Ας σκεφτούμε ψύχραιμα πάνω στο ΑΙ και τις θέσεις εργασίας

Προσθέστε την parallaximag.gr ως προτεινόμενη πηγή στη Google

Το αν η αυτοματοποίηση θα καταστήσει τους ανθρώπους εργαζόμενους παρωχημένους εξαρτάται από κάτι περισσότερο από το πόσο έξυπνη είναι η AI.

Το 2016, ο πρωτοπόρος της AI Geoffrey Hinton δήλωσε ότι «ο κόσμος θα πρέπει να σταματήσει να εκπαιδεύει ακτινολόγους πλέον», επειδή «είναι εντελώς προφανές ότι μέσα σε πέντε χρόνια, η βαθιά μάθηση (deep learning) θα τα πηγαίνει καλύτερα από τους ακτινολόγους». Είχε δίκιο κατά το ήμισυ. Σήμερα, ο FDA έχει εγκρίνει περισσότερα από 1.000 εργαλεία AI για την ακτινολογία, ορισμένα από τα οποία είναι ικανά να αναλύουν ιατρικές εικόνες για να εντοπίζουν τραυματισμούς ή ασθένειες με μεγαλύτερη ακρίβεια από τους ανθρώπους ειδικούς. Κι όμως, οι ακτινολόγοι—οι ανθρώπινοι—έχουν μεγαλύτερη ζήτηση από ποτέ. Από το 2016, ο αριθμός των ακτινολόγων έχει αυξηθεί κατά 17%, τα ποσοστά κενών θέσεων στον κλάδο βρίσκονται κοντά σε ιστορικά υψηλά επίπεδα και ο μέσος μισθός έχει αυξηθεί από περίπου 350.000 δολάρια σε 570.000 δολάρια, καθιστώντας την ακτινολογία την τρίτη πιο ακριβοπληρωμένη ιατρική ειδικότητα στις Ηνωμένες Πολιτείες.

Πολλοί άνθρωποι φοβούνται τώρα ότι η AI θα καταστήσει έναν τεράστιο αριθμό επαγγελμάτων παρωχημένο. Πέρυσι, ο CEO της Anthropic, Dario Amodei, ισχυρίστηκε ότι η AI θα «εξαφανίσει σύντομα το μισό από όλες τις θέσεις εργασίας γραφείου εισαγωγικού επιπέδου (entry-level)». Όμως, η ιστορία των ακτινολόγων υποδηλώνει ότι το αν η AI θα αντικαταστήσει ένα δεδομένο επάγγελμα δεν είναι τόσο απλό να προβλεφθεί. Η απάντηση στις ακόλουθες τρεις ερωτήσεις μπορεί να σας βοηθήσει να προσδιορίσετε πόσο απειλούμενη είναι πραγματικά μια θέση εργασίας.

Ερώτηση 1: Είναι η δουλειά σας ένα «αδύναμο πακέτο» ή ένα «ισχυρό πακέτο»;

Σύμφωνα με τον Luis Garicano, οικονομολόγο και συνσυγγραφέα του επερχόμενου βιβλίου Messy Jobs, οι περισσότερες δουλειές γραφείου συνδυάζουν δύο πολύ διαφορετικά είδη εργασίας. Οι «καθαρές» (clean) εργασίες περιλαμβάνουν προβλέψιμα προβλήματα, αντικειμενικά κριτήρια επιτυχίας, πολλά γραπτά δεδομένα και ελάχιστη διαπροσωπική αλληλεπίδραση (σκεφτείτε: την έγκριση μιας αναφοράς εξόδων ή την ενημέρωση ενός υπολογιστικού φύλλου). Αυτές είναι οι πιο εύκολες για να τις χειριστούν τα συστήματα AI.

Οι «ακατάστατες» (messy) εργασίες, ωστόσο, περιλαμβάνουν τη διαχείριση απρόβλεπτων καταστάσεων, την ικανοποίηση υποκειμενικών κριτηρίων επιτυχίας, τη δράση βάσει άρρητης γνώσης και την πλοήγηση σε περίπλοκα πλέγματα ανθρώπινων σχέσεων (σκεφτείτε: την επιλογή ενός νέου εταιρικού λογοτύπου, τον καθησυχασμό ενός αναστατωμένου πελάτη ή τη διαχείριση μιας ομάδας). Η AI δεν είναι τόσο καλή σε αυτούς τους τύπους εργασιών, τουλάχιστον όχι ακόμα. Αυτό σημαίνει ότι η ευπάθεια μιας θέσης εργασίας στην αντικατάσταση από την AI εξαρτάται, εν μέρει, από το πόσο εύκολα μπορούν οι καθαρές εργασίες να διαχωριστούν από τις ακατάστατες.

Ένας δικηγόρος σε δικαστήριο έχει αυτό που ο Garicano και οι συνεργάτες του αποκαλούν μια δουλειά «ισχυρού πακέτου» (strong bundle), στην οποία οι διάφορες αρμοδιότητες είναι τόσο στενά συνδεδεμένες που η ανάθεση κάποιων από αυτές στην AI θα ήταν στην πραγματικότητα αντιπαραγωγική. Μπορεί να ξοδεύει τον περισσότερο χρόνο του στις σχετικά καθαρές εργασίες που απαιτούνται για την προετοιμασία μιας δίκης—διαβάζοντας σχετική νομολογία, μελετώντας τα γεγονότα της υπόθεσης, συντάσσοντας μια εναρκτήρια αγόρευση—και πολύ λιγότερο χρόνο στις ακατάστατες εργασίες που περιλαμβάνει η παρουσία στο δικαστήριο. Θεωρητικά, μεγάλο μέρος αυτής της εργασίας προετοιμασίας της δίκης θα μπορούσε να ανατεθεί σε ένα μεγάλο γλωσσικό μοντέλο. Στην πράξη, κάτι τέτοιο θα ήταν τεράστιο λάθος. Κατά τη διάρκεια μιας δίκης, ένας δικηγόρος δεν μπορεί απλώς να διαβάζει από ένα σενάριο που παρήγαγε η AI. Πρέπει να εξετάσει μάρτυρες, να απαντήσει σε ερωτήσεις του δικαστή, να ανταποκριθεί στα επιχειρήματα της αντίδικης πλευράς και να προσαρμόσει τη στρατηγική του με βάση τις συνεχώς εξελισσόμενες συνθήκες. Όλα αυτά απαιτούν να έχει מעמיγή (εις βάθος) κατανόηση των γεγονότων της υπόθεσης, γνώση του σχετικού νομικού προηγουμένου και εξοικείωση με πιθανά αντεπιχειρήματα. Για να αποδώσει καλά στο ακατάστατο κομμάτι της δουλειάς του, ο δικηγόρος πρέπει να έχει κάνει ο ίδιος το μεγαλύτερο μέρος του καθαρού κομματιού.

Άλλες δουλειές είναι «αδύναμα πακέτα» (weak bundles). Ένας φίλος μου που εργάζεται ως υπεύθυνος προσλήψεων (recruiter) για μια μεγάλη εταιρεία ανθρώπινου δυναμικού περνούσε παλαιότερα το μεγαλύτερο μέρος της ημέρας του ξεσκαρτάροντας βιογραφικά. Τώρα η AI μπορεί εύκολα να το κάνει αυτό γι’ αυτόν. Έτσι, αντίθετα, αφιερώνει πολύ περισσότερο χρόνο στην αναζήτηση πιθανών υποψηφίων, στη συνομιλία με διευθυντές προσλήψεων, στη διεξαγωγή συνεντεύξεων και στη διαπραγμάτευση προσφορών. Το γεγονός ότι δεν διαβάζει πλέον κάθε μεμονωμένο βιογραφικό δεν επηρεάζει την ικανότητά του να κάνει την υπόλοιπη δουλειά. Ομοίως, η ανάθεση των βασικών στοιχείων της συγγραφής κώδικα στην AI δεν επηρεάζει την ικανότητα ενός έμπειρου προγραμματιστή λογισμικού να εκτελεί πιο περίπλοκες εργασίες σχεδιασμού και μηχανικής.

Αν η AI κάνει έναν μεμονωμένο recruiter ή προγραμματιστή λογισμικού πιο αποτελεσματικό, σημαίνει αυτό ότι σύντομα θα χρειάζονται πολύ λιγότεροι από αυτούς; Όχι απαραίτητα. Το τι ακριβώς συμβαίνει με τις δουλειές αδύναμου πακέτου εξαρτάται από το πώς ανταποκρίνεται η υπόλοιπη οικονομία. Σε ορισμένες περιπτώσεις, μια θέση εργασίας που αυτοματοποιείται σε μεγάλο βαθμό μπορεί, κατά τρόπο παράδοξο, να γνωρίσει υψηλότερα επίπεδα απασχόλησης ακριβώς επειδή αυτοματοποιήθηκε. Το αν θα συμβεί αυτό εξαρτάται από την απάντηση στην επόμενη ερώτηση.

Ερώτηση 2: Αν αυτό που παράγετε γινόταν φθηνότερο, πόσο περισσότερο από αυτό θα ήθελε ο κόσμος;

Όταν κατασκευάζονταν τα πρώτα αυτοκίνητα τη δεκαετία του 1890, κάθε όχημα έπρεπε να κατασκευαστεί χειροκίνητα από μια μεγάλη ομάδα εργατών. Στη συνέχεια, το 1913, ο Henry Ford εισήγαγε τη γραμμή συναρμολόγησης, η οποία μπορούσε να παράγει πολύ περισσότερα αυτοκίνητα με πολύ λιγότερη ανθρώπινη εργασία. Η μερική αυτοματοποίηση της συναρμολόγησης των αυτοκινήτων δεν προκάλεσε την κατάρρευση της απασχόλησης στον κλάδο· αντίθετα, συνέβη το αντίθετο. Με λιγότερους εργάτες να απαιτούνται για την παραγωγή κάθε αυτοκινήτου, τα εργοστάσια μπορούσαν να τα κατασκευάζουν και να τα πουλούν πολύ φθηνότερα. Οι χαμηλότερες τιμές σήμαιναν ότι περισσότεροι καταναλωτές είχαν την οικονομική δυνατότητα να αγοράσουν αυτοκίνητο. Οι κατασκευαστές αυτοκινήτων έπρεπε να προσλάβουν πολλούς περισσότερους εργάτες για να συμβαδίσουν με την κατακόρυφη αύξηση της ζήτησης. Ο αριθμός των εργαζομένων στην αμερικανική αυτοκινητοβιομηχανία σχεδόν διπλασιάστηκε σε μια περίοδο 35 ετών.

Μια παρόμοια ιστορία εκτυλίχθηκε με τους Αμερικανούς υφαντουργούς μετά την εισαγωγή του μηχανικού αργαλειού το 1814, τους ταμίες τραπεζών μετά το ντεμπούτο του ATM το 1969 και τους λογιστές μετά την εφεύρεση του υπολογιστικού φύλλου (spreadsheet) το 1979. Σε κάθε περίπτωση, μια νέα τεχνολογία που αντικαθιστούσε την εργασία φαινόταν έτοιμη να εξοντώσει ένα υπάρχον επάγγελμα—το ATM σημαίνει κυριολεκτικά «automated teller machine» (αυτοματοποιημένη ταμειακή μηχανή)—αλλά αντίθετα υπερτροφοδότησε την ανάπτυξη αυτού του επαγγέλματος, επειδή το χαμηλότερο κόστος οδήγησε σε αυξημένη ζήτηση. Αυτό το φαινόμενο είναι γνωστό ως το παράδοξο του Jevons, που πήρε το όνομά του από τον William Stanley Jevons, έναν Βρετανό οικονομολόγο του 19ου αιώνα, ο οποίος προέβλεψε σωστά ότι η πιο αποτελεσματική χρήση του άνθρακα από την ατμομηχανή θα προκαλούσε, παραδόξως, την αύξηση της ζήτησης για άνθρακα.

Οι πρώτες αποδείξεις για ένα παράδοξο του Jevons στην εποχή της AI είναι παντού. Οι ανοιχτές θέσεις εργασίας για recruiters αυξήθηκαν κατά 30% από το 2023 έως το 2025· για τους μηχανικούς λογισμικού, έχουν διπλασιαστεί. Ακόμη και καθώς περισσότερες εταιρείες χρησιμοποιούν AI για να χειρίζονται τα αιτήματα εξυπηρέτησης πελατών, ο αριθμός των εργαζομένων σε τηλεφωνικά κέντρα αυξάνεται ραγδαία. «Δεν είναι δύσκολο να φανταστεί κανείς να συμβαίνει αυτό στις χρηματοοικονομικές υπηρεσίες, στις νομικές υπηρεσίες, στην υγειονομική περίθαλψη», μου είπε ο Torsten Slok, επικεφαλής οικονομολόγος της εταιρείας διαχείρισης περιουσιακών στοιχείων Apollo. «Καθώς η AI κάνει αυτές τις υπηρεσίες φθηνότερες, οι άνθρωποι θα θέλουν πολύ περισσότερες από αυτές. Και αυτό σημαίνει ότι η απασχόληση σε αυτούς τους τομείς θα αυξηθεί».

Οι αυξήσεις της αποτελεσματικότητας δεν οδηγούν πάντα σε υψηλότερη ζήτηση, ωστόσο. Το μερίδιο του εισοδήματος που δαπανούν οι καταναλωτές για τρόφιμα έχει μειωθεί κατά περίπου 70% από τις αρχές του 20ού αιώνα χάρη στη μηχανοποίηση της γεωργίας. Αλλά περίπου το 1% των Αμερικανών εργάζεται στη γεωργία σήμερα, σε σύγκριση με περίπου το 40% τότε. Οι άνθρωποι μπορούν να φάνε μόνο μια συγκεκριμένη ποσότητα φαγητού.

Για τις δουλειές στις οποίες η αυτοματοποίηση δεν τονώνει τη ζήτηση, ο κίνδυνος αντικατάστασης είναι υψηλότερος. Αλλά ο αντίκτυπος της AI σε αυτές τις θέσεις εργασίας θα εξαρτηθεί από έναν άλλο παράγοντα: την εξειδίκευση.

Ερώτηση 3: Είναι η AI ο ειδικός, ή είστε εσείς;

Καθώς η εταιρική Αμερική άρχισε να επαγγελματικοποιείται στα τέλη του 19ου και στις αρχές του 20ού αιώνα, οι εταιρείες άρχισαν να απασχολούν υπαλλήλους λογιστηρίου για να κρατούν τα οικονομικά τους βιβλία σε τάξη και υπαλλήλους απογραφής για να παρακολουθούν τα εμπορεύματά τους. Μέχρι τη δεκαετία του 1980, οι εργαζόμενοι σε αυτούς τους ρόλους περνούσαν τις μέρες τους σε πολύ παρόμοιες εργασίες, όπως η καταγραφή συναλλαγών, η μεταγραφή πληροφοριών και η εκτέλεση αριθμητικών πράξεων. Μετά ήρθαν οι υπολογιστές, ικανοί να αυτοματοποιήσουν μεγάλο μέρος αυτής της εργασίας. Αυτή η αλλαγή επηρέασε τα δύο επαγγέλματα με εντελώς διαφορετικούς τρόπους. Από το 1980 έως το 2018, ο αριθμός των υπαλλήλων απογραφής σχεδόν τριπλασιάστηκε, αλλά ο μέσος μισθός τους μειώθηκε κατά 13%· ο αριθμός των υπαλλήλων λογιστηρίου, εν τω μεταξύ, μειώθηκε κατά το ένα τρίτο, αλλά εκείνοι που παρέμειναν είδαν τον μέσο μισθό τους να αυξάνεται κατά 40%.

Σύμφωνα με τους οικονομολόγους του MIT David Autor και Neil Thompson, η απόκλιση μεταξύ αυτών των δύο επαγγελμάτων συνοψίζεται στην αλληλεπίδραση τεχνολογίας και εξειδίκευσης. Για τους υπαλλήλους λογιστηρίου, οι υπολογιστές αντικατέστησαν πολλές από τις λιγότερο εξειδικευμένες δεξιότητές τους· οι ώρες που είχαν ξοδέψει καταγράφοντας συναλλαγές και εκτελώντας χειροκίνητους υπολογισμούς μπορούσαν τώρα να ανακατανεμηθούν σε πιο περίπλοκες εργασίες, όπως το να εξηγήσουν γιατί ένα τμήμα είχε ξεπεράσει τον προϋπολογισμό του και να εντοπίσουν τις πηγές των αποκλίσεων μεταξύ του τραπεζικού λογαριασμού μιας εταιρείας και των βιβλίων της. Αυτό μετέτρεψε τη δουλειά του υπαλλήλου λογιστηρίου από μια δουλειά της μεσαίας τάξης σε μια μικρότερη, πιο επαγγελματική. Για τους υπαλλήλους απογραφής, από την άλλη πλευρά, οι υπολογιστές αντικατέστησαν το πιο εξειδικευμένο σύνολο δεξιοτήτων τους—την εγκυκλοπαιδική τους γνώση για το φυσικό απόθεμα μιας αποθήκης—αφήνοντάς τους να εκτελούν πιο βασικές εργασίες, όπως η σάρωση αντικειμένων και ο ανεφοδιασμός των ραφιών. Αυτό μετέτρεψε τον ρόλο του υπαλλήλου απογραφής από ένα καλά αμειβόμενο επάγγελμα της μεσαίας τάξης σε μια χαμηλότερα αμειβόμενη θέση εργασίας με μια πολύ μεγαλύτερη δεξαμενή δυνητικών εργαζομένων. Σε μια πρόσφατη μελέτη, οι Autor και Thompson διαπιστώνουν ότι αυτό το βασικό μοτίβο έχει επαληθευτεί σε περισσότερα από 300 επαγγέλματα τα τελευταία σαράντα χρόνια. «Η ιστορία δεν είναι σχεδόν ποτέ τόσο απλή όσο το: Είμαστε σε έναν αγώνα δρόμου με τις μηχανές και οι μηχανές θα νικήσουν», μου είπε ο Autor. «Αυτό που έχει σημασία για ένα δεδομένο επάγγελμα είναι αν η τεχνολογία ενισχύει την εξειδίκευση ενός εργαζομένου ή αν μετατρέπει αυτή την εξειδίκευση σε εμπόρευμα (commodification)».

Η εφαρμογή αυτού του πλαισίου στην εποχή της AI δεν είναι απλή, σε μεγάλο βαθμό λόγω του γεγονότος ότι είναι πολύ νωρίς για να πούμε πόσο εξειδικευμένα θα γίνουν τελικά αυτά τα συστήματα AI. Σύμφωνα με στοιχεία από το ZipRecruiter, το μερίδιο των αγγελιών θέσεων εργασίας ανώτερου επιπέδου (senior-level) στον κλάδο της τεχνολογίας έχει αυξηθεί σημαντικά τον τελευταίο χρόνο, ενώ το μερίδιο των αγγελιών για θέσεις εισαγωγικού επιπέδου (entry-level) έχει μειωθεί ελαφρώς. Όμως ο Autor πιστεύει ότι αυτή η δυναμική θα μπορούσε εύκολα να αλλάξει, καθώς τα συστήματα AI γίνονται όλο και καλύτερα στο να ασκούν το είδος της «κρίσης ειδικού» που προηγουμένως διέθεταν μόνο οι ανθρώπινοι εμπειρογνώμονες. Αναφέρθηκε σε ένα εργαλείο «βοηθού ηλεκτρολόγου» που δοκιμάζεται πιλοτικά από τη Schneider Electric, το οποίο επιτρέπει σε έναν κανονικό ηλεκτρολόγο με μόνο επαγγελματική κατάρτιση να εντοπίζει και να επιλύει τα είδη των πολύπλοκων προβλημάτων που προηγουμένως απαιτούσαν ομάδες μηχανικών με μεταπτυχιακούς τίτλους. «Νομίζω ότι θα αρχίσουμε να βλέπουμε όλο και περισσότερες περιπτώσεις σαν αυτή, όπου η AI αποδεικνύεται ότι εξισώνει τα επίπεδα εξειδίκευσης», δήλωσε ο Autor.

Συνδυαστικά, αυτές οι διαφορετικές ερωτήσεις βοηθούν να εξηγηθεί το αίνιγμα της ακτινολογίας. Η ακτινολογία είναι ένα ισχυρό πακέτο: Συνδυάζει καθαρές εργασίες, όπως η ανάγνωση και η ερμηνεία των απεικονίσεων, και ακατάστατες εργασίες, όπως η συνομιλία με τους ασθενείς, η επίβλεψη των απεικονιστικών εξετάσεων, η επεξήγηση των αποτελεσμάτων και η παροχή συστάσεων στους κλινικούς γιατρούς. Αυτές οι αρμοδιότητες εξαρτώνται σε μεγάλο βαθμό η μία από την άλλη: Η σωστή ερμηνεία μιας απεικόνισης είναι δύσκολη χωρίς στενή γνώση του ιατρικού ιστορικού, των συμπτωμάτων και της γενικής υγείας ενός ασθενούς, στοιχεία που συνήθως μπορούν να συλλεχθούν μόνο μέσω της αλληλεπίδρασης με τον ασθενή ή τον παραπέμποντα γιατρό του. Στο βαθμό που τα εργαλεία AI έχουν αυτοματοποιήσει μέρος της δουλειάς, οι υπόλοιπες εργασίες των ακτινολόγων απαιτούν υψηλό επίπεδο τυπικής εκπαίδευσης και εξειδικευμένων γνώσεων, δηλαδή εμπειρογνωμοσύνη. Και, καθώς η τιμή των απεικονιστικών εξετάσεων έχει μειωθεί δραματικά τα τελευταία είκοσι χρόνια, οι κλινικοί γιατροί ανταποκρίθηκαν ζητώντας πολύ περισσότερες από αυτές, αυξάνοντας τη ζήτηση για ακόμη περισσότερους ακτινολόγους, πράγμα που σημαίνει ότι ισχύει το παράδοξο του Jevons.

Φυσικά, όλα αυτά είναι πολύ πιο εύκολο να αξιολογηθούν εκ των υστέρων. Όταν προσπάθησα να εφαρμόσω το πλαίσιο στη δική μου δουλειά ως συντάκτη του The Atlantic, η απάντηση ήταν πιο αβέβαιη. Το παράδοξο του Jevons δεν φαίνεται να ισχύει για τη δημοσιογραφία: Τις τελευταίες δεκαετίες, το κόστος μιας δημοσιογραφικής συνδρομής έχει μειωθεί σημαντικά σε όρους προσαρμοσμένους στον πληθωρισμό, αλλά το αναγνωστικό κοινό έχει καταποντιστεί επίσης. Και είναι δύσκολο να πει κανείς ποιες πτυχές της δουλειάς μου απαιτούν περισσότερη εξειδίκευση: η διεξαγωγή βαθιάς έρευνας, κάτι που η AI μπορεί να κάνει αρκετά καλά, ή η συγγραφή ενός καλού πρώτου προσχεδίου, το οποίο η AI—τουλάχιστον προς το παρόν—δεν μπορεί.

Τα καλά νέα για μένα είναι ότι η δουλειά μου φαίνεται να είναι ένα ισχυρό πακέτο. Συνδυάζει καθαρές εργασίες, όπως το διάβασμα και την έρευνα, με ακατάστατες εργασίες, όπως η πάίρνει συνεντεύξεις από ειδικούς, η συζήτηση ιδεών με τον αρχισυντάκτη μου και η συγγραφή ενός καλού προσχεδίου. Τα δύο μέρη της δουλειάς δεν μπορούν να διαχωριστούν εύκολα. Θα μπορούσα τεχνικά να ζητήσω από την AI να χτενίσει τις απομαγνητοφωνήσεις των κλήσεών μου για βασικές ιδέες, να συνοψίσει τα ευρήματα μιας μελέτης ή ενός βιβλίου, ή να σκεφτεί ερωτήσεις για να κάνω σε έναν ειδικό, αλλά έχω διαπιστώσει ότι πρέπει να κάνω ο ίδιος αυτές τις εργασίες αν θέλω να γράφω και να παίρνω συνεντεύξεις καλά. Αυτό θα έπρεπε να με καθιστά δύσκολο να αυτοματοποιηθώ.

Το ελπίζω, τουλάχιστον. Αν υπάρχει ένα μάθημα από την ιστορία της τεχνολογίας, αυτό είναι ότι αυτές οι αλλαγές είναι δύσκολο να προβλεφθούν. Σε όλους αρέσει να επισημαίνουν ότι ο αριθμός των ταμιών τραπεζών αυξανόταν για δεκαετίες μετά την εφεύρεση του ATM. Αλλά σήμερα, το επάγγελμα του ταμία τράπεζας πράγματι πεθαίνει. Δεν σκοτώθηκε από την εφεύρεση που προοριζόταν να το αντικαταστήσει, αλλά από μια που κανείς δεν περίμενε: το iPhone. Όταν εφευρέθηκε, κανείς δεν είχε προβλέψει ότι αυτή η νέα συσκευή θα μεταμόρφωνε τελικά τον τρόπο με τον οποίο τραπεζώνεται ολόκληρος ο κόσμος. Ορισμένες από τις πιο δραματικές συνέπειες της επανάστασης της AI είναι εγγυημένο ότι θα είναι εξίσου εκπληκτικές.

Με πληροφορίες από το The Atlantic