Όταν ένα AI Project αποτυγχάνει, σχεδόν κανείς δεν φταίει την τεχνολογία. Όλοι φταίνε τις «προτεραιότητες», το «change management», την «ωριμότητα του οργανισμού». Είναι ευγενικός τρόπος να μην πεις το προφανές: η τεχνολογία λειτουργεί. Η στρατηγική όχι.
Τα νούμερα είναι αμείλικτα. Η έκθεση The GenAI Divide του MIT (2025) διαπιστώνει ότι το 95% των πιλοτικών έργων generative AI δεν παράγει μετρήσιμο αντίκτυπο στο P&L. Παράλληλα, η έρευνα The State of AI της McKinsey δείχνει ότι μόλις το 6% των οργανισμών αποδίδει τουλάχιστον 5% του EBIT τους στη χρήση AI. Δύο χρόνια μετά την έκρηξη του GenAI, η απόσταση ανάμεσα στην υπόσχεση για παράδοση και την ίδια την παράδοση δεν έχει κλείσει. Έχει μεγαλώσει.
Στη SiliconDali δουλεύουμε με οργανισμούς που λειτουργούν σε απαιτητικά, κρίσιμα περιβάλλοντα, εκεί που ένα σφάλμα κοστίζει πραγματικά. Από αυτή τη θέση, βλέπω καθαρά τρία λάθη που επαναλαμβάνονται με ανησυχητική συνέπεια. Δεν είναι λάθη υλοποίησης. Είναι λάθη σύλληψης. Και το τρίτο, αυτό που σχεδόν κανείς δεν συζητά, είναι αυτό που θα κοστίσει περισσότερο στα επόμενα τρία χρόνια.
Λάθος #1: Επενδύουν σε μοντέλα πριν επενδύσουν σε υποδομή
Η πιο διαδεδομένη παρανόηση στις αίθουσες διοικητικών συμβουλίων είναι ότι το AI μπαίνει «πάνω» στον υπάρχοντα οργανισμό, σαν ένα ακόμη στρώμα αυτοματισμού. Σαν να χτίζεις ουρανοξύστη πάνω σε άμμο.
Δεν λειτουργεί έτσι. Όταν τα δεδομένα ζουν σε τρία διαφορετικά συστήματα, όταν οι ορισμοί διαφέρουν μεταξύ τμημάτων, όταν τα ιστορικά αρχεία αλλάζουν δομή ανά έτος, κανένα μοντέλο δεν θα παράξει αξιόπιστο αποτέλεσμα. Θα παράξει εντυπωσιακά demos και κοστοβόρες απογοητεύσεις.
Η αλήθεια που λίγοι θέλουν να ακούσουν: το AI δεν διορθώνει τη βάση δεδομένων σας. Τη μεγεθύνει. Με ταχύτητα μηχανής.
Η σωστή ακολουθία είναι αντίστροφη από αυτή που ακολουθούν οι περισσότεροι: πρώτα ενιαία αρχιτεκτονική δεδομένων, μετά διαδικαστικός αυτοματισμός, τέλος, τεχνητή νοημοσύνη πάνω σε στέρεη βάση. Είναι χρονοβόρο και λιγότερο εντυπωσιακό στην παρουσίαση αλλά είναι ο μόνος τρόπος που λειτουργεί.
Λάθος #2: Χρησιμοποιούν το ίδιο είδος AI για εντελώς διαφορετικά προβλήματα
Δεν υπάρχει «το AI». Υπάρχουν δύο εντελώς διαφορετικές κατηγορίες, και η σύγχυσή τους είναι από τις πιο ακριβές αποφάσεις που μπορεί να πάρει σήμερα ένας οργανισμός.
Στη μία πλευρά υπάρχει το AI που υποστηρίζει την ανθρώπινη κρίση: μοντέλα που προτείνουν, συνοψίζουν, συγκεντρώνουν πληροφορία, και ο επαγγελματίας αποφασίζει. Εδώ η πιθανολογική φύση των μοντέλων είναι αποδεκτή, γιατί ο άνθρωπος παραμένει το τελικό φίλτρο.
Στην άλλη πλευρά υπάρχει το AI που λειτουργεί μέσα σε κρίσιμα συστήματα: τιμολόγηση, συναλλαγές, λειτουργικές αποφάσεις σε πραγματικό χρόνο. Εδώ δεν υπάρχει περιθώριο σφάλματος. Η αρχιτεκτονική πρέπει να είναι αποφασιστική, ελεγχόμενη, ασφαλής.
Όταν οι οργανισμοί συγχέουν τις δύο περιπτώσεις, πληρώνουν αυτό που οι αναλυτές αποκαλούν verification tax: ώρες ανθρώπινου ελέγχου που εξανεμίζουν κάθε υποτιθέμενο όφελος αποδοτικότητας. Αν η ομάδα σας ξοδεύει χρόνο επαληθεύοντας χειροκίνητα αποτελέσματα που υποτίθεται ότι θα αυτοματοποιούσε το AI, έχετε μόλις πληρώσει για τεχνολογία που σας κοστίζει περισσότερο από αυτό που αντικατέστησε.
Η σωστή ερώτηση δεν είναι «ποιο εργαλείο AI θα αγοράσουμε». Είναι: ποιες αποφάσεις θα παίρνει ο άνθρωπος, ποιες όχι, και ποια αρχιτεκτονική απαιτεί η καθεμία;
Λάθος #3: Αγνοούν τον κίνδυνο της αλγοριθμικής σύγκλισης
Αυτό είναι το λάθος που λίγοι συζητούν, και αυτό που θα στοιχίσει περισσότερο.
Όταν δέκα εταιρείες στον ίδιο κλάδο χρησιμοποιούν τα ίδια AI εργαλεία, εκπαιδευμένα στα ίδια δημόσια δεδομένα, με τις ίδιες προεπιλεγμένες παραμέτρους, καταλήγουν να παίρνουν σχεδόν τις ίδιες αποφάσεις. Σε ίδιες αγορές. Σε ίδιες χρονικές στιγμές. Στις ίδιες τιμές.
Έρευνες σε αγορές καυσίμων, αεροπορικών εισιτηρίων και ενοικίων στις ΗΠΑ έχουν ήδη καταγράψει το φαινόμενο, με το FTC να εξετάζει ενεργά αν συνιστά μορφή έμμεσης σύμπραξης/καρτέλ.
Αν εσείς και ο μεγαλύτερος ανταγωνιστής σας τρέχετε το ίδιο μοντέλο, με τα ίδια δεδομένα, με τις default ρυθμίσεις του ίδιου προμηθευτή, σε τι ακριβώς διαφέρετε;
Η απάντηση συνήθως είναι: σε τίποτα ουσιαστικό. Και αυτό παράγει διπλό ρίσκο. Πρώτον, τυποποιημένη στρατηγική, χωρίς διαφοροποίηση, δηλαδή το ακριβώς αντίθετο από αυτό που υπόσχεται το AI ως ανταγωνιστικό πλεονέκτημα. Δεύτερον, σοβαρή νομική έκθεση, καθώς οι ρυθμιστικές αρχές αρχίζουν να αντιμετωπίζουν την αλγοριθμική σύγκλιση ως διακριτή μορφή ολιγοπωλιακής συμπεριφοράς.
Η μόνη ουσιαστική άμυνα είναι σχεδιαστική: εξατομικευμένες λύσεις χτισμένες πάνω στα ιδιωτικά δεδομένα του οργανισμού σας, με στόχους που ορίζετε εσείς και όχι τις default ρυθμίσεις μιας πλατφόρμας που χρησιμοποιούν και οι ανταγωνιστές σας. Εκεί κρύβεται το πραγματικό ανταγωνιστικό πλεονέκτημα. Στην εξατομίκευση, όχι στην στείρα υιοθέτηση.
Τι κάνουν διαφορετικά οι λίγοι που τα καταφέρνουν
Η McKinsey διαπιστώνει ότι οι «AI high performers» είναι 3,6 φορές πιο πιθανό να επανασχεδιάζουν τις ροές εργασίας τους γύρω από το AI, αντί να το προσθέτουν επιφανειακά. Από τη δική μας εμπειρία, μοιράζονται τρία χαρακτηριστικά.
- Αντιμετωπίζουν το AI ως αρχιτεκτονικό ζήτημα, όχι ως αγορά λογισμικού. Επενδύουν σε υποδομή πριν επενδύσουν σε μοντέλα.
- Ξεκινούν από ένα συγκεκριμένο επιχειρηματικό πρόβλημα με μετρήσιμο αποτέλεσμα, όχι από τη γοητεία της τεχνολογίας ή την πίεση να «έχουν στρατηγική AI».
- Επενδύουν σε εξατομικευμένα συστήματα που ενσωματώνονται στη λειτουργία τους, αντί να προσπαθούν να προσαρμόσουν τη λειτουργία τους σε γενικευμένα εργαλεία.
Η διαφορά δεν είναι τεχνική. Είναι φιλοσοφική. Οι πρώτοι ρωτούν «τι κάνει το AI;». Οι δεύτεροι ρωτούν «τι θέλω να αλλάξω, και ποιο είδος AI το επιτρέπει;».
Η ουσία
Το AI δεν είναι λύση. Είναι εργαλείο. Και όπως κάθε εργαλείο, αξίζει όσο και η σκέψη που το πλαισιώνει. Οι επιχειρήσεις που θα κερδίσουν την επόμενη φάση δεν θα είναι αυτές που υιοθετούν πρώτες την κάθε νέα τεχνολογία, ούτε αυτές που ξοδεύουν τα περισσότερα σε εργαλεία. Θα είναι αυτές που επιλέγουν προσεκτικά πού να την εφαρμόσουν, με ποιον συνεργάτη, και πάνω σε ποια θεμέλια.
Η υπόσχεση της τεχνητής νοημοσύνης είναι πραγματική. Αλλά μετατρέπεται σε επιχειρηματική αξία μόνο όταν συνοδεύεται από σαφή στρατηγική, καθαρά δεδομένα και αρχιτεκτονική που σχεδιάζεται για να αντέξει. Όλα τα υπόλοιπα είναι θόρυβος.
Ο Costas Yiasemi είναι CEO της SiliconDali, αναγνωρισμένη ως Καινοτόμος Επιχείρηση από την Κυπριακή Δημοκρατία, με γραφεία στην Κύπρο και Ισπανία. Η εταιρεία σχεδιάζει και υλοποιεί εξατομικευμένο λογισμικό για κρίσιμα συστήματα: προηγμένους αυτοματισμούς, υποδομές blockchain, ανάλυση δεδομένων και ολοκληρωμένες λύσεις τεχνητής νοημοσύνης.
