Η Ελλάδα δεν χρειάζεται περισσότερες AI startups, χρειάζεται περισσότερες επιχειρήσεις που χρησιμοποιούν πραγματικά την τεχνητή νοημοσύνη

Η χαμηλή υιοθέτηση της AI από τις ελληνικές επιχειρήσεις αναδεικνύεται σε μία από τις μεγαλύτερες προκλήσεις της ψηφιακής μετάβασης. Η πραγματική οικονομική ευκαιρία, ωστόσο, μπορεί να βρίσκεται όχι στη δημιουργία περισσότερων AI startups, αλλά στην αξιοποίηση της τεχνολογίας από τις χιλιάδες μικρομεσαίες επιχειρήσεις της χώρας.

Η τεχνητή νοημοσύνη έχει πλέον περάσει από τα εργαστήρια έρευνας στο επίκεντρο της επιχειρηματικής συζήτησης. Βρίσκεται σε συνέδρια, επενδυτικά πλάνα, κυβερνητικές στρατηγικές και εταιρικές παρουσιάσεις, ενώ εργαλεία παραγωγικής AI χρησιμοποιούνται ήδη ευρέως από εργαζομένους και επαγγελματίες.

Ωστόσο, η διάδοση της συζήτησης γύρω από την τεχνητή νοημοσύνη δεν σημαίνει απαραίτητα και ουσιαστική αξιοποίησή της από την οικονομία.

Τα διαθέσιμα στοιχεία της Eurostat δείχνουν ότι το 2025 περίπου μία στις πέντε επιχειρήσεις στην Ευρωπαϊκή Ένωση χρησιμοποιούσε τεχνολογίες τεχνητής νοημοσύνης. Στην Ελλάδα το αντίστοιχο ποσοστό βρισκόταν περίπου στο 9%, κατατάσσοντας τη χώρα μεταξύ των κρατών-μελών με τα χαμηλότερα επίπεδα υιοθέτησης.

Η απόσταση αυτή έχει ιδιαίτερη σημασία. Η οικονομική αξία της AI δεν θα προκύψει μόνο από τις εταιρείες που θα αναπτύξουν τα επόμενα μεγάλα μοντέλα τεχνητής νοημοσύνης. Θα προκύψει σε μεγάλο βαθμό από τις επιχειρήσεις που θα μπορέσουν να ενσωματώσουν την τεχνολογία στις καθημερινές τους λειτουργίες και να αυξήσουν την παραγωγικότητά τους.

Από το chatbot στην αλλαγή των διαδικασιών

Η ενσωμάτωση ενός chatbot σε μια ιστοσελίδα, η χρήση ενός εργαλείου παραγωγής κειμένου ή η προσθήκη μιας λειτουργίας AI σε ένα CRM μπορεί να αποτελούν χρήσιμα βήματα. Δεν συνιστούν, όμως, από μόνα τους επιχειρηματικό μετασχηματισμό.

Το κρίσιμο ερώτημα για μια επιχείρηση δεν είναι απλώς «πού μπορούμε να βάλουμε AI;». Είναι πού χάνονται σήμερα χρόνος, χρήματα και πληροφορία.

Πόσες εργατοώρες καταναλώνονται σε επαναλαμβανόμενες εργασίες; Πόσα emails διαβάζονται και κατηγοριοποιούνται χειροκίνητα; Πόσα έγγραφα περνούν από ανθρώπους μόνο και μόνο για να μεταφερθούν δεδομένα από το ένα σύστημα στο άλλο; Πόσες πωλήσεις χάνονται επειδή δεν έγινε έγκαιρα follow-up; Και πόση πληροφορία παραμένει ανεκμετάλλευτη μέσα σε CRM, ERP, emails και εταιρικά αρχεία;

Σε αυτά τα σημεία βρίσκεται μεγάλο μέρος της πρακτικής αξίας της τεχνητής νοημοσύνης.

Ένας AI agent μπορεί, για παράδειγμα, να κατηγοριοποιεί αιτήματα πελατών και να τα προωθεί στον κατάλληλο εργαζόμενο. Ένα σύστημα μπορεί να επεξεργάζεται εκατοντάδες έγγραφα και να εξάγει συγκεκριμένα δεδομένα. Ένα CRM μπορεί να εντοπίζει πελάτες που έχουν μείνει χωρίς επικοινωνία και να ενεργοποιεί αυτοματοποιημένες διαδικασίες follow-up.

Παράλληλα, εργαλεία αναζήτησης με βάση τη φυσική γλώσσα μπορούν να επιτρέψουν στους εργαζομένους να αξιοποιούν την εσωτερική γνώση μιας εταιρείας χωρίς να χρειάζεται να γνωρίζουν σε ποιον φάκελο, email ή πληροφοριακό σύστημα βρίσκεται.

Το ζητούμενο, επομένως, δεν είναι να γίνει κάθε επιχείρηση εταιρεία τεχνολογίας. Είναι να εξετάσει πώς η τεχνολογία μπορεί να βελτιώσει τον τρόπο με τον οποίο λειτουργεί.

Η AI δεν χρειάζεται να είναι «εντυπωσιακή» για να είναι χρήσιμη

Μια ασφαλιστική εταιρεία δεν χρειάζεται να δημιουργήσει το δικό της μεγάλο γλωσσικό μοντέλο. Μια εμπορική επιχείρηση δεν χρειάζεται να αποκτήσει ερευνητική ομάδα AI και ένα λογιστικό γραφείο δεν χρειάζεται να μετατραπεί σε startup.

Χρειάζεται, όμως, να αναζητήσει τις διαδικασίες στις οποίες η τεχνητή νοημοσύνη μπορεί να μειώσει το κόστος, να περιορίσει τα λάθη, να εξοικονομήσει χρόνο ή να βελτιώσει τη λήψη αποφάσεων.

Αυτό είναι και το πεδίο στο οποίο δραστηριοποιούνται εταιρείες όπως η TechIns Group, με έμφαση στην ενσωμάτωση τεχνητής νοημοσύνης, αυτοματισμών και λογισμικού σε πραγματικές επιχειρησιακές διαδικασίες.

Η βασική αρχή είναι απλή: η τεχνητή νοημοσύνη αποκτά οικονομική αξία όταν παύει να είναι εντυπωσιακή και γίνεται χρήσιμη.

Πριν από την AI, πρέπει να μπουν σε τάξη οι διαδικασίες

Υπάρχει, ωστόσο, μια κρίσιμη προϋπόθεση. Δεν μπορεί να αυτοματοποιηθεί αποτελεσματικά μια διαδικασία που η επιχείρηση δεν έχει πρώτα κατανοήσει.

Πολλές επιχειρήσεις επιχειρούν να εισαγάγουν AI σε λειτουργίες όπου τα δεδομένα είναι διασκορπισμένα, οι διαδικασίες δεν είναι σαφώς ορισμένες, διαφορετικά τμήματα χρησιμοποιούν διαφορετικά συστήματα και σημαντικό μέρος της εταιρικής γνώσης βρίσκεται αποκλειστικά στους ανθρώπους που εργάζονται σε αυτά.

Σε τέτοιες περιπτώσεις, η τεχνητή νοημοσύνη δεν λύνει αυτομάτως το πρόβλημα. Υπάρχει ακόμη και ο κίνδυνος να αυτοματοποιήσει μια ήδη προβληματική διαδικασία.

Γι’ αυτό η επιτυχημένη εφαρμογή της AI ξεκινά συχνά πριν από την ίδια την τεχνολογία: με χαρτογράφηση των διαδικασιών, εντοπισμό των σημείων συμφόρησης, οργάνωση των δεδομένων και μέτρηση του χρόνου και του κόστους.

Μόνο τότε μπορεί να αξιολογηθεί σε ποια σημεία η τεχνητή νοημοσύνη μπορεί να προσφέρει πραγματική απόδοση.

Το ελληνικό παράδοξο

Η Ελλάδα εμφανίζει ένα ενδιαφέρον παράδοξο. Ενώ εργαζόμενοι και καταναλωτές δείχνουν να υιοθετούν γρήγορα εργαλεία τεχνητής νοημοσύνης στην καθημερινότητά τους, η επιχειρηματική αξιοποίηση της τεχνολογίας παραμένει περιορισμένη.

Η Ευρωπαϊκή Επιτροπή, στην αξιολόγησή της για την Ψηφιακή Δεκαετία του 2026, επισημαίνει τη χαμηλή υιοθέτηση της AI από τις ελληνικές επιχειρήσεις, ενώ παράλληλα καταγράφει την αργή πρόοδο της ψηφιακής μετάβασης των μικρομεσαίων επιχειρήσεων.

Το ζήτημα αποκτά μεγαλύτερη βαρύτητα αν ληφθεί υπόψη η δομή της ελληνικής οικονομίας. Οι μικρές και μεσαίες επιχειρήσεις αποτελούν τη συντριπτική πλειονότητα του επιχειρηματικού οικοσυστήματος και, όπως επισημαίνει ο OECD, οι SMEs διαχρονικά υστερούν έναντι των μεγαλύτερων επιχειρήσεων στην υιοθέτηση προηγμένων ψηφιακών τεχνολογιών.

Επομένως, η πρόκληση δεν είναι μόνο να αυξηθούν οι επενδύσεις στην AI από μεγάλους οργανισμούς. Είναι να καταστεί η τεχνολογία πρακτικά προσβάσιμη και οικονομικά αξιοποιήσιμη από χιλιάδες μικρότερες επιχειρήσεις.

Από την αντικατάσταση εργαζομένων στην αύξηση της παραγωγικότητας

Η συζήτηση για την τεχνητή νοημοσύνη συχνά επικεντρώνεται στις θέσεις εργασίας που ενδέχεται να χαθούν.

Το ερώτημα είναι εύλογο και δεν μπορεί να αγνοηθεί. Για την ελληνική οικονομία, όμως, υπάρχει και μια δεύτερη διάσταση: πώς μπορεί να παραχθεί περισσότερη αξία με το ανθρώπινο δυναμικό που ήδη υπάρχει.

Η Ελλάδα δεν διαθέτει απεριόριστη δεξαμενή εξειδικευμένων εργαζομένων. Σε αρκετούς κλάδους, οι επιχειρήσεις αντιμετωπίζουν ήδη δυσκολίες στην εύρεση ανθρώπων με τις κατάλληλες δεξιότητες.

Σε αυτό το περιβάλλον, η τεχνητή νοημοσύνη μπορεί να λειτουργήσει όχι μόνο ως πιθανός αντικαταστάτης εργασίας, αλλά και ως πολλαπλασιαστής της ανθρώπινης παραγωγικότητας.

Εάν μια επαναλαμβανόμενη διαδικασία απαιτεί σήμερα δύο ώρες εργασίας και, με τη σωστή τεχνολογία, μπορεί να ολοκληρωθεί σε είκοσι λεπτά, το όφελος δεν είναι απαραίτητα η μείωση του ανθρώπινου δυναμικού. Είναι η απελευθέρωση χρόνου για εργασίες μεγαλύτερης αξίας.

Αυτό είναι ένα από τα βασικά productivity gains που μπορεί να αναζητήσει η ελληνική οικονομία.

Το AI πρέπει να μετριέται σε ROI

Υπάρχει, βέβαια, και ο αντίθετος κίνδυνος: οι επιχειρήσεις να επενδύουν στην AI απλώς επειδή η τεχνολογία βρίσκεται στο επίκεντρο της αγοράς.

Η αγορά δεν χρειάζεται περισσότερα proof of concepts που παρουσιάζονται εντυπωσιακά σε ένα meeting και λίγους μήνες αργότερα έχουν εγκαταλειφθεί.

Χρειάζεται μετρήσιμα αποτελέσματα.

Εάν μια εφαρμογή AI κοστίζει 50.000 ευρώ, η διοίκηση θα πρέπει να μπορεί να απαντήσει πού και πότε αναμένεται να επιστραφεί αυτή η επένδυση.

Μείωσε εργατοώρες; Αύξησε τις πωλήσεις; Περιόρισε τα λάθη; Μείωσε τον χρόνο εξυπηρέτησης; Βελτίωσε την πληροφόρηση της διοίκησης;

Εάν δεν υπάρχει σαφής απάντηση, μπορεί να υπάρχει ένα ενδιαφέρον τεχνολογικό πείραμα, αλλά όχι ακόμη ένα ώριμο επιχειρηματικό case.

Η μεγάλη ευκαιρία μπορεί να βρίσκεται στην εφαρμογή

Η παγκόσμια κούρσα της τεχνητής νοημοσύνης συνδέεται συχνά με το ποιος θα δημιουργήσει το επόμενο μεγάλο μοντέλο. Πρόκειται για έναν αγώνα στον οποίο πρωταγωνιστούν εταιρείες και οικονομίες με τεράστια κεφάλαια, υποδομές και υπολογιστική ισχύ.

Για την Ελλάδα, όμως, υπάρχει ένα διαφορετικό πεδίο ανταγωνισμού: η εφαρμογή.

Η χώρα διαθέτει χιλιάδες επιχειρήσεις στους κλάδους του τουρισμού, της ναυτιλίας, της ασφάλισης, του εμπορίου, των υπηρεσιών, των logistics, της υγείας και πολλών ακόμη δραστηριοτήτων. Σε όλες αυτές τις αγορές υπάρχουν πραγματικές επιχειρησιακές ανάγκες που μπορούν ήδη να αντιμετωπιστούν με τεχνολογίες AI που είναι διαθέσιμες σήμερα.

Δεν χρειάζεται να περιμένουμε το AI του 2030 για να ξεκινήσει η αλλαγή.

Η μεγαλύτερη ευκαιρία βρίσκεται σε μεγάλο βαθμό ήδη μπροστά μας: να μάθουν οι ελληνικές επιχειρήσεις να χρησιμοποιούν την τεχνητή νοημοσύνη όχι ως ακόμη ένα εργαλείο ή ως μια εντυπωσιακή λέξη στις παρουσιάσεις τους, αλλά ως μέρος της καθημερινής λειτουργίας τους.

Η επόμενη μεγάλη ελληνική επιτυχία στην τεχνητή νοημοσύνη μπορεί, επομένως, να μην είναι μια startup που θα δημιουργήσει το επόμενο μοντέλο δισεκατομμυρίων.

Μπορεί να είναι κάτι λιγότερο εντυπωσιακό, αλλά πολύ πιο σημαντικό για την πραγματική οικονομία: χιλιάδες ελληνικές επιχειρήσεις που θα παράγουν περισσότερο, ταχύτερα και αποτελεσματικότερα, αξιοποιώντας καλύτερα τους ανθρώπους και τα δεδομένα που ήδη διαθέτουν.

Για μια οικονομία που αναζητά υψηλότερη παραγωγικότητα και ανταγωνιστικότητα, η αξιοποίηση της AI δεν αποτελεί απλώς μια τεχνολογική επιλογή.

Είναι ζήτημα οικονομικής αναγκαιότητας.

Πηγές

• Eurostat, Digitalisation in Europe – 2026 interactive publication
• European Commission, Digital Decade 2026 – Greece country assessment
• OECD, Generative AI and the SME Workforce

Ένα άρθρο του Λεωνίδα Διαμαντόπουλου.