Η τεχνητή νοημοσύνη δίνει απαντήσεις. Το ζητούμενο είναι να βλέπεις το σύστημα.

Η παγίδα των γρήγορων απαντήσεων

Η τεχνητή νοημοσύνη αλλάζει ριζικά τον τρόπο με τον οποίο εργαζόμαστε, μαθαίνουμε, αναλύουμε και αποφασίζουμε.

Μπορεί να συνοψίσει ένα κείμενο σε λίγα δευτερόλεπτα. Να οργανώσει επιχειρήματα. Να συγκρίνει δεδομένα. Να προτείνει λύσεις. Να γράψει κώδικα. Να δημιουργήσει σενάρια. Να εντοπίσει μοτίβα που ο άνθρωπος ίσως δεν θα έβλεπε με την ίδια ταχύτητα.

Όλα αυτά είναι σημαντικά. Δεν αρκούν όμως.

Διότι το μεγαλύτερο πρόβλημα στις αποφάσεις μας δεν είναι πάντα ότι δεν έχουμε αρκετές απαντήσεις. Πολύ συχνά είναι ότι απαντάμε σε λάθος ερώτημα. Ότι βλέπουμε το σύμπτωμα και όχι το σύστημα που το παράγει. Ότι προσπαθούμε να λύσουμε ένα πρόβλημα απομονωμένα, χωρίς να καταλαβαίνουμε τις σχέσεις, τα κίνητρα και τα μοτίβα που το συντηρούν.

Η AI μάς δίνει ταχύτητα. Αλλά η ταχύτητα δεν είναι από μόνη της αρετή. Αν κινείσαι προς τη σωστή κατεύθυνση, είναι πλεονέκτημα. Αν έχεις κάνει λάθος διάγνωση, είναι απλώς επιτάχυνση προς

 λάθος κατεύθυνση.

Εδώ βρίσκεται, κατά τη γνώμη μου, μία από τις πιο κρίσιμες δεξιότητες της νέας εποχής: η ικανότητα να βλέπεις το σύστημα πίσω από το πρόβλημα.

Το σύστημα πίσω από το πρόβλημα

Αυτό που στα αγγλικά συχνά ονομάζεται systems thinking δεν χρειάζεται να το φορτώσουμε με έναν δύσκαμπτο ή αμφίσημο ελληνικό όρο. Στην ουσία του είναι κάτι πιο απλό και πιο απαιτητικό: να μη μένεις μόνο στο γεγονός που εμφανίζεται μπροστά σου, αλλά να αναζητάς το πλαίσιο που το παράγει.

Ένας οργανισμός είναι σύστημα. Μια αγορά είναι σύστημα. Ένα σχολείο είναι σύστημα. Μια δημόσια πολιτική είναι σύστημα. Μια οικογένεια είναι σύστημα. Μια ομάδα εργασίας είναι σύστημα. Ακόμη και η προσωπική μας πορεία είναι ένα σύστημα από συνήθειες, επιλογές, φόβους, φιλοδοξίες, σχέσεις και επαναλαμβανόμενα μοτίβα.

Αν δεν δεις το σύστημα, κινδυνεύεις να κάνεις το κλασικό λάθος: να βελτιώσεις ένα σημείο και να επιβαρύνεις το σύνολο.

Να αυξήσεις την ταχύτητα και να μειώσεις την ποιότητα. Να επιβραβεύσεις έναν δείκτη και να αλλοιώσεις τη συμπεριφορά. Να αγοράσεις τεχνολογία και να αφήσεις άθικτο τον τρόπο σκέψης. Να ζητήσεις καινοτομία από ανθρώπους που αξιολογούνται μόνο για την αποφυγή λάθους. Να προσθέσεις εργαλεία, ενώ το πραγματικό πρόβλημα είναι τα κίνητρα, η κουλτούρα ή η έλλειψη εμπιστοσύνης.

Πολλές φορές, οι καλές προθέσεις παράγουν κακά αποτελέσματα όχι επειδή ήταν ανειλικρινείς, αλλά επειδή δεν έλαβαν υπόψη τους το σύστημα μέσα στο οποίο εφαρμόστηκαν.

Ένας δείκτης γίνεται στόχος και οι άνθρωποι αρχίζουν να παίζουν με τον δείκτη. Μια διαδικασία φτιάχνεται για να επιταχύνει την εργασία και τελικά δημιουργεί περισσότερη γραφειοκρατία. Μια τεχνολογική λύση υπόσχεται απλοποίηση, αλλά ενσωματώνεται σε έναν οργανισμό που δεν έχει καθαρό τρόπο λήψης αποφάσεων.

Η τεχνητή νοημοσύνη μπορεί να βοηθήσει εντυπωσιακά. Αλλά δεν μπορεί από μόνη της να διορθώσει μια λάθος διάγνωση.

Δεν χρειάζονται όλα τα προβλήματα την ίδια απάντηση

Ένα από τα πιο συνηθισμένα λάθη στη διοίκηση, στην πολιτική, στην επιχειρηματικότητα αλλά και στην προσωπική ζωή είναι ότι αντιμετωπίζουμε όλα τα προβλήματα σαν να ανήκουν στην ίδια κατηγορία.

Δεν ανήκουν.

Υπάρχουν προβλήματα όπου η σχέση αιτίας και αποτελέσματος είναι καθαρή. Εκεί χρειάζεται διαδικασία, ακρίβεια, πειθαρχία. Ένα πρωτόκολλο ασφαλείας, μια τεχνική οδηγία, μια λογιστική καταχώριση, μια επαναλαμβανόμενη λειτουργία. Σε τέτοιες περιπτώσεις, η εξυπνάδα δεν βρίσκεται στον αυτοσχεδιασμό. Βρίσκεται στο να ακολουθήσεις σωστά τη δοκιμασμένη διαδικασία.

Υπάρχουν όμως και προβλήματα όπου η απάντηση υπάρχει, αλλά δεν είναι άμεσα ορατή. Εκεί χρειάζεται ανάλυση και ειδική γνώση. Ένα νομικό ζήτημα, μια χρηματοοικονομική απόφαση, μια ιατρική διάγνωση, μια τεχνική αρχιτεκτονική. Σε αυτές τις περιπτώσεις, το σωστό είναι να επιβραδύνεις, να συγκεντρώσεις δεδομένα, να ζητήσεις τον κατάλληλο ειδικό — όχι απλώς έναν οποιονδήποτε ειδικό.

Υπάρχουν επίσης προβλήματα όπου η σχέση αιτίας και αποτελέσματος φαίνεται μόνο εκ των υστέρων. Η αλλαγή κουλτούρας σε έναν οργανισμό. Η υιοθέτηση της AI από μια ομάδα. Η συμπεριφορά μιας κοινότητας. Η εμπιστοσύνη σε έναν θεσμό. Η αποδοχή μιας νέας στρατηγικής. Εκεί δεν υπάρχει πλήρης βεβαιότητα πριν δράσεις. Χρειάζονται μικρές δοκιμές, προσεκτική παρατήρηση, προσαρμογή και διόρθωση πορείας.

Και υπάρχουν, τέλος, καταστάσεις κρίσης. Εκεί όπου η πληροφορία είναι ελλιπής, οι συνθήκες αλλάζουν γρήγορα και η σχέση αιτίας και αποτελέσματος έχει προσωρινά χαθεί. Σε τέτοιες στιγμές, το πρώτο ζητούμενο δεν είναι η τέλεια ανάλυση. Είναι η σταθεροποίηση. Πρώτα περιορίζεις τη ζημιά. Δημιουργείς ασφάλεια. Κερδίζεις χρόνο. Και μετά προσπαθείς να καταλάβεις τι συνέβη.

Η διάκριση αυτή έχει μεγάλη πρακτική σημασία. Άλλοτε χρειάζεσαι διαδικασία. Άλλοτε ειδικό. Άλλοτε πείραμα. Άλλοτε άμεση δράση. Το λάθος είναι να χρησιμοποιείς την ίδια μέθοδο παντού.

Και αυτό το λάθος γίνεται πιο επικίνδυνο στην εποχή της AI, γιατί η τεχνητή νοημοσύνη μπορεί να δώσει την ψευδαίσθηση ότι όλα τα προβλήματα είναι απλώς προβλήματα πληροφορίας. Δεν είναι. Πολλά είναι προβλήματα σχέσεων, κινήτρων, εμπιστοσύνης, κουλτούρας και χρόνου.

Όταν η AI επιταχύνει το λάθος

Το κρίσιμο ερώτημα δεν είναι μόνο «πώς θα χρησιμοποιήσουμε την AI;».

Είναι: σε ποιο σύστημα προσπαθούμε να την εντάξουμε;

Αν ένας οργανισμός δεν έχει σαφή λήψη αποφάσεων, η AI δεν θα τη δημιουργήσει αυτόματα. Αν δεν υπάρχουν δεδομένα ποιότητας, η AI θα επεξεργαστεί ασάφεια με μεγαλύτερη ταχύτητα. Αν οι άνθρωποι φοβούνται να αλλάξουν τρόπο εργασίας, η τεχνολογία δεν θα άρει από μόνη της την αντίσταση. Αν τα κίνητρα επιβραβεύουν τη συμμόρφωση και όχι τη μάθηση, τα εργαλεία καινοτομίας θα μείνουν συχνά διακοσμητικά.

Πολλές αποτυχίες ψηφιακού μετασχηματισμού δεν είναι τεχνολογικές. Είναι αποτυχίες κατανόησης του συστήματος.

Βλέπουμε το εργαλείο, αλλά όχι τη συμπεριφορά. Βλέπουμε τη διαδικασία, αλλά όχι το κίνητρο. Βλέπουμε τον δείκτη, αλλά όχι το παιχνίδι που δημιουργεί γύρω του. Βλέπουμε την απόφαση, αλλά όχι τον φόβο που την καθυστέρησε. Βλέπουμε το αποτέλεσμα, αλλά όχι το μοτίβο που το επαναλαμβάνει.

Αυτό είναι ιδιαίτερα κρίσιμο για την τεχνητή νοημοσύνη. Διότι η AI δεν εισέρχεται σε ουδέτερο περιβάλλον. Μπαίνει σε οργανισμούς με ιεραρχίες, κουλτούρες, άτυπους κανόνες, φόβους, φιλοδοξίες, αντιστάσεις και αδράνειες. Μπαίνει σε κοινωνίες με ανισότητες, προσδοκίες, θεσμικά κενά και διαφορετικά επίπεδα εμπιστοσύνης.

Άρα, η ουσιαστική ερώτηση δεν είναι μόνο τι μπορεί να κάνει η τεχνολογία. Είναι τι θα κάνει η τεχνολογία μέσα στο συγκεκριμένο σύστημα.

Θα ενισχύσει την κρίση ή θα την υποκαταστήσει μηχανικά; Θα δώσει χρόνο στους ανθρώπους για πιο ουσιαστική εργασία ή θα αυξήσει απλώς την πίεση για περισσότερη παραγωγή; Θα βελτιώσει τη διαφάνεια ή θα κάνει πιο αδιαφανή τη λήψη αποφάσεων; Θα μειώσει τις ανισότητες πρόσβασης στη γνώση ή θα δημιουργήσει νέες;

Αυτές οι ερωτήσεις δεν απαντώνται μόνο με τεχνικούς όρους. Απαντώνται με κατανόηση του συστήματος.

Η ανθρώπινη κρίση ως ανταγωνιστικό πλεονέκτημα

Στην εποχή της τεχνητής νοημοσύνης, η ανθρώπινη αξία δεν θα βρίσκεται μόνο στην πρόσβαση στην πληροφορία. Αυτό το πλεονέκτημα μειώνεται. Θα βρίσκεται όλο και περισσότερο στην ποιότητα της κρίσης: στην ικανότητα να καταλαβαίνουμε πλαίσιο, σχέσεις, συνέπειες και σκοπό.

Για να γίνει αυτό, χρειάζεται απόσταση.

Όταν είμαστε μέσα σε ένα σύστημα, σπάνια το βλέπουμε καθαρά. Έχουμε συμφέροντα, συνήθειες, εγωισμό, φόβους, αφηγήσεις που μας βολεύουν. Βλέπουμε αυτό που έχουμε μάθει να βλέπουμε. Υπερασπιζόμαστε επιλογές επειδή είναι δικές μας. Συγχέουμε την πρόθεση με το αποτέλεσμα.

Η απόσταση μπορεί να έρθει από ανθρώπους που λένε την αλήθεια. Από μέντορες, συνεργάτες ή φίλους που δεν έχουν επενδύσει στη δική μας εκδοχή της ιστορίας.

Μπορεί να έρθει από δεδομένα. Όχι από δεδομένα που επιβεβαιώνουν αυτό που ήδη πιστεύουμε, αλλά από δεδομένα που δείχνουν τι πραγματικά συμβαίνει.

Και μπορεί να έρθει από τον χρόνο. Ο χρόνος είναι συχνά ο αυστηρότερος αξιολογητής. Δείχνει αν μια αλλαγή είχε ουσία ή αν απλώς δημιούργησε προσωρινή εντύπωση.

Άνθρωποι που λένε την αλήθεια. Δεδομένα που δεν κολακεύουν. Χρόνος που αποκαλύπτει τα μοτίβα.

Αυτά είναι ίσως τα πιο πρακτικά εργαλεία για να βγεις για λίγο έξω από το σύστημα και να το δεις καθαρότερα.

Η AI μπορεί να αυξήσει την παραγωγικότητα. Μπορεί να ενισχύσει την ανάλυση. Μπορεί να επιταχύνει τη μάθηση. Μπορεί να ανοίξει νέες δυνατότητες.

Αλλά δεν αρκεί να ρωτάμε τι μπορεί να κάνει.

Πρέπει να ρωτάμε τι αλλάζει στο σύστημα όπου τη χρησιμοποιούμε.

Αλλάζει τον τρόπο που αποφασίζουμε; Αλλάζει τα κίνητρα; Αλλάζει την κατανομή ευθύνης; Αλλάζει τη σχέση ανθρώπου και γνώσης; Αλλάζει την κουλτούρα της εργασίας; Αλλάζει την ποιότητα της κρίσης ή απλώς την ταχύτητα της εκτέλεσης;

Αυτές είναι οι ερωτήσεις που θα ξεχωρίσουν την ουσιαστική χρήση της τεχνητής νοημοσύνης από την επιφανειακή υιοθέτηση εργαλείων.

Το μέλλον δεν θα ανήκει απλώς σε όσους χρησιμοποιούν περισσότερα εργαλεία AI. Θα ανήκει σε όσους καταλαβαίνουν καλύτερα τα συστήματα που αυτά τα εργαλεία έρχονται να αλλάξουν.

Γιατί η τεχνητή νοημοσύνη μπορεί να μας δώσει απαντήσεις.

Το δύσκολο, ακόμη, είναι να βλέπουμε το σύστημα.