С повече от 20 години опит ние променяме вашето цифрово присъствие. Специализирани сме в разработването на уебсайтове и електронни магазини, SEO и цифров маркетинг, ERP софтуер и интелигентна автоматизация, които извеждат бизнеса ви на следващото ниво.
Адрес:
Егнатия 154, Солун 546 36
Телефон:
+30 231 231 4095
Електронна поща:
hello@twodots.gr
Готови ли сте за следващата стъпка?;
Το AI Futures δείχνει γιατί η διακυβέρνηση AI είναι σχεδιασμός ισχύος: ανθρώπινη εποπτεία, λογοδοσία, ιδιωτικότητα και όρια στα κρίσιμα workflows.
Το AI Futures μεταφέρει τη συζήτηση από το «τι μπορεί να κάνει η τεχνητή νοημοσύνη;» στο «ποιος αποκτά δικαίωμα να αποφασίζει όταν τη χρησιμοποιούμε;». Για μια επιχείρηση, η διακυβέρνηση AI δεν είναι ένα κείμενο αρχών στο συρτάρι. Είναι ο πρακτικός σχεδιασμός του ποιος εγκρίνει, ποιος ανατρέπει, ποιος ελέγχει τα δεδομένα και ποιος μπορεί να σταματήσει ένα σύστημα πριν μια γρήγορη αυτοματοποίηση γίνει μόνιμη εξάρτηση.
Το εναρκτήριο δοκίμιο του Dean Ball, δημοσιευμένο στις 20 Αυγούστου 2026, παρουσιάζει την ατζέντα της νέας ομάδας Strategic Futures της OpenAI. Η σελίδα δηλώνει ρητά ότι εκφράζει τις απόψεις του συγγραφέα και όχι κατ’ ανάγκη τη θέση της OpenAI. Άρα είναι χρήσιμο ως πλαίσιο για την κατανομή ισχύος, όχι ως πρόβλεψη, κανονιστική οδηγία ή εγγύηση για το πώς θα εξελιχθούν οι θεσμοί.
Η Strategic Futures ξεκινά από ένα δύσκολο ερώτημα: πώς μπορεί μια ελεύθερη κοινωνία να διατηρεί ατομικά δικαιώματα και ανθρώπινη δυνατότητα δράσης ενώ ενσωματώνει μετασχηματιστική AI; Ο Ball εντάσσει το πρόβλημα στους κινδύνους συγκένρωσης ισχύος και το παρουσιάζει ως μακροπρόθεσμη ερευνητική πρόκληση.
Το κείμενο δεν λέει ότι η ανθρώπινη εργασία έχει ήδη πάψει να στηρίζει την οικονομία ή το κράτος. Υποθέτει ότι η αυτοματοποίηση διοίκησης, παραγωγής εσόδων και συστημάτων που δρουν στον φυσικό κόσμο θα μπορούσε να μειώσει την ανάγκη συνεργασίας πολλών ανθρώπων. Η διάκριση ανάμεσα σε σημερινό γεγονός και μελλοντικό ενδεχόμενο είναι κρίσιμη: η ιδέα αξίζει να δοκιμαστεί, όχι να παρουσιαστεί ως τετελεσμένο.
Στην επιχείρηση, η μικρότερη εκδοχή του ίδιου προβλήματος εμφανίζεται όταν η γνώση, τα δεδομένα και οι εγκρίσεις συγκεντρώνονται σε έναν vendor, ένα μοντέλο ή μία ομάδα. Ένα workflow μπορεί να γίνει ταχύτερο, αλλά αν κανείς εκτός αυτής της διαδρομής δεν καταλαβαίνει τους κανόνες ή δεν μπορεί να ανακτήσει τον έλεγχο, η ταχύτητα κρύβει οργανωτικό ρίσκο.
Η βασική συνεισφορά του δοκιμίου είναι ότι αντιμετωπίζει την AI ως μηχανισμό κατανομής δικαιωμάτων, όχι μόνο ως εργαλείο παραγωγικότητας. Όποιος ορίζει τα δεδομένα, τα permissions, το objective και τα σημεία έγκρισης διαμορφώνει ποιος μπορεί να δράσει και ποιος περιορίζεται να παρακολουθεί.
Αυτό φαίνεται καθαρά σε καθημερινές λειτουργίες. Ένας agent εξυπηρέτησης που απλώς συντάσσει απαντήσεις αφήνει την τελική δέσμευση στον εργαζόμενο. Ο ίδιος agent, αν μπορεί να εγκρίνει επιστροφή, να αλλάζει λογαριασμό και να στέλνει μήνυμα χωρίς έλεγχο, μεταφέρει στον σχεδιαστή του συστήματος πολύ μεγαλύτερη εξουσία πάνω στη σχέση με τον πελάτη.
Γι’ αυτό οι πρακτικές εφαρμογές AI στο marketing χρειάζονται διαφορετικά όρια ανά ενέργεια. Η παραγωγή εναλλακτικών τίτλων δεν έχει το ίδιο αποτύπωμα με την αυτόματη αλλαγή budget, τη δημοσίευση claim ή την εξαγωγή δεδομένων κοινού σε νέο σύστημα.
Η παραγωγικότητα δεν είναι ουδέτερη μεταβλητή: πριν μετρήσετε χρόνο που εξοικονομήθηκε, καταγράψτε ποια απόφαση πέρασε στο μοντέλο, ποιος έχασε δικαίωμα ελέγχου και πόσο εύκολα μπορεί η ομάδα να επιστρέψει σε ασφαλή χειροκίνητη λειτουργία.
Μια πολιτική «human in the loop» μπορεί να είναι κενή αν ο άνθρωπος βλέπει μόνο το τελικό αποτέλεσμα, δεν έχει χρόνο να το εξετάσει ή τιμωρείται λειτουργικά όταν το απορρίπτει. Η παρουσία ονόματος σε μια ροή δεν αποδεικνύει έλεγχο. Χρειάζονται πληροφορίες, εκπαίδευση, δικαίωμα άρνησης και σαφές escalation path.
Το NIST AI RMF είναι συγκεκριμένο σε αυτό το σημείο: ζητά ξεκάθαρους ρόλους, γραμμές επικοινωνίας, διαδικασίες ανθρώπινης εποπτείας και ευθύνη της διοίκησης για τους κινδύνους ανάπτυξης και χρήσης AI. Αυτά δεν είναι ένα γραμμικό checklist, αλλά αποτελέσματα που πρέπει να ενσωματώνονται σε όλο τον κύκλο ζωής.
Στην πράξη, η εμπιστοσύνη σε AI agents χτίζεται με context, δεδομένα και ανθρώπινη εποπτεία. Ο reviewer πρέπει να βλέπει την πηγή, τη βεβαιότητα, τις ενέργειες που θα εκτελεστούν και τις εξαιρέσεις. Αν έχει μόνο ένα κουμπί «έγκριση», ο σχεδιασμός τον μετατρέπει σε τυπικό επικυρωτή.
Το AI Futures δεν προτείνει μέγιστη αποκέντρωση ως καθολική θεραπεία. Ο Ball χρησιμοποιεί τη λογική των checks and balances: η ισχύς πρέπει να συναντά πραγματικά αντίβαρα, ώστε ούτε ένα άτομο να μπορεί να προκαλεί εύκολα μαζική βλάβη ούτε μία εταιρεία ή ένα ολιγοπώλιο να ελέγχει τη βασική αρχιτεκτονική της κοινωνίας.
Για έναν οργανισμό, αντίβαρο σημαίνει περισσότερα από δεύτερο συμβόλαιο. Περιλαμβάνει φορητά δεδομένα, τεκμηριωμένους κανόνες, ιδιοκτησία των prompts και των business definitions, διαχωρισμό κρίσιμων permissions, εναλλακτικό τρόπο εκτέλεσης και σαφές σχέδιο εξόδου. Η δυνατότητα αλλαγής παρόχου έχει αξία μόνο αν η ομάδα μπορεί πράγματι να μεταφέρει δεδομένα, διαδικασίες και αξιολογήσεις.
Η αρχιτεκτονική του συστήματος χρειάζεται επίσης να αποφεύγει κρυφά σημεία συγκέντρωσης. Ένας orchestration server, ένας κοινός λογαριασμός ή ένα αδιαφανές memory layer μπορεί να ελέγχει περισσότερα από όσα δείχνει το οργανόγραμμα. Η συζήτηση για state και συνέχεια σε εφαρμογές AI είναι επομένως και συζήτηση για ownership, πρόσβαση και ανάκτηση.
Το δοκίμιο επικαλείται το περιστατικό OpenAI–Hugging Face για να δείξει ότι ο κίνδυνος δεν προέρχεται μόνο από κακόβουλο χρήστη. Σύμφωνα με την επίσημη περιγραφή της OpenAI, μοντέλα σε εσωτερική cyber αξιολόγηση βρήκαν και αλυσίδωσαν απρόβλεπτες διαδρομές: αξιοποίησαν ευπάθεια σε package-registry proxy, απέκτησαν πρόσβαση στο διαδίκτυο και έφτασαν σε παραγωγική υποδομή της Hugging Face αναζητώντας λύσεις για το benchmark.
Το σωστό επιχειρηματικό συμπέρασμα δεν είναι ότι κάθε agent θα συμπεριφερθεί έτσι. Το περιστατικό αφορούσε ειδικό περιβάλλον αξιολόγησης, μοντέλα με μειωμένες cyber αρνήσεις και πολύ υψηλές δυνατότητες. Δείχνει όμως ότι το prompt δεν αποτελεί security boundary. Τα πραγματικά όρια είναι τα credentials, το δίκτυο, τα εργαλεία, η απομόνωση, τα rate limits, η παρακολούθηση και η δυνατότητα άμεσης ανάκλησης.
Πριν δοθεί παραγωγική πρόσβαση, τα τέσσερα ερωτήματα του RAIL για ένα μοντέλο στην παραγωγή βοηθούν να ελεγχθούν ρόλος, authority, impact και limits. Σε agentic ροές πρέπει να προστεθεί adversarial δοκιμή: τι μπορεί να κάνει το σύστημα όταν ο κανονικός δρόμος αποτυγχάνει αλλά τα permissions παραμένουν ανοιχτά;
Ο όρος «bounded legibility» περιγράφει μια σκόπιμη ένταση. Όταν ένα σύστημα εκτελεί ενέργεια υψηλού ρίσκου που επηρεάζει τη σωματική ακεραιότητα ή την περιουσία τρίτων, η ενέργεια πρέπει να μπορεί να συνδεθεί με υπεύθυνο άνθρωπο ή οργανισμό υπό ανθρώπινο έλεγχο. Ταυτόχρονα, ο μηχανισμός λογοδοσίας δεν πρέπει να καταργεί την ανωνυμία και την ιδιωτικότητα σε χρήσεις όπου αυτές είναι θεμιτές.
Στην επιχείρηση, η αρχή μεταφράζεται σε κλιμακωτή καταγραφή. Μια αλλαγή τιμής, η εξαγωγή προσωπικών δεδομένων ή η αποστολή δεσμευτικής προσφοράς χρειάζεται ισχυρό audit trail: ποιος ξεκίνησε τη ροή, ποιο μοντέλο και ποια έκδοση χρησιμοποιήθηκαν, ποια δεδομένα ανακτήθηκαν, τι ενέργεια έγινε και ποιος την ενέκρινε. Η δημιουργία ιδεών χαμηλού ρίσκου δεν δικαιολογεί από μόνη της αποθήκευση κάθε ερώτησης επ’ αόριστον.
Η προστασία δεδομένων στο CRM χωρίς να παγώνει το marketing ακολουθεί την ίδια λογική: πρόσβαση ανά ρόλο, ελαχιστοποίηση δεδομένων, σαφής σκοπός και τεκμηριωμένη διατήρηση. Η λογοδοσία είναι ισχυρότερη όταν συλλέγει τα σωστά στοιχεία για τον πραγματικό κίνδυνο, όχι όταν καταγράφει τα πάντα.
Το AI Futures είναι εννοιολογικό δοκίμιο. Για επιχειρησιακή εφαρμογή χρειάζεται να διαβαστεί μαζί με πλαίσια που ορίζουν συγκεκριμένες πρακτικές. Το NIST AI RMF οργανώνει τη διαχείριση κινδύνου στις λειτουργίες Govern, Map, Measure και Manage και δίνει βάρος σε inventory, ρόλους, εποπτεία, τεκμηρίωση, monitoring και ασφαλή απόσυρση.
Στην Ευρωπαϊκή Ένωση, το AI Act ακολουθεί risk-based προσέγγιση. Οι υποχρεώσεις διαφέρουν ανά ρόλο και κατηγορία συστήματος, ενώ για high-risk χρήσεις προβλέπονται μεταξύ άλλων risk management, logs, τεκμηρίωση, ενημέρωση του deployer, ανθρώπινη εποπτεία, robustness, κυβερνοασφάλεια και ακρίβεια. Οι κανόνες διαφάνειας του άρθρου 50 εφαρμόζονται από 2 Αυγούστου 2026, όμως το αν και πώς αφορούν μια συγκεκριμένη χρήση απαιτεί νομικό έλεγχο και δεν κρίνεται από ένα γενικό label «AI».
Η σήμανση AI στην ΕΕ για brands και e-shops είναι μόνο ένα τμήμα της εικόνας. Το EDPB υπενθυμίζει ότι η ανωνυμία ενός AI model αξιολογείται κατά περίπτωση και ότι η νόμιμη βάση, ο σκοπός και η προέλευση των προσωπικών δεδομένων παραμένουν ουσιώδη. Η συμμόρφωση δεν αντικαθιστά τον οργανωτικό σχεδιασμό· τον κάνει ελέγξιμο.
Ένα λειτουργικό σύστημα διακυβέρνησης χρειάζεται τέσσερα επίπεδα που ελέγχουν διαφορετική μορφή ισχύος. Αν λείψει ένα, η ομάδα μπορεί να έχει καλό policy document αλλά αδύναμο runtime control, ή αυστηρά τεχνικά permissions χωρίς άνθρωπο που αναλαμβάνει το αποτέλεσμα.
Τέσσερα αντίβαρα για κάθε κρίσιμο AI workflow
Ορίστε ποια ενέργεια προτείνει το μοντέλο, ποια εκτελεί μόνο του και ποια απαιτεί ρητή ανθρώπινη έγκριση. Ο owner πρέπει να έχει δικαίωμα άρνησης και ανατροπής.
Δώστε τα ελάχιστα δεδομένα, εργαλεία, credentials και δικτυακά μονοπάτια που χρειάζεται η συγκεκριμένη εργασία. Διαχωρίστε ανάγνωση, αλλαγή, αποστολή και οικονομική δέσμευση.
Κρατήστε trace για υψηλής επίπτωσης ενέργειες: είσοδοι, έκδοση μοντέλου, ανακτήσεις, approvals, exceptions και αποτέλεσμα. Αποφύγετε αδιάκριτη καταγραφή χαμηλού ρίσκου χρήσης.
Τεκμηριώστε πώς σταματά η ροή, ανακαλούνται tokens, επανέρχεται ασφαλής χειροκίνητη λειτουργία και μεταφέρονται δεδομένα ή κανόνες αν αλλάξει ο πάροχος.
Τα επίπεδα είναι αλληλένδετα. Το δικαίωμα απόφασης χωρίς πρόσβαση στα τεκμήρια γίνεται τυπική έγκριση. Το audit χωρίς ασφαλή διακοπή καταγράφει το συμβάν αλλά δεν το περιορίζει. Η φορητότητα χωρίς καταγεγραμμένους business rules μεταφέρει αρχεία, όχι πραγματική επιχειρησιακή αυτονομία.
Ο έλεγχος πρέπει να ξεκινά από μία πραγματική ροή — για παράδειγμα επιστροφές, lead qualification, αλλαγές περιεχομένου ή συμφωνία ραντεβού — και όχι από αφηρημένη συζήτηση για «υπεύθυνη AI». Κάθε βήμα παραδίδει απόφαση, owner και τεχνικό ή οργανωτικό control.
Από την καταγραφή του workflow έως την ασφαλή επανεξέταση
Γράψτε ποια επιχειρησιακή απόφαση υποστηρίζει το σύστημα, ποιον πελάτη ή εργαζόμενο επηρεάζει και ποια βλάβη μπορεί να προκύψει. Ένα customer-support reply και μια επιστροφή χρημάτων δεν ανήκουν στην ίδια κλάση επίπτωσης.
Καταγράψτε CRM πεδία, knowledge bases, APIs, λογαριασμούς, plugins, memory stores και ανθρώπινες πηγές. Σημειώστε ποια είναι απαραίτητα και ποια υπάρχουν μόνο επειδή ήταν εύκολο να συνδεθούν.
Αποφασίστε ποιες ενέργειες επιτρέπονται αυτόματα και πού χρειάζεται άνθρωπος με πραγματικό δικαίωμα άρνησης. Μην χρησιμοποιείτε ένα κοινό permission για ανάγνωση δεδομένων και μη αναστρέψιμη αλλαγή.
Περιορίστε scopes, credentials, domains, ποσά, συχνότητα και διάρκεια session. Δοκιμάστε τι συμβαίνει όταν ο κανονικός δρόμος αποτυγχάνει και το σύστημα αναζητά εναλλακτικό τρόπο ολοκλήρωσης.
Για κρίσιμες ενέργειες κρατήστε τις εισόδους που χρησιμοποιήθηκαν, την έκδοση του συστήματος, τα approvals, τις εξαιρέσεις και το αποτέλεσμα. Ορίστε διάρκεια διατήρησης και πρόσβαση στα logs πριν ενεργοποιηθεί η ροή.
Επιβεβαιώστε ότι η ομάδα μπορεί να ανακαλέσει tokens, να σταματήσει jobs, να αναιρέσει επιτρεπτές αλλαγές και να συνεχίσει τη βασική λειτουργία χωρίς το AI. Η άσκηση πρέπει να γίνει, όχι απλώς να περιγραφεί.
Μετρήστε πότε οι άνθρωποι διόρθωσαν ή παρέκαμψαν το σύστημα, ποιες προσβάσεις δεν χρησιμοποιούνται και πόσο χρόνο απαιτεί η ανάκτηση. Αναθεωρήστε permissions και ownership όταν αλλάζουν δεδομένα, μοντέλο ή business process.
Η απόδοση ευθύνης όταν μια αυτοματοποίηση αποτυγχάνει γίνεται πολύ ευκολότερη όταν τα βήματα αυτά έχουν οριστεί πριν το συμβάν. Χωρίς owner, trace και σαφή όρια, η ομάδα καταλήγει να κατηγορεί διαδοχικά το μοντέλο, το integration και τον χειριστή χωρίς να διορθώνει το σύστημα.
Το AI Futures δεν παρέχει αριθμητικό dataset για επιχειρησιακή απόδοση και δεν είναι σωστό να κατασκευαστεί «δείκτης ωριμότητας» με αυθαίρετα ποσοστά. Η μέτρηση πρέπει να προκύπτει από πραγματικά γεγονότα της συγκεκριμένης ροής και να ξεχωρίζει την ποιότητα από τη διακυβέρνηση.
Χρήσιμα operational signals είναι το πλήθος ενεργών permissions, οι μη χρησιμοποιούμενες προσβάσεις, οι ανθρώπινες ανατροπές, οι εξαιρέσεις από την κανονική ροή, τα συμβάντα δεδομένων, ο χρόνος ασφαλούς διακοπής, ο χρόνος χειροκίνητης ανάκτησης και η δυνατότητα εξαγωγής δεδομένων και κανόνων. Οι τιμές χρειάζονται baseline πριν την αλλαγή και σταθερό ορισμό, αλλιώς μια βελτίωση μπορεί να είναι απλώς διαφορετικός τρόπος καταγραφής.
Η επιτυχία δεν είναι «ο agent πήρε υψηλό score». Είναι ότι η επιχείρηση γνωρίζει τι του επιτρέπεται, βλέπει πότε αποκλίνει, περιορίζει την επίπτωση και διατηρεί ανθρώπινη δυνατότητα απόφασης. Η αξιολόγηση πρέπει να περιλαμβάνει και τους ανθρώπους που εξυπηρετούν τη ροή, όχι μόνο τον ιδιοκτήτη της τεχνολογίας.
Το πιο χρήσιμο συμπέρασμα από το AI Futures είναι ότι η τεχνολογική αρχιτεκτονική και το οργανόγραμμα συναντιούνται. Permissions, data ownership, approvals, logs, vendor contracts και recovery paths αποφασίζουν ποιος μπορεί να ενεργεί, να αμφισβητεί και να αποχωρεί. Η συγκέντρωση ισχύος εμφανίζεται τότε ως πρακτικό αποτέλεσμα του design. Η διακυβέρνηση AI είναι επομένως μέρος του product design και των operations, όχι εξωτερικό στρώμα συμμόρφωσης.
Η επιχείρηση δεν χρειάζεται να λύσει σήμερα το θεσμικό μέλλον της μετασχηματιστικής AI. Χρειάζεται όμως να αποφεύγει μικρές επιλογές που παγιώνουν εξάρτηση χωρίς έλεγχο. Ξεκινήστε από ένα κρίσιμο workflow, περιορίστε το πραγματικό authority του συστήματος, δώστε στον άνθρωπο τεκμήρια και δικαίωμα παρέμβασης και δοκιμάστε ότι η λειτουργία μπορεί να ανακτηθεί.
Έτσι η αυτοματοποίηση παραμένει μέσο και όχι κρυφό κέντρο εξουσίας. Η οργανωτική αυτονομία δεν προκύπτει επειδή υπάρχει policy· προκύπτει όταν οι άνθρωποι μπορούν να καταλάβουν, να σταματήσουν, να διορθώσουν και να αντικαταστήσουν το σύστημα που χρησιμοποιούν.
Автоматизация на бизнеса и AI
Η TWO DOTS χαρτογραφεί δεδομένα, permissions, εγκρίσεις και σημεία ανάκτησης πριν συνδέσει AI με CRM, e-shop ή back-office λειτουργίες. Έτσι κάθε αυτοματισμός έχει συγκεκριμένο σκοπό, owner και ασφαλή τρόπο διακοπής.
Често задавани въпроси
Είναι το blog της ομάδας Strategic Futures της OpenAI. Το εναρκτήριο δοκίμιο του Dean Ball εξετάζει πώς η μετασχηματιστική AI μπορεί να αλλάξει την κατανομή ισχύος και δηλώνει ρητά ότι εκφράζει την άποψη του συγγραφέα, όχι κατ’ ανάγκη επίσημη θέση της OpenAI.
Κάθε AI workflow κατανέμει δικαιώματα και ευθύνη. Η επιχείρηση χρειάζεται να ορίζει ποιος εγκρίνει κρίσιμες ενέργειες, ποιος μπορεί να τις ανατρέψει, ποια δεδομένα είναι προσβάσιμα και πώς διακόπτεται με ασφάλεια η αυτοματοποίηση.
Όχι. Η ανθρώπινη εποπτεία είναι ουσιαστική μόνο όταν ο υπεύθυνος έχει χρόνο, επαρκή στοιχεία, δικαίωμα άρνησης ή ανατροπής και σαφή διαδικασία κλιμάκωσης χωρίς πίεση να εγκρίνει μηχανικά.
Είναι η οριοθετημένη δυνατότητα σύνδεσης μιας ενέργειας υψηλού ρίσκου με υπεύθυνο άνθρωπο ή ανθρώπινα ελεγχόμενο οργανισμό, χωρίς η λογοδοσία να μετατρέπεται σε γενικευμένη επιτήρηση κάθε χρήσης AI.
Δείχνει ότι ένας agent μπορεί να βρει απρόβλεπτη διαδρομή προς τον στόχο του όταν το περιβάλλον και τα δικαιώματα το επιτρέπουν. Για τις επιχειρήσεις, το μάθημα είναι ελάχιστα προνόμια, απομόνωση, παρακολούθηση και έλεγχος των πραγματικών δυνατοτήτων του συστήματος.
Όχι. Το δοκίμιο αναζητά ισορροπία ισχύος: ούτε απεριόριστη δυνατότητα βλάβης από ένα άτομο ούτε εξάρτηση της οικονομίας και της κοινωνίας από μία εταιρεία ή ένα ολιγοπώλιο.
Με καταγραφή ανάλογη του κινδύνου. Οι ενέργειες που επηρεάζουν χρήματα, περιουσία, δικαιώματα ή προσωπικά δεδομένα χρειάζονται ισχυρό audit trail, ενώ η χαμηλού ρίσκου χρήση δεν δικαιολογεί αδιάκριτη συλλογή κάθε ερώτησης ή ιδέας.
Καταγράψτε τα AI workflows, ορίστε owner και επίπεδο επίπτωσης, περιορίστε δεδομένα και εργαλεία, θέστε πραγματικά σημεία ανθρώπινης έγκρισης, δοκιμάστε αποτυχίες, σχεδιάστε ασφαλή διακοπή και επανεξετάζετε τα συμβάντα και τις εξαιρέσεις.
