«Εμείς μεταξύ μας διαφωνούμε»: Οι άνθρωποι της AI στην EY Ελλάδος συζητούν για όσα έρχονται

«Εμείς μεταξύ μας διαφωνούμε», λέει σε κάποια στιγμή ο Ηλίας Βυζάς, ενώ η συζήτηση εξελίσσεται. Γύρω από το ίδιο τραπέζι, στα γραφεία της EY Ελλάδος στο Μαρούσι, κάθονται τρεις άνθρωποι που ασχολούνται καθημερινά με την τεχνητή νοημοσύνη, αλλά δεν τη βλέπουν πάντοτε με τον ίδιο τρόπο.

Ο Ηλίας Βυζάς, Εταίρος, Επικεφαλής Συμβουλευτικών Υπηρεσιών της EY Ελλάδος και Επικεφαλής του EY AI & Data Center of Excellence στην Αθήνα, ο δρ. Λάζαρος Πολυμενάκος, Εταίρος, Συμβουλευτικές Υπηρεσίες EY Ελλάδος, Επικεφαλής του EY AI/GenAI Center of Excellence και ο Αντώνης Αρβανιτάκης, Director, AI & Data, Συμβουλευτικές Υπηρεσίες EY Ελλάδος, Επικεφαλής του EY Robotics Lab στην Αθήνα, συμφωνούν σε κάτι θεμελιώδες: η εποχή που συζητούσαμε αν η AI μπορεί πράγματι να παράγει αξία έχει τελειώσει.

«Το AI δουλεύει. Και δουλεύει καλά», υπογραμμίζει ο δρ. Πολυμενάκος.

«Δεν το βρήκε μόνο του»

Ξεκινώ τη συζήτηση ρίχνοντας στο τραπέζι έναν αφορισμό του Γιουβάλ Νόα Χαράρι, ο οποίος μίλησε για «alien intelligence», μια νοημοσύνη ξένη προς εμάς, που δεν θα μπορούμε να ελέγξουμε. Ο δρ. Πολυμενάκος προτιμά να ξεκινήσει από κάτι πιο πεζό: τι ακριβώς είναι τα σημερινά μοντέλα. «Είναι βασισμένα στην ανθρώπινη γνώση: σε όση είναι καταγεγραμμένη και προσβάσιμη ηλεκτρονικά, από βιβλία και επιστημονικά άρθρα μέχρι manuals και ειδήσεις. Έχουμε μηχανές που μπορούν να φτιάξουν μια μαθηματική απεικόνιση αυτής της γνώσης, σε έναν μεγάλο διανυσματικό χώρο και να την αναπαράγουν με καινούριο τρόπο ή συνδυαστικά. Μια μηχανή που έχει μάθει, περίπου, το available knowledge της ανθρωπότητας».

Το λάθος, κατά τη γνώμη του, είναι να συγχέουμε το generative AI με μια νοημοσύνη που αποκτά μόνη της σκοπούς. «Την τεχνητή νοημοσύνη σήμερα τη λέμε generative, αλλά κατ' ουσίαν είναι reactive. Αν το ρωτήσεις πώς πετάνε τα πουλιά, μπορεί να σου πει με φτερά ή με κάτι που έχει πούπουλα. Δεν μπορεί να σου πει ότι πετάνε με νύχια, μια και δεν έχει δει κείμενα ή ανάλυση που αναφέρουν τέτοια μέθοδο πτήσης».

Το ενδιαφέρον αρχίζει με τα λεγόμενα harnesses: στρώσεις από αναλυτικά εργαλεία που χτίζονται πάνω από τα LLM μοντέλα, σπάνε την ερώτηση του χρήστη σε βήματα και εξοπλίζουν το μοντέλο με εργαλεία και τη δυνατότητα να κάνει πλάνο δράσης. Εκεί αποκτά πραγματική δυνατότητα δράσης η ΑΙ, εκεί βρίσκεται η εξήγηση για όσα διαβάζουμε περί μοντέλων που «ξέφυγαν». «Αν σπάσει ένα σύστημα, αυτό δεν το βρήκε μόνο του. Ήταν στο πλάνο που δημιουργήθηκε - είτε το πλάνο είτε τους στόχους πάνω στους οποίους δημιουργήθηκε το πλάνο τούς έχει δώσει στο μοντέλο AI ένας άνθρωπος».

Εδώ εμφανίζεται η πρώτη ουσιαστική διαφωνία. Για τον Ηλία Βυζά αυτή η θέση δεν είναι καθησυχαστική. Αντιτείνει ότι ένας άνθρωπος δίνει σε ένα σύστημα αυτή τη δυνατότητα και ένας άλλος το χρησιμοποιεί χωρίς να ξέρει τι κρατά στα χέρια του και το αφήνει ανεξέλεγκτο, σαν «γεμάτο όπλο».

Ο κ. Αρβανιτάκης συμπληρώνει: «Αυτά που έχουν δημιουργηθεί όσον αφορά το hacking συνήθως είναι σε πειραματικά ή αρχικά μοντέλα. Όταν βγαίνει ένα τέτοιο σύστημα στο ευρύ κοινό ή στις εταιρείες, η νομοθεσία προβλέπει υποχρεωτικά κάποιες δικλίδες ασφαλείας». Το ίδιο ισχύει στην Ευρώπη, στις ΗΠΑ και στην Κίνα, και το hacking απαγορεύεται είτε το κάνει άνθρωπος είτε μηχανή.

Ο rogue player και τα πυρηνικά

Μένει πάντα το ενδεχόμενο ενός κακόβουλου παίκτη, κάποιου που θα επιλέξει συνειδητά να αφήσει το σύστημα ανεξέλεγκτο. Ο δρ. Πολυμενάκος θυμίζει ότι την ίδια συζήτηση κάναμε επί δεκαετίες για τα πυρηνικά. «Όταν έπεσαν πυρηνικά από ένα αεροπλάνο και τα έψαχναν μέσα στον βυθό, δεν πατήθηκε κανένα κουμπί. Απλώς έπεσαν. Το ατύχημα, εντός εισαγωγικών, είτε είναι κουμπί είτε είναι άνθρωπος».

Ο κ. Αρβανιτάκης προσθέτει έναν πρακτικό περιορισμό, το κόστος: η επένδυση που χρειάζεται περιορίζει δραστικά τους οργανισμούς που κινούνται προς τα εκεί, «οι οποίοι είναι και σε άμεση επικοινωνία με τις κυβερνήσεις». Ο δρ. Πολυμενάκος βάζει και νούμερο: «Μου φαίνεται ότι τους κόστισε κοντά μισό δισ. δολάρια για να κάνουν το πείραμα. Δεν είναι κάτι εύκολο και επαναλήψιμο από rogue players. Κάποια στιγμή πιθανόν να πέσει το κόστος δραματικά».

Και το «κάποια στιγμή», στην τεχνητή νοημοσύνη, σημαίνει πολύ συντομότερα απ' όσο έχουμε συνηθίσει.

Ποιος μπορεί να πατήσει φρένο

Τη συζήτηση που άνοιξε ο Ντάριο Αμοντέι της Anthropic για την ανάγκη να συνεννοηθεί ο κλάδος, ο δρ. Πολυμενάκος τη βλέπει θετικά. «Νομίζω ότι είναι στη σωστή κατεύθυνση». Όχι ως παραδοχή ότι η κατάσταση ξέφυγε, αλλά ως μια αγορά που έριξε τεράστια κεφάλαια σε έναν αγώνα ταχύτητας και κάποια στιγμή πρέπει να αναρωτηθεί τι παράγει. «Είναι αυτό που λέει και το ανέκδοτο: ρε παιδιά, να οργανωθούμε». Για την Κίνα είναι κατηγορηματικός: «Θα προχωρήσει πάρα πολύ δυναμικά. Θα προσπαθήσει να έχει την καλύτερη δυνατή τεχνολογία για την αμυντική της βιομηχανία. Δεν θα σταματήσει».

Και η Ευρώπη; Ο κ. Αρβανιτάκης επιμένει ότι δεν έχει απομονωθεί τεχνολογικά: «Οι base technologies για τα μηχανήματα που φτιάχνουν τα chips είναι πρακτικά ευρωπαϊκές. Αν ήθελε να επενδύσει, θα μπορούσε. Απλώς δεν έχει γίνει».

Ο δρ. Πολυμενάκος είναι αυστηρότερος: «Η Ευρώπη πρέπει να επιταχύνει την ανάπτυξη εταιρειών ΑΙ και μοντέλων ΑΙ. Δεν ξέρω κατά πόσο έχει χάσει το τραίνο, γιατί αν επενδύσεις αρκετά χρήματα και η τεχνολογία ωριμάσει περισσότερο, μπορείς πάντα να καλύψεις τη διαφορά. Δεν έχει ακόμα, όμως, τη δυνατότητα παραγωγής μοντέλων ΑΙ στην κλίμακα και την ταχύτητα που προχωράει η Αμερική και η Κίνα - κι αυτό είναι το πρόβλημα». Και είναι κυρίως πρόβλημα πολιτικό, όχι τεχνολογικό ή επιστημονικό (υπάρχουν ταλαντούχοι επιστήμονες και γνώση): «Η Ευρωπαϊκή Ένωση αποτελείται από  27 χώρες.

Ακόμα και μια χώρα πενήντα εκατομμυρίων ανθρώπων δεν μπορεί να πετύχει μόνη της, π.χ. ούτε η Γερμανία ούτε η Γαλλία». Θα πρέπει να ενωθούν οι δυνάμεις όλων,   να στηρίξει όλη η ΕΕ τον έναν ή δύο ευρωπαϊκούς ΑΙ παίκτες που έχει και να χτίσει κατάλληλες υποδομές.

«Συγκριτικά, συχνά μιλάμε για μερικές εκατοντάδες ή κάποιες χιλιάδες GPUs που μια χώρα της ΕΕ ή μια ευρωπαϊκή εταιρεία έχει στη διάθεσή της. H SpaceX πρόσφατα ανακοίνωσε ότι αγοράζει 600.000 GPUs για να αυξήσει τον αριθμό αυτών που έχει, σε πάνω από 1,4 εκατομμύρια συνολικά! Μιλάμε επομένως για άλλης κλίμακας επενδύσεις, αν θέλεις να έχεις την πρωτοπορία στην ΑΙ».

Η αρχιτεκτονική της εργασίας

Κάπου εδώ ο κ. Βυζάς αλλάζει το κάδρο. Γεωπολιτική, τεχνολογική κυριαρχία (sovereignty) και υποδομές είναι σημαντικά, αλλά δεν είναι τα μόνα. «Ο άλλος μπορεί να λέει τι θα κάνω με τα παιδιά μου, ο άλλος με την εταιρεία μου, ο άλλος τι θα κάνουμε ως Ελλάδα, ο άλλος πώς θα αλλάξει η εκπαίδευση». Εκεί, για εκείνον, είναι η πραγματική αφετηρία. «Μας αλλάζει τον τρόπο που δουλεύουμε. Δεν αλλάζει μόνο το πώς το κάνουμε, αλλάζει και το τι κάνουμε, γιατί κάποια πράγματα θα σταματήσουμε να τα κάνουμε και θα αρχίσουμε να κάνουμε κάποια άλλα. Αυτό έχει προφανώς αντίκτυπο και στο τι μαθαίνουμε και στο πώς μαθαίνουμε».

Το «σπούδασα και τελείωσα» τελειώνει, το upskilling και το reskilling γίνονται μόνιμο κομμάτι της εργασίας, και τότε έρχεται η φράση που περιγράφει καλύτερα τη συζήτηση: αλλάζει όλη η αρχιτεκτονική των πραγμάτων. «Αλλιώς ήταν η ελληνική κοινωνία το 1940, αλλιώς το 1980 και αλλιώς το 2020. Αλλιώς θα είναι και στο σύντομο μέλλον».

Ήδη διαμορφώνονται τρία μοντέλα σχέσης: «Κάνω τη δουλειά μου και χρησιμοποιώ την τεχνητή νοημοσύνη όπου τη χρειάζομαι. Κάνω τη δουλειά μου και δίπλα μου άλλο κομμάτι της δουλειάς το κάνει η τεχνητή νοημοσύνη. Κάνω τη δουλειά μου, η οποία ελέγχεται από την τεχνητή νοημοσύνη».

Το job apocalypse δεν το βλέπει ακόμα: «Δεν φαίνεται σε hard facts». Η ανησυχία του είναι άλλη. «Ακόμα κι αν οι ανάγκες σε ανθρώπινο δυναμικό παραμείνουν οι ίδιες, δεν θα είναι οι ίδιες οι ανάγκες σε skills. Αν αύριο πεις ότι όλοι θα πρέπει να είναι AI engineers, ενδέχεται να μην μπορούν».

Ο κ. Αρβανιτάκης προσθέτει μια προϋπόθεση: δεν αρκεί να ξέρεις να χρησιμοποιείς AI, πρέπει να ξέρεις και το αντικείμενο. «Αυτός που θα τρέξει ένα μοντέλο για να κάνει κάποια δουλειά πρέπει να έχει και τη δεξιότητα της αντίστοιχης εργασίας, για να μπορεί να επιβλέψει, να εξελίξει, να επικοινωνήσει».

Ο καρδιολόγος και το φιλμ

Ο δρ. Πολυμενάκος φέρνει στο τραπέζι μία ιστορία από έναν φίλο του καρδιολόγο. Το μεγάλο του πρόβλημα δεν ήταν η ιατρική, αλλά η γραφειοκρατία γύρω από αυτήν. Εδώ και μία εβδομάδα δίνει σε ένα εργαλείο AI γενικής χρήσης την εικόνα, τις μετρήσεις και ένα template, περιγράφει σε φυσική γλώσσα τι θέλει και παίρνει έτοιμο report. «Δεν πήρε κάτι εξειδικευμένο για καρδιολόγους και κάνει τη δουλειά του end-to-end. Σημαίνει καλύτερα reports, πιθανόν πιο πολλούς ασθενείς, λιγότερα λάθη».

«Τώρα μόλις αρχίζουμε», συνεχίζει, αντιστρέφοντας το επιχείρημα ότι η παραγωγικότητα σημαίνει λιγότερη εργασία. «Αν ξαφνικά γίνει πολύ πιο εύκολο και φτηνό να αναλύεις, να αποθηκεύεις, να συγκρίνεις, μπορεί ένας γιατρός να εξυπηρετεί πολλούς περισσότερους ασθενείς, να αναλύει πολύ περισσότερες εξετάσεις και αντίστοιχες διαγνώσεις σε μια μέρα. Όλοι οι γιατροί, όχι μόνο ένας τους. Όταν πλήρωνες το φιλμ, πόσες φωτογραφίες έβγαζες; Εκατό τον χρόνο. Τώρα βγάζεις χιλιάδες. Άρα δεν είναι ότι θα χαθούν θέσεις εργασίας επειδή θα γίνει φτηνότερη η μονάδα εργασίας. Μπορεί να έχουμε πολύ περισσότερες μονάδες εργασίας».

Από το μεταίχμιο στο mainstream

Η ειρωνεία είναι ότι πριν από πέντε χρόνια η ίδια ομάδα έπρεπε να πείσει ότι όλα αυτά έχουν λόγο ύπαρξης. Το 2021 ο κ. Βυζάς έπεισε τον δρ. Πολυμενάκο, που γνώριζε από το MIT, να γυρίσει στην Ελλάδα. «Δεν είναι σαν πολλούς άλλους που ξεκίνησαν να γίνονται ειδικοί μετά το ChatGPT. Ο Λάζαρος το έκανε αυτό μια ζωή. Όταν τον έπεισα να έρθει, σκέφτηκα μέσα μου αν θα έχουμε αρκετή δουλειά να του δώσουμε». Ο δρ. Πολυμενάκος, με διαδρομή από την IBM και την Amazon, αυτοχαρακτηρίζεται late bloomer του brain regain. «Αυτή η πενταετία ήταν επαναστατική. Στην αρχή μας έλεγαν ότι δεν γίνεται, το κάνει ο άνθρωπος». Ο κ. Βυζάς το συνοψίζει: «Ήμασταν οι τρελοί του χωριού. Τώρα γίναμε οι κουλ».

Περιγράφει μια διαδρομή τριών σταδίων: edge cases, mainstream, disruption. Τότε η ομάδα λεγόταν ακόμα Data & Analytics και έφεραν την Python, τη γλώσσα αυτής της τεχνολογίας. «Το AI έγινε mainstream και μετά έγινε disruptive force για ολόκληρες τις συμβουλευτικές υπηρεσίες, για όλη την εταιρεία και για όλους τους πελάτες μας. Αυτό σε τρία-τέσσερα χρόνια. Είναι όλοι AI users και, προς κάποιον βαθμό, AI experts».

Ο κ. Αρβανιτάκης αρνείται την εικόνα του θαύματος. «Εμφανίζεται το AI σαν κάποιου είδους silver bullet. Δεν υπάρχει silver bullet. Είναι όλα πολλά lead bullets». Κάθε καινοτομία, επισημαίνει, «καταλήγει σε μία από τρεις καταστάσεις: μη σχετική, πεπερασμένη ή αγαθό, ένα εργαλείο σαν όλα τα άλλα». Κι εκεί βρίσκεται το μεγαλύτερο πρόβλημα για μια επιχείρηση: πού επενδύεις όταν ο κύκλος της τεχνολογίας τρέχει πιο γρήγορα από τον κύκλο των επενδύσεών σου;

Έξι μήνες

Οι επιχειρήσεις, λέει ο δρ. Πολυμενάκος, μικρές και μεγάλες, στην Ελλάδα και στο εξωτερικό, το έχουν αντιληφθεί. «Κάνουν κάποια πράγματα με AI. Δεν είναι έτοιμες για το μεγάλο transformation».

Ο κ. Βυζάς αποφεύγει τις γενικεύσεις: «Δεν υπάρχει μία απάντηση που να ισχύει για όλους». Υπάρχουν ακόμα άνθρωποι σε μικρομεσαίες επιχειρήσεις που σου λένε «τι μου λες τώρα, αυτό έχει hallucinations (σ.σ.: ανακριβείς ή επινοημένες απαντήσεις)». Εκείνο όμως που τον ανησυχεί είναι η ταχύτητα της ανατροπής. «Υπάρχουν εταιρείες που δημιουργούνται τώρα και σε λίγους μήνες αυτό που δημιουργούν θα είναι παρωχημένο. Άξιζαν λίγα εκατομμύρια, μετά δέκα δισεκατομμύρια, μετά εξήντα και αυτό που αποτελούσε το διαφοροποιητικό τους στοιχείο πλέον βρίσκεται μέσα σε εργαλεία τύπου Copilot».

Διακρίνει δύο δρόμους. «Η μία είναι χρησιμοποιώ το AI για να αυξήσω την ταχύτητα, την ποιότητα, τον αριθμό των πελατών, αλλά η διαδικασία παραμένει εν γένει ίδια. Η άλλη είναι να δημιουργήσω έναν νέο τρόπο να κάνω τη δουλειά μου, να το κάνω AI native. Αυτό δεν μπορείς να το κάνεις παντού, γιατί θα ξοδέψεις χρήματα, θα ξοδέψει χρόνο ο κόσμος, θα περάσεις τον πόνο σου. Σου δίνει όμως καλύτερη θέση στο παρόν και στο μέλλον». 

Έχει νόημα εκεί όπου δημιουργείται ανταγωνιστικό πλεονέκτημα: οι μεγάλες πρέπει να κάνουν disrupt εκ βάθρων τις κρίσιμες λειτουργίες τους για να μη γίνουν οι ίδιες disrupted από startups. Οι μικρομεσαίες σε λιγότερα. «Να ξέρουν τι παίζει και να επιλέγουν έναν συνδυασμό της ευελιξίας που τους δίνει το μέγεθός τους και των έτοιμων εργαλείων. Όχι “έλα τώρα να σου αλλάξω τελείως τη δουλειά σου”».

Και ο χρόνος έχει συμπιεστεί. «Όσοι κάνουν εταιρείες δεν μπορούν να λένε ότι αυτό θα μου φέρει αποτέλεσμα σε τρία χρόνια», λέει ο κ. Βυζάς. «Πρέπει να επενδύουν εκεί που θα τους φέρει τα λεφτά πίσω σε έξι μήνες. Γιατί σε έξι μήνες θα το κάνανε αλλιώς. Αν δεν δεις αποτέλεσμα σε έξι μήνες, να μην το κάνεις».

Ο δρ. Πολυμενάκος συμπληρώνει ότι σε έξι μήνες μπορεί να χρειάζεται να ξανασχεδιάσεις ολόκληρη τη λύση: «Αυτό που έφτιαξαν δεν είναι παντοτινό. Δεν αγόρασες ένα μηχάνημα που θα τρέχει για τα επόμενα δέκα χρόνια».

Η τελευταία κουβέντα ανήκει στον κ. Βυζά. «Πολύ συχνά κάνουμε πράγματα και λέμε θα τα δούμε μετά από χρόνια και μέχρι τότε περάσανε. Άρα χρειάζεται value realization, value based pricing, outcome based pricing: ένα κεντρικό μυαλό που αποφασίζει πού θα βάλει τα χρήματά του, τον χρόνο του και το ρίσκο του, γιατί ρισκάρεις κάθε φορά που αλλάζεις. Και ταυτόχρονα, αυτά που φτιάχνει να συμπεριλαμβάνουν τη γνώση που έχει η εταιρεία και τη διαφοροποιεί, αλλιώς οποιαδήποτε startup την κάνει disrupt. Ο τρόπος να μη γίνεις disrupted είναι η γνώση που έχεις μαζέψει όλα αυτά τα χρόνια να ενσωματώνεται στο αποτέλεσμα, για να παραμένεις κάποιος που έχει κάτι διαφορετικό να πει».