Η Τεχνητή Νοημοσύνη δεν αποτελεί πλέον μόνο ένα εργαλείο παραγωγικότητας. Για έναν μικρό αριθμό οργανισμών που έχουν επενδύσει ουσιαστικά σε αυτήν, έχει ήδη αναδειχθεί σε καθοριστικό παράγοντα με άμεση και ουσιαστική επίδραση στα οικονομικά τους αποτελέσματα.
Του Γιάννη Σταυριανού, Senior Manager Συμβουλευτικές υπηρεσίες PwC Κύπρου
Κάθε CEO έχει πλέον δει τα demo που αφορούν την Τεχνητή Νοημοσύνη και πιο συγκεκριμένα το πως να συνοψίζει έγγραφα, να συντάσσει emails και να απαντά σε ερωτήματα πελατών. Τα τελευταία χρόνια, η κυρίαρχη προσέγγιση για την ΤΝ ήταν να αντιμετωπίζεται ως ένα εργαλείο ενίσχυσης της παραγωγικότητας. Μια χρήσιμη προσθήκη, κάπου ανάμεσα σε μια καλύτερη μηχανή αναζήτησης και έναν πιο εξελιγμένο ψηφιακό βοηθό. Κάτι που αξίζει να διερευνηθεί και να χρηματοδοτηθεί, όχι όμως να αποτελέσει ακόμη τη βάση για ριζικό επανασχεδιασμό του επιχειρηματικού μοντέλου.
Αυτή η προσέγγιση καθίσταται πλέον όλο και πιο δύσκολο να υποστηριχθεί.
Τον Απρίλιο του 2026, η PwC δημοσίευσε τα ευρήματα μιας παγκόσμιας έρευνας σε 1.217 ανώτερα στελέχη από 25 κλάδους. Το βασικό συμπέρασμα ήταν σαφές: σχεδόν το 75% της οικονομικής αξίας που δημιουργείται από την Τεχνητή Νοημοσύνη συγκεντρώνεται ήδη στο 20% των εταιρειών—και το χάσμα αυτό διευρύνεται σταθερά. Το εύρημα αυτό αναδεικνύει δύο κρίσιμες πραγματικότητες: η αξία της Τεχνητής Νοημοσύνης είναι πλέον μετρήσιμη και απτή και δεν κατανέμεται ισομερώς στην αγορά.
Δεν είναι απλώς παραγωγικότητα — είναι μοχλός οικονομικής απόδοσης
Η παραγωγικότητα είναι ένας περιορισμένος όρος, που υποδηλώνει μια σχετικά μικρή αύξηση της τάξης του 5% στην απόδοση ανά εργαζόμενο, μια βελτίωση που θα μπορούσε να επιτευχθεί και μέσω ενός αξιόλογου προγράμματος ανθρώπινου δυναμικού. Αυτή η οπτική έχει κοστίσει στους οργανισμούς πολύτιμο χρόνο αλλά και σημαντικούς οικονομικούς πόρους τα τελευταία δύο χρόνια, καθώς τους οδήγησε να ενσωματώσουν την Τεχνητή Νοημοσύνη σε αμετάβλητες διαδικασίες και στη συνέχεια να απογοητεύονται όταν το οικονομικό αποτέλεσμα αποδεικνυόταν οριακό.
Το ενδεδειγμένο πλαίσιο είναι διαφορετικό.
Όταν αξιοποιείται ουσιαστικά, η Τεχνητή Νοημοσύνη λειτουργεί ως ισχυρός μοχλός ενίσχυσης της οικονομικής απόδοσης των επιχειρήσεων. Μετασχηματίζει τη χρηματοοικονομική τους δομή με τρόπους που καμία προηγούμενη γενιά επιχειρησιακής τεχνολογίας δεν έχει επιτύχει σε αντίστοιχη κλίμακα: μειώνει το κόστος σε λειτουργίες υψηλού όγκου και εξυπηρέτησης πελατών, περιορίζει το οριακό κόστος ανάπτυξης σε λειτουργίες που απαιτούν εξειδίκευση και γνώση και βελτιώνει τα οικονομικά, προσαρμοσμένα στον κίνδυνο, που αφορούν τις σημαντικές αποφάσεις. Οι ηγέτες δεν βασίζονται σε διαφορετικά μοντέλα τεχνολογίας, αλλά επανασχεδιάζουν το λειτουργικό τους μοντέλο γύρω από αυτά.
Τρεις μοχλοί, τρεις ενδεικτικές εφαρμογές
Klarna – Λειτουργικό κόστος εξυπηρέτησης πελατών
Μέσα σε λίγους μήνες από την κυκλοφορία του agent εξυπηρέτησης πελατών με βάση το OpenAI στις αρχές του 2024, η Klarna διαχειριζόταν τα δύο τρίτα όλων των συνομιλιών εξυπηρέτησης πελατών μέσω Τεχνητής Νοημοσύνης — όγκος που η εταιρεία είπε ότι αντιστοιχεί με το έργο περίπου 700 εργαζομένων πλήρους απασχόλησης. Ο μέσος χρόνος επίλυσης θεμάτων μειώθηκε από 11 λεπτά σε κάτω από 2, ενώ οι επαναλαμβανόμενες ερωτήσεις περιορίστηκαν κατά 25%. Μέχρι το τρίτο τρίμηνο του 2025, η εταιρεία ανέφερε περίπου 60 εκατομμύρια δολάρια σε εξοικονομήσεις κόστους που αποδίδονται σε αυτή τη μεμονωμένη υλοποίηση, ενώ τα έσοδα αυξήθηκαν κατά 26% σε ετήσια βάση. Αυτό είναι λειτουργική μόχλευση, με την ακριβή έννοια που έχει ο όρος, εδώ και έναν αιώνα.
Η Klarna αργότερα αναθεώρησε την αρχική της στρατηγική που βασιζόταν στην χρήση «μόνο AI» και επανέφερε το ανθρώπινο δυναμικό για πιο σύνθετες περιπτώσεις, καθώς ο CEO παραδέχτηκε ότι η εταιρεία είχε επικεντρωθεί σε μεγάλο βαθμό στη μείωση του κόστους. Οι εξοικονομήσεις συνεχίστηκαν και το μοντέλο που τελικά απέδωσε ήταν υβριδικό, με τον άνθρωπο να παρεμβαίνει στα κατάλληλα σημεία. Οι πραγματικοί πρωτοπόροι δεν είναι οι οργανισμοί που αυτοματοποιούν τις περισσότερες διαδικασίες, αλλά εκείνοι που αυτοματοποιούν τα σωστά πράγματα.
GitHub Copilot και το κόστος ανάπτυξης
Έρευνα της GitHub, σε ελεγχόμενο περιβάλλον, έδειξε ότι οι προγραμματιστές ολοκληρώνουν τις τυποποιημένες εργασίες κώδικα έως και 55% ταχύτερα με τη χρήση του Copilot. Το εργαλείο χρησιμοποιείται ήδη από περισσότερους από 20 εκατομμύρια προγραμματιστές, συμπεριλαμβανομένου περίπου του 90% των εταιρειών του Fortune 100, ενώ κατά μέσο όρο το 46% του κώδικα που παράγουν οι χρήστες του δημιουργείται πλέον από την Τεχνητή Νοημοσύνη.
Αυτό δεν αποτελεί πλέον φαινόμενο πρώιμης υιοθέτησης, αλλά είναι το νέο σημείο αναφοράς για την παραγωγικότητα των μεγαλύτερων εταιρειών παγκοσμίως. Για έναν CFO, το μήνυμα είναι σαφές: δεν πρόκειται απλώς για μείωση του κόστους, αλλά για έναν καταλύτη δημιουργίας εσόδων, ένα διαρθρωτικά χαμηλότερο κόστος ανάπτυξης για κάθε επιχείρηση που βασίζεται στην τεχνολογία.
JPMorgan και λειτουργίες έντασης λήψης αποφάσεων
Ο CEO Jamie Dimon ανέφερε στο Bloomberg τον Οκτώβριο του 2025 ότι η ετήσια επένδυση της JPMorgan στην Τεχνητή Νοημοσύνη, ύψους περίπου 2 δισ. δολαρίων, αποφέρει πλέον αντίστοιχα μετρήσιμα οφέλη κάθε χρόνο και, όπως τόνισε, αυτό αποτελεί «μόνο την κορυφή του παγόβουνου». Οι μηχανικοί λογισμικού εμφανίζουν αύξηση παραγωγικότητας της τάξης του 10–20%, το προσωπικό λειτουργιών διαχειρίζεται περίπου 6% περισσότερους λογαριασμούς, ενώ το κόστος ανά μονάδα στη διαχείριση απάτης έχει μειωθεί κατά ~11%, με την Τεχνητή Νοημοσύνη να συμβάλλει ουσιαστικά στην αποτροπή ζημιών.
Σε κλίμακα όπως αυτή της JPMorgan, τα οφέλη αυτά συσσωρεύονται διαχρονικά, δημιουργώντας ένα ανταγωνιστικό πλεονέκτημα που δύσκολα μπορεί κάποιος να φτάσει. Πέρα από τους επιμέρους δείκτες, η ουσία βρίσκεται στο μοντέλο: η Τεχνητή Νοημοσύνη δεν λειτουργεί ως ένα αποσπασματικό έργο, αλλά ως ένα μόνιμο, ενσωματωμένο λειτουργικό επίπεδο.
Και όμως, οι περισσότεροι οργανισμοί δεν συγκαταλέγονται σε αυτή την κατηγορία
Η έκθεση State of AI in Business 2025 του MIT, που ανέλυσε πάνω από 300 υλοποιήσεις Τεχνητής Νοημοσύνης, διαπίστωσε ότι περίπου το 95% των πιλοτικών προγραμμάτων δεν καταφέρνει να αποδώσει μετρήσιμα οικονομικά αποτελέσματα. Παράλληλα, η S&P Global ανέφερε ότι το 42% των εταιρειών εγκατέλειψε το μεγαλύτερο μέρος των πρωτοβουλιών Τεχνητής Νοημοσύνης το 2025, έναντι 17% το προηγούμενο έτος.
Τα δεδομένα δεν είναι αντικρουόμενα, καθώς αντικατοπτρίζουν διαφορετικά επίπεδα ωριμότητας μεταξύ οργανισμών. Οι πρωτοπόροι έχουν προχωρήσει σε υλοποίηση και ήδη μετρούν απτά αποτελέσματα, ενώ η πλειονότητα εξακολουθεί να πειραματίζεται χωρίς να φτάνει στην παραγωγική φάση. Η διαφοροποίηση δεν προκύπτει από την τεχνολογία, καθώς οι περισσότεροι χρησιμοποιούν τα ίδια βασικά μοντέλα. Η ουσία είναι ότι η Τεχνητή Νοημοσύνη αποτελεί κατεξοχήν επιχειρησιακό ζήτημα που συχνά αντιμετωπίζεται λανθασμένα ως τεχνολογικό. Οι ηγέτες ξεκινούν από τον επανασχεδιασμό του λειτουργικού τους μοντέλου, ενώ οι υπόλοιποι συνεχίζουν να την προσεγγίζουν κυρίως ως θέμα προμήθειας.
Η Τεχνητή Νοημοσύνη αναδεικνύεται με ταχύτητα σε καθοριστικό παράγοντα ανταγωνιστικότητας για τις επιχειρήσεις. Οι οργανισμοί που την αξιοποιούν ουσιαστικά θα ενισχύσουν ταυτόχρονα τη δομή κόστους, τη δυναμική ανάπτυξης και τα περιθώριά τους μέσα στα επόμενα δύο έως τρία χρόνια. Αντίθετα, όσοι καθυστερούν διατρέχουν τον κίνδυνο να διευρύνουν περαιτέρω την απόστασή τους από τον ανταγωνισμό.
Για τις περισσότερες ηγετικές ομάδες, το ζητούμενο δεν είναι πλέον αν η Τεχνητή Νοημοσύνη δημιουργεί αξία, καθώς αυτό έχει ήδη αποδειχθεί από τους πρωτοπόρους. Το πραγματικό ερώτημα είναι γιατί η αξιοποίησή της παραμένει τόσο πιο απαιτητική στην πράξη από ό,τι υπέδειξαν τα αρχικά παραδείγματα, και τι έχουν αντιληφθεί οι επιτυχημένοι οργανισμοί που οι υπόλοιποι δεν το έχουν ακόμη καταλάβει.
Η απάντηση αποτελεί το αντικείμενο του επόμενου άρθρου αυτής της σειράς.
