Γιατί οι CTO δυσκολεύονται να κλιμακώσουν το AI

Η ικανότητα των επιχειρήσεων να μετατρέψουν πειράματα με AI σε παραγωγικές λύσεις που λειτουργούν σε ολόκληρο τον οργανισμό έχει γίνει το νέο σημείο τριβής για τα κορυφαία τεχνολογικά στελέχη. Μια πρόσφατη έρευνα από την Akkodis δείχνει μια ξεκάθαρη πτώση στην εμπιστοσύνη των CTO ότι οι οργανισμοί τους μπορούν να κλιμακώσουν το AI — από 82% το 2024 σε 48% το 2026 — και αυτό δεν είναι μόνο αριθμός: αποκαλύπτει δομικά προβλήματα στην υποδομή, στα δεδομένα, στη διακυβέρνηση και στην κουλτούρα.

Το άρθρο εξετάζει γιατί τα έργα AI κολλάνε στο στάδιο των proof-of-concept, ποιοι τεχνικοί και οργανωτικοί παράγοντες αναδεικνύονται ως βασικά εμπόδια, και τι πρακτικά βήματα μπορούν να ακολουθήσουν οι CTO για να μετατρέψουν την «υπόσχεση» σε μετρήσιμη επιχειρηματική αξία.

Τι δείχνουν τα στοιχεία και τι σημαίνει το νούμερο

Η μείωση από 82% σε 48% μέσα σε τρία χρόνια δεν είναι απλώς στατιστική ολίσθηση αλλά ένδειξη ότι, καθώς οι οργανισμοί προχωρούν από πειράματα σε επιχειρησιακή χρήση, αναδύονται προκλήσεις που δεν φαίνονταν στα demo. Ο Jo Debecker, CEO της Akkodis, περιγράφει το πρόβλημα ως θέμα ενσωμάτωσης του AI “μέσα στην πολυπλοκότητα της επιχείρησης” — δηλαδή μεταξύ legacy συστημάτων, κατακερματισμένων δεδομένων και πολύπλοκων ρυθμίσεων κινδύνου και διακυβέρνησης.

Σχολιαστές από εταιρείες cybersecurity και data engineering, όπως ο Eric Hulse της Command Zero και ο Ryan McCurdy της Liquibase, συμφωνούν ότι το κρίσιμο βήμα είναι το scaling — όχι το proof-of-concept. Τα pilot αποδεικνύουν δυνατότητες· το scaling παράγει αξία, αλλά απαιτεί διαφορετική οργάνωση, διαδικασίες και κουλτούρα.

Γιατί το scaling κολλάει: τεχνικά και οργανωτικά αίτια

Στην πράξη, το scaling του AI συγκρούεται με πραγματικά προβλήματα: συχνά οι επιχειρήσεις διαθέτουν πολλαπλά, μη συγχρονισμένα συστήματα με διαφορετικές «εκδοχές της αλήθειας», αποθηκευμένα ιστορικά δεδομένα με ποιότητα χαμηλότερη από αυτή που απαιτεί ένα αξιόπιστο μοντέλο, και ανεπαρκή pipelines για συνεχή εκπαίδευση και παρακολούθηση μοντέλων (MLOps).

Επιπλέον, η εισαγωγή πιο «agentic» μορφών AI —συστήματα που μπορούν να γράψουν κώδικα, να αλλάξουν schemas, να ενεργοποιήσουν εργασίες— αυξάνει τους κινδύνους. Όταν το AI παρεμβαίνει ενεργά σε παραγωγικές ροές, χρειάζονται σαφείς κανόνες για το πού διατηρείται ο ανθρώπινος έλεγχος, πώς γίνονται οι αναθεωρήσεις, και πώς εξασφαλίζεται ιχνηλασιμότητα και συμμόρφωση.

Η παγίδα των pilots και το κόστος της αδράνειας

Πολλές εταιρείες έχουν επενδύσει δύο και πλέον χρόνια σε proof-of-concept projects χωρίς να χτίσουν τα απαραίτητα θεμέλια για παραγωγική κλίμακα. Αυτό σημαίνει ότι συσσωρεύονται κόστος και τεχνολογικό χρέος χωρίς να αποδίδεται πραγματική αξία. Όπως επισημαίνει ο Hulse, οι οργανισμοί «που έχουν κολλήσει στα pilot» πληρώνουν για εργαλεία και υπηρεσίες χωρίς να βλέπουν καθαρό ROI.

Αντίθετα, όσοι κερδίζουν την κούρσα του scaling δεν αγοράζουν απλώς περισσότερα εργαλεία· χτίζουν τις δομές γύρω από αυτά: αξιόπιστα δεδομένα, ρυθμισμένες ροές εργασίας και αποδεδειγμένο έλεγχο λειτουργίας. Αυτή η επένδυση στην πλατφόρμα και στις διαδικασίες είναι που μετατρέπει πιλοτικές εφαρμογές σε λειτουργικά πλεονεκτήματα.

Δεδομένα: ο πιο κρίσιμος παράγοντας που υποτιμάται

Εκπρόσωποι εταιρειών που δουλεύουν με enterprise data, όπως ο Bob Brauer της Interzoid, τονίζουν ότι η αποτυχία πολλών έργων AI δεν οφείλεται στην απουσία μοντέλων αλλά στην ποιότητα και τη συνοχή των δεδομένων. Το AI μάχεται με ό,τι του δώσεις· αν τα δεδομένα έχουν διπλότυπα, ελλείψεις ή παλιές εγγραφές, τα αποτελέσματα θα είναι αναξιόπιστα και οι αποφάσεις λανθασμένες.

Η ταχύτητα με την οποία τα AI συστήματα εκτελούν καθιστά τα σφάλματα πιο επικίνδυνα: όταν μια προβληματική απόφαση κλιμακώνεται σε χιλιάδες χρήσεις, ο αντίκτυπος γίνεται γρήγορα αισθητός. Έτσι, πριν συνδεθεί ένα AI με κρίσιμα συστήματα, χρειάζεται καθαρισμός δεδομένων, ενοποίηση master data και σαφής στρατηγική για το ποια δεδομένα είναι «πηγή αλήθειας» για κάθε χρήση.

Διακυβέρνηση, εμπιστοσύνη και ανθρώπινο στοιχείο

Η έλλειψη κατανόησης για το AI στο επίπεδο της ηγεσίας και η χαμηλή εμπιστοσύνη του εργατικού δυναμικού αποδεικνύονται ως σημαντικά εμπόδια. Στην έρευνα της Akkodis μόλις το 44% των CTO θεωρούν ότι οι ηγετικές ομάδες έχουν την απαραίτητη γνώση για το AI και μόνο το 36% δηλώνουν ικανοποιημένοι από τα επίπεδα εμπιστοσύνης του workforce.

Η εμπιστοσύνη κτίζεται με διαφάνεια: ξεκάθαρες πολιτικές για τη χρήση, ρόλοι και ευθύνες, διαδικασίες ελέγχου και συνεπής επικοινωνία για το πώς οι αποφάσεις του AI επηρεάζουν την εργασία και τα αποτελέσματα. Χωρίς αυτά, οι εργαζόμενοι βλέπουν το AI ως «μαύρο κουτί» και οι ηγεσίες αποφεύγουν την πλήρη ενσωμάτωση προς αποφυγή ρίσκου.

Αλλαγή προτεραιοτήτων: από αποδοτικότητα σε καινοτομία

Η ίδια έρευνα καταγράφει και μια κατευθυντική μετατόπιση: για πρώτη φορά, οι CTO αναφέρουν την καινοτομία ως βασικό κίνητρο των ψηφιακών επενδύσεων, όχι μόνο την αποδοτικότητα. Οι οργανισμοί επιδιώκουν πλέον νέα προϊόντα, μοντέλα και ροές αξίας — όχι μόνο μείωση κόστους.

Αυτή η αλλαγή εντείνει την ανάγκη για εξατομικευμένες στρατηγικές ανά κλάδο: για παράδειγμα, στην αεροδιαστημική προτεραιότητα είναι οι δεξιότητες και οι διαδικασίες ασφαλείας, στη βιοεπιστήμη απαιτείται γρήγορη καινοτομία με αυστηρή ρύθμιση, ενώ στον ενεργειακό τομέα κυριαρχεί η ανθεκτικότητα και η συμμόρφωση.

Τι μπορούν να κάνουν οι CTO: πρακτικά βήματα προς την κλίμακα

Η μετάβαση από pilot σε παραγωγή χρειάζεται μια συνδυαστική προσέγγιση τεχνολογίας, διαδικασιών και ανθρώπων. Κάποια πρακτικά βήματα περιλαμβάνουν την ανάπτυξη μιας κεντρικής στρατηγικής δεδομένων, επένδυση σε MLOps πλαίσια για συνεχή εκπαίδευση και παρακολούθηση, και την εισαγωγή σαφούς governance που ορίζει decision rights και audit trails.

Επίσης, οι CTO πρέπει να σχεδιάσουν την αλλαγή της κουλτούρας: εκπαιδεύσεις για το workforce, πειραματισμούς με «ασφαλείς» παραγωγικές ροές, και πιλοτικές ζώνες όπου το AI λειτουργεί υπό περιορισμένη αλλά ρεαλιστική συνθήκη μέχρι να αποδειχθεί η λειτουργικότητα και η συμμόρφωση. Τεχνικά, αυτό σημαίνει εργαλεία observability, testing για bias, μηχανισμούς rollback και αυτοματοποιημένα checks πριν μια αλλαγή ανέβει σε παραγωγή.

Τι αλλάζει στην πράξη

Στην πράξη, οι εταιρείες που θα κερδίσουν το στοίχημα του AI δεν θα είναι απλώς αυτές που αγοράζουν τα πιο προηγμένα μοντέλα. Θα είναι οι οργανισμοί που χτίζουν αξιόπιστα δεδομένα, εφαρμόζουν σαφείς κανόνες governance, και επενδύουν ταυτόχρονα στην εκπαίδευση και την εμπλοκή των ανθρώπων. Το αποτέλεσμα δεν είναι απλά ταχύτερες αποφάσεις, αλλά νέα προϊόντα, νέες ροές εσόδων και μια διαφορετική σχέση ανάμεσα στην τεχνολογία και την επιχειρηματική στρατηγική.

Για τον τελικό χρήστη και τον πελάτη, η επιτυχής κλίμακα σημαίνει πιο αξιόπιστες υπηρεσίες, λιγότερα σφάλματα και γρηγορότερη καινοτομία. Για τις εταιρείες σημαίνει αλλαγή στα KPIs: από μονάχα μείωση κόστους σε μέτρηση δημιουργίας αξίας, ταχύτερης απόδοσης επενδύσεων και διαρκούς συμμόρφωσης με κανονισμούς και ηθικά πρότυπα.

Η εμπιστοσύνη στο AI επιστρέφει μόνο όταν οι οργανισμοί σχεδιάζουν το scaling ως ολοκληρωμένο έργο — τεχνολογικό, λειτουργικό και πολιτισμικό — και αντιμετωπίζουν τις ρίζες του προβλήματος: δεδομένα, διαδικασίες και άνθρωποι.