Προ ολίγων ημερών κόλλησα σε ένα πεισματάρικο bug. Τίποτα πρωτοφανές για προγραμματιστή – μέχρι που επιστράτευσα ένα σύγχρονο εργαλείο τεχνητής νοημοσύνης. Το πρόβλημα λύθηκε γρήγορα, κι έπειτα το επόμενο, και το μεθεπόμενο. Όταν οι εκκρεμότητες είχαν καθαρίσει, συνειδητοποίησα κάτι σημαντικότερο από τον κερδισμένο χρόνο: είχα ξανά «νοητικό χώρο». Επέστρεψαν ερωτήματα που συνήθως καταπνίγονται από την καθημερινή φθορά—ζητήματα μάθησης, σχεδιασμού, σύνθεσης.
Αυτή η μικρή εμπειρία είναι, νομίζω, σύμπτωμα μιας ευρύτερης μετατόπισης: για πρώτη φορά διαθέτουμε εργαλεία που αναλαμβάνουν μεγάλο μέρος των επαναλαμβανόμενων, χαμηλής δημιουργικότητας εργασιών. Δεν πρόκειται για «μαγικό ραβδί» αλλά για έναν γνωστικό εξωσκελετό που πολλαπλασιάζει την παραγωγικότητά μας σε ό,τι είναι τυποποιημένο: συνοψίζει, προτείνει κώδικα, φτιάχνει προσχέδια, εντοπίζει ασυνέπειες—και έτσι μειώνει το κόστος πειραματισμού, φέρνοντας την απόσταση από την ιδέα στο πρωτότυπο πιο κοντά.
Τα πιο αξιόπιστα έως τώρα στοιχεία δείχνουν ότι η τεχνητή νοημοσύνη ήδη ενισχύει την παραγωγικότητα, ιδίως των λιγότερο έμπειρων. Σε εταιρεία υποστήριξης πελατών, η σταδιακή εισαγωγή βοηθού τεχνητή νοημοσύνη αύξησε τις επιλύσεις ανά ώρα κατά 14% κατά μέσο όρο και κατά 34% για τους νεότερους ή και λιγότερο έμπειρους εργαζομένους σύμφωνα με μία πρόσφατη μελέτη που δημοσιεύθηκε στο Oxford Academic. Επιπλέον, η μελέτη των Harvard Business School και Digital Data Design Institute at Harvard κατέγραψε σημαντικές βελτιώσεις σε ταχύτητα και ποιότητα για εργασίες στο φάσμα των δυνατοτήτων της τεχνητή νοημοσύνη, αλλά και υποβάθμιση όταν οι συμμετέχοντες την εφάρμοζαν σε ακατάλληλες εργασίες. Με απλά λόγια: η τεχνητή νοημοσύνη θέλει σωστή στόχευση. Στον προγραμματισμό, πειράματα με εργαλεία τύπου Copilot δείχνουν ταχύτερη ολοκλήρωση απλών εργασιών (ενδεικτικά, έως και ~55% ταχύτερα) σύμφωνα με το GitHub, το μεγαλύτερο αποθετήριο κώδικα.
Η διεθνής βιβλιογραφία δεν μιλά για μαζική «αντικατάσταση», αλλά για ανασχεδιασμό καθηκόντων: η τεχνητή νοημοσύνη μετασχηματίζει το περιεχόμενο των ρόλων και απαιτεί δεξιότητες όπως κριτική σκέψη, επιμέλεια, επικοινωνία και δημιουργικότητα. Έρευνες του OECD σε εργαζομένους και επιχειρήσεις καταγράφουν αλλαγές στη ροή εργασίας και έμφαση σε συμπληρωματικές δεξιότητες, χωρίς να απαιτείται όλοι να γίνουν μηχανικοί Μηχανικής Μάθησης.
Άραγε μήπως για πρώτη φορά ως ανθρωπότητα είμαστε ένα βήμα πιο κοντά ώστε να επιστρέψουμε στην εποχή της Αρχαίας Αθήνας; Μήπως είμαστε ένα βήμα πιο κοντά ώστε να μπορέσουμε να μετατραπούμε στον τέλειο άνθρωπο;
Όταν μιλώ για τον «τέλειο άνθρωπο» της αρχαιότητας, δεν εννοώ τον αλάνθαστο. Εννοώ τον πολύπλευρο πολίτη που καλλιεργεί ταυτόχρονα λόγο, τεχνική, κρίση και ήθος – αυτόν που οι αρχαίοι συνέδεαν με τη «σχολή» (ελεύθερο χρόνο για μάθηση/στοχασμό), τη τέχνη (δεξιότητα/δημιουργία) και τη φρόνηση (πρακτική σοφία). Η τεχνητή νοημοσύνη, σωστά ενσωματωμένη, μας ξαναδίνει τις προϋποθέσεις για να πλησιάσουμε αυτό το ιδεώδες – χωρίς το ηθικό τίμημα των δουλικών σχέσεων που στήριζαν τότε την κοινωνική «σχολή».
Οι Αθηναίοι πολίτες διέθεταν «σχολή» – ελεύθερο χρόνο για λόγο, τέχνη, πολιτική – επειδή οι πολίτες απαλλάσσονταν από μέρος του καθημερινού μόχθου μέσω δούλων. Ο σύγχρονος παραλληλισμός είναι τεχνολογικός και ηθικά διαφορετικός: οι ψηφιακοί βοηθοί δεν έχουν δικαιώματα που καταπατούμε· είναι υποδομή που, όταν ρυθμίζεται σωστά, επεκτείνει ανθρώπινες δυνατότητες χωρίς να περιορίζει ανθρώπινες ελευθερίες. Αυτή τη «σωστή ρύθμιση» τη χτίζουμε ήδη: το EU AI Act (σε ισχύ από 1 Αυγούστου 2024, με σταδιακή εφαρμογή έως το 2026–27) θέτει κανόνες ανάλογα με τον κίνδυνο, ενώ διεθνή πρότυπα όπως το NIST AI Risk Management Framework και το ISO/IEC 42001 προσφέρουν πρακτικές δικλείδες ασφάλειας και διακυβέρνησης. Η πρόοδος δεν χρειάζεται να πατήσει σε ανισότητες για να παραχθεί.
Οι κίνδυνοι
Η τεχνητή νοημοσύνη δεν είναι αλάνθαστη. Παρεκκλίνει, ενδέχεται να ενισχύσει προκαταλήψεις ή να παράγει νομικά προβληματικό περιεχόμενο. Πρόσφατες μελέτες σε κορυφαία περιοδικά καταγράφουν συστηματικά το φαινόμενο ότι χωρίς κατάλληλη εποπτεία, οι επιδόσεις μπορούν να χειροτερέψουν, αυξάνοντας και το τεχνικό κόστος κάθε έργου. Συμπέρασμα: απαιτείται ανθρώπινη εποπτεία, ιχνηλασιμότητα και αξιολόγηση κινδύνων. Τα πλαίσια του ΟΟΣΑ για χρήση τεχνητή νοημοσύνης στην εργασία και οι οδηγίες διαχείρισης κινδύνων (NIST, ISO) μεταφράζουν τα παραπάνω σε πρακτικές πολιτικές: τεκμηρίωση προέλευσης, ρόλοι/ευθύνες, δοκιμές πριν από την παραγωγική χρήση.
Το αποτέλεσμα δεν είναι «να τα κάνει όλα η μηχανή», αλλά να αλλάξει η κατανομή του ανθρώπινου μυαλού: λιγότερη φθορά σε αγγαρείες, περισσότερη ενέργεια για κατανόηση, σχεδιασμό, διάλογο, τέχνη. Όπου η τεχνητή νοημοσύνη εφαρμόζεται σωστά, η παραγωγικότητα ανεβαίνει και ο «νοητικός χώρος» μεγαλώνει. Όπου εφαρμόζεται άκριτα, οι επιδόσεις μπορεί να χειροτερέψουν – ακριβώς επειδή κάθε εργαλείο έχει ορατά και αόρατα όρια. Η ωριμότητα έγκειται στο να ξέρουμε πού τη χρησιμοποιούμε, πώς την ελέγχουμε και με ποια δεοντολογία την εντάσσουμε.
Η αρχαία Αθήνα άκμασε γιατί επέτρεψε στους πολίτες της να αφιερωθούν στη σκέψη, την τέχνη, την πολιτική. Σήμερα, έχουμε την ευκαιρία να πετύχουμε ένα αντίστοιχο άλμα χωρίς το ηθικό βάρος της δουλείας: οι καθημερινές, κουραστικές εργασίες μπορούν να «ανατεθούν» στην τεχνητή νοημοσύνη, ενώ εμείς αφιερώνουμε χρόνο σε συστήματα, ιδέες, σχέσεις και αξίες.
Το στοίχημα δεν είναι αν η τεχνητή νοημοσύνη θα «μας αντικαταστήσει». Είναι αν θα την αξιοποιήσουμε ώστε να μεγαλώσουμε ως κοινωνία: πιο δημιουργικοί, πιο υπεύθυνοι, πιο ικανοί να συνθέτουμε γνώσεις και να λύνουμε ουσιαστικά προβλήματα. Με σωστές δικλείδες, εποπτεία και επαγγελματισμό, η «νέα Αθήνα» δεν είναι ρομαντική μεταφορά – είναι εφικτός προορισμός. Έτσι η κοινωνία μας μπορεί να γίνει πιο ώριμη, πιο δημιουργική, πιο υπεύθυνη – όχι επειδή λιγότεροι δουλεύουν, αλλά επειδή όλοι δουλεύουμε εξυπνότερα.
*Ο Γεράσιμος Τζιβράς είναι προγραμματιστής, καθηγητής στην Τριτοβάθμια Εκπαίδευση και υποψήφιος διδάκτορας του Τμήματος Πληροφορικής και Τηλεπικοινωνιών του Πανεπιστημίου Πελοποννήσου, με αντικείμενο τις Προσαρμοστικές Διεπαφές Χρήστη. Η ερευνητική του εργασία επικεντρώνεται στη μοντελοποίηση της προβλεπτικής συμπεριφοράς χρηστών και στον δυναμικό επανασχεδιασμό διεπαφών με τη βοήθεια τεχνητής νοημοσύνης με στόχο τη δημιουργία πιο προσωποποιημένων και λειτουργικών εμπειριών χρήσης.
