PowerPoint Presentation

[Audio] Καλώς ήρθατε στην ενότητα 6 «Μελέτες περίπτωσης από το πεδίο».

[Audio] Στις προηγούμενες ενότητες χτίσαμε μια εργαλειοθήκη εννοιών. Σε αυτή την ενότητα τη χρησιμοποιούμε σε πραγματικές περιπτώσεις. Οι μελέτες περίπτωσης έχουν αξία, επειδή δείχνουν πώς αλληλεπιδρούν η τεχνολογία, τα δεδομένα, τα επιχειρηματικά μοντέλα και η πολιτική σε ένα συγκεκριμένο πλαίσιο. Μια μελέτη περίπτωσης μπορεί όμως και να παραπλανήσει, αν τη διαβάσουμε αβασάνιστα, γι' αυτό ας προτείνω πρώτα μια μέθοδο. Προτείνω έξι φακούς, που αντιστοιχούν σε όσα έχουμε μάθει. Πρώτον, το πρόβλημα και οι εμπλεκόμενοι φορείς: ποιος έχει ποιο πρόβλημα και ποιοι εμπλέκονται; Δεύτερον, το στάδιο της αλυσίδας αξίας και η τεχνολογία που χρησιμοποιείται, όπως στην ενότητα 2. Τρίτον, οι ροές δεδομένων και η διακυβέρνησή τους: ποιος παράγει τα δεδομένα, ποιος μπορεί να τα χρησιμοποιήσει και με ποιους κανόνες, όπως στην ενότητα 3. Τέταρτον, το οικοσύστημα: ποιος ενορχηστρώνει, ποιοι συμπληρώνουν, ποιες διεπαφές έχουν σημασία, όπως στις ενότητες 1 και 4. Πέμπτον, το επιχειρηματικό μοντέλο: ποιος πληρώνει και ποιος ωφελείται. Και έκτον, τα τεκμήρια: τι ακριβώς μετρήθηκε, σε σύγκριση με ποια βάση αναφοράς, για πόσο χρονικό διάστημα και ποιος το κατέγραψε. Ο τελευταίος φακός αξίζει έμφαση. Πολλά αποτελέσματα της ψηφιακής γεωργίας αναφέρονται από το έργο ή την εταιρεία που ανέπτυξε την τεχνολογία, συχνά ως εντυπωσιακά ποσοστά. Τέτοια στοιχεία είναι χρήσιμα, αλλά δεν ισοδυναμούν με ανεξάρτητα τεκμήρια. Θα δούμε ένα παράδειγμα της διαφοράς αργότερα σε αυτή την ενότητα. Θα εξετάσουμε πέντε περιπτώσεις. Η πρώτη περίπτωση αφορά τη διαχείριση καλλιεργειών ακριβείας, με αποτελέσματα από το μεγάλο ευρωπαϊκό έργο IoF2020, τα οποία θα συγκρίνουμε με ανεξάρτητες ανασκοπήσεις. Η δεύτερη αφορά την ιχνηλασιμότητα, αντιπαραβάλλοντας ένα πιλοτικό πρόγραμμα blockchain υπό την ηγεσία λιανεμπορικής εταιρείας με μια πανευρωπαϊκή αξιολόγηση έργων blockchain. Η τρίτη είναι η διαλειτουργικότητα στην πράξη: ένας βελγικός κατασκευαστής μηχανημάτων συγκομιδής πατάτας, μια φλαμανδική πλατφόρμα δεδομένων, ένα γαλλικό λογισμικό διαχείρισης εκμεταλλεύσεων και μια φινλανδική πλατφόρμα συνεργάζονται. Η τέταρτη είναι το έργο DIVINE, που δοκίμασε την αξία του διαμοιρασμού δεδομένων σε τέσσερα πιλοτικά προγράμματα. Και η πέμπτη αφορά τους ανθρώπους: μια συμβουλευτική πλατφόρμα που αναπτύχθηκε στην Ελλάδα, ένα ευρωπαϊκό έργο κατάρτισης σε δεξιότητες blockchain και οι δράσεις του TALLHEDA που τα συνδέουν. Καθώς προχωράμε, σας καλώ να έχετε στον νου σας το παράδειγμα προϊόντος από την ενότητα 1 και την υπηρεσία από τις ενότητες 4 και 5. Στο τέλος της ενότητας θα συγκρίνουμε τις περιπτώσεις και θα εξάγουμε συμπεράσματα για το δικό σας πλαίσιο..

[Audio] Η πρώτη μας περίπτωση είναι η διαχείριση καλλιεργειών ακριβείας, με πηγή το έργο Internet of Food and Farm 2020, IoF2020, το οποίο γνωρίσαμε στην ενότητα 4. Είχε κοινοπραξία εβδομήντα τριών εταίρων και τριάντα τριών περιπτώσεων χρήσης σε πέντε τομείς: αροτραίες καλλιέργειες, γαλακτοκομικά, φρούτα, κρέας και λαχανικά, με στόχο την επίδειξη λύσεων Διαδικτύου των Πραγμάτων (IoT) σε επιχειρησιακές συνθήκες. Δύο περιπτώσεις χρήσης αροτραίων καλλιεργειών μάς δίνουν αριθμούς. Σε μια εκτενή ανασκόπηση των οικονομικών και περιβαλλοντικών οφελών των ψηφιακών γεωργικών τεχνολογιών, που δημοσιεύθηκε το 2024 από τους Papadopoulos και συνεργάτες στο περιοδικό Smart Agricultural Technology και η οποία συνέθεσε δεδομένα από 136 κριτικά αξιολογημένες δημοσιεύσεις και 28 έγγραφα με εμπειρικά δεδομένα από ευρωπαϊκά έργα, η περίπτωση χρήσης του IoF2020 για τη διαχείριση εντός του αγρού με ζώνες (within-field management zoning) στις χώρες της Βαλτικής αναφέρεται ότι πέτυχε μείωση 22 έως 30% στη χρήση αζωτούχου λιπάσματος και μείωση 43 έως 53% στο ζιζανιοκτόνο που χρησιμοποιείται για την καταστροφή του φυλλώματος (haulm killing) στις πατάτες, με αύξηση απόδοσης 2%. Η περίπτωση χρήσης της διαχείρισης καλλιεργειών ακριβείας, με αισθητήρες IoT και δορυφορικά δεδομένα, αναφέρεται ότι πέτυχε μείωση 5% στην εφαρμογή αζώτου και μείωση 5% στη διάρκεια της εργασίας. Πρόκειται για εντυπωσιακά αποτελέσματα, που δείχνουν τι μπορεί να κάνει η διαχείριση ειδική για κάθε θέση όταν είναι καλά σχεδιασμένη. Ας εφαρμόσουμε τώρα τον έκτο φακό: τα τεκμήρια και τα όριά τους. Πώς συγκρίνονται τα αποτελέσματα αυτά με την ευρύτερη βιβλιογραφία; Μια συστηματική ανασκόπηση του 2026 για τα οικονομικά της φυτικής παραγωγής ακριβείας, στο περιοδικό Agriculture, βρήκε ότι οι τεχνολογίες ακριβείας επιτυγχάνουν κατά μέσο όρο εξοικονόμηση εισροών 8 έως 20% και αύξηση απόδοσης 2 έως 6%, με τις αναφερόμενες αποδόσεις επένδυσης να κυμαίνονται συνήθως μεταξύ 5 και 15%. Για τη λίπανση μεταβλητής δόσης ειδικότερα, οι τυπικές εξοικονομήσεις είναι 7 έως 12%. Η ίδια ανασκόπηση προειδοποιεί ότι οι πιο σύνθετες στρατηγικές δεν δίνουν αυτομάτως καλύτερα οικονομικά αποτελέσματα: σε μία μελέτη, μια στρατηγική με ενσωματωμένους αισθητήρες οδήγησε σε υπερβολική εξοικονόμηση αζώτου και σε απώλειες απόδοσης 3 έως 5% σε ορισμένα έτη. Συνεπώς, οι ακραίες τιμές στις εκθέσεις των έργων, όπως εξοικονομήσεις άνω του 40%, πρέπει να διαβάζονται ως αποτελέσματα για συγκεκριμένα χωράφια, εποχές και βάσεις αναφοράς, οι οποίες μπορεί να περιλαμβάνουν αναποτελεσματικές αρχικές πρακτικές. Δείχνουν δυναμικό και όχι μέση προσδοκία. Παράλληλα, η ανασκόπηση των Papadopoulos βρήκε επίσης ότι τα συστήματα πληροφόρησης διαχείρισης εκμεταλλεύσεων (farm management information systems) βελτίωσαν την απόδοση κατά 10 έως 15% στις μελέτες που εξετάστηκαν, και ότι οι τεχνολογίες μεταβλητής δόσης εξοικονόμησαν 20 έως 50% του νερού σε αμπελώνες και αχλαδιές, γεγονός που δείχνει και πάλι το ευρύ εύρος ανάλογα με το πλαίσιο. Το δίδαγμα είναι διπλό. Για τους γεωργούς και τους συμβούλους: αναζητήστε τεκμήρια από συνθήκες παρόμοιες με τις δικές σας και υπολογίστε τα οικονομικά της δικής σας εκμετάλλευσης. Για τους εκπαιδευτικούς: διδάξτε στους φοιτητές να διαβάζουν κριτικά το μέγεθος των επιδράσεων και να ρωτούν για τις βάσεις αναφοράς. Για συζήτηση: τι θα θέλατε να γνωρίζετε για μια εκμετάλλευση πριν προβλέψετε την εξοικονόμηση από την ακριβή διαχείριση του αζώτου;.

[Audio] Η δεύτερη περίπτωσή μας είναι η ιχνηλασιμότητα, για την οποία μιλήσαμε στην ενότητα 2. Ας παρουσιάσω δύο αντιθετικά τεκμήρια. Το πρώτο είναι το πιο γνωστό παράδειγμα παγκοσμίως: τα πιλοτικά προγράμματα της Walmart και της IBM για ιχνηλασιμότητα τροφίμων βασισμένη σε blockchain. Ο υπεύθυνος ασφάλειας τροφίμων της Walmart δοκίμασε πόσο χρόνο χρειαζόταν η ομάδα του για να εντοπίσει την προέλευση, μέχρι το αγρόκτημα, μιας συσκευασίας με φέτες μάνγκο, και χρειάστηκαν επτά ημέρες. Με μια λύση blockchain χτισμένη στο Hyperledger Fabric, η ίδια ιχνηλάτηση διήρκεσε 2,2 δευτερόλεπτα. Ένα παράλληλο πιλοτικό πρόγραμμα ιχνηλάτησε χοιρινό κρέας στην Κίνα. Μέχρι τον Σεπτέμβριο του 2018, σύμφωνα με δημοσιευμένες αναφορές, η Walmart ιχνηλατούσε πάνω από είκοσι πέντε προϊόντα από πέντε προμηθευτές, και αργότερα απαίτησε από τους προμηθευτές φυλλωδών λαχανικών να ανεβάζουν τα δεδομένα τους στο blockchain μέχρι τον Σεπτέμβριο του 2019. Εφαρμόστε τον φακό του οικοσυστήματος. Επρόκειτο για οικοσύστημα υπό την ηγεσία λιανεμπορικής εταιρείας, με πολύ ισχυρό ενορχηστρωτή. Η Walmart είχε την ισχύ της αγοράς για να υποχρεώσει τους προμηθευτές να συμμετάσχουν και να μοιραστούν δεδομένα. Γι' αυτό μπόρεσε να επιτύχει γρήγορα κρίσιμη μάζα. Οι περισσότερες αλυσίδες αγροδιατροφής στην Ευρώπη, με πολλούς μικρούς παραγωγούς και χωρίς κυρίαρχο ενορχηστρωτή, δεν διαθέτουν τέτοιο μοχλό. Σημειώστε επίσης ότι το βασικό αποτέλεσμα συγκρίνει μια χειροκίνητη ιχνηλάτηση σε χαρτί, μέσα από πολλούς εταίρους, με ένα ψηφιακό σύστημα φτιαγμένο ειδικά για τον σκοπό αυτό, επομένως η επιτάχυνση αντανακλά την ψηφιοποίηση γενικά και όχι μόνο το blockchain. Το δεύτερο τεκμήριο είναι ένας ευρωπαϊκός έλεγχος πραγματικότητας. Το έργο TRUSTyFOOD, που συντονίζεται από το Fraunhofer IML, αξιολόγησε μελέτες και έργα και εντόπισε περίπου 320 έργα blockchain στον αγροδιατροφικό τομέα, από τα οποία μόνο λίγα προχωρούν σε πλήρη λειτουργία. Εντοπίζει προκλήσεις όπως οι σύνθετες αλυσίδες εφοδιασμού, τα ετερογενή σιλό δεδομένων και η εμφάνιση απομονωμένων «νησίδων blockchain» (blockchain islands): συστημάτων που δεν συνδέονται μεταξύ τους. Η προσέγγισή του είναι να δημιουργήσει έναν ευρωπαϊκό οδικό χάρτη και να επικεντρωθεί σε περιπτώσεις χρήσης με σαφή πρόταση αξίας για τους διαχειριστές της αλυσίδας εφοδιασμού. Ας δούμε τώρα το νομικό πλαίσιο από την ενότητα 2. Η απαίτηση της ΕΕ «ένα βήμα πίσω, ένα βήμα μπροστά» σημαίνει ότι κάθε φορέας πρέπει ήδη να γνωρίζει τον προμηθευτή και τον πελάτη του. Τα ψηφιακά συστήματα το επεκτείνουν, αλλά εξαρτώνται από τα ίδια θεμελιώδη στοιχεία: κοινά αναγνωριστικά, συνεπή δεδομένα και εμπιστοσύνη ότι όσα καταχωρίζονται είναι αληθή. Ένα blockchain μπορεί να διατηρήσει μια καταγραφή, αλλά δεν μπορεί να την ελέγξει. Τα διδάγματα για το θέμα μας είναι σαφή. Η τεχνολογία από μόνη της δεν δημιουργεί οικοσύστημα ιχνηλασιμότητας. Σημασία έχουν το ποιος ενορχηστρώνει, αν οι συμμετέχοντες μοιράζονται πρότυπα, αν η ποιότητα των δεδομένων ελέγχεται στην πηγή και αν τα οφέλη, όπως οι ταχύτερες ανακλήσεις προϊόντων, η πρόσβαση σε premium αγορές ή η συμμόρφωση με κανόνες όπως ο Κανονισμός για την Αποψίλωση των Δασών, δικαιολογούν το κόστος για κάθε συμμετέχοντα. Η διαλειτουργικότητα μεταξύ των συστημάτων είναι η επόμενη πρόκληση, η οποία οδηγεί στην τρίτη μας περίπτωση. Για συζήτηση: στην αλυσίδα του προϊόντος σας, ποιος θα μπορούσε να παίξει τον ρόλο του ενορχηστρωτή για την ιχνηλασιμότητα και τι θα έκανε τους μικρότερους φορείς πρόθυμους να συμμετάσχουν;.

[Audio] Η τρίτη μας περίπτωση αποτελεί μια πολύ πρακτική απεικόνιση των ζητημάτων διαλειτουργικότητας από την ενότητα 3. Το σημείο εκκίνησης είναι η βελγική εταιρεία AVR, η οποία κατασκευάζει μηχανήματα συγκομιδής πατάτας. Κατά τη διάρκεια της συγκομιδής, τα μηχανήματά της συλλέγουν δεδομένα για το χωράφι, την ποικιλία της πατάτας, την απόδοση, τις συνθήκες του εδάφους και τις εργασίες στον αγρό. Η AVR όμως πουλά μηχανήματα σε όλο τον κόσμο, σε γεωργούς και εργολάβους που χρησιμοποιούν διαφορετικά πακέτα λογισμικού, συχνά συνδεδεμένα με τη δική τους περιφερειακή πλατφόρμα διαμοιρασμού δεδομένων. Φανταστείτε έναν Φινλανδό γεωργό με συλλεκτική μηχανή AVR, ο οποίος θέλει να δει τα δεδομένα συγκομιδής στο φινλανδικό σύστημα διαχείρισης της εκμετάλλευσης. Πριν από την ψηφιακή γέφυρα, σύμφωνα με την ίδια την αφήγηση της AVR, η εταιρεία έπρεπε να επικοινωνήσει με τις άλλες πλατφόρμες και να κάνει πρόσθετες τεχνικές εργασίες ανάπτυξης, παρόλο που διέθετε ήδη σύνδεση μέσω διεπαφής προγραμματισμού εφαρμογών (API) με τη φλαμανδική πλατφόρμα DjustConnect. Σε ακραίες περιπτώσεις έπρεπε να ζητήσει από Φινλανδούς γεωργούς να εγγραφούν στη φλαμανδική πλατφόρμα. Οι Γάλλοι γεωργοί αντιμετώπιζαν παρόμοιο πρόβλημα: πολλοί χρησιμοποιούν το γαλλικό λογισμικό MyEasyFarm, αλλά χωρίς γέφυρα προς το DjustConnect ορισμένοι έχαναν σημαντικά δεδομένα από τις συλλεκτικές μηχανές τους. Η λύση ήρθε σε δύο επίπεδα. Σε τεχνικό επίπεδο, τον Ιούνιο του 2024, οι τρεις πλατφόρμες, το DjustConnect από τη Φλάνδρα, το Tritom από τη Φινλανδία και το Agdatahub από τη Γαλλία, υπέγραψαν μνημόνιο συνεννόησης για τη διασύνδεσή τους. Σε οργανωτικό και νομικό επίπεδο, ένας Φινλανδός εταίρος, η 1001 Lakes, βοήθησε στη σύνταξη του κανονισμού Potato-X (Potato-X rulebook), μιας συμφωνίας που θεσπίζει ένα κοινό πλαίσιο για το δίκτυο. Κεντρικό στοιχείο αυτού του κανονισμού είναι η εξουσιοδότηση από τον γεωργό (farmer permissioning): κάθε διαμοιρασμός δεδομένων που δημιουργούνται από τον γεωργό υπόκειται σε διαδικασία συναίνεσης, την οποία ο γεωργός ελέγχει πλήρως. Αργότερα, η MyEasyFarm ανακοίνωσε μια ενσωμάτωση με την AVR και το ILVO μέσω του DjustConnect. Οι παραγωγοί πατάτας μπορούν πλέον να ανταλλάσσουν αυτόματα τα όρια των αγρών, λεπτομερείς χάρτες απόδοσης και τεχνικούς δείκτες καλλιέργειας ανάμεσα στις συλλεκτικές μηχανές AVR και την πλατφόρμα MyEasyFarm, ενώ τα δεδομένα μπορούν να μοιράζονται μόνο με τη ρητή συναίνεση του γεωργού. Ας τη διαβάσουμε μέσα από τους φακούς μας. Διαλειτουργικότητα: η περίπτωση αγγίζει και τα τέσσερα επίπεδα που περιγράψαμε, το τεχνικό, με τις διεπαφές, το σημασιολογικό, με τις κοινές περιγραφές δεδομένων, το οργανωτικό, με τον κανονισμό, και το νομικό, με τη συναίνεση και την κυριαρχία επί των δεδομένων. Οικοσύστημα: ένας κατασκευαστής, ένα δημόσιο ερευνητικό ινστιτούτο που λειτουργεί μια ουδέτερη πλατφόρμα, εταιρείες λογισμικού και η συναίνεση των γεωργών ως πύλη. Επιχειρηματικό μοντέλο: οι γεωργοί μπορούν να χρησιμοποιούν το DjustConnect δωρεάν, ο κατασκευαστής εξοικονομεί επαναλαμβανόμενη εργασία ενσωμάτωσης και η εταιρεία λογισμικού αποκτά πρόσβαση σε καλύτερα δεδομένα. Το ILVO αναφέρει επίσης ότι οι γεωργοί έλαβαν κατά μέσο όρο εννέα αιτήματα διαμοιρασμού δεδομένων στον πίνακα ελέγχου (dashboard) τους και ότι αναπτύσσονται νέες δυνατότητες, όπως η ομαδική διαχείριση δεδομένων και τα θησαυροφυλάκια δεδομένων (data vaults), όπου τα ευαίσθητα δεδομένα παραμένουν στην εκμετάλλευση. Το δίδαγμα είναι ότι η διαλειτουργικότητα έχει επιχειρηματική αξία για κάθε εμπλεκόμενο, αλλά απαιτεί ουδέτερη υποδομή, κοινούς κανόνες και την εμπιστοσύνη των γεωργών..

[Audio] Η τέταρτη περίπτωσή μας επιστρέφει στο DIVINE, το έργο του Ορίζων Ευρώπη που παρουσιάσαμε στην ενότητα 3 για να δοκιμάσει το κόστος και το όφελος του διαμοιρασμού γεωργικών δεδομένων. Διήρκεσε από τον Οκτώβριο του 2022 έως τον Ιανουάριο του 2026, με τέσσερα πιλοτικά προγράμματα σε πραγματικές συνθήκες. Στη Σλοβενία, το πιλοτικό πρόγραμμα υπό την ηγεσία του Συμπλέγματος Τεχνολογίας Καινοτομίας (Innovation Technology Cluster) και του Επιμελητηρίου Γεωργίας και Δασοκομίας στο Murska Sobota ανέπτυξε εργαλεία συγκριτικής αξιολόγησης (benchmarking) για την αγελαδοτροφία και την χοιροτροφία. Συνέδεσε δεκατέσσερις δημόσιες και ιδιωτικές πηγές δεδομένων, και τριάντα γαλακτοπαραγωγοί και οκτώ χοιροτρόφοι απέκτησαν τριετή εικόνα της οικονομικής και περιβαλλοντικής απόδοσης των εκμεταλλεύσεών τους, με αυτοματοποιημένη καταχώριση δεδομένων και βελτιωμένη συμβουλευτική υποστήριξη. Στην Ελλάδα, το πιλοτικό πρόγραμμα υπό την ηγεσία της NEUROPUBLIC συνδύασε 88 ψηφιακά ημερολόγια εκμεταλλεύσεων και δέκα αγροπεριβαλλοντικούς σταθμούς IoT, συνέδεσε δεδομένα διαχείρισης εκμεταλλεύσεων μέσω διεπαφών και σημασιολογικών μεταφραστών, και αυτοματοποίησε τον υπολογισμό δεικτών της ΚΑΠ, κάτι που συνδέεται με όσα συζητήσαμε για την ΚΑΠ στην ενότητα 5. Είκοσι ένας γεωργοί έλαβαν εξατομικευμένες συμβουλές βασισμένες σε δεδομένα. Στην Ισπανία, το πιλοτικό πρόγραμμα ενσωμάτωσε δεδομένα από περισσότερους από εκατό μετεωρολογικούς σταθμούς, αισθητήρες, λογισμικό διαχείρισης εκμεταλλεύσεων, γεωργικά ημερολόγια και εικόνες για την παραγωγή ελιάς και αμυγδάλου. Στην Ιρλανδία, ένα πιλοτικό πρόγραμμα 56 εκταρίων σε σιτηρά δοκίμασε τρία εργαλεία υποστήριξης αποφάσεων. Ας εφαρμόσουμε τώρα τον φακό των τεκμηρίων. Το έργο αναφέρει ενδεικτικά αποτελέσματα για το ελληνικό πιλοτικό πρόγραμμα: για τα σταφύλια, 102% περισσότερη παραγωγή σε τρία έτη, 55% σε δύο γύρους πιλοτικής εφαρμογής, 16% λιγότερη άρδευση και 46% λιγότερη χρήση φυτοπροστατευτικών· για τις ελιές, 120% περισσότερη παραγωγή σε δύο γύρους πιλοτικής εφαρμογής, 24% λιγότερη άρδευση, 15% λιγότερη λίπανση και 37% λιγότερη χρήση φυτοπροστατευτικών. Το ισπανικό πιλοτικό πρόγραμμα αναφέρει συνολικές μειώσεις των δεικτών περιβαλλοντικού αντικτύπου μεταξύ 21 και 30%. Πρόκειται για μεγάλους αριθμούς, πολύ μεγαλύτερους από τη μέση εξοικονόμηση εισροών 8 έως 20% και την αύξηση απόδοσης 2 έως 6% που βρήκε η ανεξάρτητη ανασκόπηση που είδαμε στην Περίπτωση 1. Το δημοσίευμα δεν αναφέρει ποια ήταν η βάση αναφοράς, αν υπήρχε ομάδα ελέγχου, πόσες εκμεταλλεύσεις συνέβαλαν σε κάθε αριθμό ή αν λήφθηκαν υπόψη οι καιρικές διαφορές μεταξύ των ετών. Αυτό δεν σημαίνει ότι τα αποτελέσματα είναι λανθασμένα. Σημαίνει ότι, πριν τα παραθέσετε, πρέπει να διαβάσετε την πλήρη μελέτη περίπτωσης του πιλοτικού προγράμματος, την οποία το έργο δημοσιεύει, και να εξετάσετε τον σχεδιασμό. Είναι εξαιρετική άσκηση για τους φοιτητές. Αυτό που ξεχωρίζει για τους σκοπούς μας είναι η διαδικασία: το DIVINE αναφέρει ότι το ελληνικό πιλοτικό πρόγραμμα αντιμετώπισε προβλήματα ποιότητας δεδομένων, έλλειψη διαλειτουργικότητας, εγκλωβισμό σε λογισμικό διαχείρισης εκμεταλλεύσεων (software lock-in) και απροθυμία των γεωργών να μοιραστούν δεδομένα, δηλαδή ακριβώς τα εμπόδια που συζητήσαμε στην ενότητα 3. Και τα πιλοτικά προγράμματά του δείχνουν ότι αξία δημιουργείται όταν συνδυάζονται δεδομένα από διαφορετικές πηγές, για παράδειγμα σε συγκριτικούς δείκτες ή σε δείκτες της ΚΑΠ, κάτι που καμία εκμετάλλευση δεν θα μπορούσε να παραγάγει μόνη της. Για συζήτηση: ποια ερωτήματα θα θέτατε στην ομάδα του έργου πριν προτείνετε αυτά τα εργαλεία σε γεωργούς της περιφέρειάς σας;.

[Audio] Η τελευταία μας περίπτωση αφορά την ανθρώπινη διάσταση: πώς τα ψηφιακά εργαλεία φτάνουν στους συμβούλους και στους γεωργούς και πώς καλλιεργούνται οι δεξιότητες. Θα χρησιμοποιήσω τρία παραδείγματα, δύο από τα οποία αφορούν εταίρους του TALLHEDA. Το πρώτο είναι το agros.ai, μια ψηφιακή πλατφόρμα γεωργίας που δημιουργήθηκε από την Smart Agro Hub με την υποστήριξη του Γεωπονικού Πανεπιστημίου Αθηνών. Έχει σχεδιαστεί για γεωργούς, γεωπόνους και επιχειρήσεις σε μία κοινή πλατφόρμα. Για τους γεωργούς προσφέρει δωρεάν χρήση έως και δέκα αγροτεμάχια και στη συνέχεια ένα ευρώ ανά πρόσθετο αγροτεμάχιο ετησίως, με εισαγωγή αγροτεμαχίων από το ελληνικό Σύστημα Αναγνώρισης Αγροτεμαχίων, δεκατετραήμερη πρόγνωση καιρού, δορυφορικές εικόνες NDVI, πρόβλεψη σταδίου καλλιέργειας, σημειώσεις με φωτογραφίες και βίντεο, και πρόσβαση σε δίκτυο επαγγελματιών γεωπόνων. Το χαρακτηριστικό επικοινωνίας μεταξύ γεωργών και γεωπόνων περιγράφεται από τους δημιουργούς ως το πρώτο του είδους του, με λειτουργίες προσαρμοσμένες στις ροές εργασίας της γεωργίας. Ας το διαβάσουμε μέσα από τους φακούς μας. Επιχειρηματικό μοντέλο: λογική freemium, όπως συζητήσαμε στην ενότητα 4, στην οποία το εμπόδιο εισόδου είναι πολύ χαμηλό για τους μικρούς γεωργούς και η αξία του δικτύου συμβούλων και επιχειρήσεων αυξάνεται με τη χρήση. Πηγές δεδομένων: χρησιμοποιεί ανοικτά δεδομένα, όπως δορυφορικές εικόνες και όρια αγροτεμαχίων από δημόσια μητρώα, κάτι που συνδέεται με τις ενότητες 2 και 5. Οικοσύστημα: η πλατφόρμα συνδέει τον γεωργό με τον σύμβουλο, ο οποίος είναι ο έμπιστος διαμεσολαβητής στο AKIS και τον οποίο η έρευνα για την ψηφιοποίηση των δικτύων γεωργικής γνώσης και παροχής συμβουλών προσδιορίζει ως βασικό τομέα αλλαγής. Παρακαλώ ελέγξτε τις τρέχουσες τιμές και λειτουργίες στον ιστότοπο της πλατφόρμας, καθώς ενδέχεται να αλλάξουν. Το δεύτερο παράδειγμα είναι το TRUST-FOOD, ένα έργο του Ψηφιακή Ευρώπη που διήρκεσε από το 2023 έως το 2025 και αφορούσε προηγμένες ψηφιακές δεξιότητες σε blockchain για αξιόπιστες αλυσίδες εφοδιασμού τροφίμων. Προσφέρει είκοσι σύντομα μαθήματα σε επτά γλώσσες, μεταξύ των οποίων και τα ελληνικά, με στόχο την επανεκπαίδευση και την αναβάθμιση δεξιοτήτων των εργαζομένων, ιδίως στις μικρομεσαίες επιχειρήσεις, και των ανέργων. Καλύπτει πρακτικές εφαρμογές του blockchain, όπως η ιχνηλασιμότητα και τα έξυπνα συμβόλαια, και συντονίζεται από την Rezos Brands, με την Smart Agro Hub να ηγείται της επικοινωνίας. Θυμηθείτε το εύρημα του TRUSTyFOOD ότι λίγα έργα blockchain φτάνουν σε πλήρη λειτουργία: η κατάρτιση είναι ένας τρόπος να αντιμετωπιστεί το κενό ικανοτήτων που βρίσκεται πίσω από αυτό. Το τρίτο παράδειγμα είναι το ίδιο το TALLHEDA. Το φυλλάδιο Ψηφιακών Εργαλείων του έργου, που δημοσιεύθηκε το 2025, ενημερώνει παραγωγούς, γεωπόνους, φοιτητές και ερευνητές για σύγχρονα ψηφιακά εργαλεία. Οι επισκέψεις ανταλλαγής ιδεών (brainstorming) συζήτησαν την τεχνητή νοημοσύνη και την ανάλυση δεδομένων, το blockchain και την τεχνολογία κατανεμημένου καθολικού, και τους ψηφιακούς διδύμους. Και οι κινητικότητες προσωπικού φέρνουν πανεπιστημιακούς ερευνητές σε χώρους πεδίου: η Smart Agro Hub ανέφερε μια τριήμερη κινητικότητα ερευνητών του Γεωπονικού Πανεπιστημίου Αθηνών στις 27 έως 29 Απριλίου 2026, η οποία κάλυψε τον απομακρυσμένο έλεγχο άρδευσης, μονάδες λιπάνσιμης (fertigation), μετρήσεις πεδίου μέσω κινητής εφαρμογής και ζωντανή πτήση drone με πολυφασματικές και θερμικές κάμερες. Το κοινό δίδαγμα είναι ότι η υιοθέτηση της τεχνολογίας εξαρτάται από έμπιστους διαμεσολαβητές και από δεξιότητες. Μια πλατφόρμα χαμηλού κόστους, ένα δίκτυο συμβούλων και η πρακτική κατάρτιση αποτελούν μαζί ένα οικοσύστημα στο οποίο μπορούν να συνδεθούν οι μεμονωμένοι γεωργοί..

[Audio] Ας συγκρίνουμε τις πέντε περιπτώσεις και ας εξαγάγουμε διδάγματα που μπορείτε να χρησιμοποιήσετε στη διδασκαλία, στη συμβουλευτική και στον σχεδιασμό έργων. Πρώτον, η αξία εξαρτάται από το πλαίσιο. Στην περίπτωση της διαχείρισης καλλιεργειών ακριβείας, τα έργα ανέφεραν μεγάλες εξοικονομήσεις, ενώ οι ανεξάρτητες ανασκοπήσεις βρήκαν πιο μετρημένους μέσους όρους και έδειξαν ότι η πολυπλοκότητα δεν εγγυάται καλύτερα οικονομικά αποτελέσματα. Όταν διαβάζετε αποτελέσματα, ζητήστε τη βάση αναφοράς, το δείγμα, το χρονικό διάστημα και την πηγή. Δεύτερον, ο ενορχηστρωτής έχει σημασία. Στην περίπτωση της Walmart, ένας κυρίαρχος λιανέμπορος μπόρεσε να δημιουργήσει κρίσιμη μάζα απαιτώντας τη συμμετοχή. Στην περίπτωση του DjustConnect, ένα ουδέτερο δημόσιο ερευνητικό ινστιτούτο έχτισε εμπιστοσύνη ανάμεσα σε συνεταιρισμούς, εταιρείες και γεωργούς. Στις κατακερματισμένες αλυσίδες της Ευρώπης, η ουδέτερη και καλά διακυβερνώμενη ενορχήστρωση είναι συχνά ο ρεαλιστικός δρόμος. Τρίτον, η διαλειτουργικότητα χρειάζεται περισσότερα από τεχνολογία. Η περίπτωση της συλλεκτικής μηχανής πατάτας απαίτησε γέφυρες μεταξύ πλατφορμών, έναν κοινό κανονισμό και τη συναίνεση των γεωργών. Χρειάστηκαν και τα τέσσερα επίπεδα: το τεχνικό, το σημασιολογικό, το οργανωτικό και το νομικό. Τέταρτον, ο διαμοιρασμός δεδομένων δημιουργεί αξία συνδυάζοντας πηγές, όπως στα πιλοτικά προγράμματα συγκριτικής αξιολόγησης και παρακολούθησης της ΚΑΠ του DIVINE. Όμως η ποιότητα των δεδομένων, ο εγκλωβισμός (lock-in) και η απροθυμία των γεωργών αποτέλεσαν τα επαναλαμβανόμενα σημεία συμφόρησης. Πέμπτον, οι σύμβουλοι, οι συνεταιρισμοί, οι πλατφόρμες με χαμηλές τιμές εισόδου και η κατάρτιση αποτελούν μέρος του οικοσυστήματος. Χωρίς αυτά, ακόμη και η καλή τεχνολογία μένει στο ράφι. Αυτό είναι το νόημα έργων όπως το TALLHEDA και το TRUST-FOOD. Έκτον, η χρηματοδότηση και το επιχειρηματικό μοντέλο πρέπει να επιβιώνουν μετά το έργο, δίδαγμα από την ενότητα 4 που επιβεβαιώνεται από πολλές από τις περιπτώσεις, αφού αρκετές από αυτές χρηματοδοτήθηκαν μέσω έργων. Τώρα η άσκηση. Επιλέξτε μια περίπτωση ψηφιακής γεωργίας από την περιφέρειά σας, πραγματική αν είναι δυνατόν, ή μία από όσες είδαμε. Αναλύστε την με τους έξι φακούς: πρόβλημα και εμπλεκόμενοι φορείς· στάδιο της αλυσίδας και τεχνολογία· ροές δεδομένων και διακυβέρνηση· ρόλοι στο οικοσύστημα· επιχειρηματικό μοντέλο και ποιος πληρώνει· τεκμήρια και όρια. Γράψτε μία παράγραφο για κάθε φακό και ολοκληρώστε με δύο διδάγματα και μία ερώτηση που θα θέτατε στους ανθρώπους πίσω από την περίπτωση. Πρόκειται για μια καλή μορφή εργασίας για φοιτητές ή για εργαστήριο με συμβούλους. Αν παρακολουθείτε ζωντανά, μοιραστείτε ένα δίδαγμα στη συνομιλία (chat). Αν παρακολουθείτε την καταγραφή, κάντε παύση εδώ για περίπου δέκα λεπτά. Στην επόμενη ενότητα στρεφόμαστε στους ανθρώπους και τους θεσμούς: τις δεξιότητες που απαιτεί αυτός ο μετασχηματισμός και τον ρόλο της ανώτατης εκπαίδευσης, κάτι που μας φέρνει πίσω στην κεντρική αποστολή του TALLHEDA..

References. Agdatahub / ILVO / DataSpace Europe (2024). Agdatahub networks with ILVO (Flanders) and DataSpace Europe (Finland). https://agdatahub.eu/en/agdatahub-reseau-ilvo-dataspace-europe/ agros (Smart Agro Hub). Digital farming, made simple. https://agros.ai/en DIVINE project. News and pilot overviews (Pilots 1-4); Pilots. https://divine-project.eu/news ; https://divine-project.eu/pilots DjustConnect / ILVO (2024). ILVO and DjustConnect pull off first transnational Data Space. https://www.djustconnect.be/en/ilvo-and-djustconnect-pull-first-transnational-data-space ILVO (2024). ILVO kicks off the first transnational agrifood Data Space. https://ilvo.vlaanderen.be/en/news/first-transnational-agrifood-data-space ILVO (2025). DjustConnect celebrates its fifth birthday with strong growth. https://ilvo.vlaanderen.be/en/news/djustconnect-celebrates-fifth-birthday-with-solid-growth 1001 Lakes. Realizing the value of networked data, Part 1: Potato farming (Potato-X). https://1001lakes.com/realizing-the-value-of-networked-data-part-1-potato-farming/ Fielke, S., Taylor, B. & Jakku, E. (2020). Digitalisation of agricultural knowledge and advice networks: a state-of-the-art review. Agricultural Systems, 180, 102763. https://doi.org/10.1016/j.agsy.2019.102763 Fraunhofer IML. TRUSTyFOOD: stakeholder-driven pathways for blockchain implementation in the agri-food sector. https://www.iml.fraunhofer.de/en/projects/2022/trustyfood-blockchain-technologie-agricultural-food-sector.html IoF2020. Internet of Food and Farm 2020 (CORDIS project 731884). https://cordis.europa.eu/project/id/731884 Kovács, E. & Szőllősi, L. (2026). Economic aspects of precision crop production: a systematic literature review. Agriculture, 16(7), 820. https://doi.org/10.3390/agriculture16070820 MyEasyFarm (2025). Interoperability: MyEasyFarm and AVR via DjustConnect. https://www.myeasyfarm.com/en/category/press-releases/ Papadopoulos, G., Arduini, S., Uyar, H., Psiroukis, V., Kasimati, A. & Fountas, S. (2024). Economic and environmental benefits of digital agricultural technologies in crop production: a review. Smart Agricultural Technology, 8, 100441. https://www.sciencedirect.com/science/article/pii/S2772375524000467 TALLHEDA project (2025). Booklet: Digital Tools. Zenodo. https://zenodo.org/records/17243349 ; 1st and 2nd Brainstorming Visits to the Agricultural University of Athens. https://zenodo.org/records/17242335 ; https://zenodo.org/records/17242918 TRUST-FOOD project (2023-2025). Advanced Digital Skills on Blockchain for Trusted Food Supply Chains (GA 101100804). https://trustfoodproject.eu/ ; https://zenodo.org/records/15348956 World Economic Forum (2019). Walmart is betting on the blockchain to improve food safety. https://www.weforum.org/stories/2019/01/walmart-is-betting-on-the-blockchain-to-improve-food-safety/ Kamath, R. (2018). Food traceability on blockchain: Walmart’s pork and mango pilots with IBM. The Journal of the British Blockchain Association, 1(1), 3712..

[Audio] Σας ευχαριστώ. thank you!. TALLHEDA has received funding from the European Union's Horizon Europe research and innovation programme under Grant Agreement No. 101136578. Funded by the European Union. Views and opinions expressed are however those of the author(s) only and do not necessarily reflect those of the European Union or the European Research Executive Agency (REA). Neither the European Union nor the granting authority can be held responsible for them..