Διαβάζοντας το άρθρο, βρίσκω αρκετές από τις ανησυχίες του απολύτως κατανοητές. Άλλωστε, το ίδιο το κείμενο ξεκαθαρίζει ότι δεν απορρίπτει συνολικά την τεχνητή νοημοσύνη και αναγνωρίζει ακόμη και χρήσιμες εφαρμογές της.
Εκεί που θα διαφωνήσω είναι όταν διαφορετικά προβλήματα αρχίζουν να συγκεντρώνονται κάτω από μία κοινή αιτία: την AI.
Για μένα, αυτό είναι λίγο σαν να κατηγορούμε το Internet επειδή υπάρχει παραπληροφόρηση ή το smartphone επειδή κάποιος περνάει οκτώ ώρες την ημέρα στα social media.
Το παράδειγμα των μαθητών είναι ίσως το καλύτερο.
Φυσικά και υπάρχει πρόβλημα όταν ένας μαθητής δίνει μια εργασία στο ChatGPT, αντιγράφει την απάντηση και την παραδίδει χωρίς καν να την έχει κατανοήσει. Σε αυτή την περίπτωση όμως δεν έχουμε πραγματική αξιοποίηση της AI. Έχουμε έναν ακόμη τρόπο αντιγραφής.
Ο ίδιος μαθητής μπορεί να χρησιμοποιήσει ένα εργαλείο AI για να του εξηγήσει ένα δύσκολο κεφάλαιο με απλούστερα λόγια, να δημιουργήσει ερωτήσεις επανάληψης, να ζητήσει διαφορετική εξήγηση σε κάτι που δεν κατάλαβε ή να ελέγξει τη συλλογιστική του.
Η UNESCO, μάλιστα, δεν προτείνει μια απλή λογική απαγόρευσης της generative AI στην εκπαίδευση. Στις κατευθυντήριες οδηγίες της προτείνει μια ανθρωποκεντρική προσέγγιση, με προστασία προσωπικών δεδομένων, κατάλληλα ηλικιακά όρια, εκπαίδευση χρηστών και παιδαγωγικά ορθή αξιοποίηση της τεχνολογίας.
Άρα το πραγματικό ερώτημα δεν είναι «AI ή όχι AI;». Είναι: «Πώς μαθαίνουμε στα παιδιά να τη χρησιμοποιούν χωρίς να σταματούν να σκέφτονται;».
Το ίδιο ισχύει και στον χώρο της εργασίας.
Ναι, υπάρχει απολύτως δικαιολογημένη ανησυχία ότι επιχειρήσεις μπορούν να χρησιμοποιήσουν την AI με στόχο τη μείωση προσωπικού. Δεν θα είχε νόημα να το αρνηθούμε. Ταυτόχρονα όμως, η αυτοματοποίηση μιας εργασίας δεν σημαίνει υποχρεωτικά και κατάργηση ολόκληρης της θέσης εργασίας.
Ο OECD επισημαίνει ότι η generative AI μπορεί να αυτοματοποιεί συγκεκριμένες εργασίες, αλλά πολλές θέσεις αποτελούνται από ένα σύνολο διαφορετικών καθηκόντων. Σε αρκετές περιπτώσεις το πιθανότερο μοντέλο είναι η ενίσχυση του εργαζομένου, αυτό που ονομάζεται AI augmentation, και όχι η πλήρης αντικατάστασή του.
Οι Erik Brynjolfsson, Danielle Li και Lindsey Raymond μελέτησαν 5.179 εργαζομένους στην εξυπηρέτηση πελατών. Η πρόσβαση σε εργαλείο generative AI συνδέθηκε με αύξηση της παραγωγικότητας κατά περίπου 14% κατά μέσο όρο, ενώ τα μεγαλύτερα οφέλη εμφανίστηκαν στους λιγότερο έμπειρους εργαζομένους. Οι ερευνητές βρήκαν επίσης ενδείξεις ότι το σύστημα βοηθούσε στη διάδοση των πρακτικών των πιο έμπειρων εργαζομένων προς τους νεότερους.
Αυτό δεν αποδεικνύει ότι η AI θα βελτιώσει κάθε επάγγελμα ή ότι δεν θα υπάρξουν θέσεις εργασίας που θα χαθούν. Αποδεικνύει όμως ότι «AI στην εργασία» ΔΕΝ σημαίνει αυτομάτως «άνθρωπος εκτός εργασίας».
Ο OECD καταγράφει μάλιστα και τις δύο πλευρές του θέματος: η AI μπορεί να αυξήσει την παραγωγικότητα και να συμπληρώσει την ανθρώπινη εργασία, αλλά η μετατόπιση εργαζομένων παραμένει πραγματικός κίνδυνος, ιδιαίτερα σε επαναλαμβανόμενες εργασίες.
Και βέβαια η AI κάνει λάθη.
Τα περίφημα «hallucinations» δεν είναι εφεύρεση των επικριτών της. Το αμερικανικό NIST χρησιμοποιεί τον όρο «confabulation» για τις περιπτώσεις όπου ένα σύστημα generative AI παρουσιάζει λανθασμένο ή ψευδές περιεχόμενο με τρόπο που μπορεί να φαίνεται απολύτως βέβαιος. Προειδοποιεί μάλιστα ιδιαίτερα για τον κίνδυνο όταν οι χρήστες εμπιστεύονται άκριτα τέτοιες απαντήσεις.
Αυτό όμως, κατά τη γνώμη μου, μας οδηγεί σε διαφορετικό συμπέρασμα. Η AI δεν πρέπει να αντιμετωπίζεται ως αυθεντία. Είναι εργαλείο. Ρωτάς, συγκρίνεις, ζητάς πηγές, ελέγχεις και τελικά αποφασίζεις εσύ. Και εδώ ίσως βρίσκεται ένα από τα μεγαλύτερα λάθη που κάνουμε σήμερα, να περιμένουμε από ένα γλωσσικό μοντέλο να λειτουργήσει ως αλάνθαστη εγκυκλοπαίδεια, ενώ δεν έχει σχεδιαστεί ως τέτοια.
Υπάρχουν επίσης πραγματικά ζητήματα γύρω από την ιδιωτικότητα, την υπερβολική εξάρτηση από τα συστήματα AI και το περιβαλλοντικό τους αποτύπωμα. Το NIST συμπεριλαμβάνει την προστασία προσωπικών δεδομένων, την υπερβολική εμπιστοσύνη των χρηστών και τις περιβαλλοντικές επιπτώσεις ανάμεσα στους κινδύνους που πρέπει να αντιμετωπίζονται στα συστήματα generative AI.
Και στο ενεργειακό κομμάτι δεν υπάρχει λόγος να κρύψουμε το πρόβλημα.
Ο Διεθνής Οργανισμός Ενέργειας υπολογίζει ότι τα data centers κατανάλωσαν περίπου 415 TWh ηλεκτρικής ενέργειας το 2024, περίπου το 1,5% της παγκόσμιας κατανάλωσης ηλεκτρισμού, ενώ προβλέπει σημαντική αύξηση της ζήτησης έως το 2030, με την ανάπτυξη της AI να αποτελεί έναν από τους βασικούς παράγοντες.
Επομένως, ναι: υπάρχει περιβαλλοντικό κόστος.
Η λογική υπεράσπιση της AI δεν χρειάζεται να το αρνηθεί. Χρειάζεται να απαιτήσει αποδοτικότερα μοντέλα, καλύτερο hardware, καθαρότερη ενέργεια και περισσότερη διαφάνεια σχετικά με την πραγματική κατανάλωση.
Το ίδιο το αρχικό άρθρο κάνει, κατά τη γνώμη μου, μία πολύ σημαντική παρατήρηση: πολλά από τα προβλήματα που σήμερα συγκεντρώνουμε κάτω από την ταμπέλα «AI» υπήρχαν ήδη πριν από την έκρηξη της generative AI.
Και εδώ βρίσκεται ίσως η ουσία του αντίλογου.
- Η απάτη δεν δημιουργήθηκε από την AI.
- Η παραπληροφόρηση δεν δημιουργήθηκε από την AI.
- Η αυτοματοποίηση θέσεων εργασίας δεν δημιουργήθηκε από την AI.
- Η παραβίαση πνευματικών δικαιωμάτων δεν δημιουργήθηκε από την AI.
Αυτό που μπορεί να κάνει η AI είναι να αυξήσει την ταχύτητα, την κλίμακα και σε ορισμένες περιπτώσεις την αποτελεσματικότητα με την οποία μπορούν να γίνουν όλα τα παραπάνω.
Και αυτό ασφαλώς απαιτεί κανόνες.
Αλλά το ίδιο ακριβώς χαρακτηριστικό λειτουργεί και προς την άλλη κατεύθυνση: μπορεί να αυξήσει την ταχύτητα με την οποία ένας άνθρωπος μεταφράζει, προγραμματίζει, οργανώνει πληροφορίες, μαθαίνει ή ολοκληρώνει επαναλαμβανόμενες εργασίες.
Υπάρχει επίσης το επιχείρημα ότι όλη αυτή η ιστορία αποτελεί περισσότερο ένα τεράστιο marketing hype παρά μια τεχνολογία που χρησιμοποιείται πραγματικά.
Τα διαθέσιμα στοιχεία δεν δείχνουν κάτι τέτοιο.
Σύμφωνα με το Stanford AI Index Report 2026, το 88% των ερωτηθέντων οργανισμών δήλωσε ότι χρησιμοποιούσε AI σε τουλάχιστον μία επιχειρηματική λειτουργία το 2025, από 78% το 2024. Στην ίδια έρευνα, το 79% δήλωσε τακτική χρήση generative AI σε τουλάχιστον μία λειτουργία. Το ίδιο το Stanford διευκρινίζει ότι πρόκειται για αυτοαναφερόμενα στοιχεία ερευνών και πρέπει να θεωρούνται ενδεικτικά και όχι πλήρης αποτύπωση ολόκληρης της οικονομίας.
Άρα μπορούμε να συζητήσουμε -και δικαίως- εάν οι επενδύσεις στην AI είναι υπερβολικές, αν υπάρχει χρηματιστηριακή φούσκα σε συγκεκριμένες εταιρείες ή αν κάθε προϊόν που αποκτά ένα κουμπί «AI» γίνεται πραγματικά καλύτερο.
Αυτό όμως είναι διαφορετικό από το να πούμε ότι δεν υπάρχει πραγματική χρήση της τεχνολογίας.
Για μένα λοιπόν δεν χρειαζόμαστε ούτε άκριτο ενθουσιασμό ούτε απέχθεια για την τεχνητή νοημοσύνη.
Χρειαζόμαστε κάτι αρκετά πιο δύσκολο.
- Να μάθουμε να τη χρησιμοποιούμε σωστά.
- Να ξέρουμε πότε μπορεί να μας εξοικονομήσει χρόνο και πότε δεν πρέπει να την εμπιστευτούμε.
- Να ξέρουμε πότε μας βοηθά να μάθουμε και πότε απλώς μας δίνει μια εύκολη δικαιολογία για να μη μάθουμε.
- Να ξέρουμε πότε ενισχύει τον εργαζόμενο και πότε χρησιμοποιείται απλώς ως άλλοθι για μια επιχειρηματική απόφαση που θα πρέπει να κριθεί ως τέτοια.
Το κομπιουτεράκι δεν κατάργησε την ανάγκη να γνωρίζουμε μαθηματικά. Η Google δεν κατάργησε την ανάγκη να γνωρίζουμε να ψάχνουμε και να αξιολογούμε τις πληροφορίες.
Με τον ίδιο τρόπο, η AI δεν πρέπει να καταργήσει την ανθρώπινη σκέψη.
Αντιθέτως, ίσως μία από τις σημαντικότερες δεξιότητες της εποχής της AI να είναι ακριβώς αυτή:
να ξέρεις πότε να τη χρησιμοποιείς, πότε να την αμφισβητείς και πότε να την κλείνεις.
### Πηγές
UNESCO – Guidance for Generative AI in Education and Research
https://www.unesco.org/en/articles/guidance-generative-ai-education-and-research
NBER – Generative AI at Work
https://www.nber.org/papers/w31161
OECD – The Effects of Generative AI on Productivity, Innovation and Entrepreneurship
https://www.oecd.org/en/publications/the-effects-of-generative-ai-on-productivity-innovation-and-entrepreneurship_b21df222-en.html
OECD – Skills in the AI Age
https://www.oecd.org/en/publications/skills-in-the-ai-age_972bd15e-en.html
NIST – Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile
https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-generative-artificial-intelligence
International Energy Agency (IEA) – Energy and AI
https://www.iea.org/reports/energy-and-ai
International Energy Agency (IEA) – Energy Demand from AI
https://www.iea.org/reports/energy-and-ai/energy-demand-from-ai
Stanford University – The 2026 AI Index Report: Economy
https://hai.stanford.edu/ai-index/2026-ai-index-report/economy
