Τεχνητή νοημοσύνη: Πότε μας βοηθά να σκεφτόμαστε και πότε σκέφτεται αντί για εμάς

Η παραγωγική τεχνητή νοημοσύνη έχει ενσωματωθεί σε πολλές καθημερινές εργασίες. Αναζητά πληροφορίες, συνοψίζει εκθέσεις, συντάσσει κείμενα, οργανώνει δεδομένα και προτείνει λύσεις μέσα σε λίγα δευτερόλεπτα. Η ταχύτητα αυτή μπορεί να αυξήσει την παραγωγικότητα, δημιουργεί όμως ένα νέο ερώτημα: χρησιμοποιούμε την τεχνολογία για να υποστηρίξουμε τη σκέψη μας ή της παραχωρούμε σταδιακά και το μέρος της εργασίας που απαιτεί κρίση;

Μια έρευνα της Microsoft Research, η οποία δημοσιεύθηκε το 2025, επιχείρησε να εξετάσει αυτή τη σχέση. Στην έρευνα συμμετείχαν 319 εργαζόμενοι που χρησιμοποιούν εργαλεία παραγωγικής τεχνητής νοημοσύνης στην επαγγελματική τους δραστηριότητα. Οι ερευνητές συγκέντρωσαν 936 παραδείγματα πραγματικών εργασιών, με στόχο να μελετήσουν πότε οι χρήστες ενεργοποιούν την κριτική τους σκέψη και ποιοι παράγοντες επηρεάζουν τη συμπεριφορά τους.

Τα αποτελέσματα έδειξαν ότι η εμπιστοσύνη στην ικανότητα της τεχνητής νοημοσύνης συνδεόταν με μικρότερη γνωστική προσπάθεια. Αντίθετα, όταν οι εργαζόμενοι είχαν μεγαλύτερη εμπιστοσύνη στις δικές τους γνώσεις και δυνατότητες, ήταν πιθανότερο να ελέγξουν, να διορθώσουν ή να προσαρμόσουν την απάντηση του συστήματος.

Το συμπέρασμα χρειάζεται προσεκτική ανάγνωση. Η έρευνα βασίζεται στις εκτιμήσεις των ίδιων των συμμετεχόντων και δεν αποδεικνύει ότι η χρήση της τεχνητής νοημοσύνης προκαλεί εξασθένηση της κριτικής σκέψης. Δείχνει, όμως, ότι ο τρόπος με τον οποίο εμπιστευόμαστε ένα σύστημα μπορεί να επηρεάσει το πόσο ενεργά συμμετέχουμε στην εργασία που του αναθέτουμε.

Η μεταβολή δεν σημαίνει απαραίτητα ότι οι εργαζόμενοι σταματούν να σκέφτονται. Σε αρκετές περιπτώσεις, η γνωστική προσπάθεια μεταφέρεται σε διαφορετικά σημεία της διαδικασίας. Αντί να δημιουργήσει ένα κείμενο από την αρχή, ο χρήστης καλείται να αξιολογήσει την απάντηση, να εντοπίσει ανακρίβειες, να συγκρίνει πηγές και να αποφασίσει τι μπορεί να αξιοποιηθεί. Η δουλειά μετακινείται από την παραγωγή του πρώτου υλικού στην εποπτεία και στην επαλήθευσή του.

Αυτή η μετατόπιση μπορεί να είναι ιδιαίτερα χρήσιμη όταν η εργασία είναι σαφώς προσδιορισμένη. Η τεχνητή νοημοσύνη μπορεί να περιορίσει τον χρόνο που απαιτούν επαναλαμβανόμενες διαδικασίες, να οργανώσει μεγάλο όγκο πληροφοριών και να προσφέρει περισσότερες εναλλακτικές. Η αξία της μειώνεται, ωστόσο, όταν της ανατίθεται ένα ασαφές πρόβλημα χωρίς να έχουν προηγουμένως καθοριστεί ο στόχος, τα κριτήρια και οι συνέπειες της απόφασης.

Παρόμοια είναι η προσέγγιση του ΟΟΣΑ στην έκθεσή του για τις επιπτώσεις της παραγωγικής τεχνητής νοημοσύνης στην παραγωγικότητα, στην καινοτομία και στην επιχειρηματικότητα. Η έκθεση του 2025 επισημαίνει ότι τα αποτελέσματα δεν είναι ίδια για όλους τους εργαζομένους και για όλες τις δραστηριότητες. Εξαρτώνται από τις δυνατότητες του εργαλείου, την πολυπλοκότητα της εργασίας, τις δεξιότητες του χρήστη και τον βαθμό εμπιστοσύνης προς το παραγόμενο αποτέλεσμα.

Η παραγωγική τεχνητή νοημοσύνη μπορεί, για παράδειγμα, να βοηθήσει έναν λιγότερο έμπειρο εργαζόμενο να ολοκληρώσει γρηγορότερα μια τυποποιημένη εργασία. Σε ένα σύνθετο ζήτημα, όμως, η ευχέρεια με την οποία διατυπώνεται μια απάντηση μπορεί να δημιουργήσει ψευδή βεβαιότητα. Τα συστήματα παράγουν κείμενο που ακούγεται πειστικό, χωρίς αυτό να εγγυάται ότι τα στοιχεία είναι ακριβή, επίκαιρα ή πλήρη.

Εδώ βρίσκεται μία από τις μεγαλύτερες προκλήσεις για τις επιχειρήσεις. Η υιοθέτηση της τεχνητής νοημοσύνης δεν μπορεί να περιορίζεται στην αγορά εργαλείων και στην επιτάχυνση της παραγωγής. Απαιτεί νέες διαδικασίες ελέγχου, σαφή κατανομή ευθύνης και εκπαίδευση των εργαζομένων στην αξιολόγηση των απαντήσεων. Όσο περισσότερο αυτοματοποιείται η δημιουργία του πρώτου αποτελέσματος, τόσο σημαντικότερη γίνεται η ικανότητα να εντοπίζονται τα κενά και οι λανθασμένες παραδοχές του.

Η ανάγκη αυτή είναι μεγαλύτερη σε τομείς όπου ένα λάθος μπορεί να επηρεάσει ανθρώπους, οικονομικές αποφάσεις ή τη φήμη μιας επιχείρησης. Ένα πρόχειρο προσχέδιο ηλεκτρονικού μηνύματος δεν έχει το ίδιο επίπεδο κινδύνου με μια νομική αξιολόγηση, μια επενδυτική εισήγηση ή μια απόφαση πρόσληψης. Ο βαθμός επαλήθευσης πρέπει επομένως να προσαρμόζεται στη σημασία και στις πιθανές συνέπειες κάθε χρήσης.

Υπάρχει επίσης ο κίνδυνος της ομοιομορφίας. Όταν οι εργαζόμενοι ξεκινούν από παρόμοιες απαντήσεις των ίδιων συστημάτων, οι ιδέες, τα κείμενα και οι προτάσεις τους μπορεί να αποκτήσουν κοινά χαρακτηριστικά. Η τεχνολογία διευκολύνει την παραγωγή μιας αποδεκτής πρώτης λύσης, δεν εγγυάται όμως ότι αυτή είναι η καταλληλότερη ή η πιο πρωτότυπη. Για τον λόγο αυτόν, η χρήση της για τη δημιουργία πολλών πιθανών προσεγγίσεων είναι συχνά πιο χρήσιμη από την αναζήτηση μίας έτοιμης απάντησης.

Οι αναλύσεις της Microsoft Research για την εργασία της γνώσης προτείνουν τη μετάβαση από την αντίληψη της τεχνητής νοημοσύνης ως απλού «βοηθού» σε εκείνη του εργαλείου σκέψης. Στην πράξη, αυτό σημαίνει ότι το σύστημα μπορεί να χρησιμοποιείται για να παρουσιάζει αντίθετα επιχειρήματα, να εντοπίζει πληροφορίες που λείπουν, να εξετάζει διαφορετικά σενάρια και να αμφισβητεί τις αρχικές παραδοχές του χρήστη.

Η διαφορά βρίσκεται κυρίως στον τρόπο με τον οποίο διατυπώνεται το αίτημα. Η ερώτηση «ποια απόφαση πρέπει να πάρω;» μεταφέρει την ευθύνη στο σύστημα. Αντίθετα, ερωτήματα όπως «ποια στοιχεία μπορεί να έχω παραβλέψει;», «ποια είναι τα ισχυρότερα επιχειρήματα εναντίον αυτής της επιλογής;» ή «ποιες παραδοχές χρειάζονται επαλήθευση;» χρησιμοποιούν την τεχνολογία για τη διεύρυνση της ανθρώπινης αξιολόγησης.

Η παραγωγική τεχνητή νοημοσύνη μπορεί να αναλάβει μεγάλο μέρος της αναζήτησης, της ταξινόμησης και της πρώτης επεξεργασίας πληροφοριών. Δεν γνωρίζει, όμως, από μόνη της ποιο αποτέλεσμα έχει πραγματική σημασία, ποιοι κίνδυνοι είναι αποδεκτοί ή ποιες αξίες πρέπει να υπερισχύσουν. Αυτές οι αποφάσεις παραμένουν ανθρώπινες. Το κρίσιμο ζήτημα για εργαζομένους και επιχειρήσεις δεν είναι μόνο πόσο συχνά χρησιμοποιούν την ΑΙ, αλλά εάν μετά τη χρήση της κατανοούν καλύτερα το πρόβλημα ή απλώς ολοκληρώνουν γρηγορότερα την εργασία.