Η Επιχειρηματική AI Εξαρτάται από Δεδομένα που οι άνθρωποι μπορούν να εμπιστευτούν

Το 2025, οι εταιρείες επένδυσαν εκτιμώμενα 30 έως 40 δισεκατομμύρια δολάρια σε γενετική AI, ωστόσο το Project NANDA του MIT διαπίστωσε ότι μόνο το 5 τοις εκατό από τις περισσότερες από 300 επιχειρησιακές υλοποιήσεις που εξέτασε παρήγαν μετρήσιμα οικονομικά κέρδη.

Έχω περάσει πάνω από 25 χρόνια δουλεύοντας σε προγράμματα δεδομένων επιχειρήσεων. Πριν από πολύ την εμφάνιση της γενετικής AI, είχα παρατηρήσει πόσο γρήγορα χάνει την αξιοπιστία του η τεχνολογία όταν οι άνθρωποι δεν μπορούν να βασιστούν στα δεδομένα που τη στηρίζουν. Η γενετική AI αυξάνει το βάρος επειδή μπορεί να μετατρέψει αμφίβολα δεδομένα σε σίγουρη απάντηση.

Παλιότερα λέγαμε «αχρείες εισέρχονται, αχρείες εξέρχονται». Τώρα είναι «αχρείες εισέρχονται, καταστροφή εξέρχεται». Όταν τα δεδομένα φαίνονταν ύποπτα, κάποιος μπορούσε να χρησιμοποιήσει τη κρίση του και να επικοινωνήσει με έναν ειδικό δεδομένων. Ο ειδικός θα διενήργιζε ανάλυση ριζικής αιτίας, θα εντόπιζε το πρόβλημα και θα εφαρμόζε μια διόρθωση. Σήμερα, οι πράκτορες μπορούν να ενεργούν με ό,τι δεδομένα συναντούν. Χωρίς έμπειρη ανθρώπινη επίβλεψη, το αποτέλεσμα μπορεί να ενσωματωθεί στις λειτουργίες, να χρησιμοποιηθεί σε αποφάσεις και να κλιμακωθεί σε όλη την οργάνωση.

Το ίδιο πρόβλημα μπορεί να εμφανιστεί σε chatbot. Η παράλειψη της διακυβέρνησης μπορεί να μετατρέψει κακά ή κακώς κατανοητά δεδομένα σε απάντηση που ακούγεται αυθεντική, άμεσα και σε κλίμακα.

Η Εμπιστοσύνη Είναι το Πραγματικό Φράγμα Υιοθέτησης

Όταν ένα εσωτερικό chatbot δίνει σε κάποιον μια σίγουρη αλλά λανθασμένη απάντηση, το άτομο μπορεί να μην του εμπιστευτεί ξανά. Σε έναν μεγάλο οργανισμό, η AI θα βρει επίσης τα δεδομένα που θα προτιμούσατε να μην βρει. Το συγκρίνω με τα βρώμικα κάλτσες κάτω από το κρεβάτι: αυτά τα δεδομένα μπορεί να είναι εκτός οπτικής, αλλά η AI θα τα βρει και θα τα χρησιμοποιήσει.

Το πλαίσιο πρέπει να ταξιδεύει μαζί με τα δεδομένα και να αποτελεί τη βάση από την οποία αντλούν τα LLM. Πριν ένα μοντέλο AI χρησιμοποιήσει δεδομένα, οι άνθρωποι πρέπει να γνωρίζουν τι σημαίνουν, από πού προέρχονται, ποιος τα κατέχει και ποιους επιχειρηματικούς κανόνες και πολιτικές τα περιβάλλουν.

Η ηγεσία μπορεί να το παραβλέψει επειδή το σύστημα σπάνια καταρρέει. Η AI μπορεί να είναι σίγουρη αλλά λανθασμένη· μπορεί να προτείνει κόλλα για την πίτσα σας (παράδειγμα πολύ παλιό). Σκεφτείτε ένα chatbot που δίνει σίγουρη αλλά λανθασμένη απάντηση, και το εργατικό δυναμικό σταματά να το εμπιστεύεται. Η αποκατάσταση αυτής της εμπιστοσύνης διαρκεί πολύ περισσότερο από το να θέσετε σωστούς ελέγχους από την αρχή.

Αυτή η διάβρωση εμφανίζεται και στα δεδομένα. Οι εργαζόμενοι σε πάνω από 90 τοις εκατό των εταιρειών που μελέτησε το MIT συνεχίζουν να χρησιμοποιούν προσωπικά εργαλεία AI παράλληλα, ακόμη και μετά το ότι το επίσημο πιλοτικό πρόγραμμα που δημιούργησε ο εργοδότης τους δεν κέρδισε την εμπιστοσύνη τους. Όταν το εγκεκριμένο εργαλείο δεν κέρδισε την εμπιστοσύνη τους, οι εργαζόμενοι βρίσκουν έναν άλλο τρόπο να ολοκληρώσουν τη δουλειά.

Το μεγαλύτερο μέρος της έρευνας AI φέτος δείχνει το ίδιο πρόβλημα: οι οργανισμοί προχωρούν με AI πριν ολοκληρώσουν το έργο που απαιτείται για να γίνουν τα δεδομένα τους αξιόπιστα. Το Gartner εκτίμησε ότι σχεδόν τα δύο τρίτα των οργανισμών είτε λείπουν οι κατάλληλες πρακτικές διαχείρισης δεδομένων για AI είτε δεν είναι σίγουροι αν τις έχουν. Ξεχωριστή έρευνα από IDC βρήκε παρόμοιο κενό στην πλευρά της εμπιστοσύνης: το 78 τοις εκατό των οργανισμών λέει ότι εμπιστεύεται πλήρως την AI του, αλλά μόνο το 40 τοις εκατό έχει πραγματικά επενδύσει στην διακυβέρνηση και στην εξηγήσιμη εργασία που θα δικαιούσε αυτή την εμπιστοσύνη.

Η ασυμφωνία μεταξύ εμπιστοσύνης και επένδυσης βοηθά να εξηγηθεί γιατί τόσες πολλές πρωτοβουλίες AI σταματούν πριν φτάσουν στην παραγωγή ή αποτυγχάνουν να ευθυγραμμιστούν με την προοριζόμενη αξία.

Η Διακυβέρνηση AI Είναι Τώρα το Ανταγωνιστικό Πλεονέκτημα

Για το μεγαλύτερο μέρος της καριέρας μου, η διακυβέρνηση δεδομένων ήταν ένα από τα λιγότερο λαμπερά τμήματα της επιχειρησιακής πληροφορικής. Η καταγραφή μεταδεδομένων,, ο καθορισμός ιδιοκτησίας, η περιγραφή δεδομένων και η διαχείριση ροών εργασίας μπορούσαν να μοιάζουν με δουλειά συντήρησης. Οι άνθρωποι συχνά την παραλείπουν επειδή η προσπάθεια φαινόταν μεγαλύτερη από την αξία που παρήγαγε.

Η AI έχει αλλάξει αυτό. Γίνεται μια δυνατότητα διακυβέρνησης σε τομείς όπως ο σχεδιασμός σχεδίων δεδομένων, η δημιουργία βιομηχανικά επιμελημένων γλωσσολογίων και η σύσταση και ενεργοποίηση πολιτικών δεδομένων. Ακόμη και η καταγωγή των δεδομένων μπορεί τώρα να εξαχθεί και να απλοποιηθεί γρηγορότερα από πριν, καθιστώντας την αξία των διαχειριζόμενων αγωγών δεδομένων και της παρατηρησιμότητας πιο εύκολα πραγματοποιήσιμη.

Η ρύθμιση κάνει επίσης πιο επείγουσα τη διαφάνεια των δεδομένων. Ο EU AI Act έγινε ευρέως εφαρμόσιμος στις 2 Αυγούστου 2026, περιλαμβάνοντας κανόνες διαφάνειας για ορισμένα συστήματα και περιεχόμενο που δημιουργείται από AI. Ο νόμος θέτει επίσης ξεχωριστές απαιτήσεις για συστήματα υψηλού κινδύνου, συμπεριλαμβανομένης της τεκμηρίωσης και των πληροφοριών που βοηθούν τους διαχειριστές να ερμηνεύσουν τα αποτελέσματά τους, αν και ορισμένες διατάξεις υψηλού κινδύνου ακολουθούν μεταγενέστερα χρονοδιαγράμματα.

Για τις εταιρείες, το πρακτικό μάθημα είναι απλό: η σαφής καταγωγή και η διακυβέρνηση διευκολύνουν την τεκμηρίωση των δεδομένων που χρησιμοποιήθηκαν, της προέλευσής τους και του τρόπου λειτουργίας του συστήματος.

Η ρυθμιστική εικόνα των ΗΠΑ παραμένει ασαφής. Χωρίς ένα ολοκληρωμένο ομοσπονδιακό νόμο AI, οι εταιρείες πρέπει να πλοηγηθούν σε διαφορετικές απαιτήσεις των πολιτειών, ακόμη και καθώς η Λευκή Οικία προσπαθεί να περιορίσει τη δυνατότητα των πολιτειών να δημιουργούν και να εφαρμόζουν τους δικούς τους κανόνες AI. Ο AI Act του Κολοράντο, το πιο ολοκληρωμένο πλαίσιο πολιτειακής νομοθεσίας, έχει ήδη καθυστερήσει και ξαναγράψει μία φορά μέσα σε αυτή τη διαμάχη, με τις κύριες υποχρεώσεις του να μετατοπιστούν στο 2027. Για πολλές αμερικανικές εταιρείες, η πειρασμός είναι να περιμένουν μέχρι να λυθεί η αβεβαιότητα.

Θα υποστήριζα ότι αυτή είναι η λάθος αντίληψη. Όποιο και αν είναι το ρυθμιστικό μοντέλο που τελικά θα επικρατήσει στις ΗΠΑ, η υποκείμενη απαίτηση δεν θα εξαφανιστεί. Γνωρίζετε από πού προέρχονται τα δεδομένα σας. Γνωρίζετε αν κάποιος τα επαλήθευσε πριν τα χρησιμοποιήσει η AI. Η ανάπτυξη αυτής της πειθαρχίας τώρα θα βοηθήσει τις εταιρείες να προετοιμαστούν για νέους κανονισμούς και να μετατρέψουν τις υποσχόμενες πιλοτικές AI σε εργαλεία που η επιχείρηση μπορεί να χρησιμοποιήσει με σιγουριά.

Τι Διαχωρίζει το 5 Τοις Εκατόν

Ας σας πω για έναν πελάτη. Η ομάδα του γενικού λογιστικού βιβλίου έπρεπε να ερευνά 300 ξεχωριστά υπολογιστικά φύλλα κάθε φορά που εμφανιζόταν μια ασυμφωνία στα βιβλία. Τρία εκατό. Κάποιος τελικά ανέσυρε όλο αυτό το χάος σε ένα ενιαίο διαχειριζόμενο περιουσιακό στοιχείο δεδομένων, με τους υπολογισμούς, τις αναφορές και τα υποκείμενα δεδομένα να είναι συσκευασμένα μαζί και επαληθευμένα εκ των προτέρων. Την επόμενη φορά που προέκυψε ένα ζήτημα, η διόρθωση απαιτούσε κλάσμα της προσπάθειας που απαιτούσε προηγουμένως. Μόνο σε αυτή τη διαδικασία, εξοικονομήθηκαν περίπου 750 ημέρες εργασίας. Αυτό αντιστοιχεί σε εκατομμύρια δολάρια εξοικονόμησης κόστους μόνο από τον καθαρισμό.

Η βελτίωση προήλθε από το να γίνει τα σωστά δεδομένα εύκολα προσβάσιμα και αρκετά αξιόπιστα ώστε να χρησιμοποιηθούν χωρίς δεύτερη εκτίμηση. Η συνεργασία και η επαναχρησιμοποίηση το κατέστησαν δυνατό. Τα αξιόπιστα προϊόντα δεδομένων μπορούν να ευθυγραμμιστούν με τα εταιρικά πρότυπα, να επεκταθούν και να αναβαθμιστούν με την πάροδο του χρόνου, να αξιολογηθούν για την εμπιστοσύνη και να διαχειριστούν για αξία. Αυτή η προσέγγιση μειώνει την ανάγκη δημιουργίας εκατοντάδων ή χιλιάδων προϊόντων συνδεδεμένων με μεμονωμένους φυσικούς πίνακες βάσεων δεδομένων.

Ισχυρά προγράμματα κάνουν αυτή την εμπιστοσύνη ορατή. Στις αγορές δεδομένων με τις οποίες συνεργάζομαι, τα περιουσιακά στοιχεία μπορούν να ταξινομηθούν ως χρυσά, ασημένια ή χάλκινα, βάσει παραγόντων όπως η ποιότητα, η επιμέλεια, η χρήση και η ιδιοκτησία. Ένας επιχειρηματικός χρήστης μπορεί να δει πόσο αξιόπιστο είναι ένα περιουσιακό στοιχείο πριν το χρησιμοποιήσει. Αυτή η διαφάνεια βοηθά τους ανθρώπους να σταματήσουν να μαντεύουν και τους κάνει πιο πρόθυμους να επαναχρησιμοποιήσουν δεδομένα που ήδη υπάρχουν.

Το ποσοστό 95 τοις εκατό αποτελεί προειδοποίηση για το πόσο επιπόλαια πολλές εταιρείες έχουν αντιμετωπίσει τα δεδομένα πίσω από τη γενετική AI. Οι οργανισμοί που προοδεύουν παρέχουν στους ανθρώπους μια σαφή εικόνα από πού προέρχονται τα δεδομένα τους, πώς επαληθεύτηκαν και αν είναι κατάλληλα για τη δουλειά. Μετά από χρόνια που η διαχείριση δεδομένων θεωρείται εργασία παρασκηνίου, η AI τελικά καθιστά την αξία της ορατή.