Η αγορά της τεχνητής νοημοσύνης έχει ήδη περάσει από τη φάση του hype στη φάση της επένδυσης. Εταιρείες όπως η OpenAI και η Anthropic προχωρούν πλέον σε πιο «βαριά» μοντέλα διείσδυσης, δημιουργώντας consulting δομές με τη στήριξη κεφαλαίων όπως η Blackstone, η Goldman Sachs και η Bain Capital. Το μήνυμα είναι ξεκάθαρο: η μάχη δεν είναι πλέον στο ποιος έχει το καλύτερο μοντέλο, αλλά στο ποιος θα το μετατρέψει σε πραγματική παραγωγικότητα.
Και εδώ ξεκινά το πρόβλημα.
Παρά τη μαζική υιοθέτηση εργαλείων generative AI, τα μακροοικονομικά δεδομένα δεν δείχνουν ουσιαστική επιτάχυνση παραγωγικότητας. Οι εργαζόμενοι γράφουν πιο γρήγορα emails, κάνουν πιο γρήγορα research, αυτοματοποιούν μικρο-εργασίες. Αλλά αυτό δεν μεταφράζεται σε αύξηση output σε επίπεδο επιχείρησης. Το productivity puzzle είναι υπαρκτό και δεν είναι τεχνικό. Είναι οργανωτικό.
Η βασική αποτυχία των εταιρειών είναι ότι αντιμετωπίζουν την AI ως εργαλείο βελτιστοποίησης, όχι ως μοχλό ανασχεδιασμού. Ενσωματώνουν AI σε υπάρχουσες διαδικασίες αντί να ξαναχτίσουν τις διαδικασίες από την αρχή. Με απλά λόγια, βάζουν turbo σε ένα σύστημα που δεν είναι σχεδιασμένο για ταχύτητα.
Το αποτέλεσμα είναι friction. Οι εργαζόμενοι κερδίζουν χρόνο σε tasks, αλλά αυτός ο χρόνος δεν μετατρέπεται σε αξία. Χάνεται σε meetings, approvals, legacy workflows. Η παραγωγικότητα δεν είναι άθροισμα μικρών εξοικονομήσεων χρόνου. Είναι αποτέλεσμα redesign.
Εδώ μπαίνει το νέο επιχειρηματικό μοντέλο των AI firms. Οι κινήσεις της OpenAI και της Anthropic προς consulting δεν είναι τυχαίες. Είναι recognition ότι το bottleneck δεν είναι η τεχνολογία αλλά η υιοθέτηση. Οι εταιρείες δεν χρειάζονται καλύτερα εργαλεία. Χρειάζονται operational transformation.
Η αγορά private equity το έχει ήδη καταλάβει. Τα κεφάλαια που μπαίνουν σε αυτές τις πρωτοβουλίες δεν ποντάρουν στο software, αλλά στο implementation layer. Στο ποιος θα «ξεκλειδώσει» την παραγωγικότητα μέσα στις επιχειρήσεις. Αυτό είναι το πραγματικό monetization της AI.
Υπάρχουν δύο στρατηγικές κατευθύνσεις.
Η πρώτη είναι ο μετασχηματισμός των υπαρχουσών εταιρειών. Αυτό σημαίνει πλήρη αναδιάρθρωση workflows, flattening ιεραρχιών, λιγότερα management layers και περισσότερη αυτονομία σε AI-augmented εργαζόμενους. Δύσκολο, αργό και με υψηλό execution risk.
Η δεύτερη είναι το bypass. Δημιουργία νέων εταιρειών από την αρχή, χτισμένων πάνω σε AI-first λογική. Λιγότεροι εργαζόμενοι, μεγαλύτερη παραγωγικότητα, διαφορετικό cost structure. Αυτή η προσέγγιση είναι πιο γρήγορη και πιθανώς πιο αποδοτική. Και εδώ βρίσκεται η πραγματική απειλή για τα incumbents.
Η ιστορία δείχνει ότι τα productivity leaps δεν έρχονται από incremental αλλαγές αλλά από structural shifts. Η ηλεκτρική ενέργεια δεν αύξησε την παραγωγικότητα επειδή αντικατέστησε απλά τον ατμό. Την αύξησε όταν άλλαξε η αρχιτεκτονική των εργοστασίων. Το ίδιο συμβαίνει τώρα με την AI.
Σήμερα βρισκόμαστε στο ενδιάμεσο στάδιο. Η τεχνολογία υπάρχει, η υιοθέτηση τρέχει, αλλά το οικονομικό αποτέλεσμα δεν έχει materialize. Αυτό δημιουργεί ένα επικίνδυνο gap προσδοκιών. Οι επενδυτές περιμένουν returns, οι εταιρείες δυσκολεύονται να τα δείξουν.
SBC σχόλιο: Η τεχνητή νοημοσύνη δεν έχει αποτύχει. Οι εταιρείες αποτυγχάνουν να την αξιοποιήσουν. Όποιος λύσει το productivity puzzle – είτε μέσω μετασχηματισμού είτε μέσω νέων AI-native επιχειρήσεων – θα πάρει δυσανάλογο μερίδιο αξίας. Οι υπόλοιποι θα μείνουν με ακριβά εργαλεία και μηδενική απόδοση.
