Και αναπόφευκτα έρχεται η ερώτηση: μήπως η τεχνητή νοημοσύνη είναι τελικά υπερτιμημένη; Η απάντηση που προκύπτει από τα δεδομένα είναι πιο ενδιαφέρουσα — και λιγότερο βολική. Στις περισσότερες περιπτώσεις, το πρόβλημα δεν είναι το εργαλείο. Είναι κάτι που δεν αγοράζεται με συνδρομή.
Δύο αλήθειες που μοιάζουν αντιφατικές
Ας ξεκινήσουμε από μια απορία που απασχολεί σοβαρά τους οικονομολόγους. Όταν βάζουμε την τεχνητή νοημοσύνη στο μικροσκόπιο ενός ελεγχόμενου πειράματος, τα αποτελέσματα είναι εντυπωσιακά. Σε τυχαιοποιημένες μελέτες, εργαζόμενοι σε τμήματα εξυπηρέτησης πελατών, σε συγγραφικά και σε προγραμματιστικά καθήκοντα εμφάνισαν κέρδη παραγωγικότητας που κυμαίνονται, ανάλογα με την εργασία, από 15% έως και 50%. Οι έρευνες των Brynjolfsson, Li και Raymond για την υποστήριξη πελατών, καθώς και των Noy και Zhang για τη συγγραφή, έχουν γίνει σημείο αναφοράς ακριβώς γι’ αυτό.
Όταν όμως αλλάζουμε φακό και κοιτάμε ολόκληρη την οικονομία, η εικόνα αντιστρέφεται. Η πιο φιλόδοξη μελέτη μέχρι σήμερα — των Anders Humlum και Emilie Vestergaard, που συνέδεσε δεδομένα από 25.000 εργαζόμενους και 7.000 χώρους εργασίας στη Δανία — κατέληξε σε ένα ασυνήθιστα καθαρό συμπέρασμα: παρά την ταχύτατη υιοθέτηση, η μέση εξοικονόμηση χρόνου που ανέφεραν οι χρήστες ήταν μόλις 2,8% των ωρών εργασίας τους, χωρίς μετρήσιμη επίδραση στους μισθούς ή στις πραγματικές ώρες. Οι ερευνητές το διατύπωσαν με ακρίβεια: «ακριβή μηδενικά».
Πώς συμβιβάζονται αυτές οι δύο αλήθειες; Πώς μπορεί το ίδιο εργαλείο να χαρίζει 40% σε ένα πείραμα και σχεδόν τίποτα σε μια ολόκληρη αγορά; Εδώ κρύβεται το πραγματικό ερώτημα — και η απάντηση δεν είναι ότι κάποιος από τους δύο έχει άδικο. Έχουν, πιθανότατα, δίκιο και οι δύο.
Πού διαρρέει ο κερδισμένος χρόνος
Η εξήγηση αρχίζει από μια απλή παρατήρηση: ο χρόνος που εξοικονομείται σε μια μεμονωμένη εργασία δεν μετατρέπεται αυτομάτως σε αξία για την επιχείρηση. Συνήθως απορροφάται αλλού. Ο υπάλληλος που τελειώνει ένα email σε δύο λεπτά αντί για δέκα, δεν «κερδίζει» οκτώ λεπτά· τα γεμίζει με άλλη δουλειά, με περισσότερα emails, με συσκέψεις. Το κέρδος είναι τοπικό και ατομικό· η αξία θα ήταν συστημική — και οι δύο δεν ταυτίζονται από μόνες τους.
Υπάρχει και ένας πιο ύπουλος μηχανισμός διαρροής, που πρόσφατα απέκτησε και όνομα. Σε άρθρο του Harvard Business Review, ερευνητές από το Stanford και το BetterUp Labs περιέγραψαν το φαινόμενο «workslop»: περιεχόμενο που παράγεται με τεχνητή νοημοσύνη, φαίνεται καλοδουλεμένο, αλλά στερείται ουσίας ώστε να προχωρήσει πραγματικά μια εργασία. Στην έρευνά τους, περίπου το 40% των εργαζομένων είχαν λάβει τέτοιο υλικό μέσα στον προηγούμενο μήνα, ξοδεύοντας κατά μέσο όρο σχεδόν δύο ώρες για να το διορθώσουν. Το κόστος, δηλαδή, δεν εξαφανίζεται — απλώς μετατοπίζεται από αυτόν που το παρήγαγε σε αυτόν που το παραλαμβάνει. Ο ένας «κερδίζει» χρόνο σπαταλώντας τον χρόνο του άλλου.
Το συμπέρασμα δεν είναι ότι η τεχνολογία «καταστρέφει» την παραγωγικότητα — θα ήταν υπερβολή. Είναι, όμως, ότι η εξοικονόμηση χρόνου σε ατομικό επίπεδο μπορεί κάλλιστα να συνυπάρχει με μηδενικό ή και αρνητικό όφελος σε επίπεδο ομάδας, αν λείπει ο συντονισμός και ο έλεγχος ποιότητας.
Το πρόβλημα σπάνια είναι το εργαλείο
Την ίδια διάγνωση δίνει, από άλλη σκοπιά, και μια πολυσυζητημένη έκθεση του MIT Media Lab (πρωτοβουλία NANDA) το καλοκαίρι του 2025. Εξετάζοντας εκατοντάδες εταιρικές εφαρμογές, κατέγραψε ότι περίπου το 95% των οργανισμών δεν έβλεπαν μετρήσιμη επίδραση στα οικονομικά τους αποτελέσματα από τις επενδύσεις σε παραγωγική τεχνητή νοημοσύνη. Το κρίσιμο, ωστόσο, δεν είναι το εντυπωσιακό ποσοστό, αλλά η ερμηνεία των συντακτών: η διαφορά ανάμεσα στη μειοψηφία που πετυχαίνει και στην πλειοψηφία που αποτυγχάνει δεν καθορίζεται από την ποιότητα του μοντέλου, αλλά από την προσέγγιση.
Οι λίγες επιχειρήσεις που αποκόμιζαν πραγματική αξία δεν είχαν, κατά κανόνα, «καλύτερη» τεχνητή νοημοσύνη. Είχαν κάνει κάτι πιο απλό — και πολύ πιο δύσκολο. Εντόπισαν ένα συγκεκριμένο πρόβλημα που τους «πονούσε», έδεσαν το εργαλείο μέσα στην καθημερινή τους ροή και όρισαν από την αρχή τι θα μετρούσαν ως επιτυχία — και το παρακολουθούσαν στην πράξη. Με άλλα λόγια, δεν αγόρασαν ένα προϊόν· ανασχεδίασαν μια διαδικασία. Η τεχνητή νοημοσύνη ήταν το τελευταίο κομμάτι, όχι το πρώτο.
Εδώ χρειάζεται μια κουβέντα ειλικρίνειας. Η έκθεση του MIT δεν είναι ακαδημαϊκή εργασία με κριτές, και δεν είναι λίγοι όσοι έχουν σταθεί επικριτικά απέναντι στη μεθοδολογία της — και σε ένα ποσοστό που μοιάζει φτιαγμένο για πρωτοσέλιδα. Ας την πάρουμε, λοιπόν, ως ένδειξη και όχι ως απόδειξη. Το αξιοσημείωτο, πάντως, είναι ότι η καρδιά του συμπεράσματός της — πως το πρόβλημα είναι η προσέγγιση, όχι το μοντέλο — συναντά ό,τι δείχνουν και οι πιο αυστηρές, ανεξάρτητες μελέτες.
Μια παλιά ιστορία με νέο πρωταγωνιστή
Τίποτα από αυτά δεν είναι πρωτότυπο· είναι, αντιθέτως, βαθιά οικείο σε όποιον έχει μελετήσει την ιστορία της τεχνολογίας. Στα τέλη της δεκαετίας του 1980, ο νομπελίστας οικονομολόγος Robert Solow διατύπωσε το περίφημο «παράδοξο της παραγωγικότητας»: έβλεπε υπολογιστές παντού, εκτός από τα στατιστικά της παραγωγικότητας. Χρειάστηκε πάνω από μια δεκαετία για να αρχίσουν οι ηλεκτρονικοί υπολογιστές να αποτυπώνονται σε μετρήσιμα κέρδη.
Ο οικονομικός ιστορικός Paul David το είχε εξηγήσει με την ανάλογη περίπτωση του ηλεκτρικού κινητήρα: τα εργοστάσια δεν ωφελήθηκαν όσο απλώς αντικατέστησαν την ατμομηχανή με ηλεκτρισμό, αλλά όταν, χρόνια αργότερα, ξανασχεδίασαν ολόκληρη τη διάταξη της παραγωγής γύρω από τις νέες δυνατότητες. Οι τεχνολογίες γενικού σκοπού αποδίδουν με καθυστέρηση, και μόνο όταν συνοδεύονται από «συμπληρωματικές» επενδύσεις — σε διαδικασίες, δεξιότητες και οργάνωση. Ο Erik Brynjolfsson ονομάζει αυτή την πορεία «καμπύλη J της παραγωγικότητας»: πρώτα πέφτεις, καθώς επενδύεις σε άυλο κεφάλαιο που δεν φαίνεται, και μόνο μετά ανεβαίνεις. Υπό αυτό το πρίσμα, τα σημερινά «μηδενικά» δεν σημαίνουν κατ’ ανάγκη αποτυχία· μπορεί απλώς να σημαίνουν ότι είμαστε ακόμη στο κάτω σκέλος της καμπύλης.
Ο αντίλογος — και γιατί έχει σημασία
Θα ήταν εύκολο να κλείσει εδώ το επιχείρημα, αλλά η εικόνα έχει και άλλες αναγνώσεις, που αξίζει να ακουστούν. Η αισιόδοξη πλευρά υποστηρίζει, βάσιμα, ότι είναι πολύ νωρίς για συμπεράσματα: οι μελέτες που δείχνουν «μηδενικά» καταγράφουν τα πρώτα δύο-τρία χρόνια μιας τεχνολογίας που εξελίσσεται με πρωτοφανή ταχύτητα, και η καθυστέρηση είναι αναμενόμενη, όχι απογοητευτική.
Η σκεπτικιστική πλευρά αντιτείνει το αντίθετο: ότι μέρος του ενθουσιασμού τροφοδοτείται από την ίδια τη βιομηχανία που πουλάει τα εργαλεία, και ότι ακόμη και ευρύτερες αναλύσεις — όπως μια εκτίμηση της Goldman Sachs στις αρχές του 2026 — δυσκολεύονται να εντοπίσουν ουσιαστική σύνδεση ανάμεσα στην υιοθέτηση της τεχνητής νοημοσύνης και στην παραγωγικότητα σε επίπεδο οικονομίας. Και μια τρίτη ανάγνωση, πιο πρακτική, θυμίζει ότι δεν είναι κάθε επιχείρηση υποχρεωμένη να δει «μετασχηματισμό»: για πολλές μικρές δομές, ένα διακριτικό, σταθερό όφελος σε λίγες συγκεκριμένες εργασίες είναι από μόνο του αξιόλογο αποτέλεσμα — αρκεί να μην περιμένουν θαύματα.
Το ζητούμενο, επομένως, δεν είναι να αποφασίσουμε αν η τεχνητή νοημοσύνη «πιάνει» ή «δεν πιάνει». Είναι να καταλάβουμε υπό ποιες προϋποθέσεις αποδίδει — γιατί αυτές οι προϋποθέσεις είναι, τελικά, στο χέρι μας.
Τι σημαίνει αυτό, πρακτικά, για μια μικρή επιχείρηση
Αν υπάρχει ένα κοινό σημείο σε όλες τις έγκυρες μελέτες, είναι ότι η αξία δεν προκύπτει από την κατοχή του εργαλείου, αλλά από τη διαδικασία μέσα στην οποία εντάσσεται. Χωρίς να μετατραπεί αυτό σε συνταγή, τα δεδομένα υποδεικνύουν μερικές λογικές αφετηρίες.
Πρώτον, να ξεκινά κανείς από το πρόβλημα και όχι από το εργαλείο: ποια συγκεκριμένη, επαναλαμβανόμενη εργασία τρώει χρόνο; Εκεί μπαίνει η τεχνολογία, όχι «παντού». Δεύτερον, να ορίζεται εκ των προτέρων τι σημαίνει επιτυχία και να μετριέται — αλλιώς κανείς δεν θα μάθει ποτέ αν κέρδισε χρόνο ή απλώς τον μετακίνησε. Τρίτον, να μπαίνει ένα στοιχειώδες φίλτρο ποιότητας, ώστε το «workslop» να μη μετακυλίεται στον επόμενο. Και τέταρτον, να αντιμετωπίζεται όλο αυτό ως αλλαγή οργάνωσης — με λίγη εκπαίδευση και ξεκάθαρους κανόνες — και όχι ως μια ακόμη συνδρομή που «θα λύσει μόνη της» το πρόβλημα.
Η τεχνητή νοημοσύνη είναι, πιθανότατα, μια από τις σημαντικότερες τεχνολογίες γενικού σκοπού της εποχής μας. Αυτό, όμως, δεν την κάνει αυτόματα παραγωγική για κάθε επιχείρηση που θα την αγοράσει. Τα στοιχεία λένε κάτι διαφορετικό και πιο απαιτητικό: ότι το εργαλείο είναι αναγκαία, αλλά όχι επαρκής, συνθήκη. Το κομμάτι που κάνει τη διαφορά είναι το λιγότερο εντυπωσιακό — ο ανασχεδιασμός της διαδικασίας, οι μετρήσεις, οι κανόνες, η εκπαίδευση.
Ίσως, τελικά, η σωστότερη διατύπωση να μην είναι ότι η τεχνητή νοημοσύνη «μας χαρίζει» χρόνο. Ο χρόνος δεν χαρίζεται και δεν αγοράζεται· σχεδιάζεται. Και αυτό, ευτυχώς ή δυστυχώς, παραμένει δουλειά ανθρώπων.
Πηγές & βιβλιογραφία
- Humlum, A. & Vestergaard, E. (2025), «Large Language Models, Small Labor Market Effects», NBER Working Paper (Univ. of Chicago / Univ. of Copenhagen). Δεδομένα από 25.000 εργαζόμενους και 7.000 χώρους εργασίας στη Δανία· μέση αναφερόμενη εξοικονόμηση χρόνου 2,8%, χωρίς μετρήσιμη επίδραση σε μισθούς/ώρες («ακριβή μηδενικά»). Πρόκειται για working paper — δεν έχει ακόμη περάσει peer review, είναι όμως από τις πλέον αναγνωρισμένες μελέτες του πεδίου.
- Brynjolfsson, E., Li, D. & Raymond, L. (2025), «Generative AI at Work»· Noy, S. & Zhang, W. (2023), Science. Τυχαιοποιημένες μελέτες που τεκμηριώνουν κέρδη παραγωγικότητας σε επίπεδο εργασίας (τάξης 15%–50%) σε υποστήριξη πελατών και συγγραφικά καθήκοντα.
- Niederhoffer, K. κ.ά. (2025), «AI-Generated ‘Workslop’ Is Destroying Productivity», Harvard Business Review (BetterUp Labs & Stanford). Περίπου το 40% των εργαζομένων έλαβαν «workslop» τον προηγούμενο μήνα· κατά μέσο όρο ~2 ώρες διόρθωσης ανά περιστατικό· μετατόπιση του κόστους downstream. Βασίζεται σε έρευνα ερωτηματολογίου (~1.150 εργαζόμενοι), όχι σε ελεγχόμενο πείραμα.
- MIT Media Lab, Project NANDA (2025), «The GenAI Divide: State of AI in Business 2025». ~95% των οργανισμών χωρίς μετρήσιμη επίδραση στα οικονομικά αποτελέσματα· η διαφορά αποδίδεται στην προσέγγιση, όχι στο μοντέλο. Σημείωση: βιομηχανική αναφορά (όχι peer-reviewed)· η μεθοδολογία έχει δεχθεί κριτική.
- Solow, R. (1987)· David, P. «The Dynamo and the Computer» (1990)· Brynjolfsson, Rock & Syverson, «The Productivity J-Curve». Ιστορικό και θεωρητικό πλαίσιο του «παραδόξου της παραγωγικότητας»: οι τεχνολογίες γενικού σκοπού αποδίδουν με καθυστέρηση, όταν συνοδεύονται από συμπληρωματικές επενδύσεις σε διαδικασίες και δεξιότητες.
- Goldman Sachs Research — σημείωμα του οικονομολόγου Ronnie Walker επί των αποτελεσμάτων δ’ τριμήνου (Μάρτιος 2026). Δεν εντοπίζεται ουσιαστική σχέση υιοθέτησης AI και παραγωγικότητας σε επίπεδο οικονομίας· ταυτόχρονα, όμως, καταγράφεται διάμεσο κέρδος περίπου 30% σε δύο συγκεκριμένες, εντοπισμένες χρήσεις — εικόνα που συνάδει με το βασικό επιχείρημα του άρθρου.