Οι επιχειρήσεις επενδύουν όλο και περισσότερα στην τεχνητή νοημοσύνη, αλλά η οικονομική απόδοση παραμένει άνιση. Το πρόβλημα δεν είναι ότι τα μοντέλα AI δεν είναι αρκετά ισχυρά. Είναι ότι πολλές εταιρείες τα τοποθετούν πάνω σε παλιές διαδικασίες, χωρίς να αλλάζουν τον τρόπο με τον οποίο κατανέμεται η εργασία, λαμβάνονται οι αποφάσεις και μετριέται το αποτέλεσμα.
Αυτό είναι το βασικό συμπέρασμα ανάλυσης του Γιάννη Σταυριανού, Senior Manager στις Συμβουλευτικές Υπηρεσίες της PwC Κύπρου. Η θέση του υποστηρίζεται από την έρευνα Digital Trends in Operations 2026 της PwC: σε δείγμα 767 στελεχών επιχειρησιακών λειτουργιών και εφοδιαστικής αλυσίδας στις ΗΠΑ, το 89% ανέφερε ότι οι επενδύσεις στην τεχνολογία δεν απέδωσαν πλήρως τα αναμενόμενα αποτελέσματα.
Η απόσταση ανάμεσα στην αγορά ενός εργαλείου και στη δημιουργία οικονομικής αξίας είναι ακριβώς το σημείο στο οποίο χάνονται τα περισσότερα έργα AI. Για τον CFO, επομένως, το κρίσιμο ερώτημα δεν είναι πόσο προηγμένο είναι ένα μοντέλο. Είναι ποιο κόστος αφαιρεί, ποιο έσοδο δημιουργεί, ποιον κίνδυνο μειώνει και πόσο γρήγορα το αποτέλεσμα μπορεί να επαναληφθεί σε κλίμακα.
Ο κανόνας 20/80 της τεχνητής νοημοσύνης
Στις προβλέψεις της για το AI το 2026, η PwC διατυπώνει έναν απλό αλλά απαιτητικό κανόνα: η τεχνολογία προσφέρει περίπου το 20% της αξίας μιας πρωτοβουλίας, ενώ το υπόλοιπο 80% προέρχεται από τον ανασχεδιασμό της εργασίας.
Η αναλογία αυτή αλλάζει τον τρόπο με τον οποίο πρέπει να καταρτίζεται ένας προϋπολογισμός AI. Αν σχεδόν όλο το διαθέσιμο κεφάλαιο κατευθυνθεί σε άδειες χρήσης, υποδομές, συμβούλους και μοντέλα, αλλά ελάχιστο ποσό δοθεί στον ανασχεδιασμό διαδικασιών, στην εκπαίδευση, στην ποιότητα των δεδομένων και στους μηχανισμούς ελέγχου, τότε η επένδυση ξεκινά με λάθος οικονομική αρχιτεκτονική.
Η αγορά ενός AI assistant μπορεί να κάνει ένα επιμέρους βήμα ταχύτερο. Δεν εγγυάται όμως ότι θα μειωθεί ο συνολικός χρόνος ολοκλήρωσης μιας εργασίας. Αν το αποτέλεσμα συνεχίζει να περιμένει έγκριση σε τρία διαφορετικά επίπεδα, αν τα δεδομένα εισάγονται χειροκίνητα ή αν ο εργαζόμενος πρέπει να επαναλάβει τον ίδιο έλεγχο σε άλλο σύστημα, η ταχύτητα του μοντέλου χάνεται μέσα στη βραδύτητα της διαδικασίας.
Γιατί τα πιλοτικά έργα δεν μετατρέπονται σε κέρδη
Η πρώτη αστοχία είναι η αντιμετώπιση του AI ως προμήθειας λογισμικού. Η διοίκηση εγκρίνει μια πλατφόρμα, τη δοκιμάζει σε περιορισμένο αριθμό χρηστών και περιμένει να δει άμεση βελτίωση στους δείκτες παραγωγικότητας ή στο περιθώριο κέρδους. Όταν οι βασικές ροές παραμένουν ίδιες, οι δείκτες συνήθως μετακινούνται λίγο και το πιλοτικό έργο χαρακτηρίζεται απογοητευτικό.
Η εικόνα αυτή εξηγεί γιατί, παρά τον ενθουσιασμό, μόλις 27% των στελεχών στην έρευνα της PwC δηλώνει ότι έχει ενσωματώσει πλήρως στρατηγική AI σε όλες τις επιχειρηματικές μονάδες. Μόνο 37% αισθάνεται άνετα να αναθέσει σε AI agents την εκτέλεση μιας ολόκληρης διαδικασίας από την αρχή μέχρι το τέλος.
Το πρόβλημα της κλίμακας φαίνεται και σε παγκόσμια έρευνα της PwC με 1.217 ανώτερα στελέχη. Σύμφωνα με τα ευρήματα, το 74% της οικονομικής αξίας που δημιουργεί το AI συγκεντρώνεται μόλις στο 20% των επιχειρήσεων. Οι πρωτοπόροι δεν χρησιμοποιούν απλώς περισσότερα εργαλεία. Είναι δύο φορές πιθανότερο να ανασχεδιάζουν τις ροές εργασίας και επενδύουν περισσότερο σε δεδομένα, διακυβέρνηση και εμπιστοσύνη.
Η αριθμητική των AI agents
Η δεύτερη παγίδα είναι λιγότερο εμφανής και περισσότερο μαθηματική. Ένας agent μπορεί να εκτελεί σωστά ένα μεμονωμένο βήμα με πιθανότητα 95%. Αν όμως μια διαδικασία περιλαμβάνει δέκα διαδοχικά και ανεξάρτητα βήματα με την ίδια αξιοπιστία, η πιθανότητα να ολοκληρωθούν όλα χωρίς λάθος υποχωρεί περίπου στο 60%. Στα είκοσι βήματα πέφτει κοντά στο 36%.
Η απλοποιημένη αυτή άσκηση δεν προβλέπει την πραγματική απόδοση κάθε συστήματος. Δείχνει όμως γιατί η αυτοματοποίηση μιας μεγάλης αλυσίδας δεν μπορεί να αξιολογείται σαν να ήταν ένα μόνο task. Όσο μεγαλώνει η αλυσίδα, τόσο αυξάνεται το οικονομικό κόστος των λαθών, της επανεπεξεργασίας και των εξαιρέσεων.
Γι’ αυτό τα αποτελεσματικά συστήματα χρησιμοποιούν μικρότερες αλυσίδες, σαφή όρια ευθύνης και ανθρώπινους ελέγχους στα σημεία υψηλού κινδύνου. Το ανθρώπινο checkpoint δεν είναι κατ’ ανάγκη εμπόδιο στην απόδοση. Μπορεί να είναι ο μηχανισμός που εμποδίζει ένα σφάλμα χαμηλού κόστους στην αρχή να μετατραπεί σε ακριβό λειτουργικό ή κανονιστικό πρόβλημα στο τέλος.
Τα παραδείγματα έχουν αξία μόνο με το σωστό μέτρο σύγκρισης
Οι περιπτώσεις μεγάλων επιχειρήσεων δείχνουν ότι το AI μπορεί να προσφέρει μετρήσιμη αξία, αλλά και ότι οι αριθμοί χρειάζονται ακριβή ανάγνωση. Η Klarna είχε ανακοινώσει το 2024 ότι ο AI assistant της εξυπηρέτησε περισσότερους από 4 εκατ. πελάτες και αναμενόταν να προσφέρει ετησιοποιημένη εξοικονόμηση 40 εκατ. δολαρίων. Την ίδια περίοδο, η εταιρεία συνέδεσε τη χρήση AI από το 90% των εργαζομένων της με μείωση λειτουργικών εξόδων κατά 11%.
Η GitHub, από την πλευρά της, ανέφερε το 2025 ότι περισσότερες από 77.000 οργανώσεις είχαν υιοθετήσει το Copilot. Το συχνά επαναλαμβανόμενο ποσοστό άνω του 90% των Fortune 100 αφορά τη χρήση της πλατφόρμας GitHub συνολικά και δεν πρέπει να παρουσιάζεται ως αποκλειστικό ποσοστό υιοθέτησης του Copilot.
Για έναν επενδυτή ή έναν CFO, αυτή η ακρίβεια έχει σημασία. Η εξοικονόμηση, η χρήση και η διείσδυση ενός προϊόντος είναι διαφορετικοί δείκτες. Η υψηλή υιοθέτηση δεν ισοδυναμεί αυτομάτως με υψηλό ROI, όπως και η εξοικονόμηση χρόνου δεν μετατρέπεται πάντοτε σε πραγματική μείωση κόστους.
Τι σημαίνει αυτό για τις κυπριακές επιχειρήσεις
Στην Κύπρο, όπου πολλές εταιρείες λειτουργούν με μικρότερες ομάδες, παλαιότερα συστήματα και έντονη εξάρτηση από χειροκίνητες εγκρίσεις, η σωστή επιλογή πεδίου είναι ακόμη πιο κρίσιμη. Ένα μικρό έργο που ανασχεδιάζει πλήρως μια συχνή και μετρήσιμη διαδικασία μπορεί να αποδώσει περισσότερο από μια οριζόντια αγορά αδειών για ολόκληρο τον οργανισμό.
Οι πρώτες επιλογές θα πρέπει να βρίσκονται εκεί όπου συνυπάρχουν μεγάλος όγκος, επαναληψιμότητα, διαθέσιμα δεδομένα και σαφής οικονομικός δείκτης. Παραδείγματα είναι η επεξεργασία τιμολογίων, η ταξινόμηση αιτημάτων πελατών, η προετοιμασία αναφορών, ο έλεγχος εγγράφων και η εσωτερική αναζήτηση γνώσης.
Πριν εγκριθεί το επόμενο κονδύλι AI, η διοίκηση μπορεί να θέσει πέντε ερωτήματα:
- Ποια συγκεκριμένη ροή εργασίας αλλάζει από την αρχή μέχρι το τέλος;
- Ποιος δείκτης θα αποδείξει έσοδο, εξοικονόμηση, ταχύτητα ή μείωση κινδύνου;
- Ποια δεδομένα χρειάζεται το σύστημα και ποιος είναι υπεύθυνος για την ποιότητά τους;
- Σε ποια σημεία απαιτείται ανθρώπινη έγκριση ή δυνατότητα άμεσης κλιμάκωσης;
- Ποιος έχει την ευθύνη του αποτελέσματος μετά το τέλος του πιλοτικού έργου;
Η μεγάλη οικονομική υπόσχεση του AI δεν θα κριθεί από το πόσες άδειες αγοράστηκαν, αλλά από το πόσες διαδικασίες επανασχεδιάστηκαν με μετρήσιμο αποτέλεσμα. Όποια επιχείρηση συνεχίσει να μετρά την πρόοδο με demos και αριθμό χρηστών κινδυνεύει να δημιουργήσει εντυπωσιακή δραστηριότητα χωρίς αντίστοιχη αξία. Όποια, αντίθετα, συνδέσει την τεχνολογία με λογοδοσία, δεδομένα και νέα ροή εργασίας έχει περισσότερες πιθανότητες να μετατρέψει το AI από κόστος σε παραγωγικό κεφάλαιο.
Η ανάλυση βασίζεται σε άρθρο του Γιάννη Σταυριανού της PwC Κύπρου και σε επίσημα στοιχεία των PwC, PwC AI Performance Study, Klarna και GitHub.
The post AI χωρίς απόδοση: Γιατί το 89% των επενδύσεων τεχνολογίας δεν πιάνει τον στόχο appeared first on moneymatters.cy.
