Μετάβαση στο κύριο περιεχόμενο

      Τι θα μάθετε

      • Γιατί οι αποφάσεις και τα έργα ΤΝ αποτυγχάνουν στο στάδιο της διατύπωσης και όχι της απάντησης, και πώς οι μεγαλύτερες ανεξάρτητες έρευνες του χώρου το επιβεβαιώνουν με νούμερα, παρά τις διαφορές στη μεθοδολογία τους. 
      • Τι είναι η νοηματοδότηση (sensemaking) ως θεμελιώδης ηγετική ικανότητα, και γιατί τα γλωσσικά μοντέλα χτυπούν ίσως στο πιο ευάλωτο σημείο της ανθρώπινης κρίσης: την ευλογοφάνεια.
      • Πώς το μοντέλο του παγόβουνου εξηγεί το πραγματικό όριο της ΤΝ, που δεν είναι το βάθος αλλά το διακύβευμα. 
      • Γιατί η νοηματοδότηση δεν είναι μόνο ανθρώπινη άμυνα απέναντι στη μηχανή αλλά κοινή, και πώς η ΤΝ μπορεί να βελτιώσει την ανθρώπινη κρίση αντί απλώς να επιτηρείται από αυτήν. 
      • Πώς να μετατρέψετε την ΤΝ σε υποδομή νοηματοδότησης και ένα εργαστήριο καινοτομίας στο δεύτερο λειτουργικό σύστημα της επιχείρησης. 

      Η ΤΝ δεν αντικαθιστά την κρίση. Την προκαλεί. Ο τίτλος αυτού του άρθρου δανείζεται, όχι τυχαία, τη διατύπωση του θεμελιώδους paper "Attention Is All You Need" (Vaswani et al., 2017) που γέννησε τα σύγχρονα γλωσσικά μοντέλα. Με μια διαφορά. Εκείνο εξηγούσε τι χρειάζεται η μηχανή για να παράγει απαντήσεις. Αυτό υποστηρίζει το συμπληρωματικό, και εξίσου απαραίτητο, δηλαδή το τι χρειάζεται ο άνθρωπος για να γνωρίζει ποια ερώτηση αξίζει να τεθεί και απαντηθεί. Όπως έγραψε ο Marcel Proust, «το πραγματικό ταξίδι της ανακάλυψης δεν συνίσταται στην αναζήτηση νέων τοπίων, αλλά στο να έχεις νέα μάτια». Στην εποχή των άφθονων απαντήσεων, αυτά τα νέα μάτια έχουν ένα όνομα και αυτό είναι η “Νοηματοδότηση”, η τέχνη του να πλαισιώνεις σωστά το πρόβλημα πριν το λύσεις. Ας είμαστε σαφείς εξαρχής. Αυτό το άρθρο δεν είναι μια νοσταλγική υπεράσπιση της αμιγώς ανθρώπινης κρίσης απέναντι στη μηχανή, αλλά μια πρόταση για σχεδιασμένη, κοινή νοηματοδότηση ανθρώπου και ΤΝ.

       

      Οι αποφάσεις δεν αποτυγχάνουν στην απάντηση, αλλά στη διατύπωση του προβλήματος

       

      Για πολλούς και καλούς λόγους, η ΤΝ ποτέ δεν ήταν δημοφιλέστερη, και ποτέ οι επιχειρήσεις δεν είχαν πρόσβαση σε περισσότερες δυνατότητες. Και όμως τα νούμερα λένε μια άλλη ιστορία. Η μελέτη του MIT Project NANDA «The GenAI Divide: State of AI in Business 2025» διαπίστωσε ότι περίπου το 95% των πιλοτικών εφαρμογών γενετικής ΤΝ δεν παράγει μετρήσιμη επίδραση στα οικονομικά αποτελέσματα, και απέδωσε την αποτυχία όχι στην ποιότητα των μοντέλων αλλά σε ένα «κενό μάθησης», στον τρόπο δηλαδή που οι οργανισμοί τα ενσωματώνουν. Το συγκεκριμένο ποσοστό έχει αμφισβητηθεί μεθοδολογικά, και ορθώς. Κρατάμε όχι το ακριβές νούμερο αλλά την κατεύθυνση, που είναι σταθερή σε όλες τις σοβαρές μελέτες.

      Πιο διαφωτιστική είναι η έρευνα της RAND (Ryseff, De Bruhl και Newberry, 2024), βασισμένη σε εξήντα πέντε συνεντεύξεις έμπειρων μηχανικών και επιστημόνων δεδομένων. Διαπίστωσε ότι περισσότερα από 80% των έργων ΤΝ αποτυγχάνουν, διπλάσιο ποσοστό από τα έργα πληροφορικής που δεν αφορούν ΤΝ. Και η πιο συχνή αιτία αποτυχίας δεν είναι τεχνική. Είναι ότι οι εμπλεκόμενοι παρανοούν ή επικοινωνούν λάθος ποιο πρόβλημα πρέπει να λυθεί. Με άλλα λόγια, η αποτυχία διατύπωσης του προβλήματος βρίσκεται σταθερά μεταξύ των κυρίαρχων αιτιών, και στη συγκεκριμένη μελέτη ως η συχνότερη.

      Καμία από αυτές τις μελέτες δεν είναι η τελευταία λέξη, και τα ποσοστά διαφέρουν αισθητά ανά κλάδο και ανά βαθμό ωριμότητας. Είναι όμως από τις μεγαλύτερες και πιο προσεκτικές που διαθέτουμε σήμερα, και συγκλίνουν σε ένα μοτίβο που μετράει περισσότερο από κάθε ακριβές νούμερο. Σύμφωνα με το μοτίβο αυτό, οι αποτυχίες συγκεντρώνονται γύρω από τη διατύπωση του προβλήματος και την οργανωτική ενσωμάτωση, πολύ περισσότερο παρά γύρω από την ίδια την τεχνολογία.

      Εδώ βρίσκεται το αόρατο μισό κάθε απόφασης. Πριν αποφασίσει κανείς, πρέπει πρώτα να καταλάβει σε τι κατάσταση βρίσκεται, ποιο είναι πραγματικά το πρόβλημα, ποια στοιχεία μετρούν και ποια αγνοεί χωρίς να το ξέρει. Αυτή η διεργασία είναι ακριβώς το μέρος που η ΤΝ δεν κάνει για λογαριασμό μας.

       

      Η νοηματοδότηση ως ηγετική ικανότητα

       

      Στο μοντέλο των τεσσάρων ηγετικών ικανοτήτων που διατύπωσαν οι Ancona, Malone, Orlikowski και Senge (2007), η νοηματοδότηση τοποθετείται δίπλα στην ικανότητα δημιουργίας σχέσεων, στο όραμα και στην εφεύρεση. Ο όρος ανήκει στον Karl Weick. Η πιο γνωστή του διατύπωση, ότι η νοηματοδότηση είναι «η συνεχής αναδρομική ανάπτυξη εύλογων εικόνων που αιτιολογούν τι κάνουν οι άνθρωποι», προέρχεται από τη μελέτη των Weick, Sutcliffe και Obstfeld (2005) και περιγράφει κάτι βαθύτερο από την ανάλυση. Νοηματοδοτώ σημαίνει χαρτογραφώ ένα άγνωστο έδαφος τη στιγμή ακριβώς που το δημιουργώ, μέσα από τη δράση μου πάνω σε αυτό.

      Εδώ βρίσκεται η κρίσιμη διάκριση. Η λήψη απόφασης είναι επιλογή ανάμεσα σε γνωστές εναλλακτικές, μέσα σε ένα ήδη ορισμένο πλαίσιο. Η νοηματοδότηση είναι η δημιουργία αυτού του πλαισίου, όταν η κατάσταση είναι νέα, διφορούμενη ή αντιφατική και κανείς δεν έχει ακόμη συμφωνήσει τι συμβαίνει. Η ΤΝ είναι εξαιρετική στην πρώτη συνθήκη και αδύναμη στη δεύτερη. Όταν το πρόβλημα είναι καθαρά διατυπωμένο, με ιστορικό και δεδομένα, ένα μοντέλο υπερτερεί του ανθρώπου σε ταχύτητα, ακρίβεια και συνέπεια. Όταν όμως δεν ξέρουμε καν ποια ερώτηση να κάνουμε, το μοντέλο δεν λύνει την αμφισημία. Την κρύβει πίσω από μια πειστική απάντηση που παρουσιάζει με αυτοπεποίθηση.

       

      Η ευλογοφάνεια ως σήμα αναγνώρισης της αλήθειας

       

      Εδώ φτάνουμε ίσως στην πιο υποτιμημένη παρατήρηση του Weick, που είναι και ο πυρήνας αυτού του άρθρου. Οι άνθρωποι δεν δρουν με βάση το ακριβές. Δρουν με βάση το εύλογο. Χρειαζόμαστε μια ιστορία αρκετά συνεκτική ώστε να προχωρήσουμε, και σπάνια περιμένουμε να επιβεβαιωθεί η ακρίβεια της. Τα μεγάλα γλωσσικά μοντέλα παράγουν ακριβώς αυτό, ευλογοφάνεια, σε βιομηχανική κλίμακα.

      Το πρόβλημα είναι ότι η ευλογοφάνεια δεν είναι ουδέτερη για τον ανθρώπινο εγκέφαλο. Η γνωσιακή ψυχολογία την ονομάζει ευχέρεια επεξεργασίας (processing fluency). Όσο πιο εύκολα, ρευστά και άκοπα επεξεργαζόμαστε μια πληροφορία, τόσο πιο αληθινή μας φαίνεται (Reber και Schwarz, 1999. Alter και Oppenheimer, 2009). Το ίδιο ισχύει με την επανάληψη, κατα την οποία μια δήλωση που έχουμε ξανακούσει μας φαίνεται αληθέστερη απλώς και μόνο επειδή είναι οικεία, το λεγόμενο φαινόμενο της ψευδαίσθησης της αλήθειας. Η ρευστότητα και η ευλογοφάνεια, με άλλα λόγια, είναι ένα από τα βασικά σήματα που χρησιμοποιεί ο εγκέφαλος μας για να αναγνωρίσει την αλήθεια, μαζί με την αξιοπιστία της πηγής και τη συμφωνία με όσα ήδη πιστεύουμε.

      Ένα σύστημα που παράγει τέλεια εύλογες, ρευστές, καλογραμμένες απαντήσεις χωρίς καμία δέσμευση στην ακρίβεια δεν είναι απλώς ανακριβές κατά διαστήματα. Χτυπά ίσως στο πιο ευάλωτο σημείο της κρίσης μας. Μας δίνει ενίοτε το σήμα της αλήθειας αποσυνδεδεμένο από την ακρίβεια. Η νοηματοδότηση είναι ακριβώς η πειθαρχία να μην παρασύρεσαι από αυτό το σήμα, να ρωτάς «είναι αληθές ή απλώς ακούγεται αληθινό;» τη στιγμή που όλα μέσα σου σου λένε ότι μπορεί να είναι.

       

      Η ΤΝ μπορεί να περιγράψει τον πυθμένα του παγόβουνου, αλλά δεν έχει διακύβευμα σε αυτόν

       

      Ένα διαδεδομένο εργαλείο για να καταλάβουμε αυτό το όριο είναι το μοντέλο του παγόβουνου, που προέρχεται από την παράδοση της συστημικής σκέψης, τη γενεαλογία του Peter Senge και της «Πέμπτης Πειθαρχίας». Στην κορυφή, βρίσκονται τα Γεγονότα τα οποία είναι ορατά. Λίγο πιο κάτω, τα Μοτίβα Συμπεριφοράς. Κάτω από την επιφάνεια κρύβονται οι Δομές του Συστήματος και, στο βαθύτερο σημείο, τα Νοητικά Μοντέλα, οι συλλογικές συνήθειες σκέψης, οι υποθέσεις και οι αξίες με τις οποίες ερμηνεύουμε τον κόσμο. Όταν προσθέτουμε τα τεχνουργήματα, τον φυσικό χώρο και τα σύμβολα, δανειζόμαστε στην ουσία το μοντέλο οργανωσιακής κουλτούρας του Edgar Schein, που συμπληρώνει το παγόβουνο.

      Εδώ χρειάζεται μια διόρθωση που σπάνια γίνεται. Είναι δελεαστικό να πει κανείς ότι η ΤΝ «ζει στην κορυφή» και δεν φτάνει στις δομές και στα νοητικά μοντέλα. Δεν ισχύει. Ένα σύγχρονο μοντέλο μπορεί να μιλήσει για δομές, κίνητρα και νοητικά μοντέλα με εντυπωσιακή ευχέρεια και, όπως θα δούμε, μπορεί να μας βοηθήσει να τα δούμε. Το πραγματικό όριο δεν είναι το βάθος. Είναι το διακύβευμα.

      Η ΤΝ μπορεί να περιγράψει τον πυθμένα του παγόβουνου όταν της το ζητήσουμε. Αλλά δεν έχει μερίδιο σε αυτόν. Δεν λογοδοτεί για τις συνέπειες, δεν είναι παρούσα μέσα στην κατάσταση, δεν θα ζήσει με το κόστος του λάθους. Το ανθρώπινο πλεονέκτημα, επομένως, δεν είναι «εμείς βλέπουμε βαθύτερα και η μηχανή όχι». Είναι ότι το νόημα στον πυθμένα απαιτεί δέσμευση, παρουσία και λογοδοσία, που η μηχανή δεν διαθέτει. Γι' αυτό ένα μοντέλο μπορεί να προσομοιώνει το βάθος χωρίς να κάνει νοηματοδότηση. Νοηματοδότηση είναι η κατάδυση εκείνου που θα μείνει μέσα στο νερό.

       

      Η ταχύτητα εκτοπίζει το νόημα

       

      Μια πρόσφατη μελέτη πεδίου σε 244 συμβούλους της BCG (Randazzo, Lifshitz, Kellogg, Dell'Acqua, Mollick, Candelon και Lakhani, 2025) εντόπισε τρεις τρόπους με τους οποίους οι επαγγελματίες συνεργάζονται με την γενετική ΤΝ. Οι Centaurs και οι Cyborgs διατηρούν ενεργό διάλογο με το μοντέλο: ελέγχουν, επεκτείνουν, επικυρώνουν. Οι Self Automators, αντίθετα, παραιτούνται από τη συνδημιουργία και μεταθέτουν σχεδόν ολόκληρο το έργο, μαζί με την αναλυτική και αξιολογική σκέψη, στη μηχανή. Οι ίδιοι οι ερευνητές ονομάζουν αυτόν τον τρόπο «Abdicated Knowledge Co Creation», συνδημιουργία δι' αποποιήσεως. Το αποτέλεσμα έρχεται γρήγορα, είναι συχνά σωστό, αλλά δεν έχει βάθος, και κυρίως δεν ανήκει σε κανέναν.

      “Αυτή είναι η παρενέργεια της ταχύτητας. Όταν μια έτοιμη, καλογραμμένη σύνθεση βρίσκεται διαθέσιμη στην αρχή της συζήτησης, η συλλογική ερμηνεία βραχυκυκλώνεται. Η ομάδα δεν χτίζει πια το δικό της νόημα. Εργάζεται για να επικυρώσει ένα νόημα που της δόθηκε.” Όσο περισσότερο στηριζόμαστε στο μοντέλο για να πλαισιώνει τα προβλήματα μας, τόσο λιγότερο ασκούμε τον μυ που θα χρειαστούμε όταν το μοντέλο πέσει έξω. Και θα πέσει έξω ακριβώς εκεί που ίσως μετράει περισσότερο, στις νέες και πρωτόγνωρες καταστάσεις, εκεί όπου δεν υπάρχει ιστορικό να το καθοδηγήσει.

       

      Η παραγωγή, η επαγωγή και η απαγωγή: Το άλμα που η μηχανή προτείνει αλλά δεν αναλαμβάνει

       

      Ο Nick Dew (2007) ξεχωρίζει τρεις τρόπους συλλογισμού. Η παραγωγή εφαρμόζει έναν γνωστό κανόνα. Η επαγωγή γενικεύει από παρατηρήσεις. Η απαγωγή κάνει το δημιουργικό άλμα βλέποντας αγκάθια και υποθέτοντας ότι ίσως πρόκειται για τριαντάφυλλο. Η ΤΝ κλιμακώνει υπέροχα την παραγωγή και την επαγωγή.

      Θα ήταν υπεραπλούστευση να πούμε ότι η απαγωγή είναι αμιγώς ανθρώπινη. Τα μοντέλα, ακριβώς επειδή συνδυάζουν, παράγουν νέες υποθέσεις με αξιοσημείωτη ευκολία. Η ακριβέστερη διατύπωση είναι άλλη. Η ΤΝ μπορεί να προτείνει υποψήφιες υποθέσεις. Το άλμα όμως, η δεσμευτική επιλογή ποια υπόθεση αξίζει να κυνηγήσουμε με πραγματικό κόστος και λογοδοσία, παραμένει ανθρώπινο. Όπως είπε ο Pasteur, στο πεδίο της παρατήρησης η τύχη ευνοεί το προετοιμασμένο μυαλό. Η νοηματοδότηση αποτελεί κομμάτι αυτής της προετοιμασίας, καθώς βοηθά στο να αναγνωρίζεις, ανάμεσα στις πολλές εύλογες υποθέσεις που σου σερβίρει η μηχανή, εκείνη που αξίζει να διερευνήσεις, να επιβεβαιώσεις ή να απορρίψεις.

       

      Η νοηματοδότηση δεν είναι μόνο άμυνα, είναι κοινή
       

      Ως εδώ θα μπορούσε κανείς να συμπεράνει ότι η ανθρώπινη νοηματοδότηση είναι το αγαθό που πρέπει να προστατευθεί από τη μηχανή. Αυτό θα ήταν μισή αλήθεια, και ο ίδιος ο Weick θα ήταν ο πρώτος που πιθανόν να το αμφισβητούσε. Το μεγαλύτερο μέρος του έργου του δεν αφορά την επιτυχία της νοηματοδότησης αλλά την κατάρρευση της. Η ανάλυση του για την πυρκαγιά στο Mann Gulch (1949), όπου μια ομάδα πυροσβεστών έχασε ταυτόχρονα την κοινή ερμηνεία της κατάστασης και την ίδια της τη συνοχή, το λεγόμενο «κοσμολογικό επεισόδιο», δείχνει ότι η ανθρώπινη νοηματοδότηση αποτυγχάνει συχνά και καταστροφικά. Η κλιμάκωση της δέσμευσης, η ομαδική σκέψη, η συλλογική αυταπάτη, είναι όλα αποτυχίες νοηματοδότησης.

      Αυτό αλλάζει τον ρόλο της ΤΝ. Δεν είναι μόνο ο κίνδυνος που πρέπει να επιτηρείται. Είναι και ένα εργαλείο που μπορεί να βελτιώσει την ανθρώπινη ερμηνεία μέσω της επίθεσης σε ένα ελαττωματικό πλαίσιο, φέρνοντας στο τραπέζι στοιχεία που το διαψεύδουν, σπάζοντας μια πρόωρη κατάσταση πριν παγιωθεί. Το ζητούμενο δεν είναι να προστατεύσουμε την ανθρώπινη νοηματοδότηση από τη μηχανή. Είναι να σχεδιάσουμε μια επαυξημένη νοηματοδότηση ανώτερης ποιότητας, κοινή, όπου άλλοτε ο άνθρωπος ελέγχει τη μηχανή και άλλοτε η μηχανή προκαλεί τον άνθρωπο.

       

      Τρία αρχέτυπα χρήσης της ΤΝ, ένα υγιές πρότυπο

       

      Οι Meissner και Keding (2021) περιγράφουν τρία αρχέτυπα λήψης αποφάσεων με ΤΝ. Οι Σκεπτικιστές απορρίπτουν τα παράγωγα της μηχανής και χάνουν ευκαιρίες. Οι Εξουσιοδοτούντες μεταφέρουν την ευθύνη στον αλγόριθμο και εγκρίνουν επιλογές υψηλού κινδύνου «επειδή έτσι είπε το σύστημα». Οι Αλληλεπιδρώντες χρησιμοποιούν την ΤΝ ως εργαλείο και όχι ως υποκατάστατο κρίσης. Αυτό είναι το υγιές πρότυπο, και είναι επί της ουσίας στάση νοηματοδότησης. Δεν είναι τυχαίο ότι ταυτίζεται με τους Cyborgs και Centaurs της μελέτης της BCG, ενώ ο Εξουσιοδοτών είναι ο Self Automator που αποποιείται την κρίση του.

      Η μετάβαση σε αυτή τη στάση απαιτεί αλλαγή νοοτροπίας. Σημαίνει να μπαίνεις στο σύννεφο της ασάφειας αντί να το αποφεύγεις, να αντιμετωπίζεις τον ορισμό του προβλήματος ως υπόθεση και όχι ως δεδομένο, και να συνυπολογίζεις την αξία των διαφορετικών οπτικών αντί να αναζητάς τη μία σωστή ερμηνεία.

      Το πλαίσιο των 4Ds (Delegation, Description, Discernment, Diligence) των Rick Dakan και Joseph Feller με την Anthropic (2025) μεταφράζει αυτή τη στάση σε τέσσερις πρακτικές δεξιότητες. Η Ανάθεση, η απόφαση για το ποια εργασία γίνεται από τον άνθρωπο, ποια από την ΤΝ και πώς κατανέμονται. Η Περιγραφή, η αποτελεσματική επικοινωνία με τα συστήματα, ο σαφής καθορισμός αποτελεσμάτων και επιθυμητών συμπεριφορών. Η Διάκριση, η κριτική αξιολόγηση της ποιότητας και της ακρίβειας του αποτελέσματος. Και η Επιμέλεια, η υπεύθυνη και ηθική χρήση της ΤΝ. Οι τέσσερις αυτές δεξιότητες είναι επίσης νοηματοδότηση μεταφρασμένη σε καθημερινή πράξη.

       

      Όταν όλοι έχουν το ίδιο εργαλείο, το πλεονέκτημα είναι η διεργασία γύρω από αυτό 

       

      Από εδώ προκύπτει μια στρατηγική μετατόπιση που, κατά την παρατήρηση μας από το πεδίο, οι περισσότερες ηγεσίες δεν έχουν ακόμη εσωτερικεύσει. Δεν χρειάζεται να υποστηρίξουμε ότι τα μοντέλα έγιναν πλήρως εμπόρευμα, γιατί δεν έγιναν. Η αιχμή των δυνατοτήτων, τα ιδιόκτητα δεδομένα, η ενσωμάτωση και ο υπολογισμός κατά την εκτέλεση συνεχίζουν να διαφοροποιούν. Αρκεί όμως η βασική πρόσβαση να γίνεται όλο και πιο κοινή, και τα ίδια τα ευρήματα του MIT το επιβεβαιώνουν, δείχνοντας ο παράγοντας που χωρίζει την επιτυχία από την αποτυχία δεν είναι η ποιότητα του μοντέλου, αλλά η ικανότητα του οργανισμού να το ενσωματώσει και να μάθει. “Έτσι το ανταγωνιστικό πλεονέκτημα μετακινείται από το ποιος έχει το καλύτερο μοντέλο στο ποιος έχει την καλύτερη διεργασία γύρω από το μοντέλο.”

      Η έρευνα των Loaiza και Rigobon (2024) για το πλαίσιο EPOCH δείχνει πού παραμένουν αναντικατάστατοι οι άνθρωποι, όπως στην ενσυναίσθηση και την παρουσία, στην άποψη, την κρίση και την ηθική, στη δημιουργικότητα και τη φαντασία, στην ελπίδα και το όραμα. "Η σπάνια ικανότητα δεν είναι η πρόβλεψη, είναι η νοηματοδότηση. Δεν αγοράζεται ως άδεια χρήσης, δεν προγραμματίζεται σε ένα μοντέλο. Πλάθεται με τα χρόνια και επί του πεδίου, αλλά δεν προκύπτει τυχαία. Αποτελεί προϊόν σχεδιασμού."


      "Η σπάνια ικανότητα δεν είναι η πρόβλεψη, είναι η νοηματοδότηση. Δεν αγοράζεται ως άδεια χρήσης, δεν προγραμματίζεται σε ένα μοντέλο. Πλάθεται με τα χρόνια και επί του πεδίου, αλλά δεν προκύπτει τυχαία. Αποτελεί προϊόν σχεδιασμού."
      fotis filippopoulos
      Δρ Φώτης Φιλιππόπουλος

      Lead, KPMG Intelligence Lab

      KPMG στην Ελλάδα


      Από βιτρίνα τεχνολογίας στο δεύτερο λειτουργικό σύστημα μιας επιχείρησης

       

      Εδώ αλλάζει ο ρόλος του εργαστηρίου καινοτομίας. Στις περισσότερες επιχειρήσεις ένα lab νοείται ως βιτρίνα τεχνολογίας, ένας χώρος για εντυπωσιακά demos. Αυτή η αντίληψη είναι ξεπερασμένη. Δανειζόμενοι την έννοια του John Kotter για το διπλό λειτουργικό σύστημα (Accelerate, 2014), και την παράδοση του αμφιδέξιου οργανισμού που ισορροπεί την εκμετάλλευση με την εξερεύνηση, το εργαστήριο πρέπει να λειτουργεί ως το δεύτερο λειτουργικό σύστημα της επιχείρησης, δίπλα στον βελτιστοποιημένο και επαναλήψιμο πυρήνα της επιχείρησης. Είναι ευέλικτο, γρήγορο και ικανό να αναλαμβάνει ρίσκο, και η αποστολή του είναι να μετατρέπει τα εμπόδια, τις ευκαιρίες και τις προκλήσεις της επιχείρησης σε ώριμες, δοκιμασμένες λύσεις.

       

      Γιατί αποτυγχάνουν τα έργα: η απάντηση είναι κάτω από την επιφάνεια
       

      Αν αναρωτηθεί κανείς γιατί αποτυγχάνει η πλειονότητα των έργων ΤΝ, η απάντηση βρίσκεται κυρίως στις δομές κάτω από την επιφάνεια. Η RAND εντοπίζει πέντε ρίζες αποτυχίας: παρανόηση ή κακή επικοινωνία του προβλήματος, ανεπαρκή δεδομένα, λογική «πρώτα η τεχνολογία» αντί για το πρόβλημα, ελλιπή υποδομή, και προβλήματα υπερβολικά δύσκολα ακόμη και για την καλύτερη ΤΝ. Σε αυτές προστίθενται, από την εμπειρία του πεδίου, η απουσία επιχειρησιακής ιδιοκτησίας και η έλλειψη διακυβέρνησης.

      Θα ήταν ανακριβές να πούμε ότι καμία αιτία δεν είναι τεχνολογική. Τα δεδομένα και η υποδομή είναι πραγματικά τεχνικά εμπόδια. Η ουσία όμως μένει σταθερή: οι κυρίαρχες αιτίες δεν είναι τεχνολογικές, είναι νοηματικές και οργανωτικές. Και ανάμεσα τους, η παρανόηση του προβλήματος είναι κατά λέξη μια αποτυχία νοηματοδότησης.

      Ας πάρουμε ένα αντιπροσωπευτικό παράδειγμα, από εκείνα που συναντά κανείς ξανά και ξανά. Μια εμπορική ομάδα ζητά από ένα μοντέλο να προβλέψει ποιοι πελάτες θα διακόψουν τη συνεργασία, ώστε να τους κρατήσει με προσφορές. Το μοντέλο δουλεύει, οι προβλέψεις είναι ακριβείς, και όμως οι διακοπές συνεργασίας δεν μειώνονται. Το πρόβλημα δεν ήταν η πρόβλεψη. Ήταν η διατύπωση. Η πραγματική ερώτηση δεν ήταν «ποιος θα φύγει» αλλά «γιατί φεύγει αυτός που φεύγει», και η απάντηση βρισκόταν στον πυθμένα του παγόβουνου, σε μια διαδικασία τιμολόγησης που τιμωρούσε ακριβώς τους πιο πιστούς πελάτες. Καμία βελτίωση του μοντέλου δεν θα το έλυνε. Μόνο η αναδιατύπωση του προβλήματος το έλυσε. Αυτό είναι, σε μικρογραφία, η διαφορά ανάμεσα στο να απαντάς και στο να νοηματοδοτείς.

      Η αναγνώριση αυτής της διαφοράς αποτελεί μόνο το πρώτο βήμα. Για να αποτρέψουν το φαινόμενο της λανθασμένης διατύπωσης προβλημάτων, οι επιχειρήσεις οφείλουν να μεταφράσουν τα διαγνωστικά διδάγματα σε καθημερινή λειτουργία. Η νοηματοδότηση δεν προκύπτει αυθόρμητα υπό την πίεση του χρόνου. Απαιτεί εσκεμμένο οργανωτικό σχεδιασμό και αυστηρά λειτουργικά πρωτόκολλα τα οποία προστατεύουν τη συλλογική κρίση από την ταχύτητα και την ευλογοφάνεια της μηχανής. Η μετάβαση από την παθητική αποδοχή απαντήσεων στην ενεργή αναζήτηση νοήματος υλοποιείται μέσω συγκεκριμένων κανόνων λειτουργίας. Ακολουθούν πέντε πρακτικές αρχές που μεταφράζουν τη νοηματοδότηση σε καθημερινή λειτουργία.

       

      Πέντε αρχές για επιχειρήσεις που καλλιεργούν την κρίση, αντί να επιδεικνύουν τεχνολογία
      1. Κρατήστε τον άνθρωπο στο πλαίσιο, όχι μόνο στον βρόχο. Το γνωστό human in the loop καλεί τον άνθρωπο να επικυρώσει εκ των υστέρων μια απόφαση που το μοντέλο έχει ήδη πλαισιώσει. Το ζητούμενο είναι το αντίστροφο. Ο άνθρωπος ορίζει την ερώτηση, τις υποθέσεις και τα κριτήρια πριν μπει η μηχανή, ασκώντας Ανάθεση, Περιγραφή, Διάκριση και Επιμέλεια.
      2. Θεσπίστε υποχρεωτική ανεξάρτητη ερμηνεία πριν την απάντηση της ΤΝ. Πριν δει την απάντηση του συστήματος, η ομάδα διατυπώνει τη δική της αρχική ανάγνωση της κατάστασης. Αυτό προστατεύει τη συλλογική κρίση από το να εκτοπιστεί από την πρώτη εύλογη πρόταση, και είναι το αντίδοτο στον Self Automator τρόπο εργασίας. Στην πράξη αρκεί κάτι λιτό. Πριν μοιραστεί η ανάλυση του μοντέλου, κάθε μέλος γράφει σε δύο γραμμές ποιο θεωρεί ότι είναι το πραγματικό πρόβλημα. Οι αποκλίσεις ανάμεσα σε αυτές τις αναγνώσεις είναι συχνά πιο διαφωτιστικές από την ίδια την απάντηση της μηχανής. 
      3. Πολλαπλασιάστε τις ερμηνείες πριν τις συγκλίνετε, και αφήστε τη μηχανή να σας προκαλέσει. Ζητήστε από το μοντέλο όχι μία απάντηση αλλά τρεις ή περισσότερες αντικρουόμενες αναγνώσεις της ίδιας κατάστασης, και ζητήστε του ρητά να βρει τα στοιχεία που διαψεύδουν τη δική σας υπόθεση. Η αξία της ΤΝ στη νοηματοδότηση δεν είναι να κλείνει τη συζήτηση. Είναι να διευρύνει τον χώρο των πιθανών νοημάτων και να 7 σπάει τη βεβαιότητα. 
      4. Χρησιμοποιήστε τη δράση ως εργαλείο κατανόησης. Η ακανόνιστη γραμμή που χωρίζει τις εργασίες όπου υπερέχει η ΤΝ από εκείνες όπου αποτυγχάνει χαρτογραφείται μόνο με πειραματισμό. Όπως συμβουλεύει ο Weick, μάθετε από μικρά, αναστρέψιμα πειράματα αντί για μακρές αναλύσεις, και αφήστε την πραγματικότητα, όχι μόνο το μοντέλο, να σας διδάξει. 
      5. Καταγράψτε πώς πλαισιώθηκε το πρόβλημα, τι πρότεινε το σύστημα, τι αποφασίστηκε και τι συνέβη. Η νοηματοδότηση είναι αναδρομική και αναστοχαστική. Σημαίνει να εξετάζουμε συνειδητά τις σκέψεις, τις παρατηρήσεις και τις ενέργειες μας και να μαθαίνουμε από αυτές. Χωρίς αυτόν τον κύκλο, ο οργανισμός συσσωρεύει χρήση εργαλείων αλλά όχι κρίση.

       

      Το στοίχημα

       

      Το πραγματικό ερώτημα για την ηγεσία δεν είναι ποιο μοντέλο θα υιοθετήσει. Είναι αν θα αφήσει την ταχύτητα της μηχανής να ατροφήσει την ικανότητα της να καταλαβαίνει, ή αν θα χτίσει τον χώρο όπου άνθρωπος και μηχανή νοηματοδοτούν μαζί. Η ΤΝ θα συνεχίσει να δίνει όλο και καλύτερες, και όλο και πιο εύλογες, απαντήσεις. Το πλεονέκτημα θα ανήκει σε όσους ξέρουν ποια ερώτηση αξίζει να γίνει, σε όσους δεν μπερδεύουν τη ρευστότητα με την αλήθεια, σε όσους αφήνουν τη μηχανή να προκαλεί την κρίση τους αντί να την αντικαθιστά. Αυτή η ικανότητα δεν είναι ταλέντο. Είναι υποδομή. Και η υποδομή σχεδιάζεται και υλοποιείται.

       

      Βιβλιογραφικές αναφορές

      • Alter, A.L. & Oppenheimer, D.M., 2009. Uniting the tribes of fluency to form a metacognitive nation. Personality and Social Psychology Review, 13(3), pp.219–235.
      • Ancona, D., Malone, T.W., Orlikowski, W.J. & Senge, P.M., 2007. In praise of the incomplete leader. Harvard Business Review, 85(2), pp.92–100, 156. 
      • Challapally, A., Pease, C., Raskar, R. & Chari, P., 2025. The GenAI divide: State of AI in business 2025. Cambridge, MA: MIT Project NANDA, MIT Media Lab. 
      • Dakan, R., Feller, J. & Anthropic PBC, 2025. AI fluency: Framework & foundations course. [Online course] Released under a CC BY‑NC‑SA 4.0 licence. 
      • Dew, N., 2007. Abduction: A pre‑condition for the intelligent design of strategy. Journal of Business Strategy, 28(4), pp.38–45. 
      • Kotter, J.P., 2014. Accelerate: Building strategic agility for a faster‑moving world. Boston, MA: Harvard Business Review Press.
      • Loaiza, I. & Rigobon, R., 2024. The EPOCH of AI: Human–machine complementarities at work. MIT Sloan School of Management Working Paper, Cambridge, MA.
      • Meissner, P. & Keding, C., 2021. The human factor in AI‑based decision‑making. MIT Sloan Management Review, 63(1). (Online article, October.) 8 
      • Mollick, E., 2024. Co‑intelligence: Living and working with AI. New York: Portfolio/Penguin. 
      • Randazzo, S., Lifshitz, H., Kellogg, K.C., Dell'Acqua, F., Mollick, E., Candelon, F. & Lakhani, K.R., 2025. Cyborgs, centaurs and self‑automators: The three modes of human‑GenAI knowledge work. Harvard Business School Working Paper, No. 26‑036. 
      • Reber, R. & Schwarz, N., 1999. Effects of perceptual fluency on judgments of truth. Consciousness and Cognition, 8(3), pp.338–342. 
      • Ryseff, J., De Bruhl, B.F. & Newberry, S.J., 2024. The root causes of failure for artificial intelligence projects and how they can succeed. Santa Monica, CA: RAND Corporation. 
      • Schein, E.H., 2010. Organizational culture and leadership. 4th ed. San Francisco: Jossey‑Bass. 
      • Senge, P.M., 1990. The fifth discipline: The art and practice of the learning organization. New York: Doubleday. 
      • Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A.N., Kaiser, Ł. & Polosukhin, I., 2017. Attention is all you need. In: Advances in Neural Information Processing Systems 30 (NeurIPS 2017), pp.5998–6008. 
      • Weick, K.E., 1993. The collapse of sensemaking in organizations: the Mann Gulch disaster. Administrative Science Quarterly, 38(4), pp.628–652. 
      • Weick, K.E., 1995. Sensemaking in organizations. Thousand Oaks, CA: Sage Publications. 
      • Weick, K.E., Sutcliffe, K.M. & Obstfeld, D., 2005. Organizing and the process of sensemaking. Organization Science, 16(4), pp.409–421. 

      Σχετικά με το KPMG Intelligence Lab

      Το KPMG Intelligence Lab είναι το κέντρο εκπαίδευσης και συμβουλευτικής της KPMG στην Ελλάδα. Παρέχει πλήρη γκάμα εκπαιδευτικών και συμβουλευτικών υπηρεσιών, τεχνογνωσία και προγράμματα για στελέχη σε επιχειρήσεις, βιομηχανίες και δημόσιους οργανισμούς που δραστηριοποιούνται σε ταχέως μεταβαλλόμενα περιβάλλοντα. Η αποστολή μας είναι να εξοπλίζουμε επαγγελματίες και οργανισμούς με τη γνώση, τις δεξιότητες και τα εργαλεία που χρειάζονται για να προοδεύσουν σε έναν κόσμο που εξελίσσεται ταχύτατα.

      Το KPMG Intelligence Lab επαναπροσδιορίζει τον τρόπο με τον οποίο οι εταιρείες μαθαίνουν και εξελίσσονται στην εποχή της Τεχνητής Νοημοσύνης (ΤΝ). Μετατρέπουμε την ΤΝ σε μια στρατηγική μηχανή ανάπτυξης συνδέοντας τις θεμελιώδεις αρχές, την πρακτική εμπειρία και τα μετρήσιμα αποτελέσματα. Η προσέγγιση μας διασφαλίζει ότι η υιοθέτηση της ΤΝ δεν αποτελεί απλώς μια τεχνική αναβάθμιση αλλά μια ουσιαστική αλλαγή στην επιχειρηματική ευφυΐα. Προσφέρουμε προγράμματα εκπαίδευσης εξειδικευμένα ανά ρόλο που βοηθούν τα στελέχη σε όλα τα επίπεδα διοίκησης να πλοηγηθούν στο τοπίο της ΤΝ με σαφήνεια, αυτοπεποίθηση και διορατική σκέψη.

      KPMG Intelligence Lab: Γνώση που αναζητάτε. Εργαλεία που χρειάζεστε.


      Φώτης Φιλιππόπουλος, PhD

      Lead, KPMG Intelligence Lab

      KPMG στην Ελλάδα