Τεχνητή Νοημοσύνη και Αποδοτικότητα Πρόσληψης: Τι Πρέπει να Γνωρίζουν οι Επενδυτές

Η τεχνητή νοημοσύνη συχνά παρουσιάζεται ως τρόπος να γίνεται περισσότερη δουλειά με λιγότερους υπαλλήλους. Αυτή η προσέγγιση παραβλέπει μια άλλη ευκαιρία: να βοηθά τις επιχειρήσεις να απασχολούν τον κατάλληλο αριθμό ατόμων καθώς η ζήτηση μεταβάλλεται. Η υπερβολική προσέγγιση στην πρόσληψη μπορεί να αυξήσει τα κόστη. Η υπερβολική επιφυλακτικότητα στην πρόσληψη μπορεί να αφήσει τους πελάτες σε αναμονή, να καθυστερήσει την ανάπτυξη προϊόντων και να παραδώσει την ανάπτυξη στους ανταγωνιστές.

Μελέτη των Kai Xing και συνεργατών του, με τίτλο «Τεχνητή νοημοσύνη και αποτελεσματικότητα των επενδύσεων σε εργατικό δυναμικό: στοιχεία από εταιρείες των ΗΠΑ», εξετάζει αυτή τη λιγότερο ορατή διάσταση της επιχειρηματικής αξίας της ΤΝ.¹ Δημοσιευμένη ως προδημοσίευση στο Journal of International Money and Finance, διαπιστώνει ότι οι εταιρείες που συνδέονται με την ΤΝ τείνουν να εμφανίζουν μικρότερη απόκλιση ανάμεσα στις πραγματικές προσλήψεις και σε εκείνες που θα προέβλεπαν οι οικονομικές συνθήκες τους.

Για τους επενδυτές, η συνέπεια εκτείνεται πέρα από τις εξοικονομήσεις μισθοδοσίας. Η δαπάνη για AI μπορεί να απαιτεί πιο προσεκτική εξέταση ως επένδυση στην οργανωτική ανταπόκριση. Η ευκαιρία βρίσκεται στη σύνδεση καλύτερων πληροφοριών με καλύτερες αποφάσεις, ενώ αναγνωρίζεται ότι η υιοθέτηση τεχνολογίας και η πραγματοποίηση των ωφελειών της είναι ξεχωριστές επιτεύξεις.

Τι Μετρά Πραγματικά η Αποδοτικότητα Πρόσληψης με AI

Οι ερευνητές αναλύουν 36.078 παρατηρήσεις εταιρεία‑έτος σε 5.843 εταιρείες που είναι εισηγμένες στις ΗΠΑ, από το 2004 έως το 2020. Οι χρηματοπιστωτικές εταιρείες και οι εταιρείες κοινής ωφέλειας εξαιρούνται επειδή τα ρυθμιστικά τους περιβάλλοντα και οι λογιστικές δομές διαφέρουν από εκείνες των άλλων επιχειρήσεων.

Η μελέτη εκτιμά την αναμενόμενη καθαρή πρόσληψη χρησιμοποιώντας θεμελιώδεις επιχειρηματικούς δείκτες, όπως η αύξηση των πωλήσεων, η κερδοφορία, οι αποδόσεις των μετοχών, το μέγεθος της εταιρείας και η ρευστότητα. Στη συνέχεια μετρά πόσο η πραγματική πρόσληψη αποκλίνει από αυτό το πρότυπο. Οι μικρότερες αποκλίσεις υποδεικνύουν μεγαλύτερη αποδοτικότητα επένδυσης στην εργασία.

Αυτή η διάκριση έχει σημασία. Η αποδοτικότητα δεν σημαίνει αυτόματα μείωση του αριθμού προσωπικού. Μια εταιρεία που χρειάζεται μηχανικούς για να υποστηρίξει την αυξανόμενη ζήτηση θα μπορούσε να βελτιώσει τη μετρημένη αποδοτικότητά της προσλαμβάνοντας περισσότερους. Μια άλλη εταιρεία που προσλαμβάνει πριν από τη βιώσιμη αύξηση των πωλήσεων θα μπορούσε να βελτιωθεί μειώνοντας τον ρυθμό πρόσληψης.

Επίσης, το μέτρο δεν καθορίζει άμεσα την παραγωγικότητα των εργαζομένων, την ικανοποίηση των πελατών ή την ποιότητα των θέσεων εργασίας. Περιγράφει πόσο στενά η καθαρή πρόσληψη ευθυγραμμίζεται με μια στατιστική εκτίμηση. Αυτή η εκτίμηση προσφέρει μια χρήσιμη σύγκριση μεταξύ εταιρειών, αλλά δεν μπορεί να αποτυπώσει κάθε στρατηγικό λόγο για τον οποίο μια επιχείρηση μπορεί προσωρινά να διατηρεί πλεονάζουσα χωρητικότητα.

Για παράδειγμα, η πρόσληψη ειδικών πριν από την κυκλοφορία ενός προϊόντος μπορεί να φαίνεται υπερβολική σε σχέση με τις τρέχουσες πωλήσεις, ενώ παραμένει εμπορικά λογική. Συνεπώς, οι επενδυτές πρέπει να αντιμετωπίζουν τα ευρήματα ως απόδειξη για την ευθυγράμμιση του προσωπικού, όχι ως τύπο για το ιδανικό εργατικό δυναμικό.

Τι Διαπιστώνει η Μελέτη σχετικά με την AI και το Προσωπικό

Η κύρια ανάλυση εντοπίζει τις εταιρείες που συνδέονται με AI μέσω της συμμετοχής τους σε διαπραγματεύσιμα αμοιβαία κεφάλαια με θέμα την AI. Οι συγγραφείς το ερμηνεύουν ως έκθεση στην AI που αναγνωρίζεται από την αγορά, αντί για άμεση μέτρηση της υλοποίησης εντός κάθε εταιρείας. Πρόσθετες δοκιμές χρησιμοποιούν δείκτες εργατικού δυναμικού και πατεντών σχετικών με AI.

Σε αυτές τις προσεγγίσεις, τα αποτελέσματα γενικά υποστηρίζουν μια θετική συσχέτιση μεταξύ της έκθεσης στην AI και της αποδοτικότητας επένδυσης στην εργασία. Η σχέση καλύπτει τόσο την υπερπρόσληψη όσο και την υποπρόσληψη, υποδεικνύοντας ότι το σχετικό όφελος αφορά την ευθυγράμμιση παρά μια ομοιόμορφη προτίμηση για μικρότερα εργατικά δυναμικά.

Οι συγγραφείς επίσης εντοπίζουν θετικές συσχετίσεις με την κερδοφορία και την αγοραία αποτίμηση. Αυτά τα αποτελέσματα ενισχύουν τη σημασία του άρθρου για τους επενδυτές, αν και δεν αποδεικνύουν ότι η AI από μόνη της προκάλεσε αυτά τα αποτελέσματα.

Γιατί η Βελτιωμένη Πρόσληψη Μπορεί να Δημιουργήσει Επιχειρηματική Αξία

Σκεφτείτε μια υποθετική επιχείρηση υπηρεσιών που αντιμετωπίζει απρόβλεπτη ζήτηση. Χωρίς αξιόπιστες πληροφορίες, οι διαχειριστές μπορεί να εναλλάσσονται μεταξύ πρόσληψης πολύ αργά και διατήρησης χωρητικότητας μετά την υποχώρηση της ζήτησης. Οι πελάτες αντιμετωπίζουν καθυστερήσεις κατά τις περιόδους αιχμής, ενώ οι ήσυχες περίοδοι αφήνουν την εταιρεία να φέρει περιττά κόστη.

Η AI θα μπορούσε να βοηθήσει στην πρόβλεψη της εισερχόμενης εργασίας, στην ταυτοποίηση επαναλαμβανόμενων στενών σημείων και στη διάκριση προσωρινών αυξήσεων από διαρκή ανάπτυξη. Οι διαχειριστές θα μπορούσαν στη συνέχεια να προσαρμόσουν τα προγράμματα, να επανατοποθετήσουν υπαλλήλους ή να προσλάβουν συγκεκριμένες δεξιότητες πριν η υπηρεσία υποβαθμιστεί.

Αυτή είναι μια λειτουργική ερμηνεία των ευρημάτων, όχι ένας μηχανισμός που αποδείχθηκε από τη μελέτη. Η αξία της είναι ότι διευρύνει το επενδυτικό ερώτημα. Αντί να ερωτούνται μόνο πόσες θέσεις εξαλείφει η αυτοματοποίηση, οι επενδυτές μπορούν να ρωτήσουν εάν η επιχείρηση ανταποκρίνεται πιο αποτελεσματικά στις μεταβαλλόμενες συνθήκες.

Η ίδια λογική ισχύει και εκτός των εργασιακών ροών γραφείου. Η πρόσφατη κάλυψη του Securities.io για Κέρδη παραγωγικότητας AI στη γεωργία εξετάζει πώς η καλύτερη κατανομή πόρων μπορεί να δημιουργήσει αξία στις φυσικές βιομηχανίες. Η εργασία είναι ένας άλλος πόρος του οποίου ο χρονισμός και η διάθεση επηρεάζουν τα εμπορικά αποτελέσματα.

Η Διαταραχή του Εργατικού Δυναμικού Μπορεί να Εξασθενίσει τις Αποδόσεις της AI

Η υλοποίηση της τεχνολογίας εισάγει τα δικά της κόστη προσαρμογής. Οι εργαζόμενοι πρέπει να μάθουν νέα συστήματα, οι ευθύνες μπορεί να αλλάξουν, και οι διαχειριστές πρέπει να αποφασίσουν πότε οι αυτοματοποιημένες συστάσεις απαιτούν ανθρώπινη ανασκόπηση. Η παραγωγικότητα μπορεί να υποφέρει ενώ αυτές οι αλλαγές βρίσκονται σε εξέλιξη.

Η εργασία εντοπίζει ένα αντισταθμιστικό μοτίβο που σχετίζεται με τη μεταβλητή κυκλοφορίας του εργατικού δυναμικού. Ωστόσο, αυτό το δείκτη μετρά τις αλλαγές στην απασχόληση σε σχέση με το μέγεθος του εργατικού δυναμικού. Δεν πρέπει να ερμηνευθεί ως άμεση μέτρηση αποχωρήσεων, διατήρησης ή δυσαρέσκειας των εργαζομένων.

Ακόμη και με αυτόν τον περιορισμό, το εύρημα θέτει ένα χρήσιμο ερώτημα διαχείρισης: πόση διαταραχή συνοδεύει τη μετάβαση; Μια εταιρεία θα μπορούσε να αυτοματοποιήσει επιτυχώς τις ρουτίνες εργασίες, ενώ χάνει πολύτιμη θεσμική γνώση λόγω κακώς σχεδιασμένης αναδιάρθρωσης.

Αυτή η ανησυχία συνδέεται με την εξέταση του Securities.io για εμπιστοσύνη των εργαζομένων και απόδοση επένδυσης αυτοματοποίησης. Μια αξιόπιστη στρατηγική υλοποίησης απαιτεί οι εργαζόμενοι να κατανοούν τις αλλαγμένες ευθύνες και να παρέχουν πληροφορίες σχετικά με τα σημεία αποτυχίας των συστημάτων.

Η επανεκπαίδευση επηρεάζει επίσης το αν η απελευθερωμένη χωρητικότητα γίνεται χρήσιμη. Η εξοικονόμηση αρκετών ωρών από τους εργαζόμενους δεν δημιουργεί αυτόματα επιπλέον έσοδα. Οι επιχειρήσεις χρειάζονται ένα πρακτικό σχέδιο για την ανακατεύθυνση αυτού του χρόνου προς την εξυπηρέτηση πελατών, την ανάπτυξη προϊόντων ή άλλη πολύτιμη εργασία.

Γιατί η Οικονομική Ευελιξία Σημαίνει για την Υιοθέτηση της AI

Η συσχέτιση μεταξύ AI και αποδοτικότητας προσωπικού είναι πιο έντονη σε εταιρείες με μεγαλύτερη καινοτομική ικανότητα και οικονομική ευελιξία. Αυτό υποδηλώνει ότι οι συμπληρωματικοί πόροι αξίζουν προσοχής παράλληλα με την ίδια την τεχνολογία.

Οι υλοποιήσεις μπορεί να απαιτούν καθαρισμό δεδομένων, ενσωμάτωση, εκπαίδευση και επανασχεδιασμό διαδικασιών πριν εμφανιστούν τα οφέλη. Οι εταιρείες με ισχυρότερη χρηματική θέση μπορεί να είναι πιο ικανές να χρηματοδοτήσουν αυτή τη μετάβαση χωρίς να την εγκαταλείψουν κατά τη διάρκεια ενός δύσκολου τριμήνου.

Η μελέτη αναφέρει επίσης μια ισχυρότερη συσχέτιση AI-αποδοτικότητας υπό πιο σφιχτές διεθνείς χρηματοοικονομικές συνθήκες και μεγαλύτερη ξένη ζήτηση για αμερικανικά περιουσιακά στοιχεία. Πρόκειται για ιστορικές σχέσεις, όχι για προβλέψεις σχετικά με το πώς θα εξελιχθεί ο επόμενος κύκλος χρηματοδότησης.

Μια πρακτική εξαγωγή είναι ότι οι επενδυτές πρέπει να αξιολογήσουν εάν μια εταιρεία μπορεί να διατηρήσει τις δαπάνες υλοποίησης εν μέσω αβεβαιότητας. Η αγορά λογισμικού είναι πιο εύκολη από τη χρηματοδότηση των οργανωτικών αλλαγών που το καθιστούν αποτελεσματικό.

Πώς οι Επενδυτές Μπορούν να Αξιολογήσουν τα Οφέλη της AI για τις Επιχειρήσεις

Τα ευρήματα προτείνουν ένα πιο χρήσιμο πλαίσιο αξιολόγησης από το απλό μέτρημα των ανακοινώσεων AI ή τη σύγκριση του αριθμού προσωπικού πριν και μετά την υλοποίηση. Οι επενδυτές πρέπει να αναζητούν αποδείξεις ότι οι λειτουργικές βελτιώσεις διατηρούνται πέρα από το στάδιο επίδειξης.

• Προσαρμόζεται το προσωπικό στη ζήτηση ενώ η ποιότητα της υπηρεσίας παραμένει σταθερή;
• Μετριούνται τα αναφερθέντα οφέλη μετά την υλοποίηση και τα λειτουργικά κόστη;
• Μπορούν οι εργαζόμενοι να χρησιμοποιήσουν την απελευθερωμένη χωρητικότητα για εργασία που βελτιώνει τα επιχειρηματικά αποτελέσματα;

Αυτά τα ερωτήματα βοηθούν επίσης να διαχωριστούν οι δυνατότητες του προμηθευτή από τα αποτελέσματα του πελάτη. Ένα προϊόν μπορεί να αποδίδει καλά σε ελεγχόμενη ροή εργασίας, ενώ παρέχει περιορισμένη αξία σε μια κατακερματισμένη επιχείρηση.

Οι σύγχρονες υλοποιήσεις εμπλέκουν ολοένα και περισσότερο το συντονισμό συστημάτων αντί για τη δημιουργία απομονωμένων απαντήσεων. Η συζήτηση του ServiceNow τον Μάρτιο 2026 για benchmarking AI επιχειρήσεων περιγράφει την αξιολόγηση μοντέλων έναντι επιχειρηματικών συνθηκών, συμπεριλαμβανομένης της επεξεργασίας εγγράφων και της εκτέλεσης ροών εργασίας. Αυτή η δοκιμή είναι σχετική επειδή το κόστος των εξαιρέσεων και της ανθρώπινης παρέμβασης μπορεί να καθορίσει εάν η φαινομενική αποδοτικότητα μετατραπεί σε οικονομική αξία.

Η ServiceNow Προσφέρει Έκθεση στην Αυτοματοποίηση Ροών Εργασίας AI

Για επενδυτές που ενδιαφέρονται για εταιρείες που αναπτύσσουν αυτήν την υποδομή, η ServiceNow παρέχει ένα σχετικό παράδειγμα. Η πλατφόρμα της συνδέει τις επιχειρησιακές ροές εργασίας, τα δεδομένα και τις αυτοματοποιημένες ενέργειες, τοποθετώντας την κοντά στις λειτουργικές αποφάσεις μέσω των οποίων η AI θα μπορούσε να αλλάξει τις απαιτήσεις εργασίας.

Τον Μάιο 2026, η εταιρεία επέκτεινε το Αυτόνομο Εργατικό Δυναμικό σε Επιχειρηματικές Λειτουργίες, εισάγοντας ειδικούς AI για το IT, τη διαχείριση πελατειακών σχέσεων, τις υπηρεσίες εργαζομένων και την ασφάλεια και τον κίνδυνο. Αυτές οι προσφορές σχεδιάζονται για την εκτέλεση διαδικασιών εντός καθορισμένων αδειών και ελέγχων διακυβέρνησης.

Μια ανακοίνωση τον Ιούλιο που περιγράφει Leidos’ expanded AI workflow deployment προσφέρει ένα σύγχρονο παράδειγμα επιχειρησιακής ζήτησης. Οι δηλωμένοι στόχοι περιλαμβάνουν τη βελτίωση των υπηρεσιών υπαλλήλων, την επέκταση της αυτοεξυπηρέτησης IT και την κεντρικοποίηση της διακυβέρνησης AI. Πρόκειται για στόχους υλοποίησης, όχι για ανεξάρτητα επαληθευμένα αποδεικτικά στοιχεία πραγματικών εξοικονομήσεων.

Η σύνδεση με την επένδυση είναι απλή: οι επιχειρήσεις που επιδιώκουν να συντονίσουν την ανθρώπινη και την αυτοματοποιημένη εργασία ενδέχεται να χρειάζονται πλατφόρμες που ενσωματώνουν την εκτέλεση με εποπτεία. Η ServiceNow δραστηριοποιείται σε αυτήν την αγορά. Η ελκυστικότητά της ως επένδυση εξακολουθεί να εξαρτάται από την αποτίμηση, τον ανταγωνισμό, τα κόστη υλοποίησης και το αν οι πελάτες θα ανανεώσουν και θα επεκτείνουν τις δαπάνες τους.

Τα οφέλη του AI στη στελέχωση χρειάζονται καλύτερη τεκμηρίωση

Το ιστορικό δείγμα της μελέτης λήγει το 2020, πριν από την τρέχουσα άνθηση της γενετικής AI. Συνεπώς, τα ευρήματά της δεν μπορούν να αποδείξουν τις επιδράσεις των σημερινών AI πρακτόρων ούτε να επικυρώσουν τις δηλώσεις οποιουδήποτε συγκεκριμένου προμηθευτή.

Παρόλα αυτά, προσφέρει μια χρήσιμη κατεύθυνση για την αξιολόγηση του οικονομικού ρόλου του AI. Οι επιχειρήσεις μπορούν να αποκτήσουν αξία όταν η τεχνολογία τους βοηθά να αποφύγουν τόσο την ανεπαρκή χωρητικότητα όσο και την περιττή επέκταση. Οι επενδυτές πρέπει να αναζητήσουν αποδείξεις ότι οι καλύτερες αποφάσεις στελέχωσης μεταφράζονται σε βιώσιμη εξυπηρέτηση, κερδοφορία και ανάπτυξη, λαμβάνοντας υπόψη το κόστος επίτευξής τους.

Αναφορές:

¹ Xing, K., Xiong, K., Xiao, F. και Zhang, H. (2026). Τεχνητή νοημοσύνη και αποτελεσματικότητα των επενδύσεων σε εργατικό δυναμικό: στοιχεία από εταιρείες των ΗΠΑ. Journal of International Money and Finance. Ηλεκτρονική δημοσίευση πριν από την έντυπη έκδοση. https://doi.org/10.1016/j.jimonfin.2026.103684