Τεχνητή Νοημοσύνη Ελλάδα: Το τελευταίο τελευταίο ενάμιση χρόνο η τεχνολογία έχει γίνει το απόλυτο “ιερό δισκοπότηρο” του ελληνικού IT, με τον όρο “AI” να εμφανίζεται σε κάθε παρουσίαση και δελτίο τύπου και με τις υποσχέσεις για αυτοματοποίηση, μείωση κόστους και εκτόξευση παραγωγικότητας να κυριαρχούν.
Ωστόσο, πίσω από τις κλειστές πόρτες των server rooms και των προσδοκιών, η πραγματικότητα είναι διαφορετική: ελληνικές εταιρείες, θύματα του FOMO, ξοδεύουν εκατομμύρια σε πρόχειρες ενσωματώσεις που δημιουργούν περισσότερα προβλήματα από όσα λύνουν.
Πολλές επιχειρήσεις αγοράζουν ακριβές λύσεις που είναι απλώς ένα πρόχειρο “περιτύλιγμα” γύρω από διαθέσιμα μοντέλα και τις βαφτίζουν “custom enterprise AI”, πληρώνοντας μεγάλα ποσά χωρίς να εξασφαλίζουν μετρήσιμη αξία.
Ασφαλής αρχιτεκτονική και ρίσκο
Οι διοικητικές ηγεσίες σπάνια αναλύουν τις πραγματικές ανάγκες και προτιμούν να δηλώσουν απλώς ότι υιοθέτησαν την τεχνολογία, όπως το να αγοράσεις ένα μονοθέσιο της Formula 1 για να πηγαίνεις στο περίπτερο: σπατάλη και ακατάλληλη χρήση.
Το οικονομικό κόστος είναι σημαντικό, αλλά ακόμη πιο ανησυχητικό είναι το ρίσκο για την ασφάλεια των δεδομένων, όταν εταιρικά συστήματα συνδέονται άμεσα με πλατφόρμες παραγωγικής Τεχνητής Νοημοσύνης χωρίς σοβαρό σχεδιασμό αρχιτεκτονικής, φίλτρα ή απομόνωση (sandboxing).
Μη προστατευμένες βάσεις δεδομένων που περιέχουν ευαίσθητα εταιρικά στοιχεία, προσωπικά δεδομένα πελατών και απόρρητα σχέδια μπορούν να τροφοδοτούνται απευθείας σε αλγόριθμους, επιτρέποντας με ένα απλό prompt την απόκτηση πρόσβασης σε email διευθύνσεων, πελατολόγια ή οικονομικά στοιχεία.
Πραγματικά περιστατικά και παραδείγματα
Τα διεθνή περιστατικά δείχνουν ότι ούτε οι κορυφαίες εταιρείες είναι άτρωτες. Η βιομηχανία έμαθε για το Claude Mythos Preview της Anthropic, ένα προηγμένο μοντέλο με δυνατότητες που μπορούν να χρησιμοποιηθούν τόσο για άμυνα όσο και για επίθεση.
Η πρόσβαση στο Claude Mythos Preview περιορίστηκε σε συνεργάτες, αλλά δημοσιεύματα ανέφεραν ότι χιλιάδες μη δημοσιευμένα εσωτερικά αρχεία της Anthropic εκτέθηκαν εξαιτίας κακής ρύθμισης σε σύστημα διαχείρισης περιεχομένου ή σε υποδομή SaaS, δηλαδή όχι από κάποιο περίπλοκο hack αλλά από στοιχειώδη αμέλεια.
Όταν ακόμη και μεγάλες τεχνολογικές εταιρείες εκτίθενται από απλές αστοχίες, φανταστείτε τι μπορεί να συμβεί στην μέση ελληνική επιχείρηση που «κουμπώνει» πρόχειρα τα εσωτερικά της συστήματα στο πρώτο API που θα βρει, χωρίς έλεγχο πρόσβασης και χωρίς κατανόηση του κινδύνου.
Τοπικά μοντέλα και πρακτικά προβλήματα
Αντίθετα, κάποιοι επιχειρηματίες επιλέγουν την εσωστρέφεια και την τοπική εγκατάσταση μοντέλων: Local LLMs – LLM: Large Language Model, η βασική μονάδα “παραγωγής” ΑΙ, με σκοπό να μην φύγουν ποτέ τα δεδομένα εκτός των servers τους.
Η θεωρία είναι ελκυστική, αλλά στην πράξη αποδεικνύεται τραγελαφική: τμήματα πληροφορικής κατεβάζουν τεράστια, μη βελτιστοποιημένα μοντέλα δεκάδων δισεκατομμυρίων παραμέτρων και προσπαθούν να τα τρέξουν σε υποδομές που δεν έχουν σχεδιαστεί για αυτό.
Η έλλειψη επαρκούς VRAM και εξειδικευμένων πόρων οδηγεί στο αναμενόμενο αποτέλεσμα: το κακοστημένο LLM γεμίζει μνήμη σε δευτερόλεπτα, οι επεξεργαστές δουλεύουν στο 100%, θερμαίνονται υπερβολικά και ολόκληρο το εταιρικό δίκτυο παραλύει, μετατρέποντας τους servers σε ενεργοβόρα θερμαντικά σώματα που δεν εξυπηρετούν ούτε το ERP.
Νομικά και ηθικά ζητήματα
Τα παραπάνω είναι μόνο μερικοί από τους κινδύνους: νομικές κυρώσεις για πνευματικά δικαιώματα, μη νόμιμη επεξεργασία προσωπικών δεδομένων, και συστημικές προκαταλήψεις αλγορίθμων (Systemic Algorithmic Bias) προσθέτουν επιπλέον προβλήματα.
Η ρίζα του προβλήματος είναι απλή: η Τεχνητή Νοημοσύνη δεν είναι μαγεία ούτε ένα πανάκεια. Απαιτεί σχεδιασμό, τεχνική εξειδίκευση και κουλτούρα δεδομένων που στην Ελλάδα λείπει από πολλές επιχειρήσεις.
Όσο οι εταιρείες βλέπουν το AI ως εργαλείο δημοσίων σχέσεων και όχι ως εξειδικευμένη τεχνολογική επένδυση, θα συνεχίσουν να χάνουν οικονομικούς και λειτουργικούς πόρους. Η Τεχνητή Νοημοσύνη μπορεί να αλλάξει την παραγωγή πλούτου, αλλά χρειάζεται σοβαρότητα, ρεαλισμό και ειδικούς που κατανοούν την αρχιτεκτονική των συστημάτων.
Πέτρος Λάζος
petros.lazos@capital.gr
