Google DeepMind: Η AI μπορεί να επηρεάσει πρώτα τους μισθούς και μετά τις θέσεις εργασίας

Με μια ματιά

• Νέο οικονομικό μοντέλο διακρίνει την ατομική ικανότητα της AI από τη συνεργασία μεταξύ AI agents.
• Οι ερευνητές εκτιμούν ότι οι μισθοί μπορεί να επηρεαστούν πριν αλλάξουν αισθητά τα επίπεδα απασχόλησης.
• Η μεγάλη ανατροπή στην οικονομία ενδέχεται να έρθει όταν οι AI agents ξεπεράσουν ένα κρίσιμο όριο συντονισμού.

Η τεχνητή νοημοσύνη γράφει κώδικα, επιλύει σύνθετα προβλήματα και αναλαμβάνει ολοένα περισσότερες επαγγελματικές εργασίες. Κι όμως, η εικόνα της οικονομίας δεν έχει μεταμορφωθεί με την ίδια ταχύτητα. Γιατί οι εντυπωσιακές επιδόσεις των μοντέλων δεν συνοδεύονται ήδη από εξίσου εντυπωσιακές αλλαγές στις επιχειρήσεις και στην απασχόληση;

Την απάντηση επιχειρούν να δώσουν οι Alex Imas, Andrew Koh και Shane Legg της Google DeepMind με την εργασία «Organizing Intelligence», που δημοσιεύθηκε στις 29 Οκτωβρίου 2026, και το συνοδευτικό δοκίμιο «The Economics of Intelligence» του DeepMind Institute. Η βασική τους θέση είναι ότι κοιτάζουμε τον λάθος δείκτη: αξιολογούμε πόσο ικανό είναι ένα μεμονωμένο σύστημα AI, ενώ η οικονομία οργανώνεται γύρω από ομάδες και επιχειρήσεις που συνεργάζονται και ανταγωνίζονται.

Γιατί ένα εξαιρετικό AI μπορεί να χάνει από μια ανθρώπινη ομάδα

Οι άνθρωποι δεν είναι εξίσου καλοί σε όλα. Κάποιος ξεχωρίζει στον προγραμματισμό, άλλος στη συγγραφή και ένας τρίτος στον συντονισμό. Μια αποτελεσματική ομάδα συνδυάζει αυτές τις διαφορετικές δεξιότητες και παράγει αποτέλεσμα μεγαλύτερο από εκείνο που θα πετύχαινε κάθε μέλος μόνο του.

Οι ερευνητές αποκαλούν αυτό το φαινόμενο «μωσαϊκή νοημοσύνη» (mosaic intelligence). Σε ένα μικρό πείραμα με 100 συμμετέχοντες, οι ομάδες δύο ατόμων που συγκροτήθηκαν με βάση τη συμπληρωματικότητα των δεξιοτήτων τους απέδωσαν 32% καλύτερα από τυχαία ζευγάρια. Το εύρημα δεν αποδεικνύει πώς θα εξελιχθεί η οικονομία· δείχνει, όμως, γιατί η αξιολόγηση ενός μεμονωμένου εργαζομένου ή AI agent δεν αποτυπώνει απαραίτητα την αξία μιας οργανωμένης ομάδας.

Η διαφορά είναι σημαντική και για την AI. Πολλαπλά αντίγραφα του ίδιου μοντέλου μπορούν να αυξήσουν την παραγωγική δυναμικότητα, αλλά δεν αποκτούν αυτομάτως τις διαφορετικές, συμπληρωματικές ικανότητες μιας ανθρώπινης ομάδας.

Δύο ικανότητες που καθορίζουν το μέλλον

Η εργασία διακρίνει δύο διαφορετικές διαστάσεις της τεχνητής νοημοσύνης. Η πρώτη είναι η competence: πόσο καλά εκτελεί ένας agent συγκεκριμένες εργασίες, όπως ανάλυση, προγραμματισμό ή συγγραφή. Η δεύτερη είναι η coordination: πόσο αποτελεσματικά μπορούν πολλοί agents να μοιράζουν καθήκοντα, να μεταφέρουν πληροφορίες και να συνεργάζονται χωρίς λάθη και επαναλήψεις.

Η βελτίωση της πρώτης ικανότητας αυξάνει την παραγωγικότητα και μεταβάλλει σταδιακά τις αμοιβές και τις τιμές. Η βελτίωση της δεύτερης μπορεί, σύμφωνα με το θεωρητικό μοντέλο, να αλλάξει απότομα το μέγεθος των επιχειρήσεων και τη συγκέντρωση των αγορών.

Σήμερα, επισημαίνουν οι συγγραφείς, πολλά benchmarks μετρούν την επίδοση ενός agent μόνο του. Δεν δείχνουν πόσο καλά λειτουργεί μια ολόκληρη ομάδα αυτόνομων συστημάτων όταν πρέπει να συντονιστεί σε ένα σύνθετο έργο.

Οι τέσσερις πιθανές οικονομίες της AI

Το μοντέλο περιγράφει τέσσερα καθεστώτα δυνατοτήτων, όχι τέσσερις βέβαιες διαδοχικές φάσεις με συγκεκριμένο χρονοδιάγραμμα.

Στο minimal AGI, η AI φτάνει περίπου το μέσο ανθρώπινο επίπεδο σε πολλές εργασίες. Ορισμένες αμοιβές μπορεί να πιεστούν, καθώς αντίστοιχες εργασίες γίνονται διαθέσιμες με κόστος υπολογιστικής ισχύος. Ωστόσο, οι ομάδες ανθρώπων με συμπληρωματικές δεξιότητες μπορούν να παραμένουν ανταγωνιστικές.

Στο supercompetent AI, τα συστήματα υπερτερούν ακόμη και των ειδικών σε επιμέρους εργασίες, χωρίς να έχουν λύσει το πρόβλημα του συντονισμού. Οι επιχειρήσεις ενδέχεται να γίνουν μικρότερες και παραγωγικότερες, ενώ η ανθρώπινη κρίση και η οργάνωση παραμένουν πολύτιμες.

Στο supercooperative AI, η ατομική επίδοση μπορεί να μην είναι θεαματική, αλλά οι agents συνεργάζονται τόσο καλά ώστε η προσθήκη περισσότερων συστημάτων να αυξάνει την αποτελεσματικότητα της οργάνωσης. Εκεί βρίσκεται, σύμφωνα με τους συγγραφείς, το πιθανό σημείο καμπής: μεγάλες επιχειρήσεις βασισμένες στην AI θα μπορούσαν να αποκτήσουν συντριπτικό πλεονέκτημα σε αγορές που ευνοούν τη μαζική κλίμακα.

Τέλος, στο ASI συνδυάζονται πολύ υψηλή ατομική ικανότητα και εξαιρετικός συντονισμός. Πρόκειται για υποθετικό σενάριο, στο οποίο οι αλλαγές θα μπορούσαν να επεκταθούν ακόμη και σε εξειδικευμένες αγορές.

Το πρώτο σημάδι ίσως βρίσκεται στον μισθό

Η πιο άμεση δημοσιογραφική συνέπεια της ανάλυσης αφορά τον τρόπο με τον οποίο παρακολουθούμε την αγορά εργασίας. Εάν μια επιχείρηση μπορεί να αποκτήσει συγκεκριμένες δεξιότητες μέσω AI με σχετικά χαμηλό κόστος, η διαπραγματευτική αξία ορισμένων εργασιών ενδέχεται να μειωθεί, ακόμη κι αν ο αριθμός των εργαζομένων παραμένει σταθερός.

Αντίθετα, εργαζόμενοι με σπάνιες, συμπληρωματικές δεξιότητες ή ικανότητα οργάνωσης σύνθετων ομάδων ενδέχεται να αποκτήσουν μεγαλύτερη αξία σε ορισμένα σενάρια. Γι’ αυτό οι ερευνητές υποστηρίζουν ότι οι μεταβολές στους μισθούς και στους επαγγελματικούς ρόλους μπορεί να προηγηθούν των μεγάλων αλλαγών στην απασχόληση.

Δεν πρόκειται για διαπίστωση ότι οι μισθοί ήδη μειώνονται εξαιτίας της AI σε όλη την οικονομία. Πρόκειται για συμπέρασμα ενός θεωρητικού οικονομικού μοντέλου, του οποίου τα αποτελέσματα εξαρτώνται από τις παραδοχές του.

Το πραγματικό τεστ για την επόμενη γενιά AI

Το ερώτημα, επομένως, δεν είναι μόνο αν το επόμενο μοντέλο θα γράφει καλύτερο κώδικα ή θα λύνει περισσότερα προβλήματα. Είναι αν δεκάδες ή εκατοντάδες agents θα μπορούν να εκτελούν ένα κοινό έργο, να αποφεύγουν την αλληλοεπικάλυψη, να διορθώνουν ο ένας τα λάθη του άλλου και να λειτουργούν ως ενιαία παραγωγική οργάνωση.

Οι συγγραφείς προτείνουν να αναπτυχθούν μετρήσεις για αυτόν ακριβώς τον συντονισμό, αλλά και να εξετάζεται μαζί με τις μισθολογικές δαπάνες το κόστος υπολογιστικής ισχύος των επιχειρήσεων. Υπογραμμίζουν επίσης ότι τα συμπεράσματα της εργασίας είναι θεωρητικά σενάρια, όχι εμπειρικές προβλέψεις ή επίσημη θέση της Google.

Η ουσιαστική αλλαγή οπτικής είναι αυτή: η οικονομική ισχύς της AI μπορεί τελικά να μην κριθεί από το πόσο «έξυπνη» είναι μία μηχανή, αλλά από το πόσο αποτελεσματικά συνεργάζονται πολλές μηχανές μεταξύ τους.