Το AI των επιχειρήσεων εξαρτάται από δεδομένα που οι άνθρωποι μπορούν να εμπιστευτούν

Το 2025, οι εταιρείες επένδυσαν περίπου 30 έως 40 δισεκατομμύρια δολάρια σε γενετικό AI, ωστόσο το Project NANDA του MIT διαπίστωσε ότι μόνο το 5 τοις εκατό από τις πάνω από 300 επιχειρησιακές υλοποιήσεις που εξέτασε παρήγαγαν μετρήσιμα οικονομικά οφέλη.

Έχω εργαστεί πάνω από 25 χρόνια σε προγράμματα δεδομένων επιχειρήσεων. Πριν καν το γενετικό AI εισέλθει στη συζήτηση, είδα πόσο γρήγορα η τεχνολογία χάνει την αξιοπιστία της όταν οι άνθρωποι δεν μπορούν να βασιστούν στα δεδομένα που την υποστηρίζουν. Το γενετικό AI αυξάνει τα στοίχημα επειδή μπορεί να μετατρέψει αμφίβολα δεδομένα σε μια σίγουρη απάντηση.

Παλιότερα λέγαμε σκουπίδια μέσα, σκουπίδια έξω. Τώρα είναι σκουπίδια μέσα, καταστροφή έξω. Όταν τα δεδομένα έδειχναν ύποπτα, κάποιος μπορούσε να χρησιμοποιήσει τη διακριτική του ευχέρεια και να επικοινωνήσει με έναν ειδικό δεδομένων. Ο ειδικός θα έκανε ανάλυση ριζικής αιτίας, θα εντόπιζε το πρόβλημα και θα εφαρμόζε μια διόρθωση. Σήμερα, οι πράκτορες μπορούν να ενεργούν με ό,τι δεδομένα συναντούν. Χωρίς γνώση ανθρώπινης επίβλεψης, 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 ένα chatbot. Η παράλειψη της διακυβέρνησης μπορεί να μετατρέψει κακά ή κακώς κατανοητά δεδομένα σε μια απάντηση που ακούγεται αυθεντική, άμεσα και σε κλίμακα.

Η εμπιστοσύνη είναι το πραγματικό εμπόδιο 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, το AI θα βρει επίσης τα δεδομένα που θα προτιμούσατε να μην βρει. Το συγκρίνω με τα βρώμικα παπούτσια κάτω από το κρεβάτι: τα δεδομένα μπορεί να είναι εκτός οπτικής, αλλά το 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. Το AI μπορεί να είναι σίγουρο αλλά λανθασμένο· μπορεί να προτείνει κόλλα για την πίτσα σας (παραδοσιακό παράδειγμα). Σκεφτείτε ένα chatbot που δίνει μια σίγουρη αλλά λανθασμένη απάντηση, και το εργατικό δυναμικό σταματά να του εμπιστεύεται. Η επαναφορά αυτής της εμπιστοσύνης διαρκεί πολύ περισσότερο από το να θέσετε σωστούς ελέγχους από την αρχή.

Αυτή η φθορά εμφανίζεται και στα δεδομένα. Οι υπάλληλοι σε πάνω από το 90 τοις εκατό των εταιρειών που μελέτησε το MIT συνεχίζουν να χρησιμοποιούν προσωπικά εργαλεία AI στο παρασκήνιο, ακόμη και μετά την αποτυχία του επίσημου πιλοτικού που δημιούργησε ο εργοδότης τους να κερδίσει την εμπιστοσύνη τους. Όταν το εγκεκριμένο εργαλείο δεν κέρδισε την εμπιστοσύνη τους, οι υπάλληλοι βρίσκουν έναν άλλο τρόπο να ολοκληρώσουν τη δουλειά.

Πολλά από τα ερευνητικά ευρήματα AI φέτος δείχνουν το ίδιο πρόβλημα: οι οργανισμοί προχωρούν με το AI πριν κάνουν το έργο που θα κάνει τα δεδομένα τους αξιόπιστα. ο Gartner εκτιμά ότι σχεδόν τα δύο τρίτα των οργανισμών είτε λείπουν οι σωστές πρακτικές διαχείρισης δεδομένων για AI είτε δεν είναι σίγουροι αν τις έχουν. Ξεχωριστή έρευνα από την IDC διαπίστωσε παρόμοιο κενό στην πλευρά της εμπιστοσύνης: το 78 τοις εκατό των οργανισμών λέει ότι εμπιστεύεται πλήρως το AI του, αλλά μόνο το 40 τοις εκατό έχει πραγματικά επενδύσει στη διακυβέρνηση και στην εξηγήσιμη εργασία που θα δικαιολογούσε 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 προτιθέμενη αξία.

Η διακυβέρνηση AI είναι τώρα το ανταγωνιστικό πλεονέκτημα

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

Το AI το έχει αλλάξει. Γίνεται μια δυνατότητα διακυβέρνησης σε τομείς όπως ο σχεδιασμός αρχιτεκτονικών δεδομένων, η δημιουργία βιομηχανικών γλωσσολογικών λεξικών και η σύσταση και ενεργοποίηση πολιτικών δεδομένων. Ακόμη και η καταγωγή των δεδομένων μπορεί τώρα να εξαχθεί και να βελτιστοποιηθεί πιο γρήγορα από πριν, καθιστώντας την αξία των διαχειριζόμενων αγωγών δεδομένων και της παρατηρησιμότητας πιο εύκολη στην υλοποίηση.

Η ρύθμιση επίσης κάνει τη διαφάνεια των δεδομένων πιο επείγουσα. Ο EU AI Act έγινε ευρέως εφαρμόσιμο στις 2 Αυγούστου 2026, περιλαμβάνοντας κανόνες διαφάνειας για ορισμένα συστήματα και περιεχόμενο που παράγεται από AI. Ο νόμος επίσης καθορίζει ξεχωριστές απαιτήσεις για συστήματα υψηλού κινδύνου, συμπεριλαμβανομένης τεκμηρίωσης και πληροφοριών που βοηθούν τους υλοποιητές 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, από πού προέρχονται και πώς προορίζεται να λειτουργεί το σύστημα.

Η ρυθμιστική εικόνα των ΗΠΑ παραμένει ασαφής. Χωρίς ένα ολοκληρωμένο ομοσπονδιακό νόμο AI, οι εταιρείες πρέπει να διαπραγματευτούν διαφορετικές απαιτήσεις των πολιτειών, ακόμη και καθώς η Λευκή Οίκος προσπαθεί να περιορίσει τη δυνατότητα των πολιτειών να δημιουργούν και να επιβάλλουν τους δικούς τους κανόνες AI. Ο AI Act του Κολοράντο, το πιο ολοκληρωμένο πολιτειακό πλαίσιο, έχει ήδη καθυστερήσει και ξαναγραφτεί μία φορά μέσα σε αυτή τη μάχη, με τις κύριες υποχρεώσεις του να μετατεθούν στο 2027. Για πολλές αμερικανικές εταιρείες, η πρόκληση είναι να περιμένουν μέχρι να ξεκαθαρίσει η αβεβαιότητα.

Θα υποστήριζα ότι αυτό είναι το λάθος ένστικτο. Όποιο μοντέλο ρυθμιστικού πλαισίου τελικά θα επικρατήσει στις ΗΠΑ, η βασική απαίτηση δεν θα εξαφανιστεί. Γνωρίστε από πού προέρχονται τα δεδομένα σας. Γνωρίστε αν κάποιος τα επαλήθευσε πριν τα χρησιμοποιήσει το AI. Η ανάπτυξη αυτής της πειθαρχίας τώρα θα βοηθήσει τις εταιρείες να προετοιμαστούν για τη νέα ρύθμιση και να μετατρέψουν τις υποσχόμενες πιλοτικές εφαρμογές AI σε εργαλεία που η επιχείρηση μπορεί να χρησιμοποιήσει με σιγουριά.

Τι διαχωρίζει το 5 τοις εκατό

Ας σας πω για έναν πελάτη. Η ομάδα του γενικού λογιστικού βιβλίου έπρεπε να ελέγχει 300 ξεχωριστά φύλλα εργασίας κάθε φορά που εμφανιζόταν μια διαφορά στα βιβλία. Τρία εκατό. Κάποιος τελικά ανέκαιρε όλο αυτό το χάος σε ένα ενιαίο διακυβερνημένο περιουσιακό στοιχείο δεδομένων, με τους υπολογισμούς, τις αναφορές και τα υποκείμενα δεδομένα να συσκευάζονται μαζί και να επαληθεύονται εκ των προτέρων. Την επόμενη φορά που προέκυψε ένα ζήτημα, η διόρθωση απαιτούσε κλάσμα της προσπάθειας που απαιτούνταν πριν. 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 έκαναν 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 που συνδέονται με μεμονωμένους φυσικούς πίνακες βάσεων δεδομένων.

Ισχυρά προγράμματα κάνουν αυτή την εμπιστοσύνη ορατή. Στις αγορές δεδομένων με τις οποίες εργάζομαι, τα περιουσιακά στοιχεία μπορούν να ταξινομηθούν ως χρυσά, ασημένια ή χάλκινα με βάση παράγοντες 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 του 95 τοις εκατό είναι μια προειδοποίηση για το πόσο επιπόλαια πολλές εταιρείες έχουν αντιμετωπίσει τα δεδομένα πίσω από το γενετικό AI. Οι οργανισμοί που προοδεύουν παρέχουν στους ανθρώπους μια σαφή εικόνα του από πού προέρχονται τα δεδομένα τους, πώς επαληθεύτηκαν και αν είναι κατάλληλα για την εργασία. Μετά από χρόνια που η διαχείριση δεδομένων θεωρείται παρασκήνιο, το AI τελικά κάνει την αξία του ορατή.