Οι επιχειρήσεις επενδύουν σε AI copilots, μεγάλα γλωσσικά μοντέλα και πράκτορες τεχνητής νοημοσύνης (AI agents), αναζητώντας τρόπους να αυξήσουν την παραγωγικότητα, να αυτοματοποιήσουν διαδικασίες και να μετατρέψουν την Τεχνητή Νοημοσύνη σε ανταγωνιστικό πλεονέκτημα. Όσο όμως η συζήτηση επικεντρώνεται στα ολοένα ισχυρότερα μοντέλα, ένα λιγότερο εντυπωσιακό αλλά καθοριστικό ζήτημα έρχεται στο προσκήνιο: είναι τα δεδομένα των επιχειρήσεων πραγματικά έτοιμα για την Τεχνητή Νοημοσύνη;
Τα λεγόμενα «AI-ready» δεδομένα αναδεικνύονται σε μία από τις σημαντικότερες προϋποθέσεις για να περάσει η ΑΙ από τα πειραματικά projects στην παραγωγική αξιοποίηση. Γιατί ακόμη και το πιο εξελιγμένο μοντέλο δεν μπορεί να δώσει αξιόπιστες απαντήσεις όταν τροφοδοτείται με ελλιπή, παρωχημένα, κατακερματισμένα ή ακατάλληλα δεδομένα.
Mε απλά λόγια, η ποιότητα της ΑΙ εξαρτάται σε μεγάλο βαθμό από την ποιότητα του «καυσίμου» που της δίνουμε.
Τι σημαίνει «AI-ready»;
Η πρώτη παγίδα βρίσκεται στον ίδιο τον όρο. «AI-ready» δεν σημαίνει απλώς ότι μια εταιρεία διαθέτει πολλά δεδομένα ούτε ότι έχει ψηφιοποιήσει τα αρχεία της.
Σύμφωνα με την Gartner, δεν υπάρχουν δεδομένα που να είναι από μόνα τους γενικά και αόριστα «AI-ready». Η ετοιμότητά τους πρέπει να αξιολογείται σε σχέση με τη συγκεκριμένη εφαρμογή ΑΙ για την οποία πρόκειται να χρησιμοποιηθούν. Ένα σύστημα πρόβλεψης ζήτησης, για παράδειγμα, χρειάζεται διαφορετικά δεδομένα από έναν AI assistant που απαντά σε ερωτήσεις εργαζομένων ή έναν AI agent που μπορεί να εκτελεί αυτόνομα επιχειρηματικές διαδικασίες αγορών.
Η έννοια των «AI-ready» δεδομένων επομένως πηγαίνει αρκετά πιο μακριά από την παραδοσιακή «ποιότητα δεδομένων (data quality)» γιατί πρακτικά αλλάζει την ερώτηση από:
«Είναι τα δεδομένα της εταιρείας μας καλά;» σε: «Είναι τα συγκεκριμένα δεδομένα της εταιρείας μας καλά για αυτό που θέλουμε να κάνει η ΑΙ;»
Αλλά τόσο το θέμα της ποιότητας όσο και των «καθαρών δεδομένων» πρέπει να αντιμετωπιστεί πρακτικά και με βάση την πραγματικότητα. Για παράδειγμα στον παραδοσιακό καθαρισμό δεδομένων (data cleaning) συνήθως αφαιρούμε ασυνήθιστα δεδομένα, διορθώνουμε λάθη και προσπαθούμε να δημιουργήσουμε ένα όσο γίνεται πιο «καθαρό» σύνολο δεδομένων (dataset).
Σε ορισμένες εφαρμογές όμως, η υπερβολική «εξομάλυνση» των δεδομένων μπορεί επίσης να δημιουργήσει πρόβλημα. Σπάνιες περιπτώσεις, ακραίες τιμές ή πραγματικές εξαιρέσεις δεν πρέπει να αφαιρούνται μηχανικά ως «θόρυβος», εφόσον αποτελούν μέρος της πραγματικότητας που καλείται να αντιμετωπίσει το μοντέλο. Άρα τα δεδομένα πρέπει να είναι αντιπροσωπευτικά για αυτό που θέλουμε να κάνει η ΑΙ και όχι απλώς «καθαρά» σύμφωνα με τα παραδοσιακά πρότυπα.
Ο καθαρισμός και ο έλεγχος των δεδομένων με βάση αυτά τα κριτήρια, δεν μπορεί να είναι ένα project που θα εκτελεστεί μια φορά, αλλά μια συνεχής λειτουργία της επιχείρησης.
AI-ready επομένως είναι τα δεδομένα που μια μηχανή μπορεί να εντοπίσει, να αποκτήσει πρόσβαση, να κατανοήσει, να συσχετίσει και να χρησιμοποιήσει αξιόπιστα και με ασφάλεια για έναν συγκεκριμένο σκοπό.
Αυτό προϋποθέτει δεδομένα με ποιότητα και ακρίβεια, αλλά και μεταδεδομένα (metadata), σαφείς επιχειρηματικούς ορισμούς, γνωστή προέλευση των πληροφοριών, κατάλληλα δικαιώματα πρόσβασης, διαλειτουργικότητα και μηχανισμούς διακυβέρνησης.
Για παράδειγμα, το πόσο σημαντικό είναι το ιστορικό της προέλευσης των δεδομένων (lineage) γίνεται αντιληπτό από το αν η ΑΙ δώσει μια κρίσιμη επιχειρηματική απάντηση και δεν μπορεί να τεκμηριώσει από ποιες πληροφορίες προήλθε.
Άρα, η ποιότητα και ο καθαρισμός των δεδομένων δεν αρκούν από μόνα τους για το AI readiness.
Το ελληνικό κενό στα δεδομένα
Το ζήτημα αποκτά ιδιαίτερη σημασία για τις ελληνικές επιχειρήσεις. Το AI Readiness Index 2025 των ENTERSOFTONE και ELTRUN κατέγραψε ότι μόλις 4 στις 10 ελληνικές μικρομεσαίες επιχειρήσεις διαθέτουν καθαρά, οργανωμένα και προσβάσιμα δεδομένα.
Την ίδια στιγμή, περίπου μία στις τρεις επιχειρήσεις βρίσκεται ήδη σε κάποια μορφή πειραματισμού με την ΑΙ, αλλά μόνο ένα μικρό ποσοστό έχει φτάσει σε εφαρμογές που παράγουν μετρήσιμο επιχειρηματικό αποτέλεσμα.
Η εικόνα αποκαλύπτει ένα ενδιαφέρον παράδοξο: η πρόσβαση στην ΑΙ γίνεται ευκολότερη πολύ ταχύτερα από όσο οι επιχειρήσεις προλαβαίνουν να οργανώσουν την πληροφοριακή τους βάση. Μια εταιρία μπορεί να αποκτήσει μέσα σε λίγα λεπτά πρόσβαση σε ένα ισχυρό εργαλείο ΑΙ. Χρειάζονται όμως πολύ περισσότερο χρόνο και επενδύσεις ώστε τα δεδομένα που βρίσκονται σε ERP, CRM, spreadsheets, emails και παλαιότερα πληροφοριακά συστήματα να μπορούν να αξιοποιηθούν αξιόπιστα από αυτό.
Οι περισσότερες επιχειρήσεις διαθέτουν ένα τεράστιο όγκο πληροφοριών. Το πρόβλημα είναι ότι αυτές βρίσκονται συχνά σε διαφορετικά συστήματα, ακολουθούν διαφορετικούς ορισμούς, περιλαμβάνουν διπλοεγγραφές ή παλαιές πληροφορίες και δεν συνοδεύονται από επαρκή μεταδεδομένα (metadata).
Η ελληνική στρατηγική για τη διακυβέρνηση δεδομένων εντοπίζει ακριβώς ζητήματα όπως ο κατακερματισμός, η άνιση ποιότητα και η περιορισμένη δυνατότητα επαναχρησιμοποίησης. Έτσι, το κρίσιμο ερώτημα μετακινείται από το «πόσα δεδομένα έχουμε;» στο «πόσα από αυτά μπορούμε πραγματικά να χρησιμοποιήσουμε για τις εφαρμογές ΑΙ που χρειαζόμαστε;».
Από τα «καθαρά» στα κατανοητά δεδομένα
Για δεκαετίες οι επιχειρήσεις επένδυαν σε βάσεις δεδομένων (databases), data warehouses και αργότερα data lakes, προσπαθώντας να συγκεντρώσουν και να καθαρίσουν τις πληροφορίες τους. Η ΑΙ όμως ανεβάζει ακόμα πιο ψηλά τον πήχη. Ένας εργαζόμενος μπορεί να γνωρίζει ότι δύο διαφορετικές ονομασίες σε δύο πληροφοριακά συστήματα αναφέρονται στον ίδιο πελάτη ή ότι ένας συγκεκριμένος κωδικός αντιστοιχεί σε συγκεκριμένη κατηγορία προϊόντος. Για ένα σύστημα ΑΙ όμως, αυτή η γνώση πρέπει να υπάρχει κάπου καταγεγραμμένη και να είναι μηχανικά αξιοποιήσιμη.
Η ΑΙ χρειάζεται, με άλλα λόγια, ένα είδος «χάρτη» που της εξηγεί τι σημαίνουν τα δεδομένα και πώς συνδέονται μεταξύ τους. Αυτόν τον ρόλο μπορούν να παίξουν τα μεταδεδομένα (metadata), τα semantic layers, οι ontologies και τα knowledge graphs. Στόχος τους είναι να προσθέσουν στα δεδομένα το επιχειρηματικό περιεχόμενο (context) που χρειάζεται η ΑΙ για να κατανοεί όχι μόνο τις μεμονωμένες πληροφορίες αλλά και τις μεταξύ τους σχέσεις.
Με άλλα λόγια, το επόμενο μεγάλο data project μιας επιχείρησης μπορεί να μην αφορά μόνο το πού βρίσκονται τα δεδομένα της, αλλά το κατά πόσο η ΑΙ μπορεί να καταλάβει τι σημαίνουν.
Η έκρηξη των αδόμητων δεδομένων
Η ΑΙ φέρνει παράλληλα στο επίκεντρο μια τεράστια δεξαμενή πληροφοριών που μέχρι πρόσφατα ήταν δύσκολο να αξιοποιηθεί σε μεγάλη κλίμακα. Πρόκειται για τα αδόμητα δεδομένα: Emails, συμβάσεις, PDFs, παρουσιάσεις, εγχειρίδια, πρακτικά συναντήσεων, συνομιλίες με πελάτες, εικόνες και βίντεο. Όλα αυτά τώρα με την ΑΙ αποκτούν ιδιαίτερη αξία καθώς μπορούν να αποτελέσουν πρώτη ύλη για αναζήτηση, ανάλυση, δημιουργία περιεχομένου ή λήψη αποφάσεων.
Η ύπαρξή τους όμως δεν αρκεί. Ένα συμβόλαιο πρέπει, για παράδειγμα, να μπορεί να συνδεθεί με τον σωστό πελάτη, το κατάλληλο προϊόν και τις αντίστοιχες συναλλαγές που βρίσκονται στα δομημένα πληροφοριακά συστήματα της εταιρείας. Το ζητούμενο επομένως γίνεται η σύνδεση δομημένων και μη δομημένων δεδομένων (structured και unstructured data) σε ένα κοινό, ελεγχόμενο και προσβάσιμο από την ΑΙ περιβάλλον.
Το χάσμα ανάμεσα στο AI pilot και την πραγματική εφαρμογή
Με τα σημερινά εργαλεία ΑΙ, η δημιουργία ενός prototype μπορεί να είναι σχετικά εύκολη υπόθεση. Η σύνδεσή του όμως με τα πραγματικά εταιρικά δεδομένα, με τρόπο ασφαλή, αξιόπιστο και επαναλαμβανόμενο, και τελικά η κλιμάκωσή του είναι πολύ δυσκολότερη. Εδώ βρίσκεται και μία από τις εξηγήσεις για το γεγονός ότι οι εντυπωσιακές δοκιμές ΑΙ δεν μετατρέπονται πάντοτε σε εφαρμογές μεγάλης κλίμακας.
Η McKinsey επισημαίνει ότι τα δεδομένα αποτελούν σημαντικό εμπόδιο για τις επιχειρήσεις που επιχειρούν να κλιμακώσουν την αξιοποίηση της ΑΙ. Και καθώς περνάμε από τα απλά chatbots σε συστήματα που μπορούν να εκτελούν ενέργειες (π.χ. πράκτορες ΑΙ), το πρόβλημα γίνεται ακόμη πιο κρίσιμο.
Ένας πράκτορας ΑΙ για παράδειγμα μπορεί να χρειαστεί να αναζητήσει μόνος του πληροφορίες σε διαφορετικές πηγές, να τις συνδυάσει και στη συνέχεια να προχωρήσει σε μια ενέργεια. Σε αυτό το περιβάλλον, ένα λάθος δεδομένο δεν οδηγεί απλώς σε μια λανθασμένη απάντηση. Μπορεί να οδηγήσει σε μια λανθασμένη ενέργεια.
Διακυβέρνηση, ασφάλεια και GDPR
Υπάρχει όμως και μία δεύτερη διάσταση. Ένα σύνολο δεδομένων (dataset) μπορεί να είναι τεχνικά ιδανικό για ένα μοντέλο ΑΙ και ταυτόχρονα να μην επιτρέπεται να χρησιμοποιηθεί. Προσωπικά δεδομένα, εμπιστευτικές εταιρικές πληροφορίες, πνευματικά δικαιώματα, άδειες χρήσης και διαφορετικά επίπεδα πρόσβασης πρέπει να λαμβάνονται υπόψη πριν οι πληροφορίες φτάσουν σε ένα μοντέλο.
Έτσι, η Διακυβέρνηση Δεδομένων (data governance) μετατρέπεται σε βασικό κομμάτι της Διακυβέρνησης ΑΙ (AI governance). Η επιχείρηση πρέπει να γνωρίζει ποιος είναι ο ιδιοκτήτης ενός συνόλου δεδομένων (dataset), από πού προήλθε, πότε ενημερώθηκε, ποιος έχει δικαίωμα πρόσβασης και για ποιους σκοπούς μπορεί να χρησιμοποιηθεί.
Οι πράκτορες ΑΙ ανεβάζουν τον πήχη ακόμα πιο ψηλά
Η μετάβαση στην εποχή της πρακτορικής ΑΙ (agentic AI) κάνει το ζήτημα ακόμη πιο επείγον. Ένα chatbot περιμένει μια ερώτηση και παράγει μια απάντηση. Ένας πράκτορας ΑΙ μπορεί να αναζητήσει δεδομένα, να αποφασίσει ποια εργαλεία θα χρησιμοποιήσει, να συνδυάσει πληροφορίες και τελικά να εκτελέσει μια εργασία. Όσο μεγαλύτερη αυτονομία αποκτούν αυτά τα συστήματα, τόσο μεγαλύτερη σημασία έχει η αξιοπιστία του περιβάλλοντος δεδομένων μέσα στο οποίο κινούνται.
Η ΑΙ μπορεί μάλιστα να δημιουργήσει και ένα ακόμα νέο πρόβλημα: τα δεδομένα που παράγει η ίδια. Prompts, απαντήσεις, περιλήψεις, κατηγοριοποιήσεις και αποφάσεις μπορούν να αποθηκεύονται στα εταιρικά συστήματα και αργότερα να χρησιμοποιούνται ως input από άλλες εφαρμογές ΑΙ. Έτσι, ένα λάθος που παράγει ένα σύστημα μπορεί αργότερα να χρησιμοποιηθεί ως «δεδομένο εισόδου» από ένα άλλο, με αποτέλεσμα να αναπαράγεται και να μεγεθύνεται.
Μόλις το 7% έχει φτάσει στο απαιτούμενο επίπεδο ετοιμότητας δεδομένων
Το πρόβλημα δεν είναι ελληνικό. Σε έρευνα της Accenture σε 2.000 επιχειρήσεις, μόλις 7% κατατάσσονται στην κατηγορία των οργανισμών που έχουν φτάσει στο επίπεδο ετοιμότητας δεδομένων (data readiness) που απαιτείται για την αξιοποίηση προηγμένης ΑΙ (advanced AI) σε μεγάλη κλίμακα.
Η ίδια έρευνα συνδέει την ικανοποιητική ετοιμότητα δεδομένων των επιχειρήσεων και με τις οικονομικές τους επιδόσεις, εκτιμώντας ότι οι συγκεκριμένες επιχειρήσεις εμφανίζουν πλεονέκτημα 4,5 ποσοστιαίων μονάδων στο EBIT margin έναντι των υπολοίπων επιχειρήσεων με χαμηλή ετοιμότητα δεδομένων.
Επομένως η ετοιμότητα των δεδομένων παύει να είναι υπόθεση αποκλειστικά του CIO ή του τμήματος IT και μετατρέπεται σε ζήτημα επιχειρηματικής στρατηγικής.
Δεν χρειάζεται να είναι όλα τέλεια για το ξεκίνημα της ΤΝ
Αυτό δεν σημαίνει ότι μια επιχείρηση πρέπει να ξεκινήσει ένα πολυετές πρόγραμμα «ειδικού καθαρισμού» όλων των δεδομένων της προτού κάνει οτιδήποτε με την ΤΝ. Μια τέτοια προσέγγιση θα ήταν πιθανότατα τόσο ακριβή όσο και αναποτελεσματική.
Η εναλλακτική λύση είναι να ξεκινά από συγκεκριμένα use cases: Ποιο πρόβλημα θέλουμε να λύσει η ΑΙ; Ποια δεδομένα χρειάζεται το συγκεκριμένο σύστημα; Πόσο ακριβή και αντιπροσωπευτικά πρέπει να είναι; Πόσο πρόσφατα; Ποιος μπορεί να τα χρησιμοποιήσει; Ποιος είναι ο αποδεκτός κίνδυνος λάθους; Τι γίνεται με το GDPR;
Έτσι μπορεί να δημιουργεί σταδιακά προϊόντα δεδομένων (data products) με συγκεκριμένο ιδιοκτήτη owner, πρότυπα ποιότητας, τεκμηρίωση, μεταδεδομένα και κανόνες πρόσβασης. Το «AI-ready» δεν είναι άλλωστε μια πιστοποίηση που αποκτά ένας οργανισμός μία φορά και διατηρεί για πάντα. Τα δεδομένα αλλάζουν, οι επιχειρηματικές διαδικασίες εξελίσσονται και νέες πηγές προστίθενται συνεχώς.
Πρόκειται περισσότερο για μια διαρκή ικανότητα της επιχείρησης να μετατρέπει την πληροφορία της σε αξιόπιστη πρώτη ύλη για ανθρώπους και μηχανές.
Η νέα μάχη για την ΑΙ αρχίζει από τα δεδομένα
Η κούρσα της ΑΙ συχνά παρουσιάζεται ως ανταγωνισμός για το ποιος θα διαθέτει το ισχυρότερο μοντέλο, τους περισσότερους επεξεργαστές ή τους καλύτερους πράκτορες ΤΝ (AI agents). Για τις περισσότερες επιχειρήσεις, όμως, η πραγματική μάχη πιθανότατα θα δοθεί σε ένα λιγότερο θεαματικό πεδίο. Στα δεδομένα τους.
Η Ελλάδα μπορεί να επενδύει σε νέες υποδομές, στον υπερυπολογιστή ΔΑΙΔΑΛΟΣ και στο AI Factory ΦΑΡΟΣ. Οι επιχειρήσεις μπορούν να αποκτούν πρόσβαση στα πιο προηγμένα μοντέλα σχεδόν ταυτόχρονα με τους διεθνείς ανταγωνιστές τους. Αλλά η πρόσβαση στο ίδιο μοντέλο δεν σημαίνει και το ίδιο αποτέλεσμα. Το ανταγωνιστικό πλεονέκτημα θα εξαρτάται όλο και περισσότερο από το ποιος μπορεί να συνδέσει την ΑΙ με καλύτερα οργανωμένα, περισσότερο αξιόπιστα, κατανοητά, αντιπροσωπευτικά και ασφαλή δεδομένα. Γιατί τα μοντέλα ΑΙ μπορεί να γίνονται μαζικά και εύκολα προσβάσιμα («commodity»), καθώς οι δυνατότητές τους εξισώνονται και οι τιμές τους πέφτουν. Τα δεδομένα μιας επιχείρησης, όμως, παραμένουν δικά της. Και στην εποχή της ΑΙ, αυτό μπορεί να αποδειχθεί το πολυτιμότερο «καύσιμο» που διαθέτει.
