- Η επιτυχία της AI δεν εγγυάται την επιτυχία των εργαζομένων χωρίς σωστό σχεδιασμό μετάβασης και εκπαίδευσης.
- Τα σενάρια για τις ΗΠΑ δείχνουν πιθανή αύξηση ανεργίας και μείωση αποδοχών στη γνωστική εργασία έως το 2030.
- Η αυτοματοποίηση απαιτεί ανασχεδιασμό ρόλων και νέες μορφές μαθητείας για τη διατήρηση της εμπειρίας και ικανότητας.
- Η παραγωγικότητα πρέπει να αξιολογείται με βάση την ποιότητα και το αποτέλεσμα για τον πελάτη, όχι μόνο τον όγκο εργασίας.
- Η Κύπρος χρειάζεται σχέδιο μετάβασης με πιλοτικές εφαρμογές και σύνδεση εκπαίδευσης με τις ανάγκες της αγοράς εργασίας.
Γιατί η επιτυχία της τεχνολογίας δεν αρκεί για την επιτυχία των εργαζομένων και τι πρέπει να σχεδιάσουν οι επιχειρήσεις
Μια επιχείρηση μπορεί να πετύχει τον στόχο της αυτοματοποίησης και να αποτύχει στον σχεδιασμό της επόμενης ημέρας. Αν περιορίσει προσωπικό πριν ξεκαθαρίσει ποιος ελέγχει τις αποφάσεις, ποιος γνωρίζει τον πελάτη και ποιος εκπαιδεύει τους επόμενους επαγγελματίες, η άμεση εξοικονόμηση μπορεί να συνοδευτεί από απώλεια ικανότητας.
- Γιατί η επιτυχία της τεχνολογίας δεν αρκεί για την επιτυχία των εργαζομένων και τι πρέπει να σχεδιάσουν οι επιχειρήσεις
- Πόσο διαφέρουν οι τρεις διαδρομές
- Η λάθος ερώτηση είναι πόσους ανθρώπους αντικαθιστά μια άδεια λογισμικού
- Ποιος θα εκπαιδεύσει τους επόμενους έμπειρους εργαζομένους;
- Η Κύπρος χρειάζεται σχέδιο μετάβασης, όχι αναμονή
Η νέα μελέτη της Anthropic για τις οικονομικές επιδράσεις της AI δίνει αριθμητική μορφή σε αυτή τη συζήτηση. Εξετάζει τρία σενάρια για τις ΗΠΑ έως το 2030, χωρίς να αποδίδει πιθανότητα σε καθένα. Η ανάπτυξη συνυπάρχει, υπό τις πιο επιθετικές υποθέσεις, με σοβαρή πίεση στη γνωστική εργασία.
Πόσο διαφέρουν οι τρεις διαδρομές
Η συνολική ανεργία του 2030 διαμορφώνεται στο μοντέλο σε 3,9% στο ήπιο σενάριο, 4,6% στο σενάριο ισχυρής επίδρασης και 11,9% στο ακραίο.
Στην τελευταία περίπτωση, η απασχόληση στη γνωστική εργασία είναι 21,5% χαμηλότερη από τα μέσα του 2026. Οι αποδοχές αυτής της ομάδας είναι 11,5% χαμηλότερες από την αντίστοιχη διαδρομή χωρίς AI. Πρόκειται για διαφορετικές βάσεις σύγκρισης, όχι για ενιαία πρόβλεψη απωλειών σε κάθε επάγγελμα.
Οι τεχνολογικές δυνατότητες, η ταχύτητα εφαρμογής και ο χρόνος μετάβασης σε άλλη εργασία αλλάζουν τα αποτελέσματα. Οι αριθμοί δεν αποτελούν πρόβλεψη για την Κύπρο. Το μοντέλο δεν ενσωματώνει κάθε πιθανή οικονομική διαταραχή ή μελλοντική πολιτική παρέμβαση.
Η λάθος ερώτηση είναι πόσους ανθρώπους αντικαθιστά μια άδεια λογισμικού
Για μια διοίκηση, η αφετηρία πρέπει να είναι η χαρτογράφηση της δουλειάς. Άλλο η πρώτη περίληψη ενός εγγράφου, άλλο ο έλεγχος των στοιχείων του και άλλο η ευθύνη για την απόφαση που θα ακολουθήσει. Το ότι ένα εργαλείο επιταχύνει το πρώτο στάδιο δεν αποδεικνύει ότι μπορεί να αναλάβει ολόκληρη τη διαδικασία.
Ένα υποθετικό τμήμα εξυπηρέτησης μπορεί να απαντά γρηγορότερα στα απλά αιτήματα με AI. Αν όμως οι εργαζόμενοι μένουν μόνο με τις δύσκολες περιπτώσεις, χρειάζονται περισσότερη κρίση, πρόσβαση σε αρμόδιους και δυνατότητα επίλυσης. Η παραγωγικότητα δεν αξιολογείται σωστά μόνο με τον αριθμό των απαντήσεων που έφυγαν.
Χρόνος διεκπεραίωσης, λάθη που διορθώθηκαν, παράπονα που επανήλθαν και αποτέλεσμα για τον πελάτη χρειάζεται να εξετάζονται μαζί. Διαφορετικά, μια επιχείρηση μπορεί να εμφανίζει καλύτερους δείκτες δραστηριότητας ενώ μεταφέρει κόστος και ταλαιπωρία στον πελάτη ή σε άλλο τμήμα.
Ποιος θα εκπαιδεύσει τους επόμενους έμπειρους εργαζομένους;
Οι εργασίες εισαγωγικού επιπέδου συχνά προσφέρουν κάτι περισσότερο από ένα παραδοτέο. Επιτρέπουν στον νέο εργαζόμενο να καταλάβει πώς οργανώνεται μια υπόθεση, πού εμφανίζονται λάθη και πότε χρειάζεται να ζητήσει βοήθεια. Η αυτοματοποίησή τους απαιτεί νέο τρόπο μαθητείας.
Μια διοίκηση που μειώνει τις αρχικές θέσεις χωρίς εναλλακτική διαδρομή εκπαίδευσης μπορεί αργότερα να ανακαλύψει ότι δυσκολεύεται να βρει ανθρώπους με την εμπειρία που χρειάζεται. Η πρακτική απάντηση είναι να ανασχεδιαστούν οι αρχικοί ρόλοι: έλεγχος πραγματικών υποθέσεων με καθοδήγηση, συμμετοχή σε συζητήσεις πελατών και σταδιακή ανάληψη ευθύνης.
Η εκπαίδευση στη χρήση ενός εργαλείου και η επαγγελματική εξέλιξη πρέπει να συνδέονται. Ένας εργαζόμενος χρειάζεται να γνωρίζει τι θα αναλάβει μετά την αυτοματοποίηση μέρους της δουλειάς του και με ποια κριτήρια θα αξιολογηθεί. Η αβεβαιότητα για τον ρόλο του δυσκολεύει την ίδια την εφαρμογή της αλλαγής.
Η Κύπρος χρειάζεται σχέδιο μετάβασης, όχι αναμονή
Στην κυπριακή έρευνα επιχειρήσεων του 2025, η Στατιστική Υπηρεσία κατέγραψε χρήση AI στο 9,3% των επιχειρήσεων με τουλάχιστον 10 απασχολουμένους στους καλυπτόμενους κλάδους. Η περιορισμένη ακόμη διάδοση δεν αποτελεί απόδειξη ότι οι κυπριακές υπηρεσίες είναι προστατευμένες από τον διεθνή ανταγωνισμό.
Μια εταιρεία που εξυπηρετεί πελάτες στο εξωτερικό μπορεί να δεχθεί πίεση για μικρότερους χρόνους και διαφορετικές χρεώσεις πριν ολοκληρώσει τον δικό της τεχνολογικό μετασχηματισμό. Η προετοιμασία χρειάζεται να περιλαμβάνει πιλοτικές εφαρμογές, τεκμηριωμένο έλεγχο ποιότητας και θέσεις στις οποίες μπορούν να μετακινηθούν οι άνθρωποί της.
Για την πολιτεία και τους φορείς κατάρτισης, μια χρήσιμη κατεύθυνση είναι η σύνδεση της εκπαίδευσης με πραγματικές ανάγκες εργοδοτών και διαδρομές επανένταξης. Για τις επιχειρήσεις, το κρίσιμο τεστ είναι ακόμη πιο άμεσο: αν αύριο η AI ολοκληρώνει γρηγορότερα ένα μέρος της εργασίας, υπάρχει συγκεκριμένο σχέδιο για τον χρόνο και τους ανθρώπους που απελευθερώνονται;
Φωτογραφία: TechCrunch / Wikimedia Commons, CC BY 2.0 (περικοπή).
