Πάρης Θωμάς στο MoneyMatters: «Αν δεν τους εκπαιδεύσετε, θα φύγουν ούτως ή άλλως»

Από την εμπειρία σας με επιχειρήσεις και ιδρυτές σε διαφορετικές χώρες, ποιο είναι το συνηθέστερο λάθος όταν προσπαθούν να μετατρέψουν μια καλή ιδέα σε βιώσιμη επιχείρηση; Ποια στοιχεία δείχνουν ότι αξίζει να επενδύσουν σε αυτήν και ποια ότι πρέπει να αλλάξουν κατεύθυνση;

Το πιο συνηθισμένο λάθος είναι να ερωτεύεται κανείς την ιδέα του και να παραβλέπει αν υπάρχουν στοιχεία που τη στηρίζουν. Με την τεχνητή νοημοσύνη μπορείς πλέον να φτιάξεις κάτι σε δύο εβδομάδες και να το δοκιμάσεις με πραγματικούς πελάτες. Αυτή η ευκολία, όμως, έχει πολλαπλασιάσει τις λύσεις που αναζητούν πρόβλημα.

Όταν μιλάμε για επένδυση σε μια ιδέα, συνήθως σκεφτόμαστε τα χρήματα. Το πολυτιμότερο που διαθέτουμε είναι ο χρόνος μας. Αξίζει να τον αφιερώσουμε εκεί όπου οι πρώτες συζητήσεις με πιθανούς πελάτες δείχνουν ότι υπάρχει ένα ουσιαστικό πρόβλημα. Τα ευγενικά σχόλια δεν αρκούν, ειδικά όταν κάνουμε λάθος ερωτήσεις ή ζητάμε μόνο τη γνώμη των φίλων μας.

Υπάρχουν πολλοί λόγοι για να αλλάξουμε κατεύθυνση. Αυτός που αναφέρεται συχνότερα είναι ότι οι συζητήσεις με πελάτες δείχνουν ξανά και ξανά πως το πρόβλημα δεν είναι αρκετά σημαντικό ώστε να κάνουν κάτι γι’ αυτό. Χρειαζόμαστε πραγματικά στοιχεία για να κρίνουμε αν αξίζει να συνεχίσουμε.

Πώς ξεχωρίζουμε το ενδιαφέρον για μια ιδέα από την πραγματική διάθεση ενός πελάτη να πληρώσει γι’ αυτήν; Ποιο πρακτικό τεστ θα προτείνατε σε μια μικρή ομάδα, πριν δαπανήσει σημαντικό χρόνο και χρήματα για την ανάπτυξη προϊόντος ή υπηρεσίας;

Πρώτα μαθαίνουμε μέσα από συζητήσεις με πιθανούς πελάτες αν υπάρχει πρόβλημα που αξίζει να λυθεί. Μετά δοκιμάζουμε αν το ενδιαφέρον συνοδεύεται από κάποια δέσμευση.

Μια πρακτική αρχή είναι μια απλή ιστοσελίδα με λίστα αναμονής, που σήμερα στήνεται σε λίγες ώρες. Την προωθούμε με στοχευμένες διαφημίσεις στα μέσα κοινωνικής δικτύωσης και βλέπουμε ποιο κοινό ανταποκρίνεται περισσότερο, άρα πού το πρόβλημα φαίνεται πιο έντονο.

Το email λειτουργεί κι αυτό σαν νόμισμα. Όλοι ζητούν τη διεύθυνσή μας και τα εισερχόμενά μας είναι ήδη γεμάτα. Το να τη δώσουμε μπορεί μερικές φορές να έχει παρόμοια βαρύτητα με μια μικρή πληρωμή. Η εγγραφή σε λίστα αναμονής είναι λοιπόν μια ένδειξη μέτριας ισχύος: έχει ουσιαστική αξία. Η προπώληση μάς δείχνει στη συνέχεια αν ο ενδιαφερόμενος θα πληρώσει πράγματι.

Μπορούμε επίσης να κάνουμε ένα πείραμα A/B/C, δοκιμάζοντας τρεις τιμές και συγκρίνοντας πόσοι αγοράζουν σε καθεμία. Εδώ εξετάζουμε την ελαστικότητα της ζήτησης ως προς την τιμή, δηλαδή πώς αλλάζει η ζήτηση όταν αλλάζει η τιμή. Κάθε πείραμα απαντά σε διαφορετικό ερώτημα και μειώνει την αβεβαιότητα γύρω από το επιχειρηματικό μοντέλο. Υπάρχει επιστημονική βάση σε αυτή τη διαδικασία. Μια καλή ιδέα από μόνη της δεν αρκεί.

Έχετε συνεργαστεί τόσο με μεγάλους διεθνείς οργανισμούς όσο και με νεοφυείς επιχειρήσεις. Τι μπορεί να μάθει η μία πλευρά από την άλλη για την καινοτομία και τη λήψη αποφάσεων; Μπορείτε να μοιραστείτε ένα συγκεκριμένο παράδειγμα από τη δουλειά σας, όπου μια αλλαγή στον τρόπο λήψης αποφάσεων βοήθησε μια ομάδα να προχωρήσει;

Οι νεοφυείς επιχειρήσεις έχουν κάτι που οι μεγάλες συχνά ζηλεύουν: ιδρυτές που έχουν προσωπικά πολλά να κερδίσουν ή να χάσουν και αφοσιώνονται ολόκληροι στην προσπάθεια. Η αίσθηση ότι πρέπει να κινηθείς τώρα δύσκολα αναπαράγεται σε έναν μεγάλο οργανισμό. Οι μεγάλες εταιρείες, από την άλλη, έχουν να διδάξουν πειθαρχία και οργανωμένες διαδικασίες.

Και οι δύο πλευρές μπορούν να εγκλωβιστούν σε ατελείωτες συζητήσεις. Εδώ βοηθούν οπτικά εργαλεία όπως ο Καμβάς Επιχειρηματικού Μοντέλου (Business Model Canvas), με τον οποίο δουλεύω εδώ και δεκαπέντε χρόνια. Βοηθά την ομάδα να αποκτήσει κοινή εικόνα του επιχειρηματικού μοντέλου.

Ένα συγκεκριμένο παράδειγμα που έχω δει στην πράξη είναι να τελειώνει ένα πείραμα και η ομάδα να μην μπορεί να αποφασίσει αν θα προχωρήσει, επειδή δεν είχε συμφωνήσει εξαρχής τι θα θεωρούσε επαρκή στοιχεία. Γι’ αυτό επιμένω να ορίζουμε πριν από τη δοκιμή τι μετράμε και ποιο αποτέλεσμα θα μας δώσει το πράσινο φως. Έτσι αποφεύγουμε τους κύκλους συζητήσεων που εξαντλούν μια ιδέα χωρίς να οδηγούν σε απόφαση.

Μέσα από την εμπειρία σας στην πράσινη επιχειρηματικότητα και τη Chrysalis LEAP, ποιο είναι το δυσκολότερο βήμα για να γίνει μια περιβαλλοντική λύση εμπορικά βιώσιμη; Σε ποιον συγκεκριμένο τομέα βλέπετε ευκαιρία για μια κυπριακή επιχείρηση να αναπτύξει λύση με προοπτική και στις διεθνείς αγορές;

Μέσα από τη Chrysalis LEAP και την υπόλοιπη δουλειά μου, έχω συνεργαστεί για πάνω από μία δεκαετία με χιλιάδες πράσινες νεοφυείς επιχειρήσεις σε όλο τον κόσμο. Έχω δει σχεδόν κάθε απλή ιδέα: από φακέλους με ενσωματωμένους σπόρους μέχρι υπηρεσίες ανακύκλωσης. Αυτό το πεδίο έχει πλέον σχεδόν κορεστεί.

Για να κάνεις ουσιαστική διαφορά και να χτίσεις μια επιχείρηση που μπορεί να μεγαλώσει, χρειάζεται να καταλαβαίνεις τη μηχανική, την παραγωγή και την επιστήμη πίσω από αυτές. Η δυσκολία είναι να μετατρέψεις την έρευνα σε λύση που λειτουργεί στην πράξη και μπορεί να εφαρμοστεί σε μεγάλη κλίμακα. Γι’ αυτό βλέπω τη συνεργασία πανεπιστημίων και βιομηχανίας ως την καλύτερη ευκαιρία μας.

Η Κύπρος έχει άφθονη ηλιοφάνεια για την παραγωγή ενέργειας από ανανεώσιμες πηγές και προσφέρεται ως πεδίο δοκιμών. Είναι αρκετά μικρή ώστε να δοκιμάσουμε μια λύση ακόμη και σε εθνικό επίπεδο, ενώ αντιμετωπίζει λειψυδρία και πιέσεις από τον τουρισμό που θα απασχολήσουν κάθε μεσογειακή χώρα. Αν αποδείξουμε ότι μια λύση λειτουργεί εδώ, μπορούμε να εξαγάγουμε το μοντέλο.

Για μια μικρή κυπριακή επιχείρηση με περιορισμένο χρόνο και προϋπολογισμό, από πού έχει νόημα να αρχίσει η αξιοποίηση της τεχνητής νοημοσύνης; Αν σχεδιάζατε μια πρώτη δοκιμαστική εφαρμογή 90 ημερών, ποιο πρόβλημα θα επιλέγατε να λύσετε και με ποια μετρήσιμα αποτελέσματα θα κρίνατε αν αξίζει να συνεχιστεί;

Θα ξεκινούσα από το πόσο οργανωμένη είναι ήδη ψηφιακά η επιχείρηση. Αν δουλεύει με σκόρπια αρχεία Excel και Word και εκτυπωμένα email, κανένα εργαλείο τεχνητής νοημοσύνης δεν θα λύσει το πρόβλημα σε ενενήντα ημέρες. Πρώτα χρειάζεται να οργανώσει ψηφιακά μία διαδικασία.

Αν έχει ήδη ψηφιακά συστήματα, όπως διαδικτυακό λογιστικό σύστημα ή σύστημα διαχείρισης πελατών (CRM), θα πρότεινα να εξετάσει όλα τα συστήματα που χρησιμοποιεί. Ποια πληρώνετε αλλά σχεδόν δεν χρησιμοποιείτε; Ποια θα μπορούσατε ενδεχομένως να αναδημιουργήσετε με τεχνητή νοημοσύνη, προσαρμοσμένα στις δικές σας ανάγκες; Μαθαίνετε έτσι να φτιάχνετε λογισμικό δίνοντας οδηγίες στην AI, το λεγόμενο «vibe coding», και να διαχειρίζεστε τα δικαιώματα πρόσβασης στα συστήματά σας.

Υπάρχουν κι άλλες απλές εφαρμογές. Η ομάδα μπορεί να στέλνει σύντομες φωνητικές ενημερώσεις που ένας ψηφιακός βοηθός συνοψίζει ανάλογα με το ποιος χρειάζεται την ενημέρωση. Στην εξυπηρέτηση πελατών, ένας βοηθός στο WhatsApp και στο email μπορεί να λύνει τα απλά αιτήματα και να παραπέμπει τα υπόλοιπα σε άνθρωπο. Μετράμε πόσα λύνει μόνος του και τον χρόνο απόκρισης.

Στις πωλήσεις, μπορεί να απαντά αμέσως σε νέους ενδιαφερόμενους και να κλείνει ραντεβού· μετράμε τον χρόνο μέχρι την πρώτη απάντηση. Στη διαχείριση εγγράφων, μπορεί να τα διαβάζει, να τα αρχειοθετεί και να ξεχωρίζει όσα χρειάζονται άνθρωπο· μετράμε τις ώρες που κερδίζουμε κάθε εβδομάδα. Μπορεί επίσης να μετατρέπει τις απομαγνητοφωνήσεις συναντήσεων, όπως αυτές που δημιουργεί το Microsoft Teams, σε εργασίες, μέσα στο εργαλείο που ήδη χρησιμοποιεί η ομάδα.

Η λογική είναι ίδια: μία συγκεκριμένη δουλειά, ένας μετρήσιμος δείκτης, ενενήντα ημέρες. Χωρίς κριτήριο αξιολόγησης, οι δοκιμαστικές εφαρμογές συνήθως εγκαταλείπονται.

Στη δουλειά σας αξιοποιείτε την τεχνητή νοημοσύνη για την κατανόηση των πελατών και την αξιολόγηση επιχειρηματικών ιδεών. Ποια στάδια μπορεί να επιταχύνει και ποια εξακολουθούν να απαιτούν επαφή με πραγματικούς πελάτες; Πώς αποφεύγουμε να θεωρήσουμε μια πειστική απάντηση της AI απόδειξη ότι υπάρχει ζήτηση;

Η τεχνητή νοημοσύνη είναι εκπαιδευμένη να ακούγεται καθησυχαστική. Η σιγουριά της όμως δεν είναι απόδειξη ζήτησης. Οι προσομοιώσεις συζητήσεων με υποθετικούς πελάτες μπορούν να βοηθήσουν, αλλά τίποτα δεν αντικαθιστά την επαφή με πραγματικούς ανθρώπους.

Όταν όλοι μπορούν να φτιάξουν γρήγορα ένα προϊόν, το πλεονέκτημα βρίσκεται στην επιλογή τού τι αξίζει να φτιαχτεί. Η AI βοηθά στην προετοιμασία: ετοιμάζει οδηγούς συζήτησης, πρόχειρα πρωτότυπα, σκαριφήματα και σχηματικά σχέδια. Με αυτά εξηγούμε την αξία που πιστεύουμε ότι προσφέρει η λύση μας, σε σχέση με το πρόβλημα που υποθέτουμε ότι έχει ο πελάτης. Τα πρωτότυπα είναι επίτηδες πρόχειρα και ατελή, ώστε ο άλλος να νιώθει άνετα να τα αμφισβητήσει και να μας πει ειλικρινά τη γνώμη του.

Μετά, η AI μπορεί να αναλύσει δεκαπέντε με είκοσι τέτοιες συζητήσεις και να μας βοηθήσει να βγάλουμε συμπεράσματα μέσα σε ώρες αντί για εβδομάδες. Αυτή είναι η μάθηση μέσα από συζητήσεις: διαμορφώνουμε τη λύση μαζί με τους πελάτες, χωρίς να προσπαθούμε να τους την πουλήσουμε.

Ποιο συγκεκριμένο πρόβλημα επιχειρεί να λύσει η Strapivo και σε τι διαφέρει από τη χρήση ενός γενικού εργαλείου AI; Θα μπορούσατε να μας το δείξετε μέσα από ένα παράδειγμα χρήσης, από το επιχειρηματικό ερώτημα με το οποίο ξεκινά ο χρήστης μέχρι το αποτέλεσμα που λαμβάνει;

Το Strapivo κινείται σε ένα πεδίο που ονομάζουμε «δυναμική στρατηγική». Η στρατηγική, σε αντίθεση με τα οικονομικά ή τις πωλήσεις, δεν απέκτησε ποτέ το δικό της λογισμικό. Συχνά μένει σε παρουσιάσεις PowerPoint που ενημερώνονται λίγο πριν από την ετήσια συνάντηση στρατηγικού σχεδιασμού. Η εμπιστευτικότητα του θέματος δεν σημαίνει ότι πρέπει να μένει εκτός τεχνολογικής εξέλιξης.

Ο κεντρικός στόχος μπορεί να παραμένει σταθερός, αλλά ο τρόπος για να φτάσουμε εκεί χρειάζεται συχνή αναθεώρηση. Το Strapivo χτίζει ένα σύστημα στρατηγικής νοημοσύνης με μνήμη, που συνδέει τις αποφάσεις της διοίκησης με τους στόχους, τις αξίες, τους περιορισμούς, τα εργαλεία στρατηγικής ανάλυσης και το επιχειρηματικό μοντέλο της εταιρείας. Τα συνδυάζει με τη γνώση της αγοράς και τις ανταγωνιστικές, ρυθμιστικές, τεχνολογικές και περιβαλλοντικές εξελίξεις, ώστε να επισημαίνει έγκαιρα τάσεις που χρειάζονται προσοχή.

Ο χρήστης ουσιαστικά συνομιλεί με τη στρατηγική της επιχείρησής του. Μπορεί να ρωτήσει: «Πώς μπαίνω σε αυτή την αγορά; Με ποια προϊόντα, με βάση τους πόρους και τις δραστηριότητές μου; Τι αλλαγές κατεύθυνσης πρέπει να εξετάσω;». Είναι ερωτήματα που θα απαιτούσαν εκτεταμένη έρευνα από μια συμβουλευτική εταιρεία.

Η AI αναγνωρίζει μοτίβα και οι αλγόριθμοι συνδυάζουν και ερμηνεύουν τα δεδομένα. Οι απαντήσεις στηρίζονται σε πηγές, με παραπομπές και ελέγχους που περιορίζουν τις επινοημένες πληροφορίες. Έτσι ο χρήστης μπορεί να εντοπίζει ευκαιρίες για μεγαλύτερη ανταγωνιστικότητα, έσοδα και αποτίμηση, αλλά και να κρίνει πότε να κινηθεί επιθετικά, πότε να προστατεύσει τη θέση του και πότε να περιμένει. Αυτή είναι η δυναμική στρατηγική.

Όταν η AI επηρεάζει αποφάσεις για επενδύσεις, νέα προϊόντα ή την κατεύθυνση μιας επιχείρησης, ποιον έλεγχο πρέπει να ασκεί η διοίκηση στις εισηγήσεις της; Ποια απόφαση δεν θα αναθέτατε σε ένα σύστημα AI, ακόμη κι αν η απάντησή του φαίνεται τεκμηριωμένη, και γιατί;

Η τεχνητή νοημοσύνη μάς βοηθά να δουλεύουμε πιο γρήγορα και καλύτερα και να εντοπίζουμε μοτίβα και δυνατότητες που δεν είχαμε δει. Το ερώτημα είναι ποιες αποφάσεις θα της αναθέσουμε.

Η διοίκηση χρειάζεται περισσότερο από ποτέ να καταλαβαίνει τις δυνατότητες και τους περιορισμούς της. Συχνά η πίεση για την τελευταία τεχνολογική τάση έρχεται από τις ομάδες και τα στελέχη βρίσκονται μπροστά σε κάτι εντυπωσιακό που δεν καταλαβαίνουν καλά. Είναι πιθανότερο να βρεις έναν εικοσάχρονο που γνωρίζει καλά την AI παρά έναν εξηντάχρονο. Αν όμως δεν καταλαβαίνεις πώς λειτουργεί, πώς θα βάλεις κανόνες και θα κρίνεις ποιες εισηγήσεις της θα ακολουθήσεις;

Σκεφτείτε καθηγητές που χρησιμοποιούν το ChatGPT για να βαθμολογήσουν εργασίες. Αν βάζουν την επόμενη εργασία στην ίδια συνομιλία, οι προηγούμενες μπορούν να επηρεάσουν τη βαθμολόγηση, αντί αυτή να βασίζεται μόνο στα κριτήρια που έχουν ορίσει. Μπορεί να μη γνωρίζουν καν ότι αυτό είναι δυνατό. Δεν ξέρουμε τι δεν ξέρουμε.

Δεν θα της ανέθετα την τελική απόφαση όταν παίζει καθοριστικό ρόλο το ένστικτο: ποιον θα προσλάβω ανάμεσα στους επικρατέστερους υποψηφίους ή ποια επένδυση θα επιλέξω. Πιστεύω ότι, όσο κι αν εξελιχθεί η AI, δεν θα αποκτήσει αυτή την ανθρώπινη «έκτη αίσθηση», τη διαίσθηση της εμπειρίας και την κατανόηση των συναισθημάτων που επηρεάζουν μια απόφαση. Εκεί την τελική κρίση θα την κρατούσα εγώ.

Κοιτάζοντας την επόμενη πενταετία, ποιες αλλαγές στις καθημερινές εργασίες θεωρείτε πιθανότερες λόγω της AI και ποιες δεξιότητες θα αποκτήσουν μεγαλύτερη αξία; Πέρα από την εκμάθηση εργαλείων, τι χρειάζεται να αλλάξουν από σήμερα οι επιχειρήσεις στην εκπαίδευση και στην οργάνωση των ομάδων τους;

Δεν μπορούμε να προβλέψουμε τι θα συμβεί σε πέντε χρόνια. Αν όμως σχεδιάζουμε το μέλλον με τα πρότυπα του χθες και πιστεύουμε ότι αρκεί να μάθουμε μερικά εργαλεία, χάνουμε το πόσο βαθιά αλλάζουν όσα θεωρούμε δεδομένα. Το καλύτερο που μπορούμε να κάνουμε τώρα είναι να κατανοήσουμε την AI και να μάθουμε να τη χρησιμοποιούμε στην πράξη. Δεν μπορώ να υποσχεθώ ότι αυτό θα αρκεί σε πέντε χρόνια.

Η πρόβλεψή μου είναι ότι, μέχρι του χρόνου, ο νούμερο ένα λόγος αποχώρησης εργαζομένων θα είναι ότι ο εργοδότης τους δεν τους εκπαίδευσε αρκετά στα εργαλεία AI. Όταν γίνεται εμπόδιο στην εξέλιξή σου και βλέπεις τους άλλους να σε προσπερνούν, αλλάζει ο τρόπος που τον βλέπεις. Στην παλιά ερώτηση «κι αν τους εκπαιδεύσουμε και φύγουν;», η απάντηση είναι πλέον: αν δεν τους εκπαιδεύσετε, θα φύγουν ούτως ή άλλως.

Βραχυπρόθεσμα, το δίλημμα είναι αν θα έχετε ικανούς εργαζομένους ή θα τους χάσετε. Μακροπρόθεσμα, αλλάζει το τι σημαίνει εργασία και πώς βρίσκουμε νόημα σε αυτήν. Η κοινωνία χρειάζεται να καταλάβει αυτή την αλλαγή και να προετοιμαστεί. Ελπίζω ότι αυτό που μας περιμένει θα είναι καλύτερο, αλλά για να φτάσουμε εκεί πρέπει να περάσουμε μέσα από τη μετάβαση.