Η τεχνητή νοημοσύνη παρουσιάστηκε τα τελευταία χρόνια ως το εργαλείο που θα άλλαζε ριζικά την παραγωγικότητα των επιχειρήσεων, μειώνοντας χρόνο, κόστος και ανθρώπινη επιβάρυνση. Ωστόσο, η πραγματικότητα που αρχίζει να διαμορφώνεται σε μεγάλους τεχνολογικούς οργανισμούς δείχνει ότι η εξίσωση δεν είναι τόσο απλή.
Το AI μπορεί πράγματι να αυξήσει την ταχύτητα εργασίας, να υποστηρίξει ομάδες ανάπτυξης λογισμικού, να αυτοματοποιήσει διαδικασίες και να προσφέρει σημαντική επιχειρησιακή αξία. Όταν όμως η χρήση του γενικεύεται μέσα σε έναν οργανισμό, το ζήτημα παύει να είναι μόνο η «υιοθέτηση» της τεχνολογίας και μετατρέπεται σε ζήτημα κλίμακας, ελέγχου και κόστους.
Τα πρόσφατα παραδείγματα της Microsoft και της Uber είναι ενδεικτικά. Σύμφωνα με δημοσίευμα του Fortune, η Microsoft φέρεται να άρχισε να ακυρώνει μεγάλο μέρος των άμεσων αδειών χρήσης του Claude Code, στρέφοντας τους μηχανικούς της προς το GitHub Copilot CLI, μετά την ταχεία αύξηση της εσωτερικής χρήσης του εργαλείου. Η πρόσβαση είχε αρχικά δοθεί σε χιλιάδες εργαζομένους, μεταξύ των οποίων developers, project managers και designers, όμως η δημοφιλία του εργαλείου οδήγησε σε αναθεώρηση της πολιτικής χρήσης.
Ανάλογη εικόνα καταγράφεται και στην Uber. Το ίδιο δημοσίευμα αναφέρει ότι η εταιρεία είχε ήδη εξαντλήσει το ετήσιο budget του 2026 για εργαλεία AI coding μέσα στους πρώτους τέσσερις μήνες του έτους, μετά από εντατική χρήση και εσωτερικά κίνητρα υιοθέτησης της τεχνολογίας. Σύμφωνα με το Forbes, το συγκεκριμένο παράδειγμα ανέδειξε το πώς το token-based pricing μπορεί να ανατρέψει τις αρχικές οικονομικές παραδοχές των επιχειρήσεων για την αξιοποίηση εργαλείων τεχνητής νοημοσύνης.
Από το productivity boost στο ανεξέλεγκτο κόστος
Το βασικό πρόβλημα δεν είναι ότι τα εργαλεία AI δεν αποδίδουν. Αντιθέτως, πολλές ομάδες τα χρησιμοποιούν ακριβώς επειδή τα βρίσκουν χρήσιμα. Το πρόβλημα αρχίζει όταν η χρήση γίνεται καθημερινή, μαζική και ανεξέλεγκτη.
Σε ένα περιβάλλον όπου χιλιάδες εργαζόμενοι στέλνουν συνεχώς αιτήματα σε AI εργαλεία, το κόστος για compute, tokens και άδειες μπορεί να αυξηθεί πολύ ταχύτερα από όσο είχε προβλεφθεί. Η επιχείρηση ξεκινά με την προσδοκία ότι το AI θα περιορίσει δαπάνες και θα αυξήσει την αποδοτικότητα, αλλά στην πράξη μπορεί να βρεθεί αντιμέτωπη με έναν νέο, σημαντικό λειτουργικό λογαριασμό.
Το Fortune σημειώνει ότι, ακόμη και αν το κόστος ανά token μειώνεται, η συνολική κατανάλωση μπορεί να αυξάνεται τόσο πολύ ώστε το τελικό κόστος να παραμένει υψηλό ή και να αυξάνεται. Ιδιαίτερα στα agentic AI μοντέλα, όπου τα συστήματα δεν απαντούν απλώς σε ένα ερώτημα αλλά εκτελούν σειρά ενεργειών, η κατανάλωση tokens ανά εργασία μπορεί να είναι πολύ μεγαλύτερη.
Αυτό αλλάζει τη συζήτηση γύρω από το AI. Η τεχνητή νοημοσύνη δεν μπορεί πλέον να αντιμετωπίζεται μόνο ως εργαλείο εξοικονόμησης, αλλά ως νέα κατηγορία τεχνολογικού κόστους που χρειάζεται πολιτικές χρήσης, προϋπολογισμό, παρακολούθηση και μέτρηση απόδοσης.
Το κρίσιμο ερώτημα: υπάρχει μετρήσιμο ROI;
Για τις επιχειρήσεις, το ζήτημα δεν είναι αν οι εργαζόμενοι χρησιμοποιούν AI. Το κρίσιμο ερώτημα είναι αν η χρήση αυτή οδηγεί σε μετρήσιμη επιχειρηματική αξία.
Η Uber, σύμφωνα με το Fortune, βρίσκεται αντιμέτωπη ακριβώς με αυτό το δίλημμα: πώς συνδέεται η αυξημένη χρήση εργαλείων AI με περισσότερα ή καλύτερα προϊόντα, υπηρεσίες και λειτουργίες για τους πελάτες; Όταν η απάντηση δεν είναι ξεκάθαρη, το αυξημένο κόστος γίνεται πιο δύσκολο να δικαιολογηθεί.
Αυτή η συζήτηση αφορά άμεσα και τις επιχειρήσεις εκτός τεχνολογικού κλάδου. Ασφαλιστικές εταιρείες, δίκτυα διαμεσολάβησης, χρηματοοικονομικοί οργανισμοί και μεγάλες εταιρικές δομές εξετάζουν ή ήδη εφαρμόζουν AI σε underwriting, claims, customer service, marketing, νομική υποστήριξη, reporting και παραγωγή περιεχομένου. Όμως όσο περισσότερο το AI ενσωματώνεται στην καθημερινή λειτουργία, τόσο μεγαλύτερη ανάγκη υπάρχει για σαφές πλαίσιο χρήσης.
Χωρίς όρια, το AI μπορεί να γίνει μια «αόρατη» δαπάνη που απλώνεται σε πολλά τμήματα της επιχείρησης. Χωρίς μετρήσεις, μπορεί να δημιουργηθεί η ψευδαίσθηση παραγωγικότητας, χωρίς να αποδεικνύεται αν πράγματι μειώνεται ο χρόνος εργασίας, βελτιώνεται η ποιότητα ή αυξάνεται η εμπορική απόδοση.
Τι πρέπει να προσέξουν οι επιχειρήσεις
Η εμπειρία των μεγάλων τεχνολογικών εταιρειών δείχνει ότι η υιοθέτηση του AI δεν μπορεί να γίνεται μόνο με ενθουσιασμό. Χρειάζεται AI governance, δηλαδή κανόνες, έλεγχος, προτεραιοποίηση και σύνδεση της χρήσης με πραγματικούς στόχους.
Οι επιχειρήσεις που επενδύουν στην τεχνητή νοημοσύνη καλούνται πλέον να απαντήσουν σε πρακτικά ερωτήματα: ποιοι εργαζόμενοι χρειάζονται πρόσβαση, για ποιες εργασίες, με ποια εργαλεία, με ποιο κόστος, με ποια όρια και με ποια μέτρηση αποτελέσματος.
Το AI παραμένει μία από τις σημαντικότερες τεχνολογικές εξελίξεις της εποχής. Όμως η νέα πραγματικότητα δείχνει ότι δεν αρκεί να το χρησιμοποιεί μια εταιρεία. Πρέπει να ξέρει γιατί το χρησιμοποιεί, πόσο της κοστίζει και τι πραγματικά της επιστρέφει. Χωρίς στρατηγική, αυτό που ξεκινά ως εργαλείο παραγωγικότητας μπορεί γρήγορα να εξελιχθεί σε μια ακριβή και δύσκολα ελεγχόμενη επιχειρησιακή συνήθεια.
