Agentic AI είναι λογισμικό στο οποίο ένα γλωσσικό μοντέλο κυνηγά έναν στόχο αποφασίζοντας μόνο του το επόμενο βήμα: διαβάζει την κατάσταση, χρησιμοποιεί ένα εργαλείο, κοιτάζει το αποτέλεσμα και αποφασίζει ξανά, μέχρι να τελειώσει η δουλειά ή να περάσει την υπόθεση σε άνθρωπο. Ένα chatbot απαντά σε μια ερώτηση. Ένας αυτοματισμός εκτελεί βήματα που όρισε κάποιος από πριν. Ένας AI agent διαλέγει ο ίδιος τα βήματα. Αυτή η μία διαφορά κάνει τους agents χρήσιμους σε δουλειά που αλλάζει από περίπτωση σε περίπτωση, και την ίδια στιγμή τους κάνει ακριβούς και επικίνδυνους όταν τους βάζεις σε δουλειά που θα έκανε ένα απλό script.
Πώς δουλεύει στην πράξη ένας AI agent;
Ένας AI agent δουλεύει σε κύκλο. Το μοντέλο παίρνει τον στόχο, τα δεδομένα της υπόθεσης και μια λίστα με εργαλεία που επιτρέπεται να χρησιμοποιήσει, όπως «αναζήτηση στη βάση παραγγελιών», «ανάγνωση email» ή «προσχέδιο απάντησης». Είτε απαντά είτε ζητά ένα εργαλείο, σε δομημένη μορφή που μπορεί να ελέγξει το λογισμικό, όπως εξηγώ στο Jev: όταν η τεχνητή νοημοσύνη επιλέγει αντί να γράφει. Το λογισμικό εκτελεί το εργαλείο, του επιστρέφει το αποτέλεσμα και το μοντέλο αποφασίζει το επόμενο βήμα. Ο κύκλος επαναλαμβάνεται μέχρι το μοντέλο να δηλώσει ότι τελείωσε ή μέχρι να το σταματήσει ένα όριο.
Ο ίδιος ο κύκλος είναι περίπου εξήντα γραμμές κώδικα. Ό,τι κάνει έναν agent ασφαλή βρίσκεται γύρω του, σε αυτό που οι μηχανικοί λένε harness: όρια σε βήματα και χρήματα, επανάληψη όταν ένα εργαλείο αποτύχει, σημεία αποθήκευσης για να συνεχίσει μια διακοπείσα εκτέλεση, έγκριση από άνθρωπο πριν από κάθε μη αναστρέψιμη ενέργεια και αρχείο για κάθε απόφαση. Όταν κάποιος σου λέει «φτιάξαμε agent», η ποιότητα αυτού του harness είναι το μεγαλύτερο μέρος αυτού που σου λέει.
Ποια η διαφορά ανάμεσα σε AI agent, chatbot και αυτοματισμό;
Η διαφορά είναι ποιος αποφασίζει το επόμενο βήμα. Ένα chatbot δεν αποφασίζει τίποτα πέρα από την απάντησή του. Ένας αυτοματισμός, όπως μια ροή στο n8n ή ένα προγραμματισμένο script, ακολουθεί μια διαδρομή που σχεδίασε άνθρωπος. Ένας AI agent διαλέγει τη διαδρομή του την ώρα που δουλεύει.
- Chatbot: απαντά σε ερωτήσεις από όσα ξέρει ή από όσα του έδωσες. Καλό για συχνές ερωτήσεις και εσωτερική αναζήτηση. Δεν κάνει ενέργειες.
- Αυτοματισμός: εκτελεί γνωστά βήματα με γνωστή σειρά, γρήγορα, φθηνά και προβλέψιμα. Καλός όταν μπορείς να ζωγραφίσεις τη διαδικασία σε διάγραμμα. Σπάει στην περίπτωση που δεν ζωγράφισε κανείς.
- AI agent: σχεδιάζει, κάνει, ελέγχει και ξαναπροσπαθεί. Καλός όταν τα βήματα εξαρτώνται από όσα βρίσκει, όπως ένα αίτημα υποστήριξης που τη μία φορά θέλει έλεγχο παραγγελίας και την άλλη email στον προμηθευτή. Κοστίζει περισσότερο ανά εργασία και θέλει δικλίδες ασφαλείας.
Τα περισσότερα πραγματικά συστήματα συνδυάζουν και τα τρία. Τη σύγκριση script και agent σε βάθος τη βρίσκεις στο script ή agent.
Τι κρίνει αν ένας agent δουλεύει: το μοντέλο ή το λογισμικό γύρω του;
Το μοντέλο κρίνει πόση δουλειά θα γίνει και το harness κρίνει πόση ζημιά θα γίνει. Το μέτρησα ευθέως στην έρευνα How much of an agent is the model: έξι harness, τέσσερα μοντέλα, έντεκα σενάρια και 736 βαθμολογημένες εκτελέσεις, με κάθε σκορ να διαβάζεται απέναντι σε έναν agent που δεν κάνει απολύτως τίποτα.
- Το μοντέλο ορίζει το ταβάνι. Μετρημένο ως ποσοστό του περιθωρίου πάνω από τον agent που δεν κάνει τίποτα, ένα μικρό τοπικό μοντέλο 8 δισεκατομμυρίων παραμέτρων έπιασε 0,142. Ένα φθηνό μοντέλο στο cloud έπιασε 0,719 και ένα κορυφαίο 0,788. Η μετάβαση από το τοπικό μοντέλο σε οποιοδήποτε μοντέλο cloud άλλαξε το σκορ περισσότερο απ' όσο διέφεραν όλα τα harness μεταξύ τους.
- Από ένα σημείο και πάνω, το μεγαλύτερο αγοράζει λίγα. Από το φθηνό μοντέλο και πάνω τα σκορ ήταν σχεδόν ίδια, ενώ το κορυφαίο κόστιζε αρκετές φορές περισσότερο.
- Το harness κρίνει τη ζημιά. Δεκαέξι εκτελέσεις έσβησαν αρχεία που κανείς δεν τους είχε ζητήσει να αγγίξουν, όλες σε μοντέλα cloud, και ο αριθμός δεν έπεσε όσο δυνάμωνε το μοντέλο. Το μόνο harness που δεν το έκανε ποτέ ήταν αυτό που ρωτά τον χρήστη πριν ενεργήσει.
Για μια επιχείρηση το συμπέρασμα είναι απλό. Διάλεξε ένα ικανό μοντέλο και ξόδεψε τον υπόλοιπο προϋπολογισμό σε εγκρίσεις, όρια και αρχεία καταγραφής, γιατί ένα εξυπνότερο μοντέλο δεν σταματά ένα λάθος που γίνεται με σιγουριά.
Πότε αξίζει να φτιάξεις AI agent;
Ένας AI agent αξίζει όταν ισχύουν ταυτόχρονα τέσσερις προϋποθέσεις. Η Anthropic το διατυπώνει ως αρχή: ξεκίνα με απλές εντολές, βελτίωσέ τες με σωστή αξιολόγηση και πρόσθεσε συστήματα agents πολλών βημάτων μόνο όταν οι απλούστερες λύσεις δεν φτάνουν (Building effective agents). Στην πράξη οι τέσσερις προϋποθέσεις είναι:
- Τα βήματα δεν γράφονται από πριν, γιατί εξαρτώνται από όσα βρίσκει ο agent.
- Η εργασία αξίζει αρκετά ώστε να πληρώσεις περίπου τέσσερις έως δεκαπέντε φορές τα tokens μιας απλής απάντησης chatbot.
- Το μοντέλο μπορεί πράγματι να κάνει τη δουλειά με τα εργαλεία που του δίνεις, και αυτό το αποδεικνύεις με σετ ελέγχου πριν μπει σε λειτουργία.
- Μια λάθος ενέργεια εντοπίζεται και αναιρείται φθηνά, αλλιώς την εγκρίνει άνθρωπος.
Αν μία από τις τέσσερις δεν ισχύει, φτιάξε αυτοματισμό ή script. Τις περιπτώσεις όπου λέω όχι τις έχω μαζέψει στο πότε να μη φτιάξεις AI agent.
Τι αλλάζει η agentic AI για μια επιχείρηση στην Ελλάδα;
Η agentic AI αλλάζει ποια δουλειά χρειάζεται άνθρωπο παρόντα, όχι πόσους ανθρώπους χρειάζεται μια επιχείρηση. Οι αριθμοί υιοθέτησης δείχνουν πόσο νωρίς είναι ακόμη. Στην έρευνα της Ευρωπαϊκής Κεντρικής Τράπεζας στα τέλη του 2025, το 71% των επιχειρήσεων της ευρωζώνης δήλωσε κάποια χρήση τεχνητής νοημοσύνης, αλλά μόνο το 7% τη χαρακτήρισε σημαντική. Στα επίσημα στατιστικά της ΕΕ για το 2025, το 8,9% των ελληνικών επιχειρήσεων με δέκα ή περισσότερους εργαζόμενους χρησιμοποιούσε τουλάχιστον μία τεχνολογία τεχνητής νοημοσύνης, απέναντι σε 19,9% στο σύνολο της ΕΕ. Οι πηγές και η μέθοδος είναι στο The adoption gap.
Αυτό το κενό είναι ευκαιρία για όσους κινηθούν προσεκτικά. Οι πρώτοι agents που αποσβένονται σε ελληνικές εταιρείες κάθονται συνήθως πάνω σε μια ουρά που ήδη τρώει ώρες: τα εισερχόμενα της υποστήριξης, τα τιμολόγια προμηθευτών που πρέπει να συμφωνήσουν με τις παραγγελίες και το myDATA, οι παραγγελίες που θέλουν χειροκίνητο έλεγχο, η έρευνα για κάθε νέο υποψήφιο πελάτη. Η καθεμία έχει μετρήσιμο όγκο, σαφή υπεύθυνο και έναν άνθρωπο που μπορεί να εγκρίνει όσα κινούν χρήματα. Την εικόνα ανά τμήμα τη βλέπεις στο τεχνητή νοημοσύνη για κάθε τμήμα.
Πώς μοιάζει ένα έργο με agents από μέσα;
Ένα σωστό έργο με agents περνά από τέσσερα στάδια, και η σειρά μετρά περισσότερο από τα εργαλεία:
- Διερεύνηση: μία διαδικασία, ο όγκος της, τι κοστίζει μια λάθος απάντηση και ποιος εγκρίνει τι.
- Γραπτό σχέδιο: τα εργαλεία που επιτρέπονται, οι ενέργειες που ο agent δεν κάνει ποτέ μόνος, ο προϋπολογισμός ανά εργασία και τι γίνεται όταν δεν είναι σίγουρος.
- Πιλοτική λειτουργία με πραγματικά δεδομένα: ο agent ετοιμάζει, ο άνθρωπος εγκρίνει και κάθε περίπτωση καταγράφεται, ώστε ακρίβεια και κόστος να μετρηθούν, όχι να εκτιμηθούν.
- Σταδιακή αυτονομία: αυτόματα περνούν μόνο οι τύποι περιπτώσεων που αποδείχτηκαν αξιόπιστοι, οι υπόλοιποι κρατούν το βήμα της έγκρισης.
Τα frameworks μετρούν λιγότερο απ' όσο νομίζει ο κόσμος. Το LangChain και το LangGraph δίνουν μόνιμη κατάσταση και βήματα έγκρισης από άνθρωπο, το n8n καλύπτει μεγάλο μέρος των ροών και για έναν μικρό κύκλο αρκεί η βιβλιοθήκη του παρόχου. Η επιλογή ακολουθεί την πιο δύσκολη απαίτησή σου, συνήθως την ιχνηλασιμότητα ή το βήμα έγκρισης, όχι το demo.
Συχνές ερωτήσεις
Είναι το ChatGPT AI agent;
Το ChatGPT συμπεριφέρεται σαν agent όταν χρησιμοποιεί εργαλεία, όπως αναζήτηση στο web ή εκτέλεση κώδικα, για να ολοκληρώσει μια εργασία σε πολλά βήματα. Ένας agent για επιχείρηση διαφέρει σε κάτι ουσιαστικό: δουλεύει μέσα στα δικά σου συστήματα, με τα δικά σου δεδομένα, τα δικά σου όρια και τους δικούς σου κανόνες έγκρισης.
Είναι η agentic AI το ίδιο με τη γενετική τεχνητή νοημοσύνη;
Όχι. Η γενετική τεχνητή νοημοσύνη παράγει περιεχόμενο, όπως κείμενο ή εικόνες. Η agentic AI χρησιμοποιεί ένα γενετικό μοντέλο για να αποφασίζει και να ενεργεί σε πολλά βήματα προς έναν στόχο. Κάθε agent χρησιμοποιεί γενετική τεχνητή νοημοσύνη, αλλά η περισσότερη γενετική τεχνητή νοημοσύνη δεν είναι agentic.
Είναι ασφαλές να αφήσεις έναν AI agent να ενεργεί μόνος του;
Είναι ασφαλές για ενέργειες που αναιρούνται φθηνά και επικίνδυνο για όσες δεν αναιρούνται. Πληρωμές, διαγραφές, συμβάσεις και μηνύματα σε πελάτες περνούν από άνθρωπο μέχρι ο agent να έχει μετρημένο ιστορικό ακριβώς σε αυτόν τον τύπο περίπτωσης.
Αν μια ουρά στην επιχείρησή σου τρώει ήδη ώρες κάθε εβδομάδα, πες μου ποια είναι και τι κοστίζει ένα λάθος σε αυτήν. Η απάντηση στο «agent, αυτοματισμός ή script» συνήθως θέλει μία κουβέντα. Τι φτιάχνω και πώς, το βρίσκεις στο agentic AI σε πραγματική λειτουργία.