Η ταχύτητα της αλλαγής ακυρώνει τις γραμμικές προβλέψεις
«Μην προσπαθείς να προβλέψεις τίποτα. Θα τρελαθείς, κυριολεκτικά». Με αυτή την προκλητική διατύπωση, ο David Heinemeier Hansson, δημιουργός του Ruby on Rails και συνιδρυτής της 37signals, απάντησε σε ερώτηση του Lex Fridman σχετικά με το τι θα συμβούλευε έναν νέο προγραμματιστή που ανησυχεί για το μέλλον του επαγγέλματός του. Η φράση δεν αποτελεί επιστημονική πρόβλεψη ούτε γενική θεωρία για την Τεχνητή Νοημοσύνη. Αποτυπώνει, όμως, με εύστοχο τρόπο μια πραγματική δυσκολία: ακόμη και οι ειδικοί αδυνατούν να εκτιμήσουν με αξιοπιστία πώς θα διαμορφωθούν οι δυνατότητες των συστημάτων έπειτα από δύο επόμενες γενιές μοντέλων.
Ο όρος «AI psychosis», τον οποίο χρησιμοποιεί ο Hansson στη συνέχεια, είναι ένα ρητορικό σχήμα της τεχνολογικής κοινότητας. Περιγράφει την υπερβολική ενασχόληση με ακραία και αβέβαια σενάρια, τα οποία συχνά οδηγούν είτε σε άκριτο ενθουσιασμό είτε σε παραλυτικό φόβο.
Η εξέλιξη της ΤΝ δεν ακολουθεί μια σταθερή και προβλέψιμη πορεία. Ένα νέο μοντέλο μπορεί να παρουσιάζει περιορισμένη βελτίωση στις συνήθεις δοκιμές αξιολόγησης, αλλά να αποκτά πολύ μεγαλύτερη πρακτική αξία όταν συνδυάζεται με εργαλεία, μνήμη, αναζήτηση, εκτέλεση κώδικα και μηχανισμούς ελέγχου των αποτελεσμάτων του. Επομένως, η πραγματική πρόοδος δεν εξαρτάται μόνο από το μέγεθος ή την αρχιτεκτονική ενός μοντέλου, αλλά και από τον τρόπο με τον οποίο εντάσσεται σε ένα ευρύτερο τεχνικό και οργανωτικό σύστημα.
Οι ειδικοί αναθεωρούν ακόμη και τις δικές τους εκτιμήσεις
Η αβεβαιότητα αποτυπώνεται και στις έρευνες μεταξύ επιστημόνων της ΤΝ. Σε μεγάλη διεθνή μελέτη με 2.778 ερευνητές, η εκτιμώμενη χρονική στιγμή κατά την οποία οι μηχανές θα μπορούσαν να ξεπεράσουν τον άνθρωπο σε όλες τις εργασίες μετακινήθηκε κατά δεκατρία χρόνια νωρίτερα σε σύγκριση με παρόμοια έρευνα που είχε πραγματοποιηθεί μόλις έναν χρόνο πριν.
Αυτό δεν σημαίνει ότι η νεότερη εκτίμηση είναι οπωσδήποτε σωστότερη. Δείχνει ότι οι προβλέψεις επηρεάζονται έντονα από τις πρόσφατες τεχνολογικές εξελίξεις, τη διατύπωση των ερωτήσεων και τον τρόπο με τον οποίο ορίζονται έννοιες όπως η «ανθρώπινου επιπέδου επίδοση» ή η «πλήρης αυτοματοποίηση».
Αντίστοιχη προσοχή χρειάζεται στις προβολές που βασίζονται σε μετρήσιμες τάσεις. Η METR υπολόγισε ότι ο χρονικός ορίζοντας των εργασιών λογισμικού που μπορούν να ολοκληρώνουν αξιόπιστα τα προηγμένα μοντέλα διπλασιαζόταν περίπου κάθε επτά μήνες. Ωστόσο, οι ίδιοι οι ερευνητές επισημαίνουν ότι η εξαγωγή συμπερασμάτων για πραγματικές συνθήκες εργασίας παραμένει αβέβαιη. Μια τάση μπορεί να αλλάξει λόγω περιορισμών στους υπολογιστικούς πόρους, στην ενέργεια, στα δεδομένα εκπαίδευσης, στη χρηματοδότηση ή στην παραγωγή προηγμένων ημιαγωγών.
Οι εργαστηριακές επιδόσεις δεν ισοδυναμούν με παραγωγικότητα
Ένα μοντέλο μπορεί να επιτυγχάνει υψηλή βαθμολογία σε μια δοκιμή προγραμματισμού, χωρίς να μπορεί να συντηρήσει με ασφάλεια ένα σύνθετο πληροφοριακό σύστημα. Στην πραγματική εργασία υπάρχουν ασαφείς απαιτήσεις, παλαιός κώδικας, οργανωτικές διαδικασίες, τεχνικό χρέος, απαιτήσεις ασφαλείας και ευθύνη για τα αποτελέσματα.
Αυτό επιβεβαιώθηκε σε ελεγχόμενη μελέτη της METR με έμπειρους συντελεστές μεγάλων έργων ανοιχτού λογισμικού. Οι συμμετέχοντες περίμεναν ότι τα εργαλεία ΤΝ θα τους επιτάχυναν κατά 24%, αλλά καταγράφηκε επιβράδυνση 19%. Μάλιστα, ακόμη και μετά την ολοκλήρωση των εργασιών, οι ίδιοι πίστευαν ότι είχαν κερδίσει χρόνο.
Λίγους μήνες αργότερα, νεότερα δεδομένα έδειξαν ότι τα πιο σύγχρονα εργαλεία πιθανώς επιτάχυναν περισσότερο τους προγραμματιστές. Ωστόσο, η διάδοση της χρήσης τους έκανε δυσκολότερη την ίδια τη μέτρηση, επειδή πολλοί προγραμματιστές δεν επιθυμούσαν πλέον να εργαστούν χωρίς ΤΝ. Έτσι, μέσα σε σύντομο διάστημα δεν άλλαξαν μόνο τα εργαλεία, αλλά και οι χρήστες, οι πρακτικές και οι συνθήκες του πειράματος.
Η τεχνολογία συνδιαμορφώνεται από την οικονομία και την κοινωνία
Η μελλοντική πορεία της ΤΝ δεν θα καθοριστεί αποκλειστικά στα εργαστήρια. Θα επηρεαστεί από το κόστος ενέργειας και υπολογιστικής ισχύος, τη νομοθεσία, τα πνευματικά δικαιώματα, τη διαθεσιμότητα δεδομένων, την κοινωνική αποδοχή και τις αποφάσεις επιχειρήσεων και δημόσιων οργανισμών.
Ακόμη και μια σημαντική τεχνική ανακάλυψη δεν οδηγεί αυτομάτως σε παραγωγικό μετασχηματισμό. Απαιτούνται αναδιοργάνωση διαδικασιών, κατάλληλες δεξιότητες, ποιοτικά δεδομένα και σαφής κατανομή ευθυνών. Παράλληλα, η εξάρτηση από λίγες εταιρείες, κλειστά μοντέλα και ιδιόκτητες υποδομές μπορεί να περιορίσει την καινοτομία ή να μεταβάλει απρόβλεπτα το κόστος πρόσβασης.
Από την πρόβλεψη στην προσαρμοστική στρατηγική
Η αδυναμία ακριβούς πρόβλεψης δεν δικαιολογεί την αδράνεια. Επιβάλλει διαφορετικό τρόπο σχεδιασμού. Οι επιχειρήσεις και οι δημόσιοι οργανισμοί χρειάζονται πολλαπλά σενάρια, μικρές ελεγχόμενες δοκιμές, τακτική αξιολόγηση και επενδύσεις που δεν τους εγκλωβίζουν σε έναν προμηθευτή.
Τα ανοιχτά πρότυπα, το ανοιχτό λογισμικό, τα μοντέλα ανοιχτών βαρών και η δυνατότητα μεταφοράς δεδομένων μειώνουν το κόστος αλλαγής κατεύθυνσης. Επιτρέπουν επίσης ανεξάρτητο έλεγχο, τοπική προσαρμογή και συλλογική ανάπτυξη γνώσης.
Το πιο χρήσιμο μήνυμα του Hansson δεν είναι ότι πρέπει να εγκαταλείψουμε κάθε προσπάθεια κατανόησης του μέλλοντος. Είναι ότι δεν πρέπει να αντιμετωπίζουμε αβέβαιες προβολές ως βεβαιότητες. Αντί να στοιχηματίζουμε σε μία συγκεκριμένη εκδοχή του 2030, είναι προτιμότερο να οικοδομούμε σήμερα ανοιχτές, ελέγξιμες και προσαρμόσιμες υποδομές.
Πηγές άρθρου:
- Lex Fridman Podcast #501, Transcript for DHH: Future of Programming, AI, Agentic Engineering, Vibe Coding & Linux: Το απομαγνητοφωνημένο κείμενο, περιλαμβάνει τη συμβουλή του David Heinemeier Hansson προς νέους προγραμματιστές: https://lexfridman.com/dhh-2-transcript/,
- Grace et al., Thousands of AI Authors on the Future of AI: Μελέτη 2.778 ερευνητών, δημοσιευμένη στο Journal of Artificial Intelligence Research, η οποία καταγράφει τη μεγάλη αβεβαιότητα και τις σημαντικές μετατοπίσεις στις προβλέψεις των ειδικών: https://arxiv.org/abs/2401.02843,
- Kwa et al., Measuring AI Ability to Complete Long Software Tasks: Ερευνητική εργασία που προτείνει τη μέτρηση του χρονικού ορίζοντα εργασιών των μοντέλων, παρουσιάζοντας τόσο την ταχεία πρόοδο όσο και τους περιορισμούς της προβολής της στο μέλλον: https://arxiv.org/abs/2503.14499,
- METR, Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity: Τυχαιοποιημένη ελεγχόμενη μελέτη που ανέδειξε την απόσταση ανάμεσα στην αντιλαμβανόμενη και την πραγματικά μετρημένη επίδραση της ΤΝ στην παραγωγικότητα έμπειρων προγραμματιστών: https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/,
- METR, We are Changing our Developer Productivity Experiment Design: Ενημέρωση του 2026 που εξηγεί γιατί η ταχεία διάδοση νέων εργαλείων και οι μεροληψίες επιλογής δυσχεραίνουν ακόμη περισσότερο την αξιόπιστη μέτρηση της παραγωγικότητας: https://metr.org/blog/2026-02-24-uplift-update/.