Γιατί η AI με πράκτορες θα αποτύχει χωρίς αξιόπιστα δεδομένα παγίων

Η AI με πράκτορες περνά γρήγορα από τη συζήτηση στην εφαρμογή σε κλάδους που βασίζονται σε εκτεταμένες υποδομές και εξοπλισμό. Σε αντίθεση με την παραγωγική AI που συνοψίζει πληροφορίες ή συντάσσει προτάσεις, μπορεί να λάβει έναν στόχο, να τον αναλύσει σε βήματα, να αντλήσει δεδομένα από πολλά συστήματα και να ενεργήσει βάσει αυτών. Μπορεί να εξετάσει ιστορικό συντήρησης, να ελέγξει εκκρεμείς εντολές εργασίας, να συγκρίνει προγράμματα συνεργείων και να διατυπώσει σύσταση, χωρίς να χρειάζεται άνθρωπος να συνδέει χειροκίνητα κάθε πληροφορία.

Αυτή ακριβώς η δυνατότητα ωθεί τόσους οργανισμούς να την υιοθετήσουν γρήγορα. Σύμφωνα με την έρευνα Gartner CIO and Technology Executive Survey για το 2026, μόνο το 17% των οργανισμών έχει εγκαταστήσει πράκτορες AI, ενώ περισσότερο από το 60% αναμένει να το κάνει μέσα στα επόμενα δύο χρόνια. Ο ρυθμός είναι ταχύτερος από κάθε άλλη αναδυόμενη τεχνολογία που περιλαμβάνεται στην έρευνα.

Στις υλοποιήσεις που έχω υποστηρίξει, οι ομάδες αφιέρωναν επί χρόνια υπερβολικό χρόνο στην εναλλαγή μεταξύ συστημάτων, υπολογιστικών φύλλων, σημειώσεων επιθεώρησης και ηλεκτρονικών μηνυμάτων, μόνο για να πάρουν μία λειτουργική απόφαση. Η AI με πράκτορες υπόσχεται να μειώσει αυτή τη δυσκολία, βοηθώντας τους υπεύθυνους προγραμματισμού να προετοιμάζουν εργασίες ταχύτερα και δίνοντας στους τεχνικούς σαφέστερη εικόνα του ιστορικού εξοπλισμού, χωρίς αποκλειστική εξάρτηση από τη συσσωρευμένη εμπειρία των ανθρώπων.

Η υπόσχεση όμως έχει μια προϋπόθεση που εύκολα παραβλέπεται στη βιασύνη της εφαρμογής: από όσα έχω δει, η AI με πράκτορες είναι λιγότερο πρόβλημα μοντελοποίησης και περισσότερο πρόβλημα λειτουργικής εμπιστοσύνης.

Σε κλάδους με εκτεταμένα πάγια, όπως υπηρεσίες κοινής ωφέλειας, μεταφορές, εξόρυξη, τηλεπικοινωνίες και μεταποίηση, η ποιότητα ενός πράκτορα AI εξαρτάται από τα δεδομένα βάσει των οποίων ενεργεί. Αν είναι ελλιπή, παρωχημένα ή ασυνεπή, η αστοχία του δεν είναι απαραίτητα εμφανής. Μπορεί να κάνει λάθος με απόλυτη βεβαιότητα: να προτείνει εργασία σε λάθος εξοπλισμό, να παραβλέψει εξάρτηση, να υποτιμήσει κίνδυνο ή να ιεραρχήσει λανθασμένα τις προτεραιότητες.

Αν τροφοδοτήσετε έναν πράκτορα με κακά δεδομένα, δεν θα πολλαπλασιάσει την ευφυΐα. Θα πολλαπλασιάσει τον λειτουργικό κίνδυνο.

Τα ίδια παλιά προβλήματα δεδομένων, με νέα ταχύτητα

Τα προβλήματα ποιότητας δεδομένων που αναδεικνύει η AI με πράκτορες δεν είναι καινούργια. Σε περισσότερα από 17 χρόνια εργασίας σε συστήματα και υλοποιήσεις διαχείρισης επιχειρησιακών παγίων, έχω δει επανειλημμένα τα ίδια ζητήματα: διπλές εγγραφές, ελλείπουσες σχέσεις μεταξύ παγίων, ασυνεπείς συμβάσεις ονοματοδοσίας, παρωχημένες αξιολογήσεις κρισιμότητας και κακή κωδικοποίηση βλαβών.

Αυτό που άλλαξε δεν είναι η φύση των προβλημάτων, αλλά η δυνητική έκταση των συνεπειών τους.

Ένας έμπειρος τεχνικός μπορεί να εντοπίσει μια λανθασμένη εγγραφή πριν ενεργήσει, αξιοποιώντας χρόνια γνώσης που δεν καταγράφηκαν ποτέ στο σύστημα. Ένας πράκτορας AI δεν έχει αυτό το ένστικτο. Επεξεργάζεται χιλιάδες εγγραφές πολύ ταχύτερα απ’ όσο θα τις εξέταζε άνθρωπος, εφαρμόζοντας την ίδια λανθασμένη παραδοχή σε μεγάλη κλίμακα πριν το προσέξει κανείς.

Το ευρύτερο πρόβλημα επιχειρησιακής εφαρμογής είναι ήδη ορατό. Μια προκαταρκτική έκθεση του MIT Project NANDA του 2025 διαπίστωσε ότι το 95% των οργανισμών που μελετήθηκαν δεν είχε επιτύχει μετρήσιμη επίδραση στα οικονομικά αποτελέσματα από τις πρωτοβουλίες παραγωγικής AI. Η έκθεση απέδωσε το χάσμα κυρίως σε ελλείψεις μάθησης και ενσωμάτωσης, όπως εργαλεία που δεν διατηρούσαν το πλαίσιο ή δεν προσαρμόζονταν αποτελεσματικά στις υπάρχουσες ροές εργασίας. Σε λειτουργίες με εκτεταμένα πάγια, όπου μια κακή σύσταση επηρεάζει φυσικό εξοπλισμό και όχι μόνο έναν πίνακα παρακολούθησης, το χάσμα ανάμεσα στις φιλοδοξίες για AI και την πραγματικότητα των δεδομένων έχει ακόμη σοβαρότερες συνέπειες.

Όταν τα κακά δεδομένα γίνονται μη ασφαλής απόφαση

Στο επιχειρησιακό πεδίο, οι συνέπειες αυτές γίνονται φυσικές.

Πάρτε για παράδειγμα την ιεράρχηση εργασιών συντήρησης. Αν ένας πράκτορας δεν βλέπει μια πρόσφατη βλάβη, μια καθυστερημένη εντολή εργασίας ή μια αλλαγή στην κατάσταση εξοπλισμού, μπορεί να ορίσει λάθος προτεραιότητα. Έτσι δημιουργεί περιττή εργασία σε ένα σημείο, ενώ αφήνει αλλού ανεπίλυτο έναν σημαντικότερο κίνδυνο.

Το διακύβευμα αυξάνεται όταν είναι λανθασμένες οι ίδιες οι σχέσεις μεταξύ παγίων. Αυτό το σενάριο αποτελεί σοβαρή προειδοποίηση. Αν ένα σύστημα δεν αποτυπώνει σωστά ποια πάγια συνδέονται, ποιος εξοπλισμός πρέπει να απομονωθεί πριν αρχίσει μια εργασία ή ποιοι περιορισμοί ισχύουν σε μια εγκατάσταση, οι συστάσεις του μπορεί να γίνουν πραγματικά επικίνδυνες.

Γι’ αυτό οι οργανισμοί πρέπει να σκεφτούν προσεκτικά πριν δώσουν στην AI με πράκτορες πλήρη αυτονομία σε κρίσιμες αποφάσεις. Το εθελοντικό Πλαίσιο Διαχείρισης Κινδύνων AI του NIST προσφέρει δομή για την ενσωμάτωση της αξιοπιστίας σε ολόκληρο τον κύκλο ζωής ενός συστήματος AI, αντί να αντιμετωπίζεται μόνο μετά την εγκατάστασή του. Η AI μπορεί να συγκεντρώνει γρήγορα πληροφορίες, να αναδεικνύει επιλογές και να συνοψίζει τα στοιχεία που στηρίζουν μια σύσταση. Όταν όμως διακυβεύονται η ασφάλεια, η συμμόρφωση ή η αξιοπιστία υπηρεσιών, οι άνθρωποι πρέπει να παραμένουν στη διαδικασία.

Τουλάχιστον αρχικά, ο στόχος πρέπει να είναι AI που υποστηρίζει αποφάσεις, όχι AI που τις λαμβάνει μόνη της.

Γιατί η διαχείριση επιχειρησιακών παγίων είναι θεμέλιο της λειτουργίας

Η διαχείριση επιχειρησιακών παγίων, ή EAM, οργανώνει τη λειτουργική πραγματικότητα. Εκεί καταγράφονται και διαχειρίζονται εντολές εργασίας, στρατηγικές συντήρησης, επιθεωρήσεις, εγκρίσεις, σχέσεις παγίων και ιστορικά εξοπλισμού.

Μια ισχυρή βάση EAM δίνει στον πράκτορα AI αξιόπιστα λειτουργικά δεδομένα. Οι αδυναμίες μιας ανεπαρκούς βάσης πιθανότατα θα αποκαλυφθούν σχεδόν αμέσως. Μια ανάλυση της EY για τη διαχείριση επιχειρησιακών παγίων με AI τονίζει αντίστοιχα τον ρόλο των δεδομένων και της ανάλυσης σε πραγματικό χρόνο για τη μετάβαση από την αντιδραστική στη συντήρηση που προλαμβάνει προβλήματα.

Αντί να αντιμετωπίζουν το EAM ως σύστημα διοικητικής υποστήριξης, οι οργανισμοί που προετοιμάζονται για AI με πράκτορες πρέπει να το θεωρούν μέρος του λειτουργικού ελέγχου. Καθορίζει σε τι έχει πρόσβαση η AI, ποιες διαδικασίες ακολουθεί, σε ποια στοιχεία βασίζεται και πού εξακολουθεί να απαιτείται ανθρώπινη έγκριση.

Το EAM παρέχει επίσης το πλαίσιο μιας λειτουργικής απόφασης. Μια σύσταση συντήρησης δεν πρέπει να βασίζεται μόνο στην κατάσταση ενός μεμονωμένου παγίου. Μπορεί να εξαρτάται από την κρισιμότητά του, πρόσφατες βλάβες, συνδεδεμένο εξοπλισμό, διαθέσιμα ανταλλακτικά, διαδικασίες ασφαλείας, διαθεσιμότητα συνεργείων και την επίδραση της διακοπής του στην ευρύτερη λειτουργία.

Χωρίς αυτό το πλαίσιο, ακόμη και ένας τεχνικά προηγμένος πράκτορας AI μπορεί να προτείνει λάθος ενέργεια.

Είναι πράγματι τα δεδομένα σας έτοιμα για AI;

Αντί για έναν ευρύ και αφηρημένο έλεγχο ποιότητας δεδομένων, οι οργανισμοί ωφελούνται περισσότερο αν ξεκινήσουν από συγκεκριμένη χρήση, όπως τον προγραμματισμό συντήρησης με τη βοήθεια AI, και θέσουν στοχευμένα ερωτήματα.

Αυτά είναι τα πρώτα ερωτήματα που θέτω: Εμπιστευόμαστε την ιεραρχία των παγίων; Είναι αξιόπιστο το ιστορικό βλαβών; Είναι ενημερωμένα τα σχέδια εργασίας; Αποτυπώνεται σωστά η διαθεσιμότητα συνεργείων; Είναι επίκαιρα τα σχέδια ασφαλείας;

Τα δεδομένα δεν χρειάζεται να είναι τέλεια. Λίγοι οργανισμοί θα διαθέτουν ποτέ τέλεια λειτουργικά δεδομένα. Χρειάζεται να είναι αρκετά ακριβή, ενημερωμένα και σωστά διαχειριζόμενα ώστε η AI να υποστηρίζει ουσιαστικά τους ανθρώπους που αποφασίζουν.

Αυτή η προσέγγιση κάνει και τη βελτίωση δεδομένων πιο διαχειρίσιμη. Αντί να επιχειρούν καθαρισμό κάθε εγγραφής σε όλο τον οργανισμό, οι ομάδες εστιάζουν στις πληροφορίες που επηρεάζουν άμεσα την επιλεγμένη χρήση.

Οι κίνδυνοι ενός λάθους δεν κατανέμονται ομοιόμορφα. Οι κλάδοι όπου οι ψηφιακές αποφάσεις επηρεάζουν φυσικές λειτουργίες έχουν τη μεγαλύτερη έκθεση. Γι’ αυτό το NIST αναπτύσσει ειδικό προφίλ του Πλαισίου Διαχείρισης Κινδύνων AI για την καθοδήγηση φορέων κρίσιμων υποδομών που χρησιμοποιούν δυνατότητες AI. Σε διαδικασία χαμηλότερου κινδύνου, μια κακή σύσταση μπορεί να προκαλέσει ενόχληση ή πρόσθετη εργασία. Σε δίκτυο ηλεκτρικής ενέργειας, σύστημα ύδρευσης, ορυχείο, δίκτυο μεταφορών ή τηλεπικοινωνιακό περιβάλλον, μπορεί να επηρεάσει την ασφάλεια, να προκαλέσει διακοπή λειτουργίας, προβλήματα συμμόρφωσης ή διαταραχή υπηρεσιών.

Αυτό δεν σημαίνει ότι οι κλάδοι αυτοί πρέπει να αποφύγουν την AI με πράκτορες. Σημαίνει ότι χρειάζονται πιο προσεκτική προσέγγιση στην ποιότητα δεδομένων, τη διακυβέρνηση και την ανθρώπινη εποπτεία πριν διευρύνουν τις ευθύνες της.

Μια πρακτική πορεία προς την AI με πράκτορες

Μια πρακτική πορεία εφαρμογής ξεκινά με συγκεκριμένη χρήση όπου η AI προσθέτει αξία χωρίς υπερβολικό κίνδυνο.

Στη συνέχεια, ο οργανισμός πρέπει να χαρτογραφήσει τα δεδομένα από τα οποία εξαρτάται η χρήση και να αξιολογήσει ειλικρινά αν είναι αξιόπιστα. Οι ομάδες πρέπει να διορθώσουν τα πιο κρίσιμα δεδομένα παγίων, να αναθέσουν σαφή ευθύνη και να τυποποιήσουν την καταγραφή εργασιών, βλαβών και λειτουργικών αλλαγών.

Η AI πρέπει να λειτουργεί μέσα στις υπάρχουσες διαδικασίες διακυβέρνησης, χωρίς να τις παρακάμπτει. Στα αρχικά στάδια, ο πράκτορας μπορεί να υποστηρίζει υπεύθυνους προγραμματισμού, ομάδες αξιοπιστίας και τεχνικούς, συγκεντρώνοντας πληροφορίες, εντοπίζοντας μοτίβα και προτείνοντας πιθανές ενέργειες.

Έτσι ο οργανισμός έχει χρόνο να συγκρίνει τις συστάσεις του πράκτορα με πραγματικά αποτελέσματα, να εντοπίσει κενά δεδομένων και να επιβεβαιώσει ότι οι απαραίτητοι έλεγχοι λειτουργούν.

Μόνο αφού κατανοήσει τα αποτελέσματα πρέπει να εξετάσει την ανάθεση μεγαλύτερης ευθύνης στην AI. Η αυτονομία πρέπει να αυξάνεται σταδιακά και μόνο όταν οι σχετικοί κίνδυνοι είναι σαφείς, ελεγχόμενοι και μπορούν να ελεγχθούν εκ των υστέρων.

Μια επιτυχημένη στρατηγική συνδέει την AI με αξιόπιστα δεδομένα παγίων και ισχυρές ροές EAM, με σαφή διακυβέρνηση και ανθρώπινη λογοδοσία. Η έκθεση State of AI in the Enterprise της Deloitte για το 2026 καταλήγει στο ίδιο συμπέρασμα από τη σκοπιά της διοίκησης, περιγράφοντας μια ενιαία, αξιόπιστη βάση δεδομένων ως απαραίτητη για την επέκταση της AI. Οι οργανισμοί παραμένουν υπεύθυνοι για τις ενέργειες που προτείνει ή εκτελεί η AI. Η ευθύνη δεν εξαφανίζεται επειδή μια απόφαση δημιουργήθηκε από αλγόριθμο.

Η AI με πράκτορες πρέπει να κερδίσει τη θέση της στη λειτουργία, όχι να της παραχωρηθεί άνευ όρων. Ξεκινήστε με περιορισμένο πεδίο, ελέγξτε τις συστάσεις της απέναντι σε όσα συμβαίνουν πραγματικά, διορθώστε τα κενά δεδομένων που προκύπτουν και διευρύνετε τον ρόλο της μόνο όταν το δικαιολογούν τα στοιχεία. Θα προτιμούσα ένας πράκτορας να κερδίσει λίγη εμπιστοσύνη και να τη διατηρήσει, παρά να λάβει πολλή και να τη χάσει. Σε κλάδους με εκτεταμένα πάγια, αυτή η υπομονή κάνει τη διαφορά ανάμεσα σε AI που κερδίζει εμπιστοσύνη και AI που τη χάνει αθόρυβα.