Η παραγωγικότητα παραμένει το πιο επίμονο πρόβλημα της ελληνικής οικονομίας. Παρά τη βελτίωση των ρυθμών ανάπτυξης τα τελευταία χρόνια, η απόσταση από τον μέσο όρο της Ευρωπαϊκής Ένωσης σε όρους παραγωγής ανά εργαζόμενο δεν έχει κλείσει. Σε αυτό το κενό θα μπορούσε να παίξει σημαντικό ρόλο η τεχνητή νοημοσύνη. Η υιοθέτησή της από τις ελληνικές επιχειρήσεις επιταχύνθηκε μέσα στο 2025, με έρευνες να καταγράφουν ότι περίπου το ένα τρίτο των επιχειρήσεων χρησιμοποιεί κάποια μορφή εργαλείων AI. Το στοιχημα ωστόσο παραμένει αν μπορεί να μεταφραστεί σε αύξηση της παραγωγικότητας.
Το 37% των επιχειρήσεων χρησιμοποιεί την ΤΝ σε επιφανειακό επίπεδο, χωρίς αλλαγές στις βασικές επιχειρησιακές διαδικασίες
Τα στοιχεία δείχνουν μια εικόνα με μεγάλες επιχειρήσεις να υιοθετούν συστηματικότερα λύσεις ανάλυσης δεδομένων, αυτοματοποίησης και βελτιστοποίησης της εφοδιαστικής αλυσίδας, ενώ στις μικρές και πολύ μικρές επιχειρήσεις η χρήση περιορίζεται συχνά σε βασικές εφαρμογές, όπως είναι τα εργαλεία δημιουργίας περιεχομένου ή απλές αυτοματοποιήσεις γραφείου. Το πρόβλημα δεν είναι η πρόσβαση σε εφαρμογές χαμηλού κόστους, αλλά η έλλειψη οργανωμένης στρατηγικής.
Έρευνες δείχνουν ότι μόνο ένα μικρό ποσοστό επιχειρήσεων διαθέτει θεσμοθετημένη δομή ψηφιακού μετασχηματισμού ή σαφές πλάνο ενσωμάτωσης της τεχνητής νοημοσύνης στις βασικές λειτουργίες τους.
Η τελευταία έκθεση της Deloitte, δείχνει ότι το 37% των επιχειρήσεων χρησιμοποιεί την ΤΝ σε επιφανειακό επίπεδο, χωρίς αλλαγές στις βασικές επιχειρησιακές διαδικασίες. Το 30% επανασχεδιάζει κρίσιμες διαδικασίες γύρω από την ΤΝ, διατηρώντας τα επιχειρηματικά μοντέλα ως έχουν. Μόνο όμως το 34% μετασχηματίζει βαθιά τις επιχειρήσεις του δημιουργώντας νέα προϊόντα, επανασχεδιάζοντας τις βασικές διαδικασίες και μετασχηματίζοντας θεμελιωδώς τα επιχειρηματικά τους μοντέλα.
Σύμφωνα με την μελέτη της Deloitte, αυτή η τρίτη ομάδα εστιάζει στην ενεργοποίηση και όχι μόνο στην πρόσβαση, επιδιώκοντας στρατηγική ανανέωση και όχι απλή αύξηση αποτελεσματικότητας.
Ποσοτική άνοδος, ποιοτική αβεβαιότητα
Το κόστος και τα εμπόδια παραμένουν καθοριστικοί παράγοντες, καθώς από την πλήρη ενσωμάτωση της τεχνητής νοημοσύνης και την αναβάθμιση συστημάτων ERP έως την ανάλυση μεγάλων όγκων δεδομένων, απαιτεί επενδύσεις σε υποδομές, εκπαίδευση προσωπικού και αναδιοργάνωση διαδικασιών.
Στις μεγάλες επιχειρήσεις, η τεχνητή νοημοσύνη ενσωματώνεται σε κρίσιμες λειτουργίες όπως είναι η διαχείριση αποθεμάτων, η πρόβλεψη της ζήτησης
Για πολλές μικρομεσαίες επιχειρήσεις, η αρχική δαπάνη και η έλλειψη εξειδικευμένων δεξιοτήτων λειτουργούν αποτρεπτικά. Σε μια οικονομία όπου η πλειονότητα των επιχειρήσεων είναι μικρού μεγέθους, ο κίνδυνος είναι οτι όσοι προχωρούν αποκτούν ανταγωνιστικό πλεονέκτημα, ενώ όσοι μένουν πίσω διευρύνουν το παραγωγικό τους χάσμα.
Οι έρευνες που δημοσιεύθηκαν μέσα στο 2025 καταγράφουν σημαντική αύξηση στη χρήση τεχνητής νοημοσύνης από ελληνικές επιχειρήσεις. Ορισμένες εκτιμήσεις τοποθετούν το ποσοστό υιοθέτησης κοντά στο 30%–35%, με έντονη άνοδο σε σχέση με τα προηγούμενα χρόνια. Ωστόσο, τα ίδια δεδομένα αποκαλύπτουν ότι η ένταση και η ποιότητα της χρήσης διαφέρουν δραστικά.
Στις μεγάλες επιχειρήσεις, η τεχνητή νοημοσύνη ενσωματώνεται σε κρίσιμες λειτουργίες όπως είναι η διαχείριση αποθεμάτων, η πρόβλεψη της ζήτησης, η βελτιστοποίηση των logistics, η ανάλυση κινδύνου και αυτοματοποίηση εξυπηρέτησης πελατών. Στις μικρομεσαίες επιχειρήσεις, η υιοθέτηση συχνά περιορίζεται σε επιμέρους εφαρμογές, χωρίς συνολική αναδιάρθρωση της παραγωγικής διαδικασίας.
Το ζήτημα βέβαια δεν είναι αν οι επιχειρήσεις «δοκιμάζουν» εργαλεία AI, αλλά πόσες από αυτές τα ενσωματώνουν με τρόπο που επηρεάζει τον κύκλο εργασιών, το κόστος παραγωγής και την απόδοση κεφαλαίου. Η εμπειρία άλλων ευρωπαϊκών οικονομιών δείχνει ότι η παραγωγικότητα αυξάνεται όταν η τεχνολογία συνδυάζεται με οργανωτική αλλαγή. Χωρίς αυτή τη μετάβαση, η χρήση παραμένει επιφανειακή.
Η έκθεση της Deloitte δείχνει ότι το 37% των επιχειρήσεων χρησιμοποιεί την ΤΝ σε επιφανειακό επίπεδο, χωρίς αλλαγές στις βασικές επιχειρησιακές διαδικασίες. Το 30% επανασχεδιάζει κρίσιμες διαδικασίες γύρω από την ΤΝ, διατηρώντας τα επιχειρηματικά μοντέλα ως έχουν. Μόνο όμως το 34% μετασχηματίζει βαθιά τις επιχειρήσεις του, δημιουργώντας νέα προϊόντα, επανασχεδιάζοντας τις βασικές διαδικασίες και μετασχηματίζοντας θεμελιωδώς τα επιχειρηματικά τους μοντέλα. Αυτή η τρίτη ομάδα εστιάζει στην ενεργοποίηση και όχι μόνο στην πρόσβαση, επιδιώκοντας στρατηγική ανανέωση και όχι απλή αύξηση αποτελεσματικότητας.
Το κόστος της μετάβασης
Η συζήτηση για την τεχνητή νοημοσύνη συχνά επικεντρώνεται στο χαμηλό κόστος πρόσβασης σε εργαλεία cloud ή σε εφαρμογές generative AI. Η πραγματική επένδυση, όμως, βρίσκεται στην αναβάθμιση υποδομών, στην ασφάλεια δεδομένων, στην ενσωμάτωση σε υπάρχοντα συστήματα και στην εκπαίδευση ανθρώπινου δυναμικού.
Οι ελληνικές ΜμΕ αντιμετωπίζουν εμπόδια περιορισμένης πρόσβασης σε εξειδικευμένο προσωπικό, αβεβαιότητα για την απόδοση της επένδυσης και δυσκολία χρηματοδότησης. Παρά τα διαθέσιμα προγράμματα ψηφιακής αναβάθμισης, η απορρόφηση συχνά καθυστερεί λόγω γραφειοκρατίας ή έλλειψης εσωτερικής τεχνογνωσίας.
Επιπλέον, το νέο ευρωπαϊκό κανονιστικό πλαίσιο για την τεχνητή νοημοσύνη αυξάνει τις απαιτήσεις συμμόρφωσης. Για μια μεγάλη επιχείρηση, η προσαρμογή είναι διαχειρίσιμη. Για μια μικρή επιχείρηση με περιορισμένους πόρους, η ρυθμιστική συμμόρφωση μπορεί να λειτουργήσει αποτρεπτικά.
Το αποτέλεσμα είναι μια άνιση μετάβαση μεταξύ των μεγάλων επιχειρήσεων που κινούνται ταχύτερα και των υπόλοιπων που ακολουθούν με καθυστέρηση ή παραμένουν σε πειραματικό στάδιο.
Το στοίχημα της ανταγωνιστικότητας
Η παραγωγικότητα συνδέεται άμεσα με την ανταγωνιστικότητα και σε μια οικονομία που στηρίζεται σε μεγάλο βαθμό σε υπηρεσίες, τουρισμό και μικρές επιχειρήσεις, η δυνατότητα αύξησης της παραγωγής ανά εργαζόμενο αποτελεί προϋπόθεση για βιώσιμη αύξηση μισθών και εξαγωγικής δυναμικής.
Η τεχνητή νοημοσύνη μπορεί να συμβάλει σε αυτή τη μετάβαση μέσω της μείωσης του κόστους, την ταχύτερη λήψη αποφάσεων, την καλύτερη πρόβλεψη ζήτησης και την βελτιστοποίηση της εφοδιαστικής. Ωστόσο, τα οφέλη δεν είναι αυτόματα. Απαιτούν συνδυασμό επένδυσης, διοικητικής ικανότητας και ανθρώπινου κεφαλαίου.
Πάντα υπάρχει και η γεωγραφική διάσταση, καθώς η δράση περιορίζεται κυρίως στα μεγάλα αστικά κέντρα, όπου η πρόσβαση σε εξειδικευμένες υπηρεσίες και προσωπικό είναι ευκολότερη. Η περιφέρεια κινδυνεύει να μείνει πίσω, διευρύνοντας όχι μόνο το παραγωγικό αλλά και το περιφερειακό χάσμα.
Παράλληλα, η αυτοματοποίηση ενδέχεται να επηρεάσει συγκεκριμένες κατηγορίες θέσεων εργασίας, ιδίως σε διοικητικές και υποστηρικτικές λειτουργίες. Χωρίς παράλληλη επένδυση σε αναβάθμιση δεξιοτήτων, η τεχνολογική πρόοδος μπορεί να οδηγήσει σε νέα μορφή ανισότητας στην αγορά εργασίας καθώς η τεχνητή νοημοσύνη μπορεί να λειτουργήσει ως επιταχυντής, αλλά δεν υποκαθιστά τις διαρθρωτικές μεταρρυθμίσεις.