ΣΕΒ: Πρακτικές συμβουλές για τη χρήση της τεχνητής νοημοσύνης από τις επιχειρήσεις

Πρακτικές συμβουλές για τη χρήση της τεχνητής νοημοσύνης από τις επιχειρήσεις δίνει ο ΣΕΒ, σημειώνοντας σε σχετικό Οδηγό ότι η Ελλάδα έχει τη δυνατότητα να αξιοποιήσει την τεχνολογία ως επιταχυντή ανταγωνιστικότητας, ενισχύοντας την καινοτομία σε κρίσιμους κλάδους και αναβαθμίζοντας δεξιότητες σε όλο το εύρος της οικονομίας.

Σύμφωνα με τον Οδηγό, σκόπιμο είναι η Τεχνητή Νοημοσύνη μπορεί να εισαχθεί – για παράδειγμα – σε τομείς όπως ο αυτοματισμός απαντήσεων σε after sales ερωτήματα, η ανάλυση και σύνοψη συμβολαίων προμηθευτών, η εξαγωγή γνώσης από αναφορές βλαβών και συντήρησης, η ανάλυση και ερμηνεία δεδομένων αισθητήρων. Σκόπιμο είναι επίσης να δοθεί προτεραιότητα στις δραστηριότητες που εξασφαλίζουν τη μεγαλύτερη αξία, είναι εφικτές και υποστηρίζονται από διαθέσιμα δεδομένα. Διεργασίες που επαναλαμβάνονται με υψηλή συχνότητα και έχουν χαμηλή πολυπλοκότητα ταιριάζουν περισσότερο στις δυνατότητες της τεχνητής νοημοσύνης. Σε άλλες περιπτώσεις που υπάρχει μεγαλύτερη πολυπλοκότητα είναι αναγκαία η ανθρώπινη συνεργασία, με την τεχνητή νοημοσύνη σε υποστηρικτικό ρόλο.

Μια πρακτική που προτείνεται στον Οδηγό είναι η δημιουργία ενός “ψηφιακού διδύμου”, δηλαδή ενός εργαλείου που παρακολουθεί, καταγράφει και αναλύει μια διαδικασία όπως υλοποιείται σήμερα και την αναπαριστά σε περιβάλλον τεχνητής νοημοσύνης, ώστε να προσδιορίζεται εκ των προτέρων το όφελος που θα προκύψει από την εφαρμογή της στην πράξη. Για παράδειγμα, αν το αντικείμενο είναι η μείωση του χρόνου ανταπόκρισης σε αιτήματα πελατών τότε:

• Το Ψηφιακό Δίδυμο αντλεί αυτόματα από το σύστημα , κάθε αίτημα που έχει καταγραφεί και αναπαράγει βήμα-βήμα πώς διεκπεραιώθηκε το καθένα: πότε εισήλθε, πότε κατηγοριοποιήθηκε, πόσο περίμενε, σε ποιον δρομολογήθηκε, πόσες φορές άλλαξε χέρια, πότε επιλύθηκε. Αυτό δεν το κάνει άνθρωπος, αλλά το λογισμικό αυτόματα.
• Στη συνέχεια προσομοιώνει το «τι θα συνέβαινε αν»: Το Ψηφιακό Δίδυμο τρέχει την προσομοίωση πάνω στα ιστορικά δεδομένα, δείχνοντας εκ των προτέρων, πριν υλοποιηθεί κάτι, πόσο θα μειωθεί ο χρόνος ανταπόκρισης, πού θα δημιουργηθούν νέα εμπόδια, ποιες εξαιρέσεις δεν θα μπορεί να χειριστεί ο agent και πόσες περιπτώσεις θα χρειαστούν ανθρώπινη εμπλοκή.

Ένα άλλο παράδειγμα είναι στον τομέα των προσλήψεων:

• Ο ψηφιακός βοηθός αναλύει δεδομένα (π.χ. φόρτο εργασίας, απόδοση ομάδων, δεξιότητες) και προτείνει τεκμηριωμένα ανάγκες στελέχωσης, και όχι βάσει αιτήματος. Ακολούθως, δημιουργεί περιγραφές θέσεων εργασίας εστιασμένες στις δεξιότητες που λείπουν.
• Εξασφαλίζει ταχύτερη ανίχνευση και κατηγοριοποίηση υποψηφίων, αναλύοντας αυτόματα βιογραφικά και προφίλ, με αντιστοίχιση δεξιοτήτων και εμπειρίας στις πραγματικές ανάγκες της θέσης.
• Διενεργεί έξυπνη αξιολόγηση υποψηφίων προτείνοντας shortlist βάσει δεδομένων, ενώ παρέχει συγκριτικές πληροφορίες και τεκμηριωμένες προτάσεις, βοηθώντας έτσι το έργο του recruiter και μειώνοντας το «ένστικτο» ως βασικό κριτήριο πρόσληψης.
• Προσαρμόζει δυναμικά την προσφορά στον επιλεγέντα υποψήφιο με βάση την αγορά, το προφίλ του (εμπειρία, δεξιότητες, κοκ) και την εσωτερική πολιτική.
• Δημιουργεί αυτόματα προσωποποιημένο πλάνο ένταξης του νέου εργαζόμενου.
• Τόσο πριν, όσο και μετά την πρόσληψη, ψηφιακοί βοηθοί παρέχουν συνεχή υποστήριξη σε εργαζομένους, υπεύθυνους προλήψεων και στελέχη, απαντώντας σε ερωτήσεις, παρακολουθώντας την πρόοδο και εντοπίζοντας έγκαιρα προβλήματα ένταξης.

Ο Οδηγός περιλαμβάνει πρακτικές συμβουλές και για την αντιμετώπιση των ανησυχιών από την πλευρά των εργαζόμενων ως προς την επίπτωση της τεχνητής νοημοσύνης στις θέσεις εργασίας. Οι ανησυχίες αυτές σχετίζονται με τον φόβο αντικατάστασης («Η ΤΝ θα πάρει τη δουλειά μου»), την απώλεια εξειδίκευσης και κύρους («Τα χρόνια εμπειρίας μου καθίστανται αναξιόπιστα, μπορεί να αντικατασταθώ εύκολα», την Έλλειψη κατανόησης («Δεν καταλαβαίνω τι κάνει ή πώς να τη χρησιμοποιήσω», την ανησυχία ιδιωτικότητας και παρακολούθησης («Η ΤΝ με παρακολουθεί και αξιολογεί») και τη δυσπιστία σε αποφάσεις ΤΝ («Πώς να εμπιστευτώ μηχανή για σημαντικές αποφάσεις;» Σύμφωνα με παράδειγμα που περιλαμβάνεται στον Οδηγό, στον τομέα της εξυπηρέτησης πελατών η ΤΝ μπορεί να οδηγήσει σε μείωση θέσεων εργασίας (“εξοικονόμηση”) κατά 37 %.