Μια έρευνα της PwC δείχνει ότι πάνω από τους μισούς CEOs δεν βλέπουν ούτε αύξηση εσόδων ούτε μείωση κόστους από την Τεχνητή Νοημοσύνη (AI), παρά τις μαζικές επενδύσεις.
Τι δείχνει η έρευνα της PwC (4.454 επιχειρηματικοί ηγέτες)
Σύμφωνα με έρευνα της PwC σε 4.454 στελέχη επιχειρήσεων, περισσότεροι από τους μισούς CEOs αναφέρουν ότι δεν έχουν δει ούτε αύξηση εσόδων ούτε μείωση κόστους από την αξιοποίηση AI.
Τα ευρήματα ρίχνουν «κρύο νερό» στην υπερβολή γύρω από την AI και τα υποτιθέμενα οφέλη της για τις επιχειρήσεις—αν και η έκθεση προειδοποιεί ότι «είμαστε ξεκάθαρα στα πρώτα στάδια της εποχής του AI».
Βασικά ποσοστά-κλειδιά
- 12% δήλωσαν ότι είδαν και χαμηλότερο κόστος και υψηλότερα έσοδα.
- 56% δεν είδαν κανένα από τα δύο οφέλη.
- 26% είδαν μείωση κόστους, όμως σχεδόν εξίσου πολλοί ανέφεραν αύξηση κόστους.
Περιορισμένη υιοθέτηση AI ακόμη και στα «top» use cases
Η υιοθέτηση της AI παραμένει σχετικά περιορισμένη. Ακόμη και στις κορυφαίες περιπτώσεις χρήσης, μόνο μια μειοψηφία την εφαρμόζει εκτεταμένα, όπως:
- Demand generation: 22%
- Υπηρεσίες υποστήριξης (support services): 20%
- Ανάπτυξη προϊόντων (product development): 19%
Επιπλέον, πέρυσι, σε ξεχωριστή μελέτη της PwC, μόλις 14% των εργαζομένων δήλωσαν ότι χρησιμοποιούν γενετική AI (generative AI) καθημερινά στη δουλειά τους.
«Χρειάζονται περισσότερες επενδύσεις», λέει η PwC — αλλά με ποιο τρόπο;
Παρά τις απαντήσεις των CEOs, η PwC καταλήγει ότι απαιτούνται περισσότερες επενδύσεις. Υποστηρίζει ότι τα «απομονωμένα, τακτικά AI projects» συχνά δεν αποδίδουν μετρήσιμη αξία, ενώ οι ουσιαστικές αποδόσεις έρχονται από εφαρμογές σε επίπεδο επιχείρησης (enterprise-wide) που ευθυγραμμίζονται με τη στρατηγική.
Ωστόσο, τα pilot projects από τη φύση τους είναι συνήθως μικρής κλίμακας και απομονωμένα, ώστε να αποδειχθεί η βιωσιμότητα μιας ιδέας πριν αναληφθεί το ρίσκο ενός rollout σε όλο τον οργανισμό.
Άρα, η PwC υπονοεί ότι οι πελάτες δεν πρέπει να ανησυχούν αν αποτύχει ένα pilot—και να προχωρήσουν έτσι κι αλλιώς σε μεγάλη κλίμακα;
Τι απαιτεί το scaling: «ισχυρά θεμέλια AI»
Η έκθεση συνεχίζει εξηγώντας ότι η κλιμάκωση απαιτεί «strong AI foundations», δηλαδή:
- Τεχνολογικό περιβάλλον που επιτρέπει ενσωμάτωση AI
- Σαφώς ορισμένο roadmap πρωτοβουλιών AI
- Τυποποιημένες διαδικασίες διαχείρισης ρίσκου
- Οργανωσιακή κουλτούρα που επιτρέπει υιοθέτηση AI
Με άλλα λόγια: αν αποτυγχάνουν τα AI projects, «απλώς δεν πιστεύετε αρκετά».
Συμφωνούν και άλλες έρευνες; Τα ποσοστά είναι απογοητευτικά
Η εικόνα ταιριάζει με έρευνα του MIT (Αύγουστος), σύμφωνα με την οποία μόλις 5% των επιχειρήσεων έχουν υλοποιήσει με επιτυχία εργαλεία AI σε κλίμακα, ενώ το υπόλοιπο 95% δεν είδε καμία απόδοση από τις προσπάθειές του.
Επίσης, μελέτη της προηγούμενης εβδομάδας κατέληξε ότι η χρήση AI chatbot εξοικονόμησε σε ασφαλιστικούς πράκτορες μόλις τρία λεπτά την ημέρα.
Ευρύτερο κλίμα: πτώση εμπιστοσύνης CEOs, γεωπολιτικοί κίνδυνοι και κυβερνοαπειλές
Σε πιο μακροσκοπικό επίπεδο, η PwC αναφέρει ότι η εμπιστοσύνη των CEOs έπεσε σε χαμηλό πενταετίας, με μόλις 30% να δηλώνουν αισιόδοξοι για αύξηση εσόδων (από 38% πέρυσι).
Αυτό συνδέεται με:
- αυξανόμενο γεωπολιτικό ρίσκο
- εντεινόμενες κυβερνοαπειλές
- αβεβαιότητα για τα οφέλη και τις παρενέργειες της AI
Δασμοί (tariffs) και επιπτώσεις στα περιθώρια κέρδους
Δεν αποτελεί έκπληξη ότι παραμένει η ανησυχία για τους δασμούς, καθώς η κυβέρνηση Τραμπ συνεχίζει μια ασταθή προσέγγιση πολιτικής.
Σχεδόν το 1/3 των CEOs λέει ότι οι δασμοί αναμένεται να μειώσουν το περιθώριο κέρδους της εταιρείας τους τον επόμενο χρόνο.
Στις ΗΠΑ, 22% δηλώνουν ότι η εταιρεία τους είναι πολύ ή εξαιρετικά εκτεθειμένη σε δασμούς.
Η PwC προειδοποιεί ότι οι εταιρείες που αποφεύγουν μεγάλες επενδύσεις λόγω γεωπολιτικής αβεβαιότητας υποαποδίδουν έναντι ανταγωνιστών κατά:
- 2 ποσοστιαίες μονάδες σε ανάπτυξη
- 3 μονάδες στα περιθώρια κέρδους
Πως να μετατρέψετε την AI από «κόστος» σε μετρήσιμο ROI
Γιατί τα AI pilots συχνά αποτυγχάνουν να αποδώσουν
Πολλά πιλοτικά έργα στήνονται ως «τεχνολογικά demos» και όχι ως λύσεις που ακουμπούν πραγματικές ροές εργασίας.
Συνήθη αίτια είναι: ελλιπή δεδομένα, ασαφής ιδιοκτησία (ownership), απουσία KPI και δυσκολία ενσωμάτωσης σε υπάρχοντα συστήματα (CRM/ERP).
Πως να επιλέξετε σωστά use cases (και να αποφύγετε το hype)
Ξεκινήστε από 2–3 περιπτώσεις χρήσης με:
- υψηλή συχνότητα (γίνεται κάθε μέρα),
- μετρήσιμη αξία (χρόνος, κόστος, πωλήσεις),
- καθαρή πρόσβαση σε δεδομένα,
- χαμηλό ρίσκο κανονιστικής συμμόρφωσης.
Παραδείγματα που συχνά αποδίδουν: ταξινόμηση emails/tickets, αναζήτηση γνώσης (enterprise search), βοήθεια σε πωλητές για προσφορές, αυτοματοποίηση αναφορών.
KPI και baseline: το «πριν» είναι εξίσου σημαντικό με το «μετά»
Ορίστε baseline πριν την υλοποίηση (π.χ. μέσος χρόνος επίλυσης ticket, κόστος ανά παραγγελία, conversion rate). Έπειτα επιλέξτε 3–5 KPI και μετρήστε τα εβδομαδιαία.
Χωρίς baseline, η «βελτίωση» μένει εντύπωση, όχι απόδειξη.
Data readiness, MLOps και ασφάλεια: τα αόρατα θεμέλια
Η κλιμάκωση απαιτεί:
- ποιότητα/διακυβέρνηση δεδομένων (πρόσβαση, καθαρισμός, lineage),
- MLOps/LLMOps (versioning, monitoring, αξιολόγηση απαντήσεων),
- security-by-design (π.χ. έλεγχος πρόσβασης, logging, προστασία από data leakage).
Ειδικά σε GenAI, υιοθετήστε πολιτικές για ευαίσθητα δεδομένα και αξιολογήστε κινδύνους όπως hallucinations και prompt injection.
Change management: ο «ανθρώπινος παράγοντας» κάνει τη διαφορά
Η απόδοση ανεβαίνει όταν οι ομάδες εκπαιδεύονται σε νέους τρόπους εργασίας. Εφαρμόστε human-in-the-loop σε κρίσιμες αποφάσεις, ορίστε champions ανά τμήμα και δώστε απλά playbooks χρήσης.
Έτσι η AI γίνεται εργαλείο παραγωγικότητας, όχι ακόμη μία πλατφόρμα που «κάθεται».
