Πώς να Κρατήσετε Έναν AI Agent Ακριβή Αφού Βγει Live

Η συντήρηση ενός AI agent δεν είναι δουλειά καθαρισμού. Είναι η δουλειά. Ένας agent που πέρασε κάθε τεστ στο λανσάρισμα μπορεί να γίνει μετρήσιμα χειρότερος στην παραγωγή, χωρίς να αγγίξει κανείς ένα prompt, ένα guardrail ή μια γραμμή κώδικα. Μια μελέτη με κριτές στο Scientific Reports του Nature συνδύασε τέσσερα μοντέλα μηχανικής μάθησης με 32 πραγματικά σύνολα δεδομένων από λειτουργίες υγείας, χρηματοοικονομικά, μεταφορές και καιρό, και μετά παρακολούθησε πώς άντεξε κάθε συνδυασμός όσο περνούσε ο χρόνος από την τελευταία του εκπαίδευση. Η ποιότητα έπεσε στο 91% των 128 συνδυασμών, ένα μοτίβο που οι συγγραφείς ονόμασαν AI aging. Η λύση δεν είναι ένα καλύτερο μοντέλο. Είναι ένας κύκλος ελέγχου που τον έχει αναλάβει κάποιος.

Έχουμε γράψει για το πώς φτάνει ένας agent με ασφάλεια στο go-live σε τέσσερα στάδια. Εδώ μιλάμε για τη συνέχεια, που παίρνει πολύ λιγότερη προσοχή και κάνει περισσότερη αθόρυβη ζημιά: τι κάνετε την έκτη εβδομάδα, και την εικοστή.

Γιατί ένας AI agent χειροτερεύει μετά το λανσάρισμα;

Τέσσερα πράγματα φθείρονται, και φθείρονται ανεξάρτητα το ένα από το άλλο. Οι περισσότερες ομάδες παρακολουθούν μόνο το ένα.

Τι φθείρεται	Πώς φαίνεται	Πώς το πιάνετε
Η συμπεριφορά του μοντέλου	Ίδια ερώτηση, ίδιο prompt, χειρότερη απάντηση που ακούγεται το ίδιο σίγουρη με τη σωστή	Τρέξτε ξανά ένα σταθερό σετ δοκιμών σε τακτά διαστήματα και συγκρίνετε τα σκορ
Η γνώση σας	Ο agent παραθέτει σωστά μια πολιτική, μια τιμή ή ένα ωράριο που αλλάξατε τον προηγούμενο μήνα	Βάλτε ημερομηνία στις καταχωρίσεις γνώσης και ελέγχετέ τις με σταθερό ρυθμό
Η επιχείρησή σας	Νέα υπηρεσία, νέα τοποθεσία, εποχικό ωράριο, μια προσφορά που έληξε	Συνδέστε τις ενημερώσεις γνώσης με τη λειτουργική αλλαγή που τις προκάλεσε
Το εύρος	Ζητούν από τον agent πιο μεγάλες και πιο σύνθετες δουλειές από αυτές για τις οποίες σχεδιάστηκε	Παρακολουθήστε το ποσοστό παράδοσης σε άνθρωπο και τους τύπους αιτημάτων που φτάνουν

Η πρώτη γραμμή ξαφνιάζει τον κόσμο. Ο Anwar Ali, στη στήλη του στο HousingWire, την ονομάζει συμπεριφορική απόκλιση και τη χωρίζει από την απόκλιση δεδομένων που οι περισσότερες ομάδες έχουν ακουστά. Είναι η πιο δύσκολη από τις δύο να εντοπιστεί, γιατί τίποτα πάνω σε μια χειρότερη απάντηση δεν δείχνει χειρότερο.

Πώς μοιάζει η απόκλιση σε μια πραγματική εγκατάσταση;

Ο Anwar Ali, SVP και επικεφαλής Product Management στην BSI Financial Services, δημοσίευσε ακριβώς αυτή την ιστορία τον Σεπτέμβριο του 2026. Η ομάδα του έτρεχε έναν φωνητικό και chat agent που απαντούσε ερωτήσεις δανειοληπτών πάνω σε ζωντανά δεδομένα λογαριασμών, πίσω από guardrails συμμόρφωσης για τα οποία είχαν δουλέψει πολύ καιρό ώστε να είναι σωστά. Δούλευε. Το containment, δηλαδή το ποσοστό των πελατών που το θέμα τους λύθηκε χωρίς να φτάσει σε άνθρωπο, κρατήθηκε πάνω από τον μέσο όρο του κλάδου για μήνες.

Μετά έπεσε κατά περίπου οκτώ μονάδες. Κανείς δεν το πρόσεξε για εβδομάδες.

Η έρευνα αθώωσε τα guardrails, τη ροή της συνομιλίας και τις αλλαγές στη συμπεριφορά των πελατών. Η αιτία ήταν το ίδιο το μοντέλο, ένα καθιερωμένο μοντέλο από κορυφαίο εργαστήριο, που αθόρυβα έβγαζε χειρότερες απαντήσεις στις ίδιες κατηγορίες ερωτήσεων. Το συμπέρασμά του αξίζει να το κλέψετε: ήταν αποτυχία μέτρησης, όχι αποτυχία τεχνολογίας. Το containment ελεγχόταν εβδομαδιαία, και ένας εβδομαδιαίος δείκτης που έπεται των γεγονότων δεν μπορεί να πιάσει μια αργή κατρακύλα πριν περάσουν από μέσα της πολλοί πελάτες.

Ποιους αριθμούς πρέπει να παρακολουθείτε, και πόσο συχνά;

Διαλέξτε λίγους, βάλτε ρυθμό σε καθέναν, και κάντε τον ρυθμό πιο σύντομο από το παράθυρο της ζημιάς. Ένας δείκτης που ελέγχεται μηνιαία σας δίνει έναν κακό μήνα πριν σας δώσει σήμα. Αυτοί είναι λειτουργικοί δείκτες, όχι δείκτες απόδοσης της επένδυσης: για την οικονομική πλευρά δείτε πώς να μετρήσετε το ROI της AI όταν τα περισσότερα έργα δεν δείχνουν κανένα.

Δείκτης	Ρυθμός	Τι σημαίνει μια κακή κίνηση
Ποσοστό παράδοσης σε άνθρωπο	Καθημερινά	Ο agent αρνείται ή αποτυγχάνει πιο συχνά, ή άλλαξαν οι ερωτήσεις
Χρόνος πρώτης απάντησης	Καθημερινά	Πρόβλημα παράδοσης ή ουράς, όχι πρόβλημα ποιότητας
Επίλυση χωρίς παράδοση	Καθημερινά	Ο κλασικός δείκτης απόκλισης. Δείτε την τάση, όχι τη μέρα
Ποσοστό αρνητικών αξιολογήσεων στις απαντήσεις της AI	Εβδομαδιαία	Η ομάδα σας βλέπει κάτι που το κρύβουν οι συγκεντρωτικοί αριθμοί
Ποσοστό κρατήσεων ή μετατροπής από τις συνομιλίες	Εβδομαδιαία	Ο agent απαντά, αλλά δεν κλείνει πια
Σκορ στο σετ δοκιμών παλινδρόμησης	Μηνιαία, και σε κάθε αλλαγή μοντέλου	Το μοντέλο ή οι ρυθμίσεις κουνήθηκαν από κάτω σας

Ο χρόνος πρώτης απάντησης αξίζει μια θέση σε αυτή τη λίστα, παρότι σπάνια αποκλίνει. Η δική μας μελέτη 32,581 συνομιλιών βρήκε ότι οι απαντήσεις μέσα σε 60 δευτερόλεπτα είχαν μετατροπή 35.1%, έναντι 7.1% για απαντήσεις που έπαιρναν από μία ώρα έως ένα εικοσιτετράωρο. Η ταχύτητα είναι ο λόγος για τον οποίο αγοράζει κανείς έναν agent, άρα είναι και ο δείκτης που αξίζει να αποδεικνύετε ότι ισχύει ακόμα.

Πόσο συχνά πρέπει να ξαναδοκιμάζετε έναν AI agent;

Κρατήστε ένα σταθερό σετ δοκιμών παλινδρόμησης με πραγματικές συνομιλίες και γνωστά σωστά αποτελέσματα, και τρέξτε το ξανά σε τρεις αφορμές:

1. Σε τακτό πρόγραμμα, μηνιαία κατ' ελάχιστο. Αυτό είναι που μετατρέπει την απόκλιση σε αριθμό αντί για διαίσθηση.
2. Πριν και μετά από κάθε αλλαγή μοντέλου, ακόμα και από μία που δεν ξεκινήσατε εσείς. Αν η πλατφόρμα σας περάσει σε νεότερο μοντέλο, αυτό είναι αλλαγή στο σύστημά σας.
3. Μετά από κάθε ουσιαστική αλλαγή γνώσης ή οδηγιών. Μια διόρθωση για ένα παράπονο συχνά χαλάει μια απάντηση που ήταν μια χαρά.

Φτιάξτε το από συνομιλίες που ήδη έχετε. Είκοσι με πενήντα περιπτώσεις που καλύπτουν τις συνηθισμένες σας ερωτήσεις, τις άβολες ακραίες περιπτώσεις σας, και τις λίγες που ο agent δεν πρέπει ποτέ να απαντήσει μόνος. Αρκετά μεγάλο για να πιάσει μια πραγματική παλινδρόμηση, αρκετά μικρό ώστε να το τρέχετε όντως.

Το να ξαναμετρήσετε ποιο μοντέλο τρέχετε είναι ξεχωριστός, πιο αργός κύκλος. Τριμηνιαία είναι μια λογική βάση, και γίνεται πολύ πιο εύκολο αν η εγκατάστασή σας δεν κολλήθηκε ποτέ πάνω σε ένα εργαστήριο, κάτι που υποστηρίξαμε στο γιατί δεν πρέπει να χτίσετε την επιχείρησή σας πάνω σε ένα μόνο μοντέλο AI.

Πώς μοιάζει ένας εβδομαδιαίος κύκλος συντήρησης;

Τριάντα με εξήντα λεπτά, την ίδια ώρα κάθε εβδομάδα:

1. Διαβάστε δέκα πραγματικές συνομιλίες από την αρχή ως το τέλος. Όχι περιλήψεις. Πάρτε μερικές σημειωμένες και μερικές στην τύχη, γιατί οι τυχαίες σας δείχνουν πώς είναι το φυσιολογικό.
2. Κάντε διαλογή σε κάθε αρνητική αξιολόγηση που κατέγραψε η ομάδα σας. Βάλτε την καθεμιά σε μία από τρεις κατηγορίες: η γνώση ήταν λάθος ή έλειπε, οι οδηγίες ήταν λάθος, ή ο agent έπρεπε να είχε παραδώσει σε άνθρωπο.
3. Διορθώστε την κατηγορία, όχι τη συνομιλία. Μια μεμονωμένη διόρθωση μέσα σε ένα chat δεν μαθαίνει τίποτα στο σύστημα. Ενημερώστε την καταχώριση γνώσης, την οδηγία ή τον κανόνα παράδοσης.
4. Τρέξτε ξανά το σετ δοκιμών αν αλλάξατε κάτι κρίσιμο.
5. Γράψτε τι αλλάξατε και γιατί. Ένα ημερολόγιο αλλαγών με ημερομηνίες είναι αυτό που σας επιτρέπει να απαντήσετε «πότε ξεκίνησε αυτό;» έξι εβδομάδες αργότερα.

Γιατί οι μεγαλύτερες εργασίες αποτυγχάνουν ακόμα και όταν το μοντέλο είναι μια χαρά;

Αυτό είναι περιορισμός σχεδιασμού και όχι εργασία συντήρησης, αλλά εμφανίζεται με τη μορφή φθοράς.

Μια προδημοσίευση του Αυγούστου 2026 στο arXiv, το How Fast Do Agents Rot?, μέτρησε την αξιοπιστία agent σε εννέα μοντέλα και 10,664 αναλυμένες τροχιές. Η επιτυχία μιας εργασίας ακολουθεί έναν γεωμετρικό νόμο που ορίζεται από την αξιοπιστία ανά βήμα, η οποία ανεβαίνει με το μέγεθος του μοντέλου αλλά φτάνει σε κορεσμό αρκετά κάτω από το 1 ακόμα και για τα ισχυρότερα συστήματα. Στην πραγματικά agentic εργασία χρήσης εργαλείων, κάθε μοντέλο που δοκιμάστηκε, μαζί και ευρέως χρησιμοποιούμενα ιδιόκτητα μοντέλα, έπεσε από σχεδόν τέλεια επιτυχία σε σχεδόν μηδενική μέσα σε δεκαέξι εξαρτημένα βήματα. Η υποβάθμιση ακολουθούσε τον αριθμό των βημάτων, όχι το μήκος του context.

Είναι προδημοσίευση, και οι εργασίες της δεν είναι συνομιλίες εξυπηρέτησης πελατών. Το πρακτικό συμπέρασμα πάντως στέκει: η αξιοπιστία συσσωρεύεται προς τα κάτω με κάθε εξαρτημένο βήμα, οπότε ένας agent φτιαγμένος να απαντά, να αξιολογεί και να κλείνει ραντεβού πατάει σε πολύ πιο στέρεο έδαφος από έναν που τρέχει μια διαδικασία δεκαπέντε βημάτων χωρίς επίβλεψη. Αν η δουλειά του agent σας έχει μεγαλώσει αθόρυβα από το λανσάρισμα, αυτό είναι πρόβλημα εύρους ντυμένο πρόβλημα ποιότητας.

Ποιος το έχει πραγματικά αναλάβει;

Συνήθως κανείς, και αυτό είναι το πραγματικό εύρημα στο κείμενο του Ali. Οι ομάδες προϊόντος κυκλοφορούν, οι μηχανικοί κρατούν την υποδομή όρθια, οι λειτουργίες τρέχουν την επιχείρηση, και κανείς δεν είναι υπεύθυνος να προσέξει ότι οι απαντήσεις χειροτέρεψαν.

Ορίστε ένα άτομο, και μην το δώσετε σε επιτροπή. Παρακολουθεί τους καθημερινούς αριθμούς, τρέχει τον εβδομαδιαίο κύκλο, και έχει το κύρος να πει ότι ο agent ξέφυγε και να μαζέψει το εύρος του. Αυτό το τελευταίο είναι που κάνει τον ρόλο αληθινό. Ο Ali το λέει ωμά για την εναλλακτική: «ένας ελεγκτής που μπορεί μόνο να βάζει σφραγίδα δεν παρέχει εποπτεία, μόνο την εμφάνισή της».

Πού ταιριάζει η Entagl

Οποιοσδήποτε στην ομάδα σας μπορεί να επισημάνει μια κακή απάντηση της AI κατευθείαν από τα ενοποιημένα εισερχόμενα, με μια σημείωση για το τι πήγε στραβά. Οι επισημασμένες απαντήσεις καταλήγουν σε ουρά ελέγχου με κατάσταση, οπότε η εβδομαδιαία διαλογή έχει λίστα εργασιών αντί για τεστ μνήμης. Η γνώση ζει σε ένα σημείο, οπότε όταν διορθώνετε μια FAQ, μια υπηρεσία ή το ωράριό σας, το διορθώνετε ταυτόχρονα για WhatsApp, Instagram, Messenger, Telegram, web chat, email και το API. Επειδή οι τέσσερις agents μοιράζονται ένα μυαλό, μια διόρθωση που κάνετε για το chat ισχύει και στην επόμενη κλήση.

Δύο δομικά κομμάτια μετράνε περισσότερο από οποιοδήποτε μεμονωμένο χαρακτηριστικό. Η δρομολόγηση των μοντέλων δεν είναι δεμένη με ένα εργαστήριο: το μοντέλο πίσω από κάθε στάδιο είναι ρύθμιση, και από πίσω του μπορούν να οριστούν εφεδρικά μοντέλα, οπότε μια συμπεριφορική αλλαγή ενός προμηθευτή γίνεται απόφαση δρομολόγησης αντί για ξαναχτίσιμο. Και η παράδοση σε άνθρωπο είναι κανονική διαδρομή και όχι κατάσταση αποτυχίας, οπότε ο αριθμός που σας λέει ότι κάτι αποκλίνει είναι αριθμός που ήδη συλλέγετε.

Το να θεμελιώσετε σωστά τον agent από την αρχή κάνει όλα αυτά φθηνότερα, κάτι που καλύπτουμε στο πώς να εκπαιδεύσετε έναν AI agent στη δική σας επιχειρηματική γνώση.

Τι δεν διορθώνει η συντήρηση

Δεν κάνει ακριβή έναν agent που δεν θεμελιώθηκε ποτέ σωστά. Η παρακολούθηση ενός κακοσχεδιασμένου agent σας δίνει μια ακριβέστατη μέτρηση του λάθος πράγματος.

Δεν εξαλείφει τις παραισθήσεις. Οι έλεγχοι που τις μειώνουν είναι ξεχωριστή στοίβα, και την καλύπτουμε στο πώς να σταματήσετε τον AI agent σας από το να παραισθάνεται.

Και ένας αριθμός που κουνιέται δεν είναι διάγνωση. Το ποσοστό παράδοσης μπορεί να ανέβει επειδή ο agent χειροτέρεψε, ή επειδή τρέξατε μια διαφημιστική καμπάνια που έφερε διαφορετικό είδος ερωτήσεων. Διαβάστε τις συνομιλίες πριν αλλάξετε οτιδήποτε. Γι' αυτό το πρώτο βήμα του εβδομαδιαίου κύκλου είναι να διαβάσετε, όχι να μετρήσετε.

FAQ

Πόσο συχνά πρέπει να ελέγχετε την απόδοση ενός AI agent;

Παρακολουθήστε καθημερινά το ποσοστό παράδοσης, τον χρόνο πρώτης απάντησης και το ποσοστό επίλυσης, γιατί αυτοί είναι οι προπορευόμενοι δείκτες μιας κατρακύλας. Ελέγξτε τις επισημασμένες απαντήσεις και τη μετατροπή εβδομαδιαία. Τρέξτε ξανά ένα σετ δοκιμών παλινδρόμησης μηνιαία και σε κάθε αλλαγή μοντέλου. Ο έλεγχος μόνο σε εβδομαδιαία βάση είναι ο λόγος που μια πτώση οκτώ μονάδων σε μια εγκατάσταση χρηματοοικονομικών υπηρεσιών πέρασε απαρατήρητη για εβδομάδες.

Μπορεί ένας AI agent να χειροτερέψει αν δεν άλλαξε τίποτα;

Ναι, για δύο ξεχωριστούς λόγους, και αξίζει να τους κρατάτε χώρια. Η συμπεριφορική απόκλιση είναι αυτή που χάνουν οι περισσότερες ομάδες: ένα φιλοξενούμενο μοντέλο μπορεί να αρχίσει να δίνει χειρότερες απαντήσεις στις ίδιες ερωτήσεις χωρίς καμία αλλαγή στα prompts ή στις ρυθμίσεις σας, κάτι που ο Anwar Ali κατέγραψε στην BSI Financial Services όταν το containment έπεσε περίπου οκτώ μονάδες. Ο άλλος λόγος είναι το AI aging: ένα σταθερό μοντέλο γίνεται λιγότερο ακριβές απλώς και μόνο επειδή πέρασε περισσότερος χρόνος από την εκπαίδευσή του, κάτι που το Scientific Reports του Nature παρατήρησε στο 91% των 128 συνδυασμών μοντέλου και συνόλου δεδομένων που δοκίμασε. Διαφορετικοί μηχανισμοί, ίδιο σύμπτωμα. Ένα σταθερό σετ δοκιμών παλινδρόμησης πιάνει και τα δύο.

Πώς ξέρετε αν φταίει το μοντέλο ή η βάση γνώσης σας;

Τρέξτε ξανά το σταθερό σας σετ δοκιμών παλινδρόμησης. Αν περιπτώσεις που περνούσαν τώρα κόβονται ενώ η υποκείμενη γνώση δεν έχει αλλάξει, κουνήθηκε το μοντέλο. Αν ο agent απαντά με σιγουριά από πληροφορίες που είναι απλώς ξεπερασμένες, κουνήθηκε η γνώση σας. Το σετ δοκιμών είναι αυτό που ξεχωρίζει τα δύο, και γι' αυτό πρέπει να μένει σταθερό και να ξαναχρησιμοποιείται αντί να ξαναγράφεται κάθε φορά.

Ποιος πρέπει να έχει τη συντήρηση του AI agent σε μια μικρή επιχείρηση;

Ένα συγκεκριμένο άτομο, συνήθως όποιος έχει την ευθύνη για την εμπειρία του πελάτη και όχι όποιος είναι ο πιο τεχνικός. Η δουλειά είναι να διαβάζει συνομιλίες, να κάνει διαλογή στις επισημασμένες απαντήσεις και να ενημερώνει την επιχειρηματική γνώση. Τίποτα από αυτά δεν χρειάζεται μηχανικό, και όλα χρειάζονται κάποιον με το κύρος να μαζέψει το εύρος του agent όταν το λένε οι αριθμοί.

Ένα καλύτερο μοντέλο καταργεί την ανάγκη για παρακολούθηση;

Όχι. Η αξιοπιστία ανά βήμα βελτιώνεται με το μέγεθος του μοντέλου αλλά δεν φτάνει στο 1, οπότε οι μεγαλύτερες αλυσίδες εργασιών εξακολουθούν να φθείρονται, και ένα ισχυρότερο μοντέλο μπορεί και πάλι να αλλάξει συμπεριφορά από κάτω σας. Τα καλύτερα μοντέλα ανεβάζουν το πάτωμα. Δεν καταργούν την ανάγκη να προσέχετε το πάτωμα.

Ξεκινήστε από τον αριθμό που δεν συλλέγετε

Σχεδόν σίγουρα τρέχετε κάπου αλλού σε αυτή την επιχείρηση έναν εβδομαδιαίο έλεγχο αριθμών, κρατάτε ημερολόγιο αλλαγών για κάποιο άλλο σύστημα, και ξέρετε πώς να κάνετε δειγματοληπτικό έλεγχο ποιότητας σε μια δουλειά. Ο Ali καταλήγει στο ίδιο συμπέρασμα στο τέλος της στήλης του: η ικανότητα συνήθως υπάρχει ήδη, και σχεδόν κανείς δεν την έχει στρέψει στην AI που μιλάει στους πελάτες του.

Διαλέξτε έναν προπορευόμενο δείκτη που δεν παρακολουθείτε καθημερινά, δώστε του υπεύθυνο, και βάλτε τριάντα λεπτά στο ημερολόγιο για το εβδομαδιαίο διάβασμα. Μόνο αυτό θα είχε πιάσει την απόκλιση που περιγράφεται εδώ.

Για να δείτε πώς δουλεύουν η ουρά επισημασμένων απαντήσεων, η κοινή γνώση και οι έλεγχοι παράδοσης πάνω σε έναν πραγματικό χώρο εργασίας, κλείστε ένα demo 30 λεπτών και θα περάσουμε μαζί τις δικές σας συνομιλίες μέσα από αυτά.

Πηγές: Nature Scientific Reports, «Temporal quality degradation in AI models» (2022)· HousingWire, Anwar Ali, «The silent failure mode: what happens when your AI model quietly gets worse» (Σεπτέμβριος 2026)· arXiv:2609.01660, «How Fast Do Agents Rot?» (Αύγουστος 2026)· Entagl Response Velocity Study (2026). Τα στοιχεία επαληθεύτηκαν τον Σεπτέμβριο του 2026.