Τις κινήσεις που πρέπει να αναλάβουν οι επιχειρήσεις ώστε οι δυνατότητες της τεχνητής νοημοσύνης να αποτυπωθούν στην κερδοφορία τους αναδεικνύει νέα έκθεση της Quantum Black, AI by McKinsey, με τίτλο «Seizing the Agentic AI advantage».
Η έκθεση εστιάζει στην εποχή του Agentic AI, όπου καθετοποιημένες λύσεις τεχνητής νοημοσύνης (AI) αυτοματοποιούν ολόκληρες επιχειρησιακές λειτουργίες, αναδιαμορφώνοντας τη δομή και το λειτουργικό μοντέλο των σύγχρονων επιχειρήσεων.
Τι έιναι το Agentic AI
Το Agentic AI αποτελεί μια νέα κατηγορία μοντέλων AI που ξεπερνά τα όρια των παραδοσιακών συστημάτων. Αντί να εκτελούν απλές εντολές, τα Agentic AI μπορούν να λειτουργούν αυτόνομα, να λαμβάνουν αποφάσεις και να εκτελούν εργασίες με ελάχιστη ανθρώπινη παρέμβαση.
Τα Agentic AI χρησιμοποιούν τεχνολογίες Machine Learning, Deep Learning και Natural Language Processing. Έτσι, μαθαίνουν από τα δεδομένα και βελτιώνουν την απόδοσή τους με την πάροδο του χρόνου, όπως και μπορούν να αναλύουν πολύπλοκα δεδομένα, όπως εικόνες και κείμενο, για να εξάγουν πληροφορίες. Οι τεχνολογίες αυτές τους επιτρέπουν να αλληλεπιδρούν με τους ανθρώπους πιο αποτελεσματικά, καθώς πλέον έχουν τη δυνατότητα να κατανοούν και ανταποκρίνονται σε φυσική γλώσσα.
Σε αυτήν τη νέα εποχή της τεχνητής νοημοσύνης που φέρνει το Agentic AI, ο Λευτέρης Χαραλάμπους, Managing Partner της McKinsey σε Ελλάδα και Κύπρο, υπογραμμίζει την ανάγκη οι επιχειρήσεις να επιδείξουν καλά αντανακλαστικά: «Οι εταιρίες χρειάζεται να δράσουν άμεσα, καθώς τα αθροιστικά αποτελέσματα του αυτοματισμού ροών εργασίας σε πολλαπλές επιχειρησιακές λειτουργίες θα δημιουργήσουν σύντομα ισχυρά ανταγωνιστικά πλεονεκτήματα, όχι μόνο ως προς τη μείωση του κόστους, αλλά, κυρίως, στον τομέα της καινοτομίας προϊόντων και της εμπειρίας πελάτη, τα οποία θα είναι δύσκολο να καλυφθούν στη συνέχεια».
To πρώτο κύμα ήταν η generative AI
Το πρώτο κύμα υιοθέτησης λύσεων gen AI (generative AI – παραγωγική ή γενετική τεχνητή νοημοσύνη, δηλαδή αυτή που μπορεί να παράγει κείμενο, εικόνες, βίντεο, ήχο) άλλαξε την αντίληψη των επιχειρήσεων για την τεχνητή νοημοσύνη σε λιγότερο από τρία χρόνια. Σε αυτό το διάστημα, παρατηρήθηκε ενίσχυση της παραγωγικότητας των εργαζομένων και επέκταση του πειραματισμού με εργαλεία gen AI σε πολλαπλές οργανωτικές δομές. Παράλληλα, αναπτύχθηκαν κρίσιμες δεξιότητες όπως το prompt engineering, καθώς και η αξιολόγηση επιχειρηματικών μοντέλων και η εταιρική διακυβέρνηση σε σχέση με το AI.
Σήμερα, ενώ το 78% των εταιριών αξιοποιεί λύσεις gen AI σε τουλάχιστον μια επιχειρησιακή διαδικασία (από 55% πέρυσι), 8 στις 10 επιχειρήσεις διαπιστώνουν ότι τα οικονομικά οφέλη παραμένουν περιορισμένα. Πρόκειται για ένα παράδοξο, καθώς σύμφωνα με εκτιμήσεις της McKinsey, το gen AI – μπορεί να συνεισφέρει επιπλέον 2,6-4,4 τρισ. δολάρια στην συνολική αγορά τεχνητής νοημοσύνης, η οποία ήδη πριν από την έλευση του, κυμαινόταν μεταξύ 11 και 18 τρισεκατομμυρίων.
Η αξιοποίηση του πλήρους φάσματος των δυνατοτήτων που προσφέρει η τεχνητή νοημοσύνη απαιτεί κάτι περισσότερο από την απλή ενσωμάτωση έτοιμων εργαλείων gen AI. Το κλειδί βρίσκεται στην κατανόηση και αντιμετώπιση ενός «παράδοξου της τεχνητής νοημοσύνης», το οποίο πηγάζει από την ουσιαστική διάκριση μεταξύ των οριζόντιων και των καθετοποιημένων εφαρμογών της.
Οι οριζόντιες εφαρμογές AI, όπως τα chatbots και τα εταιρικά copilots, έχουν υιοθετηθεί ευρέως, με το 70% των εταιριών του Fortune 500 να τις έχουν ήδη ενσωματώσει στις λειτουργίες τους. Η ευκολία ενσωμάτωσης και η διαθεσιμότητα «έτοιμων προς χρήση» λύσεων έχουν συμβάλει καθοριστικά σε αυτή την τάση. Ωστόσο, ο αντίκτυπός τους συχνά παραμένει αποσπασματικός και περιορίζεται σε ατομικό επίπεδο, χωρίς να μεταφράζεται σε μετρήσιμο όφελος σε επιχειρησιακή κλίμακα, γεγονός που καθιστά δύσκολη τη σύνδεσή τους με βασικούς δείκτες, όπως τα έσοδα ή η κερδοφορία.
Η υιοθέτηση τέτοιων εργαλείων από τις επιχειρήσεις παραμένει περιορισμένη
Αντίθετα, οι καθετοποιημένες εφαρμογές AI ενσωματώνονται σε συγκεκριμένες επιχειρησιακές λειτουργίες και διαδικασίες, προσφέροντας σημαντικά μεγαλύτερες δυνατότητες για άμεσο και μετρήσιμο οικονομικό αντίκτυπο. Παρ’ όλα αυτά, η υιοθέτησή τους παραμένει περιορισμένη στις περισσότερες επιχειρήσεις. Αυτό αποδίδεται σε έξι βασικούς παράγοντες:
1. Έλλειψη στρατηγικού οράματος: Αποσπασματικές πρωτοβουλίες χωρίς ξεκάθαρη στρατηγική καθοδήγηση από την ηγεσία.
2. Περιορισμένη εσωτερική ανάπτυξη: Εξάρτηση από γενικευμένες εξωτερικές λύσεις λόγω αδυναμίας ανάπτυξης in-house εφαρμογών.
3. Τεχνολογικοί περιορισμοί: Τα μεγάλα γλωσσικά μοντέλα (LLM) παρουσιάζουν τεχνολογικούς περιορισμούς, όπως η λειτουργία μόνο κατόπιν οδηγιών χρηστών, η περιστασιακή παραγωγή ανακριβών αποτελεσμάτων, η δυσκολία στη διαχείριση σύνθετων αιτημάτων και οι περιορισμένες δυνατότητες αποθήκευσης πληροφορίας.
4. Απομόνωση ομάδων AI: Οι ομάδες λειτουργούν σε silo, χωρίς σύνδεση με τον επιχειρησιακό κορμό.
5. Ποιότητα δεδομένων: Ελλιπή, μη προσβάσιμα ή μη αξιόπιστα εταιρικά δεδομένα περιορίζουν την αξία των εφαρμογών.
6. Οργανωτική αδράνεια: Η οργανωτική αδράνεια και οι εσωτερικές αντιστάσεις εμποδίζουν την υιοθέτηση σε μεγάλη κλίμακα των νέων τεχνολογιών και διαδικασιών που φέρνει το AI.
Σύμφωνα με την ανάλυση της McKinsey, οι τομείς του μάρκετινγκ, των πωλήσεων και της πληροφορικής (IT) αναδεικνύονται ως οι βασικές επιχειρησιακές λειτουργίες που είναι έτοιμες να αποκομίσουν σημαντικά οφέλη από το νέο κύμα προόδου της τεχνητής νοημοσύνης. Οι συγκεκριμένοι τομείς αντιπροσωπεύουν τα μεγαλύτερα κέντρα κόστους για τις περισσότερες μεγάλες επιχειρήσεις στην Ελλάδα, υποδεικνύοντας σημαντικές ευκαιρίες για βελτιστοποίηση και δημιουργία αξίας μέσω της τεχνητής νοημοσύνης.
Οι AI Agents αναδεικνύονται ως η απάντηση στους περιορισμούς που αντιμετωπίζουν οι επιχειρήσεις στην υιοθέτηση καθετοποιημένων εφαρμογών τεχνητής νοημοσύνης. Σηματοδοτούν μια κρίσιμη εξέλιξη, επεκτείνοντας τις δυνατότητες των υφιστάμενων εργαλείων gen AI πέρα από την απλή δημιουργία περιεχομένου. Πλέον, επιτρέπουν την αυτόνομη εκτέλεση εργασιών με στόχο την επίτευξη προκαθορισμένων στόχων. Αυτοί οι agents μπορούν να κατανοούν και να αναλύουν πολύπλοκους στόχους σε διακριτά βήματα, να αλληλεπιδρούν απρόσκοπτα με ανθρώπους και λογισμικά συστήματα, να υλοποιούν ενέργειες και να προσαρμόζονται σε συνθήκες πραγματικού χρόνου, όλα αυτά με ελάχιστη ανθρώπινη παρέμβαση. Αναλαμβάνουν επαναλαμβανόμενες εργασίες, ιδιαίτερα στη διαχείριση δεδομένων, απελευθερώνοντας χρόνο στους εργαζομένους για δραστηριότητες υψηλότερης αξίας.
Ωστόσο, η συμβολή τους δεν περιορίζεται στην υποστήριξη. Μετασχηματίζουν βασικές λειτουργίες με πέντε τρόπους:
– Επιτάχυνση της εκτέλεσης: Οι agents εξαλείφουν τις καθυστερήσεις μεταξύ των βημάτων μιας διαδικασίας και επιτρέπουν την παράλληλη εκτέλεση πολλών εργασιών.
– Προσαρμοστικότητα: Μέσω συνεχούς ανάλυσης δεδομένων και ολοένα και ισχυρότερες δυνατότητες αυτόνομου συλλογισμού, οι agents μπορούν να προσαρμόζουν τις ροές εργασίας σε πραγματικό χρόνο – επαναπροσδιορίζοντας τη σειρά των εργασιών, ανακατανέμοντας προτεραιότητες ή εντοπίζοντας έγκαιρα παρεκκλίσεις από σταθερές διαδικασίες πριν αυτές εξελιχθούν σε προβλήματα.
– Εξατομίκευση: Προσαρμόζουν τις αλληλεπιδράσεις και τις αποφάσεις στα ιδιαίτερα χαρακτηριστικά κάθε πελάτη.
– Ελαστικότητα λειτουργιών: Ως ψηφιακοί παράγοντες, οι agents έχουν τη δυνατότητα να αυξομειώνουν δυναμικά τη λειτουργική τους ικανότητα ανάλογα με απρόβλεπτες εντάσεις στον φόρτο εργασίας ή την εποχικότητα.
– Ενίσχυση της επιχειρησιακής ανθεκτικότητας: Μέσω συνεχούς παρακολούθησης και δυνατοτήτων αυτόματης παρέμβασης, οι agents διατηρούν την απρόσκοπτη λειτουργία κρίσιμων διαδικασιών ακόμη και υπό πίεση, είτε πρόκειται για εφοδιαστικές αλυσίδες που αντιμετωπίζουν καθυστερήσεις στα λιμάνια είτε για υπηρεσιακές ροές που σχετίζονται με τεχνικές βλάβες.
Agentic AI: Ενισχύει τα Έσοδα και Δημιουργεί Νέες Ευκαιρίες
Στο σημερινό επιχειρηματικό περιβάλλον, η ενσωμάτωση του Agentic AI στο λειτουργικό μοντέλο των επιχειρήσεων προσφέρει διπλή ώθηση στα έσοδα: ενισχύοντας τις υφιστάμενες ροές και διευρύνοντας το εύρος των υπηρεσιών.
* Ενίσχυση υφιστάμενων ροών εσόδων: Σε τομείς όπως το ηλεκτρονικό εμπόριο και οι χρηματοοικονομικές υπηρεσίες, οι AI agents μπορούν να μετασχηματίσουν την εμπειρία του πελάτη και να αυξήσουν τις πωλήσεις. Μπορούν για παράδειγμα να εξατομικεύουν προϊόντα και προσφορές σε πραγματικό χρόνο εντός ορισμένων παραμέτρων, με βάση τη συμπεριφορά, το προφίλ και την ανατροφοδότηση από τον χρήστη σε επικοινωνία με τον AI agent αλλά και δεδομένα υποβάθρου, όπως η εποχικότητα και το ιστορικό προηγούμενων αγορών.
* Νέες Υπηρεσίες με βάση το AI: Σε επίπεδο βιομηχανικής παραγωγής, οι agents που είναι συνδεδεμένοι με προϊόντα ή εξαρτήματα μπορούν να ενεργοποιούν αυτόνομα λειτουργίες, όπως για παράδειγμα υπηρεσίες συντήρησης. Αυτό ανοίγει την πόρτα σε νέα μοντέλα εσόδων, όπως το pay-per-use και οι συνδρομές, μετατρέποντας τα προϊόντα σε πηγές συνεχών εσόδων.
* Τεχνογνωσία AI ως Υπηρεσία Λογισμικού (SaaS): Οι πάροχοι υπηρεσιών με υψηλού επιπέδου τεχνογνωσία στις τεχνολογίες αυτές μπορούν να μετατρέψουν τα καθετοποιημένα εργαλεία ΑΙ που ανέπτυξαν εσωτερικά σε πηγή εσόδων, προσφέροντάς τα μέσω AI agents ως SaaS εργαλεία ή APIs. Με αυτόν τον τρόπο, δημιουργούν νέες πηγές εσόδων από την αξιοποίηση της εξειδίκευσής τους.
Ο ψηφιακός μετασχηματισμός των επιχειρήσεων μέσω της ΑΙ
Σε αντίθεση με τα συμβατικά και εδραιωμένα σήμερα εργαλεία gen AI τα οποία μπορούν να ενσωματωθούν σχετικά εύκολα σε υπάρχουσες ροές εργασίας, οι AI agents προϋποθέτουν μια εκ βάθρων αλλαγή στο μοντέλο λειτουργίας μιας επιχείρησης, η οποία συντελείται σε τέσσερις διαστάσεις:
1. Από αποσπασματικές ενέργειες σε στρατηγική εφαρμογή: Οι ηγεσίες οφείλουν να επανεξετάσουν πώς το AI μπορεί να επανασχεδιάσει ολόκληρες επιχειρησιακές λειτουργίες.
2. Μετασχηματισμός επιχειρηματικών μονάδων: Κατά το πρώτο κύμα υιοθέτησης του gen AI, οι περισσότερες κάθετες πρωτοβουλίες επικεντρώθηκαν στην ενσωμάτωση λύσεων σε συγκεκριμένα στάδια υπαρχουσών διαδικασιών. Πλέον, η ερώτηση «πού εφαρμόζεται το AI σε αυτόν τον τομέα» μετατοπίζεται στο «πώς θα λειτουργούσε ο τομέας αν το 60% των εργασιών υλοποιούνταν από agents;»
3. Από απομονωμένες ομάδες AI σε διαλειτουργικές ομάδες ΑΙ μετασχηματισμού: Οι πρωτοβουλίες AI δεν μπορούν πλέον να υλοποιούνται από αποκομμένες ομάδες ειδικών. Ο μετασχηματισμός απαιτεί ενιαίες ομάδες με συνδυασμό τεχνογνωσίας – από λειτουργικά στελέχη και σχεδιαστές διαδικασιών έως ειδικούς AI, IT αρχιτέκτονες και data engineers.
4. Από πειραματισμό σε βιομηχανικού επιπέδου δυνατότητες επέκτασης: Οι λύσεις πρέπει να σχεδιάζονται εξαρχής με στόχο την τεχνική και οικονομική διεύρυνση.
Για την πλήρη ενσωμάτωση των AI agents, οι επιχειρήσεις καλούνται να θεμελιώσουν ένα νέο λειτουργικό πλαίσιο, επενδύοντας σε δύο κρίσιμους άξονες:
– Αναβάθμιση δεξιοτήτων: Πρέπει να εισαχθούν νέοι ρόλοι, όπως οι prompt engineers (για τη βελτιστοποίηση των αλληλεπιδράσεων), οι agent orchestrators (για τη διαχείριση των ροών εργασίας των agents) και οι human-in-the-loop designers (για την αντιμετώπιση έκτακτων υποθέσεων που αποτελούν εξαίρεση στον κανόνα)
– Τεχνολογική υποδομή και διακυβέρνηση: Προσαρμογή των συστημάτων και ανάπτυξη νέων πλαισίων ελέγχου και λογοδοσίας.
Οι AI agents μπορούν να ανατρέψουν τα δεδομένα του ανταγωνισμού. Για τις λιγότερο ώριμες επιχειρήσεις αποτελούν ευκαιρία ανάκαμψης και για τις ηγέτιδες, η απουσία δράσης ενέχει τον κίνδυνο απώλειας της θέσης τους στην αγορά.
