Χρονιά-«κλειδί» για τη μετάβαση από τα συστήματα Τεχνητής Νοημοσύνης (ΤΝ) γενικού σκοπού, όπως το ChatGPT ή το Gemini, στους εξειδικευμένους AI Agents* και τα συστήματα RAG** ήταν το 2025, διανοίγοντας νέες προοπτικές για τις επιχειρήσεις, όπως επισημαίνει η συνιδρύτρια της εταιρείας GoCharlie, Δέσποινα Χρήστου, επικεφαλής επιστήμονας ΤΝ (Chief AI Scientist).
Μιλώντας στο «Homo sAIence», το vidcast της Voria.gr για την ΤΝ, η κ. Χρήστου εξηγεί πώς λειτουργούν τα συστήματα RAG και με ποιον τρόπο μπορούν, για παράδειγμα, να βελτιώσουν τη λειτουργία του τμήματος στήριξης και εξυπηρέτησης πελατών μιας επιχείρησης, ενώ αναφέρεται και στο κόστος που έχουν τέτοιες εφαρμογές.
Πόσο στοιχίζουν οι ΑΙ agents;
«Τα κόστη των agents έχουν πολύ μεγάλο εύρος, που εξαρτάται από το πόσο περίπλοκα είναι τα workflows (ροές εργασίας), πόσα δεδομένα υπάρχουν και σε τι ποιότητα, πού θα γίνει η υποδομή -πχ, σε cloud (ιδιωτικό υπολογιστικό νέφος), public cloud (δημόσιο υπολογιστικό νέφος) ή on-premise (στις εγκαταστάσεις της επιχείρησης), το επίπεδο ασφαλείας, και από το ποια μοντέλα θα χρησιμοποιήσεις. Αναλόγως λοιπόν του τι θέλει να κάνει η εταιρεία, σε απλούστερα σενάρια, όπως agents για ανάκτηση γνώσης ή drafting εγγράφων, μπορεί να πληρώνει για όλο το χρόνο 2.000- 15.000 ευρώ. Το κόστος ενός πιο εξειδικευμένου agent, που έχει εκπαιδευτεί σε πάρα πολλά δεδομένα και ενώνεται με πάρα πολλά συστήματα μιας εταιρίας, μπορεί να ξεπεράσει τις 20.000 ευρώ ετησίως, ενώ οι πράκτορες ΤΝ σε τομείς πιο "βαρείς" όπως η ιατρική, η μεταποίηση ή τα νομικά έγγραφα, ακριβώς επειδή χρειάζονται καλύτερο reasoning*** είναι πιο ακριβά μοντέλα και το κόστος τους φτάνει στα 80.000 ευρώ, ανάλογα και με τα δεδομένα που έχουμε» εξηγεί.
Πρωτότυπο προϊόντος μέσα σε ένα απόγευμα, αλλά…
Η Δέσποινα Χρήστου περιγράφει ακόμη τα κυριότερα μαθήματα που παίρνουν οι ιδρυτές/τριες startups κατά την περίοδο ενσωμάτωσης της ΤΝ στον πυρήνα της επιχείρησής τους. Όπως λέει, χάρη σε αυτά τα νέα εργαλεία, μπορείς πλέον να φτιάξεις ένα πρωτότυπο προϊόντος μέσα σε ένα απόγευμα.
Διαβάστε σχετικά: GoCharlie: Η αμερικανική startup δύο Θεσσαλονικιών που έφερε το ΑΙ στην… καρδιά των επιχειρήσεων
Ωστόσο, ένα τέτοιο πρωτότυπο δεν αποτελεί από μόνο του ένα προϊόν έτοιμο για παραγωγική χρήση -ένα προϊόν πρέπει να ενσωματώνεται στις υπάρχουσες διαδικασίες της επιχείρησης, να συμμορφώνεται με κανονισμούς και λειτουργικούς περιορισμούς, να είναι οικονομικά βιώσιμο (cost-effective) και να λειτουργεί με σταθερότητα και ασφάλεια- κάτι που δεν είναι δεδομένο ότι επιτυγχάνεται εξαρχής. «H ΤΝ δεν είναι “plug-and-play” λύση. Για να την εμπιστευτούμε χρειάζεται engineering, αρχιτεκτονική και κυρίως ανθρώπινη εποπτεία. Δεν μπορεί να λειτουργήσει αξιόπιστα χωρίς ανθρώπινη παρέμβαση και έλεγχο, ιδίως σε κρίσιμες επιχειρησιακές αποφάσεις» σημειώνει.
Επιπλέον, λέει, οι επιχειρηματίες πρέπει να έχουν στον νου τους το πρόβλημα που θέλουν να λύσουν με τη χρήση της ΤΝ και όχι απλά να επιδιώκουν να την ενσωματώσουν, επειδή υπάρχει το hype. «Πρέπει να δουν τι προβλήματα έχει η επιχείρηση που κοστίζουν σε χρόνο και χρήμα και ποια είναι τα λάθη στη λειτουργία της, που η ΤΝ μπορεί να βελτιώσει. Να δουν πού θέλουν να επικεντρωθούν. Με απλά λόγια, να γνωρίζουν πολύ καλά την επιχείρηση τους και τα προβλήματα που αυξάνουν τα κόστη. Το άλλο βασικό είναι να γνωρίζουν καλά τα δεδομένα τους, γιατί η ποιότητα της ΤΝ είναι αντίστοιχη με τα δεδομένα που της δίνεις. Οπότε πρέπει να ξέρουν πού βρίσκονται τα δεδομένα τους, αλλά έχουμε δει περιπτώσεις που δεν το γνωρίζουν, όπως δεν γνωρίζουν πόσο επικαιροποιημένα είναι ή αν υπάρχουν ευαίσθητα δεδομένα» περιγράφει, εξηγώντας ότι η διακυβέρνηση των δεδομένων είναι πολύ σημαντικό ζήτημα, όταν μια επιχείρηση θέλει να αξιοποιήσει αποδοτικά την ΤΝ.
Μόλις 10%-15% των ελληνικών επιχειρήσεων έτοιμες να υιοθετήσουν με επιτυχία την ΤΝ
«Στην Ελλάδα το ενδιαφέρον για την ΤΝ είναι έντονο και το hype πολύ μεγάλο, κάτι που είναι θετικό. Ωστόσο, η πραγματική ωριμότητα παραμένει περιορισμένη και ο ρυθμός υιοθέτησης είναι αργός», σημειώνει. Όπως εξηγεί, στην Ελλάδα πιο αργά κινούνται κυρίως μικρές ή μικρομεσαίες επιχειρήσεις, οι οποίες συχνά δεν διαθέτουν την απαραίτητη υποδομή για τη συλλογή και οργάνωση ποιοτικών δεδομένων, ούτε ανθρώπινο δυναμικό για τη συντήρηση και εξέλιξη τέτοιων λύσεων. «Οπότε, ο χρόνος για να ξεκινήσουν ένα πρότζεκτ συχνά “κολλάει”, γιατί δεν υπάρχει αυτή η ποιότητα δεδομένων» σημειώνει και συμπληρώνει πως το ποσοστό των ελληνικών επιχειρήσεων που επιδεικνύουν πραγματική ετοιμότητα για την υιοθέτηση της ΤΝ είναι 10%-15%.
Οφέλη που μετριούνται
Ποια είναι τα μετρήσιμα αποτελέσματα, όταν μια επιχείρηση χρησιμοποιεί αποδοτικά την ΤΝ; «Τα εμπορικά μοντέλα που έχουμε τα τελευταία δύο χρόνια χρησιμοποιούνται πολύ έντονα κι έχουν βοηθήσει να αναπτυχθούν λύσεις, οι οποίες έχουν ενσωματωθεί στις επιχειρήσεις, οπότε έχουμε κάποια νούμερα. Για τις πιο εξειδικευμένες λύσεις αντίθετα, δεν υπάρχουν ακόμη στατιστικά» λέει.
Σε τμήματα στήριξης πελατών για παράδειγμα, στα οποία χρησιμοποιούνται AI assistants με ενσωματωμένα συστήματα RAG, ο χρόνος διεκπεραίωσης μιας συνομιλίας, «για την οποία ένας άνθρωπος θα χρειαζόταν 5- 7 λεπτά, γίνεται σε 2- 3 λεπτά, δηλαδή έχουμε εξοικονόμηση χρόνου 40%, επειδή έχουμε καλύτερες απαντήσεις, βασισμένες ειδικά στο υλικό που παρέχει η επιχείρηση. Φανταστείτε τώρα τι μπορεί να κερδίσει ένα κέντρο στήριξης πελατών, που δέχεται 50.000 αιτήματα τον μήνα, πόσο τεράστια εξοικονόμηση πετυχαίνει σε εργατοώρες και κόστος» λέει.
Επιπλέον, λύσεις όπως το demand forecasting (πρόβλεψη ζήτησης) επιτρέπουν να μειώσουμε τα πλεονάζοντα αποθέματα σε ποσοστό άνω του 20%, ενώ το predictive maintenance (προληπτική συντήρηση, πχ, μηχανημάτων), μπορεί επίσης να φέρει σημαντική εξοικονόμηση πόρων.
Η συζήτηση με τη Δέσποινα Χρήστου επεκτάθηκε ακόμη στην ιστορία της GoCharlie και στο πώς πήρε το όνομά της, στο τι είναι το GEO (Generative Engine Optimization), που διαδέχεται το SEO (Search Engine Optimization) και πώς μπορούν πρακτικά να το αναπτύξουν οι επιχειρήσεις και σε άλλα θέματα.
ΛΕΞΙΛΟΓΙΟ ΕΠΕΙΣΟΔΙΟΥ
*AI agents (Πράκτορες Τεχνητής Νοημοσύνης): Aυτόνομα ή ημι-αυτόνομα συστήματα ΤΝ, που αντιλαμβάνονται το περιβάλλον τους (δεδομένα, συμβάντα, εντολές), λαμβάνουν αποφάσεις και εκτελούν ενέργειες με στόχο την επίτευξη συγκεκριμένων στόχων. Mπορούν επίσης να αλληλεπιδρούν με άλλα συστήματα ή χρήστες, να «μαθαίνουν» ή να προσαρμόζουν τη συμπεριφορά τους
**RAG systems (Συστήματα Παραγωγής Ενισχυμένης Ανάκτησης): Τα RAG systems είναι αρχιτεκτονικές ΤΝ που συνδυάζουν ανάκτηση πληροφορίας (retrieval) από εξωτερικές πηγές δεδομένων με παραγωγή κειμένου (generation) από μεγάλα γλωσσικά μοντέλα (LLMs), όπως τα ChatGPT, Gemini ή Claude, ώστε να παράγουν πιο ακριβείς, τεκμηριωμένες και ενημερωμένες απαντήσεις. Xρησιμοποιούνται γιατί μειώνουν τα λάθη και τις «παραισθήσεις» της ΤΝ, επιτρέπουν τη χρήση ιδιωτικών ή εξειδικευμένων δεδομένων και δεν απαιτούν εκ νέου εκπαίδευση του μοντέλου. Παράδειγμα: ένα σύστημα υποστήριξης πελατών που αντλεί απαντήσεις από εσωτερική βάση γνώσης πριν απαντήσει στον χρήστη.
***Το AI reasoning αναφέρεται στην ικανότητα ενός συστήματος ΤΝ να αναλύει πληροφορίες, να εξάγει συμπεράσματα και να επιλύει προβλήματα μέσω λογικών, αιτιακών ή “βηματικών” διαδικασιών σκέψης. Παράδειγμα: Ένα σύστημα ΤΝ που συγκρίνει δεδομένα, εντοπίζει αντιφάσεις και προτείνει την καλύτερη απόφαση βάσει των περιορισμών που τού τίθενται.