Ο Γιάννης Ριζόπουλος υποστηρίζει πως τα real-time data και οι νέες τεχνολογίες όπως η Τεχνητή Νοημοσύνη διαμορφώνουν τις αποφάσεις των αγορών και τις τάσεις στην οικονομική ζωή, ωστόσο η εξέλιξη αυτή δεν έρχεται χωρίς κινδύνους.
Ένα από τα πολύ σημαντικά παράπλευρα κέρδη της -κατά τα άλλα οδυνηρής- περιπέτειας της ανθρωπότητας με την πανδημία που δυστυχώς συνεχίζεται, είναι χωρίς αμφιβολία η «απογείωση» της ψηφιακής επανάστασης, με τον επιχειρηματικό μετασχηματισμό οργανισμών και επιχειρήσεων να κυριαρχεί ως τάση και να κερδίζει καθημερινά ολοένα και περισσότερο έδαφος. Κι αφού όλα γίνονται πλέον δικτυακά, μπορούμε εύκολα να συλλέξουμε και τα ανάλογα δεδομένα -κάθε λογής και πάμφθηνοι πια αισθητήρες μπορούν να μετρήσουν και να διαβιβάσουν ό,τι μπορεί να βάλει ο νους του ανθρώπου, για τον ίδιο και για τον περίγυρό του, σε τοπικό ή υπερτοπικό, εθνικό ή διεθνές επίπεδο.
Δεδομένα είχαμε και παλιότερα, βεβαίως, όμως αυτό που μετράει περισσότερο και κάνει τη διαφορά, είναι ότι σήμερα τα έχουμε σε πραγματικό χρόνο, καθώς η υπολογιστική ισχύς γίνεται ολοένα και πιο προσιτή και τα δίκτυα, ενσύρματα και ασύρματα, καλύπτουν τους πάντες και τα πάντα. Κάθε λεπτό διακινούνται τεράστιοι όγκοι δεδομένων και είναι διαθέσιμοι σε όποιον θέλει να τους αναλύσει, με τη βοήθεια ειδικών λογισμικών και όλου του περί την Τεχνητή Νοημοσύνη οικοσυστήματος λύσεων και εφαρμογών, για να καταλήξει σε συμπεράσματα και να λάβει αποφάσεις, εδώ και τώρα – είτε πρόκειται για την κυκλοφοριακή συμφόρηση σε έναν κόμβο, είτε για μια φυσική καταστροφή, είτε για αυξομειώσεις στις τιμές κάποιου αγαθού, είτε ακόμα και για τη διαμόρφωση μιας δημόσιας πολιτικής. Μάλιστα, η χρήση ΑΙ στο άκρο, στο edge, στον ίδιο τον αισθητήρα, έχει αξιοποιηθεί τον τελευταίο καιρό με επιτυχία ως πρώτο «φίλτρο», ώστε να διαβιβάζονται κεντρικά μόνο τα χρήσιμα δεδομένα και να μην υπερφορτώνονται τα δίκτυα με άχρηστο περιεχόμενο.
Πανεπιστημιακοί και ερευνητές φτάνουν στο σημείο να προβλέπουν ακόμα και την εξάλειψη του κλάδου της μακροοικονομίας, όσο θα βελτιώνονται οι τρόποι συλλογής και ανάλυσης δεδομένων από κυβερνήσεις, οργανισμούς και επιχειρήσεις, όσο θα μειώνονται τα λάθη που μπορεί να οδηγήσουν σε καταστροφικές αποφάσεις κι όσο οι πειραματισμοί των τελευταίων χρόνων θα δίνουν τη θέση τους σε στέρεες και αποδεδειγμένες στην πράξη μεθόδους επεξεργασίας, με τη βοήθεια της πανταχού παρούσας πλέον, Μηχανικής Μάθησης.
Ειδικά στον χώρο της οικονομίας, όπου περισσότερο από άλλους κλάδους «ο χρόνος είναι χρήμα», η λήψη αποφάσεων σε πραγματικό χρόνο μπορεί -κατά τους ειδικούς- να έχει ως αποτέλεσμα μεγαλύτερη συνέπεια, περισσότερη διαφάνεια κι ακόμα καλύτερη συμμόρφωση με το εκάστοτε ισχύον κανονιστικό πλαίσιο. Εδώ, η θεωρία κάνει ένα βήμα πίσω και αφήνει την πράξη να ορίσει τους νέους κανόνες του παιχνιδιού, με τη συνεχή ροή δεδομένων να «προκαλεί» αναλύσεις και αποφάσεις. Οι ίδιοι ειδικοί, όμως, επισημαίνουν ταυτόχρονα τους κινδύνους που κρύβει η άμεση και άκριτη ανταπόκριση στην παραμικρή διακύμανση κάποιου μεγέθους, ειδικά αν αφήνουμε στις μηχανές την απόφαση της όποιας παρέμβασης.
Και, βέβαια, είναι αλήθεια πως το σημερινό ψηφιακό χάσμα παίζει τον ρόλο του και σ’ αυτή την περίπτωση. Γιατί, άλλο όγκο στοιχείων συγκεντρώνει μια πολυεθνική εταιρία με εκατομμύρια πελάτες, όγκος ο οποίος διαφοροποιεί την ποσότητα και την ποιότητα των δεδομένων που θα λάβει και θα αναλύσει, κι άλλον μια μικρή τοπική αλυσίδα καταστημάτων – ακόμα κι αν έχει όλη τη θέληση και τη γνώση για να το κάνει, η δεύτερη πάντα θα υστερεί στην «πρώτη ύλη». Όμως, και μόνο το γεγονός ότι -της πανδημίας βοηθούσης, που επιτάχυνε τα πάντα- τα πολλά πλέον δεδομένα αναλύονται και αξιοποιούνται σε πραγματικό χρόνο, αντί να συνδιαμορφώνουν μήνες αργότερα κάποιους στατιστικούς δείκτες, είναι από μόνο του πολύ μεγάλο επίτευγμα.