Γράφει ο Αλέξανδρος Δημητρίου
Η τεχνητή νοημοσύνη (ΤΝ) έχει τη δυνατότητα να μετασχηματίσει σημαντικά την παγκόσμια οικονομία, ενισχύοντας την παραγωγικότητα και βελτιώνοντας τη βιωσιμότητα των δημόσιων οικονομικών. Ωστόσο, παρά τα πλεονεκτήματά της, η τεχνολογία αυτή δημιουργεί επίσης σημαντικές προκλήσεις, επηρεάζοντας αρνητικά τον πληθωρισμό, την αγορά εργασίας και την οικονομική ανισότητα. Από τις αυξανόμενες ενεργειακές απαιτήσεις μέχρι την απώλεια θέσεων εργασίας και τις πιέσεις στους κρατικούς προϋπολογισμούς, η επίδραση της ΤΝ μπορεί να είναι πιο περίπλοκη και εκτεταμένη από ό,τι αρχικά είχε προβλεφθεί.
Η ΤΝ μπορεί να ενισχύσει τη δημοσιονομική βιωσιμότητα, επιτρέποντας στις επιχειρήσεις να παράγουν περισσότερα με τους ίδιους ή λιγότερους πόρους, αυξάνοντας έτσι την παραγωγικότητα και προωθώντας την οικονομική ανάπτυξη. Αυτή η ανάπτυξη μπορεί να οδηγήσει σε υψηλότερα φορολογικά έσοδα, λιγότερη ανάγκη για δημόσιο δανεισμό και πιθανώς χαμηλότερο δημόσιο χρέος (Aldasoro et al., 2024). Ωστόσο, η επίδραση της ΤΝ στη δημοσιονομική βιωσιμότητα δεν είναι μόνο θετική. Η αυτοματοποίηση μπορεί να προκαλέσει απώλεια θέσεων εργασίας, ειδικά σε τομείς όπως η βιομηχανία και το λιανεμπόριο, αυξάνοντας την ανάγκη για προγράμματα επανεκπαίδευσης εργαζομένων, τα οποία θα απαιτήσουν μεγάλες δημόσιες δαπάνες, επιβαρύνοντας τους προϋπολογισμούς των κρατών, ιδιαίτερα εάν η ανεργία αυξηθεί σημαντικά. Επιπλέον, οι δημογραφικές αλλαγές, όπως η γήρανση του πληθυσμού, θα αυξήσουν τις δαπάνες για την υγειονομική περίθαλψη και τις συντάξεις. Αν και η ΤΝ μπορεί να βελτιώσει την αποδοτικότητα στις υπηρεσίες υγείας, οι δαπάνες αυτές θα συνεχίσουν να αυξάνονται, επιβαρύνοντας επιπλέον τα δημόσια οικονομικά. Η μετάβαση σε μια «πράσινη» οικονομία θα αποτελέσει ακόμη έναν παράγοντα επιβάρυνσης των προϋπολογισμών, περιορίζοντας τα θετικά αποτελέσματα της ΤΝ.
Παρόλο που η ΤΝ δημιουργεί ευκαιρίες για νέες θέσεις εργασίας σε τομείς υψηλής τεχνολογίας, τα οφέλη της δεν κατανέμονται ισότιμα. Οι άνδρες, οι νεότεροι και οι τεχνικά καταρτισμένοι εργαζόμενοι τείνουν να απολαμβάνουν μεγαλύτερη πρόσβαση στα οφέλη της ΤΝ, ενώ οι γυναίκες και οι μεγαλύτερης ηλικίας εργαζόμενοι με χαμηλή ψηφιακή εξοικείωση μπορεί να μην ωφεληθούν στον ίδιο βαθμό. Αν και η ΤΝ δημιουργεί νέες θέσεις εργασίας σε τομείς υψηλής εξειδίκευσης, όπως η ανάπτυξη λογισμικού και η επιστήμη δεδομένων, ενδέχεται να διευρύνει το χάσμα μεταξύ των εργαζομένων που διαθέτουν τα απαιτούμενα προσόντα και εκείνων που δεν τα έχουν. Αυτό θα μπορούσε να αυξήσει τις εισοδηματικές ανισότητες και να προκαλέσει κοινωνικές εντάσεις (Aldasoro et al., 2024).
Σύμφωνα με την BIS (2024), τα συστήματα ΤΝ μπορούν να αυτοματοποιήσουν επαναλαμβανόμενες διαδικασίες, μειώνοντας την ανάγκη για ανθρώπινη εργασία στους συγκεκριμένους τομείς. Για παράδειγμα στη βιομηχανία, ρομπότ εξοπλισμένα με ΤΝ εκτελούν εργασίες με μεγαλύτερη ακρίβεια από ό,τι οι άνθρωποι, ενώ στο λιανεμπόριο τα αυτοματοποιημένα ταμεία και συστήματα διαχείρισης αποθεμάτων μειώνουν τις θέσεις των ταμείων και των αποθηκάριων. Στις αλυσίδες εφοδιασμού, η ΤΝ βελτιστοποιεί τις διαδρομές παράδοσης και τη διαχείριση αποθηκών, μειώνοντας τη ζήτηση για εργατικό δυναμικό. Αυτή η αυτοματοποίηση μπορεί να αυξήσει τα ποσοστά ανεργίας, ιδιαίτερα για θέσεις χαμηλής εξειδίκευσης, καθώς οι εργαζόμενοι που απολύονται δυσκολεύονται να βρουν εναλλακτικές. Οι χαμηλόμισθοι εργαζόμενοι χωρίς τα κατάλληλα προσόντα είναι ιδιαίτερα ευάλωτοι σε αυτό το φαινόμενο, διευρύνοντας τις κοινωνικοοικονομικές ανισότητες (Georgieva, 2024).
Στην Ευρώπη πιο συγκεκριμένα, οι δομικές προκλήσεις, όπως η αργή υιοθέτηση νέων τεχνολογιών, η κατακερματισμένη έρευνα και ανάπτυξη, και οι θεσμικές αγκυλώσεις, περιορίζουν τα άμεσα οφέλη της ΤΝ στην παραγωγικότητα. Η Ευρώπη καταγράφει αργή αύξηση της συνολικής παραγωγικότητας των συντελεστών (Total Factor Productivity – TFP), κυρίως λόγω των πιο αργών ρυθμών υιοθέτησης της ΤΝ σε σύγκριση με χώρες όπως οι ΗΠΑ και η Κίνα. Οι αυστηροί εργατικοί νόμοι και οι πολύπλοκες διαδικασίες καθυστερούν και αυτοί με την σειρά τους την ενσωμάτωση νέων τεχνολογιών, ενώ η υψηλή φορολογία και η ρυθμιστική αβεβαιότητα αποθαρρύνουν τις επιχειρήσεις από το να επενδύσουν σε λύσεις που βασίζονται στην ΤΝ (Bergeaud, 2024). Επιπλέον, τα οφέλη δεν είναι πάντα άμεσα αντιληπτά λόγω προβλημάτων στην υιοθέτηση και μέτρησή τους. Η αργή διάχυση της ΤΝ σε πολλές βιομηχανίες καθυστερεί την επίδρασή της στην παραγωγικότητα, καθώς πολλές επιχειρήσεις βρίσκονται ακόμα στα πρώτα στάδια ενσωμάτωσης. Επομένως, τα πλεονεκτήματα της ΤΝ δεν αντικατοπτρίζονται πάντα σε δείκτες μακροοικονομικής παραγωγικότητας, ενώ η πλήρης υιοθέτησή της μπορεί να απαιτήσει δεκαετίες για να αποδώσει (Poloz, 2021).
Η τεχνητή νοημοσύνη φέρνει αλλαγές ακόμα και στην πράσινη μετάβαση, βελτιστοποιώντας ενεργειακά συστήματα, αυξάνοντας την αποδοτικότητα και ενσωματώνοντας ανανεώσιμες πηγές, όπως η ηλιακή και η αιολική ενέργεια. Τα δίκτυα με ΤΝ γίνονται με αυτό τον τρόπο πιο αξιόπιστα, καθώς προβλέπουν τη ζήτηση και εξισορροπούν τα ενεργειακά φορτία, διευκολύνοντας τη στροφή προς καθαρότερη ενέργεια (Chen et al., 2023). Παράλληλα, και η μηχανική μάθηση προβλέπει κλιματικούς κινδύνους, ενισχύοντας τη διαχείριση καταστροφών και την ανθεκτικότητα (Reddy & Gatla, 2019).
Όπως αναφέρθηκε, η ΤΝ αυξάνει την παραγωγικότητα μέσω της αυτοματοποίησης, της βελτιστοποίησης των ροών εργασίας και της αύξησης της αποδοτικότητας, μειώνοντας το κόστος παραγωγής και, κατά συνέπεια, τις τιμές αγαθών και υπηρεσιών. Αυτό με την σειρά του ασκεί καθοδική πίεση στον πληθωρισμό, καθώς οι εταιρείες μετακυλούν τις εξοικονομήσεις κόστους στους καταναλωτές (Poloz, 2021). Επιπλέον, η ΤΝ μειώνει την εξάρτηση από την ανθρώπινη εργασία, γεγονός που συγκρατεί την άνοδο των μισθών, ιδιαίτερα σε θέσεις χαμηλής εξειδίκευσης. Η συγκράτηση των μισθών συμβάλλει περαιτέρω στη μείωση των τιμών και στον αποπληθωρισμό, κυρίως σε τομείς όπως το λιανεμπόριο και η βιομηχανία, όπου οι αλγόριθμοι μηχανικής μάθησης μπορούν να εκτελούν εργασίες πιο αποδοτικά από τους ανθρώπους.
Ωστόσο, αξίζει να αναφερθεί πως υπό ορισμένες συνθήκες η ΤΝ μπορεί να οδηγήσει σε αύξηση του πληθωρισμού. Ένας βασικός παράγοντας που δημιουργεί αυτόν τον κίνδυνο είναι η αυξημένη ζήτηση ενέργειας που απαιτείται για τη λειτουργία αυτών των συστημάτων, ιδίως σε βιομηχανίες υψηλής υπολογιστικής ισχύος. Την ίδια στιγμή, η ΤΝ επιτρέπει την εφαρμογή δυναμικών στρατηγικών τιμολόγησης, όπου οι επιχειρήσεις προσαρμόζουν τις τιμές σε πραγματικό χρόνο με βάση τη ζήτηση και τη συμπεριφορά των καταναλωτών. Αυτή η πρακτική, γνωστή ως διακριτική τιμολόγηση, μπορεί να μειώσει την αγοραστική δύναμη των καταναλωτών που είναι λιγότερο ενημερωμένοι για τις αλλαγές στις τιμές, ειδικά σε τομείς όπως το ηλεκτρονικό εμπόριο και οι διαδικτυακές υπηρεσίες. Η ΤΝ μειώνει ακόμα τον χρόνο που απαιτείται για να προσαρμοστούν οι τιμές στις αυξήσεις κόστους, επιτρέποντας έτσι στις επιχειρήσεις να μετακυλούν τις αυξήσεις στους καταναλωτές σχεδόν άμεσα (BIS, 2024). Καθώς περισσότερες επιχειρήσεις υιοθετούν τέτοιες πρακτικές, αυτό θα μπορούσε να συμβάλει σε ένα πιο ασταθές περιβάλλον τιμών.
Η τεχνητή νοημοσύνη θέτει κρίσιμα ερωτήματα για το μέλλον της εργασίας, της οικονομίας και της κοινωνικής ισορροπίας. Οι επιπτώσεις της, θετικές και αρνητικές, δημιουργούν την ανάγκη για προσεκτική σκέψη και δράση. Πώς θα επηρεάσει την ισορροπία ανάμεσα στην πρόοδο και τις ανισότητες; Οι απαντήσεις δεν είναι προφανείς, αλλά το μέλλον εξαρτάται από τις επιλογές που θα γίνουν σήμερα.
ΠΗΓΕΣ
- Georgieva, S. (2023). Application of artificial intelligence and machine learning in the conduct of monetary policy by central banks. Economic Studies, 32(8), 177-199.
- Bergeaud, A. (2024). The past, present, and future of European productivity. HEC Paris. Διαθέσιμο σε: https://www.ecb.europa.eu/pub/pdf/sintra/ecb.forumcentbankpub2024_Bergeaud_presentation.en.pdf
- Aldasoro, I., Doerr, S., Gambacorta, L., Gelos, G., & Rees, D. (2024). Artificial intelligence, labour markets, and inflation. SUERF Policy Brief, No. 923. Bank for International Settlements. Διαθέσιμο σε: https://www.suerf.org/publications
- Bank for International Settlements (2024). Artificial intelligence and the economy: Implications for central banks. BIS Annual Economic Report. Διαθέσιμο σε: https://www.bis.org/publ/arpdf/ar2024e3.htm
- Chen, L., Chen, Z.-h., Liu, Y., Osman, A. I., Farghali, M., Al-Fatesh, A. S., Ihara, I., Rooney, D., & Yap, P.-S. (2023). Artificial intelligence-based solutions for climate change: A review. Environmental Chemistry Letters, 1-15. Διαθέσιμο σε: https://doi.org/10.1007/s10311-023-01617-y
- Cipollone, P. (2024). Artificial intelligence: A central bank’s view. European Central Bank. Διαθέσιμο σε; https://www.ecb.europa.eu/press/key/date/2024/html/ecb.sp240704_1~e348c05894.en.html
- Poloz, S. S. (2021). Technological progress and monetary policy: Managing the fourth industrial revolution. Journal of International Money and Finance. Διαθέσιμο σε: https://doi.org/10.1016/j.jimonfin.2021.102373
- Reddy, T., & Gatla, Sr. Data Scientist. (2019). A cutting-edge research on AI combating climate change: Innovations and its impacts. International Journal of Innovations in Engineering Research and Technology, 11(3), 1-8. Διαθέσιμο σε: https://doi.org/10.26662/ijiert.v11i3.pp1-8
ΠΗΓΗ ΕΙΚΟΝΑΣ
https://www.pexels.com/photo/robot-pointing-on-a-wall-8386440/