Χρήση AI έναντι Κατασκευής Γύρω του: Πού είναι το Όριο;

Χρησιμοποιούμε τη λέξη AI για να περιγράψουμε όλα τα είδη διαφορετικών πραγμάτων, από το να μιλάμε με το ChatGPT σε έναν περιηγητή μέχρι το να τρέχουμε ολόκληρες επιχειρήσεις όπου οι λειτουργίες θα σταματούσαν απλώς να υπάρχουν στην τρέχουσα μορφή τους χωρίς μοντέλα γλώσσας. Πού είναι η γραμμή μεταξύ της χρήσης αυτοματοποίησης AI και του AI που αποτελεί τον πυρήνα μιας επιχείρησης; Σε ποιο σημείο συμβαίνει μια θεμελιώδη αλλαγή; Και, το πιο σημαντικό, πρέπει οι εταιρείες ακόμη να προσπαθούν να θέσουν το AI στο κέντρο της σκηνής;

Πότε μια επιχείρηση είναι AI-φυσική;

Σήμερα, ακόμη και αν η διοίκηση δεν έχει ανακοινώσει ποτέ μια μετασχηματισμό AI, οι υπάλληλοι χρησιμοποιούν ήδη το Gemini για αναζήτηση πληροφοριών, το ChatGPT για σύνταξη email, το Grok για προετοιμασία αναφοράς, το Claude για γραφή κώδικα, κ.λπ. Η πρόσβαση στα εργαλεία LLM έχει γίνει τόσο διαδεδομένη ώστε η απλή χρήση τους δεν σας λέει πλέον πολλά για την ίδια την εταιρεία.

Για μένα, υπάρχει ένα πολύ πιο απλό τεστ: τι συμβαίνει αν απενεργοποιήσετε το AI;

Ας πάρουμε μια εταιρεία λογισμικού λογιστικής. Οι προγραμματιστές της μπορεί να χρησιμοποιούν AI για τη δημιουργία λειτουργιών ή τη συντήρηση του προϊόντος. Αν απενεργοποιήσετε αυτά τα εργαλεία αύριο, οι μηχανικοί πιθανότατα θα δουλεύουν πιο αργά. Ωστόσο, το λογισμικό θα συνεχίσει να υπάρχει, οι λογιστές θα το χρησιμοποιούν και οι πελάτες θα το πληρώνουν. Το AI βελτιώνει τον τρόπο λειτουργίας της εταιρείας, αλλά η ίδια η επιχείρηση δεν εξαρτάται από αυτό.

Τώρα φανταστείτε ένα τηλεφωνικό κέντρο τράπεζας που κάποτε απασχολούσε δέκα χιλιάδες άτομα. Η πρώτη γενιά AI σε αυτό το περιβάλλον λειτουργούσε σχεδόν σαν ένας προτρεπτικός βοηθός που καθόταν δίπλα στον χειριστή: άκουγε τη συνομιλία, κατανοούσε το πρόβλημα και πρότεινε μια απάντηση. Σε πολλές περιπτώσεις, αυτός ο προτρεπτικός βοηθός έχει πλέον γίνει ο ίδιος ο πράκτορας. Ένας πελάτης λέει ότι του χρέωσαν λάθος ποσό· το σύστημα ελέγχει τα αρχεία, εξετάζει τα σχετικά δεδομένα, εντοπίζει το πρόβλημα και μερικές φορές το επιλύει χωρίς την παρέμβαση ανθρώπου. Ένας άνθρωπος παρεμβαίνει μόνο όταν η περίπτωση απαιτεί κλιμάκωση.

Αυτή είναι μια πολύ διαφορετική σχέση με την τεχνολογία. Η λογιστική εταιρεία γίνεται λιγότερο αποδοτική χωρίς AI. Το τηλεφωνικό κέντρο ενδέχεται να χρειαστεί να ξαναχτίσει μεγάλο μέρος του λειτουργικού του μοντέλου. Αυτή η διαφορά είναι πολύ πιο κοντά σε ό,τι εννοώ με τον όρο AI-φυσική, παρά στον αριθμό των συνδρομών AI που έχει μια εταιρεία ή στο αν εμφανίζεται το “AI” στην αρχική της σελίδα.

Πού είναι αυτό πιο εμφανές;

Ορισμένες εταιρείες έχουν χτίσει την επιχείρησή τους γύρω από τη βοήθεια σε άλλους να κάνουν αυτή τη μετάβαση. Cohere είναι ένα καλό παράδειγμα: η καναδική εταιρεία εξελίχθηκε σε σημαντική επιχείρηση βοηθώντας τις επιχειρήσεις να μεταβούν από το παραδοσιακό λογισμικό και τις ροές εργασίας προς το AI. Σε άλλους κλάδους, όμως, το AI είναι ήδη τόσο ενσωματωμένο στο προϊόν που γίνεται σχεδόν αδύνατο να διαχωριστούν τα δύο.

Η αυτόνομη οδήγηση είναι πιθανώς το πιο σαφές παράδειγμα. Εάν ένα αυτοκίνητο αναμένεται να βλέπει το δρόμο, να αναγνωρίζει αντικείμενα, να κατανοεί τι συμβαίνει γύρω του και να παίρνει αποφάσεις αυτόνομα, τότε δεν μπορείτε να αφαιρέσετε το AI χωρίς να αφαιρέσετε την βασική ιδέα του προϊόντος.

Η ιατρική και οι φαρμακευτικές εταιρείες κάνουν το ίδιο επιχείρημα με διαφορετικό τρόπο, ειδικά στην ανακάλυψη φαρμάκων. Ένα από τα καλύτερα παραδείγματα του τι μπορεί να σημαίνει αυτό σε κλίμακα είναι η εργασία της DeepMind πάνω σε δομές πρωτεϊνών.

Η Πρωτεϊνική Βάση Δεδομένων δημιουργήθηκε το 1971, και χρειάστηκαν δεκαετίες εργασίας από επιστήμονες παγκοσμίως για να συγκεντρωθεί μια μεγάλη συλλογή πειραματικά καθορισμένων δομών. Η βάση δεδομένων πέρασε 1.000 δομές το 1993, 10.000 περίπου το 2000 και 100.000 το 2014. Μέχρι τον Ιανουάριο του 2023, είχε περάσει 200,000 πειραματικά καθορισμένες βιομοριακές δομές. Με άλλα λόγια, μετά από περίπου έξι δεκαετίες δομικής βιολογίας, οι ερευνητές είχαν συγκεντρώσει περίπου δύο εκατό χιλιάδες πειραματικά καθορισμένες δομές.

Στη συνέχεια ήρθε το AlphaFold, το σύστημα της DeepMind για την πρόβλεψη της τρισδιάστατης δομής μιας πρωτεΐνης από την ακολουθία των αμινοξέων της. 200 εκατομμύρια προβλεπτές δομές πρωτεϊνών διατέθηκαν, καλύπτοντας σχεδόν κάθε καταγεγραμμένη πρωτεΐνη που ήταν γνωστή στην επιστήμη εκείνη τη στιγμή. Αυτό δεν σημαίνει ότι η AI «ανακάλυψε κάθε υπάρχουσα πρωτεΐνη». Πρόκειται για προβλεπόμενες δομές βάσει ήδη γνωστών ακολουθιών αμινοξέων. Ωστόσο, η διαφορά σε κλίμακα παραμένει τεράστια.

Η σημασία αυτής της αλλαγής έγινε ακόμη πιο σαφής το 2024, όταν ο Demis Hassabis και ο John Jumper της Google DeepMind έλαβαν το ήμισυ του βραβείου Νόμπελ Χημείας «για την πρόβλεψη δομής πρωτεϊνών». Το άλλο ήμισυ πήρε ο David Baker για τον υπολογιστικό σχεδιασμό πρωτεϊνών. Κάτι που λίγα χρόνια νωρίτερα φαινόταν ως εντυπωσιακή πρόοδος AI, έγινε γρήγορα αναγνωρισμένο ως θεμελιώδης πρόοδος στη σύγχρονη βιολογία.

Η DeepMind είναι το παγκόσμιο, επικεφαλής παράδειγμα, αλλά οι ιατρικές startups που θέτουν το AI στο επίκεντρο δεν είναι πια ασυνήθιστες. Κατά τα χρόνια μου στη Keymakr, η ομάδα μας εργάστηκε σε έργα που κυμαίνονται από οδοντιατρική και υπερηχογραφική απεικόνιση έως επεμβατική καρδιολογία, όπου τα μοντέλα εκπαιδεύτηκαν να ανιχνεύουν βαλβίδες της καρδιάς, την αορτή και άλλες δομές κατά τη διάρκεια των επεμβάσεων. Εργαστήκαμε επίσης σε έργα νευροχειρουργικής όπου τα μοντέλα έμαθαν να διακρίνουν εγκεφατικό ιστό, αιματηρά αγγεία, χειρουργικά εργαλεία και την περιοχή λειτουργίας. Σε όλες αυτές τις περιπτώσεις, το AI δεν ήταν ένα πρόσθετο χαρακτηριστικό του προϊόντος· ήταν το ίδιο το προϊόν.

Από τις Δομές Πρωτεϊνών σε ένα Ψυχρό Email

Το ίδιο συμβαίνει σε πολύ πιο συνηθισμένα τμήματα της επιχείρησης. Οι πωλήσεις και το μάρκετινγκ είναι πιθανώς μεταξύ των πιο γρήγορα εξελισσόμενων παραδειγμάτων: δουλειά που παλαιότερα απαιτούσε ώρες μπορεί τώρα να επαναληφθεί εκατοντάδες ή χιλιάδες φορές με ελάχιστη επιπλέον προσπάθεια.

CRM, καμπάνιες, προοπτική και έρευνα πελατών χτίζονται γύρω από μοντέλα γλώσσας. Έχουμε ήδη περάσει πολύ πέρα από το σημείο που ζητάμε από το ChatGPT να γράψει ένα ψυχρό email. Ένα σύστημα μπορεί να διαβάσει το προφίλ κάποιου στο LinkedIn, να δει τι κάνει, τι τον ενδιαφέρει και τι δημοσιεύει, και στη συνέχεια να χρησιμοποιήσει αυτές τις πληροφορίες για να γράψει κάτι που φαίνεται πολύ προσωπικό.

Μια φορά έλαβα ένα μήνυμα με το εξής περιεχόμενο: «Μιχάλη, πρέπει να είναι καταπληκτικό να πετάς στα 4.000 πόδια και να κοιτάς μέσα από το γυαλί…» Αναφερόταν στις αεροπορικές μου ιστορίες στα κοινωνικά δίκτυα. Η πρώτη μου αντίδραση ήταν ότι κάποιος είχε πραγματικά περάσει από το προφίλ μου στο LinkedIn και το είχε διαβάσει προσεκτικά. Φυσικά, κανείς δεν το είχε κάνει. Το σύστημα είχε βρει τις πληροφορίες και είχε δημιουργήσει αυτόματα την προσέγγιση.

Εκεί αρχίζουν να αλλάζουν οι οικονομικές συνθήκες της προσωποποίησης. Η έρευνα που κάποτε απαιτούσε πολύ χρόνο από έναν άνθρωπο μπορεί τώρα να υποστηρίζεται από εργαλεία που σαρώνουν δημόσιες πληροφορίες και εντοπίζουν σχετικές λεπτομέρειες. Ένας άνθρωπος μπορεί στη συνέχεια να αποφασίσει τι είναι πραγματικά χρήσιμο, κατάλληλο και αξίζει να συμπεριληφθεί.

Είδα την ίδια αλλαγή στο Keymakr, αν και για εμάς ο στόχος δεν ήταν ποτέ η αυτοματοποίηση της ανθρώπινης κρίσης ή των σχέσεων. Συνεχίζα πάντα να ενθαρρύνω τους ανθρώπους να κοιτάζουν τα επαναλαμβανόμενα μέρη της καθημερινής τους εργασίας και να αναρωτιούνται πού οι πράκτορες μπορούν να εξοικονομήσουν χρόνο, να προσφέρουν μεγαλύτερη συνέπεια ή να τους βοηθήσουν να λειτουργούν σε μεγαλύτερη κλίμακα.

Στο Scryon, ξεκινήσαμε με αυτή τη λογική ήδη ενσωματωμένη στην εταιρεία. Το μεγαλύτερο μέρος του μάρκετινγκ διαχειρίζεται από πολλούς πράκτορες σε άρθρα, το blog, το LinkedIn και την ιστοσελίδα.

Το ενδιαφέρον είναι ότι το μεγαλύτερο πλεονέκτημά τους συχνά δεν είναι η γραφή. Ας πούμε ότι προσθέτετε είκοσι νέες σελίδες σε μια ιστοσελίδα. Ένα άτομο που γράφει ένα νέο άρθρο πιθανότατα θα προσθέσει μερικούς εσωτερικούς συνδέσμους. Σχεδόν κανείς δεν θα επιστρέψει στα 80 ή 800 παλαιότερα κομμάτια για να ελέγξει πού πρέπει τώρα να συνδεθούν αυτές οι νέες σελίδες. Ένας πράκτορας μπορεί. Σε τέτοια έργα, ο πράκτορας δεν χρειάζεται να είναι πιο έξυπνος από έναν άνθρωπο. Απλώς δεν κουράζεται, και η διαφορά μεταξύ 80 και 800 σελίδων είναι πολύ λιγότερο σημαντική για αυτόν απ’ ό,τι για εμάς.

Αλλά εδώ φτάνει το όριο της αυτοματοποίησης για μένα. Η καλή δημοσχέση δεν μπορεί απλώς να παραδοθεί σε έναν πράκτορα και να ξεχαστεί. Το ίδιο ισχύει για ένα άρθρο γνώμης, όπου η θέση, η κατανόηση του κοινού και η ικανότητα να αποφασίσει τι θα πει είναι κρίσιμες.

Έτσι, ακόμη και όταν χτίζετε ένα αρκετά σύνθετο σύστημα πρακτόρων, χρειάζεται ακόμα ένας άνθρωπος να το διαχειρίζεται. Κάποιος πρέπει να κρίνει το αποτέλεσμα, να αποφασίζει τι έχει σημασία και να θέτει την κατεύθυνση.

Μπορείτε να Αυτοματοποιήσετε έναν Ιδρυτή;

Σε μια νεοσύστατη επιχείρηση, ο ιδρυτής είναι συχνά τεχνικός, λειτουργικός και εκτελεστικός ταυτόχρονα. Έτσι η σκέψη έρχεται φυσικά: αν οι πράκτορες μπορούν να αφαιρέσουν πολύ δουλειά από την ομάδα, γιατί να μην τους αναθέσουμε και μέρος των καθηκόντων του ιδρυτή;

Έχω έναν ξεχωριστό πράκτορα συνδεδεμένο με το Scryon Business που γνωρίζει πολλά για την εταιρεία. Μπορώ να του ρωτήσω κάτι όπως: «Θέλουμε να αποκτήσουμε 5.000 χρήστες τον επόμενο μήνα». Είναι ρεαλιστικό ή είναι απλώς ένας ωραίος αριθμός που σκέφτηκα;

Μπορεί να αντλήσει δεδομένα, να κοιτάξει την αγορά, να ελέγξει ανταγωνιστές και συνδεδεμένα συστήματα, και να επιστρέψει λέγοντας ότι τα 5.000 είναι πιθανώς υπερβολικά και ακόμη και τα 2.000 θα ήταν επιθετικά σε αυτό το στάδιο. Αυτό με βοηθά να δοκιμάσω τη δική μου σκέψη. Αλλά ο πράκτορας εξακολουθεί να δίνει συμβουλές.

Η απόφαση παραμένει δική μου. Μετά από όλα τα δεδομένα και τους υπολογισμούς, μερικές φορές χρειάζεται ακόμα να βγώ έξω, να περπατήσω σε ένα πάρκο και να αποφασίσω πού θέλω να οδηγήσω την εταιρεία.

Για μένα, η πραγματική εκφόρτωση ξεκινά όταν μπορώ να δώσω σε κάποιον την κυριότητα, π.χ. «Αυτό είναι δικό σου», και να επιστρέψω έναν μήνα αργότερα για να δω ότι συνεχίζει να λειτουργεί χωρίς εμένα. Δεν το βλέπω έτσι με το ρόλο του ιδρυτή σήμερα.

Το ίδιο ισχύει για θέσεις C-level. Η δουλειά τους είναι να θέτουν την κατεύθυνση: έξι μήνες από τώρα, θέλουμε να εισέλθουμε στην αγορά αυτοκινήτων, ή θέλουμε οι άνθρωποι στον κλάδο να γνωρίζουν το εμπορικό σήμα. Οι VP, οι επικεφαλής και οι αρχηγοί ομάδων μετατρέπουν αυτό σε συγκεκριμένους στόχους και εργασίες.

Σύνολο Εργαλείων AI: Προσωπικά και Εταιρικά Κόστη

Δεν πιστεύω πραγματικά σε ένα «καλύτερο» μοντέλο. Με ενδιαφέρει πολύ περισσότερο ποιο λειτουργεί καλύτερα για μια συγκεκριμένη εργασία και τι με κοστίζει να το χρησιμοποιώ σε κλίμακα. Συχνά χρησιμοποιώ το Codex για προγραμματισμό και εναλλάσσω μοντέλα μέσα σε αυτό, ανάλογα με τις ανάγκες μου τη δεδομένη στιγμή. Μπορεί να δοκιμάσω το Claude για σχεδίαση μια μέρα, και να μεταβώ στο ChatGPT για περισσότερες εργασίες που αφορούν τη γλώσσα, αλλά αυτές οι επιλογές αλλάζουν μήνα με μήνα, και μερικές φορές στη μέση μιας εργασίας.

Τελικά, ο καθένας χτίζει το δικό του stack με την πάροδο του χρόνου, κρίνωντας ποιο μοντέλο είναι βέλτιστο για έναν συγκεκριμένο στόχο. Αν είστε τεχνικός ιδρυτής που κωδικοποιεί πολύ μόνος του, θα περίμενα να ξοδεύετε περίπου 1.000 $ το μήνα για το δικό σας stack. Αλλά γνωρίζω άτομα που ξοδεύουν 10.000–15.000 $ το μήνα επειδή αυτοματοποιούν πολύ πιο επιθετικά.

Μόλις η AI γίνει μέρος του πυρήνα της επιχείρησης, οι αριθμοί αλλάζουν ξανά. Με τη Scryon, νιώθω άνετα με την ιδέα ότι το 30–40% των εσόδων μπορεί να πάει απευθείας στην υποδομή και τις υπηρεσίες που τρέχει το προϊόν, προτού καν υπολογίσετε τους ανθρώπους που το δημιουργούν.

Πρώτα ο Επιχειρηματικός Στόχος, Έπειτα η Τεχνολογία

Στον αγώνα για αυτοματοποίηση και την ετικέτα “εταιρείες AI”, θεωρώ ότι η ίδια η ερώτηση «ποιο είδος AI πρέπει να υλοποιήσουμε;» είναι επικίνδυνη. Ξεκινά από το λάθος άκρο.

Πρόσφατα θέσαμε έναν αρκετά τυπικό επιχειρηματικό στόχο – τη μείωση του κόστους. Για να το πετύχουμε, δημιουργήσαμε έναν πράκτορα, του δώσαμε πρόσβαση σε πληροφορίες για το πού η εταιρεία ξόδευε χρήματα, συμπεριλαμβανομένων των Amazon, Google και άλλων υπηρεσιών, και του ζητήσαμε να ελέγχει τακτικά για ανωμαλίες και να σηκώνει κόκκινη σημαία αν κάτι φαινόταν περίεργο.

Μόνο την πρώτη εβδομάδα, μειώσαμε το κόστος κατά περίπου 30% επειδή το σύστημα έδειξε γρήγορα πού ξοδεύονταν χρήματα σε πράγματα που είχαμε σχεδόν ξεχάσει. Ο ίδιος ο πράκτορας μπορεί να κοστίζει μόλις 50 $ το μήνα, αλλά οι εξοικονομήσεις μπορούν να φτάσουν στις δεκάδες χιλιάδες.

Στην Keymakr, η AI ενίσχυε κυρίως τους ανθρώπους και τις ατομικές διαδικασίες. Στη Scryon, είναι ήδη ενσωματωμένη στην αρχιτεκτονική της εταιρείας. Στην αυτόνομη οδήγηση, χωρίς αυτήν, το προϊόν εξαφανίζεται, και στην ανακάλυψη φαρμάκων, αλλάζει το πεδίο της εξερεύνησης.

Για μένα, η ερώτηση των υποκείμενων στόχων είναι ένα πολύ πιο υγιές σημείο εκκίνησης από την επιθυμία να γίνει μια εταιρεία AI‑native. Πρώτα, πρέπει να προκύψει ένας επιχειρηματικός στόχος: να κερδίζει περισσότερα, να κλιμακώσει πιο γρήγορα, να μειώσει το κόστος, να επιτρέψει ένα νέο προϊόν ή να αλλάξει ριζικά μια υπάρχουσα διαδικασία. Μόλις αυτό συμβεί, έχει νόημα να ρωτήσουμε ποια τεχνολογία θα μας φέρει εκεί.