Η κρυφή πρόκληση πίσω από τις εταιρικές επενδύσεις στην τεχνητή νοημοσύνη

Οι επενδύσεις στην τεχνητή νοημοσύνη χρειάζονται περισσότερα από ένα μέτρο επιτυχίας

Ας φανταστούμε μια εταιρεία που εξετάζει τρεις προτάσεις για έργα τεχνητής νοημοσύνης: ένα προϊόν εξυπηρέτησης πελατών, μια ερευνητική συνεργασία και ένα εσωτερικό εργαλείο για την επίλυση διαφορών σχετικά με τιμολόγια. Κάθε πρόταση ζητά χρηματοδότηση και υπόσχεται οφέλη. Ωστόσο, τα στοιχεία που δικαιολογούν την υποστήριξη της μίας μπορεί να λένε ελάχιστα στους διοικούντες για τις υπόλοιπες.

Ένα προϊόν χρειάζεται πελάτες και αξιόπιστη διάθεση στην αγορά. Μια συνεργασία χρειάζεται ουσιαστική σύμπραξη. Ένα εσωτερικό εργαλείο πρέπει να λύνει ένα συγκεκριμένο λειτουργικό πρόβλημα. Η αξιολόγηση και των τριών με την ίδια λίστα κριτηρίων μπορεί να ευνοήσει έργα που παράγουν πειστικές προβλέψεις, παραβλέποντας όσα απαιτούν πειραματισμό.

Μελέτη στο Technovation, με τίτλο «Διαμόρφωση πρακτικών διαχείρισης χαρτοφυλακίου καινοτομίας στην εποχή των αναδυόμενων ψηφιακών τεχνολογιών», προτείνει ένα πλαίσιο για την κατανόηση αυτής της αναντιστοιχίας.¹ Οι επιπτώσεις της υπερβαίνουν τη διαχείριση έργων: οι επενδυτές που αξιολογούν τις εταιρικές δαπάνες για την τεχνητή νοημοσύνη θα πρέπει να εξετάζουν πώς οι εταιρείες αποφασίζουν ποιες πρωτοβουλίες αξίζουν πρόσθετα κεφάλαια.

Τι διαπίστωσε η μελέτη για την ψηφιακή καινοτομία

Οι ερευνητές Kristian Hilmar Mikkelsen Wegener και Karl Joachim Breunig πήραν συνεντεύξεις από 26 άτομα σε επτά σκανδιναβικούς οργανισμούς. Οι συνεντεύξεις πραγματοποιήθηκαν το 2023, ενώ έγγραφα υποστήριξης χρησιμοποιήθηκαν για να ενισχύσουν την ανάλυσή τους. Η μελέτη έγινε διαθέσιμη στο διαδίκτυο τον Οκτώβριο του 2026 και περιλαμβάνεται στον τόμο του περιοδικού για το 2027.

Οι οργανισμοί δραστηριοποιούνταν στις τηλεπικοινωνίες, στη διασφάλιση και τη διαχείριση κινδύνων, στις λύσεις μεταφορών, στη ζυθοποιία, στις συμβουλευτικές υπηρεσίες, στα προϊόντα υγειονομικής περίθαλψης και στη δημόσια χρηματοδότηση της έρευνας. Η έρευνα κάλυψε ευρέως τις αναδυόμενες ψηφιακές τεχνολογίες, μεταξύ των οποίων την τεχνητή νοημοσύνη, τη μηχανική μάθηση και το Διαδίκτυο των Πραγμάτων.

Το κεντρικό εύρημα αφορά διαφορές ουσίας. Δύο έργα μπορεί να διαφέρουν ως προς τον προϋπολογισμό ή τον κίνδυνο, αλλά και πάλι να εντάσσονται στην ίδια διαδικασία διαχείρισης. Άλλες δραστηριότητες δημιουργούν αξία με θεμελιωδώς διαφορετικούς τρόπους, με αποτέλεσμα τα κοινά κριτήρια αξιολόγησης να μην είναι κατάλληλα.

Οι συγγραφείς εντόπισαν τρεις επαναλαμβανόμενες διαμορφώσεις. Πρόκειται για πρότυπα πρακτικών διαχείρισης που μπορούν να συνυπάρχουν μέσα σε έναν οργανισμό και όχι για μόνιμες ετικέτες που αποδίδονται σε ολόκληρες επιχειρήσεις.

Πώς δημιουργούν αξία τα διαφορετικά έργα τεχνητής νοημοσύνης

Η εφαρμογή αυτού του πλαισίου στην τεχνητή νοημοσύνη διευκολύνει την κατανόηση των διαφορών. Τα παραδείγματα που ακολουθούν δείχνουν πώς θα μπορούσε να αξιοποιηθεί το πλαίσιο· δεν αποτελούν πρόσθετα ευρήματα της έρευνας.

Τα προϊόντα τεχνητής νοημοσύνης χρειάζονται επαναλήψιμη διαδικασία διάθεσης

Ας εξετάσουμε μια εταιρεία λογισμικού που αναπτύσσει έναν βοηθό τεχνητής νοημοσύνης για πελάτες που πληρώνουν. Η δουλειά της περιλαμβάνει τον σχεδιασμό του προϊόντος, τις δοκιμές, την εγκατάσταση και την υποστήριξη. Οι δομημένες αξιολογήσεις μπορούν να εξετάσουν αν ο βοηθός πληροί τις απαιτήσεις ποιότητας, προσελκύει χρήστες και μπορεί να διατεθεί με οικονομικά αποδοτικό τρόπο.

Σε αυτή την περίπτωση, η διοίκηση μπορεί εύλογα να ζητήσει ορόσημα και συγκρίσιμα εμπορικά στοιχεία. Το βασικό ερώτημα είναι αν η εταιρεία μπορεί να διαθέτει επανειλημμένα κάτι για το οποίο οι πελάτες είναι διατεθειμένοι να πληρώσουν.

Οι συνεργασίες στην τεχνητή νοημοσύνη χρειάζονται συντονισμό

Ας εξετάσουμε τώρα έναν κατασκευαστή που συνεργάζεται με ένα πανεπιστήμιο και εξειδικευμένους προμηθευτές για την εφαρμογή της μηχανικής μάθησης στη συντήρηση εξοπλισμού. Η πρόοδος εξαρτάται από την πρόσβαση σε δεδομένα, τη συμπληρωματική τεχνογνωσία και τη συμφωνία για τον τρόπο αξιοποίησης των ανακαλύψεων.

Ένας τριμηνιαίος στόχος πωλήσεων μπορεί να αποκαλύπτει ελάχιστα για το αν η συνεργασία αποκτά αξία. Στα αρχικά στάδια, πιο χρήσιμα ερωτήματα αφορούν την πρόσβαση στα δεδομένα, την κοινή τεχνική πρόοδο και το κατά πόσο οι συμμετέχοντες μπορούν να συνδυάσουν τη συνεισφορά τους σε μια αξιοποιήσιμη λύση.

Αυτό διευκρινίζει επίσης πώς χρησιμοποιεί η μελέτη τον όρο «πλατφόρμα». Περιγράφει τη διευκόλυνση της ανταλλαγής μεταξύ των συμμετεχόντων και δεν σημαίνει κατ’ ανάγκη την πώληση μιας πλατφόρμας λογισμικού.

Τα εσωτερικά εργαλεία τεχνητής νοημοσύνης χρειάζονται λειτουργικά τεκμήρια

Ένας βοηθός για τη διευθέτηση διαφορών σχετικά με τιμολόγια παρουσιάζει μια διαφορετική πρόκληση. Οι εργαζόμενοι που βρίσκονται πιο κοντά στη διαδικασία κατανοούν τις εξαιρέσεις, τα έγγραφα που λείπουν και τους λόγους για τους οποίους φαινομενικά απλές υποθέσεις γίνονται περίπλοκες. Το να δοθεί σε αυτούς τους ειδικούς περιθώριο να διαμορφώσουν το εργαλείο μπορεί να είναι πιο χρήσιμο από την επιβολή προδιαγραφών που συντάχθηκαν προτού γίνουν κατανοητές αυτές οι περιπλοκές.

Επιτυχία μπορεί να σημαίνει λιγότερες υποθέσεις που ανοίγουν ξανά ή ταχύτερη επίλυση χωρίς επιπλέον σφάλματα. Σχετικό πλαίσιο για την αγορά προσφέρει η κάλυψη του Securities.io για την εταιρική αναζήτηση και την ανακάλυψη γνώσης και την εταιρική ενοποίηση και την αυτοματοποίηση ροών εργασίας. Και οι δύο τομείς συνδέουν τις φιλοδοξίες γύρω από την ΤΝ με τις πληροφορίες και τις διαδικασίες που χρησιμοποιούν ήδη οι επιχειρήσεις.

Μετρήστε την πρόοδο στην ΤΝ πριν συγκρίνετε τις αποδόσεις

Ένα χρήσιμο συμπέρασμα είναι ότι οι εταιρείες χρειάζονται δύο επίπεδα αξιολόγησης. Το πρώτο εξετάζει αν μια πρωτοβουλία προχωρά με βάση τους δικούς της στόχους. Το δεύτερο εξετάζει αν η συνέχιση των δαπανών εξακολουθεί να δικαιολογείται σε σύγκριση με άλλες χρήσεις των κεφαλαίων.

Έτσι αποφεύγεται το ψευδές δίλημμα ανάμεσα στην απαίτηση για άμεσα έσοδα από κάθε πείραμα και στην επ’ αόριστον συνέχιση των πειραματισμών. Διαφορετικά στοιχεία μπορούν να στηρίξουν αποφάσεις χρηματοδότησης χωρίς να καταργούν τη δημοσιονομική πειθαρχία.

Για παράδειγμα, μια ερευνητική συνεργασία σε πρώιμο στάδιο θα μπορούσε να εξασφαλίσει έναν ακόμη γύρο χρηματοδότησης, αποδεικνύοντας ότι ένα σύνολο δεδομένων στο οποίο δεν υπήρχε προηγουμένως πρόσβαση μπορεί να υποστηρίξει μια χρήσιμη πρόβλεψη. Σε μεταγενέστερο στάδιο, το προϊόν που θα προκύψει θα πρέπει να αξιολογείται με αυστηρότερα κριτήρια αξιοπιστίας, υιοθέτησης και οικονομικής βιωσιμότητας.

Οι διευθυντές μπορούν να καταστήσουν ρητή αυτή τη μετάβαση θέτοντας τρία ερωτήματα:

• Ποια αβεβαιότητα πρέπει να επιλυθεί στο επόμενο στάδιο χρηματοδότησης;
• Ποια στοιχεία θα δικαιολογούσαν την επέκταση, την αλλαγή ή τη διακοπή της προσπάθειας;
• Ποιος διαθέτει τις γνώσεις και την αρμοδιότητα να λάβει αυτή την απόφαση;

Τα ερωτήματα αυτά αποτελούν εφαρμογή του πλαισίου και όχι μια δοκιμασμένη συνταγή της μελέτης. Το πλεονέκτημά τους είναι πρακτικό: συνδέουν τις δαπάνες με τη μάθηση και τις επόμενες ενέργειες.

Η κοινή υποδομή ΤΝ μπορεί να στρεβλώσει τα οικονομικά των έργων

Μια ακόμη συνέπεια αφορά τα κοινά κόστη. Ας υποθέσουμε ότι πολλά εργαλεία ΤΝ βασίζονται στις ίδιες δυνατότητες καθαρισμού δεδομένων, διαχείρισης δικαιωμάτων πρόσβασης και παρακολούθησης. Αν ολόκληρο το κόστος εγκατάστασης καταλογιστεί στο πρώτο έργο, αυτό μπορεί να φαίνεται μη ελκυστικό. Αν το κόστος αγνοηθεί σε όλα τα έργα, η κερδοφορία θα εμφανίζεται υπερβολικά υψηλή.

Μια σαφέστερη προσέγγιση διαχωρίζει την επαναχρησιμοποιήσιμη υποδομή από το πρόσθετο κόστος κάθε εφαρμογής, συνυπολογίζοντας ωστόσο και τα δύο σε επίπεδο εταιρείας. Έτσι, οι επενδυτές μπορούν να διακρίνουν μια δαπανηρή υποδομή από μια εφαρμογή που παραμένει οικονομικά μη βιώσιμη ακόμη και μετά τη δημιουργία της υποδομής.

Η ασφάλεια πρέπει να συνυπολογίζεται. Πρόσφατη κάλυψη των επενδύσεων στην ασφάλεια δεδομένων ΤΝ αναδεικνύει το εμπορικό ενδιαφέρον γύρω από την πρόσβαση των πρακτόρων και τις ευαίσθητες πληροφορίες. Για τους διευθυντές, το αναλυτικό δίδαγμα είναι να προβλέπουν κονδύλια για τους ελέγχους παράλληλα με τις δυνατότητες που αυτοί καθιστούν εφικτές.

Η αποκέντρωση των αποφάσεων για τα έργα δεν απαιτεί, ωστόσο, αποκέντρωση όλων των κανόνων. Οι ομάδες μπορούν να επιλέγουν κατάλληλες ροές εργασίας, τηρώντας παράλληλα κοινούς ελέγχους πρόσβασης, όρια δαπανών και απαιτήσεις λογοδοσίας.

Η Microsoft προσφέρει έκθεση σε ένα ευρύ φάσμα εταιρικών εφαρμογών ΤΝ

Αυτές οι διοικητικές προκλήσεις δημιουργούν ζήτηση για τεχνολογία που υποστηρίζει τόσο τον πειραματισμό όσο και την επαναλαμβανόμενη ανάπτυξη. Η Microsoft προσφέρει στους επενδυτές εισηγμένη στο χρηματιστήριο έκθεση σε εταιρικό λογισμικό, υποδομές υπολογιστικού νέφους, εργαλεία για προγραμματιστές και υπηρεσίες ΤΝ.

Στην ετήσια έκθεσή της για το 2026, η Microsoft περιγράφει μια προσφορά ΤΝ που καλύπτει εφαρμογές, μοντέλα, υποδομές και εταιρικούς ελέγχους. Η σημασία της για την παρούσα συζήτηση έγκειται στο εύρος της: οι πελάτες μπορούν να χρησιμοποιούν την τεχνολογία της εταιρείας για εμπορικά προϊόντα, συνεργατική ανάπτυξη και εσωτερικές ροές εργασίας.

Η ανακοίνωση της Microsoft τον Σεπτέμβριο σχετικά με τις δυνατότητες του Copilot και τους ελέγχους δαπανών για την ΤΝ συνδέεται επίσης άμεσα με το ζήτημα. Παράλληλα με τις νέες δυνατότητες, η εταιρεία παρουσίασε εργαλεία που αποσκοπούν να βοηθήσουν τους οργανισμούς να διαχειρίζονται την κατανάλωση ΤΝ και τις πολιτικές δαπανών.

Το επενδυτικό επιχείρημα εξαρτάται από ορισμένες προϋποθέσεις. Αν οι πελάτες μετατρέψουν τα πειράματα σε διαρκή φόρτο εργασίας, η Microsoft θα μπορούσε να επωφεληθεί από την επαναλαμβανόμενη ζήτηση για λογισμικό και την κατανάλωση υποδομών. Αν οι εγκαταστάσεις παραμείνουν δαπανηρές ή απογοητευτικές λειτουργικά, η διεύρυνση των τεχνικών δυνατοτήτων από μόνη της μπορεί να μην οδηγήσει σε ελκυστικά οικονομικά αποτελέσματα για τους πελάτες.

Η μελέτη δεν αξιολογεί τη Microsoft, δεν την αναφέρει ως συμμετέχουσα και δεν αποδεικνύει ότι τα προϊόντα της βελτιώνουν τη διαχείριση της καινοτομίας. Η εταιρεία αποτελεί ενδεικτικό επενδυτικό παράδειγμα. Η αξιολόγηση των μετοχών της εξακολουθεί να απαιτεί εξέταση της αποτίμησης, του ανταγωνισμού, των δαπανών για υποδομές και της κερδοφορίας της ανάπτυξης.

Τελευταία νέα και εξελίξεις για τη Microsoft (MSFT)

Τι πρέπει να προσέχουν οι επενδυτές στις δαπάνες για ΤΝ

Οι περιορισμοί της μελέτης έχουν σημασία. Τα ευρήματά της προέρχονται από καταγεγραμμένες πρακτικές σε μια μικρή ομάδα σκανδιναβικών οργανισμών. Δεν αποδεικνύει ότι οι αποδόσεις είναι υψηλότερες, δεν μετρά τα ποσοστά αποτυχίας έργων ΤΝ και δεν τεκμηριώνει ότι η υιοθέτηση του πλαισίου βελτιώνει τις επιδόσεις.

Παρόλα αυτά, προσφέρει έναν χρήσιμο φακό για την ανάγνωση των εταιρικών στρατηγικών ΤΝ. Ο αριθμός των πιλοτικών έργων, των συνεργασιών ή των εργαλείων που έχουν τεθεί σε λειτουργία αποκαλύπτει το επίπεδο δραστηριότητας. Οι πιο ενημερωτικές γνωστοποιήσεις εξηγούν ποια προβλήματα αντιμετωπίζονται, ποια στοιχεία απαιτούνται για την επέκταση και πώς μεταβάλλονται οι δαπάνες όταν τα αποτελέσματα είναι απογοητευτικά.

Μια εταιρεία που διακόπτει ένα μη αποδοτικό πιλοτικό πρόγραμμα μπορεί να κατανέμει αποτελεσματικά τα κεφάλαιά της. Μια εταιρεία με πολλά πιλοτικά προγράμματα μπορεί παρ’ όλα αυτά να μην έχει σαφή διαδρομή προς την εφαρμογή τους. Η διάκριση εξαρτάται από την ποιότητα των αποφάσεων και τα επιχειρησιακά τεκμήρια.

Καθώς η τεχνητή νοημοσύνη επεκτείνεται σε περισσότερες επιχειρησιακές λειτουργίες, η ικανότητα συνεκτικής χρηματοδότησης διαφορετικών μορφών καινοτομίας θα μπορούσε να εξελιχθεί σε σημαντικό ανταγωνιστικό πλεονέκτημα. Τα καλύτερα μοντέλα διευρύνουν όσα μπορούν να επιχειρήσουν οι εταιρείες. Η καλύτερη διοίκηση συμβάλλει στον καθορισμό του ποιες προσπάθειες θα εξελιχθούν σε βιώσιμες επιχειρήσεις.

Βιβλιογραφικές αναφορές:

¹ Wegener, K. H. M., και Breunig, K. J. (2027). Διαμόρφωση πρακτικών διαχείρισης χαρτοφυλακίου καινοτομίας στην εποχή των αναδυόμενων ψηφιακών τεχνολογιών. Technovation, 159, 103752. https://doi.org/10.1016/j.technovation.2026.103752