Γιατί οι περισσότερες πρωτοβουλίες υιοθέτησης AI ξεκινούν από το λάθος επίπεδο

Άμεση απάντηση

Οι περισσότερες πρωτοβουλίες υιοθέτησης AI αποτυγχάνουν επειδή ξεκινούν από το επίπεδο εργαλείων αντί από το επίπεδο συντονισμού — μια ομάδα αγοράζει ένα μοντέλο, έναν βοηθό ή έναν agent και τον στρέφει σε μια ροή εργασίας που κανείς δεν έχει πραγματικά επανασχεδιάσει. Η McKinsey βρήκε ότι ο επανασχεδιασμός της ροής εργασίας είναι ο ισχυρότερος προβλέψιμος του αντίκτυπου στο EBIT από τη χρήση AI, και το εργαστήριο NANDA του MIT βρήκε ότι το 95% των επιχειρηματικών πιλοτικών προγραμμάτων generative AI δεν παράγουν μετρήσιμη απόδοση. Το μοντέλο σπάνια ήταν ο λόγος.

Βασικά σημεία

• Ο επανασχεδιασμός της ροής εργασίας, όχι η επιλογή μοντέλου, είναι ο ισχυρότερος προβλέψιμος του επιχειρηματικού αντίκτυπου της AI. Η McKinsey βρήκε ότι μόνο το 21% όσων υιοθέτησαν είχε επανασχεδιάσει ουσιαστικά μια ροή εργασίας, και αυτή η ομάδα καρπώνεται τα περισσότερα από τα μετρημένα οφέλη.
• Η μελέτη NANDA του MIT το 2025 για την επιχειρηματική generative AI βρήκε ότι το 95% των πιλοτικών προγραμμάτων δεν αποδίδουν μετρήσιμη απόδοση στα οικονομικά αποτελέσματα, και εντόπισε το χάσμα στην οργανωσιακή μάθηση και την ενσωμάτωση στη ροή εργασίας, όχι στην ποιότητα του μοντέλου.
• Το “λάθος επίπεδο” είναι το επίπεδο εργαλείων: το μοντέλο, το chatbot ή ο agent ενός βήματος. Το σωστό επίπεδο είναι το επίπεδο συντονισμού: ποιος παραδίδει σε ποιον, με ποια σειρά, και πού πρέπει να σταματήσει η διαδικασία για να παρέμβει ένας άνθρωπος.
• Η προσθήκη ενός agent σε μια σπασμένη παράδοση συνήθως την κάνει πιο γρήγορη, όχι σωστή. Η ταχύτητα δεν διορθώνει ένα βήμα που δεν έπρεπε ποτέ να υπάρχει.
• Το να αποφασίζεις τι μένει ανθρώπινο έρχεται πριν αποφασίσεις τι θα αυτοματοποιηθεί, όχι μετά.

Τι σημαίνει πραγματικά “το λάθος επίπεδο”

Κάθε ροή εργασίας έχει τουλάχιστον τρία επίπεδα στοιβαγμένα το ένα πάνω στο άλλο. Υπάρχει ένα επίπεδο στρατηγικής — τι προσπαθεί να πετύχει η επιχείρηση. Υπάρχει ένα επίπεδο συντονισμού — η πραγματική ακολουθία παραδόσεων, εγκρίσεων και αποφάσεων που κάνει τη δουλειά να περνάει από τον έναν άνθρωπο στον επόμενο. Και υπάρχει ένα επίπεδο εργαλείων — το λογισμικό, το υπολογιστικό φύλλο, τα εισερχόμενα ή το μοντέλο που εκτελεί κάθε βήμα.

Οι περισσότερες πρωτοβουλίες υιοθέτησης AI ξεκινούν από τον πάτο αυτής της στοίβας. Κάποιος επιλέγει ένα εργαλείο — ένα chatbot για tickets υποστήριξης, έναν βοηθό για σύνταξη email, έναν agent που διαβάζει τιμολόγια — και το εγκαθιστά σε ένα σημείο μιας υπάρχουσας διαδικασίας. Η ίδια η διαδικασία, το επίπεδο συντονισμού, δεν αγγίζεται ποτέ. Κανείς δεν ρωτάει γιατί το τιμολόγιο περνάει από τέσσερα εισερχόμενα πριν εγκριθεί, ή γιατί ένα ticket υποστήριξης χρειάζεται τρεις ξεχωριστές υπογραφές πριν βγει μια επιστροφή χρημάτων. Η AI απλώς κάνει ένα από αυτά τα βήματα πιο γρήγορα.

Αυτό είναι το λάθος επίπεδο. Δεν είναι λάθος επειδή το εργαλείο είναι κακό, αλλά επειδή του ζητήθηκε να επιταχύνει μια διαδρομή που ποτέ δεν σχεδιάστηκε σκόπιμα. Οι περισσότερες από αυτές τις διαδρομές είναι αυτό που θα ονόμαζα ροές εργασίας του 1995: δεδομένα που κινούνται μεταξύ email, PDF και υπολογιστικών φύλλων επειδή αυτό ήταν διαθέσιμο πριν από τριάντα χρόνια, όχι επειδή κάποιος αποφάσισε ότι αυτός ήταν ο σωστός τρόπος να περάσει μια αξίωση, μια παραγγελία αγοράς ή μια κράτηση μέσα από έναν οργανισμό. Βάλε AI πάνω σε αυτό, και παίρνεις μια πιο γρήγορη εκδοχή μιας διαδρομής που κανείς δεν θα σχεδίαζε σήμερα.

Τι δείχνουν πραγματικά οι αριθμοί της McKinsey και του MIT

Δύο ξεχωριστές ερευνητικές προσπάθειες συνέκλιναν στο ίδιο εύρημα από διαφορετικές γωνίες το 2025, και το μοτίβο αξίζει να παρουσιαστεί καθαρά αντί να συνοψιστεί.

Διάβασε αυτές τις τέσσερις γραμμές μαζί και η ιστορία δεν είναι “η AI δεν λειτουργεί”. Η υιοθέτηση είναι σχεδόν καθολική — το 88% των οργανισμών ήδη τη χρησιμοποιούν κάπου. Το χάσμα είναι ανάμεσα στην υιοθέτηση και τον μετασχηματισμό: μόνο το 6% βλέπει οικονομικό αντίκτυπο σε επίπεδο επιχείρησης αρκετά μεγάλο ώστε να έχει σημασία, και η ομάδα που τον βλέπει επικαλύπτεται σε συντριπτικό βαθμό με το 21% που επανασχεδίασε μια ροή εργασίας αντί να κολλήσει ένα εργαλείο πάνω σε μια υπάρχουσα.

Οι ερευνητές του MIT NANDA, αφού εξέτασαν πάνω από 300 δημόσιες αναπτύξεις AI και συνέντευξαν δεκάδες επιχειρηματικά στελέχη, το έθεσαν ξεκάθαρα: το κύριο εμπόδιο στην κλιμάκωση δεν ήταν η υποδομή, η ρύθμιση ή το ταλέντο. Ήταν η μάθηση — συστήματα και ομάδες που ποτέ δεν προσάρμοσαν τη γύρω διαδικασία αφού το εργαλείο τέθηκε σε λειτουργία. Αυτό είναι μια αποτυχία επιπέδου συντονισμού μεταμφιεσμένη σε τεχνολογικό πρόβλημα.

Τι δεν είναι αυτό

Αξίζει να ονομάσουμε τι δεν υποστηρίζουν τα δεδομένα, επειδή τα εύκολα συμπεράσματα είναι τα λάθος.

Δεν είναι κατά κύριο λόγο πρόβλημα ετοιμότητας δεδομένων, αν και τα κακά δεδομένα είναι πραγματικά και δυσκολεύουν τα πάντα. Καθαρά δεδομένα που ρέουν στο λάθος επίπεδο εξακολουθούν να παράγουν μια πιο γρήγορη εκδοχή της λάθος διαδικασίας.

Δεν είναι πρόβλημα ποιότητας μοντέλου. Τα μοντέλα αιχμής που χρησιμοποιήθηκαν στα πιλοτικά προγράμματα του 2025 και του 2026 ήταν, με κάθε λογικό μέτρο, αρκετά ικανά για τις εργασίες που τους ανέθεταν οι εταιρείες. Το ποσοστό αποτυχίας δεν ακολουθούσε τις κυκλοφορίες μοντέλων.

Δεν είναι κατά κύριο λόγο πρόβλημα εκπαίδευσης ή διαχείρισης αλλαγής με τη συνήθη εταιρική έννοια — του είδους που διορθώνεται με μια παρουσίαση onboarding και ένα κανάλι στο Slack. Η εκπαίδευση ανθρώπων να χρησιμοποιούν ένα νέο εργαλείο μέσα σε μια αναλλοίωτη διαδικασία απλώς τους κάνει πιο γρήγορους στην ίδια σπασμένη παράδοση.

Είναι πρόβλημα επιπέδου. Οι ομάδες αντιμετώπισαν την AI ως μια πιο γρήγορη εκδοχή ενός υπάρχοντος βήματος αντί ως αφορμή να αναρωτηθούν αν αυτό το βήμα θα έπρεπε να υπάρχει στην τρέχουσα μορφή του.

Πού θα έπρεπε πραγματικά να ξεκινήσει η υιοθέτηση AI;

Ξεκινήστε χαρτογραφώντας το επίπεδο συντονισμού πριν επιλέξετε ένα εργαλείο. Αυτό σημαίνει να καταγράψετε, με ειλικρίνεια, ποια είναι πραγματικά η τρέχουσα διαδρομή: ποιος αγγίζει πρώτος το έγγραφο ή το ticket, τι πυροδοτεί την επόμενη παράδοση, ποιος πρέπει να το εγκρίνει, πού μένει όταν κανείς δεν το κοιτάζει, και τι συμβαίνει όταν κάτι πάει στραβά.

Έπειτα, για κάθε παράδοση σε αυτόν τον χάρτη, θέστε μία ερώτηση: υπάρχει αυτό το βήμα λόγω ενός πραγματικού περιορισμού — ευθύνη, μια πράξη που απαιτεί άδεια, κανονιστική απαίτηση, σχέση εμπιστοσύνης με έναν πελάτη — ή επειδή έτσι απλώς κινούνταν πάντα η δουλειά ανάμεσα σε δύο ανθρώπους; Έχω γράψει για αυτή την άσκηση για την επεξεργασία τιμολογίων και για τις απαιτήσεις ασφαλειών, και το μοτίβο επαναλαμβάνεται: τα περισσότερα βήματα σε μια ροή εργασίας του 1995 υπάρχουν λόγω απούσας υποδομής εκείνη την εποχή, όχι επειδή το βήμα είναι σήμερα απαραίτητο.

Μόνο αφού υπάρξει αυτός ο χάρτης έχει νόημα να αποφασιστεί πού η AI εκτελεί ένα βήμα απευθείας και πού ένας άνθρωπος πρέπει να παραμείνει το σημείο ελέγχου. Η επιλογή του εργαλείου πρώτα αντιστρέφει τη σειρά, και η αντιστροφή είναι ακριβώς αυτό που περιγράφουν οι αριθμοί της McKinsey και του MIT όταν λένε ότι ο επανασχεδιασμός της ροής εργασίας είναι η μεταβλητή που προβλέπει τον αντίκτυπο και η απουσία του είναι η μεταβλητή που προβλέπει την αποτυχία. Η ίδια η παράδοση είναι συνήθως αυτό που αξίζει να αμφισβητηθεί πριν κανείς ανοίξει έναν πίνακα σύγκρισης προμηθευτών.

Τι μένει ανθρώπινο όταν επανασχεδιάζεις το επίπεδο συντονισμού

Ο επανασχεδιασμός του επιπέδου συντονισμού δεν σημαίνει αυτοματοποίηση κάθε βήματος σε αυτό. Κάποια βήματα μένουν ανθρώπινα σκόπιμα, και το να τα ονομάσεις ρητά είναι μέρος του επανασχεδιασμού, όχι μια προσθήκη της τελευταίας στιγμής μετά την κυκλοφορία.

Οι αποφάσεις ευθύνης μένουν ανθρώπινες — η στιγμή που κάποιος είναι υπόλογος αν η απόφαση είναι λάθος. Οι πράξεις που απαιτούν άδεια μένουν ανθρώπινες, επειδή ένα διαπιστευτήριο ή μια υπογραφή φέρουν νομικό βάρος που ένα μοντέλο δεν μπορεί να σηκώσει. Οι μη αναστρέψιμες ενέργειες προς τον πελάτη, όπως μια επιστροφή χρημάτων που δεν μπορεί να ανακληθεί ή ένα συμβόλαιο που έχει ήδη σταλεί, μένουν ανθρώπινες μέχρι το σύστημα να έχει αρκετό ιστορικό για να κερδίσει εμπιστοσύνη σε αυτό το συγκεκριμένο βήμα, όχι γενικά. Και οι κρίσεις που εξαρτώνται από πλαίσιο εκτός των δεδομένων που το σύστημα μπορεί να δει — μια μακροχρόνια σχέση με πελάτη, μια μεμονωμένη εξαίρεση — μένουν ανθρώπινες επειδή αυτό είναι ακριβώς το είδος κατάστασης που ένας επανασχεδιασμός του επιπέδου συντονισμού θα έπρεπε να προωθεί σε έναν άνθρωπο, όχι να παρακάμπτει.

Έχω γράψει πιο συγκεκριμένα για το πού ανήκει πραγματικά αυτό το ανθρώπινο σημείο ελέγχου, και η σύντομη εκδοχή είναι: το σημείο ελέγχου ανήκει στο επίπεδο συντονισμού, τοποθετημένο σκόπιμα, όχι όπου έτυχε να σταματήσει το εργαλείο.

Σύνοψη

Ο λόγος που οι περισσότερες πρωτοβουλίες υιοθέτησης AI δεν εμφανίζονται στους αριθμούς δεν είναι το μοντέλο. Είναι ότι το μοντέλο εγκαταστάθηκε στο επίπεδο εργαλείων ενώ το επίπεδο συντονισμού — η πραγματική ακολουθία παραδόσεων με την οποία λειτουργεί μια επιχείρηση — έμεινε ακριβώς όπως ήταν το 1995. Η έρευνα της McKinsey συνδέει άμεσα τον επανασχεδιασμό της ροής εργασίας με τον αντίκτυπο στο EBIT· η έρευνα του MIT NANDA συνδέει άμεσα την απουσία του με πιλοτικά προγράμματα που ποτέ δεν κλιμακώνονται. Η υιοθέτηση ξεκινά στο σωστό σημείο όταν το επίπεδο συντονισμού χαρτογραφείται και επανασχεδιάζεται πρώτο, και το εργαλείο επιλέγεται μετά.