Ερευνώντας την Έκθεση MIT NANDA Ιουλίου 2025: Γιατί ο Ρυθμός Αποτυχίας 95% για τα Πιλοτικά Προγράμματα AI Δεν Είναι το Τέλος

Είμαι ένας αποδεδειγμένος οπτιμιστής και διατηρώ την mente ανοιχτή για οποιαδήποτε νέα τεχνολογία που έρχεται στο δρόμο μου. Η τελευταία μου εμμονή που πρόκειται να μείνει για πολύ καιρό; Η τεχνητή νοημοσύνη.

Το MIT NANDA δημοσίευσε πρόσφατα την εργασία με τον τίτλο ‘The GenAI Divide. State of AI in Business in 2025’, και πιστεύω ότι η εργασία αυτή αξίζει πραγματικά να διαβαστεί. Παρέχει μια νηφαλία προοπτική για την τεχνητή νοημοσύνη και τη θέση της στις επιχειρήσεις σήμερα. Τα κοινωνικά δίκτυα μπορεί να φαίνονται σχεδόν υστερικά σχετικά με το πώς η τεχνητή νοημοσύνη ήρθε για να αλλάξει τα πάντα, αλλά η έκθεση ζωγραφίζει ένα διαφορετικό πορτρέτο.

Πρώτα, τι είναι το MIT NANDA;

Το Δίκτυο Εργαζομένων και Αποκεντρωμένης Τεχνητής Νοημοσύνης (συντομογραφία NANDA) είναι μια φιλόδοξη πρωτοβουλία έρευνας από το MIT Media Lab. Το έργο καλύπτει περισσότερα από 18 κορυφαία ιδρύματα έρευνας από 6 ηπείρους και einige μεγάλα ονόματα στη βιομηχανία της τεχνολογίας – σκεφτείτε Meta, Dell, Microsoft και παρόμοια. Ο στόχος του NANDA είναι πραγματικά футουριστικός, αν όχι πρωτοποριακός. Η φιλοδοξία είναι να κατασκευαστεί η θεμελιώδης υποδομή για το Διαδίκτυο των Πρακτόρων Τεχνητής Νοημοσύνης, δηλαδή ένα αποκεντρωμένο δίκτυο όπου οι πράκτορες τεχνητής νοημοσύνης ανακαλύπτουν, επιβεβαιώνουν και συνεργάζονται μεταξύ τους στο διαδίκτυο, πέρα από τα οργανωτικά σύνορα. Βασικά, το NANDA εργάζεται για σαφείς κανόνες, πρωτόκολλα, οδηγίες και πλαισιά για την αλληλεπίδραση των πρακτόρων τεχνητής νοημοσύνης με άλλους πράκτορες για λογαριασμό ανθρώπων και οργανισμών. Το έργο NANDA είναι ανοιχτού κώδικα, που σημαίνει ότι ενθαρρύνει τους επιχειρηματίες, τους οραματιστές, τους τεχνολόγους και τους πολιτικούς ως πλήρεις συνεργάτες. (Παίρνετε βιμπράσεις από τη Βικιπαίδεια;)

Ο λόγος που σας λέω γι’ αυτό είναι ότι η έκθεση του MIT NANDA είναι η κρέμα της έρευνας κέικ όταν πρόκειται για τεχνητή νοημοσύνη. Οι συγγραφείς βρίσκονται στην πρώτη γραμμή του κόσμου της τεχνητής νοημοσύνης, και τα ευρήματά τους πρέπει να λαμβάνονται σοβαρά (αν και με μια δόση αλατιού).

Η εργασία ήταν υπό κατασκευή από τον Ιανουάριο και δημοσιεύθηκε τελικά τον Ιούλιο του 2025. Η έκθεση βασίζεται σε μια συστηματική ανασκόπηση 300+ δημόσια ανακοινωμένων πρωτοβουλιών τεχνητής νοημοσύνης και συνεντεύξεων ηγετών από 52 οργανισμούς, καθώς και ερευνών 153 ανώτερων ηγετών σε τέσσερις μεγάλες βιομηχανικές συνεδριάσεις.

5% Ρυθμός Επιτυχίας Πιλοτικών Προγραμμάτων AI

Η έκθεση εισάγει τον όρο ‘The GenAI Divide’ που περιγράφει την αναταραχή που συμβαίνει (ή δεν συμβαίνει) σε οργανισμούς και ακόμη και σε βιομηχανίες που χρησιμοποιούν επιτυχώς (ή μη) την τεχνητή νοημοσύνη. Αν μια επιχείρηση βρίσκεται στη ‘λάθος πλευρά του διαχωρισμού’, σύμφωνα με το NANDA, η επιχείρηση αποτυγχάνει να αλλάξει πραγματικά, να εξελιχθεί και να ξανασκέφτεί την δομή και τις επιχειρηματικές της λειτουργίες. Για να βρίσκεστε στη σωστή πλευρά του διαχωρισμού, λοιπόν, σημαίνει να έχετε ένα ορατό αποτέλεσμα από την χρήση της τεχνητής νοημοσύνης – “Αυτή η προκατάληψη επενδύσεων διατηρεί τον GenAI Divide, κατευθύνοντας τους πόρους προς ορατές αλλά συχνά λιγότερο μετασχηματιστικές περιπτώσεις χρήσης, ενώ οι υψηλότερες ευκαιρίες απόδοσης σε λειτουργίες back-office παραμένουν υποχρηματοδοτούμενες”.

Ο λόγος που η έκθεση έχει γίνει τόσο υποβεβλημένη είναι το βασικό της ευρήμα. Η περίληψη αναφέρει: “Παρά την επένδυση 30-40 δισεκατομμυρίων δολαρίων στις επιχειρήσεις στην GenAI, αυτή η έκθεση αποκαλύπτει ένα आश्चηρό αποτέλεσμα, ότι το 95% των οργανισμών δεν λαμβάνουν κανένα αποτέλεσμα … Μόνο το 5% των ενσωματωμένων πιλοτικών προγραμμάτων AI εξάγει εκατομμύρια σε αξία, ενώ η μεγάλη πλειοψηφία παραμένει κολλημένη χωρίς κανένα μετρήσιμο αποτέλεσμα P&L”. Δεν είναι και τόσο ενθαρρυντικό, σωστά;

Το θεμελιώδες όριο που εμποδίζει τους οργανισμούς να πραγματοποιήσουν την αληθινή αξία της τεχνητής νοημοσύνης είναι αυτό που η έκθεση ορίζει ως ‘το χάσμα μάθησης’. Οι περισσότερες συστήματα GenAI στερούνται ουσιαστικά της ικανότητας να διατηρούν την ανάδραση, να προσαρμόζονται στο контέκστ και να βελτιώνονται με τον καιρό.

• Τα συστήματα δεν μαθαίνουν από την ανάδραση. Στην πραγματικότητα, σημαίνει ότι ένας διευθυντής ταΐζει το ίδιο σύνολο δεδομένων ξανά και ξανά, χωρίς να υπάρχει βελτίωση στην απόδοση. Ένας διευθυντής μεσαίου μεγέθους στη βιομηχανία κατασκευής περιέγραψε την επαναλαμβανόμενη ανέβασή του ίδιου εγχειριδίου προϊόντος στο σύστημα AI για να βελτιώσει τις λίστες ελέγχου πλήρωσης, χωρίς να υπάρχει μετρήσιμη βελτίωση στην ποιότητα εξόδου παρά τις πολλές συνεδρίες ανάδρασης.
• Απαιτείται υπερβολική χειροκίνητη ανάδραση κάθε φορά. Τα εργαλεία AI στερούνται μνήμης μεταξύ των συνεδριών, οπότε κάθε αλληλεπίδραση σημαίνει την επαναεισαγωγή της προηγούμενης γνώσης και του προηγούμενου контέκστ. Οι σύνθετοι ροές εργασίας, σε αντίθεση με τις απλές εργασίες μιας φοράς, σέρνονται και δεν λειτουργούν ως αξιόπιστη υποστήριξη για συνεχιζόμενες εργασίες. Η έκθεση αναφέρει μια νομική εταιρεία που, για κάθε σχέδιο συμβολαίου, πρέπει να επαναεισάγει τις προτιμήσεις του πελάτη, τις προηγούμενες σημειώσεις διαπραγμάτευσης και τις ρυθμιστικές περιορισμοί στο εργαλείο AI – μετατρέποντας αυτό που θα έπρεπε να είναι μια υποστηρικτική ροή εργασίας σε μια χρονοβόρα δουλειά που υπονόμευε την παραγωγικότητα σε σύνθετες, πολλαπλάστιες εργασίες.
• Ανεπαρκής προσαρμογή για ορισμένες επιχειρηματικές διαδικασίες. Αντί να λάβετε ένα ανταποκριτικό εργαλείο που προσαρμόζεται στο μεγαλύτερο контέκστ, το μεγαλύτερο контέκστ προσαρμόζεται στο εργαλείο, αναγκάζοντας τους χρήστες να δουλεύουν γύρω από σκληρά συστήματα. Ένας CIO σημείωσε ότι το εργαλείο ανάλυσης κινδύνου AI που παρείχε ο προμηθευτής του “felt like a one-size-fits-all box”, αναγκάζοντας τις ομάδες να ξανασχεδιάσουν τις διαδικασίες έγκρισης πίστωσης για να ταιριάζουν στις σκληρές εισόδους του εργαλείου, αντί να έχει το AI να προσαρμόζεται στις καθιερωμένες διαδικασίες. Η διαφορά οδήγησε τελικά σε εγκαταλελειμμένες πιλοτικές δοκιμές.

Οι Κορυφαίες Ανακαλύψεις μου από την Έκθεση NANDA

1. Η Σκιά της Οικονομίας AI Θριβεί

Η έκθεση εισάγει τον όρο ‘σκιά της οικονομίας AI’ για να περιγράψει τον τρόπο με τον οποίο οι εργαζόμενοι χρησιμοποιούν την τεχνητή νοημοσύνη στο επίπεδό τους ως προσωπικό εργαλείο, όχι ως εργαλείο που εγκρίνεται σε οργανωτικό επίπεδο. Αυτό μου ακούγεται οικείο, στην πραγματικότητα. Μια φίλη μου από ένα κλάδο αυτοκινητοβιομηχανίας στην Κεντρική και Ανατολική Ευρώπη μοιράστηκε ότι χρησιμοποιεί το ChatGPT για να γράψει περιεχόμενο εφαρμογών (ανακοινώσεις, διαφημίσεις και άλλα). Λέει ότι στο επίπεδο της κεντρικής διοίκησης δεν είχε εγκριθεί κανένα εργαλείο AI για γενική χρήση, οπότε η χρήση της AI ήταν το δικό της booster και χρόνο-αποταμίευση που δεν ανέφερε πραγματικά στον διευθυντή της.

Η έκθεση παρέχει πολύ συγκεκριμένα στοιχεία. Ενώ μόνο το 40% των εταιρειών έχουν αγοράσει επίσημες συνδρομές LLM, εργαζόμενοι από πάνω από το 90% των ερωτηθέντων εταιρειών ανέφεραν τακτική χρήση προσωπικών εργαλείων AI για εργασίες. Αυτή η σκιώδης χρήση συχνά παρέχει καλύτερη απόδοση από τις επίσημες επιχειρηματικές πρωτοβουλίες, αποκαλύπτοντας τι λειτουργεί πραγματικά όταν οι άτομα έχουν πρόσβαση σε ευέλικτα, ανταποκριτικά εργαλεία.

2. Η Κατανομή Επενδύσεων Αντικατοπτρίζει Λανθασμένες Προτεραιότητες

Η έκθεση αποκαλύπτει μια σημαντική αποσύνδεση μεταξύ της επένδυσης AI και του πραγματικού потенτίου απόδοσης. Περίπου το 50% των προϋπολογισμών GenAI ρέει στις λειτουργίες πωλήσεων και μάρκετινγκ, κυρίως επειδή τα αποτελέσματα μπορούν να μετρηθούν εύκολα και να ταιριάζουν με τα KPI της διοίκησης. Ωστόσο, οι υψηλότερες επιστροφές συχνά προκύπτουν από την αυτοματοποίηση back-office, όπως η εξάλειψη BPO που σώζει μέχρι 10 εκατομμύρια δολάρια ετησίως, μειώνει το 30% των εξωτερικών δημιουργικών κόστων και σώζει 1 εκατομμύριο δολάρια ετησίως στην εξωτερική διαχείριση κινδύνου. Αυτή η προκατάληψη επενδύσεων διατηρεί τον GenAI Divide, κατευθύνοντας τους πόρους προς ορατές αλλά λιγότερο μετασχηματιστικές περιπτώσεις χρήσης.

Ωστόσο, η προσωπική μου πεποίθηση είναι αυτή. Από ό,τι θυμάμαι από την εμπειρία μου σε μια διεθνή τράπεζα που κατέχει τράπεζες λιανικής σε όλο τον κόσμο, η εισαγωγή eines εργαλείου που διεισδύει στα εσωτερικά της οργάνωσης, ταΐζει τα δεδομένα της και (ποιος ξέρει;) διαρρέει εσωτερικές πληροφορίες εκεί έξω είναι ένα μεγάλο ρίσκο. Οπότε καταλαβαίνω γιατί η εγγραφή σε μια εργοστάσιο περιεχομένου AI για εύκολες δημιουργίες για διαφημίσεις στο Facebook είναι ένα no-brainer, ενώ οι σύνθετες ανατροπές back-end δεν είναι τόσο ενθουσιωδώς ενθαρρυντικές. Εκτός αν ήταν μια εντολή απευθείας από την C-επίπεδο, η εφαρμογή σοβαρών ανατρεπτικών εργαλείων AI στο σώμα της εταιρείας θα είχε πάρει τουλάχιστον 12 μήνες.

Ευτυχώς, είχα την ευκαιρία να δω την εσωτερική πλευρά μιας αυτοματοποίησης AI που είχε γίνει για την ομάδα πωλήσεων μιας τοπικής εταιρείας κατασκευής παραθύρων. Had hired έναν freelancer από το n8n, και αυτός τους είχε χτίσει ένα εργαλείο ανάλυσης κλήσεων και chat που ήταν ενισχυμένο με AI. Η επιχείρηση ήταν τώρα σε θέση να βρει τα σημεία δυσκολίας στη διαδικασία πωλήσεων τους γρηγορότερα, και περισσότερα σημεία πόνου ήρθαν στο φως καθώς το AI βοήθησε την επιχείρηση να επεξεργαστεί γραπτό και προφορικό λόγο. Το ποσοστό ικανοποίησης ήταν εξαιρετικά υψηλό, με περισσότερα δεδομένα να επεξεργάζονται γρηγορότερα.

3. Οι Εσωτερικές Κατασκευές Χάνουν στους Εξωτερικούς Προμηθευτές

Για να είμαι ειλικρινής, αυτό το ευρήμα με έπιασε ξαφνικά. Αντιθέτως με την κοινή πεποίθηση ότι οι επιχειρήσεις πρέπει να χτίσουν τα δικά τους εργαλεία AI, η έρευνα δείχνει ότι οι στρατηγικές συνεργασίες με εξωτερικούς προμηθευτές είναι δύο φορές πιο πιθανό να φτάσουν στη διανομή σε σύγκριση με τις εσωτερικές προσπάθειες ανάπτυξης. Ποιος θα το είχε σκεφτεί, σωστά; Λίγο-περισσότερο rõ ràng δεν εγώ.

Οι οργανισμοί που αντιμετωπίζουν τους προμηθευτές AI σαν παρόχους επιχειρηματικών υπηρεσιών – απαιτώντας βαθιά προσαρμογή και κρατώντας τους υπεύθυνους για λειτουργικά αποτελέσματα αντί για βελτιώσεις μοντέλων – επιτύγχαναν σημαντικά υψηλότερους ρυθμούς επιτυχίας και ταχύτερη απόδοση αξίας.

4. Υψηλότερη Επένδυση Σημαίνει Υψηλότερη Αναταραχή; Όχι πραγματικά.

Χρησιμοποιώντας ένα σύνθετο Δείκτη Αναταραχής της Αγοράς AI, η έκθεση αποκαλύπτει ότι μόνο δύο βιομηχανίες – Τεχνολογία και Μέσα & Τηλεπικοινωνίες – δείχνουν σαφείς σημάδια δομικής αναταραχής από την GenAI. Επτά από τις εννέα μεγάλες βιομηχανίες δείχνουν σημαντική δραστηριότητα πιλότου αλλά ελάχιστη δομική αλλαγή, με βιομηχανίες όπως Υγεία, Οικονομικές Υπηρεσίες και Ενέργεια να δείχνουν δείκτες αναταραχής κάτω από 0,5 σε μια κλίμακα 5 βαθμών. Αυτό το χάσμα μεταξύ της ορατότητας επένδυσης και της πραγματικής μετασχηματίσεως αντιπροσωπεύει τον GenAI Divide σε επίπεδο βιομηχανίας.

Γιατί ο Ρυθμός Αποτυχίας 95% Είναι Προσωρινός

Παρά τα φαινομενικά απελπιστικά ενδιάμεσα αποτελέσματα, υπάρχει κάποιο φως στο τέλος του τούνελ. Η έκθεση εξηγεί ότι ο GenAI Divide είναι προσωρινός και θα υπερπηδηθεί μέσω των αναδυόμενων εξελίξεων.

Το ίδιο το NANDA είναι ένας από τους κορυφαίους συνεισφέροντες σε ένα ακόμη πιο συνδεδεμένο κόσμο AI. Τα μηχανήματα που αναφέρει η έκθεση είναι το Πρωτόκολλο Περιβάλλοντος Μοντέλου (ή MCP) και η Αλληλεπίδραση Πρακτόρων-Πρακτόρων (ή A2A) ως θεμελιώδεις υποδομές για την αβίαστη αλληλεπίδραση πρακτόρων και την αυτόνομη συντονισμό μεταξύ συστημάτων.

Οι προσπάθειες του NANDA και αυτά τα εργαλεία είναι ο δρόμος προς ακριβώς αυτό που το NANDA ψάχνει – το Agentic Web, ένα δίκτυο πρακτόρων ικανών για αυτόνομη συντονισμό στο διαδίκτυο. Η αλληλεπίδρασή τους θα σχεδιαστεί για να αντικαταστήσει τις στατικές ροές εργασίας με δυναμικά αυτοεκπαιδευόμενα συστήματα.

Μήπως ακούγεται πολύ καλό για να είναι αλήθεια ή ακόμη και μαγικό; Λίγο, το Microsoft Copilot Studio’s Multi-Agent Orchestration είναι η κοντινότερη ομοιότητα με την οράμα. Το σύστημα βοηθά στην κατασκευή ενός δέντρου πρακτόρων όπου ένας κύριος πράκτορας Copilot ενεργοποιεί πρακτόρες-υποπράκτορες που είναι υπεύθυνοι για συγκεκριμένες εργασίες όπως προγραμματισμός ή δημιουργία εγγράφων. Κάθε πράκτορας παραμένει εντός του πεδίου της ειδίκευσής του ενώ συντονίζεται με άλλους. Για να το πω με πιο πρακτικούς όρους, όταν ένας χρήστης ζητά “Σχεδιάστε την εκτόξευση του προϊόντος μας για το τέταρτο τρίμηνο”, ο πράκτορας-οργανωτής αυτομάτως αναθέτει σε εξειδικευμένους πρακτόρες – ένας χειρίζεται την έρευνα αγοράς, ένας άλλος τη δημιουργία χρονοδιαγράμματος και ένας τρίτος συντονίζει με εργαλεία διαχείρισης έργου. Η δουλειά συνεχίζεται σε συγχρονισμό, αλλά αυτόνομα.

Τι αφήνει λοιπόν η έκθεση του NANDA; Το παράθυρο για την διάσχιση του GenAI Divide στενεύει γρήγορα καθώς οι επιχειρήσεις αρχίζουν να κλειδώνουν σχέσεις με προμηθευτές που έχουν εργαλεία με δυνατότητα μάθησης, τα οποία παράγουν αναταραχή και εξελίσσουν και βελτιώνουν τις επιχειρηματικές λειτουργίες στο back-end, προσθέτοντας ταχύτητα στο κέντρο των οργανισμών. Η επιτυχία βρίσκεται στην αγορά συστημάτων πρακτόρων AI αντί να τα χτίζει από το μηδέν εσωτερικά. Όσο τα συστήματα πρακτόρων AI που μαθαίνουν, θυμάονται και είναι αυτοδύναμα γίνονται πιο διαδεδομένα, ο τρέχων ρυθμός αποτυχίας 95% θα δώσει τη θέση του σε μια νέα εποχή όπου τα συστήματα AI συνεργάζονται αβίαστα μεταξύ προμηθευτών, τομέων, και οργανωτικών συνόρων. Αυτό το μέλλον είναι η πραγματική απόδοση των τρεχόντων επενδύσεων.

Εναλλακτικές Απόψεις για την Υιοθέτηση AI

Το έργο NANDA έκανε ένα εξαιρετικό έργο στην συλλογή δεδομένων από πολλές πηγές και την έρευνα ηγετών από πολλά πεδία. Αλλά είναι το απόλυτο στόμα για την παγκόσμια υιοθέτηση AI; Αν εσείς, όπως και εγώ, βρήκατε The GenAI Divide κάπως καταθλιπτικό, αν όχι απογοητευτικό, έχω βρει αυτές τις εναλλακτικές απόψεις για την υιοθέτηση AI για να διατηρήσω τη προσωπική μου πυρά για την τεχνητή νοημοσύνη.

• Ο Jed Nykolle Harme του IT Brief UK ανέλυσε το CIO Playbook 2025 της Lenovo. Η μελέτη περιλαμβάνει σχόλια από ηγέτες IT σε όλη την Ευρώπη, Μέση Ανατολή και Αφρική, και το συμπέρασμά της είναι πολύ πιο ενθαρρυντικό. Αποτελέσματα ότι η βιομηχανία λιανικής είναι η ηγέτης όταν πρόκειται για ικανοποίηση AI, όπου το 96% των πιλοτικών προγραμμάτων AI ικανοποιούν ή υπερβαίνουν τις προσδοκίες.
• Προηγουμένως εξέφρασα συμπόνια με τους γιγαντιαίους παίκτες της αγοράς που βρίσκουν την τεχνητή νοημοσύνη δύσκολο να εφαρμόσουν και δεν είναι ιδιαίτερα ανοιχτοί στην εντατική ενσωμάτωση. Η Lenovo, ωστόσο, παρουσιάζει μια διαφορετική εικόνα με τις βιομηχανίες Τραπεζών, Οικονομικών Υπηρεσιών και Ασφαλειών: παρά το χαμηλότερο ποσοστό υιοθέτησης AI του 7%, το 33% εκείνων που δοκιμάζουν την τεχνητή νοημοσύνη αναφέρουν ότι τα πιλοτικά προγράμματα ξεπέρασαν τις προσδοκίες. Το μυστικό για τέτοιες θετικές τάσεις είναι ‘μια προσεκτική προσέγγιση’, όπως την περιγράφει η Arabian Business.
• Μια άλλη ενθαρρυντική έκθεση Μελέτη CEO της IBM ξεκινά με ένα τολμηρό προλόγο από τον Αντιπρόεδρο της IBM Gary Cohn: “Καθώς η υιοθέτηση AI επιταχύνεται…η τελική απόδοση θα έρθει μόνο σε CEOs που έχουν το θάρρος να αναλάβουν τον κίνδυνο ως ευκαιρία. … Όταν το επιχειρηματικό περιβάλλον είναι αβέβαιο, η χρήση AI και των δεδομένων της επιχείρησής σας για να ανακαλύψετε όπου έχετε έλξη είναι ένα ανταγωνιστικό πλεονέκτημα. Σε αυτό το σημείο, οι ηγέτες που δεν χρησιμοποιούν AI και τα δεδομένα τους για να προχωρήσουν δεν λαμβάνουν μια συνειδητή επιχειρηματική απόφαση να μην ανταγωνιστούν.”
• Η Μελέτη CEO της IBM δείχνει κάποια ενθαρρυντικά στοιχεία. Για παράδειγμα, η ανάπτυξη επένδυσης AI αναμένεται να διπλασιαστεί πάνω από τα επόμενα δύο χρόνια, οπότε σχεδόν το 20% των συνολικών προϋπολογισμών IT θα διατεθεί στην τεχνητή νοημοσύνη – η δέσμευση δείχνει ότι παρά τις ορατές και αποδεδειγμένες προκλήσεις, η πίστη στην τεχνητή νοημοσύνη είναι ισχυρή και, το πιο σημαντικό, είναι μια στρατηγική επένδυση και όχι αντιδραστική δαπάνη.
• Τέλος, το 64% των CEOs στη μελέτη συμφωνούν ότι ο κίνδυνος να μείνουν πίσω οδηγεί τις επενδύσεις σε νέα τεχνολογία πολύ πριν από μια σαφή κατανόηση της επίδρασής της. Ωστόσο, δεν υπάρχουν γρήγορες αποφάσεις. Αντίθετα, οι αποφασιστές προτιμούν την ‘στρατηγική αντιστάθμιση’. Σε απλά λόγια, όταν ένας ανταγωνιστής εκκινεί ένα chat bot AI για προσωποποιημένες συστάσεις, κάνετε το ίδιο για την ιστοσελίδα σας. Μπορεί να μην είστε βέβαιοι για την αύξηση των εσόδων, αλλά ξέρετε ότι αν μείνετε πίσω για δύο χρόνια μέχρι να ολοκληρωθεί το ‘τέλειο σύνολο δεδομένων’, θα χάσετε αμετάκλητα την ορμή. Οπότε ο κανόνας είναι απλός: αντιγράψτε επιθετικά, και μετά δείτε το αποτέλεσμα.

Συμπέρασμα

Συμπερασματικά, θα ήθελα να εκφράσω την προσωπική μου πεποίθηση στη τεχνητή νοημοσύνη. Ως επιχειρηματίας, ως CMO, ως αναπτυξιακός και ως πρώην εργαζόμενος σε τράπεζα, βλέπω πολλούς τρόπους με τους οποίους η τεχνητή νοημοσύνη μπορεί να βοηθήσει στην оптимποίηση προϋπολογισμών, την απλοποίηση ροών εργασίας και την ενίσχυση ομάδων. Το μέλλον είναι επαυξημένο και επιταχύνεται. Αν μια επιχείρηση θέλει να ανταγωνιστεί, πρέπει να είναι ικανή στην τεχνητή νοημοσύνη. Ενώ τα ευρήματα που παρουσίασα είναι αμφιλεγόμενα, είμαι πεπεισμένος ότι το τρέχον τοπίο της τεχνητής νοημοσύνης, με τις κορυφές και τις κοιλάδες του, είναι ένα φυσιολογικό χρονικό πλαίσιο μάθησης, που επαναλαμβάνεται ξανά και ξανά με κάθε νέα τεχνολογία.