Η πρόσβαση στην τεχνολογία είναι η αρχή. Το κρίσιμο πλεονέκτημα βρίσκεται στον τρόπο με τον οποίο ένας οργανισμός ορίζει προβλήματα, ελέγχει υποθέσεις και αναλαμβάνει την ευθύνη των απαντήσεων.
Η πιο επικίνδυνη απάντηση που μπορεί να δώσει ένα σύστημα AI δεν είναι απαραίτητα μια εμφανώς λανθασμένη πληροφορία. Μπορεί να είναι μια εξαιρετικά διατυπωμένη απάντηση σε μια ερώτηση που δεν έπρεπε να έχει τεθεί έτσι.
Το λάθος τότε δεν βρίσκεται μέσα στο κείμενο. Βρίσκεται πριν από το κείμενο: στον ορισμό του προβλήματος. Και επειδή η απάντηση είναι συνεκτική, συγκεκριμένη και επαγγελματική, προσφέρει στη λανθασμένη αφετηρία κάτι που προηγουμένως της έλειπε. Την εμφάνιση τεκμηριωμένης σκέψης.
Εκεί εντοπίζω μια νέα πιθανή διαχωριστική γραμμή μεταξύ επιχειρήσεων. Όχι απλώς στην υιοθέτηση του AI, αλλά στην ικανότητα να διακρίνουν πότε το χρησιμοποιούν για να καταλάβουν την πραγματικότητα και πότε για να δικαιολογήσουν την εκδοχή της που ήδη προτιμούν.
Η ασάφεια δεν εξαφανίζεται όταν γίνεται καλογραμμένη
Ας φανταστούμε δύο επιχειρήσεις που αντιμετωπίζουν πτώση επαναλαμβανόμενων αγορών. Η πρώτη ζητά από το AI ένα πλάνο αύξησης πωλήσεων. Παίρνει προτάσεις για καμπάνιες, προσφορές, περιεχόμενο και αυτοματισμούς. Η δεύτερη ξεκινά διαφορετικά: σε ποιους πελάτες εμφανίζεται η πτώση, πότε ξεκίνησε, τι άλλαξε στην εμπειρία τους και ποια στοιχεία θα ξεχώριζαν ένα πρόβλημα ζήτησης από ένα πρόβλημα παράδοσης;
Η πρώτη επιχείρηση μπορεί να καταλήξει να επιδοτεί με εκπτώσεις την επιστροφή πελατών που έχασε λόγω εξυπηρέτησης. Η δεύτερη μπορεί να ανακαλύψει ότι η εμπορική της υπόσχεση έχει ξεπεράσει τη λειτουργική της δυνατότητα. Το ίδιο εργαλείο εξυπηρετεί δύο διαφορετικούς τρόπους σκέψης. Στη μία περίπτωση παράγει περισσότερες ενέργειες. Στην άλλη βοηθά να αποτραπεί μια άσκοπη επένδυση.
Το παράδειγμα δεν αποδεικνύει ότι ένα καλύτερο ερώτημα εγγυάται σωστή απάντηση. Δείχνει πού αρχίζει η ευθύνη της διοίκησης: πριν από την παραγωγή της απάντησης, στον καθορισμό του τι ακριβώς χρειάζεται να μάθουμε.
Η έρευνα των Dell’Acqua και συνεργατών με συμβούλους της BCG έδειξε ότι η βοήθεια του AI μπορεί να βελτιώνει την απόδοση σε ορισμένες εργασίες και να τη χειροτερεύει σε άλλες. Η τεχνολογική ικανότητα δεν έχει ομοιόμορφα όρια, ακόμη και μέσα σε παρόμοιες εργασίες γνώσης. [1]
Η δική μου επιχειρηματική ανάγνωση είναι ότι η υιοθέτηση δεν αρκεί ως μονάδα αξιολόγησης. Χρειάζεται να εξετάζουμε τι αναθέτουμε, με ποιο πλαίσιο και με ποιον τρόπο ελέγχου.
Η καθαρή σκέψη δεν είναι προνόμιο λίγων ανθρώπων
Δεν περιγράφω μια μόνιμη αριστοκρατία «έξυπνων» επιχειρήσεων. Ούτε υποστηρίζω ότι όποιος υστερεί σήμερα θα υστερεί υποχρεωτικά και αύριο. Στη μελέτη των Brynjolfsson, Li και Raymond για την εξυπηρέτηση πελατών, οι λιγότερο έμπειροι και χαμηλότερης αρχικής επίδοσης εργαζόμενοι ωφελήθηκαν ιδιαίτερα από την υποστήριξη AI. Η τεχνολογία μπορεί να μειώνει, όχι μόνο να διευρύνει, διαφορές απόδοσης. [2]
Άρα η καθαρή σκέψη δεν πρέπει να οριστεί ως ατομικό χάρισμα. Για μια επιχείρηση είναι οργανωτική πρακτική: κοινός ορισμός του προβλήματος, διαχωρισμός γεγονότων από ερμηνείες, πρόσβαση σε αξιόπιστα δεδομένα και δυνατότητα αμφισβήτησης μιας πρότασης, ακόμη κι όταν την υποστηρίζει ο CEO.
Ένας ικανός εργαζόμενος μέσα σε ένα σύστημα που τιμωρεί τις δύσκολες ερωτήσεις μπορεί να χρησιμοποιήσει το AI για να παράγει πιο πειστικές εκδοχές των επιθυμιών της διοίκησης. Ένας λιγότερο έμπειρος εργαζόμενος, μέσα σε ένα περιβάλλον που απαιτεί αποδείξεις και επιτρέπει τη διαφωνία, μπορεί να το χρησιμοποιήσει για να ενισχύσει ουσιαστικά την κρίση του.
Η νέα ανισότητα, επομένως, δεν αφορά μόνο το ποιος έχει καλύτερο εργαλείο. Αφορά και το ποιος έχει χτίσει ένα περιβάλλον στο οποίο το εργαλείο επιτρέπεται να γίνει μέσο διερεύνησης αντί για μηχανισμός επιβεβαίωσης.
Τι πρέπει να προηγείται του prompt
Πριν από κάθε σημαντική επιχειρηματική χρήση του AI, θα έβαζα μια σύντομη απαίτηση: να είναι σαφής η απόφαση που θα επηρεάσει η εργασία του. Ένα report χωρίς αποδέκτη απόφασης μπορεί να είναι εντυπωσιακό και άχρηστο. Μια ανάλυση χωρίς κριτήριο αλλαγής πορείας μπορεί να παράγει μόνο περισσότερη ανάλυση.
Στη συνέχεια θα ζητούσα να καταγραφούν χωριστά όσα γνωρίζουμε, όσα υποθέτουμε και όσα χρειάζεται να ελέγξουμε. Αυτή η μικρή διάκριση αποτρέπει μια μεγάλη σύγχυση: το να περνούν οι υποθέσεις μέσα στην επεξεργασία και να επιστρέφουν ως φαινομενικά γεγονότα.
Τέλος, θα όριζα τι μπορεί να διαψεύσει την προτεινόμενη λύση. Όχι μόνο «γιατί μπορεί να λειτουργήσει», αλλά ποια παρατήρηση θα μας έκανε να σταματήσουμε να την υπερασπιζόμαστε. Το AI μπορεί να βοηθήσει και σε αυτό, προτείνοντας εναλλακτικές εξηγήσεις ή ελέγχους. Η τελική επαλήθευση, όμως, πρέπει να επιστρέφει στα δεδομένα, στους πελάτες και στην πραγματική λειτουργία της επιχείρησης.
Αυτές οι πρακτικές δεν απαιτούν μια μεγάλη ομάδα επιστημόνων δεδομένων. Απαιτούν πειθαρχία στον τρόπο που διατυπώνονται και εγκρίνονται οι αποφάσεις. Μια μικρότερη επιχείρηση μπορεί να τις εφαρμόσει σε μία σελίδα. Μια μεγαλύτερη οφείλει να τις ενσωματώσει στις ροές της.
Η διαφορά δεν θα κριθεί μόνο από τις ώρες που εξοικονομήθηκαν. Θα κριθεί και από τα λάθη που δεν επιταχύνθηκαν, τις παραδοχές που αμφισβητήθηκαν και τις αποφάσεις που άλλαξαν επειδή προέκυψε καλύτερη κατανόηση.
Το AI μπορεί να μειώσει το κόστος παραγωγής μιας πειστικής εξήγησης. Η επιχειρηματική πρόοδος αρχίζει όταν το χρησιμοποιούμε για να μειώσουμε και το κόστος αμφισβήτησής της.
Το πλεονέκτημα δεν είναι να βρίσκεις γρηγορότερα λόγους για να συνεχίσεις. Είναι να καταλαβαίνεις εγκαίρως πότε χρειάζεται να αλλάξεις.
Πηγές
[1] Dell’Acqua, F. et al. (2023). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Harvard Business School, Working Paper 24-013.
[2] Brynjolfsson, E., Li, D. & Raymond, L. (2025). Generative AI at Work. The Quarterly Journal of Economics, 140(2), 889–942.
Του Θοδωρή Γεωργεδάκη | Growth Igniter | www.georgedakis.com
