Η Τεχνητή Νοημοσύνη περνά σε μια νέα φάση, στην οποία το ζητούμενο δεν είναι πλέον μόνο η ανάπτυξη νέων εφαρμογών και η αύξηση των επενδύσεων, αλλά η δυνατότητα να αποδειχθεί η πραγματική τους αξία στην καθημερινή λειτουργία του κράτους, των επιχειρήσεων και των οργανισμών. Η μετάβαση από τον σχεδιασμό στην παραγωγική αξιοποίηση, η διαχείριση των δεδομένων, η αναβάθμιση των δημόσιων υπηρεσιών και η μέτρηση της οικονομικής απόδοσης αποτελούν πλέον τις βασικές προκλήσεις.
Αυτή τη μετάβαση ανέδειξε η συνεδρία «Από τον σχεδιασμό AI στα μετρήσιμα αποτελέσματα: Από την επένδυση στην επιχειρησιακή απόδοση», στο πλαίσιο του 2ου ετήσιου συνεδρίου ATHENS AI SUMMIT 2026, που πραγματοποιήθηκε στις 11 Νοεμβρίου στο ξενοδοχείο Divani Caravel, στην Αθήνα.
Στη συζήτηση συμμετείχαν ο Γεώργιος Κανέλλος, διευθυντής του Γραφείου του Ειδικού Γραμματέα Τεχνητής Νοημοσύνης και Διακυβέρνησης Δεδομένων στο Υπουργείο Ψηφιακής Διακυβέρνησης και Τεχνητής Νοημοσύνης, η Νίκη Τσούμα, διευθύνουσα σύμβουλος της ΗΔΥΚΑ Μ.Α.Ε., και ο Αναστάσιος Μάνος, πρόεδρος του Διοικητικού Συμβουλίου του ΣΕΤΠΕ και πρόεδρος και διευθύνων σύμβουλος της DOTSOFT. Τη συνεδρία συντόνισε ο Γιάννης Χαλαβαζής, διευθύνων σύμβουλος της ΜΕΤΑΤΕΑΜ.
Οι παρεμβάσεις τους προσέγγισαν το ζήτημα από διαφορετικές πλευρές. Tη δημόσια πολιτική και τη διακυβέρνηση της Τεχνητής Νοημοσύνης, την αξιοποίηση των ψηφιακών υποδομών και των δεδομένων στον τομέα της Υγείας, αλλά και την ανάγκη οι επιχειρήσεις να μετατρέψουν τις επενδύσεις στην AI σε μετρήσιμα οικονομικά και λειτουργικά αποτελέσματα.
Νίκη Τσούμα: 1,85 δισ. εργαστηριακοί δείκτες και δύο AI Agents στην Υγεία
Τη σημασία των ψηφιακών υποδομών ως προϋπόθεση για την ουσιαστική αξιοποίηση της Τεχνητής Νοημοσύνης ανέδειξε η Νίκη Τσούμα, εστιάζοντας στον μετασχηματισμό των υπηρεσιών Υγείας και στις εφαρμογές που αναπτύσσονται πάνω στο ψηφιακό οικοσύστημα της ΗΔΥΚΑ.
Όπως προκύπτει από την παρουσίασή της, η αποτελεσματική εφαρμογή της AI δεν μπορεί να στηριχθεί μόνο στην ανάπτυξη νέων τεχνολογικών εργαλείων. Απαιτεί αξιόπιστες υποδομές, ποιοτικά δεδομένα και διασυνδεδεμένα πληροφοριακά συστήματα, τα οποία επιτρέπουν την ασφαλή συγκέντρωση και αξιοποίηση των πληροφοριών.
Κομβικό ρόλο σε αυτή την προσπάθεια έχει ο Εθνικός Ηλεκτρονικός Φάκελος Υγείας (ΕΗΦΥ), ο οποίος αντλεί πληροφορίες από περισσότερες από 20 διασυνδεδεμένες πηγές.
Σύμφωνα με τα στοιχεία που παρουσίασε η διευθύνουσα σύμβουλος της ΗΔΥΚΑ, στον φάκελο περιλαμβάνονται περίπου 1,85 δισεκατομμύρια δείκτες εργαστηριακών εξετάσεων, 417 εκατομμύρια καταγραφές φαρμακευτικών αγωγών και θεραπευτικών πρωτοκόλλων, καθώς και 328 εκατομμύρια καταγραφές επισκέψεων και νοσηλειών.
Η συγκέντρωση αυτού του όγκου δεδομένων σε ένα περισσότερο ενοποιημένο ψηφιακό περιβάλλον δημιουργεί τις προϋποθέσεις για την ανάπτυξη υπηρεσιών που διευκολύνουν τόσο τους πολίτες όσο και τους επαγγελματίες Υγείας, περιορίζοντας τον κατακερματισμό της πληροφορίας μεταξύ διαφορετικών συστημάτων.
Στο πλαίσιο αυτό, η ΗΔΥΚΑ προχωρά στην ανάπτυξη δύο εφαρμογών Τεχνητής Νοημοσύνης, με διαφορετικό προσανατολισμό και ομάδες χρηστών.
Η πρώτη είναι ο MyHealth AI Agent, ένας προσωπικός ψηφιακός βοηθός για τους πολίτες, μέσω του οποίου μπορούν να αναζητούν πληροφορίες από τον προσωπικό τους ηλεκτρονικό φάκελο χρησιμοποιώντας φυσική γλώσσα. Με αυτόν τον τρόπο, η πρόσβαση σε στοιχεία για συνταγές, εξετάσεις και παραπεμπτικά γίνεται πιο άμεση, χωρίς να απαιτείται από τον χρήστη να γνωρίζει τη δομή των πληροφοριακών συστημάτων.
Η δεύτερη εφαρμογή, ο AI Agent for Doctors, απευθύνεται στους επαγγελματίες Υγείας και αποσκοπεί στη διευκόλυνση της αναζήτησης και ανάκτησης πληροφοριών από το ιατρικό ιστορικό των ασθενών, περιορίζοντας τον χρόνο που απαιτείται για τον εντοπισμό των απαραίτητων δεδομένων.
Ιδιαίτερη σημασία έχει και το πλαίσιο ασφαλείας μέσα στο οποίο αναπτύσσονται οι εφαρμογές. Όπως παρουσιάστηκε, τα ευαίσθητα δεδομένα υγείας παραμένουν σε ελεγχόμενο περιβάλλον και δεν χρησιμοποιούνται για την εκπαίδευση των μοντέλων Τεχνητής Νοημοσύνης. Παράλληλα, η AI έχει υποστηρικτικό ρόλο και δεν υποκαθιστά την κλινική κρίση και την ευθύνη του γιατρού.
Το στοίχημα της μέτρησης των αποτελεσμάτων
Πέρα από την ανάπτυξη των εφαρμογών, η Νίκη Τσούμα έδωσε έμφαση και στον τρόπο με τον οποίο πρέπει να αξιολογείται η πραγματική συμβολή της Τεχνητής Νοημοσύνης.
Η διάθεση μιας νέας εφαρμογής ή η αύξηση των χρηστών της δεν αποτελούν από μόνες τους απόδειξη επιχειρησιακής επιτυχίας. Απαιτείται η παρακολούθηση συγκεκριμένων δεικτών, οι οποίοι συνδέονται με τον σκοπό για τον οποίο δημιουργήθηκε κάθε εργαλείο.
Για τον MyHealth AI Agent, η αξιολόγηση αφορά κατά πόσο οι πολίτες εντοπίζουν ευκολότερα τις πληροφορίες που χρειάζονται και ολοκληρώνουν τις διαδικασίες με λιγότερα εμπόδια. Αντίστοιχα, για τον AI Agent for Doctors, κρίσιμα κριτήρια είναι ο χρόνος αναζήτησης πληροφοριών, η ευχρηστία και η ενσωμάτωση του εργαλείου στην καθημερινή εργασία των επαγγελματιών Υγείας.
Σε επίπεδο οργανισμού, η αποτίμηση περιλαμβάνει τη συχνότητα χρήσης, την αξιοπιστία, το κόστος λειτουργίας και συντήρησης, αλλά και τη δυνατότητα εξυπηρέτησης περισσότερων χρηστών χωρίς ανάλογη αύξηση των απαιτούμενων πόρων.
Η επόμενη πρόκληση, επομένως, δεν αφορά μόνο την τεχνολογική ανάπτυξη, αλλά τη διασφάλιση ότι οι εφαρμογές μπορούν να λειτουργούν με συνέπεια, να εξελίσσονται και να βελτιώνουν στην πράξη τις υπηρεσίες προς τους πολίτες.
Αναστάσιος Μάνος: Το 88% χρησιμοποιεί AI, αλλά μόλις το 39% βλέπει επίδραση στα οικονομικά αποτελέσματα
Από την πλευρά των επιχειρήσεων, ο Αναστάσιος Μάνος ανέδειξε το χάσμα ανάμεσα στην ευρεία υιοθέτηση της Τεχνητής Νοημοσύνης και στη δυνατότητα μετατροπής της σε πραγματική οικονομική αξία.
Τα στοιχεία που παρουσίασε αποτυπώνουν τη δυσκολία αυτή: το 88% των οργανισμών χρησιμοποιεί AI σε τουλάχιστον μία επιχειρησιακή λειτουργία, ωστόσο μόλις το 39% καταγράφει κάποια επίδραση στο EBIT, δηλαδή στα κέρδη προ τόκων και φόρων. Μάλιστα, στις περισσότερες περιπτώσεις η επίδραση παραμένει κάτω από το 5%.
Ακόμη μικρότερο είναι το ποσοστό των οργανισμών που καταγράφουν υψηλή απόδοση από την αξιοποίηση της AI, με περίπου 6% να εμφανίζει συνεισφορά τουλάχιστον 5% στο EBIT.
Την απόσταση μεταξύ πειραματισμού και παραγωγικής αξιοποίησης αποτυπώνει και το στοιχείο της έρευνας MIT NANDA που επικαλέστηκε, σύμφωνα με το οποίο μόλις το 5% των εξειδικευμένων εταιρικών εργαλείων AI καταφέρνει να περάσει σε παραγωγική λειτουργία.
Η εικόνα στην Ελλάδα παρουσιάζει ακόμη μεγαλύτερη απόσταση από τον ευρωπαϊκό μέσο όρο. Ειδικότερα, το 8,9% των ελληνικών επιχειρήσεων με τουλάχιστον 10 εργαζομένους χρησιμοποιεί τεχνολογίες Τεχνητής Νοημοσύνης, έναντι 19,9% στην Ευρωπαϊκή Ένωση, με τη χώρα να καταλαμβάνει την 25η θέση.
Για τον πρόεδρο του ΣΕΤΠΕ, το βασικό πρόβλημα δεν βρίσκεται πλέον στη διαθεσιμότητα των τεχνολογικών εργαλείων, αλλά στην ικανότητα των επιχειρήσεων να τα ενσωματώσουν στις πραγματικές διαδικασίες τους, να ανασχεδιάσουν τη λειτουργία τους και να αποδείξουν την αξία που παράγουν.
Οι έξι λόγοι που κρατούν τα έργα AI στα πιλοτικά στάδια
Ο Αναστάσιος Μάνος εντόπισε έξι βασικές αιτίες για τις οποίες πολλές εφαρμογές Τεχνητής Νοημοσύνης δεν καταφέρνουν να περάσουν από το πιλοτικό στάδιο στην παραγωγική λειτουργία.
Πρώτο εμπόδιο αποτελεί η λανθασμένη αφετηρία αρκετών έργων, καθώς οι επιχειρήσεις επιλέγουν αρχικά το μοντέλο AI που θα χρησιμοποιήσουν, αντί να ξεκινούν από ένα συγκεκριμένο επιχειρησιακό πρόβλημα που χρειάζεται λύση.
Δεύτερον, συχνά δεν υπάρχει αρχική μέτρηση της υφιστάμενης κατάστασης, με αποτέλεσμα να απουσιάζει ένα σαφές σημείο αναφοράς για την αξιολόγηση των αποτελεσμάτων.
Σημαντικές δυσκολίες δημιουργούν επίσης τα δεδομένα, όταν δεν έχουν προετοιμαστεί επαρκώς ως προς την ποιότητα, την πρόσβαση και την ιδιοκτησία τους, καθώς και η καθυστερημένη αντιμετώπιση ζητημάτων προστασίας προσωπικών δεδομένων και συμμόρφωσης με τον GDPR.
Στα παραπάνω προστίθεται η προσπάθεια ενσωμάτωσης της AI σε υφιστάμενες διαδικασίες χωρίς προηγούμενο ανασχεδιασμό τους. Παράλληλα, αρκετές επιχειρήσεις δεν υπολογίζουν εξαρχής το συνολικό λειτουργικό κόστος, όπως τις δαπάνες για inference, MLOps, παρακολούθηση και επανεκπαίδευση των συστημάτων.
Τέλος, καθοριστική είναι η έλλειψη σαφούς επιχειρησιακής ευθύνης. Σε πολλές περιπτώσεις τα έργα παραμένουν υπό την ευθύνη των τμημάτων πληροφορικής, χωρίς να υπάρχει συγκεκριμένος υπεύθυνος για το επιχειρησιακό αποτέλεσμα που καλούνται να επιτύχουν.
Στο ίδιο πλαίσιο, ο Μάνος επικαλέστηκε στοιχεία της McKinsey, σύμφωνα με τα οποία οι επιχειρήσεις υψηλής απόδοσης από την AI εμφανίζουν σχεδόν τριπλάσια πιθανότητα να έχουν προχωρήσει σε ριζικό ανασχεδιασμό των εργασιακών τους ροών, σε ποσοστό 55% έναντι 20%.
Από τον σχεδιασμό στην παραγωγή: Το μοντέλο των τεσσάρων σταδίων
Για να αντιμετωπιστούν οι παραπάνω αδυναμίες, ο πρόεδρος του ΣΕΤΠΕ παρουσίασε ένα μοντέλο τεσσάρων διαδοχικών σταδίων, το οποίο συνδέει την ανάπτυξη μιας εφαρμογής AI με συγκεκριμένους στόχους και κριτήρια αξιολόγησης.
Το πρώτο στάδιο είναι ο σχεδιασμός, με χρονικό ορίζοντα τις πρώτες τέσσερις εβδομάδες. Περιλαμβάνει την επιλογή μιας διαδικασίας με μετρήσιμο πρόβλημα, την κατάρτιση επιχειρηματικού πλάνου με βάση το συνολικό κόστος ιδιοκτησίας (TCO), την καταγραφή αρχικών δεικτών απόδοσης και τον έλεγχο των δεδομένων και των κινδύνων.
Ακολουθεί το πιλοτικό έργο (pilot), με ορίζοντα έως 90 ημέρες. Σε αυτό πρέπει να συμμετέχουν πραγματικοί χρήστες και να αξιοποιούνται πραγματικά δεδομένα, ενώ η μέτρηση των αποτελεσμάτων ξεκινά από την πρώτη ημέρα. Εάν δεν επιτευχθεί το προκαθορισμένο όριο επιτυχίας, το έργο πρέπει να διακόπτεται ή να επανασχεδιάζεται.
Το τρίτο στάδιο αφορά την παραγωγική λειτουργία, με χρονικό ορίζοντα από τον τρίτο έως τον ένατο μήνα. Προϋποθέτει την ενσωμάτωση της AI στα υφιστάμενα πληροφοριακά συστήματα, τη διατήρηση ανθρώπινης εποπτείας και τη συνεχή παρακολούθηση του κόστους και της ποιότητας.
Τέλος, από τον ένατο μήνα ξεκινά η κλιμάκωση, με την επέκταση των εφαρμογών σε περισσότερες επιχειρησιακές μονάδες, τη δημιουργία επαναχρησιμοποιήσιμων υποδομών και τη συνεχή βελτίωση των συστημάτων. Βασική προϋπόθεση είναι να έχει ήδη αποδειχθεί η θετική απόδοση της επένδυσης (ROI) για κάθε επιμέρους περίπτωση χρήσης.
Τέσσερα επίπεδα για τη μέτρηση της απόδοσης
Ιδιαίτερη έμφαση δόθηκε και στον τρόπο αξιολόγησης των εφαρμογών, καθώς η απόδοσή τους δεν μπορεί να περιορίζεται σε έναν τεχνικό δείκτη.
Ο Μάνος προσδιόρισε τέσσερα επίπεδα μέτρησης: το οικονομικό, το επιχειρησιακό, την υιοθέτηση και την εμπιστοσύνη με την ασφάλεια.
Στο οικονομικό επίπεδο εξετάζονται η συνεισφορά στο EBIT, το κόστος ανά συναλλαγή, τα νέα έσοδα και ο χρόνος αποπληρωμής της επένδυσης. Στο επιχειρησιακό επίπεδο, η αξιολόγηση αφορά τον χρόνο ολοκλήρωσης των διαδικασιών, την παραγωγικότητα, τα λάθη και την τήρηση των συμφωνημένων επιπέδων υπηρεσιών.
Η υιοθέτηση της τεχνολογίας αποτιμάται μέσα από τον αριθμό των ενεργών χρηστών και το ποσοστό των διαδικασιών που αξιοποιούν την AI, ενώ η εμπιστοσύνη και η ασφάλεια συνδέονται με την ακρίβεια των συστημάτων, το λειτουργικό κόστος, τον χρόνο απόκρισης και τη συμμόρφωση με τον AI Act και τον GDPR.
Οι προτάσεις του ΣΕΤΠΕ για την αγορά και το Δημόσιο
Η παρέμβαση του Αναστάσιου Μάνου επεκτάθηκε και στις αλλαγές που χρειάζεται να υιοθετήσει η ελληνική αγορά πληροφορικής.
Σε επίπεδο επιχειρήσεων, η αξιοποίηση εργαλείων AI, όπως τα copilots, θα πρέπει να συνδέεται με μετρήσιμη αύξηση της παραγωγικότητας, με αξιολόγηση του χρόνου ανάπτυξης λογισμικού, των ελαττωμάτων και του κόστους συντήρησης.
Παράλληλα, ο κλάδος καλείται να μετακινηθεί από την πώληση μεμονωμένων έργων στην παροχή υπηρεσιών που συνοδεύονται από μετρήσιμα αποτελέσματα, μέσα από μοντέλα διαχείρισης AI, συνδρομητικές υπηρεσίες και τιμολόγηση που συνδέεται με συγκεκριμένους δείκτες απόδοσης.
Για τον δημόσιο τομέα, η πρόταση αφορά την ενσωμάτωση μετρήσιμων στόχων και κριτηρίων κλιμάκωσης στις διακηρύξεις έργων πληροφορικής, με μεγαλύτερη έμφαση στη χρηματοδότηση της λειτουργίας και όχι μόνο στην αρχική ανάπτυξη.
Στις τέσσερις βασικές προτάσεις του Συνδέσμου περιλαμβάνονται η δημιουργία κοινού και συγκρίσιμου πλαισίου μέτρησης της απόδοσης της AI, η ενίσχυση των δημόσιων προμηθειών με κριτήρια που βασίζονται στο αποτέλεσμα, η χρηματοδότηση της μετάβασης από τα πιλοτικά έργα στην παραγωγή, με έμφαση στις μικρομεσαίες επιχειρήσεις πληροφορικής και την περιφέρεια, καθώς και η ανάπτυξη δεξιοτήτων στους τομείς του AI engineering, του MLOps και του AI governance.
Από τη στρατηγική στην πράξη: Το κοινό ζητούμενο
Οι διαφορετικές προσεγγίσεις που αναπτύχθηκαν στη συνεδρία συγκλίνουν σε ένα βασικό συμπέρασμα: η Τεχνητή Νοημοσύνη δεν μπορεί να αξιολογείται αποκλειστικά με βάση τον αριθμό των εφαρμογών που αναπτύσσονται ή τις επενδύσεις που ανακοινώνονται.
Στη δημόσια διοίκηση, το ζητούμενο είναι η δημιουργία ενός αξιόπιστου πλαισίου διακυβέρνησης, η αξιοποίηση των δεδομένων και η αναβάθμιση των υπηρεσιών προς τους πολίτες. Στην Υγεία, η πρόκληση είναι η μετατροπή των ψηφιακών υποδομών σε εργαλεία που διευκολύνουν την πρόσβαση στην πληροφορία και την καθημερινή εργασία των επαγγελματιών. Στις επιχειρήσεις, η επιτυχία συνδέεται με τη μείωση του κόστους, την αύξηση της παραγωγικότητας και την απόδειξη της απόδοσης κάθε επένδυσης.
Το πραγματικό στοίχημα για την επόμενη ημέρα της AI είναι, συνεπώς, να περάσει από τη δυνατότητα στην εφαρμογή και από την εφαρμογή στο μετρήσιμο αποτέλεσμα. Και αυτή η μετάβαση απαιτεί όχι μόνο τεχνολογία, αλλά δεδομένα, υποδομές, θεσμική οργάνωση, επιχειρησιακό σχεδιασμό και σαφή κριτήρια αξιολόγησης.
