Τα Ιδιοκτησιακά Δεδομένα Μπορεί να Γίνουν το Πιο Πολύτιμο AI Αμυντικό Φράγμα

Η τεχνητή νοημοσύνη γίνεται όλο και πιο προσβάσιμη για τις εταιρείες. Τα κορυφαία μοντέλα μπορούν να αδειοδοτηθούν μέσω πλατφορμών cloud, τα ανοικτού κώδικα συστήματα μπορούν να προσαρμοστούν, και οι βοηθοί AI εμφανίζονται μέσα σε κοινό λογισμικό επιχειρήσεων. Αυτή η αυξανόμενη διαθεσιμότητα δημιουργεί ένα σημαντικό ερώτημα για τους επενδυτές: εάν οι ανταγωνιστές μπορούν να έχουν πρόσβαση σε παρόμοια μοντέλα, από πού θα προέρχονται τα διαρκή πλεονεκτήματα της AI;

Μια νέα μελέτη που δημοσιεύτηκε στο Research Policy¹ υποδηλώνει ότι η απάντηση μπορεί να βρίσκεται στο πόσο αποτελεσματικά οι εταιρείες συνδυάζουν την τεχνητή νοημοσύνη με ιδιοκτησιακά δεδομένα, θεσμική γνώση και ανθρώπινη εξειδίκευση. Το κεντρικό της επιχείρημα είναι ότι η AI δεν πρέπει πλέον να αντιμετωπίζεται ως ένα συμβατικό εργαλείο λογισμικού. Γίνεται ένας ακόμη παράγοντας μάθησης μέσα στην οργάνωση.

Αυτή η διάκριση είναι σημαντική επειδή η αγορά AI δεν κάνει αυτόματα μια εταιρεία καλύτερη στη μάθηση. Οι επιχειρήσεις εξακολουθούν να χρειάζονται σχεRelevant δεδομένα, υπαλλήλους που κατανοούν το λειτουργικό περιβάλλον, τεχνικές ομάδες ικανές να διαμορφώνουν τα μοντέλα και διαδικασίες που μετατρέπουν τις γνώσεις που παράγει η AI σε δράση. Οι εταιρείες που συναρμολογούν αυτές τις δυνατότητες νωρίς μπορεί να αναπτύξουν πλεονεκτήματα που γίνονται σταδιακά πιο δύσκολο να αναπαραχθούν.

AI Αλλάζει τον Τρόπο με τον οποίο οι Εταιρείες Απορροφούν Γνώση

Οι ερευνητές διαχείρισης χρησιμοποιούν τον όρο απορροφητική ικανότητα για να περιγράψουν την ικανότητα μιας εταιρείας να αναγνωρίζει πολύτιμη εξωτερική γνώση, να την κατανοεί και να την εφαρμόζει εμπορικά. Παραδοσιακά, αυτή η διαδικασία θεωρείται ανθρώπινη δραστηριότητα που υποστηρίζεται από έρευνα, επικοινωνία, εκπαίδευση και εμπειρία.

Η νέα εργασία υποστηρίζει ότι αυτό το πλαίσιο δεν είναι πλέον επαρκές. Τα σύγχρονα συστήματα AI μπορούν να σαρώνουν πληροφορίες, να εντοπίζουν πρότυπα, να συνδυάζουν δεδομένα από άσχετους τομείς και να δημιουργούν πιθανές εξηγήσεις ή λύσεις. Αντί να αποθηκεύουν απλώς πληροφορίες για να τις ανακτήσει το προσωπικό, η AI μπορεί να επηρεάσει τι αναζητά η οργάνωση και πώς ερμηνεύει όσα βρίσκει.

Αυτό δημιουργεί αυτό που ο ερευνητής αποκαλεί διπλή αρχιτεκτονική μάθησης. Η ανθρώπινη μάθηση παραμένει καθοδηγούμενη από εμπειρία, συμφραζόμενα, συσχέτιση και κρίση. Η μηχανική μάθηση λειτουργεί μέσω στατιστικών σχέσεων που εντοπίζονται στα δεδομένα. Κάθε μία έχει διαφορετικά πλεονεκτήματα και αδυναμίες, και καμία δεν είναι επαρκής μόνη της.

Αυτό υποστηρίζει ένα ευρύτερο μάθημα που εμφανίζεται στην οικονομία: οι πληροφορίες δεν δημιουργούν αξία μέχρι μια οργάνωση να μπορεί να τις ερμηνεύσει και να δράσει βάσει αυτών. Πρόσφατη κάλυψη του Securities.io για το πώς η AI ανοίγει νέες ευκαιρίες για μικρές επιχειρήσεις διαπίστωσε παρόμοια ότι η ικανότητα AI και η επιχειρηματική ικανότητα είναι συμπληρωματικές και όχι εναλλάξιμες.

Η Κληρονομιά Δεδομένων Θα Μπορεί να Γίνει Συγκροτημένο Εταιρικό Περιουσιακό Στοιχείο

Ένα από τα πιο χρήσιμα concepts της εργασίας είναι η κληρονομιά δεδομένων. Αυτό αναφέρεται στον όγκο, την ποικιλία, την ποιότητα και το ιστορικό των δεδομένων που έχει συσσωρεύσει μια εταιρεία.

Οι παραδοσιακές βάσεις δεδομένων είναι κυρίως παθητικές. Διατηρούν τις πληροφορίες μέχρι να τις ανακτήσει και να τις αναλύσει ένα άτομο ή ένα προκαθορισμένο πρόγραμμα. Η AI καθιστά τα συσσωρευμένα δεδομένα πιο ενεργά, επειδή νέες πληροφορίες μπορούν να αλλάξουν τον τρόπο με τον οποίο το σύστημα εντοπίζει πρότυπα και δημιουργεί μελλοντική γνώση.

Ένας κατασκευαστής, για παράδειγμα, μπορεί να διαθέτει χρόνια αρχείων συντήρησης, μετρήσεων παραγωγής, αναφορών ελαττωμάτων, καταγραφών εξοπλισμού και παρατηρήσεων τεχνικών. Ένας ανταγωνιστής μπορεί να αγοράσει παρόμοιο λογισμικό AI, αλλά δεν μπορεί άμεσα να αναπαράγει αυτό το ιστορικό λειτουργίας. Τα δεδομένα της υπάρχουσας εταιρείας μπορούν να βοηθήσουν τα μοντέλα της να διαγνώσουν βλάβες, να βελτιστοποιήσουν την παραγωγή και να εντοπίσουν σχέσεις που δεν ήταν προφανείς όταν δημιουργήθηκαν τα αρχεία.

Η διαδικασία μπορεί να γίνει αυτοενισχυτική. Τα καλύτερα δεδομένα βοηθούν ένα σύστημα AI να εντοπίσει ποια πρόσθετη πληροφορία θα ήταν πολύτιμη. Η εταιρεία τότε συλλέγει καλύτερη πληροφορία, βελτιώνοντας την επόμενη ανάλυση και καθοδηγώντας περαιτέρω συλλογή. Η εργασία περιγράφει αυτή τη σκόπιμη επένδυση στην προμήθεια, κατηγοριοποίηση, ενσωμάτωση και διαχείριση των δεδομένων ως προσπάθεια απορρόφησης δεδομένων.

Το προκύπτον πλεονέκτημα δεν είναι απλώς η ύπαρξη περισσότερων δεδομένων. Κακώς δομημένα, άσχετα ή μεροληπτικά δεδομένα μπορούν να αποδυναμώσουν ένα σύστημα. Το φράγμα προέρχεται από τον συνδυασμό:

• Ιδιοκτησιακές και σχετικές πληροφορίες
• Αξιόπιστες διαδικασίες συλλογής και διακυβέρνησης
• Υπάλληλοι που κατανοούν το λειτουργικό πλαίσιο
• Τεχνική εξειδίκευση ικανή να προσαρμόσει την AI

Αυτό είναι σύμφωνο με τη γενικότερη μετατόπιση προς υβριδικές στρατηγικές δεδομένων που συνδυάζουν ιδιοκτησιακές εταιρικές πληροφορίες με μεγαλύτερα εξωτερικά σύνολα δεδομένων. Η πρόσβαση σε ένα ισχυρό μοντέλο μπορεί να γίνει κοινή, αλλά η πρόσβαση στο σωστό εσωτερικό πλαίσιο θα παραμείνει άνιση.

Πώς η AI Μπορεί να Διατηρήσει Θεσμική Γνώση

Η μελέτη εισάγει επίσης την ιδέα της εικονικοποίησης γνώσης. Οι υπάλληλοι συχνά συσσωρεύουν εξειδίκευση που είναι δύσκολο να καταγραφεί. Ένας έμπειρος τεχνικός μπορεί να εντοπίσει ένα μηχανικό πρόβλημα από μια ασυνήθιστη δόνηση, ενώ ένας αναλυτής κινδύνου μπορεί να αναγνωρίσει μια ύποπτη εφαρμογή χωρίς να μπορεί να μετατρέψει την κρίση σε απλός κανόνα.

Οι εταιρείες παραδοσιακά διατηρούν αυτή τη σιωπηρή γνώση μέσω εκπαίδευσης, καθοδήγησης, ρουτινών και κοινής εμπειρίας. Αυτές οι μέθοδοι είναι πολύτιμες αλλά δαπανηρές, αργές στην κλιμάκωση και ευάλωτες στην εναλλαγή προσωπικού.

Η AI δημιουργεί ένα ακόμη δυνατό κανάλι. Μοντέλα που έχουν εκπαιδευτεί σε αποφάσεις, αποτελέσματα, έγγραφα, μετρήσεις αισθητήρων και ιστορικές περιπτώσεις μπορούν να κωδικοποιήσουν τμήματα εμπειρικής γνώσης σε μαθηματικές αναπαραστάσεις. Αυτό δεν σημαίνει ότι ένα μοντέλο καταλαβαίνει κυριολεκτικά όλα όσα γνωρίζει ένας έμπειρος υπάλληλος. Σημαίνει ότι η οργάνωση μπορεί να διατηρήσει και να επαναχρησιμοποιήσει πρότυπα που προέρχονται από αυτήν την εξειδίκευση.

Αυτό θα μπορούσε να μετατρέψει τη γνώση που προηγουμένως συνδεόταν με έναν υπάλληλο ή ομάδα σε επαναχρησιμοποιήσιμο εταιρικό περιουσιακό στοιχείο. Νέο προσωπικό μπορεί να αλληλεπιδράσει με ένα σύστημα AI που αντανακλά τμήματα της ιστορικής λήψης αποφάσεων της οργάνωσης, ενώ οι έμπειροι υπάλληλοι θα μπορούσαν να χρησιμοποιήσουν τα αποτελέσματά του για να εντοπίσουν παραβλεπόμενα στοιχεία.

Ωστόσο, υπάρχει μια στρατηγική ένταση. Η σιωπηρή γνώση μπορεί να είναι πολύτιμη ακριβώς επειδή οι ανταγωνιστές δεν μπορούν να την αντιγράψουν εύκολα. Η εικονικοποίηση αυτής της γνώσης την καθιστά πιο κλιμακώσιμη εσωτερικά, αλλά επίσης εγείρει ζητήματα ασφαλείας, διακυβέρνησης και ιδιοκτησίας. Εάν εκτεθούν ευαίσθητα δεδομένα εκπαίδευσης, βάρη μοντέλου ή ροές εργασίας, η εταιρεία μπορεί αθέλητα να μεταφέρει μέρος του λειτουργικού της πλεονεκτήματος.

Η Ανθρώπινη Και Η Μηχανική Κρίση Πρέπει Να Παραμείνουν Συνδεδεμένες

Η εργασία αποκαλεί την αποτελεσματική συντονισμένη συνεργασία μεταξύ γνώσης τομέα και γνώσης AI ως γνωστική δυαδικότητα. Αυτή η ικανότητα απαιτεί περισσότερα από το να απασχολούνται επιστήμονες δεδομένων μαζί με έμπειρους διαχειριστές. Οι δύο ομάδες πρέπει να μπορούν να κατανοούν και να αμφισβητούν η μία την άλλη.

Οι ειδικοί του τομέα χρειάζονται επαρκή γνώση AI για να αναγνωρίζουν πότε ένα μοντέλο είναι μη αξιόπιστο, λειτουργεί εκτός του περιβάλλοντος εκπαίδευσής του ή συγχέει τη συσχέτιση με την αιτιότητα. Οι τεχνικές ομάδες χρειάζονται επαρκή εξοικείωση με τον τομέα για να κατανοούν ποια αποτελέσματα έχουν σημασία και ποιους περιορισμούς δεν μπορούν να εξαχθούν μόνο από τα δεδομένα.

Χωρίς αυτή τη γέφυρα, οι εταιρείες αντιμετωπίζουν δύο αντίθετους κινδύνους. Οι υπάλληλοι μπορεί να εμπιστεύονται υπερβολικά τις συστάσεις της AI, επιτρέποντας σφάλματα ή ιστορικές προκαταλήψεις να διαδοθούν σε κλίμακα. Εναλλακτικά, μπορεί να απορρίψουν χρήσιμα ευρήματα επειδή η λογική του συστήματος είναι άγνωστη ή ανεπαρκώς επεξηγήσιμη.

Αυτό βοηθά στην εξήγηση του γιατί τα έργα AI σε επιχειρήσεις μπορούν να αποδώσουν πολύ διαφορετικά αποτελέσματα ακόμη και όταν οι οργανισμοί χρησιμοποιούν παρόμοια υποκείμενα μοντέλα. Η απόδοση εξαρτάται από το περιβάλλον του συστήματος μάθησης. Το Παγκόσμιο Οικονομικό Φόρουμ έχει επίσης εντοπίσει δεδομένα έτοιμα για AI, δεξιότητες υπαλλήλων, κατάλληλα μοντέλα και υπεύθυνη διακυβέρνηση ως συνδεδεμένες απαιτήσεις για την κλιμάκωση της AI σε όλη την επιχείρηση.

Τι Διαπίστωσε η Μελέτη για τη Μάθηση Με Βάση την AI

Η έρευνα συνδύασε μια εννοιολογική ανασκόπηση με 40 συνεντεύξεις που πραγματοποιήθηκαν σε οκτώ μικρές και μεσαίες εταιρείες AI-first στην Ιταλία. Οι συμμετέχοντες κατείχαν τεχνικές και διοικητικές θέσεις σε τομείς όπως η υγεία, η χρηματοδότηση, το δημιουργικό περιεχόμενο, η διαχείριση δεδομένων, η πρόβλεψη και η ανάλυση κινδύνου.

Το πλαίσιο είναι πολύτιμο, αλλά οι περιορισμοί του είναι σημαντικοί. Πρόκειται για μια ποιοτική μελέτη που οικοδομεί θεωρία, όχι για ποσοτικά στοιχεία που να αποδεικνύουν ότι αυτές οι δυνατότητες αυξάνουν τα κέρδη ή τις αποδόσεις των μετόχων. Καμία από τις συμμετέχουσες εταιρείες δεν είχε 250 ή περισσότερους υπαλλήλους, και όλες ήταν εδραιωμένες σε μία χώρα. Απαιτείται περαιτέρω έρευνα για τη δοκιμή του μοντέλου σε μεγάλες επιχειρήσεις, βιομηχανίες χαμηλής τεχνολογίας και διαφορετικά οικονομικά περιβάλλοντα.

Η ServiceNow Προσφέρει Έκθεση Σε Επιχειρησιακές Ροές Εργασίας AI

Για επενδυτές που αναζητούν έκθεση σε αυτή τη μεταβολή, η ServiceNow παρέχει ένα σχετικό παράδειγμα. Η πλατφόρμα της συνδέει επιχειρησιακά δεδομένα, ροές εργασίας, υπαλλήλους και όλο και πιο αυτόνομους πράκτορες AI. Αυτή η θέση αντικατοπτρίζει στενά το επιχείρημα της εργασίας ότι η αξία της AI προέρχεται από την ενσωμάτωσή της στις οργανωτικές διαδικασίες και όχι μόνο από το μοντέλο.

Η ServiceNow επεκτείνει το Workflow Data Fabric, το AI Control Tower και τις δυνατότητες αυτόνομων αναλύσεων. Η εταιρεία περιγράφει το πυρήνα πραγματικού χρόνου επιχειρησιακών δεδομένων ως τρόπο παροχής ελεγχόμενου λειτουργικού πλαισίου στα συστήματα AI. Το Securities.io έχει επίσης εξετάσει την συναφή ευκαιρία μέσω της κάλυψής του για το UiPath και την αγορά αυτόματης αυτονομίας.

Η επενδυτική περίπτωση δεν είναι χωρίς κίνδυνο. Ο ανταγωνισμός στο λογισμικό επιχειρήσεων είναι έντονος, οι δυνατότητες AI μπορεί να γίνουν ενσωματωμένα εμπορεύματα, και οι πελάτες μπορεί να αντιδράσουν στο κόστος ή την πολυπλοκότητα των εκτεταμένων υλοποιήσεων πλατφόρμας. Η ServiceNow πρέπει επίσης να αποδείξει ότι τα προϊόντα AI της δημιουργούν μετρήσιμη αξία για τους πελάτες αντί να αυξάνουν απλώς το εύρος των προϊόντων.

Παρόλα αυτά, η θέση της απεικονίζει την κεντρική επενδυτική αντίληψη της εργασίας. Καθώς τα μοντέλα βάσης γίνονται πιο προσβάσιμα, η διαρκής αξία μπορεί να μετατοπιστεί προς τις εταιρείες που ελέγχουν το πλαίσιο των ροών εργασίας, την ελεγχόμενη πρόσβαση στα δεδομένα και τα συστήματα μέσω των οποίων οι ανθρώπινες και μηχανικές αποφάσεις γίνονται λειτουργικές ενέργειες.

Η Πραγματική Χάρα Μας AI Μπορεί Να Επεκταθεί Με Το Χρόνο

Η αναδυόμενη χάρα μπορεί να μην είναι μεταξύ επιχειρήσεων που χρησιμοποιούν AI και αυτών που δεν το κάνουν. Μπορεί να είναι μεταξύ εταιρειών που αντιμετωπίζουν την AI ως απομονωμένο εργαλείο και αυτών που δημιουργούν ένα οργανωτικό σύστημα μάθησης γύρω από αυτήν.

Τα ιδιοκτησιακά δεδομένα, η συσσωρευμένη εξειδίκευση, η διακυβέρνηση του μοντέλου και ο διατομεαδικός συντονισμός είναι όλα εξαρτημένα από το μονοπάτι. Χρειάζονται χρόνο για να αναπτυχθούν και να βελτιωθούν μέσω επαναλαμβανόμενης χρήσης. Οι εταιρείες που αρχίζουν να τα χτίζουν νωρίς μπορεί να αποκτήσουν ένα σωρευτικό πλεονέκτημα, ενώ οι καθυστερημένοι υιοθετητές δεν μπορούν απαραίτητα να κλείσουν το χάσμα απλώς αγοράζοντας το πιο νέο μοντέλο.

Για τους επενδυτές, αυτό αλλάζει τον τρόπο με τον οποίο πρέπει να αξιολογείται η ετοιμότητα AI. Η δαπάνη για λογισμικό και υποδομές υπολογιστών έχει σημασία, αλλά αποκαλύπτει λίγα σχετικά με το αν μια εταιρεία μπορεί να μετατρέψει την AI σε αμυντική αξία. Τα πιο αποκαλυπτικά ερωτήματα αφορούν ποια ιδιοκτησιακή πληροφορία ελέγχει η επιχείρηση, εάν μπορεί να διατηρήσει την εξειδίκευση των υπαλλήλων, πόσο στενά συνεργάζονται οι τεχνικές ομάδες με τους ειδικούς του τομέα και εάν οι γνώσεις AI μπορούν να φτάσουν στις πραγματικές ροές εργασίας.

Η επόμενη γενιά των νικητών AI μπορεί λοιπόν να οριστεί λιγότερο από το ποιος έχει πρόσβαση στην ευφυΐα και περισσότερο από το ποιος ξέρει πώς να την απορροφήσει.

Αναφορές:

¹ Pedota, M. (2026). Minds and machines: Rethinking absorptive capacity in the age of artificial intelligence. Research Policy, 55, 105600. https://doi.org/10.1016/j.respol.2026.105600