Γιατί η ονομασία AI ήταν το ακριβότερο λάθος του κλάδου
Το λάθος δεν ήταν που φτιάχτηκαν αυτά τα συστήματα. Το λάθος ήταν πώς ονομάστηκαν. Το να βαφτίσεις ένα στατιστικό γλωσσικό μοντέλο «τεχνητή νοημοσύνη» ανέβασε το ποσό που είναι διατεθειμένοι να πληρώσουν οι επενδυτές και, με τις ίδιες δύο λέξεις, χαμήλωσε την εμπιστοσύνη όλων των υπολοίπων. Και τα δύο τρέχουν ακόμη. Τραβούν προς αντίθετες κατευθύνσεις, και συναντιούνται ακριβώς στο δωμάτιο όπου μια μικρή επιχείρηση αποφασίζει αν θα υπογράψει.
Δουλεύουμε καθημερινά με αυτά τα μοντέλα. Η απόσταση ανάμεσα σε αυτό που υπόσχεται η λέξη και σε αυτό που πραγματικά κάνει το σύστημα δεν είναι για εμάς φιλοσοφικό ερώτημα. Είναι η πρώτη ώρα των περισσότερων έργων, που πηγαίνει στο να εξηγήσουμε σε έναν πελάτη ότι το πράγμα των τίτλων και το πράγμα που εγκαθιστούμε δεν είναι το ίδιο αντικείμενο.
Το όνομα ήταν απόφαση τοποθέτησης, και οι ιδρυτές διαφώνησαν γι’ αυτό
Ο όρος επιλέχθηκε για να ξεχωρίσει ένα ερευνητικό πρόγραμμα, όχι για να περιγράψει μια ικανότητα. Ο John McCarthy εισήγαγε το «artificial intelligence» στην πρόταση του 1955 για το θερινό εργαστήριο στο Dartmouth, κυρίως για να αποσυνδέσει τη νέα ομάδα από την κυβερνητική του Norbert Wiener.
Δύο από τους παρόντες διαφώνησαν. Ο Allen Newell και ο Herbert Simon ήθελαν το πεδίο να λέγεται complex information processing και συνέχισαν να χρησιμοποιούν τη φράση στις δικές τους εργασίες για χρόνια μετά. Το πιο στεγνό, πιο ακριβές όνομα έχασε από το πιο υποβλητικό. Ο ίδιος ο McCarthy φέρεται αργότερα να μετάνιωσε για την επιλογή και να προτιμούσε το «computational intelligence».
Ο κλάδος δηλαδή μαλώνει για το όνομά του από την εβδομάδα που απέκτησε ένα. Εβδομήντα χρόνια μετά κερδίζει ακόμη ο όρος του μάρκετινγκ, και παραμένει ο λιγότερο ακριβής από τους δύο.
Τι υπάρχει πραγματικά μέσα στο κιβώτιο
Ένα μοντέλο που προβλέπει το επόμενο token, εκπαιδευμένο σε τόσο κείμενο ώστε η πρόβλεψη να μην ξεχωρίζει συχνά από σκέψη. Αυτός είναι όλος ο μηχανισμός. Τα υπόλοιπα είναι κλίμακα.
Η δημοφιλής απόρριψη λέει ότι είναι «απλώς αυτόματη συμπλήρωση». Αυτή η εκδοχή δεν αντέχει στα στοιχεία, και καλύτερα να την αφήσετε πριν σας τη διαλύσει κάποιος άλλος. Αυτά τα συστήματα έχουν παραγάγει κατασκευές και αποδείξεις που δεν υπήρχαν στα δεδομένα εκπαίδευσής τους. Η πρωτοτυπία στην έξοδο είναι υπαρκτή.
Ο έντιμος ισχυρισμός είναι στενότερος και πολύ πιο δύσκολο να αντικρουστεί: η πρωτοτυπία στην έξοδο δεν είναι το ίδιο πράγμα με την κρίση για τη δική σας περίπτωση. Το μοντέλο έρχεται με τα πάντα και με τίποτα. Δεν έχει συμφέρον στο πρόβλημά σας, ούτε ορισμό του τι σημαίνει «σωστό» μέσα στην επιχείρησή σας, ούτε γνώση του περιορισμού που δεν έγραψε κανείς, ούτε τρόπο να καταλάβει ότι εκείνη τη στιγμή κάνει λάθος με σιγουριά. Μεταφέρει νοημοσύνη όπως ένα καλώδιο μεταφέρει ρεύμα. Εντυπωσιακή διεκπεραίωση, καμία άποψη για τον προορισμό.
Γι’ αυτό το ίδιο μοντέλο μπορεί να περάσει επαγγελματικές εξετάσεις και λίγο μετά να εφεύρει αθόρυβα έναν φορολογικό κανόνα για έναν πελάτη στη Θεσσαλονίκη. Στο μοντέλο δεν άλλαξε τίποτα. Άλλαξε αυτό που στέκεται γύρω του.
Η νοημοσύνη βρίσκεται στο περίβλημα, και γι’ αυτό πληρώνεται
Δείτε τι πρέπει να χτιστεί γύρω από ένα μοντέλο πριν είναι ασφαλές να το στρέψετε σε πελάτη. Ο βοηθός σε αυτόν τον ιστότοπο είναι ένα μικρό παράδειγμα. Το μοντέλο είναι το φθηνότερο κομμάτι. Γύρω του κάθονται ένας επιμελημένος πίνακας γνώσης, ένα system prompt με ρητές σταθερές ενάντια στο prompt injection, ένα περιορισμένο σύνολο εργαλείων που κάνει ακριβώς δύο πράγματα, αυστηρό όριο στο μήκος της απάντησης, κανόνας γλώσσας, και ένα καθορισμένο σημείο όπου σταματά να μαντεύει και παραδίδει τη συζήτηση σε άνθρωπο στο info@techthos.net.
Αφαιρέστε αυτή τη σκαλωσιά και το ίδιο μοντέλο, απαράλλαχτο, γίνεται ρίσκο ευθύνης με φούσκα συνομιλίας.
Το μοντέλο παράδοσης που ακολουθούμε έχει το ίδιο σχήμα, σε μεγαλύτερη κλίμακα. Κάθε έργο ξεκινά από μια προδιαγραφή που την υπογράφει senior μηχανικός. Οι πράκτορες γράφουν προσχέδια κώδικα, στήνουν σκαλωσιές, κάνουν refactor και παράγουν tests μέσα σε αυτό το πλαίσιο. Ένας ονομαστικά υπεύθυνος senior μηχανικός ελέγχει κάθε αποτέλεσμα απέναντι σε εκείνη την προδιαγραφή πριν παραδοθεί, και οι πράκτορες δεν παίρνουν αρχιτεκτονικές αποφάσεις. Πού αποδίδει αυτό στην πράξη το γράψαμε στην Ενσωμάτωση AI στην επιχείρηση, και τι απαιτεί η παραγωγή πέρα από το demo στο παγόβουνο του AI πρωτοτύπου.
Αν το μοντέλο κουβαλούσε τη νοημοσύνη, τίποτα από αυτά δεν θα άξιζε να πληρωθεί. Αξίζει ακριβώς επειδή είναι το κομμάτι που λείπει.
Η ίδια λέξη ανεβάζει το κεφάλαιο και ρίχνει την υιοθέτηση
Εδώ είναι η διπλή παγίδα, και είναι ο λόγος που η επιλογή του ονόματος βγαίνει ακριβή αντί για απλώς ανακριβής.
flowchart TD
W["Μία λέξη:<br/><b>τεχνητή νοημοσύνη</b>"]:::w
I["Οι επενδυτές ακούν<br/><i>ένα μυαλό που κλιμακώνεται</i>"]:::up
U["Το προσωπικό και οι αγοραστές ακούν<br/><i>ένα μυαλό που τους αντικαθιστά</i>"]:::down
R["Το κεφάλαιο ορμά<br/>2 τρισ. $ έσοδα ως το 2030"]:::up
A["Η υιοθέτηση κολλάει<br/>66% το χρησιμοποιούν · 46% το εμπιστεύονται"]:::down
W --> I --> R
W --> U --> A
classDef w fill:#1e293b,stroke:#64748b,color:#f1f5f9,stroke-width:2px
classDef up fill:#494fdf,stroke:#376cd5,color:#ffffff,stroke-width:2px
classDef down fill:#7c4a2d,stroke:#a8613b,color:#ffffff,stroke-width:2px
Από την πλευρά του κεφαλαίου η λέξη δουλεύει ακριβώς όπως σχεδιάστηκε. Η Global Technology Report της Bain, Σεπτέμβριος 2025, υπολογίζει την ανάγκη σε 2 τρισεκατομμύρια δολάρια ετήσια έσοδα ως το 2030 για να χρηματοδοτηθεί η υποδομή υπολογισμού, και προβλέπει έλλειμμα 800 δισεκατομμυρίων ακόμη και με γενναιόδωρες παραδοχές. Για «complex information processing» δεν σηκώνει κεφάλαια κανείς.
Στο έδαφος η ίδια λέξη κάνει το αντίθετο. Η μελέτη της KPMG και του Πανεπιστημίου της Μελβούρνης σε 48.000 άτομα σε 47 χώρες βρήκε 66% να τη χρησιμοποιούν με κάποια τακτικότητα και μόνο 46% διατεθειμένους να την εμπιστευτούν. Η έρευνα του Pew τον Σεπτέμβριο του 2025 βρήκε 50% των Αμερικανών περισσότερο ανήσυχους παρά ενθουσιασμένους απέναντι σε 10% περισσότερο ενθουσιασμένους, και 64% να περιμένουν λιγότερες θέσεις εργασίας μέσα στις επόμενες δύο δεκαετίες.
Αυτό που βγαίνει ενδιάμεσα είναι ακριβώς ό,τι θα περίμενε κανείς από μια τεχνολογία που αγοράστηκε με φουσκωμένες προσδοκίες και χρησιμοποιείται από ανθρώπους που δεν τη ζήτησαν. Το Project NANDA του MIT Media Lab ανέφερε ότι 95% των εταιρικών πιλοτικών έργων παραγωγικής AI δεν έδειξαν μετρήσιμη επίδραση στα αποτελέσματα, και το απέδωσε σε οργανωτικά κενά, όχι στην ποιότητα των μοντέλων. Το νούμερο αναπαράχθηκε ευρέως και η μεθοδολογία του δέχτηκε κριτική, οπότε πάρτε το ως κατεύθυνση και όχι ως μέτρηση. Δείχνει πάντως προς την ίδια μεριά με την πολύ πιο στεγνή εκτίμηση του Daron Acemoglu για το πολύ 0,66% επιπλέον συνολική παραγωγικότητα συντελεστών σε δέκα χρόνια.
Για μια μικρή ευρωπαϊκή επιχείρηση τα δύο κοινά κάθονται συνήθως στο ίδιο δωμάτιο. Σε μια εξαμελή εταιρεία στην Ελλάδα, ο ιδιοκτήτης που υπογράφει το τιμολόγιο κάθεται τρία μέτρα από το προσωπικό που διάβασε τον τίτλο περί αντικατάστασης. Πουλήστε σε αυτόν τον ιδιοκτήτη «τεχνητή νοημοσύνη» και έχετε ταυτόχρονα ενθουσιάσει αυτόν που πληρώνει και ανησυχήσει αυτούς από τη συνεργασία των οποίων εξαρτάται η εφαρμογή. Έχουμε δει έργα να χάνουν έναν μήνα ακριβώς εκεί, και η λύση δεν είναι ποτέ τεχνική. Είναι να πεις στους ανθρώπους, με ακρίβεια, τι κάνει το λογισμικό.
Ο κύκλος που κλείνει: ένα προϊόν τιμολογημένο πάνω στα εισοδήματα που αφαιρεί
Στον τρόπο που πωλείται αυτό υπάρχει μια δομική ένταση, και αξίζει να ειπωθεί χωρίς προφητείες καταστροφής από πάνω.
Το κυρίαρχο επιχείρημα πώλησης είναι η αντικατάσταση εργασίας. Όμως τα έσοδα που πρέπει να φτάσουν τα 2 τρισεκατομμύρια τον χρόνο έρχονται από πελάτες, και οι πελάτες χρειάζονται εισοδήματα. Ένας φωνητικός πράκτορας που αντικαθιστά μια ομάδα πωλήσεων εξακολουθεί να πρέπει να πουλήσει κάτι, με ρεύμα που δεν είναι δωρεάν, σε κάποιον που τώρα έχει λιγότερα χρήματα από πριν. Όσο πληρέστερα πετυχαίνει το επιχείρημα, τόσο πιο αραιή γίνεται η αγορά στην οποία απευθύνεται.
Δεν είναι πρόβλεψη ότι η οικονομία καταρρέει. Η αυτοματοποίηση έχει απορροφήσει ξανά σοκ στην εργασία. Είναι η παρατήρηση ότι η τοποθέτηση περιέχει το ίδιο της το όριο, και ότι μια τεχνολογία που διαφημίζεται ως υποκατάστατο του αγοραστή είναι ασυνήθιστη στην οικονομική ιστορία. Εξηγεί επίσης ένα κομμάτι της αντίστασης. Όταν ονομάζεις ένα εργαλείο με βάση τη μία ικανότητα που οι άνθρωποι θεωρούν εξ ορισμού δική τους, και μετά το διαφημίζεις ως υποκατάστατο της δουλειάς τους, η αντίδραση δεν είναι παράλογη. Είναι η προβλέψιμη απάντηση στον ισχυρισμό που όντως διατύπωσες.
Τι κάνει αυτό στην εμπιστοσύνη ανάμεσα σε επιχειρήσεις το γράψαμε στο Η AI και η ψευδαίσθηση ότι δεν χρειάζεστε πια συνεργάτες.
Τι να λέτε αντ’ αυτού
Πείτε το γλωσσικό μοντέλο. Και μετά περιγράψτε τι κάνει το σύστημά σας, με το λεξιλόγιο της δουλειάς που κάνει: γράφει το προσχέδιο της απάντησης, βγάζει τα πεδία από το τιμολόγιο, σημαδεύει την εξαίρεση για έλεγχο. Η συγκεκριμένη πρόταση πουλάει καλύτερα από την κατηγορία, επειδή η συγκεκριμένη πρόταση ελέγχεται.
Τρεις ερωτήσεις που αξίζει να κάνετε σε κάθε προμηθευτή, και σε εμάς:
- Πού είναι τα όρια; Ονομάστε τα εργαλεία που μπορεί να καλέσει και τα δεδομένα που φτάνει. Αν η απάντηση είναι «σε όλα», δεν υπάρχει σύστημα, υπάρχει μόνο ένα μοντέλο.
- Πού είναι το βήμα ελέγχου; Ποιος ή τι ελέγχει το αποτέλεσμα πριν φτάσει σε πελάτη, και τι γίνεται όταν είναι λάθος;
- Ποιος κατέχει την προδιαγραφή; Αν δεν έγραψε κανείς τι σημαίνει σωστή συμπεριφορά, κανείς δεν μπορεί να σας πει αν δουλεύει.
Ένας προμηθευτής που απαντά σε αυτά σας πουλάει σύστημα. Ένας προμηθευτής που απαντά με τη λέξη AI σας πουλάει το όνομα.
Το συμπέρασμα
Η τεχνολογία είναι πραγματικά χρήσιμη και χτίζουμε πάνω της καθημερινά. Αυτό που είναι χαλασμένο είναι η ετικέτα. Επιλέχθηκε το 1955 για να ακουστεί ξεχωριστό ένα ερευνητικό πρόγραμμα, κέρδισε μια πιο ακριβή εναλλακτική επειδή ακουγόταν καλύτερα, και από τότε φουσκώνει τις προσδοκίες του ενός κοινού ενώ ρίχνει τη διάθεση συμμετοχής του άλλου. Δεν είναι θέμα σημασιολογίας. Είναι η μεγαλύτερη μεμονωμένη πηγή τριβής στο να μπουν αυτά τα συστήματα στις επιχειρήσεις που θα ωφελούνταν.
Η αξία δεν ήταν ποτέ στο μοντέλο. Είναι στην προδιαγραφή, στα όρια και στον έλεγχο, δηλαδή εξακολουθεί να είναι στο κομμάτι που το κάνει άνθρωπος.
Αν θέλετε να δείτε τι μπορεί έντιμα να κάνει ένα γλωσσικό μοντέλο μέσα στη λειτουργία σας, πείτε μας πώς μοιάζει σήμερα η διαδικασία και θα σας πούμε πού στέκει και πού όχι.
