Στην τρέχουσα τεχνολογική συγκυρία, η απόσταση μεταξύ των υποσχέσεων του marketing και της επιχειρηματικής καθημερινότητας δεν είναι απλώς ένα χάσμα· είναι μια επικίνδυνη πλάνη. Ενώ ο δημόσιος διάλογος αναλώνεται σε «μαγικές λύσεις» Τεχνητής Νοημοσύνης (AI) που υπόσχονται αυτόματη κερδοφορία, η σκληρή πραγματικότητα της αγοράς αποδεικνύει ότι η μετάβαση από το Hype στο Utility απαιτεί κάτι πολύ περισσότερο από έναν καλό αλγόριθμο. Απαιτεί στρατηγική ωριμότητα και την αποδόμηση της ψευδαίσθησης ότι το AI είναι ένα «έτοιμο προϊόν».
- Μανώλης Ζερβάκης: Το Hardware ως ο αόρατος φραγμός της κλιμάκωσης
- Νικόλαος Χατζηδάκης: Η μάχη του After-Checkout και η ποιοτική επικοινωνία
- Γιώργιος Μαρκατάτος: Όταν το AI «Εξηγεί» αντί να «Σκέφτεται»
- Φώτης Φουκαλάς: Η αρχιτεκτονική της εμπιστοσύνης – Από το Cloud στο Edge
- Μύρωνας Φλουρής: Το Change Management ως το 80% της Επιτυχίας
- Αλέξανδρος Μανιατόπουλος Το Reset του ενός μηνός και η σημασία του context
- Από το κυνήγι του Hype στην εσωτερική αναδιοργάνωση
Στο πλαίσιο της Beyond 2026 , το πάνελ με τίτλο “AI Beyond Hype: Scaling Systems That Actually Work“ , το οποίο συνδιοργανώθηκε από τον ΣΕΚΕΕ και την HETIA, επιχείρησε να «γειώσει» αυτή τη συζήτηση.
Υπό τον συντονισμό του Γιώργου Κουρκουτά, Αρχισυντάκτη στο Startupper MAG, έξι κορυφαία στελέχη και αναλυτές της αγοράς κατέθεσαν την εμπειρία τους, αναδεικνύοντας τις πραγματικές προκλήσεις — από το hardware και τις υποδομές μέχρι το change management και την ανάγκη για ένα ριζικό οργανωτικό «reset».
Οι συμμετέχοντες στο πάνελ ήταν:
- Μανώλης Ζερβάκης: Chief Business Officer, European Sensor Systems.
- Νικόλαος Χατζηδάκης : CEO, AfterSalesPro.
- Γιώργος Μαρκατάτος: CEO, ForceCRM.
- Φώτης Φουκαλάς: Technology Director, Cogninn.
- Μύρωνας Φλουρής: Innovation Expert, Head of Steering Committee AI Catalyst.
- Αλέξανδρος Μανιατόπουλος: Founder & General Manager, Yodiwo.
Μανώλης Ζερβάκης: Το Hardware ως ο αόρατος φραγμός της κλιμάκωσης
Ο Μανώλης Ζερβάκης αποδόμησε την «cloud-first» παραπλάνηση, υπενθυμίζοντας ότι το AI δεν κατοικεί στο κενό. Το hardware και η διαχείριση ενέργειας αποτελούν το θεμέλιο της επανάστασης, και αυτή τη στιγμή, αυτό το θεμέλιο τρίζει. Με μια αγορά που απαιτεί 5 τρισεκατομμύρια δολάρια σε επενδύσεις data centers μέσα στα επόμενα πέντε χρόνια για να υποστηρίξει την ανάπτυξη των αλγορίθμων, η κλιμάκωση (scaling) προσκρούει σε φυσικούς περιορισμούς. Η μετάβαση στο Edge AI δεν είναι επιλογή, αλλά αναγκαιότητα για τη μείωση του κόστους και την ταχύτητα απόκρισης.
«Τα δεδομένα είναι σημαντικά, γεννιούνται, αλλά οι μεγαλύτερες προκλήσεις για να γίνουν scale δεν είναι τόσο στον κόσμο των διασυνδεδεμένων συσκευών, αλλά στο πώς θα τα μεταφέρεις, θα τα αποθηκεύσεις και θα τα κάνεις process.»
«Αυτή τη στιγμή το scale έχει limitations που ήδη φαίνονται και έχουν να κάνουν με την ενέργεια και τα τσιπάκια. Ούτε αρκετή ενέργεια έχουμε για τα data centers, ούτε αρκετά τσιπάκια για να γίνουν όλα αυτά. Χρειάζονται 5 τρισεκατομμύρια δολάρια επενδύσεις τα επόμενα 5 χρόνια.»
«Η τάση πλέον είναι τα δεδομένα να έχουν επεξεργασία τοπικά, αυτό που λέμε Edge AI ή Edge Computing. Φεύγουμε από το μοντέλο που όλα στέλνονται στο cloud και οι αποφάσεις κατεβαίνουν ξανά κάτω.»
«Το πλεονέκτημα του Edge είναι η ταχύτητα και το μικρότερο κόστος, γιατί τα δεδομένα δεν ταξιδεύουν πίσω-μπρος. Υπάρχει όμως το ρίσκο των περιορισμένων πόρων μνήμης και capacity στο chip.»
«Το AGI (Artificial General Intelligence) δεν είναι κάτι που έρχεται σε δέκα χρόνια, έχει ήδη έρθει σε περιορισμένες εφαρμογές. Το θέμα είναι πότε θα παίρνει κρίσιμες αποφάσεις βασισμένο μόνο σε δεδομένα από τον φυσικό κόσμο.»
Αυτός ο φυσικός περιορισμός των πόρων μεταφέρεται αυτούσιος από το επίπεδο των ημιαγωγών στο επίπεδο των logistics, εκεί όπου η διαχείριση της φυσικής πληροφορίας γίνεται το “κλειδί” για την εμπειρία του τελικού χρήστη.
Νικόλαος Χατζηδάκης: Η μάχη του After-Checkout και η ποιοτική επικοινωνία
Στο ηλεκτρονικό εμπόριο, η πραγματική αξία του AI δεν κρίνεται στο «καλάθι», αλλά στη χαοτική διαδικασία μετά την πληρωμή. Ο Νικόλαος Χατζηδάκης ανέλυσε πώς η επεξεργασία χιλιάδων «σημάτων» (signals) από εταιρείες courier μετατρέπει την αβεβαιότητα σε προβλεπτική ικανότητα. Η στρατηγική εδώ δεν είναι η μαζική αποστολή μηνυμάτων, αλλά η αυτοματοποίηση της επικοινωνίας που μειώνει το κόστος υποστήριξης (customer support) και χτίζει πραγματική πιστότητα.
«Το after-checkout είναι το πιο κρίσιμο στάδιο στο e-commerce. Είναι το σημείο που θα χάσεις ή θα κερδίσεις τον πελάτη και όπου κρύβονται κόστη που μετατρέπουν μια παραγγελία από κερδοφόρα σε ζημιογόνα.»
«Ο στόχος είναι να πάρεις όλα τα signals μιας αποστολής και να στείλεις στον πελάτη όχι ένα μεγάλο πλήθος μηνυμάτων, αλλά πιο ποιοτική επικοινωνία, προσωποποιημένη και αυτοματοποιημένη.»
«Το AI διαχειρίζεται όλα αυτά τα events και φτιάχνει patterns για κάθε courier, ώστε να αναγνωρίζουμε αμέσως ποια πακέτα ακολουθούν λάθος δρομολόηση, π.χ. αν ένα πακέτο για Θεσσαλονίκη βρέθηκε στην Κρήτη.»
«Πρέπει να δούμε ποιες είναι οι επαναλαμβανόμενες ρουτίνες του ανθρώπου και να τις αυτοματοποιήσουμε, ώστε να μείνει χρόνος για τις business αποφάσεις που θα εξελίξουν την εταιρεία.»
Όμως, η αυτοματοποίηση της επικοινωνίας είναι άχρηστη αν η ίδια η νοημοσύνη του συστήματος βασίζεται σε ασταθή θεμέλια. Από την πρόβλεψη της παράδοσης, περνάμε στην ανάγκη για αξιοπιστία των ίδιων των μοντέλων που «εξηγούν» τα δεδομένα μας.
Γιώργιος Μαρκατάτος: Όταν το AI «Εξηγεί» αντί να «Σκέφτεται»
Ο Γιώργος Μαρκατάτος έθεσε ένα κρίσιμο ζήτημα για το CRM: τον κίνδυνο των “hallucinations” και της αστάθειας. Η λύση δεν είναι η τυφλή εμπιστοσύνη στα LLMs, αλλά μια υβριδική προσέγγιση όπου το AI λειτουργεί ως «μεταφραστής» στατιστικών μοντέλων. Η χρήση του AI στην περίπτωση μιας μεγάλης βιομηχανίας κρεάτων είναι ενδεικτική: το σύστημα ανέλυσε ΑΦΜ πελατών και, μέσω στατιστικού clustering, προσδιόρισε το προφίλ του ιδανικού πελάτη (π.χ. παντοπωλεία σε τουριστικές περιοχές έναντι κρεοπωλείων). Το AI δεν «σκέφτηκε» το προφίλ, αλλά το «εξήγησε» στον χρήστη με συνέπεια.
«Στην αρχή είδαμε ότι αν έδινες στο AI το ίδιο σετ δεδομένων, έβγαζε διαφορετικό αποτέλεσμα. Τελικά καταλήξαμε να χρησιμοποιούμε στατιστικά μοντέλα για το clustering και την Τεχνητή Νοημοσύνη μόνο για να τα ερμηνεύει. Δεν σκέφτεται, εξηγεί.»
«Το challenge είναι να ξανακάνουμε τις ερωτήσεις που δεν είχαν πάρει απάντηση τα προηγούμενα χρόνια. Όπως στο παράδειγμα όπου αναλύσαμε ΑΦΜ και βγάλαμε το προφίλ του ιδανικού πελάτη, αν είναι παντοπωλείο σε τουριστική περιοχή ή κρεοπωλείο.»
«Είναι σημαντικό αυτός που μιλάει στο AI (ο prompt engineer ή ο developer) να ξέρει τη δουλειά του developer, ώστε να τεστάρουμε αν αυτό που πήραμε ως αποτέλεσμα είναι όντως σωστό.»
Η ανάγκη του AI να «εξηγεί» τη λογική των δεδομένων απαιτεί, ωστόσο, μια υποδομή που να μπορεί να υποστηρίξει αυτές τις εξηγήσεις σε κλίμακα, χωρίς να καταρρέει κάτω από το βάρος του compute.
Φώτης Φουκαλάς: Η αρχιτεκτονική της εμπιστοσύνης – Από το Cloud στο Edge
Για τον Φώτη Φουκαλά, το scaling του AI είναι λιγότερο θέμα αλγορίθμου και περισσότερο θέμα αρχιτεκτονικής δικτύου. Χωρίς ένα “Regulated AI Control Plane“ που να χωρίζει το Data Plane από τον έλεγχο, η κλιμάκωση μετατρέπεται σε επιχειρηματικό ρίσκο (liability). Ο δημόσιος τομέας και οι μεγάλοι οργανισμοί αποτυγχάνουν συχνά γιατί οι υποδομές τους δεν είναι «έτοιμες για AI» (AI-ready), στερούμενες την απαραίτητη χαμηλή καθυστέρηση (low latency) και αξιοπιστία.
«Κανένας οργανισμός, ειδικά στο δημόσιο, δεν έχει έτοιμα τα μηχανήματά του για τέτοια δουλειά. Χρειάζεται μια συνολική μελέτη εξ αρχής για το κόστος και την απόδοση της εφαρμογής.»
«Ακολουθούμε μια αρχιτεκτονική που χωρίζει το σύστημα σε Data Plane και Control Plane. Υλοποιούμε ένα Regulated AI Control Plane που αποτελεί την υποδομή μεταξύ Edge και Cloud.»
«Τα νέα δίκτυα θα είναι ‘Network for AI’. Θα έρθει η ώρα που θα υπάρχουν 1.000 agents σε έναν οργανισμό και θα πρέπει να συνεργάζονται και να μιλάνε μεταξύ τους.»
«Η γνώση μας από τα δίκτυα εκπομπής είναι αυτή που μας επιτρέπει να στήνουμε αξιόπιστες και low-latency υποδομές για το AI.»
«Το μέλλον είναι εδώ, αλλά δεν είναι ομοιόμορφα κατανεμημένο. Το distributed intelligence είναι το πιο σημαντικό κομμάτι που έχουμε να δουλέψουμε.»
Όσο προηγμένη κι αν είναι η τεχνική υποδομή, παραμένει “νεκρή” αν ο ανθρώπινος παράγοντας που καλείται να τη διαχειριστεί δεν έχει την κατάλληλη κουλτούρα και υποστήριξη.
Μύρωνας Φλουρής: Το Change Management ως το 80% της Επιτυχίας
Ο Μύρωνας Φλούρης επανέφερε τη συζήτηση στην πιο σκληρή αλήθεια: το AI είναι 30% τεχνολογία και 70% άνθρωποι. Το μακροοικονομικό χάσμα που απειλεί το 98% των ελληνικών ΜμΕ δεν είναι τεχνολογικό, αλλά οργανωτικό. Η εισαγωγή αυτοματισμών απαιτεί «ψυχολογική υποστήριξη» — ένα μάθημα που ο ίδιος πήρε πριν από 10 χρόνια σε τράπεζα, όπου η εισαγωγή των πρώτων bots απαιτούσε coaching των εργαζομένων για να ξεπεραστεί η αμηχανία και ο φόβος της αντικατάστασης.
«Το 80% του προβλήματος είναι οι άνθρωποι. Πρέπει να κάνεις change management για να βγάλεις αποτέλεσμα. Η τεχνολογία είναι το 30%, το υπόλοιπο είναι να αλλάξεις το mindset της εταιρείας.»
«Υπάρχει ένα τεράστιο μακροοικονομικό χάσμα. Το 98% των ελληνικών επιχειρήσεων είναι ΜμΕ. Πώς θα υιοθετήσουν αυτές το AI όταν μιλάμε μόνο για τις 5-10 μεγάλες εταιρείες που έχουν τους πόρους;»
«Χρειάζεται ‘ψυχολογική υποστήριξη’ στους ανθρώπους. Πριν 10 χρόνια σε τράπεζα, όταν βάλαμε τα πρώτα bots, κάναμε coaching γιατί είναι αμήχανο να βλέπεις μια μηχανή να κάνει τη δουλειά σου.»
«Πρέπει να κάνουμε reverse engineering: να δούμε ποιο πρόβλημα θέλουμε να λύσουμε και να συμμετέχουν όλοι, ώστε η λύση να περάσει στο bottom line της επιχείρησης.»
Η πολιτισμική ετοιμότητα, όμως, απαιτεί και ένα εργαλείο που να μπορεί να συνδέσει τη γνώση με την πράξη: το semantic layer.
Αλέξανδρος Μανιατόπουλος Το Reset του ενός μηνός και η σημασία του context
Ο Αλέξανδρος Μανιατόπουλος κατέθεσε την πιο ρηξιπρόθεσμη άποψη: το AI «πεθαίνει» όχι από έλλειψη δεδομένων, αλλά από έλλειψη context. Το Semantic Layer (Data Ontology) είναι ο αόρατος τοίχος που εμποδίζει τις ελληνικές ΜμΕ να κλιμακώσουν. Χωρίς συνδέσιμα δεδομένα, το AI παραμένει ένα απομονωμένο πείραμα. Η πρότασή του για ένα “reset ενός μηνός” -μια πλήρη παύση εργασιών για την αναδιοργάνωση των processes- είναι η απόλυτη στρατηγική επιλογή για τη μετάβαση στη νέα ιεραρχία δεξιοτήτων, όπου η μεθοδολογία επίλυσης προβλημάτων υπερέχει των τίτλων σπουδών.
«Το AI δεν πεθαίνει γιατί δεν έχει δεδομένα, αλλά γιατί δεν έχει συνδέσιμα δεδομένα. Το εμπόδιο είναι το ενδιάμεσο layer, το data ontology ή semantic layer, που δημιουργεί το context.»
«Στο μέλλον δεν θα έχει σημασία τι σπουδάζεις, αλλά το πόσο μεθοδικά επιλύεις προβλήματα και πώς δομείς τον λόγο σου. Αυτό που λέμε prompt engineering.»
«Αν είχα τη δύναμη, θα σταματούσα την εταιρεία μου για έναν μήνα. Θα κλεινόμασταν σε έναν χώρο για να αλλάξουμε το πλαίσιο εργασίας μας και να γυρίσουμε με τελείως διαφορετικά processes. Ο κίνδυνος σήμερα είναι να τρέχουμε δίπλα στις εξελίξεις χωρίς χρόνο να τις καταλάβουμε.»
«Στο marketing και το QA (Quality Assurance), η ενσωμάτωση του AI από την πρώτη μέρα μειώνει δραστικά το time-to-market. Το AI πρέπει να αντιμετωπίζεται ως ένας συνεργάτης με ατέλειες, όχι ως τέλειο εργαλείο.»
«Το benchmarking είναι ο τομέας που το AI μας βοηθάει περισσότερο. Οι οργανισμοί θέλουν να ξέρουν πόσο ανταγωνιστικοί είναι μέσω των KPI τους, όχι απλώς reports.»
Από το κυνήγι του Hype στην εσωτερική αναδιοργάνωση
Η συζήτηση στην Beyond 2026 κατέστησε σαφές ότι η εποχή του «εύκολου» AI τελείωσε. Η επιτυχία πλέον κρίνεται στο bottom line και απαιτεί επενδύσεις σε hardware, ενέργεια και, κυρίως, στη δημιουργία ενός σωστού semantic layer. Η δήλωση για το «reset ενός μηνός» δεν είναι μια μεταφορά, αλλά μια ρεαλιστική πρόκληση προς την ηγεσία: η καινοτομία απαιτεί τον χρόνο να σταματήσεις και να σκεφτείς.
Το ερώτημα προς την ελληνική επιχειρηματική κοινότητα είναι πλέον ξεκάθαρο: Έχετε το θάρρος να κάνετε μια στρατηγική «παύση» ενός μηνός για να αναδιοργανώσετε τις δομές σας ή θα συνεχίσετε να καταναλώνετε πόρους κυνηγώντας ένα hype που δεν μπορείτε να υποστηρίξετε;
