Η ΤΝ είναι ακριβό σπορ — και μερικές φορές η πιο ώριμη τεχνολογική απόφαση είναι να μην τη χρησιμοποιήσεις
Ένα πρόσφατο δημοσίευμα των Financial Times περιέγραψε πώς μεγάλες επιχειρήσεις, οι οποίες έσπευσαν να εντάξουν εργαλεία Τεχνητής Νοημοσύνης στην καθημερινή τους λειτουργία, αρχίζουν τώρα να περιορίζουν τη χρήση τους. Επιβάλλουν πλαφόν, κατευθύνουν τους εργαζομένους σε οικονομικότερα μοντέλα και προσπαθούν να συνδέσουν την κατανάλωση tokens με κάποιο πραγματικό και μετρήσιμο επιχειρηματικό αποτέλεσμα.
Η φράση «δημιουργήσαμε ένα τέρας» είναι εντυπωσιακή. Αλλά ίσως περιγράφει λάθος το πρόβλημα.
Το τέρας δεν είναι η Τεχνητή Νοημοσύνη.
Το τέρας είναι η υιοθέτηση της Τεχνητής Νοημοσύνης χωρίς οικονομική αρχιτεκτονική, χωρίς σαφείς στόχους, χωρίς κανόνες χρήσης και, κυρίως, χωρίς προηγουμένως να έχει τεθεί το βασικό ερώτημα:
Χρειαζόμαστε πραγματικά Τεχνητή Νοημοσύνη για να λύσουμε αυτό το πρόβλημα;
Η ΤΝ ήταν και παραμένει ακριβό σπορ. Μπορεί το κόστος ανά token να μειώνεται σε ορισμένα μοντέλα και νέες, οικονομικότερες επιλογές να εμφανίζονται συνεχώς. Αυτό όμως δεν σημαίνει ότι γνωρίζουμε πότε —ή ακόμη και αν— το συνολικό κόστος χρήσης της ΤΝ σε μεγάλη επιχειρησιακή κλίμακα θα γίνει πραγματικά χαμηλό και προβλέψιμο.
Γιατί το πραγματικό κόστος δεν είναι μόνο η τιμή του μοντέλου.
Είναι η ενσωμάτωση.
Είναι η προετοιμασία και η ποιότητα των δεδομένων.
Είναι η ασφάλεια.
Είναι η αξιολόγηση των αποτελεσμάτων.
Είναι η παρακολούθηση της λειτουργίας.
Είναι η ανθρώπινη εποπτεία.
Είναι η συμμόρφωση.
Είναι η διαχείριση των σφαλμάτων.
Είναι η συνεχής προσαρμογή όταν αλλάζουν τα μοντέλα, οι τιμές και οι δυνατότητές τους.
Και, περισσότερο από όλα, είναι το κόστος της πολυπλοκότητας που εισάγουμε σε ένα σύστημα όταν προσθέτουμε Τεχνητή Νοημοσύνη εκεί όπου δεν είναι πραγματικά απαραίτητη.
Από το «πού θα βάλουμε AI;» στο «τι θέλουμε να πετύχουμε;»
Το hype της εποχής έχει δημιουργήσει μια επικίνδυνη αντιστροφή.
Πολλές επιχειρήσεις ξεκινούν τη συζήτηση με την ερώτηση:
Πού μπορούμε να εντάξουμε Τεχνητή Νοημοσύνη;
Αυτή είναι συνήθως η λάθος ερώτηση.
Η σωστή ερώτηση είναι:
Τι θέλουμε να πετύχουμε και ποια είναι η απλούστερη, ασφαλέστερη και οικονομικότερη λύση που μπορεί να το πετύχει;
Η διαφορά φαίνεται μικρή, αλλά είναι θεμελιώδης.
Η πρώτη ερώτηση ξεκινά από την τεχνολογία και αναζητά ένα πρόβλημα για να τη δικαιολογήσει. Η δεύτερη ξεκινά από το πραγματικό επιχειρησιακό αποτέλεσμα και αξιολογεί αντικειμενικά ποια τεχνολογία χρειάζεται.
Αυτός πρέπει να είναι ο ρόλος ενός σοβαρού digital solutions architect. Όχι να ρωτά τον stakeholder:
Τι θέλετε να φτιάξουμε;
Αλλά:
Τι θέλετε να πετύχετε με αυτό που θα φτιάξουμε;
Η πρώτη ερώτηση οδηγεί εύκολα σε features, πλατφόρμες και εντυπωσιακά demos. Η δεύτερη οδηγεί σε αποτελέσματα, δυνατότητες, μετρήσιμη αξία και στρατηγική κατεύθυνση.
Η Τεχνητή Νοημοσύνη είναι εργαλείο. Δεν είναι στόχος. Δεν είναι στρατηγική από μόνη της. Και σίγουρα δεν είναι απόδειξη ότι ένας οργανισμός εκσυγχρονίστηκε.
Μια πραγματική περίπτωση όπου η σωστή λύση ήταν να μη χρησιμοποιηθεί ΤΝ
Πρόσφατα κλήθηκα να εξετάσω την περίπτωση μιας εταιρείας που ήθελε να προσθέσει Τεχνητή Νοημοσύνη για να βελτιώσει το workflow μιας βασικής επιχειρησιακής διαδικασίας.
Η πρόθεση ήταν απολύτως κατανοητή. Η διοίκηση ήθελε καλύτερη ροή εργασίας, λιγότερες καθυστερήσεις και μεγαλύτερη αποτελεσματικότητα. Η ΤΝ φαινόταν ως η αυτονόητη σύγχρονη λύση.
Όμως, πριν προτείνουμε τεχνολογία, μελετήσαμε τη διαδικασία.
Εξετάσαμε τι ακριβώς συνέβαινε σε κάθε στάδιο, ποιο ήταν το επιθυμητό αποτέλεσμα και ποιες λειτουργίες έπρεπε πραγματικά να αυτοματοποιηθούν. Το συμπέρασμα ήταν απλό: όλα όσα χρειαζόταν η εταιρεία μπορούσαν να γίνουν καλύτερα με τεχνολογίες που υπήρχαν ήδη, με σημαντικά χαμηλότερο κόστος και μικρότερη λειτουργική πολυπλοκότητα.
Δεν χρειαζόταν μοντέλο Τεχνητής Νοημοσύνης.
Χρειαζόταν σωστό workflow design, κατάλληλους αυτοματισμούς, καθαρούς επιχειρησιακούς κανόνες και ορθή διασύνδεση των υφιστάμενων συστημάτων.
Αυτό δεν ήταν αποτυχία υιοθέτησης της ΤΝ. Ήταν επιτυχία αρχιτεκτονικής.
Μερικές φορές η μεγαλύτερη αξία που μπορεί να προσφέρει ένας τεχνολογικός σύμβουλος δεν είναι να προτείνει μια νέα τεχνολογία. Είναι να εμποδίσει τον οργανισμό να πληρώσει για μια τεχνολογία που δεν χρειάζεται.
Automation και AI δεν είναι το ίδιο πράγμα
Ένα σημαντικό μέρος της σύγχυσης προέρχεται από το γεγονός ότι η αυτοματοποίηση και η Τεχνητή Νοημοσύνη χρησιμοποιούνται συχνά σαν να είναι συνώνυμες.
Δεν είναι.
Η αυτοματοποίηση εκτελεί προκαθορισμένους κανόνες. Όταν οι συνθήκες είναι σαφείς και το επιθυμητό αποτέλεσμα προβλέψιμο, ένα συμβατικό σύστημα μπορεί να εκτελέσει τη διαδικασία γρήγορα, αξιόπιστα και με χαμηλό κόστος.
Η ΤΝ είναι ιδιαίτερα χρήσιμη όταν υπάρχει αβεβαιότητα, μη δομημένη πληροφορία, γλώσσα, εικόνες, πολύπλοκη ταξινόμηση, μεταβαλλόμενο context ή ανάγκη παραγωγής και αξιολόγησης εναλλακτικών απαντήσεων.
Αν μια εργασία βασίζεται στο:
Αν συμβεί Α, κάνε Β,
πιθανότατα δεν χρειάζεται Τεχνητή Νοημοσύνη.
Αν χρειάζεται μεταφορά δεδομένων από ένα σύστημα σε άλλο, ειδοποίηση ενός υπευθύνου, εφαρμογή ενός συγκεκριμένου κανόνα, έγκριση βάσει γνωστών κριτηρίων ή δημιουργία μιας προκαθορισμένης αναφοράς, υπάρχουν ώριμες, δοκιμασμένες και οικονομικές τεχνολογίες που μπορούν να το κάνουν.
Workflow engines, APIs, business rules, event-driven architectures, integrations και συμβατικοί αυτοματισμοί δεν έγιναν ξαφνικά παρωχημένα επειδή εμφανίστηκαν τα μεγάλα γλωσσικά μοντέλα.
Συχνά εξακολουθούν να είναι η καλύτερη λύση.
Η ΤΝ δικαιολογείται όταν προσθέτει μια ικανότητα που τα συμβατικά συστήματα δεν μπορούν να προσφέρουν εύκολα ή οικονομικά. Όχι όταν αντικαθιστά έναν σαφή κανόνα με μια ακριβότερη, πιθανοτική διαδικασία.
Η προβλεψιμότητα έχει επιχειρηματική αξία
Στις επιχειρήσεις, η τεχνική δυνατότητα δεν είναι το μοναδικό κριτήριο.
Σημασία έχουν επίσης η προβλεψιμότητα, η αξιοπιστία, το κόστος, η ταχύτητα, η ασφάλεια και η δυνατότητα ελέγχου.
Ένα συμβατικό σύστημα κανόνων μπορεί να μην είναι τόσο εντυπωσιακό σε μια παρουσίαση. Μπορεί όμως να παρέχει το ίδιο αποτέλεσμα κάθε φορά, με γνωστό κόστος, πλήρη ιχνηλασιμότητα και σαφή λογική.
Ένα μοντέλο Τεχνητής Νοημοσύνης μπορεί να είναι πιο ευέλικτο. Μπορεί όμως να δίνει διαφορετικές απαντήσεις στο ίδιο ερώτημα, να χρειάζεται συνεχή αξιολόγηση, να δημιουργεί edge cases που δεν είχαν προβλεφθεί και να εισάγει λειτουργικό κόστος που αυξάνεται μαζί με τη χρήση.
Αυτό δεν σημαίνει ότι δεν πρέπει να χρησιμοποιούμε ΤΝ. Σημαίνει ότι πρέπει να γνωρίζουμε τι αγοράζουμε.
Δεν αγοράζουμε απλώς μια νέα λειτουργία. Αγοράζουμε μια διαφορετική κατηγορία συστήματος: περισσότερο δυναμική, περισσότερο πιθανοτική και συνήθως περισσότερο απαιτητική σε επίπεδο governance.
Η προβλεψιμότητα δεν είναι περιορισμός. Είναι επιχειρηματικό πλεονέκτημα.
Και όταν δύο λύσεις πετυχαίνουν το ίδιο αποτέλεσμα, η απλούστερη και πιο προβλέψιμη λύση είναι συνήθως και η πιο ώριμη επιλογή.
Το κρυφό κόστος των AI agents
Η πίεση γίνεται ακόμη μεγαλύτερη με την ανάπτυξη των AI agents.
Ένα απλό chatbot περιμένει τον χρήστη να υποβάλει ένα ερώτημα. Ένας agent μπορεί να λειτουργεί στο παρασκήνιο, να εκτελεί πολλά βήματα, να καλεί εργαλεία, να διαβάζει μεγάλα σύνολα πληροφοριών, να επαναλαμβάνει ενέργειες και να ενεργοποιεί άλλους agents.
Κάθε τέτοια ενέργεια μπορεί να έχει κόστος.
Όταν ένας agent εκτελεί μια εργασία, το κόστος δεν περιορίζεται σε μία απάντηση. Μπορεί να περιλαμβάνει δεκάδες ή εκατοντάδες κλήσεις μοντέλων, αναζητήσεις, ανακτήσεις δεδομένων, tool calls και επαναληπτικές αξιολογήσεις.
Αυτό δημιουργεί μια νέα κατηγορία μεταβλητού λειτουργικού κόστους.
Στο παραδοσιακό software μπορούμε συνήθως να υπολογίσουμε με σχετική ακρίβεια πόσο κοστίζει μια υποδομή για συγκεκριμένο αριθμό χρηστών ή συναλλαγών. Στα agentic systems, το κόστος μπορεί να εξαρτάται από το πόσα βήματα αποφασίζει να εκτελέσει ο agent, πόσο μεγάλο context χρησιμοποιεί και πόσες φορές επαναλαμβάνει μια διαδικασία.
Η ΤΝ μπορεί να αυτοματοποιήσει εργασία. Μπορεί επίσης να αυτοματοποιήσει την κατανάλωση πόρων.
Γι’ αυτό η χρήση agents χωρίς budgets, limits, observability και σαφή επιχειρησιακά KPIs μπορεί να μετατραπεί γρήγορα σε ανεξέλεγκτη δαπάνη.
Η πτώση της τιμής δεν εγγυάται μείωση του κόστους
Είναι πιθανό τα μοντέλα να συνεχίσουν να γίνονται πιο αποδοτικά. Ήδη υπάρχουν μικρότερα μοντέλα, caching, batch processing, model routing και τεχνικές που μειώνουν το κόστος ανά εργασία.
Αυτό είναι θετικό.
Όμως η πτώση της τιμής ανά token δεν σημαίνει υποχρεωτικά ότι θα μειωθεί η συνολική δαπάνη μιας επιχείρησης.
Όσο η ΤΝ γίνεται πιο προσιτή, τόσο περισσότερες χρήσεις εμφανίζονται. Περισσότεροι εργαζόμενοι αποκτούν πρόσβαση. Περισσότερες διαδικασίες αυτοματοποιούνται. Μεγαλύτερα contexts αποστέλλονται. Περισσότεροι agents λειτουργούν στο παρασκήνιο.
Η αποδοτικότητα μπορεί να μειώσει το κόστος μιας συγκεκριμένης κλήσης και ταυτόχρονα να αυξήσει δραματικά τον συνολικό όγκο χρήσης.
Κανείς δεν μπορεί να γνωρίζει με βεβαιότητα ποιο θα είναι το πραγματικό κόστος της ΤΝ σε βάθος χρόνου. Η τεχνολογία, οι τιμές, τα επιχειρηματικά μοντέλα και οι απαιτήσεις υποδομής αλλάζουν πολύ γρήγορα.
Γι’ αυτό μια επιχείρηση δεν πρέπει να βασίζει τη στρατηγική της στην ελπίδα ότι «σε λίγο η ΤΝ θα είναι σχεδόν δωρεάν».
Πρέπει να σχεδιάζει με βάση το σημερινό πραγματικό κόστος, να μετρά την αξία και να διατηρεί επιλογές.
Το AI FinOps δεν αρκεί χωρίς σωστή επιλογή λύσης
Οι οργανισμοί αρχίζουν πλέον να εφαρμόζουν πρακτικές AI FinOps: καταγραφή της κατανάλωσης, budgets, alerts, επιλογή οικονομικότερων μοντέλων, caching, model routing και αντιστοίχιση κάθε workload στο κατάλληλο επίπεδο δυνατότητας.
Όλα αυτά είναι απαραίτητα.
Δεν απαντούν όμως στο πρώτο και σημαντικότερο ερώτημα:
Έπρεπε αυτό το workload να χρησιμοποιεί Τεχνητή Νοημοσύνη εξαρχής;
Μπορούμε να βελτιστοποιήσουμε μια λανθασμένη αρχιτεκτονική. Θα παραμένει όμως λανθασμένη.
Μπορούμε να μειώσουμε την τιμή ανά token. Αν η διαδικασία δεν χρειαζόταν tokens, το κόστος εξακολουθεί να είναι περιττό.
Η πραγματική οικονομική πειθαρχία ξεκινά πριν από την επιλογή μοντέλου. Ξεκινά από την επιλογή της σωστής κατηγορίας τεχνολογίας.
Μια απλή σειρά αποφάσεων
Πριν προστεθεί ΤΝ σε μια επιχειρησιακή διαδικασία, πρέπει να προηγούνται ορισμένα βασικά βήματα.
Πρώτα, πρέπει να οριστεί το επιθυμητό αποτέλεσμα. Όχι η τεχνολογία, όχι το feature, όχι το demo.
Στη συνέχεια, πρέπει να μελετηθεί η υφιστάμενη διαδικασία. Ποια βήματα είναι πραγματικά απαραίτητα; Ποια υπάρχουν μόνο από συνήθεια; Πού βρίσκεται η πραγματική καθυστέρηση;
Μετά πρέπει να εξεταστεί αν το πρόβλημα λύνεται με απλούστερο τρόπο: καλύτερο σχεδιασμό διαδικασίας, ενοποίηση συστημάτων, καθαρούς κανόνες, συμβατική αυτοματοποίηση ή αξιοποίηση λειτουργιών που ήδη υπάρχουν.
Μόνο αν παραμένει ένα πρόβλημα που απαιτεί κατανόηση αβεβαιότητας, μη δομημένων δεδομένων, φυσικής γλώσσας ή σύνθετης κρίσης, πρέπει να εξεταστεί σοβαρά η ΤΝ.
Και τότε πρέπει να επιλεγεί όχι το ισχυρότερο μοντέλο, αλλά το μικρότερο και οικονομικότερο μοντέλο που πετυχαίνει αξιόπιστα το απαιτούμενο αποτέλεσμα.
Αυτή είναι ώριμη αρχιτεκτονική.
Η ικανότητα να λες «όχι» στην ΤΝ
Σήμερα είναι εύκολο να εγκριθεί ένα έργο επειδή περιλαμβάνει Τεχνητή Νοημοσύνη. Είναι σύγχρονο, ελκυστικό και επικοινωνιακά ισχυρό.
Πιο δύσκολο είναι να εξηγήσεις ότι η καλύτερη λύση δεν χρειάζεται AI.
Όμως αυτή ακριβώς είναι η διαφορά ανάμεσα στην τεχνολογική συμβουλευτική και στην πώληση τεχνολογίας.
Ο ρόλος του αρχιτέκτονα λύσεων δεν είναι να επιβεβαιώνει την αρχική υπόθεση του πελάτη. Είναι να την ελέγχει.
Δεν είναι να χρησιμοποιεί κάθε διαθέσιμο εργαλείο. Είναι να επιλέγει το σωστό.
Δεν είναι να κατασκευάζει το πιο εντυπωσιακό σύστημα. Είναι να δημιουργεί την απλούστερη λύση που επιτυγχάνει αξιόπιστα τον στόχο.
Κάποιες φορές αυτό σημαίνει τη χρήση ενός ισχυρού μοντέλου Τεχνητής Νοημοσύνης.
Κάποιες φορές σημαίνει ένα μικρότερο, εξειδικευμένο μοντέλο.
Και κάποιες φορές σημαίνει καθόλου Τεχνητή Νοημοσύνη.
AI where justified.
Automation where sufficient.
Simplicity wherever possible.
Η Τεχνητή Νοημοσύνη είναι ίσως η ισχυρότερη τεχνολογική δυνατότητα της εποχής μας. Ακριβώς γι’ αυτό πρέπει να τη χρησιμοποιούμε με κρίση και όχι από υποχρέωση.
Η ωριμότητα ενός οργανισμού δεν φαίνεται από το πόση ΤΝ χρησιμοποιεί.
Φαίνεται από το αν γνωρίζει πότε αξίζει να τη χρησιμοποιήσει — και πότε όχι.
