Η παραγωγικότητα από το AI είναι σημαντική, αλλά δεν αρκεί. Επιχειρηματική αξία υπάρχει όταν η βελτίωση αλλάζει μετρήσιμα μια σημαντική ροή εργασίας, απόφαση, υπηρεσία ή αποτέλεσμα.
Η χρήση του AI δεν αρκεί πια ως μέτρο επιτυχίας
Η συζήτηση γύρω από το AI έχει αλλάξει γρήγορα. Σε πολλές επιχειρήσεις η χρήση του δεν είναι πια πείραμα στο περιθώριο. Εργαζόμενοι το χρησιμοποιούν για αναζήτηση, σύνταξη, ανάλυση, προετοιμασία συναντήσεων, κώδικα, εξυπηρέτηση πελατών ή υποστήριξη αποφάσεων. Και σε αρκετές περιπτώσεις η παραγωγικότητα πράγματι βελτιώνεται.
Αυτό όμως δεν απαντά ακόμη στο σημαντικότερο διοικητικό ερώτημα.
Στην έρευνα State of AI 2026 της McKinsey, το 80% των ερωτηθέντων ανέφερε βελτίωση της ατομικής παραγωγικότητας από το AI, ενώ μόνο το 37% απέδωσε στο AI θετική επίδραση στα κέρδη προ τόκων και φόρων (EBIT). Τα δύο στοιχεία δεν είναι άμεσα συγκρίσιμα σαν να μετρούν την ίδια ακριβώς έκβαση, αλλά φωτίζουν ένα ουσιαστικό κενό. Το γεγονός ότι οι άνθρωποι μπορούν να κάνουν ορισμένες εργασίες ταχύτερα δεν σημαίνει ότι η επιχείρηση έχει ήδη μετατρέψει αυτή τη βελτίωση σε οικονομικό ή λειτουργικό αποτέλεσμα.
Εδώ βρίσκεται η πιο χρήσιμη ερώτηση για τη διοίκηση. Τι έχει αλλάξει μετρήσιμα στον τρόπο με τον οποίο η επιχείρηση δημιουργεί ή παραδίδει αξία;
Αν η απάντηση είναι μόνο ότι περισσότεροι άνθρωποι χρησιμοποιούν ένα εργαλείο ή ότι ολοκληρώνουν ορισμένες εργασίες γρηγορότερα, έχουμε πρόοδο. Δεν έχουμε ακόμη πλήρη απόδειξη επιχειρηματικής αξίας.
Χρήση, παραγωγικότητα και αξία δεν είναι το ίδιο πράγμα
Μια εταιρεία μπορεί να αγοράσει άδειες, να ενεργοποιήσει εργαλεία και να αυξήσει τον αριθμό των χρηστών. Αυτό δείχνει ότι το AI χρησιμοποιείται. Αν στη συνέχεια οι άνθρωποι το ενσωματώσουν σταθερά στην καθημερινή τους εργασία, η υιοθέτηση έχει αρχίσει να εδραιώνεται. Και όταν ορισμένες εργασίες ολοκληρώνονται ταχύτερα, με λιγότερη προσπάθεια ή με καλύτερη πρόσβαση σε πληροφορίες, υπάρχει ένα σαφές αποτέλεσμα παραγωγικότητας.
Από εκεί και πέρα όμως η διοικητική συζήτηση αλλάζει. Το ζητούμενο είναι αν αυτή η βελτίωση επηρεάζει ένα αποτέλεσμα που έχει σημασία για την επιχείρηση. Μπορεί να μειώνεται ο χρόνος ολοκλήρωσης μιας διαδικασίας, να αυξάνεται η δυναμικότητα χωρίς να πέφτει η ποιότητα, να βελτιώνεται η ακρίβεια μιας απόφασης ή να μειώνονται οι επαναλήψεις, τα λάθη και η προσπάθεια του πελάτη. Σε άλλες περιπτώσεις, η αξία μπορεί να εμφανίζεται σε μεγαλύτερη εμπορική απόδοση ή σε ουσιαστική μείωση κινδύνου.
Ακόμη και τότε όμως χρειάζεται να εξεταστεί αν το αποτέλεσμα είναι αρκετά σημαντικό, επαναλαμβανόμενο και βιώσιμο ώστε να δικαιολογεί το συνολικό κόστος, την πολυπλοκότητα και τις απαιτήσεις που συνοδεύουν τη λύση σε κλίμακα.
Η υιοθέτηση παραμένει απαραίτητη. Χωρίς σταθερή χρήση δεν υπάρχει μάθηση ούτε δυνατότητα κλιμάκωσης. Αλλά το να μετράμε μόνο χρήστες, άδειες, prompts ή ώρες χρήσης μπορεί να μας δώσει μία πολύ αισιόδοξη εικόνα για κάτι που δεν έχει ακόμη αλλάξει ουσιαστικά την απόδοση της επιχείρησης.
Ο χρόνος που εξοικονομείται είναι δυναμικότητα
Ένα από τα πιο εύκολα λάθη είναι να αντιμετωπίζουμε κάθε εξοικονόμηση χρόνου σαν να έχει ήδη μετατραπεί σε αξία.
Ένα τυχαιοποιημένο πείραμα πεδίου που δημοσιεύθηκε ως working paper από το NBER παρακολούθησε εργαζομένους γνώσης σε δεκάδες επιχειρήσεις. Μεταξύ όσων είχαν πρόσβαση στο εργαλείο και το χρησιμοποίησαν, ο χρόνος που αφιερωνόταν στο email μειώθηκε περίπου κατά δύο ώρες την εβδομάδα. Οι ερευνητές όμως δεν εντόπισαν αντίστοιχη αλλαγή στην ποσότητα ή στη σύνθεση των εργασιών ως αποτέλεσμα της ατομικής πρόσβασης στο AI.
Αυτό δεν μειώνει την αξία της εξοικονόμησης. Μπορεί να σημαίνει λιγότερη εργασία εκτός ωραρίου, περισσότερο χώρο για συγκέντρωση ή απλώς μία πιο ανθρώπινη καθημερινότητα. Και αυτό αποτελεί όφελος από μόνο του.
Ο χρόνος που απελευθερώνεται δημιουργεί επίσης νέα δυναμικότητα για την επιχείρηση. Το πώς θα αξιοποιηθεί αυτή η δυναμικότητα εξαρτάται από διοικητικές επιλογές.
Μπορεί να κατευθυνθεί σε καλύτερη εξυπηρέτηση, περισσότερη παραγωγή, ταχύτερες αποφάσεις, δουλειά μεγαλύτερης αξίας, βελτίωση ποιότητας ή ανάπτυξη. Μπορεί να επιτρέψει σε μία ομάδα να απορροφήσει μεγαλύτερο όγκο χωρίς να αυξηθεί η πίεση. Μπορεί επίσης να χαθεί μέσα σε περισσότερα emails, περισσότερες συναντήσεις και περισσότερη δραστηριότητα που δεν αλλάζει το αποτέλεσμα.
Γι’ αυτό η αύξηση της παραγωγικότητας δεν πρέπει να θεωρείται ότι μετατρέπεται αυτομάτως σε χαμηλότερο λειτουργικό κόστος. Η σωστή ερώτηση είναι πώς θα αξιοποιηθεί καλύτερα η δυναμικότητα που απελευθερώθηκε.
Η αξία συχνά κρίνεται στη ροή εργασίας
Στις εσωτερικές εφαρμογές AI, η αξιολόγηση πρέπει να εστιάζει στη ροή εργασίας και όχι απλώς στο ίδιο το εργαλείο.
Αν ένας εργαζόμενος συντάσσει ένα έγγραφο ταχύτερα, αλλά το έγγραφο συνεχίζει να περνά από τις ίδιες περιττές μεταβιβάσεις, τις ίδιες εγκρίσεις και τις ίδιες αναμονές, η συνολική διαδικασία μπορεί να αλλάξει ελάχιστα. Αν το AI προετοιμάζει μία εισήγηση, αλλά δεν έχει ξεκαθαριστεί ποιος ελέγχει την ποιότητά της, ποιος έχει το δικαίωμα απόφασης και πότε χρειάζεται ανθρώπινη κρίση, μπορεί να έχουμε απλώς προσθέσει ένα νέο βήμα.
Η McKinsey αναφέρει ότι σχεδόν τα τρία τέταρτα των οργανισμών που χαρακτηρίζει ως οργανισμούς με τις υψηλότερες επιδόσεις στο AI δηλώνουν ότι έχουν ανασχεδιάσει θεμελιωδώς ροές εργασίας λόγω του AI, σε σύγκριση με περίπου το ένα τέταρτο των υπόλοιπων ερωτηθέντων. Αυτό δεν αποδεικνύει ότι ο ανασχεδιασμός προκαλεί υψηλότερες αποδόσεις. Δείχνει όμως μία ισχυρή συσχέτιση που η διοίκηση δεν πρέπει να αγνοήσει.
Ο ανασχεδιασμός δεν σημαίνει ότι πρέπει κάθε φορά να ξαναχτίζεται ολόκληρη η επιχείρηση. Σημαίνει να εξετάζεται η συγκεκριμένη εργασία από άκρη σε άκρη και να βλέπουμε ποια βήματα εξακολουθούν να χρειάζονται, πού μεταφέρεται η πληροφορία, πού δημιουργείται αναμονή, ποια απόφαση μπορεί να υποστηριχθεί από AI και ποια χρειάζεται ανθρώπινη ευθύνη, ποιες εξαιρέσεις απαιτούν κλιμάκωση και τι αλλάζει για τον πελάτη.
Υπάρχουν βέβαια περιπτώσεις όπου το AI δημιουργεί αξία πιο άμεσα, μέσα από ένα προϊόν, μία υπηρεσία ή καλύτερη υποστήριξη μιας απόφασης. Η ροή εργασίας δεν είναι καθολικός νόμος. Για μεγάλο μέρος όμως της εσωτερικής εταιρικής χρήσης του AI είναι το σημείο όπου η τεχνολογία συναντά την καθημερινή λειτουργία της επιχείρησης.
Χρειάζεται ξεκάθαρη διαδρομή από την αλλαγή στο αποτέλεσμα
Μία πρωτοβουλία AI αποκτά επιχειρηματικό νόημα όταν μπορούμε να περιγράψουμε τη διαδρομή από τη δυνατότητα της τεχνολογίας μέχρι ένα αποτέλεσμα που αξίζει να μετρηθεί.
Ας υποθέσουμε ότι μία ομάδα χρησιμοποιεί AI για να προετοιμάζει γρηγορότερα προσφορές. Η εξοικονόμηση χρόνου είναι μόνο η αρχή. Η διοίκηση χρειάζεται να ξέρει τι περιμένει να αλλάξει στη συνέχεια. Θα αυξηθεί ο αριθμός των ποιοτικών προσφορών που μπορούν να υποστηριχθούν; Θα μειωθεί ο χρόνος από το αίτημα μέχρι την υποβολή; Θα βελτιωθεί η συνέπεια ή η ακρίβεια; Το κρίσιμο είναι αν αυτή η ταχύτερη προετοιμασία αλλάζει τελικά ένα εμπορικό αποτέλεσμα ή απλώς παράγει περισσότερα έγγραφα.
Το ίδιο ισχύει σε μία διαδικασία εξυπηρέτησης. Μία ταχύτερη απάντηση έχει αξία μόνο αν η ποιότητα παραμένει σωστή, το αίτημα επιλύεται και ο πελάτης δεν επιστρέφει επειδή η πρώτη απάντηση ήταν ελλιπής.
Επομένως χρειάζεται ένα καθαρό σημείο αναφοράς πριν από την αλλαγή και ένα αποτέλεσμα μετά. Ανάλογα με την περίπτωση, αυτό μπορεί να είναι χρόνος κύκλου, παραγωγική ικανότητα, μετατροπή σε πώληση, ποιότητα, προσπάθεια πελάτη, κεφάλαιο κίνησης, αξιοποίηση περιουσιακών στοιχείων, κίνδυνος, κόστος ή έσοδα.
Και χρειάζεται να βλέπουμε το πλήρες κόστος. Όχι μόνο την άδεια ή το μοντέλο, αλλά την ενσωμάτωση στα συστήματα, τα δεδομένα, την εποπτεία, τον έλεγχο ποιότητας, την εκπαίδευση, τη διαχείριση της αλλαγής και τις απαιτήσεις ελέγχου και διαχείρισης των σχετικών κινδύνων. Μία λύση μπορεί να είναι τεχνικά εντυπωσιακή και λειτουργικά χρήσιμη, αλλά οικονομικά αδύναμη όταν μετρηθεί σε κλίμακα.
Γιατί η κλίμακα αποκαλύπτει όσα μία πιλοτική εφαρμογή μπορεί να κρύψει
Μία περιορισμένη πιλοτική εφαρμογή μπορεί να λειτουργήσει με μικρό αριθμό χρηστών, ιδανικό σενάριο δεδομένων, στενή επίβλεψη και εξαιρέσεις που λύνονται εύκολα. Όταν όμως η ίδια χρήση περάσει στην καθημερινή λειτουργία, αλλάζει η φύση του προβλήματος.
Τότε εμφανίζονται ζητήματα ενσωμάτωσης, ποιότητας δεδομένων, σαφούς ευθύνης, δεξιοτήτων, κόστους, αξιοπιστίας και ελέγχου. Μία ομάδα μπορεί να έχει βρει έναν εξαιρετικό τρόπο να χρησιμοποιεί το AI, αλλά αν η πληροφορία που χρειάζεται βρίσκεται σε ασύνδετα συστήματα ή αν δεν έχει ξεκαθαριστεί ποιος αναλαμβάνει την ευθύνη όταν το αποτέλεσμα είναι αβέβαιο, γίνεται δυσκολότερο να επιτυγχάνεται το ίδιο αποτέλεσμα με συνέπεια.
Αυτός είναι και ο λόγος που ο αριθμός των πιλοτικών εφαρμογών δεν αποτελεί από μόνος του ισχυρό δείκτη επιχειρηματικού αντίκτυπου. Οι πιλοτικές εφαρμογές είναι χρήσιμες για μάθηση. Η επιχειρηματική αξία όμως δοκιμάζεται όταν η νέα δυνατότητα πρέπει να λειτουργήσει μαζί με ανθρώπους, δεδομένα, πελάτες, εξαιρέσεις και περιορισμούς.
Καθώς εμφανίζονται πιο αυτόνομες μορφές AI, αυτή η οικονομική και λειτουργική πειθαρχία θα γίνει ακόμη σημαντικότερη. Η βασική αρχή όμως δεν αλλάζει. Η τεχνολογία πρέπει να κρίνεται μέσα στο σύστημα εργασίας και αξίας στο οποίο εντάσσεται.
Ο ανθρώπινος σχεδιασμός είναι μέρος της οικονομικής εξίσωσης
Υπάρχει και μία διάσταση που συχνά χάνεται όταν η συζήτηση περιορίζεται στην ταχύτητα.
Όταν το AI αναλαμβάνει μεγαλύτερο μέρος της εργασίας ρουτίνας, η εργασία που μένει στους ανθρώπους μπορεί να γίνεται πιο σύνθετη. Περισσότερες εξαιρέσεις, περισσότερες δύσκολες περιπτώσεις, περισσότερες αποφάσεις που απαιτούν κρίση, ευθύνη ή ενσυναίσθηση. Αυτό μπορεί να κάνει μία δουλειά πιο ενδιαφέρουσα και ουσιαστική. Μπορεί όμως και να αυξήσει τη γνωστική πίεση, αν ο ρόλος δεν έχει σχεδιαστεί σωστά.
Γι’ αυτό η διοίκηση χρειάζεται να ξεκαθαρίζει πού τελειώνει η αυτοματοποίηση, πού αρχίζει η ανθρώπινη απόφαση, ποια στοιχεία πρέπει να ελέγχονται και πότε γίνεται κλιμάκωση. Χρειάζεται επίσης να δίνει στους ανθρώπους τις δεξιότητες και την αρμοδιότητα να λειτουργήσουν μέσα στο νέο μοντέλο εργασίας.
Η εμπιστοσύνη δεν χτίζεται ζητώντας από τους εργαζομένους να χρησιμοποιούν περισσότερο το AI. Χτίζεται όταν το εργαλείο είναι κατάλληλο για τη δουλειά, όταν τα όριά του είναι γνωστά και όταν ο άνθρωπος δεν καλείται να απορροφήσει αθόρυβα νέα πολυπλοκότητα.
Αυτό είναι κρίσιμο και για την αξία. Ένα σύστημα που εξοικονομεί λεπτά αλλά αυξάνει λάθη, επανεργασία, κόπωση ή δυσπιστία μπορεί να μεταφέρει το κόστος αντί να το μειώνει.
Η διοίκηση χρειάζεται να μετρά αυτό που αλλάζει
Στο τέλος, η διοικητική δοκιμή μπορεί να μείνει αρκετά απλή. Ποιο επιχειρηματικό αποτέλεσμα πρέπει να αλλάξει ουσιαστικά αν η συγκεκριμένη χρήση του AI αποδίδει; Τι συμβαίνει στη δυναμικότητα που απελευθερώνεται; Και ποιο είναι το μετρήσιμο όφελος σε σχέση με το πλήρες κόστος και τους σχετικούς κινδύνους όταν η λύση λειτουργεί σε κλίμακα;
Το AI μπορεί ήδη να βελτιώνει ουσιαστικά την παραγωγικότητα. Αυτό είναι σημαντικό και δεν χρειάζεται να το υποτιμήσουμε για να είμαστε αυστηροί με την επιχειρηματική αξία.
Η ουσιαστική διοικητική ερώτηση είναι διαφορετική. Τι μπορεί πλέον να κάνει διαφορετικά η επιχείρηση επειδή χρησιμοποιεί AI, πόσο μετρήσιμη είναι αυτή η αλλαγή και τι αξία δημιουργεί τελικά; Εκεί κρίνεται αν μία βελτίωση στην ατομική παραγωγικότητα παραμένει ένα χρήσιμο ενδιάμεσο αποτέλεσμα ή αν έχει αρχίσει να μετατρέπεται σε επιχειρηματική αξία.
Πηγές
McKinsey & Company, “The state of AI in 2026: On the road to ROI”, 25 August 2026.
NBER, “Shifting Work Patterns with Generative AI”, May 2025, revised November 2025.
