Η τεχνητή νοημοσύνη βρίσκεται στην κορυφή της ατζέντας σχεδόν κάθε διοικητικού συμβουλίου. Οι επιχειρήσεις επενδύουν εκατομμύρια, δημιουργούν πιλοτικά έργα, ανακοινώνουν συνεργασίες και υπόσχονται θεαματικές αυξήσεις στην παραγωγικότητα. Παρ’ όλα αυτά, η πραγματικότητα είναι πολύ πιο σύνθετη. Ένα μεγάλο ποσοστό των έργων τεχνητής νοημοσύνης δεν καταφέρνει ποτέ να δημιουργήσει ουσιαστική επιχειρηματική αξία. Πολλά σταματούν στο στάδιο του πιλοτικού έργου, άλλα εγκαταλείπονται μετά από λίγους μήνες, ενώ αρκετά λειτουργούν χωρίς ποτέ να δικαιολογήσουν την επένδυση.
Τα νούμερα είναι αμείλικτα. Σύμφωνα με έρευνα της RAND Corporation, πάνω από το 80% των έργων τεχνητής νοημοσύνης αποτυγχάνουν να παραδώσουν την επιχειρηματική αξία που είχαν υποσχεθεί, ποσοστό περίπου διπλάσιο από αυτό των παραδοσιακών έργων πληροφορικής. Η μελέτη του MIT (Project NANDA / State of AI in Business 2025) είναι ακόμα πιο σκληρή για την ΤΝ: περίπου το 95% των πιλοτικών προγραμμάτων δεν παράγει μετρήσιμη επίδραση στα κέρδη και τις ζημίες.
Το παράδοξο είναι ότι το πρόβλημα δεν βρίσκεται στην ίδια την τεχνολογία. Τα μεγάλα γλωσσικά μοντέλα, οι εφαρμογές ΤΝ και τα σύγχρονα εργαλεία machine learning είναι ισχυρότερα από ποτέ και εξελίσσονται με πρωτοφανή ταχύτητα κάνοντας όλο και καλύτερα αυτά που υπόσχονται. Το πραγματικό πρόβλημα βρίσκεται αλλού: στον τρόπο με τον οποίο οι επιχειρήσεις επιχειρούν να αξιοποιήσουν την ΤΝ, προσπαθώντας να την «προσθέσουν» πάνω σε παλιές διαδικασίες, χωρίς να αλλάξουν τον τρόπο που δουλεύουν.
Η τεχνολογία λειτουργεί. Αυτό που δεν λειτουργεί είναι το επιχειρησιακό μοντέλο που καλείται να την υποδεχθεί.
Ένα παλιό μοτίβο με νέο πρόσωπο
Η εταιρεία είχε επενδύσει εκατομμύρια ευρώ. Είχε προσλάβει μια ομάδα από data scientists με διδακτορικά. Είχε αγοράσει την καλύτερη πλατφόρμα cloud. Είχε εκπαιδεύσει ένα μοντέλο με ακρίβεια 94%. Και μετά, έξι μήνες μετά το λανσάρισμα, το έργο ακυρώθηκε. Κανείς δεν το χρησιμοποιούσε. Αυτή η ιστορία δεν είναι η εξαίρεση. Είναι ο κανόνας.
Το φαινόμενο αυτό δεν είναι πρωτόγνωρο. Όπως σχολιάζουν ειδικοί στη διαχείριση αλλαγών, το ίδιο μοτίβο έχει επαναληφθεί σε κάθε κύμα τεχνολογίας από τη δεκαετία του 1980, από την υιοθέτηση του internet και τις ψηφιακές πλατφόρμες μέχρι τα σύγχρονα εργαλεία ΤΝ και blockchain. Οι κλάδοι αλλάζουν, η τεχνολογία εξελίσσεται, αλλά το ποσοστό αποτυχίας παραμένει σταθερό. Δεν είναι, λοιπόν, κρίση τεχνολογίας. Είναι κρίση υιοθέτησης.
Οι οργανισμοί κάνουν το ίδιο θεμελιώδες λάθος: μεταχειρίζονται τον μετασχηματισμό σαν ένα τεχνολογικό έργο αντί για μια πρόκληση υιοθέτησης από ανθρώπους. Επενδύουν σε συστήματα χωρίς να επενδύουν στους ανθρώπους που καλούνται να τα χρησιμοποιήσουν.
Γιατί συμβαίνει αυτό; Η απάντηση είναι απλή: περιμένουν υπερβολικά πολλά, πολύ γρήγορα. Οι ηγέτες υποθέτουν ότι η ΤΝ θα αυτοματοποιήσει αμέσως σύνθετες εργασίες, θα μειώσει το κόστος ή θα διορθώσει χρόνια λειτουργικά προβλήματα. Όταν τα αποτελέσματα δεν έρχονται άμεσα, η εμπιστοσύνη μειώνεται και τα έργα σταματούν.
Το πρώτο λάθος: ξεκινούν από την τεχνολογία και όχι από το πρόβλημα
Πολλές εταιρείες αποφασίζουν ότι «πρέπει να κάνουν κάτι με την ΤΝ», χωρίς να έχουν προηγουμένως προσδιορίσει ποιο επιχειρηματικό πρόβλημα θέλουν να λύσουν. Η συζήτηση αλλά και οι αποφάσεις ξεκινούν από το εργαλείο και όχι από τις ανάγκες.
Πολλά έργα ΤΝ ξεκινούν από την ομάδα των ανώτατων και πιο ισχυρών στελεχών διοίκησης σε μια εταιρεία (C-suite που περιλαμβάνει τους CEO, CFO, CIO, COO κλπ.), σαν πρωτοβουλίες ψηφιακού μετασχηματισμού (digital transformation initiatives), δηλαδή ως εντολές από πάνω προς τα κάτω. Το πρόβλημα είναι ότι πολύ συχνά η ηγεσία δεν καταλαβαίνει τι χρειάζεται για να λειτουργήσει ένα μοντέλο στην πράξη. Ορίζει δείκτες απόδοσης (KPIs) χωρίς να μιλήσει με αυτούς που θα το χρησιμοποιήσουν. Εγκρίνει προϋπολογισμούς και ανακοινώνει «επιτυχίες» όταν το μοντέλο αρχίζει να λειτουργεί παραγωγικά, αγνοώντας ότι η πραγματική δουλειά μόλις τότε αρχίζει.
Όλα ξεκινάνε από τη σωστή ερώτηση η οποία δεν είναι «Πού μπορούμε να χρησιμοποιήσουμε ΤΝ;», αλλά «ποιες διαδικασίες που μάς κοστίζουν σε χρόνο, χρήμα ή πελάτες μπορούμε να βελτιώσουμε με τη χρήση της ΤΝ;».
Η ΤΝ δεν αποτελεί αυτοσκοπό. Είναι εργαλείο. Και κάθε εργαλείο είναι τόσο χρήσιμο όσο το πρόβλημα που καλείται να επιλύσει.
Τα δεδομένα εξακολουθούν να είναι ο αδύναμος κρίκος
Ένα μοντέλο machine learning είναι τόσο καλό όσο τα δεδομένα με τα οποία τροφοδοτείται. Η γνωστή φράση «garbage in, garbage out» δεν ήταν ποτέ πιο επίκαιρη. Η ΤΝ δεν διορθώνει τα κακά δεδομένα. Αντίθετα, τα αξιοποιεί για να παράγει λανθασμένα αποτελέσματα με μεγαλύτερη ταχύτητα. Γι’ αυτό και η διακυβέρνηση των δεδομένων (Data Governance) εξελίσσεται σε βασική προϋπόθεση για κάθε επιτυχημένο έργο.
Και εδώ βρίσκεται το παράδοξο: οι περισσότερες επιχειρήσεις έχουν πολλά δεδομένα αλλά πολύ συχνά αυτά είναι κατακερματισμένα, ελλιπή ή αναξιόπιστα. Πληροφορίες βρίσκονται σε διαφορετικά πληροφοριακά συστήματα, σε αρχεία Excel, σε email ή ακόμη και σε χειρόγραφες διαδικασίες, που δύσκολα μπορούν να αξιοποιηθούν από την ΤΝ.
Έχουν αποθηκευμένες αποδείξεις, αλλά όχι δομημένες πληροφορίες για το γιατί ένας πελάτης έφυγε. Έχουν logs από το CRM, αλλά όχι ποιοτικά δεδομένα για τις αποφάσεις που πήραν οι πωλητές. Έχουν ιστορικά στοιχεία, αλλά όχι «feedback loops» που να διορθώνουν το μοντέλο όταν η πραγματικότητα αλλάζει.
Η Gartner εκτιμά ότι μεγάλο ποσοστό έργων χωρίς «AI-ready» δεδομένα θα εγκαταλειφθεί. Η προετοιμασία των δεδομένων δεν είναι τεχνικό πρόβλημα. Είναι κυρίως οργανωτικό. Απαιτεί να αλλάξει ο τρόπος με τον οποίο οι ομάδες καταγράφουν, μοιράζονται και εμπιστεύονται πληροφορίες.
Τελικά, τα δεδομένα δεν αποτελούν απλώς την «πρώτη ύλη» της ΤΝ. Αποτυπώνουν και τον τρόπο με τον οποίο λειτουργεί ένας οργανισμός. Αν αυτός ο τρόπος δεν αλλάξει, ούτε το πιο προηγμένο μοντέλο μπορεί να δημιουργήσει πραγματική επιχειρηματική αξία.
Το «νεκροταφείο» των πιλοτικών έργων
Ένα από τα μεγαλύτερα προβλήματα που αντιμετωπίζει διεθνώς η ΤΝ είναι αυτό που οι αναλυτές αποκαλούν «καθαρτήριο των πιλοτικών προγραμμάτων (pilot purgatory), που είναι μια κατάσταση όπου οι εταιρείες δοκιμάζουν μια νέα τεχνολογία σε μικρή κλίμακα, αλλά ποτέ δεν την εφαρμόζουν επίσημα σε ολόκληρο τον οργανισμό.
Οι εταιρείες δημιουργούν δεκάδες πιλοτικές εφαρμογές, εντυπωσιάζονται από τα πρώτα αποτελέσματα, αλλά ελάχιστες φτάνουν σε παραγωγική λειτουργία και ακόμα λιγότερες υιοθετούνται πλήρως και παραμένουν σε επιχειρησιακή εφαρμογή. Ο λόγος είναι απλός. Ένα επιτυχημένο πιλοτικό έργο δεν εξασφαλίζει ούτε μια επιτυχημένη παραγωγική έναρξη ούτε μια επιτυχημένη επιχειρησιακή εφαρμογή.
Η παραγωγή απαιτεί διασύνδεση με τα υπάρχοντα πληροφοριακά συστήματα, διαδικασίες ασφάλειας, συμμόρφωση με το κανονιστικό πλαίσιο, εκπαίδευση προσωπικού και συνεχή παρακολούθηση των μοντέλων που συνήθως αναφέρονται ελάχιστα στις πιλοτικές εφαρμογές. Πρόκειται για μια εντελώς διαφορετική πρόκληση από ένα απλό πιλοτικό έργο.
Η ΤΝ δεν είναι έργο πληροφορικής
Ένα ακόμη συνηθισμένο λάθος είναι ότι τα έργα ΤΝ αντιμετωπίζονται ως έργα με αποκλειστική ευθύνη της Διεύθυνσης Πληροφορικής. Στην πραγματικότητα, όμως δεν είναι έργα πληροφορικής αλλά έργα επιχειρησιακού μετασχηματισμού.
Η μεγαλύτερη αλλαγή δεν αφορά τους αλγορίθμους αλλά τον τρόπο με τον οποίο εργάζονται οι άνθρωποι. Όταν οι διαδικασίες παραμένουν ίδιες και απλώς προστίθεται ένα εργαλείο ΤΝ, τα αποτελέσματα είναι συνήθως περιορισμένα. Η πραγματική αξία δημιουργείται όταν επανασχεδιάζονται ολόκληρες οι επιχειρησιακές ροές.
Οι εργαζόμενοι δεν είναι το πρόβλημα. Το μοντέλο λειτουργεί. Ο οργανισμός όχι.
Η τεχνολογία από μόνη της δεν αλλάζει έναν οργανισμό. Εάν οι εργαζόμενοι δεν κατανοούν πώς μπορούν να αξιοποιήσουν την ΤΝ, αν φοβούνται ότι απειλεί τη θέση τους ή αν δεν έχουν εκπαιδευτεί στις νέες διαδικασίες, το έργο είναι σχεδόν βέβαιο ότι θα συναντήσει αντιστάσεις.
Η πιο κοινή πλάνη γύρω από την τεχνητή νοημοσύνη είναι ότι αν φτιάξεις ένα καλό μοντέλο, η υιοθέτηση έρχεται φυσικά. Δεν έρχεται.
Ένας αλγόριθμος πρόβλεψης ζήτησης μπορεί να προβλέπει με ακρίβεια πότε θα χρειαστείς απόθεμα. Αλλά αν ο προμηθευτής σου δεν μπορεί να ανταποκριθεί σε δυναμικές παραγγελίες, αν οι αποθηκάριοι δεν εμπιστεύονται την πρόβλεψη, αν οι πωλητές εξακολουθούν να παραγγέλνουν με βάση το ένστικτό τους, το μοντέλο μένει άχρηστο.
Όταν ένας αλγόριθμος προτείνει ποιους πελάτες να πάρει τηλέφωνο ένας πωλητής, δεν αλλάζει απλώς μια διαδικασία. Αλλάζει την ταυτότητα του πωλητή. Τον μετατρέπει από «κυνηγό» σε «εκτελεστή». Και αυτή η αλλαγή ταυτότητας είναι βαθιά απειλητική.
Ένα chatbot μπορεί να απαντάει σε 300 ερωτήσεις το λεπτό. Αλλά αν οι πελάτες προτιμούν να μιλάνε με άνθρωπο, αν οι υπάλληλοι φοβούνται ότι θα αντικατασταθούν και σαμποτάρουν τη χρήση του, αν οι διαδικασίες εξυπηρέτησης δεν έχουν επανασχεδιαστεί, το chatbot γίνεται απλώς ένα ακριβό διακοσμητικό.
Η τεχνητή νοημοσύνη δεν είναι ένα plugin που εγκαθιστάς πάνω σε μια υπάρχουσα δομή. Είναι ένας καταλύτης που απαιτεί την αναδόμηση ολόκληρων διαδικασιών, ρόλων και κουλτούρας.
Οι εργαζόμενοι δεν αντιστέκονται επειδή είναι αναχρονιστικοί. Αντιστέκονται επειδή το σύστημα αξιολόγησης, οι αμοιβές, η κοινωνική τους θέση μέσα στην εταιρεία και σχεδόν όλα όσα τους ενδιαφέρουν είναι δομημένα γύρω από τον παλιό τρόπο δουλειάς. Όταν η ΤΝ έρχεται χωρίς να αλλάξει αυτά τα συστήματα, η αντίσταση είναι όχι απλώς αναμενόμενη αλλά και απόλυτα λογική.
Η εκπαίδευση, η συμμετοχή των ομάδων από τα πρώτα στάδια και η διαχείριση της οργανωσιακής αλλαγής αποδεικνύονται εξίσου σημαντικές με την επιλογή του κατάλληλου μοντέλου.
Η απόδοση της επένδυσης (ROI) δεν έρχεται με την παραγωγικότητα
Τα τελευταία δύο χρόνια δημιουργήθηκε η εντύπωση ότι κάθε έργο ΤΝ θα οδηγήσει αυτόματα σε θεαματική αύξηση της παραγωγικότητας και ότι θα αποδώσει ανάλογα. Στην πράξη όμως αυτό δεν επιβεβαιώθηκε. Η απόδοση της επένδυσης εξαρτάται από το κατά πόσο υπάρχουν σαφείς δείκτες επιτυχίας. Εάν μια επιχείρηση δεν γνωρίζει πόσο χρόνο εξοικονομεί, πόσο μειώνει το λειτουργικό κόστος, πόσο βελτιώνει την εξυπηρέτηση πελατών ή πόσο αυξάνει τα έσοδά της, τότε είναι αδύνατο να αξιολογήσει αν το έργο πέτυχε. Η μέτρηση πρέπει να προηγείται της τεχνολογίας.
Η ελληνική πραγματικότητα
Οι ελληνικές επιχειρήσεις δεν διαφέρουν ουσιαστικά από τις διεθνείς, αν και αντιμετωπίζουν και πρόσθετες προκλήσεις. Σε πολλές περιπτώσεις ο ψηφιακός μετασχηματισμός δεν έχει ολοκληρωθεί. Υπάρχουν παλιά πληροφοριακά συστήματα, περιορισμένη ωριμότητα στη διαχείριση δεδομένων, έλλειψη εξειδικευμένων στελεχών και δυσκολίες στην αλλαγή της οργανωτικής κουλτούρας.
Έτσι, η εφαρμογή της ΤΝ επιχειρείται συχνά πάνω σε αδύναμα θεμέλια. Δεν είναι τυχαίο ότι αρκετές επιχειρήσεις επενδύουν αρχικά σε εργαλεία όπως chatbots ή ψηφιακούς βοηθούς, χωρίς να αγγίζουν τις βασικές παραγωγικές διαδικασίες όπου θα μπορούσε να δημιουργηθεί η μεγαλύτερη αξία.
Χαρακτηριστικό παράδειγμα αποτελούν αρκετές επιχειρήσεις που ξεκινούν την αξιοποίηση της ΤΝ από εφαρμογές όπως η αυτόματη εξυπηρέτηση πελατών ή η δημιουργία περιεχομένου, χωρίς προηγουμένως να έχουν ενοποιήσει τα δεδομένα τους ή να έχουν επανασχεδιάσει τις βασικές επιχειρησιακές διαδικασίες. Τα πρώτα αποτελέσματα μπορεί να είναι εντυπωσιακά σε επίπεδο επίδειξης, όμως η πραγματική επιχειρηματική αξία παραμένει περιορισμένη όταν η τεχνολογία δεν ενσωματώνεται στον τρόπο λειτουργίας της επιχείρησης.
Τι κάνουν διαφορετικά όσοι πετυχαίνουν
Οι οργανισμοί που ανήκουν στο μικρό ποσοστό επιτυχίας συνήθως ξεκινούν από συγκεκριμένα επιχειρησιακά προβλήματα με μετρήσιμο αντίκτυπο και όχι από την τεχνολογία. Μετά από εκπαίδευση που τους επιτρέπει να αναλύσουν το πως η ΤΝ μπορεί να επιλύσει τα επιχειρησιακά προβλήματα, επενδύουν σοβαρά στην προετοιμασία των δεδομένων, διακυβέρνηση και τις υποδομές πριν από την κλιμάκωση των πιλοτικών εφαρμογών στην παραγωγή. Αντιμετωπίζουν την ΤΝ ως αλλαγή τρόπου λειτουργίας της επιχείρησης, επανασχεδιάζοντας τις βασικές διαδικασίες και εκπαιδεύοντας τους ανθρώπους ώστε να εξασφαλίσουν ότι και θέλουν και μπορούν να υποστηρίξουν τις αλλαγές.
Παράλληλα ορίζουν από την αρχή σαφή κριτήρια επιτυχίας και είναι έτοιμοι να σταματήσουν γρήγορα ό,τι δεν αποδίδει.
Το πιο σημαντικό όμως είναι ότι καθορίζεται υπεύθυνος για το αποτέλεσμα που έχει την εξουσία να αλλάξει τη διαδικασία. Όταν η λογοδοσία είναι ασαφής, ή ο υπεύθυνος δεν κατανοεί ή δεν μπορεί να αλλάξει τη διαδικασία η υιοθέτηση της ΤΝ θα είναι ή αδύνατη ή προβληματική.
Υπάρχουν οι ειδικοί. Αρκεί να αξιοποιηθούν σωστά
Η επιτυχία ενός έργου ΤΝ δεν εξαρτάται μόνο από την επιλογή της κατάλληλης πλατφόρμας ή του καλύτερου μοντέλου. Εξαρτάται κυρίως από τον σωστό σχεδιασμό, τη γνώση των επιχειρησιακών διαδικασιών και την εμπειρία στην υλοποίηση.
Η διεθνής εμπειρία δείχνει ότι οι οργανισμοί που συνεργάζονται από την αρχή με εξειδικευμένους επαγγελματίες που διαθέτουν την τεχνογνωσία υλοποίησης έργων επιχειρησιακού μετασχηματισμού και ΤΝ αυξάνουν σημαντικά τις πιθανότητες επιτυχίας. Η αξία αυτής της τεχνογνωσίας δεν βρίσκεται μόνο στην επιλογή των κατάλληλων εφαρμογών, αλλά κυρίως στον εντοπισμό των κατάλληλων περιπτώσεων χρήσης, στην προετοιμασία των δεδομένων, στη διακυβέρνηση της ΤΝ, στην εκπαίδευση των εργαζομένων και στη μέτρηση της πραγματικής επιχειρηματικής αξίας.
Η τεχνολογία μπορεί πλέον να αποκτηθεί σχετικά εύκολα. Η ικανότητα, όμως, να ενσωματωθεί αποτελεσματικά στον τρόπο λειτουργίας μιας επιχείρησης παραμένει το στοιχείο που κάνει τη διαφορά ανάμεσα σε ένα ακόμη πιλοτικό έργο και σε έναν πραγματικό επιχειρησιακό μετασχηματισμό.
Η επόμενη φάση της τεχνητής νοημοσύνης
Το πρώτο κύμα της ΤΝ χαρακτηρίστηκε από ενθουσιασμό. Το δεύτερο θα κριθεί από τα αποτελέσματα.
Οι επιχειρήσεις που θα ξεχωρίσουν δεν θα είναι εκείνες που θα αγοράσουν τα περισσότερα εργαλεία, αλλά εκείνες που θα καταφέρουν να επανασχεδιάσουν τις διαδικασίες τους, να οργανώσουν τα δεδομένα τους, να εκπαιδεύσουν τους ανθρώπους τους και να συνδέσουν κάθε εφαρμογή με συγκεκριμένους επιχειρηματικούς στόχους.
Η ΤΝ δεν αποτελεί απλώς μια ακόμη τεχνολογική καινοτομία. Είναι ένας καταλύτης οργανωτικής αλλαγής. Και αυτό είναι ίσως το σημαντικότερο συμπέρασμα από την εμπειρία των τελευταίων ετών. Τα έργα ΤΝ δεν αποτυγχάνουν επειδή τα μοντέλα δεν είναι αρκετά έξυπνα. Αποτυγχάνουν επειδή οι οργανισμοί εξακολουθούν να λειτουργούν με τον ίδιο τρόπο που λειτουργούσαν πριν από την εμφάνιση της ΤΝ.
Οι επιχειρήσεις που θα το κατανοήσουν εγκαίρως δεν θα αποκτήσουν απλώς ένα τεχνολογικό πλεονέκτημα. Θα αποκτήσουν ένα νέο μοντέλο λειτουργίας. Και αυτό θα είναι το πραγματικό ανταγωνιστικό τους πλεονέκτημα στην οικονομία της τεχνητής νοημοσύνης.
