Είναι γεγονός ότι πάρα πολλά έργα και εφαρμογές Τεχνητής Νοημοσύνης αποτυγχάνουν. Οι αιτίες της αποτυχίας είναι πολλές και πολύ συχνά έχουν οδυνηρά αποτελέσματα για το μέλλον της Τεχνητής Νοημοσύνης στις εταιρίες που απέτυχαν. Δεν είναι μόνο ο χαμένος κόπος και το κόστος, αλλά κυρίως οι χαμένες ευκαιρίες. Το παρακάτω κείμενο - δεκάλογος είναι ένας επιχειρηματικός οδηγός που παρουσιάζει πρακτικές συμβουλές για την επιτυχή υλοποίηση έργων Τεχνητής Νοημοσύνης.

1. Μην επενδύετε στην Τεχνητή Νοημοσύνη μόνο και μόνο επειδή είναι η νέα τάση ή λόγω FOMO (Fear Of Missing Out) ή για λόγους γοήτρου (image) αλλά πάντα αποκλειστικά με γνώμονα τις πραγματικές ανάγκες σας

Μην επενδύετε στην Τεχνητή Νοημοσύνη επειδή όλοι λένε ότι είναι η νέα τάση. Επενδύστε στην Τεχνητή Νοημοσύνη μόνο αν βλέπετε έναν τρόπο να ωφελήσει εσάς ή την εταιρεία σας στο τελικό αποτέλεσμα. Δηλαδή, μην ξοδεύετε τίποτα μέχρι να ξέρετε πώς θα βοηθήσει. Μην αγοράζετε πρώτα τη λύση και μετά ψάχνετε το πρόβλημα (Solution in Search of a Problem). Καθορίστε ξεκάθαρους στόχους (Clear Objectives) και επιλέξτε την κατάλληλη ομάδα εργασίας. Ξεπεράστε το φόβο του να μη μείνετε εκτός FOMO (Fear of Missing Out) και τη φιλοδοξία να παρουσιάσετε την εταιρίας σας πρωτοπόρα στην Τεχνητή Νοημοσύνη, χωρίς όμως να πάτε στο άλλο άκρο πιστεύοντας ότι η Τεχνητή Νοημοσύνη είναι μια τεράστια φούσκα διαφημιστικής εκστρατείας που σύντομα θα σκάσει. Όλα δείχνουν ότι η Τεχνητή Νοημοσύνη ήρθε για να μείνει αλλά η χρήση της θέλει σύνεση καθαρούς ρεαλιστικούς στόχους και προγραμματισμό.

2. Ξεκινήστε χρησιμοποιώντας τα δωρεάν chatbots τεχνητής νοημοσύνης με απλές προτροπές (prompts), ενημερωθείτε για τις δυνατότητες και στη συνέχεια επιλέξτε ένα πληρωμένο για μερικούς μήνες μοντέλο

Δεν είναι ανάγκη να ξεκινήσετε με προχωρημένες τεχνολογίες π.χ. ενσωματώνοντας AI agents στα ERP συστήματα σας, ούτε να αρχίσετε να εφαρμόζετε «ξωτικές - υπερβολικά πολύπλοκες εφαρμογές Τεχνητής Νοημοσύνης». Ξεκινήστε από τα πιο δημοφιλή δωρεάν chatbots τεχνητής νοημοσύνης (όπως τα ChatGPT, Copilot, Grok και Gemini κλπ.), τα οποία οφείλουμε ομολογήσουμε ότι έχουν βελτιωθεί πάρα πολύ τα τελευταία δύο χρόνια. Δεν είναι τέλεια, αλλά σίγουρα κάνουν τη δουλειά τους, ειδικά όταν είστε αρχάριοι και απλώς πειραματίζεστε δοκιμάζοντας τα, μέχρι να βρείτε και να καθορίσετε τουλάχιστον ένα άμεσο όφελος από τη χρήση τους. Για παράδειγμα ξεκινήστε χρησιμοποιώντας δημοφιλή δωρεάν chatbots τεχνητής νοημοσύνης για καταιγισμό ιδεών (brainstorming) για να δημιουργήσετε προτάσεις για νέα επιχειρηματικά έργα. Ζητήστε βοήθεια στη «σύνταξη emails» για να επικοινωνείτε πιο αποτελεσματικά με τους πελάτες σας. Ζητήστε από τις δωρεάν εφαρμογές Τεχνητής Νοημοσύνης να σας κάνουν «περίληψη με τις πιο σημαντικές πληροφορίες» για τις συμβάσεις που καλείστε να υπογράψετε. Ζητήστε να σας ετοιμάσουν εκπαιδευτικό υλικό για να μάθετε όλο και πιο πολλά για την εργασία σας. Αφού εξοικειωθείτε με τις προτροπές σε φυσική γλώσσα (natural language) και εκτιμήσετε τις ικανότητες αλλά και τις αδυναμίες των μοντέλων της Τεχνητής Νοημοσύνης, αναζητήστε πληροφορίες, διαβάστε και πειραματιστείτε με τις δυνατότητες που παρέχει το κάθε ένα μοντέλο. Τέλος προχωρήστε επιλέγοντας ένα πληρωμένο για μερικούς μήνες μοντέλο, για να αποκτήσετε τις πρόσθετες δυνατότητες που δίνει για να αναπτύξετε με αυτό τα έργα σας.

3. Αποφύγετε τον προγραμματισμό με τεχνητή νοημοσύνη, εκτός αν έχετε έμπειρους προγραμματιστές στην ομάδα σας ή καλύτερα αν είστε έμπειρος προγραμματιστής ο ίδιος

Η χρήση τεχνητής νοημοσύνης στον προγραμματισμό μπορεί να είναι εκπληκτικά αποδοτική μόνο ως βοηθός έμπειρων προγραμματιστών. Το vibe coding αν και πολύ δημοφιλές τον τελευταίο χρόνο πρακτικά δεν είναι ακόμα τόσο αναπτυγμένο ώστε να φτιάχνει ότι εφαρμογή θέλετε απλά περιγράφοντάς την με φυσική γλώσσα.

Εάν έχετε έμπειρους προγραμματιστές στο προσωπικό σας ή είστε ο ίδιος ένας, μη διστάσετε να επενδύσετε σε εργαλεία προγραμματισμού με τεχνητή νοημοσύνη. Αλλά αν δεν έχετε απλά αποφύγετέ το καθώς η πιθανότητα να αναπτύξετε κάποια αξιοπρεπή εφαρμογή είναι πολύ κοντά στο μηδέν.

4. Χρησιμοποιήστε άμεσα την Τεχνητή Νοημοσύνη για γρήγορες αναφορές ανάλυσης, αντιμετωπίζοντας τις αναστολές σας για κινδύνους από το ανέβασμα δεδομένων στις βάσεις των Chatbots

Μπορείτε να εισάγετε ακατέργαστα δεδομένα στην Τεχνητή Νοημοσύνη για γρήγορη ανάλυση. Τυπικό παράδειγμα είναι οι οικονομικές πληροφορίες όπως π.χ. αναφορές που δείχνουν κέρδη και ζημιές (P&L) των τελευταίων πέντε ετών και να λάβετε διαγράμματα, προβλέψεις κλπ.

Σημείωση: Πολλοί λένε ότι δεν είναι σωστό να ανεβάζεις τέτοιες πληροφορίες στις βάσεις δεδομένων των chatbots αλλά εγώ τους λέω ότι ο κίνδυνος είναι ο ίδιος με την εκτέλεση του email σας μέσω της Google (gmail) ή την αποθήκευση των εγγράφων του Office σας στο OneDrive. Υπάρχει κίνδυνος εδώ, αλλά υπάρχει πάντα κίνδυνος να επιτρέψετε στις υπηρεσίες cloud την πρόσβαση στα ιδιόκτητα δεδομένα σας. Είναι ο κόσμος στον οποίο ζούμε.

5. Συνδυάστε την εμπειρία σας με την Τεχνητή Νοημοσύνη και μην την αντικαταστήσετε με την ευκολία των chatbots, αντιμετωπίζοντας την αντίσταση στην αλλαγή (Change Resistance) και τους φόβους των εργαζομένων

H Τεχνητή Νοημοσύνη δεν επιτυγχάνει μείωση του προσωπικού, ειδικά αν είστε μια μικρή επιχείρηση ούτε αντικαθιστά εσάς. Ο βαθμός αυτονομίας (degree of autonomy), η οποία περιγράφει για πόσο χρονικό διάστημα ένας υπάλληλος ή μέλος του προσωπικού μπορεί να εργάζεται χωρίς άμεση επίβλεψη ή έλεγχο είναι μια πολύ σημαντική έννοια για να το καταλάβετε. Οι αυτοματισμοί των chatbots φαίνεται ότι έχουν πολύ χαμηλό βαθμό αυτονομίας και χρειάζονται συνεχή ανθρώπινο έλεγχο, επειδή πολύ συχνά από τη μία προτροπή στην άλλη, μπορεί να ξεφύγουν από τον προσανατολισμό τους.

Γι' αυτό ο συνδυασμός της Τεχνητής Νοημοσύνης με την εξειδικευμένη εμπειρία σας είναι απαραίτητος . Προσπαθήστε λοιπόν να μην αγοράζετε έτοιμες πολλά υποσχόμενες λύσεις μαύρων κουτιών (Black-box solutions) επιλέγοντας μοντέλα συνεργασίας (Co-managed models) αποφεύγοντας την υπερεξάρτηση από προμηθευτές (Vendor Over-Reliance)

Αν διαχειρίζεστε και χρησιμοποιείτε εργαλεία αυτοματισμών της Τεχνητής Νοημοσύνης με επίβλεψη, μπορείτε να αποκομίσετε εκπληκτικά οφέλη παραγωγικότητας.

Περάστε αυτά τα μηνύματα σε όλη την οργάνωση και αντιμετωπίστε την αντίσταση στην αλλαγή (Change Resistance) ώστε κανένας να μη φοβάται ότι θα χάσει τη δουλειά του εφαρμόζοντας κατάλληλο πρόγραμμα υιοθέτησης της Τεχνητής Νοημοσύνης (AI Adoption Program) αλλά και εκπαίδευσης ώστε α) όλοι οι εργαζόμενοι να γνωρίζουν πως θα χρησιμοποιούν την Τεχνητή Νοημοσύνη και β) να αποκτήσει η εταιρία Εσωτερική Ιδιοκτησία (Internal Ownership) με μεταφορά γνώσης (Knowledge Transfer).

6. Ορίστε τι συνιστά όφελος για σας και την επιχείρησή σας με όχι κατ’ ανάγκη με οικονομικά μόνο κριτήρια

Φαίνεται ότι το όφελος είναι η εξοικονόμηση χρόνου ή η αύξηση των πωλήσεων και όχι η μείωση του κόστους ή η μείωση προσωπικού. Η χρήση της Τεχνητής Νοημοσύνης πρέπει να μετριέται σε ανάκτηση χρόνου κάθε μήνα ή σε αύξηση πωλήσεων. Για παράδειγμα εταιρίες που πρέπει να κάνουν προσφορές για να κατασκευάσουν αυτά που ζητούν οι πελάτες τους (Make to Order) πρέπει να σκέφτονται τη χρήση της Τεχνητής Νοημοσύνης με τη λογική α) να μειώσουν το χρόνο δημιουργίας μιας προσφοράς β) Να αυξήσουν τον αριθμό των προσφορών που στέλνουν στους υποψήφιους πελάτες τους και γ) να αυξήσουν τις πωλήσεις τους και χωρίς να μειώσουν τους πωλητές τους ή το μέσο κόστος κάθε προσφοράς.

Οι περισσότεροι όταν πραγματοποιούν επιχειρηματικές επενδύσεις, συνήθως μετρούν την απόδοση επένδυσης (ROI) ως το βασικό μέτρο με τη λογική της εισαγωγής X ευρώ (input) που δίνουν πίσω Y ευρώ (output). Αλλά, τουλάχιστον αρχικά, δεν φαίνεται εύκολο να δείτε αποδόσεις σε ευρώ από την Τεχνητή Νοημοσύνη. Τουλάχιστον για τον πρώτο χρόνο ξεχάστε τα ευρώ και επικεντρωθείτε στην απόδοση χρόνου. Πόσο χρόνο εξοικονομήσατε; Πόσο χρόνο απελευθερώσατε; Τι ολοκληρώσατε σε πολύ μικρότερο χρόνο από ό,τι θα κάνατε διαφορετικά; Τι μάθατε να κάνετε διαφορετικά;

7. Ξεκινήστε με απλές εφαρμογές με αποδείξεις ιδεών (Proof of Concepts POC), αρχικά σε μικρό μέγεθος και αυξήστε σταδιακά την κλίμακα και την πολυπλοκότητα

Αυτή η συμβουλή αφορά σχεδόν κάθε επιχειρηματική προσπάθεια. Ξεκινήστε με μικρά έργα που αποδεικνύουν ότι οι ιδέες δουλεύουν (Proof of Concepts POC) που μπορούν να ολοκληρώνονται σε 4-6 εβδομάδες, και όχι με μεγάλα έργα ολικής εφαρμογής (big bang).

Η υιοθέτηση της Τεχνητής Νοημοσύνης είναι μια διαδικασία. Πρέπει να την γνωρίσετε, να πειραματιστείτε, να τη δοκιμάσετε, να δείτε τι λειτουργεί για εσάς και τι όχι και στη συνέχεια λίγο λίγο να την αναπτύξετε γνωρίζοντας ότι η κλιμάκωση της τεχνητής νοημοσύνης είναι ένας μαραθώνιος, όχι ένα σπριντ. Εννοείται ότι δεν αρκεί το POC να δουλέψει μερικούς μήνες και μετά να μένει εκεί (“POC Forever” Syndrome), αλλά πρέπει αμέσως μετά να παρθεί απόφαση Go/No-Go για την κλιμάκωση. Η κλιμάκωση όπως επίσης και η αύξηση της πολυπλοκότητας πρέπει επίσης να γίνει σταδιακά και να ελέγχεται με κατάλληλες δοκιμές αντοχής (stress tests).

8. Υιοθετείστε την Τεχνητή Νοημοσύνη σαν να είναι έργο επιχειρηματικού μετασχηματισμού (business transformation) και όχι μόνο έργο πληροφορικής που εξαρτάται από την ποιότητα των δεδομένων (Data Quality) εφαρμόζοντας μεθοδολογίες όπως η CPMAI

Η υιοθέτηση της Τεχνητής Νοημοσύνης δεν είναι μόνο ένα έργο πληροφορικής αλλά κυρίως ένα έργο επιχειρηματικού μετασχηματισμού (business transformation) που απαιτεί σύνθετες ομάδες εργασίας Cross-functional squad και οργάνωση με κατάλληλο project management και μεθοδολογία. Όπως σε όλα τα έργα πληροφορικής η ποιότητα των δεδομένων (Data Quality) αλλά και η ολοκλήρωση (Integration) π.χ. με τα συστήματα ERP είναι κρίσιμη για την επιτυχία και απαιτείται λεπτομερής έλεγχος (audit) πριν την έναρξη των εργασιών, χωρίς να ξεχνάτε όμως ότι δεν είναι μόνο τεχνικό αλλά οργανωτικό και πολιτισμικό έργο.

Η Μεθοδολογία CPMAI (Cognitive Project Management in AI) που προσφέρεται από το Project Management Institute (PMI) προβλέπει τις παρακάτω φάσεις:

1. Επιχειρηματική Κατανόηση (Business Understanding): Ορισμός σαφών επιχειρηματικών στόχων και προσδιορισμός του εάν η Τεχνητή Νοημοσύνη είναι η σωστή λύση.
2. Κατανόηση Δεδομένων (Data Understanding): Προσδιορισμός των αναγκών σε δεδομένα, της διαθεσιμότητας και της ποιότητας.
3. Προετοιμασία Δεδομένων (Data Preparation) : Καθαρισμός, δόμηση και μετασχηματισμός δεδομένων για την εκπαίδευση μοντέλων.
4. Ανάπτυξη Μοντέλου (Model Development): Δημιουργία, εκπαίδευση και επικύρωση του μοντέλου Τεχνητής Νοημοσύνης.
5. Αξιολόγηση Μοντέλου (Model Evaluation) : Δοκιμή της απόδοσης του μοντέλου και διασφάλιση της ευθυγράμμισης με τους επιχειρηματικούς στόχους.
6. Λειτουργική Χρήση του Μοντέλου (Model Operationalization): Ανάπτυξη του μοντέλου σε ένα περιβάλλον παραγωγής, παρακολούθηση της απόδοσής του και διαχείριση του κύκλου ζωής και της διακυβέρνησής του.

9. Επανδρώστε τις ομάδες εργασίας με έμπειρους εσωτερικούς εργαζόμενους και εξωτερικούς συνεργάτες συμβούλους

Η υλοποίηση έργων Τεχνητής Νοημοσύνης απαιτεί ομαδική εργασία από έμπειρους σε τέτοια έργα συνεργάτες. Επειδή πολύ συχνά οι εταιρείες συμβούλων προσλαμβάνουν φρέσκους data scientists/ML engineers χωρίς γνώσεις των ειδικών επιχειρησιακών διαδικασιών (domain knowledge) πολλά έργα παρουσιάζουν έλλειψη ταλέντων (talent shortage) και κενά δεξιοτήτων (skill gaps) με αποτέλεσμα να γίνονται πολλά λάθη που απαιτούν διορθώσεις (rework). Ο πιο αποτελεσματικός συνδυασμός φαίνεται ότι επιτυγχάνεται με το υβριδικό μοντέλο (Hybrid Model) που συνδυάζει έμπειρους εσωτερικούς εργαζόμενους internal (που έχουν γνώση των διαδικασιών της εταιρείας) + και έμπειρους εξωτερικούς συμβούλους external consultants (senior expertise in AI) για γρήγορη κλιμάκωση χωρίς μακροπρόθεσμο κόστος διορθώσεων.

10. Μην ξεκινήσετε έργο Τεχνητής Νοημοσύνης χωρίς γραπτό Συμφωνητικό Προσδοκιών (Expectation Agreement)."

Τα έργα Τεχνητής Νοημοσύνης λόγω της εγγενούς τους αβεβαιότητας, της πολυπλοκότητας των δεδομένων και του πειραματικού χαρακτήρα πολλών λύσεων είναι από τη φύση τους πολύ δύσκολο να αποτιμηθούν. Η σύνταξη ενός γραπτού Συμφωνητικού Προσδοκιών δεν είναι απλώς βέλτιστη πρακτική, αλλά μια απαραίτητη στρατηγική διαχείρισης κινδύνων. Μετατρέπει ένα ασαφές, πειραματικό εγχείρημα ΤΝ σε ένα δομημένο έργο με κοινώς αποδεκτούς κανόνες, εξασφαλίζοντας ότι όλα τα μέρη γνωρίζουν εκ των προτέρων τι μπορούν ρεαλιστικά να αναμένουν και πώς θα μετρήσουν την επιτυχία ή την αποτυχία.

Το γραπτό Συμφωνητικό Προσδοκιών (Expectation Agreement) θα καθορίσει:

• ποιο είναι το ελάχιστο βιώσιμο προϊόν "minimum viable product" (MVP) και ποια η βασική του λειτουργικότητα που θα παραδοθεί στην πρώτη φάση
• Ποιοι είναι οι Μετρήσιμοι Στόχοι Επιτυχίας (Success Metrics)
• Ποιος έχει την τελική ευθύνη για την απόφαση να αναπτυχθεί και να κλιμακωθεί το σύστημα, να προσαρμοστεί ή να απορριφθεί
• Πώς θα διασφαλιστεί η αμεροληψία του μοντέλου;
• Πόσο επεξηγήσιμο (explainable) πρέπει να είναι το αποτέλεσμα του μοντέλου

Η πείρα έχει δείξει ότι χωρίς ένα σαφές, γραπτό συμφωνητικό, οι προσδοκίες μπορεί να αποκλίνουν σημαντικά από την πραγματικότητα και το έργο της Τεχνητής Νοημοσύνης να αποτύχει.

Ενώ ένα καλό συμφωνητικό Προσδοκιών λειτουργεί ως ένας οδικός χάρτης που ευθυγραμμίζει όλους τους ενδιαφερόμενους, μειώνει τους κινδύνους παρεξήγησης και αυξάνει σημαντικά τις πιθανότητες επιτυχίας ενός έργου Τεχνητής Νοημοσύνης

Συμπέρασμα

Η Τεχνητή Νοημοσύνη δεν είναι πια ένα «ωραίο να το έχεις (nice to have)» αγαθό ή τρόπαιο είναι ήδη ένας από τους βασικούς μοχλούς ανταγωνιστικού πλεονεκτήματος. Ταυτόχρονα όμως, είναι και ένας χώρος γεμάτος υπερβολές, προσδοκίες χωρίς έλεγχο, πρόχειρα POC και έργα που ξεκινούν με ενθουσιασμό και καταλήγουν σε αποτυχία. Ο δεκάλογος που παρουσιάσαμε δεν είναι μια μαγική συνταγή επιτυχίας, είναι όμως ένα πρακτικό φίλτρο: βοηθά κάθε εταιρία να ξεχωρίσει τις πραγματικές ευκαιρίες από τον θόρυβο και να επενδύσει χρόνο, χρήμα και ανθρώπινο κεφάλαιο με σύνεση εκεί που αξίζει.

Το κοινό νήμα πίσω από όλες τις συμβουλές είναι τριπλό: καθαροί στόχοι, ρεαλιστικές προσδοκίες, συστηματική δουλειά. Δεν αρκεί να αγοράσουμε μια πλατφόρμα Τεχνητής Νοημοσύνης ή να «παίξουμε» με ένα chatbot. Χρειάζεται να ξέρουμε τι πρόβλημα λύνουμε, πώς θα μετρήσουμε το όφελος, ποιος παίρνει τις αποφάσεις, πώς θα συνεργαστούν άνθρωποι, δεδομένα και αλγόριθμοι. Χρειάζεται να χτίσουμε εσωτερική γνώση, να μην εξαρτόμαστε τυφλά από εξωτερικούς συμβούλους και να συμφωνήσουμε – από την αρχή – τι ακριβώς σημαίνει «επιτυχημένο έργο Τεχνητής Νοημοσύνης» για τη δική μας επιχείρηση.

Αν αντιμετωπίσετε την Τεχνητή Νοημοσύνη ως μακροπρόθεσμη επιχειρησιακή ικανότητα και όχι ως μια «μόδα», τότε κάθε πιλοτικό έργο, κάθε μικρή εφαρμογή θα είναι ένα βήμα προς μια πιο ώριμη, πιο αποδοτική και πιο ευέλικτη εταιρία. Ξεκινήστε μικρά, δοκιμάστε μετρημένα, μάθετε γρήγορα, προστατέψτε τα δεδομένα σας, επενδύστε στους ανθρώπους σας και διαμορφώστε ξεκάθαρες συμφωνίες προσδοκιών. Έτσι, οι εφαρμογές Τεχνητής Νοημοσύνης που θα αποφασίσετε να υλοποιήσετε δεν θα είναι άλλο ένα «project που δοκιμάσαμε», αλλά μέρος της καθημερινής σας λειτουργίας – και ένας από τους βασικούς λόγους που η εταιρία σας θα ξεχωρίζει τα επόμενα χρόνια.