Πώς να ξεκλειδώσετε το GenAI στον εργασιακό χώρο

Σύμφωνα με πρόσφατη διεθνή μελέτη της McKinsey & Company για το GenAI στην εργασία, η τεχνητή νοημοσύνη αναφέρεται ως αλλαγή αντίστοιχου μεγέθους και αντικτύπου με παλαιότερες, γενικής χρήσης τεχνολογίες. Παρ’ όλα αυτά, μόνο ένα πολύ μικρό ποσοστό οργανισμών δηλώνει ότι έχει φτάσει σε ωριμότητα, ότι δηλαδή το GenAI ενσωματώθηκε σε workflows και παράγει σταθερά αποτελέσματα. 

Το παράδοξο είναι πως η καθυστέρηση δεν δείχνει να οφείλεται σε έλλειψη διάθεσης από τους εργαζόμενους. Αντίθετα, εντοπίζεται στην ταχύτητα της εκάστοτε εταιρικής ηγεσίας. Με άλλα λόγια, η καθυστέρηση δεν είναι τόσο θέμα εργαλείων, όσο θέμα οργάνωσης γύρω από τα εργαλεία.

Γιατί, για πολλές εταιρικές διοικήσεις, η συζήτηση ξεκινά από το “ποιο εργαλείο να διαλέξουμε;”. Ενώ, η πραγματική αξία φαίνεται όταν λυθούν τα λειτουργικά θέματα γύρω από αυτά, όπως η εκπαίδευση, σαφείς κανόνες, ασφαλής πρόσβαση, έλεγχος ποιότητας και ένας τρόπος να μετράμε τι πραγματικά βελτιώνεται.

Οι εργαζόμενοι είναι πιο έτοιμοι από όσο νομίζουμε

Ένα από τα πιο χρήσιμα συμπεράσματα είναι το χάσμα αντίληψης. Πολλοί εργαζόμενοι χρησιμοποιούν ήδη GenAI στην καθημερινότητά τους, συχνά χωρίς να το διαφημίζουν. Οι ηγεσίες τείνουν να υποεκτιμούν αυτή τη χρήση, ειδικά σε εργασίες, όπως η παραγωγή περιεχομένου, η ανάλυση,η προετοιμασία παρουσιάσεων, η υποστήριξη πελατών ή η τεχνική τεκμηρίωση.

Η μελέτη αναφέρει ότι 94% των εργαζομένων είναι ήδη εξοικειωμένοι με εργαλεία generative AI, ενώ οι αντίστοιχες εκτιμήσεις των διοικήσεων για το πόσο χρησιμοποιείται το GenAI στην καθημερινή εργασία υπολείπονται αισθητά από την πραγματικότητα.

Αυτό το σημείο είναι κρίσιμο για τον τρόπο που σχεδιάζεται μια στρατηγική. Αν πιστεύεις ότι σχεδόν κανείς δεν χρησιμοποιεί GenAI, θα επενδύσεις σε ενημέρωση και intro sessions. Αν όμως η χρήση είναι ήδη διαδεδομένη, τότε πρέπει να ανεβάσεις επίπεδο και να μετατρέψεις τον πειραματισμό σε ικανότητα, με σταθερή ποιότητα και χαμηλότερο ρίσκο.

Με απλά λόγια, ο στόχος δεν είναι να βάλουμε το AI στην εταιρεία. Ο στόχος είναι να κάνουμε τους ανθρώπους μας πιο αποτελεσματικούς, χωρίς να δημιουργούμε κενά σε ασφάλεια ή ιδιωτικότητα.

Πού κολλάνε τα πιλοτικά έργα

Στον πρώτο κύκλο υιοθέτησης πολλοί οργανισμοί έδωσαν πρόσβαση σε εργαλεία και περίμεναν ότι η παραγωγικότητα θα ανέβει αυτόματα. Συνήθως ανεβαίνει λίγο, μετά πέφτει, και μένει ένα αίσθημα ότι “τελικά δεν ήταν τόσο καλό”.

Στην πράξη, το GenAI απαιτεί νέες μικρο-δεξιότητες: πώς γράφεις prompts, πώς αξιολογείς απαντήσεις, πώς κάνεις επαλήθευση, πότε δεν πρέπει να το χρησιμοποιείς, πώς προστατεύεις δεδομένα και πώς τεκμηριώνεις αποφάσεις. Χωρίς αυτά, οι εργαζόμενοι είτε φοβούνται να το χρησιμοποιήσουν, είτε το χρησιμοποιούν κρυφά, είτε το εμπιστεύονται περισσότερο από όσο πρέπει.

Η ίδια η μελέτη δείχνει ότι πολλοί εργαζόμενοι ζητούν δομημένη εκπαίδευση και μεγαλύτερη υποστήριξη από την εταιρεία. Αυτό δεν είναι δευτερεύον. Είναι ο πιο γρήγορος τρόπος για να περάσεις από την ad hoc χρήση στην επαναλαμβανόμενη αξία.

Τι είδους εκπαίδευση αξίζει;

Αυτό που λειτουργεί είναι το training ανά ρόλο και ανά workflow. Για παράδειγμα, ένα playbook για την εξυπηρέτηση πελατών, ένα για πωλήσεις και προτάσεις, ένα για παραγωγή περιεχομένου για το marketing, ένα για software engineering και documentation. Με λίγα λόγια, όχι άλλη μία “Εισαγωγή στο GenAI”.

Ταχύτητα και ασφάλεια πάνε μαζί

Μέχρι πρόσφατα, πολλές επιχειρήσεις έβλεπαν το governance ως τροχοπέδη. Από το 2025, η σωστή διακυβέρνηση είναι προϋπόθεση για την περαιτέρω ανάπτυξη.

Ειδικά στην Ευρώπη, το EU AI Act έχει ήδη ενεργοποιήσει ένα χρονοδιάγραμμα υποχρεώσεων που επηρεάζει και τον τρόπο που οι οργανισμοί εκπαιδεύουν τους ανθρώπους τους. Μεταξύ άλλων, το “AI literacy” αναδεικνύεται ως πρακτική απαίτηση, όχι απλά ως καλή πρόθεση.

Ταυτόχρονα, το risk management ωριμάζει. Το NIST έχει επεκτείνει την οδηγία για το πώς οργανισμοί μπορούν να αναγνωρίζουν και να διαχειρίζονται τους κινδύνους του GenAI, μέσα από εργαλεία όπως το Generative AI Profile, ως προσθήκη του AI Risk Management Framework. Επίσης, έχει δημοσιευτεί draft για το Cybersecurity Framework Profile for AI, με σαφή στόχευση στο πώς προστατεύονται τα συστήματα AI, πώς χρησιμοποιείται το AI στην κυβερνοασφάλεια και πώς αντιμετωπίζονται οι AI-enabled κυβερνοεπιθέσεις.

Καταλήγουμε λοιπόν σε ένα σημαντικό συμπέρασμα. Όταν οι εργαζόμενοι γνωρίζουν ποια δεδομένα επιτρέπονται, ποια απαγορεύονται, πότε απαιτείται ανθρώπινη έγκριση και πώς γίνεται ο έλεγχος, δουλεύουν πιο γρήγορα και με λιγότερο άγχος.

Η εμπιστοσύνη είναι θεμέλιο για το GenAI

Πολλές διοικήσεις, προσεγγίζουν την εμπιστοσύνη εντός της εταιρείας τους σαν soft issue. Αλλά, στο GenAI είναι ανελαστικός παράγοντας για την παραγωγικότητα. Όταν οι άνθρωποι δεν εμπιστεύονται το σύστημα, είτε δεν το χρησιμοποιούν είτε το χρησιμοποιούν χωρίς να το παραδέχονται, άρα χωρίς feedback loops, χωρίς βελτίωση και χωρίς κοινά standards.

Οι ανησυχίες των εργαζομένων είναι πολύ συγκεκριμένες και αφορούν την κυβερνοασφάλεια και την ιδιωτικότητα. Παρ’ όλα αυτά, οι έρευνες λένε πως οι εργαζόμενοι εμπιστεύονται τον εργοδότη τους αναφορικά με την ενσωμάτωση GenAI με ασφάλεια και υπευθυνότητα. Αυτό είναι ευκαιρία, αλλά και ευθύνη. Αν οι πρώτες υλοποιήσεις αποτύχουν, η ζημιά θα είναι διπλή. Θα χαθεί η επένδυση αλλά και η εμπιστοσύνη μέσα στον οργανισμό.

Διαφάνεια και αξιολόγηση

Μία συνηθισμένη παγίδα είναι να μετράμε μόνο την ταχύτητα. Ναι μεν το GenAI μπορεί να μειώσει τον χρόνο, αλλά αν αυξήσει το ρίσκο ή τη δουλειά, η καθαρή αξία είναι μικρότερη από όσο φαίνεται.

Τα καλά νέα είναι ότι σήμερα υπάρχουν πιο ώριμα εργαλεία για safety evaluation, περισσότερα benchmarks και πρωτοβουλίες αξιολόγησης. Το MLCommons AILuminate, για παράδειγμα, εστιάζει σε safety risks σε general-purpose AI chat models, σε πολλαπλές κατηγορίες κινδύνου. 

Παράλληλα, η συζήτηση για τη διαφάνεια των foundation models παραμένει ένα σημαντικό ζήτημα, με έρευνες όπως το Stanford Foundation Model Transparency Index να δείχνουν ότι οι εταιρείες συχνά δεν αποκαλύπτουν αρκετά στοιχεία για training data ή post-deployment impacts.

Για οργανισμούς που θέλουν πιο “management system” προσέγγιση, υπάρχει και το ISO/IEC 42001 ως πρότυπο για AI management systems.

Το επόμενο βήμα για τις εταιρείες

Δεν χρειάζεται ένα τιτάνιο πρόγραμμα AI transformation για να δοθεί αξία. Αυτό που χρειάζεται είναι ένας πρακτικός τρόπος λειτουργίας που κάνει την υιοθέτηση ασφαλή και μετρήσιμη.

Ξεκινώντας από την παραδοχή ότι οι εργαζόμενοι ήδη δοκιμάζουν και χρησιμοποιούν το GenAI, μπορούν να προχωρήσουν σε τρία στάδια υλοποιήσεων. 

Το πρώτο είναι στοχευμένη εκπαίδευση βάσει ρόλων και καθημερινή εξάσκηση με standards ποιότητας και verification. Το δεύτερο είναι πρακτική διακυβέρνηση με εγκεκριμένα εργαλεία, σαφείς κανόνες για δεδομένα, και απλές διαδικασίες ελέγχου για περιπτώσεις high-impact. Το τρίτο είναι μέτρηση με δείκτες απόδοσης που κοιτάνε πέρα από το “έγραψα πιο γρήγορα” σε ποιοτικά KPIs, λιγότερο επαναλαμβανόμενη εργασία και καλύτερα αποτελέσματα.

Για παράδειγμα, ένα απλό τεστ ωριμότητας είναι αν μπορεί ένας νέος εργαζόμενος να μπει σε μια ομάδα και, μέσα σε δύο εβδομάδες, να καταλάβει πώς χρησιμοποιείται το GenAI στο συγκεκριμένο ρόλο, τι επιτρέπεται, τι απαγορεύεται και πώς γίνεται ο έλεγχος πριν φύγει κάτι προς πελάτη ή προς παραγωγή.

Η πραγματική δύναμη πίσω από το AI είναι οι άνθρωποι

Το GenAI γίνεται πιο ισχυρό, αλλά οι εταιρείες και οι οργανισμοί δεν θα φτάσουν στην ωριμότητα μόνο με καλύτερα μοντέλα τεχνητής νοημοσύνης. Θα φτάσουν όταν κάνουν τους ανθρώπους τους ικανότερους, με ασφάλεια και με κοινά standards.

Οι εργαζόμενοι είναι πιο έτοιμοι από όσο νομίζουν πολλές ηγεσίες. Το επόμενο βήμα δεν είναι απλώς περισσότεροι πειραματισμοί και πιλοτικά έργα. Είναι επιχειρησιακή σαφήνεια με εκπαίδευση που ταιριάζει στους ρόλους και τις εργασίες, διακυβέρνηση που επιτρέπει την ανάπτυξη, και μετρήσεις που αποδεικνύουν την αξία.

Πηγές/Βιβλιογραφία

• McKinsey & Company, “Superagency in the workplace: Empowering people to unlock AI’s full potential at work” (Jan 28, 2025)
• EU AI Act εφαρμογή και timeline (European Commission)
• NIST AI RMF Generative AI Profile (NIST-AI-600-1)
• NIST Cybersecurity Framework Profile for AI (draft, Dec 2025)
• MLCommons AILuminate benchmark
• Stanford Foundation Model Transparency Index (Dec 2025)
• ISO/IEC 42001: AI management systems