιστημονικών δεδομένων, AI ως βοηθός σε ερευνητικές ροές εργασίας και αυτόνομα συστήματα που επιχειρούν να παράγουν νέες επιστημονικές υποθέσεις ή ανακαλύψεις με περιορισμένη ανθρώπινη καθοδήγηση.
Η πρόοδος είναι σημαντική, ειδικά σε πεδία με ισχυρή υπάρχουσα υποδομή δεδομένων, όπως η δομική βιολογία, η φυσική, η χημεία και τα υλικά. Ωστόσο, η έκθεση τονίζει ότι η δυνατότητα παραγωγής υποθέσεων δεν ισοδυναμεί με επιστημονική πρόοδο. Η πειραματική επιβεβαίωση παραμένει ακριβή, αργή και απαιτητική.
Αυτό είναι κρίσιμο και για την επιχειρηματική αξιοποίηση. Στη φαρμακευτική έρευνα, για παράδειγμα, η AI μπορεί να προτείνει υποψήφια μόρια σε μεγάλη κλίμακα, αλλά οι κλινικές δοκιμές εξακολουθούν να είναι πολυετείς και δαπανηρές. Το bottleneck μετακινείται από τη δημιουργία ιδεών στην αξιολόγηση, την επαλήθευση και την εφαρμογή.
Η AI στην ιατρική περνά από τα pilots στην πράξη
Στην ιατρική, η έκθεση καταγράφει σημαντική μετάβαση από πιλοτικές εφαρμογές σε ευρύτερη υιοθέτηση. Τα εργαλεία αυτόματης δημιουργίας ιατρικών σημειώσεων από επισκέψεις ασθενών γνώρισαν ουσιαστική διάδοση το 2025. Σε αρκετά συστήματα υγείας, οι γιατροί ανέφεραν μείωση έως 83% στον χρόνο που δαπανούν για τη συγγραφή σημειώσεων και σημαντική μείωση burnout.
Παράλληλα, η FDA ενέκρινε 258 AI medical devices το 2025, όμως η έκθεση επισημαίνει ότι μεγάλο μέρος αυτών πέρασε μέσα από διαδρομές που δεν απαιτούν νέες κλινικές δοκιμές. Μόνο μικρό ποσοστό των συσκευών με κλινικές μελέτες στηρίχθηκε σε randomized trial data.
Το συμπέρασμα είναι διπλό. Η AI ήδη αλλάζει την καθημερινότητα της υγείας, κυρίως σε διοικητικές και υποστηρικτικές λειτουργίες. Όμως η επιστημονική τεκμηρίωση για πολλές κλινικές εφαρμογές παραμένει περιορισμένη. Η έκθεση αναφέρει ότι σε ανασκόπηση άνω των 500 clinical AI studies, σχεδόν οι μισές βασίζονταν σε ερωτήσεις τύπου εξετάσεων και όχι σε πραγματικά δεδομένα ασθενών, ενώ μόλις 5% χρησιμοποίησαν πραγματικά κλινικά δεδομένα.
Η εκπαίδευση υιοθετεί, αλλά δεν έχει προλάβει να οργανωθεί
Στην εκπαίδευση, η εικόνα είναι χαρακτηριστική του συνολικού μοτίβου: οι χρήστες κινούνται ταχύτερα από τους θεσμούς. Πάνω από 80% των μαθητών λυκείου και φοιτητών στις ΗΠΑ χρησιμοποιούν AI για σχολικές ή ακαδημαϊκές εργασίες, όμως μόνο τα μισά middle και high schools διαθέτουν πολιτικές για την AI, και μόλις 6% των εκπαιδευτικών δηλώνουν ότι οι πολιτικές αυτές είναι σαφείς.
Η έκθεση επισημαίνει επίσης ότι η εκπαίδευση στην AI δεν είναι το ίδιο πράγμα με τη χρήση AI στην εκπαίδευση. Η πρώτη αφορά τη γνώση και τις δεξιότητες για την κατανόηση και ανάπτυξη AI συστημάτων. Η δεύτερη αφορά την αξιοποίηση AI εργαλείων για διδασκαλία, μάθηση, έρευνα ή παραγωγή εργασιών.
Αυτή η διάκριση έχει σημασία για κάθε χώρα που σχεδιάζει εκπαιδευτική πολιτική. Δεν αρκεί οι μαθητές και οι φοιτητές να χρησιμοποιούν εργαλεία AI. Χρειάζονται AI literacy, κατανόηση των ορίων, δεξιότητες αξιολόγησης και σαφές πλαίσιο χρήσης.
Οι κυβερνήσεις κινούνται σε διαφορετικές κατευθύνσεις
Το 2025 ήταν έτος έντονης πολιτικής δραστηριότητας γύρω από την AI, αλλά όχι με ενιαία κατεύθυνση. Στην Ευρωπαϊκή Ένωση τέθηκαν σε ισχύ οι πρώτες απαγορεύσεις του AI Act. Στις Ηνωμένες Πολιτείες, η πολιτική κινήθηκε περισσότερο προς την απορρύθμιση και την ενίσχυση της αμερικανικής τεχνολογικής ηγεσίας. Ιαπωνία, Νότια Κορέα και Ιταλία ψήφισαν εθνικούς νόμους για την AI.
Παράλληλα, περισσότερες αναδυόμενες οικονομίες μπήκαν στον χάρτη των εθνικών στρατηγικών AI. Η έκθεση αναφέρει ότι πάνω από τις μισές νέες εθνικές στρατηγικές προήλθαν από χώρες που πριν από πέντε χρόνια δεν διέθεταν αντίστοιχο πλαίσιο. Αυτό δείχνει ότι η AI δεν είναι πλέον υπόθεση λίγων προηγμένων οικονομιών. Αποτελεί πεδίο αναπτυξιακής πολιτικής, βιομηχανικής στρατηγικής και διεθνούς ανταγωνισμού.
Η κοινή γνώμη είναι ταυτόχρονα πιο αισιόδοξη και πιο ανήσυχη
Η έκθεση καταγράφει μια φαινομενικά αντιφατική τάση: η αισιοδοξία για την AI αυξάνεται, αλλά αυξάνεται και η ανησυχία. Το ποσοστό όσων θεωρούν ότι τα προϊόντα και οι υπηρεσίες AI έχουν περισσότερα οφέλη από μειονεκτήματα αυξήθηκε από 55% το 2024 σε 59% το 2025. Την ίδια στιγμή, το ποσοστό όσων δηλώνουν ότι η AI τούς προκαλεί νευρικότητα αυξήθηκε στο 52%.
Η χρήση AI στην εργασία είναι ήδη σημαντική. Το 58% των εργαζομένων παγκοσμίως δήλωσε ότι χρησιμοποιεί AI σε ημιτακτική ή τακτική βάση, ενώ σε χώρες όπως η Ινδία, η Κίνα, η Νιγηρία, τα Ηνωμένα Αραβικά Εμιράτα και η Σαουδική Αραβία το ποσοστό ξεπερνά το 80%.
Υπάρχει όμως μεγάλο χάσμα ανάμεσα στους ειδικούς και στο ευρύ κοινό. Για τον αντίκτυπο της AI στον τρόπο εργασίας, 73% των ειδικών αναμένουν θετική επίδραση, έναντι μόλις 23% του κοινού. Αντίστοιχα χάσματα εμφανίζονται στην οικονομία και στην ιατρική περίθαλψη. Η εμπιστοσύνη στους θεσμούς για τη ρύθμιση της AI παραμένει άνιση, με τις ΗΠΑ να καταγράφουν ιδιαίτερα χαμηλή εμπιστοσύνη των πολιτών προς την ίδια τους την κυβέρνηση στο συγκεκριμένο πεδίο.
Τι σημαίνουν όλα αυτά για τις επιχειρήσεις
Για τις επιχειρήσεις, το AI Index 2026 δείχνει ότι η τεχνητή νοημοσύνη δεν είναι πλέον ένα τεχνολογικό project στο περιθώριο της στρατηγικής. Είναι υποδομή ανταγωνιστικότητας. Επηρεάζει την παραγωγικότητα, την εμπειρία πελάτη, το κόστος, την καινοτομία, την κυβερνοασφάλεια, την πρόσβαση σε ταλέντο και τη σχέση με τη ρύθμιση.
Ωστόσο, η έκθεση δείχνει επίσης ότι η υιοθέτηση δεν ισοδυναμεί αυτόματα με αξία. Τα μεγαλύτερα οφέλη εμφανίζονται όταν οι εργασίες είναι σαφώς ορισμένες, με μετρήσιμο αποτέλεσμα και καλούς μηχανισμούς feedback. Αντίθετα, σε σύνθετες εργασίες κρίσης, στρατηγικής ή υψηλής αβεβαιότητας, η AI μπορεί να χρειάζεται πολύ πιο προσεκτική ένταξη.
Το πρακτικό συμπέρασμα είναι ότι οι επιχειρήσεις πρέπει να κινηθούν σε τρία επίπεδα: πρώτον, να εντοπίσουν πού η AI μπορεί να δημιουργήσει άμεση παραγωγικότητα· δεύτερον, να επενδύσουν σε δεδομένα, εκπαίδευση και governance· και τρίτον, να προετοιμαστούν για ένα περιβάλλον όπου η πρόσβαση σε AI δυνατότητες θα εξαρτάται όλο και περισσότερο από υποδομές, ρύθμιση, προμηθευτές και γεωπολιτικούς περιορισμούς.
Η επόμενη φάση
Το AI Index 2026 περιγράφει μια τεχνολογία που μεγαλώνει πιο γρήγορα από την ικανότητα των κοινωνιών να την κατανοήσουν πλήρως. Η AI γίνεται πιο ισχυρή, πιο διαδεδομένη και πιο ενσωματωμένη στην καθημερινότητα. Ταυτόχρονα, γίνεται λιγότερο διαφανής στην κορυφή, πιο απαιτητική σε ενέργεια και υποδομές, πιο κρίσιμη για την αγορά εργασίας και πιο δύσκολη στη ρύθμιση.
Το βασικό ερώτημα δεν είναι πλέον αν η τεχνητή νοημοσύνη θα αλλάξει την οικονομία. Αυτό ήδη συμβαίνει. Το ερώτημα είναι ποιοι θα μπορέσουν να τη χρησιμοποιήσουν με τρόπο παραγωγικό, υπεύθυνο και στρατηγικά βιώσιμο.
Για τις κυβερνήσεις, η πρόκληση είναι να διαμορφώσουν κανόνες που δεν θα καθυστερούν την καινοτομία, αλλά θα περιορίζουν τους πραγματικούς κινδύνους. Για τις επιχειρήσεις, είναι να περάσουν από τον πειραματισμό στη συστηματική αξιοποίηση. Για την εκπαίδευση, είναι να προετοιμάσει ανθρώπους που δεν θα χρησιμοποιούν απλώς εργαλεία AI, αλλά θα κατανοούν τις δυνατότητες και τα όριά τους.
Η τεχνητή νοημοσύνη, όπως τη χαρτογραφεί το Stanford HAI, δεν κινείται προς μία μόνο κατεύθυνση. Δημιουργεί παραγωγικότητα και ανισότητες, ευκαιρίες και κινδύνους, νέα γνώση και νέα κενά διαφάνειας. Η επόμενη φάση θα κριθεί όχι μόνο από το πόσο ισχυρά θα γίνουν τα μοντέλα, αλλά από το πόσο ώριμα θα γίνουν τα συστήματα που θα τα αξιοποιήσουν.