Γιατί τα πράγματα του AI σε επιχειρήσεις συναντούν ένα πρόβλημα γνώσης, όχι τεχνολογίας

Πέρυσι, η S&P Global (SPGI ) ανέφερε ότι το ποσοστό των εταιρειών που εγκαταλείπουν τις περισσότερες από τις πρωτοβουλίες AI τους hơn διπλασιάστηκε, από 17% σε 42%. Προηγουμένως, η Gartner έκδωσε μια πρόβλεψη για τα έργα Agentic AI: το 40% από αυτά θα σταματήσει μέχρι το τέλος του 2027.

Σύμφωνα με την McKinsey & Company, σχεδόν τα μισά από όλα τα στελέχη των εταιρειών πειραματίζονται με πράγματα του AI. Nhưng πόσα έχουν μεταβεί πέρα από το στάδιο πιλότου και είναι πραγματικά λειτουργικά; Περίπου ένα στα δέκα.

Η βιομηχανία δεν έχει έλλειψη εξηγήσεων: παραισθήσεις μοντέλων, έλλειψη διακυβέρνησης, υψηλό κόστος GPU και έλλειψη ειδικών. Όλα αυτά είναι πραγματικά προκλήματα. Αλλά μετά από τρία χρόνια εργασίας με συστήματα διαχείρισης γνώσης και πράγματα του AI, βλέπω ολοένα και περισσότερο ένα διαφορετικό μοτίβο: οι εταιρείες μεταβιβάζουν непλήρη δεδομένα στα πράγματα τους.

Ως Διδάκτωρ Παιδαγωγικών Επιστημών, θεωρώ αυτό ως ένα πρόβλημα μεταφοράς γνώσης. Αν ένα άτομο δεν μπορεί να εξηγήσει πώς λαμβάνει αποφάσεις, η λογική του δεν μπορεί να μεταφερθεί σε ένα νέο υπάλληλο — πόσο μάλλον σε ένα πράγμα του AI. Ας εξετάσουμε γιατί συμβαίνει αυτό και τι μπορεί να γίνει γι’ αυτό.

Πού βρίσκεται η γνώση για το πώς λειτουργεί πραγματικά μια εταιρεία

Ρωτήστε μια μεγάλη εταιρεία πού αποθηκεύονται τα δεδομένα των υπαλλήλων, και θα ακούσετε μια μακρά λίστα: Confluence, SharePoint, πλατφόρμες LMS, FAQ bots, αρχειοθήκη Slack. Μπορεί να φαίνεται ότι αυτό είναι ακριβώς το στάκ που ένα σύστημα RAG μπορεί να χρησιμοποιήσει για να ανακτήσει όλα όσα χρειάζεται. Αλλά ένα κρίσιμο στοιχείο λείπει — η γνώση που ζει στο μυαλό των ανθρώπων. Γνώση που κανείς δεν έχει ποτέ καταγράψει.

Γιατί είναι αυτό ένα πρόβλημα;

Επειδή για ένα πράγμα του AI να αναλάβει μέρος μιας ροής εργασίας — να κατανοήσει το контέκστ, να επιλέξει μια ενέργεια και να ολοκληρώσει μια εργασία — χρειάζεται όχι μόνο πρόσβαση σε μια βάση γνώσεων, αλλά και τη λογική λήψης αποφάσεων που χρησιμοποιεί ένας έμπειρος ειδικός.

Φανταστείτε ένα νέο πράγμα υποστήριξης που λαμβάνει μια αίτηση: ένας πελάτης ισχυρίζεται ότι έχει πληρώσει για μια υπηρεσία, αλλά η πρόσβαση δεν έχει ενεργοποιηθεί. Το σενάριο περιλαμβάνει ένα τυποποιημένο σύνολο βημάτων που τελειώνει με το να ζητήσει από τον πελάτη να περιμένει. Ωστόσο, το πράγμα υποστήριξης παρατηρεί ότι η κατάσταση είναι ασυνήθιστη: ο πελάτης έχει ήδη επικοινωνήσει με την υποστήριξη δύο φορές, και υπάρχουν πολλές παρόμοιες περιπτώσεις στο σύστημα τις τελευταίες ώρες. Επικοινωνεί με ένα πιο έμπειρο συνάδελφο, ο οποίος εξηγεί ότι έχει δει αυτό προηγουμένως και ότι το πρόβλημα είναι πιθανότατα μια αποτυχία στο σημείο τομής της πύλης πληρωμής, της τράπεζας και του εσωτερικού συστήματος ενεργοποίησης — इसलिए η περίπτωση πρέπει να αναβαθμιστεί σε άλλο τμήμα.

Για ένα πράγμα του AI, αυτή η λογική είναι αόρατη. Μπορεί να έχει πρόσβαση στο σενάριο, την ιστορία των tickets και την κατάσταση πληρωμής εάν αυτά τα δεδομένα είναι συνδεδεμένα, αλλά δεν γνωρίζει ποια σήματα ένας έμπειρος χειριστής θεωρεί αποφασιστικά. Δεν είναι ότι οι ειδικοί κρύβουν σκόπιμα αυτή τη γνώση. Απλά δεν μπορούν να την формαλίσουν ή να τη διασπάσουν σε βήματα: ποια επιλογές απορρίφθηκαν, γιατί μια συγκεκριμένη ενέργεια επιλέχθηκε, και σε ποιο σημείο έγινε σαφές ότι το τυποποιημένο σενάριο δεν εφαρμόζεται. Οι γνωσιακοί επιστήμονες αναφέρονται σε αυτό το φαινόμενο ως τακτική γνώση — σιωπηλή γνώση που ακόμη και ο κάτοχός της μπορεί να μην είναι πλήρως συνειδητός.

Αυτό είναι γιατί το μπουκάλι δεν προκύπτει στο επίπεδο της πρόσβασης στα έγγραφα, αλλά στο στάδιο της μετατροπής της εμπειρίας του ειδικού σε μορφή κατάλληλη για την εκπαίδευση ενός πράγματος του AI.

Τι να κάνετε γι’ αυτό

Για να κάνει ένα πράγμα του AI να λειτουργήσει αποτελεσματικά, δεν είναι αρκετό απλά να συνδέσετε ένα LLM με μια εταιρική βάση γνώσεων, επειδή οι επιτυχείς αποφάσεις συχνά βασίζονται σε τακτική γνώση. Ένα στρώμα γνώσης πρέπει πρώτα να δημιουργηθεί, συμπεριλαμβανομένων δομημένων κριτηρίων λήψης αποφάσεων.

Στη διαχείριση γνώσης, αυτή η διαδικασία ονομάζεται εξωτερικοποίηση — μετατροπή της τακτικής γνώσης σε ρητή γνώση. Με άλλα λόγια, μια εταιρεία πρέπει να κατανοήσει όχι μόνο τι κάνει ένας ειδικός, αλλά πώς σκέφτεται. Αυτό συνήθως γίνεται μέσω μιας σειράς σε βάθος συνεντεύξεων με έναν κορυφαίο ειδικό. Μαζί τους πρέπει να είναι κάποιος που είναι ικανός να κάνει τις σωστές ερωτήσεις: ένας μεθοδολόγος, μηχανικός γνώσης ή ειδικός σχεδιασμού εκπαίδευσης. Η εργασία τους δεν είναι να γράψουν ένα “οδηγό με βάση ό,τι λέει ο ειδικός”, αλλά να ανακατασκευάσουν τα κριτήρια για την επιλογή μεταξύ επιλογών, να διασπάσουν τις περιπτώσεις άκρου και να επιφέρουν τυπικά λάθη που ο ειδικός ήδη χειρίζεται αυτόματα.

Εδώ, το AI μπορεί να βοηθήσει σημαντικά: μεταγράφοντας συνεντεύξεις, ομαδοποιώντας παρόμοιες περιπτώσεις, μετατρέποντας τις εξηγήσεις του ειδικού σε προσχέδια σεναρίων και γεννώντας καταστάσεις για επικύρωση. Ωστόσο, η τελική δομή vẫn πρέπει να ελεγχθεί και να εγκριθεί από τον ειδικό.

Το αποτέλεσμα πρέπει να είναι ένα λειτουργικό σώμα γνώσεων. Μπορεί να χρησιμοποιηθεί σε δύο κατευθύνσεις ταυτόχρονα — για την εκπαίδευση νέων υπαλλήλων και για τη διαμόρφωση ενός πράγματος του AI. Και οι δύο σενάρια βασίζονται στην ίδια βάση: δομημένη εμπειρία από κορυφαίους ειδικούς.

Η εναλλακτική είναι να συνεχίσετε να βασίζεστε στην υπόθεση ότι το RAG πάνω από το Confluence θα ανακατασκευάσει κάποια λογική που δεν είχε ποτέ καταγραφεί. Στην πράξη, αυτό σχεδόν ποτέ δεν λειτουργεί: το σύστημα μπορεί να ανακτήσει ένα σχετικό έγγραφο, αλλά δεν θα μάθει πώς να λαμβάνει αποφάσεις σε καταστάσεις όπου η σωστή ενέργεια εξαρτάται από το контέκστ και την εμπειρία.

Πώς να ελέγξετε αν ένα πράγμα είναι έτοιμο να λειτουργήσει

Έχετε μετατρέψει την εμπειρία του ειδικού σε σενάρια και διαμόρφωσατε το πράγμα. Αλλά υπάρχει ένα κενό μεταξύ των πιθανολογούμενων απαντήσεων του πράγματος και της πραγματικής λειτουργικής απόδοσης — και αυτό το κενό γίνεται ορατό μόνο κατά τη διάρκεια της επικύρωσης. Σε αυτό το στάδιο, είναι σημαντικό να καθορίσετε εάν έχετε πραγματικά κατοχυρώσει tất cả τις απαραίτητες γνώσεις.

Μια πρακτική προσέγγιση είναι η δοκιμή με σενάρια. Δίνετε στο πράγμα πραγματικές περιπτώσεις από την καθημερινή εργασία του ειδικού: ένας πελάτης αμφισβητεί μια χρέωση, ένα ασυνήθιστο email φτάνει, ή μια αίτηση εμφανίζεται που δεν ταιριάζει στο βασικό σενάριο. Τα αποτελέσματα δεν πρέπει να αξιολογηθούν από ένα άλλο LLM, αλλά από τον ίδιο ειδικό που βοήθησε να δημιουργηθεί το σώμα γνώσεων. Αν το πράγμα ακολουθήσει einen διαφορετικό δρόμο από τον έμπειρο ειδικό, δεν σημαίνει πάντα ότι το μοντέλο είναι αδύναμο. Περισσότερες φορές, υποδεικνύει ότι एक κρίσιμο κανόνα, εξαίρεση ή παράδειγμα λείπει. Σε αυτή την περίπτωση, η διαδικασία πηγαίνει πίσω στο ξεκίνημα: ο μεθοδολόγος διευκρινίζει τη λογική με τον ειδικό, το σώμα γνώσεων ενημερώνεται, οι οδηγίες βελτιώνονται και η δοκιμή επαναλαμβάνεται.

Αυτή η διαδικασία δεν είναι ένα προαιρετικό βήμα, αλλά ένα στάδιο που ορίζει τη διαφορά μεταξύ ενός πράγματος που απλά “δείχνει δυνατότητες” και ενός που πραγματικά εκτελεί εργασία. Είναι một αργή και μη εντυπωσιακή μέρος της διαδικασίας: δεν παράγει ένα εντυπωσιακό demo και απαιτεί τη συμμετοχή των ειδικών. Αλλά εκείνοι που την περνούν συστηματικά τελικά έχουν πράγματα που πραγματικά μειώνουν τη ρουτίνα εργασίας για τους ειδικούς. Εκείνοι που την παραλείπουν, μέσα σε έξι μήνες συχνά βρίσκονται στα στατιστικά της Gartner, η οποία προβλέπει ότι το 40% των έργων θα ακυρωθούν.

Τα πράγματα του AI δεν αποτυγχάνουν λόγω της τεχνολογίας — τα σύγχρονα μοντέλα είναι ήδη ικανά να εκτελέσουν σύνθετες εργασίες. Αποτυγχάνουν επειδή οι εταιρείες “τρεφούν” το με непλήρη γνώση. Το 2024–2025, αυτό μπορούσε ακόμη να εξηγηθεί από το πειραματικό στάδιο. Το 2026, αυτό το λάθος ήδη έρχεται με υψηλό κόστος.