Η συζήτηση για την τεχνητή νοημοσύνη στις επιχειρήσεις περνά από τα πιλοτικά έργα στο πιο δύσκολο ερώτημα: ποιος αποφασίζει τι θα κλιμακωθεί και τι θα σταματήσει. Νέα μελέτη του IBM Institute for Business Value, σε συνεργασία με την Oxford Economics, δείχνει ότι οι οργανισμοί επενδύουν περισσότερο σε συστήματα AI, όμως οι ρόλοι, οι αρμοδιότητες και οι μηχανισμοί λογοδοσίας δεν έχουν εξελιχθεί με τον ίδιο ρυθμό.
Μεγάλη ευθύνη, περιορισμένος έλεγχος
Η έρευνα βασίστηκε σε απαντήσεις 1.667 ανώτερων στελεχών που είναι υπεύθυνα για τη στρατηγική, τη διακυβέρνηση, την υλοποίηση και την αποτίμηση της AI. Οι συμμετέχοντες προέρχονται από 33 γεωγραφικές περιοχές και 20 κλάδους, με τη συλλογή των στοιχείων να έχει πραγματοποιηθεί από τον Απρίλιο έως τον Ιούνιο του 2026.
Το βασικό εύρημα είναι η ασυμμετρία εξουσίας: μόνο το 18% δηλώνει ότι έχει πλήρη έλεγχο στις αποφάσεις για τις επενδύσεις AI. Παράλληλα, μόλις το 29% λέει ότι ο οργανισμός του προσαρμόζει γρήγορα αποφάσεις και πόρους όταν τα δεδομένα απόδοσης δείχνουν ευκαιρίες βελτίωσης. Με άλλα λόγια, οι επικεφαλής μπορούν να εντοπίσουν πού αποδίδει η τεχνολογία, αλλά συχνά δεν έχουν το τελευταίο λόγο για τη χρηματοδότηση.
Οι agents αυξάνουν την πίεση για κανόνες
Η εικόνα γίνεται πιο σύνθετη καθώς τα συστήματα περνούν από την παραγωγή κειμένου στην εκτέλεση ενεργειών. Το 48% των ερωτηθέντων αναφέρει ότι AI agents ξεκινούν και ολοκληρώνουν εργασίες μέσα σε επιχειρησιακές ροές. Ωστόσο, το 75% δηλώνει ότι οι διαδικασίες διακυβέρνησης, διαχείρισης κινδύνου ή συμμόρφωσης καθυστερούν τη δράση που βασίζεται στην AI.
Υπάρχει πρόοδος στη θεωρία, αλλά κενά στην εφαρμογή. Το 73% έχει καθορίσει πότε η ανθρώπινη εποπτεία είναι υποχρεωτική, ενώ μόνο το 61% λέει ότι τα δικαιώματα λήψης αποφάσεων από την AI είναι σαφή και εφαρμόζονται με συνέπεια. Η διαφορά αυτή μπορεί να γίνει κρίσιμη όταν ένα σύστημα έχει πρόσβαση σε δεδομένα, εργαλεία ή διαδικασίες που επηρεάζουν πελάτες και εργαζομένους.
Τι ξεχωρίζει τις πιο αποτελεσματικές επιχειρήσεις
Η μελέτη εντοπίζει μια ομάδα οργανισμών με υψηλότερες επιδόσεις. Σε αυτούς, το 63% των έργων AI καταλήγει σε μετρήσιμο επιχειρηματικό αποτέλεσμα, έναντι 43% στους υπόλοιπους. Παράλληλα, το 49% των έργων περνά από το πιλοτικό στάδιο στην παραγωγή, έναντι 33%, ενώ οι επιτυχημένες εφαρμογές κλιμακώνονται σε περίπου οκτώ μήνες, αντί για 13,5.
Η διαφορά δεν αποδίδεται απλώς στην αγορά ισχυρότερων μοντέλων. Οι οργανισμοί υψηλότερης επίδοσης ενσωματώνουν την AI στις ροές εργασίας, χρησιμοποιούν τα επιχειρηματικά αποτελέσματα για να αποφασίσουν πού θα κατευθυνθούν χρήματα και ταλέντο και διατηρούν τη δυνατότητα να παγώσουν ή να αλλάξουν γρήγορα ένα σύστημα. Το 94% αυτής της ομάδας συνδέει τη χρηματοδότηση με τα αποτελέσματα, ενώ το 96% δηλώνει ότι μειώνει ή σταματά επενδύσεις που δεν αποδίδουν, ακόμη και όταν έχουν την υποστήριξη ανώτερων στελεχών.
Από την επίδειξη στη λειτουργική αλλαγή
Μόνο το 32% των ερωτηθέντων θεωρεί ότι η AI αναδιαμορφώνει ήδη το επιχειρηματικό μοντέλο, δηλαδή το τι πουλά μια εταιρεία, πώς τιμολογεί ή πώς δημιουργεί αξία. Το 35% λέει ότι η τεχνολογία ενισχύει κυρίως το υπάρχον μοντέλο, ενώ το 26% περιμένει μεγαλύτερη αλλαγή χωρίς να έχει ακόμη κάνει τις απαραίτητες μετακινήσεις.
Το μήνυμα για τις διοικήσεις είναι πρακτικό: οι επενδύσεις στην τεχνητή νοημοσύνη χρειάζονται μετρήσιμα όρια επιτυχίας, καθορισμένα δικαιώματα απόφασης και διαδικασία επανεξέτασης. Η ταχύτητα ανάπτυξης έχει αξία μόνο όταν συνοδεύεται από δυνατότητα ελέγχου, διαφάνεια και σαφή υπευθυνότητα.
