Ο AI πράκτοράς σας είναι μόνο τόσο καλός όσο το σύστημα αρχειοθέτησής σας

Στις 30 Δεκεμβρίου 2025, η ταχυδρομική υπηρεσία της Δανίας παρέδωσε το τελευταίο γράμμα στην 401χρονη ιστορία της. Τα 1.500 υπόλοιπα ταχυδρομικά κουτιά αφαιρέθηκαν από τους δρόμους εκείνο το έτος. Παράλληλα, τον Ιούλιο 2026 η γερμανική ομοσπονδιακή κυβέρνηση ενέκρινε το GeDIG, το νόμο για τα δεδομένα υγείας και την ψηφιακή καινοτομία, ο οποίος θα αφαιρέσει το φαξ από τα ιατρεία μέχρι το φθινόπωρο του 2029 και θα καταστήσει υποχρεωτικές τις ηλεκτρονικές παραπομπές.

Λοιπόν, πώς μπορεί μια χώρα να εφαρμόσει τέτοιες αλλαγές ενώ μια άλλη εξακολουθεί να απομακρύνει τη χρήση των φαξ σε αυτόν τον αιώνα; Λαμβάνοντας υπόψη τη χρήση της τεχνητής νοημοσύνης στις επιχειρήσεις κάθε χώρας, 42 % των δανικών εταιρειών χρησιμοποίησαν τουλάχιστον μία τεχνολογία AI το 2025, το υψηλότερο ποσοστό στην Ευρώπη. Η Γερμανία είχε 26 %, πάνω από το μέσο όρο της ΕΕ, αλλά δεκαέξι μονάδες πίσω από τη Δανία.

Για μένα, η αντίθεση αυτή μας ωθεί να επανεξετάσουμε τις πεποιθήσεις μας σχετικά με την υιοθέτηση της AI. Ιδιαίτερα η πεποίθηση ότι η επιλογή του μοντέλου είναι το σημείο εκκίνησης της υιοθέτησης, αγνοώντας την κατάσταση των συστημάτων γύρω από το μοντέλο. Και οι δύο χώρες έχουν πρόσβαση στα ίδια μοντέλα και παρόχους cloud, αλλά η διαφορά είναι αν οι επιχειρηματικές και δημόσιες διαδικασίες παράγουν ήδη αξιόπιστες ψηφιακές εγγραφές. Δεδομένου ότι ένας AI πράκτορας δεν εργάζεται άμεσα με την πραγματικότητα, αλλά με την έκδοση της πραγματικότητας που είναι διαθέσιμη σε ένα σύστημα, αυτό φυσικά δημιουργεί ορισμένους περιορισμούς.

Ο Πρώτος Περιορισμός: Η Πληροφορία Ποτέ Δεν Ψηφιοποιήθηκε

Ένας πράκτορας δεν μπορεί να ανακτήσει ένα έγγραφο που ποτέ δεν εισήχθη στο σύστημα. Η δομή της ροής πληροφοριών του οργανισμού καθορίζει τι μπορεί ακόμη και να αντιληφθεί ένας πράκτορας ως εργασία.

Σε επίπεδο χώρας, τα δεδομένα Eurostat δείχνουν ότι η υιοθέτηση AI στις επιχειρήσεις συσχετίζεται με την ψηφιοποίηση των διοικητικών διαδικασιών. Ωστόσο, ο βασικός μηχανισμός είναι ότι στις χώρες όπου οι πολίτες λαμβάνουν ήδη επίσημα έγγραφα ψηφιακά, υπάρχουν λιγότερες αλληλεπιδράσεις εκτός συστήματος που πρέπει να συμφιλιώσει η επιχείρηση, μειώνοντας το απαιτούμενο έργο ερμηνείας πριν η AI μπορεί να χρησιμοποιηθεί με ασφάλεια στις λειτουργίες.

Σε επίπεδο επιχείρησης, μια μελέτη IZA του 2026 σε 1.907 δανικές εταιρείες διαπιστώνει ότι μια αύξηση μιας τυπικής απόκλισης στην ψηφιοποίηση σχετίζεται με 8 έως 10 ποσοστιαίες μονάδες υψηλότερη πιθανότητα υιοθέτησης βασικών συστημάτων AI. Αυτό υποδηλώνει ότι η υιοθέτηση AI εξαρτάται από το κατά πόσο οι εσωτερικές λειτουργίες της επιχείρησης είναι ήδη οργανωμένες με ψηφιακά δομημένο, μηχανικά αναγνώσιμο τρόπο. Εάν οι διαδικασίες είναι κατακερματισμένες, υπάρχει λίγος σταθερός πληροφοριακός υλικός για τα συστήματα AI ή τους πράκτορες να ενεργήσουν πάνω του.

Αυτό μπορεί επίσης να εξηγήσει γιατί η ψηφιοποίηση που προωθείται από πολιτικές δεν μεταφράζεται αυτόματα σε ετοιμότητα AI. Η υποχρεωτική B2B ηλεκτρονική τιμολόγηση της Ιταλίας δημιούργησε ένα πλήρως ψηφιακό κανάλι, αλλά η συνολική υιοθέτηση AI παραμένει κάτω από το μέσο όρο της ΕΕ. Η ψηφιοποίηση ενός μόνο βήματος δεν εξαλείφει το περιβάλλον αναλογικό σύστημα.

Ο Δεύτερος Περιορισμός: Η Πληροφορία Υπάρχει Μόνο στο Μυαλό Κάποιου

Οι άνθρωποι διεκπεραιώνουν τις λειτουργίες, πράγμα που σημαίνει ότι τις περισσότερες φορές γνωρίζουν λεπτομέρειες που η AI δεν γνωρίζει. Ένας διαχειριστής οικονομικών ξέρει ότι ένας ενοικιαστής πλήρωσε με μετρητά, αλλά η πληρωμή δεν καταχωρήθηκε ποτέ στο λογιστικό σύστημα. Ως αποτέλεσμα, τα τραπεζικά αρχεία και το σύστημα δεν συμφιλιώνονται. Ο διαχειριστής καταλαβαίνει το γιατί, ενώ η AI βλέπει μόνο ασυνεπή δεδομένα. Ένας διαχειριστής ακινήτων θυμάται ότι ένας ιδιοκτήτης ζήτησε να μην επικοινωνηθεί για δύο εβδομάδες. Μια ομάδα γνωρίζει την εναλλακτική λύση για ένα κτίριο ή πελάτη, αλλά κανείς δεν το έχει καταγράψει.

ClarEval δοκίμασε εργασίες με ελλιπείς στόχους, ελλιπείς προϋποθέσεις και ασαφή ορολογία. Η απόδοση του μοντέλου έπεσε από περίπου 89 % μετά τη διευκρίνιση σε περίπου 9 % όταν η αβεβαιότητα παρέμεινε άλυτη. Το Ambig‑SWE διαπίστωσε ότι η δυνατότητα του μοντέλου να θέτει ερωτήσεις σε έναν χρήστη που κατείχε τις ελλιπείς πληροφορίες ανέκτησε έως και 74 % της χαμένης απόδοσης. Αυτό υποδηλώνει ότι οι μηχανικοί θα πρέπει να χτίζουν ένα σύστημα που είναι ικανό να ζητά διευκρινίσεις από την αρχή.

Ο Τρίτος Περιορισμός: Η Πληροφορία Υπάρχει αλλά Δεν Μπορεί να Μεταδοθεί

Ορισμένα δεδομένα είναι διαθέσιμα εντός της εταιρείας αλλά δεν μπορούν να φτάσουν στο μοντέλο λόγω κανόνων απορρήτου, ελέγχων ασφαλείας, συμβάσεων ή εσωτερικής πολιτικής.

Μια μελέτη βάσει επτά ετών δεδομένων cloud διαπίστωσε ότι ο GDPR — ο βασικός νόμος περί απορρήτου δεδομένων της ΕΕ — μείωσε την αποθήκευση δεδομένων κατά 26 % και την επεξεργασία κατά 15 % μεταξύ των εταιρειών της ΕΕ σε σχέση με παρόμοιες αμερικανικές εταιρείες. Με άλλα λόγια, η ρύθμιση απορρήτου έκανε τις εταιρείες λιγότερο δεδομενικά εντατικές περιορίζοντας το ποσό των πληροφοριών που μπορούσαν να διατηρήσουν και να επεξεργαστούν για αναλύσεις και AI. Η Υιοθέτηση Γεννητικής AI ήταν σχεδόν ίση, με 37 % των εταιρειών της ΕΕ και 36 % των αμερικανικών. Αλλά το χάσμα στο βάθος της υιοθέτησης AI είναι τεράστιο, με το 81 % των αμερικανικών εταιρειών να χρησιμοποιούν AI σε τουλάχιστον δύο εσωτερικές διαδικασίες, σε σύγκριση με το 55 % στην ΕΕ. Ένας πιθανός λόγος είναι ότι οι πληροφορίες που ήδη υπάρχουν εντός των οργανισμών είναι συχνά πιο δύσκολο να επαναχρησιμοποιηθούν για AI στην Ευρώπη. Οι συνομιλίες εξυπηρέτησης πελατών, για παράδειγμα, περιέχουν συχνά προσωπικά δεδομένα που συλλέγονται για την επίλυση προβλημάτων πελατών. Σύμφωνα με την αρχή περιορισμού σκοπού του GDPR (Άρθρο 5(1)(β)), αυτά τα δεδομένα δεν μπορούν απλώς να επαναχρησιμοποιηθούν για εκπαίδευση AI χωρίς έγκυρη νομική βάση. Οι αμερικανικές εταιρείες γενικά αντιμετωπίζουν λιγότερους ισοδύναμους ομοσπονδιακούς περιορισμούς στην επαναχρήση τέτοιων δεδομένων.

Πώς να Χτίσετε το Σωστό Σύστημα

Η ανάκτηση λειτουργεί μόνο όταν η απάντηση υπάρχει στο σύστημα. Οι πράκτορες πρέπει να ρωτούν όταν λείπουν πληροφορίες, ποτέ να μη μαντεύουν, και να μετατρέπουν κλήσεις ή άτυπες αποφάσεις σε δομημένες εγγραφές. Οι εταιρείες πρέπει επίσης να αφαιρέσουν τις παράλληλες διαδικασίες σε χαρτί, επειδή εάν μια εργασία μπορεί να γίνει εκτός του συστήματος, μέρος του πλαισίου θα παραμείνει αόρατο.

Κάθε εταιρεία πρέπει να αντιμετωπίσει τα δικά της κενά. Να μετρήσει αν ένα γεγονός που απαιτείται για σωστή δράση υπήρχε στο σύστημα ή όχι. Να δοκιμάσει τις ροές εργασίας με και χωρίς τα εξαιρεθέντα πεδία ελέγχου απορρήτου. Τέλος, για τη ροή εργασίας που μπορεί να ολοκληρωθεί σε χαρτί, αυτός είναι ο πράκτορας που πρέπει να δημιουργηθεί τελευταίος.

Οι πράκτορες μπορούν να βελτιώσουν την ανθρώπινη απόδοση, αλλά δεν διορθώνουν όσα λείπουν.