Η AI έκανε εύκολο να φτιάξεις software. Όχι να το λειτουργήσεις.
Ο κώδικας γίνεται άφθονος. Η διαφοροποίηση, η λειτουργική ανθεκτικότητα και η ευθύνη παραμένουν σπάνιες.
Πριν από λίγους μήνες έγραψα ότι η Τεχνητή Νοημοσύνη δεν θα σκοτώσει το software, αλλά το μέτριο software. Η βασική θέση εκείνου του κειμένου ήταν ότι, όσο η AI μειώνει το κόστος της κατασκευής, η αξία μετακινείται από την παραγωγή κώδικα στην κατανόηση του τι πραγματικά πρέπει να χτιστεί.
Μια πρόσφατη έρευνα έρχεται να προσθέσει ένα νέο κομμάτι σε αυτή τη συζήτηση.
Σύμφωνα με το State of AI Global Survey 2026 της McKinsey, το 32% των ερωτηθέντων αναφέρει ότι ο οργανισμός του αποφάσισε να μην αγοράσει τουλάχιστον ένα software product ή feature, επειδή μπορούσε να το κατασκευάσει εσωτερικά με τη βοήθεια coding agents.
Το εύρημα είναι σημαντικό. Όχι όμως επειδή αποδεικνύει ότι οι επιχειρήσεις μετατρέπονται ξαφνικά σε εταιρείες software ή ότι το SaaS φτάνει στο τέλος του.
Αποδεικνύει κάτι πιο περιορισμένο — και ταυτόχρονα πιο βαθύ:
Το εμπόδιο για να δημιουργηθεί software υποχωρεί πολύ γρηγορότερα από το εμπόδιο για να δημιουργηθεί καλό software.
Σήμερα, μια ομάδα μπορεί να κατασκευάσει σε λίγες ημέρες κάτι που πριν από μερικά χρόνια θα απαιτούσε μήνες. Μπορεί να δημιουργήσει ένα εσωτερικό εργαλείο, ένα customer portal, ένα workflow, ένα reporting layer ή μια πρώτη λειτουργική έκδοση μιας εφαρμογής χωρίς το ανθρώπινο δυναμικό και το κόστος που απαιτούνταν στο παρελθόν.
Αυτό αλλάζει την οικονομία της ανάπτυξης. Δεν καταργεί όμως την οικονομία της λειτουργίας.
Και κάπου εδώ αρχίζει το επόμενο μεγάλο πρόβλημα των επιχειρήσεων: θα μπορούν να δημιουργούν περισσότερο software από όσο μπορούν να κατανοήσουν, να διαφοροποιήσουν και να λειτουργήσουν υπεύθυνα.
Το «μπορούμε να το φτιάξουμε» δεν είναι πλέον αρκετή απόφαση
Για πολλά χρόνια, το υψηλό κόστος ανάπτυξης λειτουργούσε ως ένα φυσικό φίλτρο. Πριν ένας οργανισμός αποφασίσει να κατασκευάσει κάτι εσωτερικά, έπρεπε να εξασφαλίσει προϋπολογισμό, ανθρώπους, χρόνο και τεχνική υποστήριξη. Η δυσκολία δεν απέτρεπε μόνο καλές ιδέες. Απέτρεπε όμως και πολλές πρόχειρες, περιττές ή ανεπαρκώς μελετημένες υλοποιήσεις.
Η AI αποδυναμώνει αυτό το φίλτρο.
Όταν ένα prototype μπορεί να εμφανιστεί μέσα σε ώρες, η απόσταση ανάμεσα στην ιδέα και στην πρώτη οθόνη σχεδόν εξαφανίζεται. Αυτό δημιουργεί πραγματικές ευκαιρίες. Επιτρέπει σε μικρότερες ομάδες να δοκιμάζουν υποθέσεις, να αυτοματοποιούν εργασίες και να κατασκευάζουν λύσεις που παλαιότερα δεν θα δικαιολογούσαν την επένδυση.
Δημιουργεί όμως και μια νέα ψευδαίσθηση: ότι επειδή κάτι μπορεί να κατασκευαστεί εύκολα, αξίζει και να κατασκευαστεί.
Η σωστή ερώτηση δεν είναι πλέον αν έχουμε την τεχνική δυνατότητα. Στις περισσότερες περιπτώσεις, σύντομα θα την έχουμε.
Η σωστή ερώτηση είναι αν το σύστημα δημιουργεί μια ικανότητα που ο οργανισμός χρειάζεται πραγματικά — και αν αυτή η ικανότητα δικαιολογεί την ευθύνη που συνοδεύει τη λειτουργία του.
Ένα ακόμη dashboard μπορεί να είναι εύκολο να παραχθεί. Δεν σημαίνει ότι προσθέτει γνώση. Ένα ακόμη workflow μπορεί να αυτοματοποιήσει ορισμένα βήματα. Δεν σημαίνει ότι διορθώνει τη διαδικασία. Ένας AI assistant μπορεί να δώσει γρήγορες απαντήσεις. Δεν σημαίνει ότι οι απαντήσεις του είναι αρκετά αξιόπιστες για τις αποφάσεις στις οποίες θα χρησιμοποιηθούν.
Η ευκολία της υλοποίησης δεν είναι απόδειξη χρησιμότητας.
Το να φτιάξεις κάτι δεν σημαίνει ότι δημιούργησες κάτι που κάνει τη διαφορά
Καθώς η παραγωγή βασικής λειτουργικότητας γίνεται ευκολότερη, η ίδια η λειτουργικότητα χάνει μέρος της αξίας της ως στοιχείο διαφοροποίησης.
Αν κάθε ανταγωνιστής μπορεί να δημιουργήσει ένα παρόμοιο interface, ένα αντίστοιχο workflow ή έναν AI assistant, τότε αυτά παύουν να αποτελούν από μόνα τους ανταγωνιστικό πλεονέκτημα. Γίνονται το νέο ελάχιστο αποδεκτό επίπεδο.
Η διαφορά μετακινείται αλλού:
- στο πόσο καλά κατανοεί το σύστημα τη συγκεκριμένη εργασία,
- στο αν μπορεί να χειριστεί τις πραγματικές εξαιρέσεις και όχι μόνο την τυπική ροή,
- στην ποιότητα και στην προέλευση των δεδομένων,
- στην ικανότητα να ενσωματώνεται στις υπάρχουσες λειτουργίες,
- στον τρόπο με τον οποίο υποστηρίζει διαφορετικούς ανθρώπους και επίπεδα ευθύνης,
- και στο αν δημιουργεί ένα αποτέλεσμα που δεν μπορεί εύκολα να αντιγραφεί.
Η AI μπορεί να βοηθήσει δύο εταιρείες να κατασκευάσουν παρόμοια προϊόντα. Δεν τους δίνει αυτόματα την ίδια κατανόηση της αγοράς, την ίδια εμπειρία του domain, τις ίδιες σχέσεις με τους πελάτες ή τα ίδια δεδομένα.
Μπορεί να μειώσει το κόστος της εκτέλεσης. Δεν δημιουργεί από μόνη της λόγο ύπαρξης για το προϊόν.
Γι’ αυτό το πραγματικό ερώτημα δεν είναι αν μια επιχείρηση μπορεί να φτιάξει εσωτερικά ένα feature που μέχρι χθες αγόραζε. Είναι αν το συγκεκριμένο feature αποτελεί μέρος μιας ικανότητας που τη διαφοροποιεί ή απλώς μία ακόμη τεχνική υποχρέωση που θα πρέπει να συντηρεί.
Από το prototype στο production υπάρχει ένας ολόκληρος οργανισμός
Η σημερινή συζήτηση γύρω από το AI-assisted development εστιάζει κυρίως στη στιγμή της δημιουργίας. Πόσο γρήγορα γράφτηκε ο κώδικας, πόσα tests παράχθηκαν, πόσες εργατοώρες εξοικονομήθηκαν και πόσο μικρότερη ομάδα χρειάστηκε για την πρώτη έκδοση.
Αυτές οι μετρήσεις έχουν αξία. Βλέπουν όμως μόνο την αρχή της ζωής ενός συστήματος.
Το software δεν ολοκληρώνεται όταν αρχίζει να λειτουργεί. Εκεί αρχίζει η πραγματική του δοκιμασία.
Ένα σύστημα σε production πρέπει να παρακολουθείται. Πρέπει να προστατεύεται. Πρέπει να ενημερώνεται όταν αλλάζουν οι εξαρτήσεις του, οι κανονισμοί, τα δεδομένα, οι διαδικασίες και οι ανάγκες των χρηστών. Πρέπει να υπάρχουν αντίγραφα ασφαλείας, σχέδια ανάκαμψης, διαχείριση ταυτοτήτων και δικαιωμάτων, καταγραφή ενεργειών, έλεγχος κόστους και δυνατότητα διερεύνησης ενός λάθους.
Κάποιος πρέπει να απαντά όταν το σύστημα σταματήσει στις τρεις το πρωί. Κάποιος πρέπει να αποφασίζει αν ένα αποτέλεσμα είναι αρκετά αξιόπιστο για να επηρεάσει έναν πελάτη, μια πληρωμή ή μια επιχειρησιακή απόφαση. Κάποιος πρέπει να γνωρίζει ποιες αλλαγές μπορούν να γίνουν χωρίς να διαταραχθούν τα συστήματα που εξαρτώνται από αυτό.
Αυτό το «κάποιος» δεν είναι μία γραμμή κώδικα.
Είναι άνθρωποι, ρόλοι, διαδικασίες, γνώση και λογοδοσία.
Το χάσμα ανάμεσα σε ένα εντυπωσιακό demo και σε ένα αξιόπιστο production system δεν είναι μόνο τεχνικό. Είναι οργανωσιακό.
Όταν μετράμε την παραγωγή αλλά όχι το σύστημα
Η WiseTech, μία από τις σημαντικότερες διεθνείς εταιρείες logistics software, ανέφερε στα αποτελέσματα του 2026 ότι περισσότερο από το 75% της ομάδας της χρησιμοποιεί εργαλεία AI, πάνω από το 90% του κώδικα γράφεται ή υποστηρίζεται από AI και η παραγωγικότητα του engineering αυξήθηκε κατά 45%.
Οι αριθμοί είναι εντυπωσιακοί και δείχνουν ότι η αλλαγή δεν περιορίζεται πλέον σε μικρά πειράματα. Δεν απαντούν όμως από μόνοι τους στο αν το software έγινε αντίστοιχα καλύτερο.
Το ποσοστό του AI-assisted code μετρά τον τρόπο παραγωγής. Δεν μετρά πόσα προβλήματα έφτασαν στο production, πόσο εύκολα συντηρείται το σύστημα, πόσο γρήγορα αποκαθίσταται ένα incident, αν αυξήθηκε η ασφάλεια ή αν οι πελάτες απέκτησαν ουσιαστικά καλύτερη λειτουργία.
Ακόμη και το «90%» χρειάζεται ερμηνεία. Μπορεί να περιλαμβάνει από απλές συμπληρώσεις κώδικα μέχρι ολόκληρα components που δημιουργήθηκαν από agents. Δεν μας λέει ποιος όρισε την αρχιτεκτονική, ποιος απέρριψε τις λανθασμένες προτάσεις, ποιος αξιολόγησε τις συνέπειες μιας αλλαγής και ποιος ενέκρινε την τελική έκδοση.
Η παραγωγικότητα στην κατασκευή είναι σημαντική. Δεν πρέπει όμως να συγχέεται με την ποιότητα και την ανθεκτικότητα του συστήματος που παράγεται.
Η AI δεν αφαιρεί τον άνθρωπο· μετακινεί την αξία του
Στη σημερινή φάση εξέλιξης της τεχνολογίας, ο άνθρωπος παραμένει κρίσιμο μέρος της διαδικασίας. Όχι απλώς επειδή πρέπει να ελέγχει αν η AI έγραψε σωστά τον κώδικα, αλλά επειδή πρέπει να πάρει τις αποφάσεις που το ίδιο το σύστημα δεν μπορεί να αναλάβει αξιόπιστα και υπεύθυνα.
Ποιο πρόβλημα αξίζει να λυθεί;
Ποιο αίτημα εκφράζει μια πραγματική ανάγκη και ποιο απλώς αναπαράγει έναν παλιό τρόπο εργασίας;
Ποια εξαίρεση είναι τόσο σημαντική ώστε να αλλάξει ολόκληρη την αρχιτεκτονική;
Πότε η ταχύτητα πρέπει να υποχωρήσει μπροστά στην ασφάλεια;
Ποια απόφαση μπορεί να αυτοματοποιηθεί και ποια χρειάζεται ανθρώπινη επιβεβαίωση;
Ποιος θα αναλάβει την ευθύνη όταν ένα αποτέλεσμα αποδειχθεί λανθασμένο;
Η AI μπορεί να επεξεργαστεί απαιτήσεις, δεδομένα, κώδικα και τεχνική τεκμηρίωση. Ο άνθρωπος πρέπει ακόμη να καταλάβει όσα συχνά δεν έχουν αποτυπωθεί πουθενά: τις πραγματικές προτεραιότητες, τις αντιφάσεις του οργανισμού, τις ανεπίσημες διαδικασίες, τις σχέσεις ευθύνης και τις συνέπειες κάθε επιλογής.
Ο ανθρώπινος ρόλος επομένως δεν εξαφανίζεται. Μετακινείται από τη χειρωνακτική παραγωγή προς την ερμηνεία, την κρίση, την επιλογή και την ευθύνη.
Όσο ευκολότερο γίνεται να κατασκευάσουμε κάτι, τόσο σημαντικότερος γίνεται ο άνθρωπος που θα αποφασίσει τι αξίζει να κατασκευαστεί, πώς πρέπει να λειτουργήσει και ποιες συνέπειες είμαστε διατεθειμένοι να αναλάβουμε.
Αυτό δεν είναι μια γενική διακήρυξη ότι ο άνθρωπος θα παραμένει για πάντα αναντικατάστατος, ανεξάρτητα από την εξέλιξη της τεχνολογίας. Είναι η πραγματικότητα της σημερινής ωριμότητας της AI: μπορεί να συμμετέχει όλο και περισσότερο στην εκτέλεση, χωρίς ακόμη να διαθέτει τη συνολική κατανόηση, τη θεσμική θέση και τη λογοδοσία που απαιτούν οι κρίσιμες αποφάσεις.
Ο νέος κίνδυνος: build debt
Γνωρίζουμε ήδη την έννοια του technical debt: τις γρήγορες τεχνικές επιλογές που επιτρέπουν σε ένα έργο να προχωρήσει σήμερα, δημιουργώντας όμως κόστος και περιορισμούς για το αύριο.
Η εποχή της AI μπορεί να δημιουργήσει ένα ευρύτερο πρόβλημα: build debt.
Build debt δημιουργείται όταν ένας οργανισμός κατασκευάζει περισσότερα συστήματα από όσα μπορεί να κατέχει ουσιαστικά. Εφαρμογές χωρίς σαφή product owner. Εργαλεία που εξαρτώνται από APIs και μοντέλα των οποίων το κόστος ή η συμπεριφορά μπορεί να αλλάξει. Αυτοματισμοί που λειτουργούν, αλλά κανείς δεν γνωρίζει με βεβαιότητα όλες τις εξαρτήσεις τους. Εσωτερικά προϊόντα που ξεκίνησαν ως πειράματα και μετατράπηκαν σταδιακά σε κρίσιμη υποδομή χωρίς να αποκτήσουν την αντίστοιχη διακυβέρνηση.
Το build debt δεν εμφανίζεται απαραίτητα ως κακός κώδικας. Μπορεί να αποτελείται από λειτουργικές και καλοσχεδιασμένες εφαρμογές.
Το πρόβλημα είναι ότι ο οργανισμός δεν διαθέτει τους ανθρώπους, τη γνώση, τις διαδικασίες ή τη βούληση να τις υποστηρίξει σε βάθος χρόνου.
Η AI μπορεί να μειώσει το κόστος της πρώτης έκδοσης και ταυτόχρονα να αυξήσει τον συνολικό αριθμό των συστημάτων που απαιτούν συντήρηση, εποπτεία και έλεγχο. Αν η ικανότητα λειτουργίας δεν αυξηθεί με αντίστοιχο ρυθμό, το αρχικό κέρδος παραγωγικότητας μπορεί να μετατραπεί σε μελλοντικό λειτουργικό βάρος.
Αυτό δεν είναι το τέλος του SaaS ούτε ο θρίαμβος του custom development
Θα ήταν εύκολο να ερμηνεύσουμε τη νέα τάση ως επιστροφή του custom software και υποχώρηση του SaaS. Η πραγματικότητα θα είναι πιθανότατα πιο σύνθετη.
Οι γενικές πλατφόρμες θα συνεχίσουν να έχουν ισχυρή αξία εκεί όπου προσφέρουν κάτι πολύ περισσότερο από features: αξιόπιστη λειτουργία, συνεχή αναβάθμιση, ασφάλεια, συμμόρφωση, υποστήριξη, οικονομίες κλίμακας και συσσωρευμένη γνώση ενός domain.
Για πολλές λειτουργίες, το να αγοράσεις μια ώριμη υπηρεσία θα παραμένει λογικότερο από το να αναλάβεις ολόκληρο τον κύκλο ζωής μιας εσωτερικής λύσης.
Από την άλλη πλευρά, το one-size-fits-all software θα δεχθεί μεγαλύτερη πίεση. Όταν η προσαρμογή γίνεται οικονομικότερη, οι οργανισμοί θα ανέχονται δυσκολότερα προϊόντα που τους αναγκάζουν να προσαρμόσουν τις πραγματικές τους διαδικασίες σε ένα γενικό μοντέλο.
Το αποτέλεσμα δεν θα είναι η απόλυτη νίκη του SaaS ή του custom development. Θα είναι ένας νέος διαχωρισμός:
- άφθονα εργαλεία και εφαρμογές που μπορούν να κατασκευαστούν εύκολα,
- και συστήματα που αξίζει να λειτουργούν επειδή ενσωματώνουν πραγματική γνώση, διαφοροποίηση και επιχειρησιακή ανθεκτικότητα.
Η αξία μιας εταιρείας custom software επίσης δεν μπορεί πλέον να στηρίζεται μόνο στις ώρες ανάπτυξης ή στην ικανότητα παραγωγής κώδικα. Θα πρέπει να βρίσκεται στην κατανόηση του προβλήματος, στον σχεδιασμό της αρχιτεκτονικής, στη σύνδεση του συστήματος με τον πραγματικό οργανισμό και στην ικανότητα να το υποστηρίζει όταν η πρώτη εντυπωσιακή έκδοση πάψει να είναι καινούργια.
Πριν αποφασίσουμε να χτίσουμε
Καθώς η τεχνική απάντηση στο «μπορούμε να το φτιάξουμε;» γίνεται συχνότερα θετική, οι οργανισμοί χρειάζονται αυστηρότερα —όχι χαλαρότερα— κριτήρια απόφασης.
Πριν ξεκινήσει μια νέα εσωτερική εφαρμογή ή AI-enabled λειτουργία, πρέπει να μπορούν να απαντηθούν τουλάχιστον τα εξής:
- Ποια συγκεκριμένη ικανότητα θα αποκτήσει ο οργανισμός;
- Γιατί αυτή η ικανότητα πρέπει να χτιστεί εσωτερικά αντί να αγοραστεί;
- Ποιο στοιχείο της λύσης δημιουργεί πραγματική διαφοροποίηση;
- Ποιος θα είναι υπεύθυνος για τη λειτουργία, την ασφάλεια και την εξέλιξή της;
- Ποιο είναι το συνολικό κόστος ζωής και όχι μόνο το κόστος της πρώτης έκδοσης;
- Τι θα συμβεί αν αλλάξει το μοντέλο, το API, ο vendor, η νομοθεσία ή η εσωτερική ομάδα;
- Με ποια δεδομένα θα αποδειχθεί ότι το σύστημα βελτίωσε πραγματικά τη λειτουργία;
Αν αυτές οι ερωτήσεις δεν έχουν απάντηση, το γεγονός ότι η AI μπορεί να δημιουργήσει γρήγορα την εφαρμογή δεν αποτελεί λόγο να προχωρήσουμε.
Μπορεί να αποτελεί λόγο να σταματήσουμε και να σκεφτούμε καλύτερα.
Το επόμενο πρόβλημα του software
Το software δεν γίνεται λιγότερο σημαντικό. Γίνεται περισσότερο διαθέσιμο.
Ακριβώς γι’ αυτό, η ύπαρξή του δεν θα αρκεί πλέον ως απόδειξη αξίας.
Η επόμενη γενιά επιχειρήσεων θα έχει πρόσβαση σε περισσότερη τεχνολογική δυνατότητα από οποιαδήποτε προηγούμενη. Θα μπορεί να δημιουργεί εργαλεία, αυτοματισμούς και εφαρμογές με ταχύτητα που μέχρι πρόσφατα ήταν αδιανόητη.
Η πρόκληση δεν θα είναι να αξιοποιήσει κάθε δυνατότητα.
Θα είναι να επιλέξει ποιες αξίζει να μετατρέψει σε σύστημα.
Γιατί το να παράγεις κώδικα δεν σημαίνει ότι δημιούργησες προϊόν. Το να παραδώσεις μια εφαρμογή δεν σημαίνει ότι δημιούργησες ικανότητα. Και το να θέσεις κάτι σε λειτουργία δεν σημαίνει ότι μπορείς να το λειτουργείς αξιόπιστα για χρόνια.
Η AI έκανε ευκολότερο να φτιάξεις software.
Δεν έκανε ευκολότερο να αποφασίσεις ποιο software αξίζει να υπάρχει.
Δεν έκανε ευκολότερο να δημιουργήσεις κάτι που πραγματικά κάνει τη διαφορά.
Και, τουλάχιστον όχι ακόμη, δεν αφαίρεσε από τον άνθρωπο την ευθύνη να το κατανοήσει, να το κρίνει και να το κρατήσει ζωντανό.