Η ευκαιρία της τεχνητής νοημοσύνης για τις επιχειρήσεις είναι η ενίσχυση, όχι η αντικατάσταση

Η γενετική τεχνητή νοημοσύνη μπορεί να δημιουργήσει μια πειστική εικόνα του μέλλοντος σε δευτερόλεπτα. Αυτό δεν σημαίνει ότι οι επιχειρήσεις πρέπει να χτίσουν τις στρατηγικές τους γύρω από αυτήν.

Μια πρόσφατα δημοσιευμένη μελέτη που συνέκρινε σενάρια εργατικού δυναμικού που δημιουργήθηκαν από την AI με προοπτική που καθοδηγείται από ειδικούς, εντόπισε μια σαφή διαίρεση των δυνατοτήτων.¹ Τα ChatGPT 4.5, Gemini Advanced 2.5 Pro και DeepSeek R1 δημιούργησαν δομημένα σενάρια γρήγορα, αποδοτικά και σε ένα ευρύ φάσμα θεμάτων. Ωστόσο, οι ανθρώπινοι ειδικοί παρήγαγαν μελλοντικά σενάρια με μεγαλύτερο βάθος πλαισίου, ηθική ευαισθησία και στρατηγική χρησιμότητα.

Η έρευνα επικεντρώθηκε στη διαχείριση ταλέντων στον τουρισμό και τη φιλοξενία, αλλά οι συνέπειές της εκτείνονται πολύ πέρα από τα ξενοδοχεία και τα ταξίδια. Κάθε εταιρεία που τώρα εξετάζει την AI για προγραμματισμό, προσλήψεις, ανάλυση κινδύνων ή υποστήριξη εκτελεστικών αποφάσεων αντιμετωπίζει το ίδιο ερώτημα: Παράγει το σύστημα διορατικότητα ή απλώς οργανώνει γνωστές ιδέες σε ένα πειστικό αφήγημα;

Η απάντηση δεν είναι ότι η AI στερείται αξίας. Αντίθετα, η αξία της είναι μέγιστη όταν διευρύνει το πεδίο των δυνατοτήτων πριν οι έμπειροι άνθρωποι αποφασίσουν τι αξίζει να ληφθεί σοβαρά υπόψη.

Πώς οι ερευνητές έδωσαν δοκιμή στη Γενετική AI ως εργαλείο στρατηγικής προοπτικής

Οι ερευνητές ζήτησαν από τις τρεις πλατφόρμες AI να αναπτύξουν σενάρια εργατικού δυναμικού για το 2035 χρησιμοποιώντας το πλαίσιο των Τεσσάρων Μελλοντικών του Dator. Αυτή η μέθοδος εξερευνά τέσσερις ευρείες κατευθύνσεις: συνέχιση, κατάρρευση, πειθαρχία και μετασχηματισμό.

Κάθε μοντέλο έλαβε τυποποιημένες προτροπές που καλύπτουν τις συνθήκες εργασίας, τη χρήση AI σε ανθρώπινους πόρους, τις αντιλήψεις των εργαζομένων, τις αναδυόμενες δεξιότητες, την ηθική, την πολιτική και την εκπαίδευση. Τα προκύπτοντα αφηγήματα συγκρίθηκαν με σενάρια που είχαν αναπτυχθεί προηγουμένως μέσω συνεντεύξεων με 30 διεθνείς ειδικούς στον τουρισμό και τη φιλοξενία, συμπεριλαμβανομένων διευθυντών, επαγγελματιών HR, τεχνολογικών ειδικών και ακαδημαϊκών.

Τα τέσσερα σενάρια κυμαίνονταν από ένα εργασιακό περιβάλλον που οδηγείται από AI, όπου η αυτοματοποίηση βελτίωνε την πρόσληψη και την εκπαίδευση, μέχρι ένα υπερ‑αυτοματοποιημένο μέλλον χαρακτηρισμένο από παρακολούθηση, απροσωποποίηση και δυσαρέσκεια των εργαζομένων. Τα μοντέλα εξέτασαν επίσης ένα ισορροπημένο ανθρώπινο‑AI εργασιακό περιβάλλον και ένα μέλλον στο οποίο η βιομηχανία περιορίζει σκόπιμα την αυτοματοποίηση για να διατηρήσει την προσωπική εξυπηρέτηση.

Το πείραμα περιορίστηκε σκόπιμα. Τα μοντέλα έλαβαν εντολές μίας μόνο διαδρομής χωρίς επακόλουθες ερωτήσεις, εξωτερική επικύρωση, ανατροφοδότηση ενδιαφερομένων ή επαναληπτική βελτιστοποίηση. Ως αποτέλεσμα, η εργασία αξιολογεί βασικά AI‑δημιουργημένα μελλοντικά σενάρια αντί για το βέλτιστο δυνατό αποτέλεσμα από μια εξελιγμένη συνεργασία ανθρώπου‑AI.

Πού η AI υπερέδωσε και πού οι ειδικοί διατήρησαν το πλεονέκτημα

Τα συγκριτικά αποτελέσματα της μελέτης δείχνουν γιατί η γενετική AI είναι ελκυστική για τις επιχειρήσεις. Μπορεί να γεμίσει γρήγορα μια κενή σελίδα με πιθανά ρόλους, κινδύνους, πολιτικές και οργανωτικές αντιδράσεις. Αυτή η ταχύτητα θα μπορούσε να κάνει τον επίσημο σχεδιασμό σεναρίων προσιτό σε μικρότερες εταιρείες που δεν μπορούν να προσλάβουν μια μεγάλη συμβουλευτική ομάδα για κάθε στρατηγική ερώτηση.

Η αδυναμία εμφανίστηκε όταν το πλάτος έπρεπε να μετατραπεί σε κρίση. Τα μοντέλα αναγνώρισαν ζητήματα όπως η προκατάληψη, η ιδιωτικότητα, η εκτόπιση και η παρακολούθηση, αλλά γενικά τα αντιμετώπισαν ως κατηγορίες προς αναφορά. Οι ειδικοί διερεύνησαν πώς αυτά τα ζητήματα θα επηρέαζαν το ηθικό, την κουλτούρα εξυπηρέτησης, τη φωνή των εργαζομένων, τους οργανωτικούς περιορισμούς και την συναισθηματική εργασία που είναι κεντρική στη φιλοξενία.

Αυτή η διάκριση έχει σημασία. Ένα μοντέλο γλώσσας μπορεί να εντοπίσει ότι η αυτοματοποίηση μπορεί να μειώσει την ανθρώπινη επαφή. Ένας έμπειρος χειριστής είναι πιο πιθανό να καταλάβει ποιες αλληλεπιδράσεις εκτιμούν οι πελάτες, ποιες αποφάσεις θα αντισταθούν οι εργαζόμενοι και πού μια φαινομενικά αποδοτική διαδικασία μπορεί να βλάψει την εμπιστοσύνη ή τη διατήρηση.

Η πραγματική επιχειρηματική ευκαιρία είναι η ταχύτερη στρατηγική εξερεύνηση

Η πιο χρήσιμη ερμηνεία δεν είναι ότι οι άνθρωποι νίκησαν την AI. Είναι ότι κάθε πλευρά λειτουργούσε σε διαφορετικό επίπεδο του προβλήματος.

Η GenAI ήταν αποτελεσματική στη δημιουργία δυνατοτήτων. Οι ειδικοί ήταν καλύτεροι στην αξιολόγηση των δυνατοτήτων. Ο συνδυασμός αυτών των λειτουργιών μπορεί να δημιουργήσει μια πιο ισχυρή διαδικασία από το να βασίζεται κανείς αποκλειστικά σε μία από αυτές.

Μια οργάνωση θα μπορούσε να χρησιμοποιήσει την τεχνητή νοημοσύνη για να δημιουργήσει δεκάδες βασικά σενάρια, να διαφοροποιήσει κρίσιμες υποθέσεις, να εντοπίσει αδύναμα σήματα και να αποκαλύψει αντιφάσεις. Οι ανθρώπινοι συμμετέχοντες θα μπορούσαν στη συνέχεια να απορρίψουν γενικές αφηγήσεις, να προσθέσουν τοπικά αποδεικτικά στοιχεία, να εισαγάγουν προοπτικές ενδιαφερομένων και να αποφασίσουν ποιες εξελίξεις δικαιολογούν επένδυση ή σχέδιο εναλλακτικού.

Αυτή η προσέγγιση μοιάζει με τη ευρύτερη μετάβαση από ανεξάρτητα μοντέλα σε ολοκληρωμένα επιχειρηματικά συστήματα. Όπως έχει εξετάσει προηγουμένως το Securities.io, οι περισσότερες υλοποιήσεις με αυτονομία λείπουν τα απαραίτητα στρώματα γύρω από τη βασική νοημοσύνη. Ένα ικανό μοντέλο είναι μόνο ένα συστατικό. Η πρόσβαση στα δεδομένα, η ορχήστρωση, η διακυβέρνηση, η ασφάλεια, η λογοδοσία και η ενσωμάτωση καθορίζουν αν δημιουργεί βιώσιμη αξία.

Για πρακτική χρήση, οι εταιρείες θα πρέπει να αντιμετωπίζουν τα σενάρια που παράγονται από την τεχνητή νοημοσύνη ως υποθέσεις που πρέπει να περάσουν από πολλαπλούς ελέγχους:

• Ποιες υποθέσεις δεν υποστηρίζονται ή είναι υπερβολικά γενικές;
• Τι συμφέροντα και εμπειρίες λείπουν;
• Ποια αποδεικτικά στοιχεία θα επιβεβαίωναν ή θα αδυνατίζαν το σενάριο;
• Ποιες αποφάσεις παραμένουν αντιστρέψιμες εάν η πρόβλεψη είναι λανθασμένη;

Αυτό μετατρέπει την τεχνητή νοημοσύνη από αυθεντία σε πνευματικό ανταγωνιστή. Ο σκοπός της είναι να διευρύνει τη σκέψη, όχι να κλείσει τη συζήτηση.

Γιατί η ανθρώπινη εποπτεία γίνεται οικονομική απαίτηση

Η ανθρώπινη ανασκόπηση συχνά παρουσιάζεται ως ηθικό μέτρο ασφαλείας που προστίθεται μετά την ανάπτυξη ενός συστήματος τεχνητής νοημοσύνης. Στις στρατηγικές εφαρμογές, αποτελεί μέρος του προϊόντος καθαυτού.

Μια πρόβλεψη που παραβλέπει τη ρύθμιση, την αντίσταση του εργατικού δυναμικού ή τη συμπεριφορά των πελατών μπορεί να κατευθύνει το κεφάλαιο προς το λάθος έργο. Ένα σύστημα πρόσληψης που βελτιστοποιεί τη μετρήσιμη αποδοτικότητα ενώ ταυτόχρονα αποδυναμώνει την εμπιστοσύνη μπορεί να αυξήσει την εναλλαγή προσωπικού και την νομική έκθεση. Ένα εργαλείο σχεδιασμού σεναρίων που επαναλαμβάνει κυρίαρχες υποθέσεις μπορεί να κάνει τους στελέχους πιο σίγουρους χωρίς να τους κάνει καλύτερα ενημερωμένους.

Η ρύθμιση ενισχύει αυτήν την ανάγκη. Η European Union’s AI Act ταξινομεί ορισμένες εφαρμογές απασχόλησης και διαχείρισης εργαζομένων ως υψηλού κινδύνου και απαιτεί μέτρα όπως τεκμηρίωση, ανιχνευσιμότητα, ακρίβεια και ανθρώπινη εποπτεία. Αυτές οι απαιτήσεις καθιστούν τις δυνατότητες διακυβέρνησης εμπορικά σχετικές αντί απλώς φήμης.

Το αναδυόμενο ανταγωνιστικό πλεονέκτημα ενδέχεται λοιπόν να είναι η συμφραζόμενη νοημοσύνη: η ικανότητα σύνδεσης των αποτελεσμάτων του μοντέλου με ιδιόκτητα δεδομένα, γνώση του κλάδου, κανονισμούς, ιστορικό της οργάνωσης και την πραγματική εμπειρία των επηρεαζόμενων ατόμων. Τα μοντέλα βάσης θα συνεχίσουν να βελτιώνονται, αλλά η πρόσβαση σε ένα ικανό μοντέλο γίνεται λιγότερο διαφοροποιημένη. Το πιο δύσκολο περιουσιακό στοιχείο για αναπαραγωγή είναι το σύστημα που το περιβάλλει.

Αυτό επίσης βοηθά να εξηγήσει γιατί η νοημοσύνη αντιμετωπίζεται ολοένα και περισσότερο ως υποδομή. Η υποδομή γίνεται οικονομικά χρήσιμη όταν είναι αξιόπιστη, διακυβερνημένη και συνδεδεμένη με πραγματικές λειτουργίες. Η ακατέργαστη παραγωγή είναι μόνο η αρχή της αλυσίδας αξίας.

Μια κρίσιμη περιοριστική παράμετρος αλλάζει τον τρόπο ανάγνωσης των αποτελεσμάτων

Η μελέτη περιέχει μια σημαντική ασυμμετρία. Τα σενάρια AI ήταν ακατέργαστες πρώτες εκροές, ενώ η ανθρώπινη σύγκριση προήλθε από συνεντεύξεις που συνδυάστηκαν, επεξεργάστηκαν και δημοσιεύτηκαν μέσω αξιολόγησης από ομότιμους. Μερικό πλεονέκτημα των ειδικών μπορεί να αντανακλά μια πιο πλούσια διαδικασία παραγωγής παρά μια εγγενή διαφορά μεταξύ ανθρώπινης και μηχανικής σκέψης.

Οι επιλεγμένες εκδόσεις μοντέλων αντανακλούν επίσης ένα παράθυρο συλλογής δεδομένων από Φεβρουάριο έως Μάρτιο 2025. Δεδομένου του ρυθμού ανάπτυξης της τεχνητής νοημοσύνης, η έρευνα δεν πρέπει να ερμηνευθεί ως μόνιμη κατάταξη του ChatGPT, Gemini, DeepSeek ή των ανθρώπινων ειδικών.

Αυτοί οι περιορισμοί δεν ακυρώνουν το κεντρικό συμπέρασμα. Αντίθετα, υποδεικνύουν το επόμενο πείραμα: σύγκριση ομάδων ειδικών με ομάδες ειδικών που χρησιμοποιούν AI, με ίση πρόσβαση και στις δύο πλευρές σε αποδεικτικά στοιχεία, επαναλήψεις και επιμέλεια. Αυτό θα μετρήσει εάν η γενική AI γεφυρώνει το συμφραζόμενο χάσμα όταν ενσωματώνεται σε μια αυστηρή διαδικασία.

Επένδυση στο στρώμα ενσωμάτωσης ανθρώπου-ΤΝ

Τα ευρήματα δημιουργούν ένα φυσικό επιχειρηματικό σενάριο επένδυσης για την Accenture. Η εταιρεία βρίσκεται ανάμεσα σε ολοένα και πιο ικανά μοντέλα βάσης και επιχειρήσεις που χρειάζονται αυτά τα μοντέλα να μετατραπούν σε ασφαλείς, ειδικές για τον κλάδο, ροές εργασίας.

Η σημασία της Accenture δεν βασίζεται στην κατοχή ενός κορυφαίου μοντέλου βάσης. Προέρχεται από τον συνδυασμό υλοποίησης τεχνολογίας με γνώση διαδικασιών, μετασχηματισμό του εργατικού δυναμικού, διακυβέρνηση και εξειδίκευση στον κλάδο. Αυτή η θέση ευθυγραμμίζεται στενά με το συμπέρασμα της μελέτης ότι η τεχνητή νοημοσύνη γίνεται πιο χρήσιμη όταν τα αποτελέσματά της ερμηνεύονται και τοποθετούνται στο συμφραζόμενο από ανθρώπους.

Η εταιρεία δημιούργησε πρόσφατα ένα Accenture Gemini Enterprise Business Group με τη Google Cloud. Η πρωτοβουλία συνδυάζει πιστοποιημένους επαγγελματίες, βιομηχανική εμπειρία, πλαίσια υλοποίησης και ένα προγραμματισμένο εργατικό δυναμικό 1.000 ατόμων που θα τοποθετηθεί μπροστά. Ο δηλωμένος στόχος της είναι να μεταφέρει τους πελάτες από περιορισμένα πειράματα AI σε μετρήσιμα επιχειρηματικά αποτελέσματα.

Αυτή η στρατηγική επίσης ενέχει κινδύνους. Τα έργα AI που καθοδηγούνται από συμβούλους μπορούν να είναι ακριβά, τα οφέλη μπορεί να είναι δύσκολο να μετρηθούν, και το γρήγορα εξελισσόμενο λογισμικό μπορεί να αυτοματοποιήσει τμήματα του έργου υλοποίησης. Η Accenture πρέπει να αποδείξει ότι η τεχνογνωσία της παράγει διαρκή λειτουργικές βελτιώσεις αντί για παρατεταμένα προγράμματα πιλοτικής δοκιμής. Παρόλα αυτά, η έρευνα υποστηρίζει την υποκείμενη υπόθεση ότι οι επιχειρήσεις θα χρειαστούν περισσότερα από την πρόσβαση σε μοντέλα. Θα χρειαστούν βοήθεια για τον επανασχεδιασμό αποφάσεων, ευθυνών και ροών εργασίας γύρω από αυτά.

Η τεχνητή νοημοσύνη θα διαμορφώσει τη στρατηγική χωρίς να γίνει ο στρατηγός

Η γενετική τεχνητή νοημοσύνη είναι ήδη ικανή να κάνει την στρατηγική εξερεύνηση πιο γρήγορη και φθηνότερη. Μπορεί να παράγει εναλλακτικές, να οργανώνει την αβεβαιότητα και να παρέχει στους λήπτες αποφάσεων κάτι συγκεκριμένο για να το αμφισβητήσουν. Αυτά είναι ουσιαστικά πλεονεκτήματα.

Αυτό που δεν μπορεί ακόμη να προσφέρει αυτόνομα είναι η λογοδοσία για τις υποθέσεις μέσα στις αφηγήσεις του. Δεν αναλαμβάνει το κόστος όταν μια γενική σύσταση συγκρούεται με την κουλτούρα του εργασιακού χώρου, τη νομοθεσία ή την ανθρώπινη συμπεριφορά.

Το ισχυρότερο επιχειρηματικό μοντέλο επομένως δεν είναι ούτε πλήρης αυτοματοποίηση ούτε απόρριψη της τεχνητής νοημοσύνης. Πρόκειται για μια πειθαρχημένη κατανομή εργασιών: τα μηχανήματα δημιουργούν και διαφοροποιούν τις δυνατότητες, ενώ οι άνθρωποι παρέχουν αποδείξεις, πλαίσιο, ηθική κρίση και ευθύνη. Για τους επενδυτές, αυτό μετατοπίζει την προσοχή από τα μοντέλα μόνο προς τις εταιρείες που χτίζουν τα επίπεδα ενσωμάτωσης, διακυβέρνησης και τεχνογνωσίας που κάνουν την τεχνητή νοημοσύνη χρήσιμη στην πραγματική οικονομία.

Αναφορές:

¹ El Hajal, G., & Ivanov, S. (2026). Μηχανές, νου και το μέλλον της εργασίας: GenAI και οι φαντασιώσεις για το μέλλον της εργασίας. Futures, 184, 103934. https://doi.org/10.1016/j.futures.2026.103934