Περί υιοθέτησης της Τεχνητής Νοημοσύνης (ΤΝ) από τις επιχειρήσεις

Σε αυτό το άρθρο θα ανακαλύψετε:

• Πώς να αποφύγετε την παγίδα της «τυφλής εμπιστοσύνης» υιοθετώντας το μοντέλο των «Αλληλεπιδρώντων» στη λήψη αποφάσεων.
• Tις βασικές αρχές υιοθέτησης της Τεχνητής Νοημοσύνης (ΤΝ) από τις επιχειρήσεις.
• Πώς θα μπορέσετε να μετατρέψετε τα δεδομένα σε ανταγωνιστικό πλεονέκτημα.
• Γιατί ο ρόλος των στελεχών ανάπτυξης προϊόντων μετατοπίζεται από τη «δημιουργία» στη «ενορχήστρωση» και την ηθική επίβλεψη.

Η ενσωμάτωση της Τεχνητής Νοημοσύνης (ΤΝ) στις επιχειρήσεις δεν είναι ζήτημα τεχνολογίας μόνο. Αφορά τη διαδικασία λήψης αποφάσεων, τον τρόπο που ερμηνεύουμε δεδομένα και το πώς οι οργανισμοί μεταφράζουν ένα νέο εργαλείο σε πραγματική αξία. Η τεχνολογική ικανότητα δεν εγγυάται στρατηγική ωριμότητα.

Ένα συχνό ερώτημα αφορά το κατά πόσο η ΤΝ μπορεί να συμβάλει σε πρωτοτυπία. Τα μοντέλα πράγματι εντοπίζουν σχέσεις που δεν είναι άμεσα ορατές, όμως οι δυνατότητές τους εξαρτώνται αυστηρά από την ποιότητα, την ποικιλία και τη συνάφεια των δεδομένων που χρησιμοποιούνται. Αν το σύνολο δεδομένων είναι περιορισμένο ή μονοδιάστατο, το παράγωγο της ΤΝ απλώς αντικατοπτρίζει αυτά τα όρια. Πραγματική προγνωστική δύναμη εμφανίζεται μόνο όταν η ανάλυση συμπληρώνεται από ανθρώπινη κρίση, κατανόηση πλαισίου και συστηματική αξιολόγηση.

Η TN δεν παράγει έμπνευση, παράγει υπολογισμούς. Αρκετοί ερευνητές έχουν τονίσει ότι η τεχνολογία δεν αντικαθιστά τη σκέψη, αλλά ότι προσθέτει εύρος. Η ερμηνεία, η επιλογή και η ευθύνη παραμένουν ανθρώπινες λειτουργίες. Όπως επισημαίνουν και οι Thomas, Zikopoulos και Soule στο AI Value Creators, η τεχνολογία δε «βγαίνει από το κουτί» έτοιμη να καινοτομήσει. Επεκτείνει το κουτί. Οι άνθρωποι είναι αυτοί που καλούνται να ερμηνεύσουν τις νέες δυνατότητες και να πάρουν την ευθύνη της απόφασης.

Η ΤΝ επιτρέπει στις εταιρείες να «τρέχουν» σενάρια και να ποσοτικοποιούν επιλογές σε δευτερόλεπτα. Ωστόσο, η μεγαλύτερη παγίδα είναι η αντιμετώπιση του αλγορίθμου ως αλάθητου μάντη. Τα μοντέλα αναπαράγουν τις ελλείψεις και τις στρεβλώσεις (biases) των δεδομένων εκπαίδευσης.

Η έρευνα των Meissner και Keding (2021) στο MIT Sloan Management Review προσφέρει ένα εξαιρετικό πλαίσιο για τη στάση των στελεχών:

• Οι Σκεπτικιστές: Απορρίπτουν τα δεδομένα και χάνουν ανταγωνιστικό πλεονέκτημα.
• Οι Εξουσιοδοτούντες: Μεταφέρουν άκριτα την ευθύνη στον αλγόριθμο, εγκρίνοντας αποφάσεις υψηλού ρίσκου χωρίς κατανόηση.
• Οι Αλληλεπιδρώντες (Το Υγιές Πρότυπο): Χρησιμοποιούν την τεχνολογία ως εργαλείο ενίσχυσης της κρίσης τους, όχι ως υποκατάστατο αυτής.

Υπάρχουν αποφάσεις που πρέπει να παραμένουν ανθρώπινες. Οι ηθικές κρίσεις, η πολιτισμική κατανόηση και οι εκτιμήσεις με σημαντικές κοινωνικές συνέπειες δε μεταφέρονται εύκολα σε υπολογιστικό πλαίσιο. Η ΤΝ μπορεί να εκτιμήσει πιθανότητες, αλλά δεν μπορεί να αναλάβει την ευθύνη των επιπτώσεων.

Η αξία εμφανίζεται όταν η ΤΝ λειτουργεί ως πολλαπλασιαστής παραγωγικότητας. Στη λιανική, για παράδειγμα, η ακριβέστερη πρόβλεψη ζήτησης μειώνει τη σπατάλη και τις επιστροφές.

Στην εξυπηρέτηση πελατών επιταχύνει απλές διεργασίες. Τα παραδείγματα, όπως αυτά εταιρειών που αυτοματοποίησαν μεγάλο μέρος των εισερχόμενων αιτημάτων, χρειάζονται προσεκτική ανάγνωση, επειδή ο όγκος αιτημάτων δεν ταυτίζεται με όγκο ανθρώπινης εργασίας ούτε με ισοδύναμο εργατικό δυναμικό.

Το σημαντικότερο αποτέλεσμα προκύπτει όταν η ΤΝ εντάσσεται σε συνεκτικό κύκλο δεδομένων, μάθησης και εκτέλεσης. Εδώ το ζητούμενο είναι η βελτιωμένη ικανότητα πειραματισμού και όχι απλώς η μείωση κόστους.

Το παράδειγμα της Klarna είναι χαρακτηριστικό, αλλά απαιτεί προσεκτική ανάγνωση. Ο βοηθός AI διαχειρίστηκε τα 2/3 των αιτημάτων εξυπηρέτησης (δουλειά αντίστοιχη 700 υπαλλήλων) μειώνοντας τον χρόνο επίλυσης από 11 σε 2 λεπτά. Η ουσία εδώ δεν είναι η απλή αντικατάσταση ανθρώπων, αλλά η διαχείριση του όγκου των τυποποιημένων αιτημάτων. Αυτό επιτρέπει στην επιχείρηση να κλιμακώσει την εξυπηρέτηση χωρίς να καταρρεύσει, ενώ οι άνθρωποι μπορούν να εστιάσουν σε πιο σύνθετα περιστατικά που απαιτούν ενσυναίσθηση.

1. Υιοθέτηση λόγω Hype: Το πρώτο λάθος είναι η υιοθέτηση τεχνολογίας χωρίς στρατηγικό σκοπό “επειδή το κάνουν όλοι”. Η TN δεν προσφέρει λύσεις από μόνη της. Η αξία προκύπτει όταν ο οργανισμός ξεκινά από ξεκάθαρο επιχειρησιακό ερώτημα.
2. Κακά Δεδομένα: Το δεύτερο λάθος είναι η υποτίμηση της σημασίας των δεδομένων. Ασυνεπή ή μεροληπτικά δεδομένα οδηγούν σε αδύναμα μοντέλα, ανεξάρτητα από την τεχνολογική ικανότητα της πλατφόρμας. Garbage in, garbage out.
3. Έλλειψη Επίβλεψης: Το τρίτο λάθος είναι η απουσία σωστής λειτουργικής διακυβέρνησης. Το πρόσφατο παράδειγμα της Air Canada, όπου ένα chatbot «επινόησε» μια πολιτική επιστροφής χρημάτων που δεν υπήρχε, οδηγώντας σε νομική ήττα την εταιρεία, αποδεικνύει ότι τα συστήματα αυτά δεν έχουν κρίση. Χωρίς αυστηρά όρια, το ρίσκο είναι τεράστιο. Τα συστήματα χρειάζονται παρακολούθηση, επαναξιολόγηση και διαδικασίες που ελέγχουν απόδοση, μεροληψία και κακή χρήση. Όταν αυτή η υποδομή λείπει, η ΤΝ απλώς αναπαράγει και ενισχύει τις αδυναμίες των υφιστάμενων διαδικασιών.

Η διαδικασία ξεκινά πάντα από το πρόβλημα. Μόλις οριστεί ο στόχος, η επιχείρηση πρέπει να δοκιμάσει σε μικρή κλίμακα (MVP) με πραγματικά δεδομένα.

Τα παραδείγματα από ειδικούς κλάδους, όπως η χρήση ΤΝ στην ανάλυση χημικών ενώσεων, δείχνουν τι μπορεί να επιτευχθεί όταν η ΤΝ ενσωματώνεται σε καλά ορισμένο επιστημονικό πλαίσιο. Δεν αποτελούν όμως γενικούς οδηγούς για κάθε επιχειρησιακό περιβάλλον.

Εδώ είναι χρήσιμο το πλαίσιο των Jean, A. et al (2024) "More 3P AI Transformation Matrix" (Predictive, Personalized, Precise). Ακόμα και αν μια εταιρεία δεν είναι στον χώρο της βιοτεχνολογίας, όπως η DeepCure που εξέτασε δισεκατομμύρια χημικές ενώσεις, μπορεί να υιοθετήσει τη λογική της: Πώς μπορώ να χρησιμοποιήσω τα δεδομένα για να κάνω το προϊόν μου πιο ακριβές, προβλεπτικό και εξατομικευμένο για τον χρήστη;

Οι συνεργασίες με έμπειρους παρόχους μειώνουν τον κίνδυνο λανθασμένων επιλογών. Η τεχνογνωσία και η επιχειρησιακή κατανόηση πρέπει να εξελίσσονται μαζί.

Εδώ ακριβώς γεφυρώνεται το χάσμα μεταξύ της επιχειρηματικής στρατηγικής και της τελικής εμπειρίας. Η στρατηγική ορίζει το «τι» και τη ΤΝ παρέχει τη «μηχανή», αλλά ο ρόλος των στελεχών ανάπτυξης νέων προϊόντων και υπηρεσιών γίνεται πιο σύνθετος, επειδή βρίσκονται στο σημείο όπου συναντώνται ανθρώπινη εμπειρία, δεδομένα και αυτοματισμός. Χρειάζονται ικανότητα να διατυπώνουν καθαρά όρια, να εντοπίζουν μεροληψίες και να αξιολογούν πότε η πρόταση ενός μοντέλου είναι χρήσιμη και πότε όχι.

Αν οι χρήστες δεν κατανοούν πώς λειτουργεί το μοντέλο, δεν μπορούν να σχεδιάσουν προϊόντα που το αξιοποιούν σωστά. Ο ρόλος τους μετασχηματίζεται:

• Από Creators σε Curators: Δε σχεδιάζουν απλώς οθόνες, αλλά «ενορχηστρώνουν» τα αποτελέσματα της ΤΝ.
• Θεματοφύλακες της ηθικής: Πρέπει να έχουν την ικανότητα να αναγνωρίζουν μεροληψίες (biases) στα αποτελέσματα και να θέτουν όρια.
• Διαχειριστές της ασάφειας: Αυτό απαιτεί βασική γνώση των αρχών των δεδομένων, συνεχή πειραματισμό και πειθαρχημένη κριτική σκέψη. Οι γνωστές σχεδιαστικές ικανότητες που ανέδειξε η IDEO όπως διαχείριση αβεβαιότητας, σύνθεση πληροφορίας και σαφής επικοινωνία παραμένουν κρίσιμες, αλλά πλέον πρέπει να εφαρμόζονται σε περιβάλλον όπου η ΤΝ συμμετέχει στην παραγωγή ιδεών και επιλογών.

Το σύγχρονο στέλεχος λειτουργεί ως συνδετικός κρίκος μεταξύ ανθρώπινης κρίσης και υπολογιστικής ισχύος. Ορίζει όρια, επιλέγει τι έχει αξία και διασφαλίζει ότι τα αποτελέσματα της ΤΝ εντάσσονται σε υπεύθυνο πλαίσιο χρήσης. Η ηθική δεν είναι αφηρημένη έννοια, αλλά αναγκαία συνθήκη για τον σχεδιασμό συστημάτων που επηρεάζουν ανθρώπους και διαδικασίες.

https://www.aigl.blog/content/files/2025/05/AI-Value-Creators.pdf

https://sloanreview.mit.edu/article/the-human-factor-in-ai-based-decision-making/

https://www.europeanbusinessreview.com/winning-strategies-for-the-high-stakes-ai-arena-unveiling-an…

https://digital-strategy.ec.europa.eu/el/policies/regulatory-framework-ai

https://ai-act-service-desk.ec.europa.eu/en/ai-act/eu-ai-act-implementation-timeline

https://www.klarna.com/international/press/klarna-ai-assistant-handles-two-thirds-of-customer-servi…