Οι πρωτοπόροι απομακρύνονται ολοένα και περισσότερο από τον ανταγωνισμό αναφορικά με το κόστος, την ανάπτυξη και την κερδοφορία. Το χάσμα δεν είναι τεχνολογικό. Αφορά όμως το λειτουργικό μοντέλο. Τρεις βασικές αδυναμίες εξηγούν αυτό το χάσμα και οι πρωτοπόροι έχουν ήδη βρει τον τρόπο να τις αντιμετωπίσουν.

Ο οικονομικός αντίκτυπος της Τεχνητής Νοημοσύνης για τις επιχειρήσεις που προηγούνται είναι πλέον πραγματικός και τεκμηριωμένος. Τα μεγέθη δεν προέρχονται από πιλοτικά έργα ή εκτιμήσεις, αλλά από ελεγμένα οικονομικά στοιχεία που καλύπτουν διαφορετικούς κλάδους και λειτουργίες. Η Klarna εξοικονόμησε περίπου $60 εκατ. μειώνοντας το κόστος των λειτουργιών εξυπηρέτησης πελατών. Η JPMorgan αποκομίζει περίπου $2 δισ. σε ετήσια οφέλη. Το GitHub Copilot χρησιμοποιείται σήμερα από περίπου το 90% των εταιρειών του Fortune 100. Το συμπέρασμα είναι ξεκάθαρο: οι πρωτοπόροι δεν χρησιμοποιούν διαφορετικά μοντέλα Τεχνητής Νοημοσύνης, αλλά ανασχεδιάζουν το υπάρχον λειτουργικό τους μοντέλο γύρω από την ΤΝ. Γιατί, όμως, ήταν δύσκολο να αντιληφθούν οι επιχειρήσεις την αξία που υπάρχει σε σχέση με ό,τι προμήνυαν τα αρχικά demos; Σε αυτό ακριβώς το ερώτημα επιχειρεί να δώσει απάντηση το παρόν άρθρο

Ας ξεκινήσουμε από το μέγεθος του προβλήματος. Σύμφωνα με την έρευνα της PwC “2026 Digital Trends in Operations”, στην οποία συμμετείχαν 767 επικεφαλής λειτουργιών στις ΗΠΑ, το 89% δηλώνει ότι οι επενδύσεις τους στην τεχνολογία δεν απέδωσαν πλήρως τα αναμενόμενα αποτελέσματα. Το στοιχείο αυτό είναι ιδιαίτερα σημαντικό, γιατί δεν αφορά τις επιχειρήσεις που υστερούν, αλλά τη μεγάλη πλειονότητα. Με άλλα λόγια, οι περισσότερες επιχειρήσεις έχουν ήδη επενδύσει, όμως οι πιο πολλές δεν έχουν ακόμη αποκομίσει την αναμενόμενη απόδοση.

Η μελέτη της PwC “2026 AI Business Predictions” διατυπώνει τη διάγνωση με απόλυτη σαφήνεια: η τεχνολογία από μόνη της είναι υπεύθυνη για το μόλις 20% της αξίας που προκύπτει από μία πρωτοβουλία Τεχνητής Νοημοσύνης. Το υπόλοιπο 80% προκύπτει από τον ανασχεδιασμό των επιχειρησιακών διαδικασιών γύρω από τις δυνατότητες της τεχνολογίας. Η αναλογία αυτή έχει ιδιαίτερη σημασία, γιατί ανατρέπει τον τρόπο με τον οποίο κατανέμονται σήμερα οι περισσότεροι προϋπολογισμοί: οι επιχειρήσεις επενδύουν κυρίως στην τεχνολογία — δηλαδή στο 20% — και υποεπενδύουν στον ανασχεδιασμό των διαδικασιών, από τον οποίο προκύπτει το υπόλοιπο 80% της αξίας.

Η διάγνωση συνοψίζεται σε τρεις βασικούς λόγους.

Λόγος 1: Απόκτηση τεχνολογίας αντί ανασχεδιασμού

Το πιο συνηθισμένο μοτίβο στις επιχειρήσεις που ανήκουν στο «80%» είναι αυτό που περιγράφηκε και στο πρώτο άρθρο: αντιμετωπίζουν την Τεχνητή Νοημοσύνη ως ένα απλό προϊόν τεχνολογίας. Δημοσιεύουν ένα RFP, αξιολογούν προμηθευτές, επιλέγουν μια πλατφόρμα, υπογράφουν συμβόλαιο και την εγκαθιστούν πάνω σε αμετάβλητες διαδικασίες. Η τεχνολογία εγκαθίσταται, αλλά οι δείκτες απόδοσης (KPIs) παραμένουν αμετάβλητοι. Στη συνέχεια, ο CFO ενημερώνεται ότι το πιλοτικό έργο «δεν απέδωσε τα αναμενόμενα» και ο οικονομικός προϋπολογισμός μεταφέρεται αλλού.

Οι πρωτοπόροι ακολουθούν διαφορετική προσέγγιση, γιατί αντιλαμβάνονται ότι η ΤΝ είναι πρωτίστως επιχειρηματικό και όχι τεχνολογικό ζήτημα. Τα περίπου $60 εκατ. που εξοικονόμησε η Klarna δεν προήλθαν από την αγορά μιας συνδρομής στο OpenAI. Προέκυψαν από τον πλήρη ανασχεδιασμό της λειτουργίας εξυπηρέτησης των πελατών της: νέοι ρόλοι, νέα κριτήρια κλιμάκωσης περιστατικών, νέοι δείκτες απόδοσης και νέα εκπαίδευση για τους ανθρώπους που πλέον διαχειρίζονται τις πιο σύνθετες υποθέσεις.

Τα ευρήματα της PwC για το 2026 ποσοτικοποιούν αυτή τη διαφορά. Μόλις το 27% των επικεφαλής λειτουργιών δηλώνει ότι έχει ενσωματώσει πλήρως τη στρατηγική ΤΝ σε όλες τις επιχειρηματικές μονάδες, ενώ μόνο το 37% αισθάνεται έτοιμο να αναθέσει σε AI agents την πλήρη εκτέλεση διαδικασιών από την αρχή έως το τέλος. Πρόκειται για δείκτες οργανωσιακής και όχι τεχνολογικής ετοιμότητας. Ένας προϋπολογισμός που περιλαμβάνει μόνο την αγορά της τεχνολογίας και όχι τον ανασχεδιασμό των διαδικασιών είναι, στην ουσία, ένας προϋπολογισμός σχεδιασμένος να αποτύχει.

Λόγος 2: Η αριθμητική των αλυσίδων AI agents

Ο δεύτερος λόγος είναι μαθηματικός και αποτελεί ίσως το σημαντικότερο στοιχείο που πρέπει να κατανοήσει κανείς πριν εγκρίνει την αυτόνομη λειτουργία AI agents σε πολλαπλά διαδοχικά στάδια.

Όσο μεγαλώνει η αλυσίδα των ενεργειών, τόσο τα μικρά σφάλματα κάθε επιμέρους βήματος πολλαπλασιάζονται και μετατρέπονται σε αποτυχία ολόκληρου του συστήματος. Ανεξάρτητα από το πόσο εξελιγμένο είναι το μοντέλο, τα μαθηματικά δείχνουν ότι χωρίς ανθρώπινο έλεγχο σε κρίσιμα σημεία, η αυτόνομη διαδικασία θα αποτύχει, αργά ή γρήγορα.

Εάν κάθε επιμέρους βήμα έχει αξιοπιστία 95%, τότε μια διαδικασία δέκα βημάτων έχει συνολική αξιοπιστία περίπου 60%. Μια διαδικασία είκοσι βημάτων πέφτει περίπου στο 36%. Το σφάλμα συσσωρεύεται. Και σε αντίθεση με τον άνθρωπο, ένας AI agent που κάνει λάθος, σπάνια αντιλαμβάνεται ότι έκανε λάθος. Παράγει με αυτοπεποίθηση ένα λανθασμένο τιμολόγιο, μια λανθασμένη σύσταση ή ένα λανθασμένο email προς πελάτη και συνεχίζει την εκτέλεση της διαδικασίας.

Ένα demo πέντε βημάτων μπορεί να είναι ιδιαίτερα εντυπωσιακό. Ο ίδιος agent όμως, όταν εκτελεί είκοσι διαδοχικά βήματα πάνω σε πραγματικά δεδομένα πελατών, τρεις μήνες μετά την έναρξη λειτουργίας του, με κάθε βήμα να είναι ελαφρώς λιγότερο αξιόπιστο από ό,τι στο αρχικό demo, μπορεί αθόρυβα να πέσει κάτω από το 30% της συνολικής αξιοπιστίας, δημιουργώντας περισσότερα προβλήματα από όσα επιλύει — και μάλιστα χωρίς να γίνεται άμεσα αντιληπτό.

Οι πρωτοπόροι αντιμετωπίζουν αυτόν τον κίνδυνο ενσωματώνοντας την ανθρώπινη επιβεβαίωση στα κατάλληλα σημεία της διαδικασίας, διατηρώντας τις αλυσίδες σύντομες και αντιμετωπίζοντας την ΤΝ ως ένα σύστημα πιθανοτήτων. Δεν πρόκειται για τεχνολογικές αποφάσεις, αλλά για αποφάσεις διαχείρισης κινδύνου και απόδοσης, οι οποίες πρέπει να αποτελούν αντικείμενο συζήτησης μεταξύ του CFO και της διοίκησης πριν οποιοδήποτε agentic σύστημα περάσει σε παραγωγική λειτουργία.

Λόγος 3: Ένας υπερσυμπιεστής πάνω σε ένα συμβατικό αυτοκίνητο

Ο τρίτος λόγος εξηγείται καλύτερα μέσα από μια αναλογία. Ένας υπερσυμπιεστής (turbocharger), από μόνος του, είναι εντυπωσιακός. Το αυτοκίνητο επιταχύνει πιο γρήγορα και θυμίζει αγωνιστικό. Όμως ο κινητήρας δεν έχει σχεδιαστεί για τη νέα πίεση καύσης. Η ανάρτηση έχει ρυθμιστεί για την προηγούμενη ισχύ. Τα φρένα, είναι σχεδιασμένα για τους αρχικούς ίππους και δεν επαρκούν πλέον. Το αυτοκίνητο είναι γρηγορότερο, αλλά ταυτόχρονα και πολύ πιο επικίνδυνο.

Μια ολοκληρωμένη αναβάθμιση επιδόσεων περιλαμβάνει και ενίσχυση ολόκληρου του συστήματος: κινητήρα, φρένων, ανάρτησης, ελαστικών και ηλεκτρονικής διαχείρισης. Το agentic AI είναι ο υπερσυμπιεστής. Τα foundation models είναι εντυπωσιακά. Όμως το υπόλοιπο «όχημα» — η διακυβέρνηση δεδομένων, οι έλεγχοι πρόσβασης, τα επίπεδα επαλήθευσης, οι ανθρώπινοι έλεγχοι, η παρακολούθηση της λειτουργίας και οι διαδικασίες κλιμάκωσης — έχει σχεδιαστεί για τις απαιτήσεις της προηγούμενης εποχής. Αν αυτά δεν αναβαθμιστούν ταυτόχρονα, το σύστημα θα λειτουργήσει εντυπωσιακά για ένα διάστημα, αλλά θα αποτύχει όταν αυξηθεί ο φόρτος.

Οι περισσότερες αποτυχίες εφαρμογών ΤΝ που βλέπουμε σήμερα δεν οφείλονται σε κακά μοντέλα. Οφείλονται στο ότι επιχειρήσεις τοποθέτησαν έναν υπερσυμπιεστή πάνω σε ένα συμβατικό αυτοκίνητο.

Οι επιχειρήσεις που προηγούνται οικονομικά δεν είναι καλύτερες στην ΤΝ από τις υπόλοιπες. Είναι καλύτερες στο να αναβαθμίζουν ολόκληρο το «όχημα» ταυτόχρονα με την εγκατάσταση του turbo. Αυτό ακριβώς σημαίνει στην πράξη ένα AI Operating Model.

Από τη διάγνωση στο σχέδιο δράσης

Για κάθε διοικητική ομάδα, η πιο χρήσιμη άσκηση που αφήνει αυτό το άρθρο είναι μια άσκηση αυτοαξιολόγησης: εξετάστε την πιο πρόσφατη πρωτοβουλία ΤΝ της επιχείρησής σας και αναρωτηθείτε ποιος από τους τρεις λόγους την περιγράφει καλύτερα. Ήταν μια αγορά τεχνολογίας χωρίς ανασχεδιασμό; Μια αλυσίδα διαδικασιών χωρίς σημεία ανθρώπινου ελέγχου; Ή ένας υπερσυμπιεστής πάνω σε ένα συμβατικό αυτοκίνητο;

Οι περισσότερες επιχειρήσεις θα αναγνωρίσουν τον εαυτό τους σε τουλάχιστον μία από αυτές τις περιπτώσεις.

Το επόμενο άρθρο της σειράς μετατρέπει αυτή τη διάγνωση σε ένα πρακτικό σχέδιο δράσης: πού πρέπει να επενδύσουν οι οργανισμοί, πώς να διαμορφώσουν το κατάλληλο μοντέλο διακυβέρνησης και πώς να μετρήσουν την πρόοδο, μέσα από ένα πρόγραμμα 90 ημερών που ένας CEO μπορεί να εγκρίνει από την επόμενη κιόλας Δευτέρα.