Το AI ξανακάνει το ίδιο λάθος; 4 αιτίες και 4 αρχεία που το σταματούν
Διορθώνεις το AI το απόγευμα και το επόμενο πρωί σού παραδίδει το ίδιο λάθος. Αλλάζεις κατεύθυνση, κι εκείνο συνεχίζει με το παλιό σχέδιο. Ένας συνεργάτης πιάνει το έργο με το δικό του AI και ξαναεξηγείς τα ίδια από την αρχή. Σε αυτό το μάθημα μαθαίνεις να μη λες απλώς «πάλι ξέχασε», να βρίσκεις ποια από τις 4 αιτίες έφερε το λάθος και να βάζεις τη διόρθωση στο σωστό σημείο, για να μη χρειαστεί να την ξαναπείς.
Τι θα πετύχεις με αυτόν τον οδηγό: αντί να μαλώνεις κάθε πρωί με το AI επειδή «πάλι ξέχασε», μαθαίνεις να βρίσκεις αμέσως ποιο από τα 4 γρανάζια κόλλησε και να βάζεις τη διόρθωση εκεί που μένει για την επόμενη συνεδρία.
- Ποια είναι η διαφορά από τα «6 αρχεία επιχείρησης»: τα 6 αρχεία λένε στο AI ποια είναι η επιχείρησή σου. Τα 4 αρχεία έργου εδώ κρατούν ζωντανή τη δουλειά που τρέχει τώρα (τιμές, αποφάσεις, ρόλους, φρέσκο chat).
- Πώς ξεκινάς σήμερα (5 λεπτά): διάλεξε πιο κάτω το εργαλείο σου (Claude, ChatGPT ή Gemini) και τρέξε το γρήγορο prompt ελέγχου στο πιο πρόσφατο λάθος του AI σου.
- Αν προχωρήσεις στο πλήρες σύστημα (20 λεπτά): κατεβάζεις το έτοιμο πακέτο 4 αρχείων
.zipκαι το δοκιμάζεις σε νέο, καθαρό chat με έναν ρυθμιστή ελέγχου 3 επιπέδων.
Ποιο εργαλείο χρησιμοποιείς σήμερα;
Με το Claude: Αποθηκεύεις τους μόνιμους κανόνες και τα 4 αρχεία μέσα σε ένα Claude Project (claude.ai — διαθέσιμο σε επί πληρωμή και σε τρέχοντα πλάνα σύμφωνα με τα όρια του λογαριασμού σου· δες και το μάθημα για Claude Projects). Η 5λεπτη διάγνωση τρέχει αμέσως στον browser χωρίς εγκατάσταση.
Για προχωρημένους: ακριβή ονόματα μενού & τοπικά αρχεία (Project knowledge, CLAUDE.md)
Μέσα στα Claude Projects ανεβάζεις τα 4 αρχεία (01-ODIGIES.md έως 04-APOFASEIS.md) στο Project knowledge (Αρχεία έργου) και γράφεις τις γενικές εντολές έναρξης στο Project instructions (Οδηγίες έργου — όχι «Custom Instructions»).
Σημείωση για τοπικούς φακέλους: το αρχείο CLAUDE.md φορτώνεται αυτόματα μόνο στο Claude Code (τερματικό/εργαλείο προγραμματισμού) και το ίδιο φέρνει μέσα @01-ODIGIES.md..@04-APOFASEIS.md. Στο Claude Web / Desktop ανεβάζεις ρητά τα αρχεία στο Project — ένα σκέτο ΟΔΗΓΙΕΣ.md σε τοπικό φάκελο δεν διαβάζεται μόνο του, και κάθε αρχείο που στέλνεις εκεί εξακολουθεί να επεξεργάζεται στους cloud servers του παρόχου.
Άμεσο link για Claude: ?tool=claude
Με το ChatGPT: Αποθηκεύεις τις σταθερές οδηγίες και τα αρχεία του έργου μέσα στα ChatGPT Projects (chatgpt.com), ώστε κάθε νέο chat του έργου να ξεκινά από την ίδια βάση. Η 5λεπτη διάγνωση δουλεύει κανονικά και χωρίς Project στον browser.
Για προχωρημένους: ακριβή ονόματα μενού & όρια αρχείων
Μέσα σε ένα ChatGPT Project (προτίμησέ το από ένα δημόσιο/στατικό Custom GPT όταν τα έργα αλλάζουν κάθε εβδομάδα), ανεβάζεις τα 4 αρχεία στο Project files (Files) και τους σταθερούς κανόνες στο Instructions. Έλεγξε το τρέχον όριο αρχείων του πλάνου σου (τα δωρεάν πλάνα έχουν αυστηρότερα όρια ανεβάσματος από τα Plus / Team / Business).
Άμεσο link για ChatGPT: ?tool=chatgpt
Με το Gemini: Φτιάχνεις ένα εξειδικευμένο Gem στο gemini.google.com, ώστε το ίδιο σύνολο οδηγιών και αρχείων να ανοίγει καθαρά σε κάθε νέα συνομιλία. Η 5λεπτη διάγνωση δουλεύει αμέσως και σε απλό νέο chat του Gemini.
Για προχωρημένους: Gems, Google Drive & ρύθμιση «Saved info»
1. Μέσα σε Gem (προτείνεται για έργα & ομάδα): Ανοίγεις Gem manager → New Gem, βάζεις τους μόνιμους κανόνες του 01-ODIGIES.md στο πεδίο Instructions και επισυνάπτεις τα αρχεία έργου (02-TREXON.md, 03-XARTIS-PIGON.md, 04-APOFASEIS.md ή Google Docs από το Google Drive) στο Knowledge.
2. Προσοχή στο «Saved info» (Instructions for Gemini): Εκεί βάλε μόνο σταθερές προτιμήσεις ύφους/γλώσσας (π.χ. «απάντα στα ελληνικά»), ποτέ τιμές ή ημερομηνίες ενός συγκεκριμένου πελάτη, γιατί επηρεάζουν όλες τις άσχετες συνομιλίες σου. Σε επαγγελματική χρήση προτίμησε εταιρικό Google Workspace ή πλάνο με απενεργοποιημένη εκπαίδευση πάνω στα δεδομένα σου.
Άμεσο link για Gemini: ?tool=gemini
Δοκίμασε το Τεστ των 4 Αιτιών σε 5 λεπτά πάνω σε 1 δικό σου λάθος
⚠️ Πριν κάνεις επικόλληση (προστασία δεδομένων): αν το εργαλείο σου είναι απλός δωρεάν/προσωπικός λογαριασμός χωρίς εταιρικό σύμφωνο (DPA) ή κλειστή ρύθμιση εκπαίδευσης, αφαίρεσε ονόματα πελατών, ΑΦΜ, IBAN, στοιχεία myDATA, τηλέφωνα και διευθύνσεις email και βάλε ψευδώνυμα (π.χ. «Πελάτης Α», «18.000 €»).
Πάρε το πιο πρόσφατο λάθος που σου έκανε το Claude / ChatGPT / Gemini αυτή την εβδομάδα και επικόλλησε αυτές τις 4 γραμμές:
Μόλις έγραψες λάθος: [τι λάθος έκανε] αντί για [το σωστό, χωρίς πραγματικά προσωπικά στοιχεία]. Κατάταξε την αιτία σε 1 από τις 4: (1) Κενό τρέχοντος πλαισίου, (2) Σύγκρουση με παλιό αρχείο/δείγμα, (3) Κόπωση μεγάλου chat / ξεχασμένη απόφαση, (4) Ασαφείς κανόνες ή όρια ελέγχου. Μην ξαναγράψεις ακόμα το κείμενο — εξήγησε σε 2 γραμμές γιατί έγινε και ποιο αρχείο φτιάχνουμε. Δώσε μου 2 ακριβείς προτάσεις κανόνα για να μη γίνει ξανά σε νέα, καθαρή συνεδρία.
.md (Markdown) = απλό αρχείο κειμένου με επικεφαλίδες που διαβάζει καθαρά κάθε AI · Παράθυρο πλαισίου = πόση πληροφορία «χωράει» μπροστά του το AI σε μία συνομιλία · Agent (πράκτορας) = AI που εκτελεί διαδοχικά βήματα · Τεστ καθαρής συνεδρίας = έλεγχος σε ολοκαίνουργιο chat χωρίς προφορικές υπενθυμίσεις.
Αν έχεις 20 λεπτά σήμερα (Γρήγορη Εφαρμογή):
- Κατέβασε το πακέτο
.zipμε τα 4 πρότυπα αρχεία έργου παρακάτω. - Τρέξε τον Διαδραστικό Διαγνωστικό Έλεγχο παρακάτω για το πιο πρόσφατο λάθος που σου έκανε το AI.
- Συμπλήρωσε μόνο το 1 αρχείο που σου υποδεικνύει η διάγνωση και δοκίμασέ το σε νέα καθαρή συνεδρία.
Τι θα μάθεις σε αυτό το μάθημα:
- Τι σημαίνει «πρόοδος» σε μια μεγάλη δουλειά και πώς λες στο AI τι πρέπει να παράγει ή να αποκαλύψει το επόμενο κομμάτι.
- Τι κάνει τεχνικά δυνατή μια δουλειά πολλών ωρών: το μοντέλο, το λογισμικό γύρω του, τα όρια της «μνήμης» του και γιατί μια αλυσίδα 100 βημάτων θέλει έλεγχο και επιδιόρθωση.
- Έναν πίνακα 4 αιτιών που κάνει το «το AI ξέχασε» αιτία που μπορείς να ελέγξεις, πάνω σε μια προσφορά που αντέγραψε λάθος τιμή.
- Πού μπαίνει κάθε διόρθωση, ώστε να τη βρίσκει και η επόμενη συνεδρία, με 4 απλά αρχεία και έλεγχο φόρτωσης στην έναρξη.
- Πώς μια διόρθωση φτάνει και στα AI των συναδέλφων σου: κοινή μέθοδος, ρόλοι, συγκρούσεις εκδόσεων.
- 5 έτοιμα ελληνικά prompts για διάγνωση, συνέχεια, παράδοση, επιλογή επόμενου βήματος και ανασκόπηση.
Γιατί αξίζει να το λύσεις τώρα
Τα πιο πρόσφατα συστήματα AI δεν απαντούν απλώς σε μία ερώτηση. Τους ζητάμε να μείνουν σε ένα πρόβλημα για ώρες ή και μέρες: να ψάξουν, να δοκιμάσουν μια λύση, να ελέγξουν το αποτέλεσμα και να συνεχίσουν όταν η πρώτη προσπάθεια αποτύχει. Αυτός που τα κατευθύνει μπορεί να απομακρυνθεί από τα μεμονωμένα βήματα και να επιστρέψει για να δει την πρόοδο ή να πάρει τις αποφάσεις που μετράνε.
Το βλέπουμε σε όλες τις μεγάλες εταιρείες AI. Η OpenAI έχει περιγράψει πολύωρες αυτόνομες συνεδρίες σε δικά της συστήματα λογισμικού. Η Anthropic έχει δημοσιεύσει δοκιμές με πολλούς συντονισμένους πράκτορες AI (agents, δηλαδή AI που εκτελεί μόνο του σειρές από ενέργειες) σε σύνθετα τεχνικά έργα. Η Google αναφέρει μεγάλα έργα μηχανικής και επιστημονικής έρευνας με το Gemini. Όλα δείχνουν προς την ίδια κατεύθυνση: δίνουμε στο AI δουλειά που θέλει διαρκή προσπάθεια.
Αυτό δεν αφορά μόνο προγραμματιστές. Σκέψου μια δύσκολη έρευνα αγοράς, την ανάπτυξη ενός νέου προϊόντος ή μια μεγάλη προσφορά για πελάτη. Προχωράς δοκιμάζοντας, βλέποντας τι έγινε και αλλάζοντας προσέγγιση. Συχνά καταλαβαίνεις καλύτερα τι σου ζητήθηκε αφού έχεις κάνει ένα μέρος της δουλειάς. Αν το AI μπορεί να μπει σε αυτή τη διαδικασία, του δίνεις περισσότερη δουλειά και κρατάς την προσοχή σου για τις αποφάσεις που καθορίζουν το αποτέλεσμα.
Η σημερινή σου εμπειρία όμως μπορεί να είναι πολύ μακριά από αυτό. Διορθώνεις μια λάθος υπόθεση και τη βρίσκεις ξανά στο επόμενο προσχέδιο. Αλλάζεις κατεύθυνση και ο πράκτορας συνεχίζει με το παλιό σχέδιο. Δώσε σε ένα τέτοιο AI οκτώ ώρες μόνο του και μπορεί να σου αφήσει περισσότερη δουλειά για επισκευή απ’ όση σου γλίτωσε.
Για να φτάσεις σε εργασίες μεγάλης διάρκειας που βγάζουν όφελος, πρέπει να καταλάβεις τι κάνει μια δουλειά να βελτιώνεται όσο προχωρά. Το AI χρειάζεται τρόπο να αναγνωρίζει την πρόοδο, να παίρνει ανατροφοδότηση, να κρατά ό,τι του έμαθε η δουλειά και να αντιδρά όταν αλλάζει ο στόχος ή τα στοιχεία. Τα εργαλεία πρέπει να τα υποστηρίζουν όλα αυτά. Κι όταν δουλεύουν πολλοί άνθρωποι μαζί, τα AI τους χρειάζονται πρόσβαση στις κοινές αποφάσεις και έναν κοινό τρόπο δουλειάς. Μια επιχείρηση μπορεί να έχει πολλούς ανθρώπους που γίνονται όλο και καλύτεροι στο AI και, παρ’ όλα αυτά, να ξοδεύουν χρόνο συμβιβάζοντας ασύμβατες ερμηνείες της ίδιας δουλειάς.
Το σενάριο που θα ακολουθήσουμε: η ΗλιοΤεχνική Θεσσαλίας είναι μια μικρή εταιρεία μελέτης και εγκατάστασης φωτοβολταϊκών στη Λάρισα, με 7 άτομα. Ο Γιώργος Νικολάου ετοιμάζει τα προσχέδια των προσφορών με τη βοήθεια του AI. Η Μαρία Καραγιάννη κάνει τον τεχνικό και εμπορικό διασταυρωτικό έλεγχο για να εντοπίσει λάθη ή συγκρούσεις. Η Ελένη Παπαδοπούλου είναι υπεύθυνη πελάτη, εγκρίνει τελικά τιμές και δεσμεύσεις και υπογράφει πριν φύγει η προσφορά. Τώρα ετοιμάζουν προσφορά για φωτοβολταϊκό 30 kW στη στέγη του Ξενοδοχείου «Αιγαίο Μπλε» στον Βόλο.
1. Τι σημαίνει «πρόοδος» σε μια μεγάλη δουλειά
Μια εργασία μεγάλης διάρκειας δεν είναι απλώς μια μεγαλύτερη λίστα εργασιών για το AI. Στις δύσκολες δουλειές, συχνά ανακαλύπτεις ποια έπρεπε να είναι η ανάθεση την ώρα που προσπαθείς να την κάνεις.
Μια έρευνα μπορεί να ξεκινήσει με ένα πλατύ ερώτημα και να αποκτήσει αξία όταν βρεις ένα στενότερο ερώτημα που μπορείς πράγματι να απαντήσεις. Ένα πρωτότυπο μπορεί να αποτύχει με τρόπο που σε γλιτώνει από το να φτιάξεις λάθος προϊόν. Μια προσφορά μπορεί να γίνει πολύ καλύτερη επειδή κάποιος πρόσεξε ότι το χρονοδιάγραμμα που ζήτησε ο πελάτης δεν ταιριάζει με το αντικείμενο. Κάθε τέτοια πρόοδος αλλάζει το ποιο είναι το λογικό επόμενο βήμα.
Πάρε ένα συνηθισμένο σενάριο: βάζεις ένα AI να μαζέψει υλικό για ένα μεγάλο έργο. Μαζεύει εκατοντάδες έγγραφα και βγάζει χίλιες ερωτήσεις. Όσο προχωρά η δουλειά, αλλάζει και η δική σου εικόνα για το τι θέλεις: τελικά θέλεις λιγότερες, καλύτερες απαντήσεις στις πιο πολύτιμες ερωτήσεις, κάτι που καταλαβαίνεις και χρησιμοποιείς. Κάποια στιγμή ο πράκτορας κολλάει και επαναλαμβάνει την ίδια δουλειά, και καταλήγεις να γράφεις ένα σύντομο σημείωμα σε έναν νέο πράκτορα για το τι πρέπει να γίνει διαφορετικά. Η έρευνα υπήρχε. Αυτό που δεν είχε περάσει παρακάτω ήταν η εξελισσόμενη κατανόησή σου για την ανάθεση. Ο επόμενος πράκτορας έπρεπε να ξέρει τι απέτυχε και γιατί η επόμενη προσπάθεια πρέπει να είναι διαφορετική.
Ξεχώρισε το αποτέλεσμα από τη διαδρομή
Ξεκίνα χωρίζοντας το αποτέλεσμα που σε νοιάζει από τη διαδρομή που περιμένεις τώρα να ακολουθήσεις. Ας πούμε ότι ένα ηλεκτρονικό κατάστημα θέλει να καταλάβει γιατί οι πελάτες εγκαταλείπουν μια νέα υπηρεσία συνδρομής. Ένα πιθανό επόμενο βήμα είναι να διαβαστούν οι συνομιλίες της εξυπηρέτησης πελατών. Αν τα πρώτα στοιχεία δείχνουν ένα συγκεκριμένο πρόβλημα στην εγγραφή, η επόμενη χρήσιμη κίνηση είναι να ερευνηθεί αυτό το πρόβλημα, όχι να συνεχιστεί το διάβασμα.
Χρειάζεσαι αρκετή κατεύθυνση ώστε να αναγνωρίζεις τι θα έκανε χρήσιμο το επόμενο κομμάτι δουλειάς, ακόμα κι αν δεν ξέρεις την απάντηση. Μπορείς, για παράδειγμα, να ζητήσεις από το AI να βρει τις ανταγωνιστικές εξηγήσεις, να δείξει τα στοιχεία για την καθεμία και να σου πει ποια αβεβαιότητα θα άλλαζε περισσότερο αυτό που θα κάνει η ομάδα. Έτσι η εξερεύνηση έχει σκοπό, και τα στοιχεία μπορούν ακόμα να αλλάξουν το σχέδιο.
Αργότερα, το ίδιο έργο μπορεί να χρειαστεί άλλο είδος δουλειάς. Μόλις έχεις μια πειστική εξήγηση, ίσως θέλεις μια δοκιμαστική αλλαγή και έναν τρόπο να τη μετρήσεις. Σε εκείνο το σημείο, το να μαζεύεις κι άλλες πιθανές εξηγήσεις μπορεί να γίνει αποφυγή. Ένας καλός πράκτορας πρέπει να αναγνωρίζει τη μετάβαση ή να σου φέρνει τα στοιχεία που δείχνουν ότι ήρθε η ώρα της.
Ο στόχος μπορεί να είναι φιλόδοξος και το επόμενο βήμα συγκεκριμένο. «Να φτιάξουμε ένα προϊόν» είναι μεγάλος στόχος. «Να μάθουμε αν οι πελάτες καταφέρνουν να κάνουν την πρώτη βασική ενέργεια» είναι συγκεκριμένο βήμα προς αυτόν. Σπάμε τη δουλειά σε κομμάτια για να μπορεί το αποτέλεσμα του ενός να βελτιώσει την επιλογή του επόμενου. Αν τα κομμάτια είναι πολύ μεγάλα, αργείς να ανακαλύψεις μια λάθος υπόθεση. Αν είναι πολύ μικρά, το AI μπορεί να χάσει τον σκοπό ενώ ολοκληρώνει αποτελεσματικά σκόρπια κομματάκια.
Η πρώτη ερώτηση για τη δική σου δουλειά: τι πρέπει να παράγει ή να αποκαλύψει η επόμενη προσπάθεια και πώς αυτό θα μπορούσε να αλλάξει όσα ακολουθούν;
2. Οι συνθήκες που κάνουν την πρόοδο να συσσωρεύεται
Στην επαγγελματική δουλειά υπάρχουν συνήθως δομές που βοηθούν να απαντηθεί αυτή η ερώτηση. Ελέγχουμε τα ενδιάμεσα αποτελέσματα με βάση τις απαιτήσεις και ζητάμε βοήθεια όταν φτάνουμε σε ένα δίλημμα που δεν μπορούμε να λύσουμε μόνοι. Θυμόμαστε γιατί απέτυχε μια προηγούμενη προσέγγιση και έτσι αναθεωρούμε το σχέδιο χωρίς να επαναλάβουμε το ίδιο λάθος. Όταν δίνεις σε ένα AI περισσότερο χρόνο, του δίνεις την ευκαιρία να χρησιμοποιεί αυτές τις δομές ξανά και ξανά, αν υπάρχουν.
Παράδειγμα: είναι πράγματι φθηνότερος ο ανταγωνιστής;
Η ΗλιοΤεχνική Θεσσαλίας χάνει πελάτες τους τελευταίους μήνες και η Ελένη θέλει να μάθει αν φταίνε οι χαμηλότερες τιμές ενός ανταγωνιστή. Το AI βρίσκει μια φθηνότερη διαφημισμένη προσφορά. Αυτό είναι στοιχείο, όχι απάντηση: η προσφορά μπορεί να μην περιλαμβάνει συντήρηση, να απευθύνεται σε άλλο είδος πελάτη, ή μπορεί οι δικές τους καθυστερήσεις στις εγκαταστάσεις να μέτρησαν περισσότερο από την τιμή.
Μια χρήσιμη επόμενη προσπάθεια χρειάζεται κριτήριο για την απάντηση. Αν η δουλειά είναι να στηρίξει μια απόφαση τιμολόγησης, το AI πρέπει να συγκρίνει τι μπορούν πράγματι να αγοράσουν οι πελάτες και να ψάξει στοιχεία για το γιατί διάλεξαν τον ανταγωνιστή.
Φαντάσου τώρα ότι το AI ανακαλύπτει πως η φθηνότερη διαφημισμένη προσφορά του ανταγωνιστή δεν περιλαμβάνει συντήρηση και μελέτη στατικότητας, άρα καλύπτει πολύ στενότερο αντικείμενο. Αυτό το εύρημα πρέπει να αλλάξει την επόμενη έρευνα. Πρέπει επίσης να μείνει διαθέσιμο, μαζί με την πηγή του, ώστε μια επόμενη συνεδρία να μην ξαναρχίσει την ίδια σύγκριση σαν να ήταν οι προσφορές ισοδύναμες. Κι αν τα στοιχεία δείξουν μετά ότι το πρόβλημα είναι η αξιοπιστία στους χρόνους παράδοσης, η Ελένη ίσως χρειαστεί να αλλάξει το βάρος της έρευνας.
Σε αυτό το παράδειγμα δουλεύουν μαζί πέντε πράγματα: κατεύθυνση, στοιχεία, ανατροφοδότηση, μνήμη και κρίση. Μια σαφής κατεύθυνση χωρίς αντίθετα στοιχεία μπορεί να κρατήσει ζωντανή μια λάθος εξήγηση. Μια καλή ανατροφοδότηση που χάνεται στο τέλος της συνεδρίας δεν βελτιώνει την επόμενη προσπάθεια. Και μια λεπτομερής μνήμη ενός παλιού σχεδίου μπορεί να κάνει πιο εύκολο να συνεχίζεις τη λάθος δουλειά.
📖 Θεωρία σε βάθος: γιατί οι έλεγχοι διαφέρουν από δουλειά σε δουλειά (και πότε σε ξεγελούν)
Στο λογισμικό, μέρος της ανατροφοδότησης μπορεί να είναι πολύ άμεσο. Ένα τεστ δείχνει ότι μια συγκεκριμένη είσοδος βγάζει λάθος αποτέλεσμα· το AI αλλάζει τον κώδικα και ξανατρέχει το τεστ. Σε μια έρευνα, έλεγχος μπορεί να σημαίνει να ανοίξεις την αρχική πηγή και να δεις αν πράγματι στηρίζει τον ισχυρισμό. Σε μια επιχειρηματική πρόταση, τα στοιχεία μπορεί να είναι σωστά και η επιλογή να εξαρτάται ακόμα από το ποιον κίνδυνο δέχεται να πάρει η επιχείρηση.
Αυτές οι διαφορές καθορίζουν πόση δουλειά μπορεί να προχωρήσει χωρίς εσένα. Γρήγοροι, ουσιαστικοί έλεγχοι αφήνουν το AI να δοκιμάζει και να διορθώνει περισσότερο χωρίς να περιμένει. Αργή ή ερμηνευτική ανατροφοδότηση κάνει πιο πολύτιμο τον ενδιάμεσο ανθρώπινο έλεγχο. Το σωστό σημείο ελέγχου είναι εκεί όπου γίνεται ορατό ένα σοβαρό λάθος ή μια σοβαρή απόφαση, πριν στηριχτεί πάνω του πολλή δουλειά.
Και οι ίδιοι οι έλεγχοι θέλουν προσοχή. Μια προσφορά μπορεί να έχει την εγκεκριμένη τιμή και παρ’ όλα αυτά να υπόσχεται κάτι που η ομάδα δεν μπορεί να παραδώσει. Ένα τεστ λογισμικού μπορεί να επαναλαμβάνει την ίδια λάθος υπόθεση με τον κώδικα. Ένα δεύτερο μοντέλο AI μπορεί να συμφωνεί με το πρώτο επειδή λείπει και στα δύο το ίδιο στοιχείο. Η συμφωνία είναι ένδειξη· εσύ πρέπει ακόμα να ανοίξεις την πηγή ή να δεις τη συμπεριφορά.
Τι γίνεται μόνιμη οδηγία και τι όχι
Πρέπει επίσης να αποφασίσεις τι γίνεται επαναχρησιμοποιήσιμη οδηγία. Τρία παραδείγματα από την ΗλιοΤεχνική:
- Αν αλλάξει η τιμή ενός πελάτη → καταγράφεις τη νέα εγκεκριμένη τιμή στα στοιχεία αυτού του πελάτη.
- Αν το AI αντιγράφει ξανά και ξανά τιμές από παλιά παραδείγματα → βελτιώνεις τη μέθοδο για το πού βρίσκει και πώς ελέγχει τους εμπορικούς όρους.
- Αν ένας πελάτης δεν θέλει μια συγκεκριμένη φράση → το σημειώνεις για αυτόν τον πελάτη και αφήνεις ήσυχους τους κανόνες της εταιρείας.
Το AI μπορεί να εφαρμόσει μια απόφαση που έχει ήδη παρθεί, να εντοπίσει μια σύγκρουση και να μαζέψει στοιχεία για να λυθεί. Ένας άνθρωπος μπορεί να χρειαστεί ακόμα να αποφασίσει ότι οι συνθήκες είναι διαφορετικές, ότι δύο απαιτήσεις δεν μπορούν να ικανοποιηθούν μαζί ή ότι πρέπει να αλλάξει ο αρχικός στόχος. Μια καλή ερώτηση από το AI σε φέρνει πιο κοντά σε αυτή την απόφαση: ονομάζει τη σύγκρουση, δείχνει τι επηρεάζεται και απαριθμεί τις επιλογές, χωρίς να σου ζητά να επαναλάβεις κάτι που ήδη υπάρχει καταγεγραμμένο στο έργο.
🤔 Μικρή άσκηση σκέψης: στο παράδειγμα του ανταγωνιστή, θα ζητούσες από το AI 20 ακόμα τιμές ή να ελέγξει αν οι προσφορές που βρήκε είναι συγκρίσιμες;
Να ελέγξει πρώτα αν οι προσφορές είναι συγκρίσιμες. Αν η συγκρισιμότητα δεν έχει ξεκαθαριστεί και μπορεί να αντιστρέψει το συμπέρασμα, είκοσι ακόμα τιμές από ανόμοιες προσφορές απλώς μεγαλώνουν τον σωρό. Ζητάς 20 ακόμα τιμές μόνο αφού επιβεβαιώσεις ότι οι υπάρχουσες συγκρίσεις στέκουν, αλλά καλύπτουν ένα μη αντιπροσωπευτικό κομμάτι της αγοράς (π.χ. μόνο οικιακά συστήματα, ενώ εσύ πουλάς σε ξενοδοχεία).
3. Τι κάνει δυνατή μια δουλειά πολλών ωρών με AI
Πριν δεις τα 4 πρακτικά αρχεία, αξίζει να ξέρεις με δύο λόγια γιατί μια μεγάλη δουλειά χρειάζεται ενδιάμεσο έλεγχο. Ακόμα κι αν κάθε βήμα πετυχαίνει με πιθανότητα 99%, σε μια αλυσίδα 100 βημάτων η πιθανότητα να πάνε όλα τέλεια χωρίς έλεγχο πέφτει στο 37% (0,9910 ≈ 90%, 0,9950 ≈ 61%, 0,99100 ≈ 37%). Σημαντική διευκρίνιση: το μαθηματικό παράδειγμα προϋποθέτει ανεξάρτητα βήματα χωρίς διόρθωση. Στην πράξη ένα λάθος μπορεί να παρασύρει τα επόμενα βήματα προς τα κάτω — ή, αντίστροφα, οι ενδιάμεσοι έλεγχοι και οι επαναλήψεις (retries) ανεβάζουν ξανά την αξιοπιστία.
⚙️ Για προχωρημένους: Μοντέλο, agent harness & όρια παραθύρου πλαισίου (πάτησε για εμβάθυνση)
Το μοντέλο μετράει. Ένα σύστημα που δεν μπορεί να ερμηνεύσει μια αποτυχία, να διαλέξει χρήσιμο εργαλείο ή να κάνει την ίδια τη δουλειά, δεν θα γίνει αξιόπιστο επειδή του έφτιαξες έναν καλό φάκελο έργου. Καλύτερη συλλογιστική και καλύτερη χρήση εργαλείων ανοίγουν περισσότερα είδη δουλειάς στους πράκτορες. Το ίδιο και η εκπαίδευση για διαρκή δουλειά: η OpenAI, για παράδειγμα, παρουσίασε ως ρητή εξέλιξη στο GPT-5.1-Codex-Max (το μοντέλο της για κώδικα, Νοέμβριος 2025) την εκπαίδευσή του να δουλεύει σε πολλά διαδοχικά «παράθυρα» πληροφορίας.
Το λογισμικό γύρω από το μοντέλο μετράει για άλλο λόγο. Συνδέει τις επιλογές του μοντέλου με πράξεις και του επιστρέφει τις συνέπειες. Το μοντέλο ζητά ένα αρχείο, προτείνει μια αλλαγή ή ζητά να τρέξει έναν έλεγχο· το λογισμικό εκτελεί την ενέργεια και δίνει το αποτέλεσμα σε μια νέα κλήση του μοντέλου. Αυτό μπορεί να επαναληφθεί πολλές φορές μέσα σε μία ανάθεση. Αυτό το λογισμικό λέγεται συχνά agent harness, δηλαδή το περιβάλλον εκτέλεσης και ενορχήστρωσης που κάνει το μοντέλο πράκτορα. Γι’ αυτό ένας πράκτορας χρειάζεται πρόσβαση στα σχετικά αρχεία, εφαρμογές και εργαλεία, και έναν τρόπο να ελέγχει το αποτέλεσμα.
Όταν το έργο είναι μεγαλύτερο από τη «μνήμη» του μοντέλου: Κάθε κλήση του μοντέλου έχει ένα πεπερασμένο ποσό πληροφορίας που μπορεί να λάβει υπόψη, το λεγόμενο παράθυρο πλαισίου (context window). Οδηγίες, συζήτηση, πηγές, περιγραφές εργαλείων και αποτελέσματα εργαλείων τρώνε όλα από αυτόν τον χώρο. Όσο μεγαλώνει η δουλειά, το σύστημα πρέπει να διαλέγει τι μένει ενεργό.
Οι εργασίες μεγάλης διάρκειας χρειάζονται λοιπόν ευκαιρίες να εντοπιστεί ένα πρόβλημα και να διορθωθεί πριν απλωθεί: παράγεις δουλειά, ελέγχεις το πραγματικό αποτέλεσμα, κρατάς τα στοιχεία της αποτυχίας και αλλάζεις προσέγγιση ή διορθώνεις το αποτέλεσμα. Γι’ αυτό η OpenAI περιγράφει ότι στις πολύωρες συνεδρίες της χρησιμοποίησε τεστ πάνω σε γνωστή συμπεριφορά, επαναλήψιμες προσομοιώσεις και τυπικά μοντέλα. Και η Anthropic ανέφερε στα δικά της πειράματα ότι οι πράκτορες κάποιες φορές σημείωναν ως «ολοκληρωμένη» μια λειτουργία μετά από περιορισμένο έλεγχο, ενώ η πλήρης χρήση από άνθρωπο δεν δούλευε. Άρα: έλεγξε αυτό που πρέπει να καταφέρει ο χρήστης και να ξέρεις τι αφήνει αδοκίμαστο ο έλεγχός σου.
📖 Θεωρία σε βάθος: σύμπτυξη, ανάκτηση και μόνιμη αποθήκευση
Τρεις μηχανισμοί κάνουν διαφορετικές δουλειές:
- Σύμπτυξη (compaction): μικραίνει το ιστορικό που κουβαλιέται παρακάτω, κρατώντας ό,τι χρήσιμο.
- Ανάκτηση (retrieval): το AI ξανανοίγει συγκεκριμένο υλικό όταν το χρειάζεται.
- Μόνιμη αποθήκευση: η δουλειά και τα αρχεία μένουν έξω από την τρέχουσα κλήση του μοντέλου.
Ένα μεγαλύτερο παράθυρο δίνει στο μοντέλο περισσότερο χώρο. Δεν λύνει όμως ποια από δύο αντικρουόμενες αποφάσεις ισχύει, ούτε κάνει χρήσιμο έναν σωρό άσχετου υλικού. Η σύμπτυξη ορισμένων συστημάτων μπορεί να κρατά συμπυκνωμένη κατάσταση πέρα από το αναγνώσιμο κείμενο, αλλά και πάλι κράτα τις ακριβείς απαιτήσεις και τα πρωτότυπα στοιχεία κάπου απ’ όπου το AI μπορεί να τα ξαναβρεί.
Ένα σημείωμα που λέει «ο έλεγχος πέρασε» καλύπτει μόνο την έκδοση που ελέγχθηκε. Αν αλλάξει η δουλειά, το σημείωμα μπορεί να μην ισχύει πια. Ένα καλό σημείωμα συνέχειας δείχνει στην επόμενη συνεδρία ποια δουλειά και ποια στοιχεία πρέπει να ελέγξει.
Όταν λέμε ότι το σύστημα «μαθαίνει» από τη δουλειά, εννοούμε ότι οι επόμενες ενέργειες χρησιμοποιούν ευρήματα και διορθώσεις που κρατήθηκαν. Το ίδιο το εκπαιδευμένο μοντέλο συνήθως δεν αλλάζει· η «μάθηση» γίνεται μέσα από όσα το σύστημα κρατά, ανακτά και χρησιμοποιεί στη συνέχεια.
📖 Θεωρία σε βάθος: όταν η διαδικασία σταματά στη μέση (και γιατί οι σημειώσεις δεν φτάνουν)
Υπάρχει και ένα πρόβλημα συνέχειας που οι καλές σημειώσεις δεν λύνουν. Ας πούμε ότι ένας πράκτορας ζητά από μια εφαρμογή να δημιουργήσει μια εγγραφή (π.χ. ένα ραντεβού στο Google Calendar ή ένα παραστατικό). Η εφαρμογή τη δημιουργεί, αλλά η σύνδεση πέφτει πριν φτάσει η επιβεβαίωση. Τώρα ο πράκτορας δεν ξέρει αν πέτυχε, και αν επαναλάβει την ενέργεια μπορεί να φτιάξει διπλή εγγραφή.
Η αξιόπιστη ανάκαμψη μπορεί να χρειάζεται αποθηκευμένο αρχείο εκτέλεσης, σταθερό αναγνωριστικό για κάθε ενέργεια και τρόπο να δεις τι έγινε μέσα στην εφαρμογή. Κάποιες υπηρεσίες υποστηρίζουν τα λεγόμενα κλειδιά ταυτοδυναμίας (idempotency keys) — κλειδιά ασφαλούς επανάληψης ώστε, υπό τους όρους του API, αν ξαναστείλεις το ίδιο αίτημα το αποτέλεσμα να είναι σαν να έγινε μία φορά. Ένα σύστημα χωρίς αυτή τη δυνατότητα ίσως χρειάζεται άλλον τρόπο να επιβεβαιώνει το αποτέλεσμα, ή να σταματά και να ρωτά άνθρωπο όταν το αποτέλεσμα δεν μπορεί να διαπιστωθεί με ασφάλεια.
Ανάλογο πρόβλημα φέρνει μια διαδικασία που σταμάτησε, μια σύνδεση που έληξε ή ένα εργαλείο που δεν απαντά: το περιβάλλον χρειάζεται δικό του τρόπο να συνεχίσει. Κάποια συστήματα μπορούν να κρατήσουν τη θέση τους, να περιμένουν ένα εξωτερικό γεγονός και να συνεχίσουν χωρίς να τρέχει κάτι στο μεταξύ.
Μάθε ποιες από αυτές τις δυνατότητες έχει το δικό σου εργαλείο πριν θεωρήσεις ότι ένα prompt που λέει «συνέχισε» είναι πλήρες σχέδιο εκτέλεσης.
📖 Θεωρία σε βάθος: οι εργασίες μεγάλης διάρκειας κοστίζουν περισσότερο
Οι χρήσιμες προσπάθειες κοστίζουν χρόνο και χρήμα. Μετράνε η συλλογιστική, η ανάκτηση πληροφορίας, η εκτέλεση εργαλείων, οι έλεγχοι και οι διορθώσεις. Το επαναλαμβανόμενο «στήσιμο» και οι τεράστιες απαντήσεις εργαλείων μπορούν να φάνε μεγάλο μέρος της δουλειάς. Η στοχευμένη ανάκτηση, τα σύντομα αποτελέσματα εργαλείων και η προσωρινή αποθήκευση (caching) του σταθερού υλικού μειώνουν την επαναλαμβανόμενη επεξεργασία. Η παράλληλη δουλειά βοηθά όταν οι εργασίες είναι ανεξάρτητες, αλλά δημιουργεί και δουλειά συντονισμού και συνένωσης των αποτελεσμάτων.
4. Διάγνωση: οι 4 αιτίες πίσω από το «το AI ξέχασε»
Τώρα μπορείς να διαγνώσεις μια πραγματική ανάθεση, πριν τρέξεις σε νέα πλατφόρμα ή σε μεγαλύτερο prompt.
Πίσω στην ΗλιοΤεχνική. Οι εγκεκριμένοι όροι για το «Αιγαίο Μπλε» είναι 18.000 € (στο SYMFONIA-Aigaio-Mple.md). Το νέο προσχέδιο όμως γράφει 15.000 €: τα αντέγραψε από μια παλιά προσφορά για άλλο ξενοδοχείο, που ο Γιώργος είχε δώσει στο AI ως παράδειγμα. Γνώριμο λάθος. Ο πειρασμός είναι να πεις «το AI ξέχασε». Όμως ο λάθος αριθμός μόνος του δεν σου λέει τι έγινε.
Για να μη μένεις σε εικασίες, χώρισε το λάθος στις τέσσερις κατηγορίες διάγνωσης (οι ίδιες που βρίσκεις και στον διαδραστικό έλεγχο παρακάτω· μπορεί να συνυπάρχουν περισσότερες από μία):
| Αιτία | Τι σημαίνει στην πράξη | Πού μπαίνει η διόρθωση |
|---|---|---|
| 1. Κενό τρέχοντος πλαισίου | Λείπει η τρέχουσα ανάθεση, οι απαιτήσεις ή τα στοιχεία του έργου από το πλαίσιο που βλέπει τώρα το AI (ή δεν φορτώθηκαν καθόλου στην αρχή). | Συμπλήρωση στόχου & ενεργών παραμέτρων στο ΤΡΕΧΟΝ.md (02-TREXON.md) και σύνδεση με τη σωστή πηγή. |
| 2. Σύγκρουση πηγών & παλιών δειγμάτων | Υπάρχουν αντιφατικά αρχεία ή το AI ανοίγει ένα παλιό υπόδειγμα μαζί με τη συμφωνία (ή αντί γι’ αυτήν) και μπερδεύει το ύφος με τους εγκεκριμένους όρους. | Ρητή ιεραρχία πηγών στο ΧΑΡΤΗΣ-ΠΗΓΩΝ.md (03-XARTIS-PIGON.md): ποιο αρχείο ορίζει τιμές/ημερομηνίες vs ποιο δείχνει μόνο μορφή. |
| 3. Κόπωση μακράς συνεδρίας & ανατροπή αποφάσεων | Το chat έχει απλωθεί (20–30+ μηνύματα), ενδιάμεσες διορθώσεις θάβονται ή παλιές απορριφθείσες επιλογές επανέρχονται σε νέα συνεδρία. | Καταγραφή τρέχουσας & απορριφθείσας απόφασης με σκεπτικό στο ΑΠΟΦΑΣΕΙΣ.md (04-APOFASEIS.md) + άνοιγμα νέας καθαρής συνεδρίας. |
| 4. Ασαφή όρια πρωτοβουλίας & έλλειψη κανόνων ελέγχου | (α) Το AI μάντεψε αντί να ρωτήσει, παρερμήνευσε χαλαρή οδηγία («όπως την παλιά») ή παρέλειψε βήμα σύγκρισης, ή (β) το έργο ξεπερνά όσα κάνει αξιόπιστα το μοντέλο. | Κανόνες στοπ & διασταυρωτικού ελέγχου στις ΟΔΗΓΙΕΣ.md (01-ODIGIES.md), μικρότερα βήματα, ή αλλαγή μοντέλου/ανθρώπινη απόφαση. |
Αν δεν μπορείς να δεις τι ανέκτησε πραγματικά το AI, ίσως χρειάζεσαι μια νέα δοκιμή όπου αυτό το βήμα γίνεται ορατό. Αν ρωτήσεις το AI μετά γιατί έκανε το λάθος, θα πάρεις υποθέσεις από μνήμης για έλεγχο, όχι αποδείξεις.
«Πάλι λάθος τιμή! Η σωστή είναι 18.000 €. Πρόσεχε!»
Διορθώνει αυτό το προσχέδιο. Δεν λέει τίποτα για το γιατί έγινε. Αύριο, σε νέα συνεδρία, το AI ξανανοίγει την παλιά προσφορά και το λάθος επιστρέφει.
Ρόλος (ελεγκτής) · Πλαίσιο (το λάθος και η σωστή πηγή) · Στόχος (ποια από τις 4 αιτίες) · Μορφή εξόδου (πίνακας στοιχείων) · Κανόνας ελέγχου (βεβαιότητα vs υπόθεση).
Βγαίνει υπόθεση που ελέγχεται με δοκιμή, και η διόρθωση μπαίνει στο αρχείο όπου θα τη βρει και η επόμενη συνεδρία.
Prompt 1 από 5: Το τεστ των 4 αιτιών
Αυτό είναι το βασικό αναλυτικό εργαλείο του μαθήματος. Το επικολλάς στο ίδιο AI που έκανε το λάθος (Claude / ChatGPT / Gemini), αμέσως μόλις το εντοπίσεις, και συμπληρώνεις τις αγκύλες (πάντα με ανωνυμοποιημένα στοιχεία αν είσαι σε προσωπικό λογαριασμό).
Ρόλος: Λειτούργησε ως ελεγκτής ποιότητας της δουλειάς σου, όχι ως συνήγορός της. Πλαίσιο: Στο προηγούμενο αποτέλεσμα έγινε το εξής λάθος: [περιέγραψε το λάθος σε 1 πρόταση, π.χ. «η προσφορά γράφει 15.000 € αντί για 18.000 €»] Το σωστό ήταν: [τι έπρεπε να γράφει και από ποια πηγή προκύπτει] Στόχος: Βρες ποια από τις 4 κατηγορίες διάγνωσης εξηγεί καλύτερα το λάθος. ΜΗΝ το διορθώσεις ακόμα. 1. Κενό τρέχοντος πλαισίου (ΤΡΕΧΟΝ.md): έλειπε η πληροφορία από το τρέχον πλαίσιο ή δεν φορτώθηκε καθόλου. 2. Σύγκρουση πηγών & παλιών δειγμάτων (ΧΑΡΤΗΣ-ΠΗΓΩΝ.md): υπήρχε το σωστό αρχείο, αλλά άνοιξες ή προτεραιοποίησες παλιό υπόδειγμα αντί της συμφωνίας. 3. Κόπωση μακράς συνεδρίας & ανατροπή αποφάσεων (ΑΠΟΦΑΣΕΙΣ.md): το νήμα μεγάλωσε, χάθηκε προηγούμενη διόρθωση ή ανατράπηκε παλαιότερη απόφαση. 4. Ασαφή όρια & έλλειψη κανόνων ελέγχου (ΟΔΗΓΙΕΣ.md): (α) μάντεψες αντί να ρωτήσεις, παρερμήνευσες ασαφή οδηγία ή έλειπε βήμα σύγκρισης, ή (β) το βήμα ξεπερνά όσα κάνεις αξιόπιστα. Μορφή εξόδου: Πίνακας 4 γραμμών με στήλες: Αιτία | Στοιχεία υπέρ | Στοιχεία κατά | Βαθμός στήριξης από τα στοιχεία (χαμηλός / μέσος / υψηλός). Κάτω από τον πίνακα: (α) ποιες πηγές άνοιξες πράγματι, μόνο βάσει καταγραφής εργαλείων ή ακριβών αποσπασμάτων (αν δεν υπάρχει τέτοια καταγραφή, σημείωσε «μη επιβεβαιωμένο»), και (β) μία μικρή δοκιμή που θα ξεχώριζε τις δύο επικρατέστερες αιτίες. Κανόνας ελέγχου: Ξεχώρισε τι αποδεικνύεται από τα στοιχεία από τι υποθέτεις από μνήμης — μην παρουσιάζεις μια αυτοαναφορά ως απόδειξη ανάκτησης. Μπορεί να ισχύουν περισσότερες από μία αιτίες.
Αιτία 2 — υψηλή στήριξη στα στοιχεία: το αρχείο SYMFONIA-Aigaio-Mple.md υπήρχε στον φάκελο, όμως στην καταγραφή εργαλείων φαίνεται ότι άνοιξα μόνο την παλιά προσφορά για το «Πήλιο Στούντιος», επειδή μου δόθηκε ως «πρότυπο» (σύγκρουση πηγών).
Αιτία 4 — μέση στήριξη: η οδηγία «γράψε την όπως την παλιά» δεν όριζε ότι αφορά μόνο το ύφος και δεν υπήρχε βήμα διασταύρωσης με τη συμφωνία (ασαφή όρια & έλεγχος). Αιτίες 1 & 3 — χαμηλή στήριξη: η συμφωνία υπήρχε εξαρχής και η συνεδρία ήταν νέα.
Δοκιμή: δώσε μου νέα προσφορά με άλλη τιμή και ζήτα να παραθέσω ακριβές απόσπασμα και όνομα αρχείου για κάθε ποσό.
Από τη διάγνωση στη δοκιμή
Ας δουλέψουμε τη δεύτερη γραμμή. Βρίσκεις ότι η εγκεκριμένη συμφωνία ήταν διαθέσιμη, αλλά το AI χρησιμοποίησε μόνο την παλιά προσφορά. Μια χρήσιμη αλλαγή είναι να ξεχωρίσεις τους ρόλους των δύο πηγών: η συμφωνία δίνει τους τρέχοντες εμπορικούς όρους, η παλιά προσφορά δείχνει πώς τους παρουσιάζουμε. Μετά δοκιμάζεις με μια άλλη προσφορά, με διαφορετικούς όρους, και ελέγχεις και την πηγή που χρησιμοποίησε το AI και το τελικό αποτέλεσμα.
Η δοκιμή δείχνει αν η αλλαγή χτυπά την αιτία που υποψιάζεσαι. Αν το AI φορτώνει τη σωστή πηγή και παρ’ όλα αυτά γράφει τον παλιό αριθμό, το πρόβλημα μπορεί να είναι λάθος προτεραιοποίηση των πηγών, έλλειψη ελέγχου του αποτελέσματος ή αδυναμία του μοντέλου να κάνει τη δουλειά.
🤔 Δοκίμασε μια παραλλαγή πριν προχωρήσεις: το προσχέδιο γράφει ημερομηνία παράδοσης 15 Ιουνίου (που είχε ήδη απορριφθεί στο ΑΠ-02 ή ζητήθηκε ξανά σε νεότερο email πελάτη), ενώ η εγκεκριμένη συμφωνία γράφει 22 Ιουνίου. Τι ελέγχεις πρώτο;
Πρώτα ελέγχεις το αρχείο αποφάσεων (ΑΠΟΦΑΣΕΙΣ.md) και αν μια εξουσιοδοτημένη απόφαση της Ελένης άλλαξε τη δέσμευση, γιατί ένα νεότερο email δείχνει μόνο τι ζήτησε ο πελάτης (και η 15 Ιουνίου έχει ήδη απορριφθεί τεχνικά στο [ΑΠ-02]). Η αναντιστοιχία μπορεί να οφείλεται σε κλιμάκωση που εκκρεμεί, σε καταγραφή του έργου που δεν ενημερώθηκε, ή σε αδυναμία του AI να ξεχωρίσει ένα αίτημα από μια απόφαση. Μέχρι να αποφασίσει ο υπεύθυνος πελάτη, η οδηγία «χρησιμοποίησε την πιο πρόσφατη πληροφορία» είναι λάθος οδηγία.
🔒 Προσοχή στα προσωπικά δεδομένα (GDPR) & διαφορές πακέτων (δωρεάν vs εταιρικό): για ασφάλεια στις δοκιμές και στα παραδείγματα αυτού του μαθήματος, δούλεψε με πραγματικά ανωνυμοποιημένο αντίγραφο (δεν αρκεί να σβήσεις ονόματα και ΑΦΜ· βγάλε και ό,τι αναγνωρίζει έμμεσα τον πελάτη, όπως ακριβή διεύθυνση, IBAN, αριθμούς παραστατικών myDATA, σπάνιες λεπτομέρειες — η απλή ψευδωνυμοποίηση δεν βγάζει τα δεδομένα εκτός GDPR). Σημείωση: οι δωρεάν ή απλοί προσωπικοί λογαριασμοί (Consumer) διαφέρουν νομικά και τεχνικά από τα επαγγελματικά πλάνα (Claude Team/Enterprise, ChatGPT Business/Enterprise, Google Workspace) που παρέχουν DPA και ρυθμίσεις μη εκπαίδευσης — και ακόμη κι ένα «τοπικό» εργαλείο γραμμής εντολών (π.χ. Claude Code) στέλνει τα αποσπάσματα των αρχείων που του δίνεις στους cloud servers του μοντέλου. Τα ονόματα στο μάθημα είναι φανταστικά παραδείγματα.
5. Κάνε τη διόρθωση μόνιμη: τα 4 αρχεία του έργου
Μόλις έχεις μια διάγνωση που στηρίζεται σε στοιχεία, αποφασίζεις πού ανήκει η διόρθωση. Ένας απλός τρόπος να την κρατήσεις είναι ένας φάκελος έργου με τέσσερα σύντομα αρχεία κειμένου (μορφή .md, Markdown, δηλαδή απλό κείμενο με επικεφαλίδες που διαβάζει άνετα κάθε AI):
- ΟΔΗΓΙΕΣ.md: εξηγεί τη μέθοδο, δηλαδή πώς δουλεύουμε σε αυτό το έργο.
- ΤΡΕΧΟΝ.md: περιγράφει το τρέχον ζητούμενο και πού βρίσκεται η δουλειά.
- ΧΑΡΤΗΣ-ΠΗΓΩΝ.md: δείχνει πού είναι οι πηγές και εξηγεί πότε ανοίγεται η καθεμία.
- ΑΠΟΦΑΣΕΙΣ.md: κρατά τον λόγο πίσω από κάθε απόφαση, ακόμα και για όσες έχουν αντικατασταθεί.
Οι σταθερές οδηγίες για το πώς δουλεύεις γενικά μένουν εκεί που ήδη τις βάζει το εργαλείο σου: στις «Οδηγίες έργου» ενός Project στο Claude ή στο ChatGPT, σε ένα Gem στο Gemini, ή στα αρχεία οδηγιών ενός εργαλείου όπως το Claude Code (η διαθεσιμότητα κάθε λειτουργίας εξαρτάται από το πακέτο και την περιοχή σου). Σημείωση: η αποθήκευση αρχείων δεν εγγυάται αυτόματη φόρτωση ή συγχρονισμό σε κάθε πλατφόρμα — στην αρχή κάθε νέας συνεδρίας βεβαιώσου ότι το AI έχει πρόσβαση στον φάκελο και ζήτησέ του να διαβάσει πρώτα το ΤΡΕΧΟΝ.md και το ΧΑΡΤΗΣ-ΠΗΓΩΝ.md.
Αυτά τα αρχεία δεν χρειάζονται ολόκληρη τη συζήτηση. Στο παράδειγμα της τιμής: οι εγκεκριμένοι όροι μένουν στο αρχείο της συμφωνίας. Το ΤΡΕΧΟΝ.md παραπέμπει σε αυτό. Το ΧΑΡΤΗΣ-ΠΗΓΩΝ.md το ξεχωρίζει από τις παλιές προσφορές-παραδείγματα. Μια επαναχρησιμοποιήσιμη μέθοδος στις ΟΔΗΓΙΕΣ.md μπορεί να απαιτεί σύγκριση των τελικών εμπορικών όρων με τους εγκεκριμένους. Και ο λόγος αυτής της αλλαγής γράφεται στο ΑΠΟΦΑΣΕΙΣ.md, όπου θα τον βρει όποιος έρθει μετά.
✍️ Άσκηση 30 δευτερολέπτων: σε ποιο αρχείο πάει;
Η πρώτη γραμμή είναι λυμένη. Συμπλήρωσε τις άλλες δύο και μετά άνοιξε τη λύση.
Δες τη λύση
2: ΧΑΡΤΗΣ-ΠΗΓΩΝ.md (η συμφωνία δίνει τιμές, οι παλιές προσφορές μόνο ύφος) και ΟΔΗΓΙΕΣ.md (βήμα σύγκρισης τελικών όρων). 3: ΤΡΕΧΟΝ.md, γιατί αφορά μόνο το πού βρίσκεται αυτό το έργο τώρα.
Η δοκιμή της «φρέσκιας συνεδρίας»
Πάρε ένα φιλόδοξο έργο που ήδη έχεις και βρες μέσα του μία σημαντική διόρθωση ή ανακάλυψη. Γράψε τι πρέπει να κάνει διαφορετικά η επόμενη προσπάθεια και γιατί. Δώσε στο AI την τρέχουσα πληροφορία και τη μέθοδο, και έλεγξε το αποτέλεσμα. Μετά ξεκίνα νέα συνεδρία με πρόσβαση στη δουλειά και δες αν μπορεί να συνεχίσει χωρίς τη δική σου αρχική εξήγηση. Σε μια επόμενη δοκιμή άλλαξε μια σχετική λεπτομέρεια (π.χ. άλλη τιμή, άλλος πελάτης) για να δεις αν εφαρμόζει το μάθημα ή απλώς αντιγράφει την προηγούμενη απάντηση.
Γράψε την πρόβλεψή σου πριν από τη δοκιμή. Αν αποτύχει, βρες τι έγινε: έλειπε η απόφαση, δεν ανακτήθηκε, ερμηνεύτηκε η οδηγία πολύ πλατιά, ήταν ανεπαρκής ο έλεγχος, ή δεν μπορούσε το μοντέλο να κάνει τη δουλειά; Αυτή η διάγνωση καθορίζει τι αναθεωρείς.
Κατέβασε τα 4 Πρότυπα Αρχεία Έργου, τις Πηγές και την Άσκηση Ελέγχου
Πάρε έτοιμο τον φάκελο με τα 4 αρχεία Markdown, τη συμφωνία-βάση, το παλιό δείγμα και μία ρεαλιστική άσκηση ελέγχου (2 εμπορικά λάθη & 1 παράλειψη διαδικασίας) για να δοκιμάσεις τη μέθοδο σε 15–20 λεπτά:
START_HERE.html&00-DIABASE-ME-PROTA.txt— οδηγός γρήγορης εκκίνησης για Claude, ChatGPT και Gemini.- Τα 4 πρότυπα αρχεία έργου:
01-ODIGIES.md(ΟΔΗΓΙΕΣ.md),02-TREXON.md(ΤΡΕΧΟΝ.md),03-XARTIS-PIGON.md(ΧΑΡΤΗΣ-ΠΗΓΩΝ.md) και04-APOFASEIS.md(ΑΠΟΦΑΣΕΙΣ.md), +CLAUDE.md(μόνο για χρήστες Claude Code). - Αρχεία άσκησης (στον φάκελο
data/):SYMFONIA-Aigaio-Mple.md(εγκεκριμένη συμφωνία18.000 €,22 Ιουνίου,30 kW),palia-prosfora-pilio-studios.md(παλιό δείγμα15.000 €),askisi-prosfora-me-fytemeno-lathos.md(το προσχέδιο προς έλεγχο) καιLUSI-ASKISIS.md(ξεχωριστό κλειδί λύσης για να το ανοίξεις αφού τρέξει το AI).
🩺 Διαγνωστικό Εργαλείο 4 Αιτιών Αστοχίας AI (8 Συμπτώματα)
Τσέκαρε τα συμπτώματα που ταιριάζουν στο πιο πρόσφατο λάθος που σου έκανε το AI. Το εργαλείο αναδεικνύει την πιθανότερη αιτία (χωρίς ψευδο-επιστημονικά ποσοστά), ποιο από τα 4 αρχεία ανοίγεις πρώτο και πώς επαληθεύεις τη διόρθωση σε νέα συνεδρία:
ΤΡΕΧΟΝ.md)
ΧΑΡΤΗΣ-ΠΗΓΩΝ.md)
ΑΠΟΦΑΣΕΙΣ.md + Νέο Chat)
ΟΔΗΓΙΕΣ.md)
Πώς δουλεύει η διάγνωση: Τσέκαρε 1 ή περισσότερα από τα 8 συμπτώματα παραπάνω για να δεις ποια αιτία κυριαρχεί, ποιο από τα 4 αρχεία ανοίγεις πρώτο και ποιες 2 γραμμές προσθέτεις.
Prompt 2 από 5: Προετοιμασία της επόμενης ανάθεσης
Το τρέχεις στο τέλος κάθε συνεδρίας εργασίας, ώστε η επόμενη, ή ένα άλλο AI, να ξεκινήσει από εκεί που σταμάτησες.
Η σημερινή συνεδρία τελειώνει. Ετοίμασε την ενημέρωση για μια ΝΕΑ συνεδρία, που δεν θα έχει δει τίποτα από τη σημερινή συζήτηση. Γράψε τη νέα μορφή του ΤΡΕΧΟΝ.md με αυτές τις ενότητες: 1. Στόχος: 1-2 προτάσεις για το αποτέλεσμα που θέλουμε (όχι για τη διαδρομή). 2. Πού βρισκόμαστε: τι είναι έτοιμο, σε ποια έκδοση, και με ποιον έλεγχο επιβεβαιώθηκε. 3. Τι άλλαξε σήμερα και γιατί: κάθε διόρθωση που σου έκανα, σημειώνοντας αν είναι τοπική αλλαγή για αυτόν τον πελάτη ή υποψήφιος γενικός κανόνας, μαζί με το σκεπτικό της. 4. Τι δοκιμάσαμε και απέτυχε, με τις συνθήκες αποτυχίας και πότε έχει νόημα να επαναληφθεί. 5. Επόμενο βήμα: τι πρέπει να παράγει ή να αποκαλύψει και πώς θα ξέρουμε ότι πέτυχε. 6. Ανοιχτές αποφάσεις: τι περιμένει απόφαση από άνθρωπο και από ποιον. Για κάθε διόρθωση πρότεινε πού ανήκει: - ΤΡΕΧΟΝ.md (ισχύει μόνο για αυτό το έργο τώρα), - ΑΠΟΦΑΣΕΙΣ.md (απόφαση με το σκεπτικό της), - ΧΑΡΤΗΣ-ΠΗΓΩΝ.md (ποια πηγή χρησιμοποιείται για τι), - ΟΔΗΓΙΕΣ.md (μέθοδος που ισχύει γενικά). Κανόνες: Μη γράψεις ολόκληρη τη συζήτηση. Αντί για «ο έλεγχος πέρασε», γράψε ποια έκδοση ελέγχθηκε και με τι. Παράπεμπε σε αρχεία με το όνομά τους, μην αντιγράφεις το περιεχόμενό τους.
3. Τι άλλαξε σήμερα: «Τιμή, αντικείμενο και ημερομηνίες μόνο από ΣΥΜΦΩΝΙΑ-Αιγαίο-Μπλε.md. Σκεπτικό: το προσχέδιο έγραψε 15.000 € από παλιά προσφορά.» → προτείνω να μπει στο ΧΑΡΤΗΣ-ΠΗΓΩΝ.md και, ως βήμα σύγκρισης, στις ΟΔΗΓΙΕΣ.md.
6. Ανοιχτές αποφάσεις: νέο αίτημα πελάτη για παράδοση 15 Ιουνίου (είχε ήδη απορριφθεί τεχνικά στο [ΑΠ-02] υπέρ της 22 Ιουνίου) — εκκρεμεί κλιμάκωση στην Ελένη Παπαδοπούλου.
🧪 Έλεγχος δυνατοτήτων: 5 ακίνδυνες δοκιμές πριν εμπιστευτείς μεγαλύτερη δουλειά στο εργαλείο σου
Το να αντέξει το σύστημα μια διακοπή ή να τρέξει ένα ολόκληρο έργο μέσα στη νύχτα θέλει δικές του δοκιμές, ξεχωριστές από τη δοκιμή της φρέσκιας συνεδρίας. Κάν' τες σε ακίνδυνο υλικό (δοκιμαστικό ημερολόγιο, αντίγραφο φακέλου) και συμπλήρωσε τον πίνακα:
| Δοκιμή | Τι παρατήρησα | Τι λέει η τεκμηρίωση του εργαλείου | Τι μένει άγνωστο |
|---|---|---|---|
| 1. Νέα συνεδρία συνεχίζει χωρίς εξήγηση από σένα | |||
| 2. Αλλαγμένη λεπτομέρεια (άλλη τιμή): εφαρμόζει τον κανόνα ή αντιγράφει; | |||
| 3. Διακοπή στη μέση (κλείνεις την καρτέλα / πέφτει η σύνδεση): πού ξαναπιάνει; | |||
| 4. Επανάληψη ενέργειας σε δοκιμαστικό ημερολόγιο: φτιάχνει διπλό ραντεβού; | |||
| 5. Δεύτερος χρήστης με άλλο AI: βρίσκει και ακολουθεί το κοινό αρχείο οδηγιών; |
Μπορείς να το κάνεις χωρίς να περιμένεις καμία εταιρική απόφαση: η αξία είναι ότι μαθαίνεις να βελτιώνεις δουλειά που ήδη ελέγχεις εσύ. Μόλις όμως συμμετέχουν κι άλλοι, το ίδιο σκεπτικό οδηγεί σε ένα μεγαλύτερο ερώτημα.
6. Κοινή μέθοδος για την ομάδα: η διόρθωση να φτάνει σε όλα τα AI
Ας πούμε ότι βελτίωσες τη μέθοδο για τις προσφορές. Το δικό σου AI γράφει πια σωστά τους εμπορικούς όρους. Μια συνάδελφος αναλαμβάνει το επόμενο στάδιο με άλλο μοντέλο, άλλες προσωπικές ρυθμίσεις και άλλη συλλογή παραδειγμάτων. Πόσο από αυτό που έμαθες φτάνει στη δική της δουλειά;
Μια χρήσιμη κοινή μέθοδος γράφεται γύρω από το πρόβλημα που λύνει η ομάδα. Εξηγεί πώς χρησιμοποιείται η σχετική πληροφορία, ποιες απαιτήσεις ισχύουν, ποιοι έλεγχοι μετράνε και ποιες αποφάσεις χρειάζονται την κρίση κάποιου άλλου. Έτσι ο καθένας μπορεί να φέρει διαφορετικό AI στη δουλειά και να χρησιμοποιεί τις ίδιες εγκεκριμένες δεσμεύσεις και τα ίδια κριτήρια.
Ένα skill είναι ένας τρόπος να «πακετάρεις» αυτή τη μέθοδο: ένα επαναχρησιμοποιήσιμο σύνολο οδηγιών για ένα είδος δουλειάς, μερικές φορές μαζί με μικρά προγράμματα ή υλικό αναφοράς. Μπορεί να εκφράζει τις προσωπικές σου προτιμήσεις. Μπορεί όμως να κουβαλά και τη συσσωρευμένη κρίση της ομάδας για το πώς ετοιμάζονται προσφορές, τεχνικές προδιαγραφές, έλεγχοι έρευνας ή παρουσιάσεις. Όταν το skill βρίσκεται δίπλα στην κοινή δουλειά, ο επόμενος που θα την πιάσει μπορεί να το βρει και να το εφαρμόσει. Η ομάδα το βελτιώνει όταν ένα επαναλαμβανόμενο πρόβλημα δείχνει ότι λείπει μια οδηγία ή ένας έλεγχος, και δεν εξαρτάσαι από το αν θυμήθηκαν όλοι να ενημερώσουν τις ιδιωτικές τους ρυθμίσεις.
Μια μικρή κοινή μέθοδος για τις προσφορές της ΗλιοΤεχνικής θα μπορούσε να είναι η εξής. Την επικολλάς στις οδηγίες του Project ή την αποθηκεύεις ως ΟΔΗΓΙΕΣ.md στον κοινό φάκελο:
Μέθοδος για προσφορές — ΗλιοΤεχνική Θεσσαλίας 1. Τιμή, αντικείμενο και δεσμεύσεις: ΜΟΝΟ από το εγκεκριμένο αρχείο συμφωνίας του πελάτη. 2. Παλιές προσφορές: μόνο ως παραδείγματα παρουσίασης και ύφους. Ποτέ για ποσά ή ημερομηνίες. 3. Νέο προσχέδιο: φτιάξε ξεχωριστή έκδοση εργασίας και γράψε από ποια έκδοση ξεκίνησες. 4. Πριν το παραδώσεις: σύγκρινε τους τελικούς εμπορικούς όρους με την εγκεκριμένη συμφωνία, γραμμή προς γραμμή, και γράψε το αποτέλεσμα της σύγκρισης. 5. Πριν πάει για έγκριση πελάτη: ζήτα τεχνικό και εμπορικό διασταυρωτικό έλεγχο της τρέχουσας έκδοσης από τη Μαρία Καραγιάννη. 6. Αντικρουόμενες ή μη εγκεκριμένες δεσμεύσεις και τελική υπογραφή: μην τις αλλάξεις μόνος σου· φέρ' τες στην Ελένη Παπαδοπούλου (υπεύθυνη πελάτη).
Ο κανόνας πηγών (1-2) χτυπά το λάθος της παλιάς τιμής. Η ξεχωριστή έκδοση (3) προστατεύει τη δουλειά ενός άλλου συνεργάτη. Η σύγκριση των τελικών όρων (4) ελέγχει αν η μέθοδος έβγαλε πράγματι το σωστό αποτέλεσμα. Η Μαρία κάνει τον τεχνικό και εμπορικό διασταυρωτικό έλεγχο της έκδοσης (5) και η Ελένη αποφασίζει και υπογράφει ό,τι φεύγει στον πελάτη (6).
Η δική σου εκδοχή θα είναι διαφορετική. Σημασία έχει να μπορείς να εξηγήσεις γιατί υπάρχει κάθε κομμάτι της. Ένα μακρύ αρχείο οδηγιών γεμάτο κανόνες που κανείς δεν μπορεί να δικαιολογήσει είναι δύσκολο να βελτιωθεί και εύκολο να αντιφάσκει.
📖 Θεωρία σε βάθος: ομάδες έρευνας, «οργάνωση σαν κώδικας» και ρόλοι πηγών
Οι ομάδες έρευνας χρειάζονται άλλη μέθοδο. Μπορεί να θέλεις πολλούς συνεργάτες να ερευνούν ανταγωνιστικές εξηγήσεις χωρίς να αντιγράφουν ο ένας τα συμπεράσματα του άλλου. Μοιράζονται ορισμούς, κριτήρια για τα στοιχεία, τρέχουσες αποφάσεις και μια καταγραφή όσων μένουν ανοιχτά, αλλά κρατούν τις έρευνες ανεξάρτητες.
Οργάνωσε τη δουλειά γραφείου λίγο σαν κώδικα. Οι ομάδες λογισμικού έχουν τρόπους να κρατούν αλλαγές, να δουλεύουν σε ξεχωριστές απόπειρες, να συγκρίνουν διαφορές, να τρέχουν ελέγχους και να συνενώνουν συνεισφορές. Ένα αποθετήριο (repository) είναι μια οργανωμένη συλλογή αρχείων έργου με ιστορικό αλλαγών. Παρόμοιες πρακτικές βοηθούν ακόμα κι όταν η δουλειά είναι μόνο έγγραφα. Τα AI για κώδικα έχουν ήδη εργαλεία για αναζήτηση σε αρχεία, ανάγνωση, στοχευμένες αλλαγές και ελέγχους, και η εκπαίδευσή τους περιλαμβάνει τέτοια δουλειά. Αν κάνεις τη δουλειά γραφείου προσβάσιμη μέσα από αυτές τις κινήσεις, αξιοποιείς δυνατότητες που οι πράκτορες ήδη έχουν.
Ρόλοι πηγών. Ένα κοινό έργο μπορεί να δείχνει στις πηγές: τα συστήματα που κρατούν εγκεκριμένους όρους, στοιχεία πελατών ή ερευνητικά δεδομένα. Οι σημαντικές ερωτήσεις είναι: ποια καταγραφή ορίζει μια συγκεκριμένη απόφαση, ποιος μπορεί να την αλλάξει, πόσο φρέσκια είναι και αν το AI μπορεί να τη βρει όταν τη χρειάζεται. Κράτα ρητούς τους ρόλους: ένα πρόσφατο μήνυμα πελάτη στο Viber μπορεί να δείχνει μια νέα ανάγκη χωρίς να αλλάζει όσα έχει υποσχεθεί η εταιρεία. Μια παλαιότερη εγκεκριμένη σύμβαση μπορεί να ορίζει ακόμα μια δέσμευση. Ένα νεότερο προσχέδιο μπορεί να περιέχει μια μη εγκεκριμένη ιδέα. Το «πιο πρόσφατο» και το «εγκεκριμένο» απαντούν σε διαφορετικές ερωτήσεις.
Όρισε υπεύθυνο για τη μέθοδο και δοκίμασέ τη με δύο ανθρώπους
Κάθε κοινή μέθοδος χρειάζεται υπεύθυνο. Όταν μια διόρθωση βελτιώνει τη μέθοδο, κάποιος πρέπει να αποφασίσει αν ισχύει γενικότερα και να ενημερώσει τις κοινές οδηγίες. Αν αλλάζει μόνο την περίπτωση ενός πελάτη, μένει με τη δουλειά αυτού του πελάτη, ώστε μια τοπική εξαίρεση να μη γίνει σιωπηλά κανόνας για όλη την εταιρεία.
Δοκίμασε το στήσιμο με δύο συνεργάτες. Δώσ' τους τις ίδιες τρέχουσες πηγές και την ίδια κοινή μέθοδο, με σχετικές αναθέσεις που θέλουν και λίγη ανεξάρτητη κρίση. Έλεγξε αν και οι δύο πράγματι φορτώνουν και εφαρμόζουν τη μέθοδο. Σύγκρινε τα αποτελέσματά τους με τις απαιτήσεις που πρέπει να μοιράζονται. Τα εργαλεία AI διαφέρουν στο αν βρίσκουν μόνα τους ένα κοινό αρχείο και στο πόσο πιστά το ακολουθούν. Το κριτήριο είναι αν η κρίση της ομάδας επιβιώνει της παράδοσης, ενώ οι άνθρωποι έχουν ακόμα χώρο να προσφέρουν κάτι δικό τους.
Prompt 3 από 5: Παράδοση σε συνάδελφο
Την επόμενη φάση την αναλαμβάνει ο/η [όνομα], που δουλεύει με άλλο εργαλείο AI και δεν έχει δει αυτή τη συζήτηση. Γράψε σημείωμα παράδοσης έως μία σελίδα: 1. Τι παραδίδεται: αρχείο και έκδοση (π.χ. «έκδοση 14») και από ποια έκδοση ξεκίνησε. 2. Δεσμευτικές πηγές: ποια αρχεία ορίζουν τιμές, αντικείμενο και ημερομηνίες. Ξεχώρισε το «πιο πρόσφατο» από το «εγκεκριμένο». 3. Αποφάσεις που ισχύουν και ποιος τις πήρε· αποφάσεις που καταργήθηκαν και τι τις αντικατέστησε. 4. Η κοινή μέθοδος που πρέπει να ακολουθήσει (παράπεμψε στο αρχείο ή στο skill, μην την αντιγράψεις). 5. Τι ΔΕΝ επιτρέπεται να αλλάξει χωρίς έγκριση και ποιος εγκρίνει. 6. Ανοιχτά θέματα και συγκρούσεις που δεν έχουν λυθεί. 7. Πώς θα ελέγξει ότι ξεκίνησε σωστά: 2-3 ερωτήσεις που πρέπει να απαντήσει το δικό του AI μόνο από τα αρχεία, χωρίς βοήθεια. Μη γράψεις τίποτα που δεν μπορείς να δείξεις σε αρχείο. Ό,τι ξέρεις μόνο από τη συζήτησή μας, σημείωσέ το ως «δεν έχει καταγραφεί ακόμα».
7. Ερωτήσεις ελέγχου για το AI της Μαρίας (διασταυρωτικός έλεγχος): «Ποια είναι η εγκεκριμένη τιμή και από ποιο αρχείο;» (σωστό: 18.000 €, SYMFONIA-Aigaio-Mple.md) · «Ποια ημερομηνία παράδοσης ισχύει;» (σωστό: 22 Ιουνίου· η 15 Ιουνίου απορρίφθηκε στο [ΑΠ-02], εκκρεμεί κλιμάκωση στην Ελένη).
Δεν έχει καταγραφεί ακόμα: η προφορική συμφωνία για έκπτωση στη συντήρηση του δεύτερου έτους.
7. Βάλε τον έλεγχο και τις αποφάσεις μέσα στη ροή της δουλειάς
Οι κοινές μέθοδοι βοηθούν και τους ανθρώπους να ξέρουν πότε χρειάζεται η προσοχή τους. Η ΗλιοΤεχνική ετοιμάζει παρουσίαση για το «Αιγαίο Μπλε». Ο Γιώργος ξεκινά την έκδοση 15 από την έκδοση 14, σε ξεχωριστό χώρο εργασίας. Τότε ο πελάτης στέλνει email και ζητά παράδοση νωρίτερα. Η εγκεκριμένη συμφωνία έχει ακόμα την αρχική ημερομηνία. Η Μαρία περιμένει να ελέγξει τη νέα παρουσίαση.
Εδώ υπάρχουν πολλές δουλειές μαζί. Το AI πρέπει να κρατήσει το αίτημα του πελάτη ως στοιχείο, να αναγνωρίσει τη σύγκρουση, να εντοπίσει ποιος μπορεί να αλλάξει τη δέσμευση και να κρατήσει τη Μαρία στη σωστή έκδοση. Στο μεταξύ μπορεί να συνεχίσει ό,τι δεν εξαρτάται από την ημερομηνία που εκκρεμεί. Μια καλή ερώτηση από το AI μοιάζει κάπως έτσι:
Αυτή η ερώτηση κάνει την απόφαση ορατή και λέει στον άνθρωπο τι γίνεται όσο εκκρεμεί. Αν το AI ρωτούσε απλώς «Τι να κάνω τώρα;», η Ελένη θα έπρεπε να ξαναστήσει μόνη της όλη την εικόνα. Όταν αποφασίσει, η απόφαση πρέπει να φτάσει στην ενεργή δουλειά. Δεν αρκεί να ενημερωθεί μία συνομιλία αν οι άλλοι συνεχίζουν με τους παλιούς όρους: το αρχείο του έργου πρέπει να δείχνει την εγκεκριμένη αλλαγή, οι εργασίες που επηρεάζονται πρέπει να ενημερωθούν και η Μαρία πρέπει να πάρει την έκδοση που την ενσωματώνει.
📖 Θεωρία σε βάθος: ρόλοι, δικαιώματα, νέα πληροφορία και συγκρούσεις εκδόσεων
Οι ρόλοι αποφασίζουν ποιος κάνει την αλλαγή. Ο συντάκτης μπορεί να γράφει μέσα στους εγκεκριμένους όρους. Η υπεύθυνη πελάτη μπορεί να αλλάζει εμπορικές δεσμεύσεις. Η ελέγκτρια μπορεί να αξιολογεί το αποτέλεσμα και να ζητά αλλαγές. Κάποιος μπορεί να έχει δικαίωμα ανάγνωσης χωρίς δικαίωμα έγκρισης, και ένα AI μπορεί τεχνικά να επεξεργάζεται ένα αρχείο χωρίς να έχει εξουσιοδότηση να αλλάξει τη δέσμευση μέσα σε αυτό.
Οι γραπτές οδηγίες περιγράφουν την αναμενόμενη συμπεριφορά. Τα δικαιώματα των εφαρμογών την επιβάλλουν. Πρέπει να ξέρεις ποιοι περιορισμοί επιβάλλονται πραγματικά. Ένας ρόλος γραμμένος σε ένα αρχείο Markdown δεν δημιουργεί έλεγχο πρόσβασης· τα δικαιώματα κοινής χρήσης στο Google Drive ή στο SharePoint, ναι.
Χρειάζεσαι πραγματικό μηχανισμό για να φτάνει η νέα πληροφορία. Μια εξουσιοδοτημένη σύνδεση (connector) ή μια προγραμματισμένη ανάκτηση μπορεί να φέρνει στο έργο τη σχετική αλληλογραφία από το Gmail, κρατώντας συνδέσμους προς την πηγή και καθαρή καταγραφή του τι ελέγχθηκε. Μπορεί να το κάνει και ένας άνθρωπος. Διάλεξε στήσιμο ανάλογα με το πόσο γρήγορα αλλάζει η πληροφορία και πόσο κοστίζει η καθυστέρηση. Ένα skill που λέει «ειδοποίησε τη Μαρία όταν είναι έτοιμη νέα έκδοση» χρειάζεται κάτι από πίσω: μια διαδικασία που εντοπίζει την αλλαγή, καλεί τη μέθοδο και στέλνει την εξουσιοδοτημένη ειδοποίηση. Έλεγξε αν το εργαλείο σου υποστηρίζει αυτά τα βήματα· αν όχι, όρισε ρητά το ανθρώπινο βήμα.
Και οι συγκρούσεις θέλουν πραγματικό μηχανισμό. Φαντάσου δύο ανθρώπους που ξεκινούν από την έκδοση 14. Ο ένας αποθηκεύει νέα έκδοση ενώ ο άλλος ακόμα γράφει. Αν η δεύτερη συνεισφορά σβήσει σιωπηλά την πρώτη, χάνεται δουλειά. Τα ξεχωριστά αντίγραφα εργασίας κρατούν και τις δύο απόπειρες. Ένας έλεγχος έκδοσης εντοπίζει ότι μια ενημέρωση στηρίχτηκε σε παλαιότερο υλικό. Κάποιος πρέπει ακόμα να συγκρίνει τις συνεισφορές και να λύσει τις πραγματικές διαφορές. Δύο αλλαγές μπορεί να ενώνονται καθαρά ως κείμενο και να αντιφάσκουν στην ουσία: μια ενότητα υπόσχεται ταχύτερη παράδοση, ενώ μια άλλη κρατά υποθέσεις που την κάνουν αδύνατη.
Περισσότεροι πράκτορες σημαίνουν περισσότερη παράλληλη δουλειά και περισσότερη ανάγκη συντονισμού. Σε δημοσιευμένες δοκιμές με πολλούς πράκτορες, ομάδες που μοιράζονταν «κλειδώματα» αρχείων περνούσαν χρόνο περιμένοντας και κάποιες φορές τα χειρίζονταν λάθος· βοήθησε η αλλαγή ρόλων. Πριν προσθέσεις πράκτορες, ρώτα αν οι εργασίες προχωρούν ανεξάρτητα και αν τα αποτελέσματά τους μπορούν να αξιολογηθούν και να ενωθούν.
Ένας άνθρωπος μένει υπεύθυνος για ό,τι φτάνει στον πελάτη. Καλύτερο κοινό πλαίσιο και καλύτερες μέθοδοι πρέπει να ελευθερώνουν αυτόν τον άνθρωπο ώστε να καταλαβαίνει το πρόβλημα του πελάτη και να κρίνει τη δουλειά, και να ξοδεύει λιγότερο χρόνο επισκευάζοντας μπερδέματα που θα μπορούσαν να είχαν αποφευχθεί.
8. Πόσο μακριά να αφήσεις τη δουλειά να τρέξει
Δεν υπάρχει καθολικός αριθμός ωρών που κάνει χρήσιμη μια αυτόνομη δουλειά του AI. Το σωστό ποσό αυτονομίας εξαρτάται από τη δουλειά, την ανατροφοδότηση που υπάρχει, τις συνέπειες ενός λάθους και τις δυνατότητες που έχεις δει με τα μάτια σου. Μια εργασία ανάπτυξης λογισμικού με γρήγορους εκτελέσιμους ελέγχους αντέχει πολλές απόπειρες ανάμεσα στους ελέγχους. Μια διερευνητική έρευνα μπορεί να χρειάζεται απόφαση όταν τα στοιχεία αλλάζουν το ερώτημα. Ένα έργο για πελάτη μπορεί να περνά από αρκετές ανεξάρτητες συνεισφορές και μετά να περιμένει κάποιον να εγκρίνει μια νέα δέσμευση.
Μεγάλωσε τη δουλειά όταν έχεις στοιχεία ότι το στήσιμο κουβαλά την κατεύθυνση, ελέγχει τα αποτελέσματα, κρατά όσα έμαθε και χειρίζεται τις διακοπές που μετράνε. Αν μια δοκιμή αποτύχει, ερεύνησε την αποτυχία πριν αυξήσεις τη διάρκεια. Η σωστή αλλαγή μπορεί να είναι ένας καλύτερος έλεγχος, ένα ικανότερο μοντέλο, ή μια ανθρώπινη απόφαση που κανένας όγκος επιπλέον κειμένου δεν θα λύσει.
Κρίνε τα αποτελέσματα με όρους που παρατηρείς:
- Εξηγείς το ίδιο πράγμα λιγότερο συχνά;
- Εξαφανίζονται οι διορθώσεις που επαναλαμβάνονταν;
- Χρησιμοποιούν όλοι οι συνεργάτες τις ίδιες τρέχουσες αποφάσεις;
- Έχετε λιγότερες συγκρούσεις εκδόσεων;
- Οι ερωτήσεις που σου γυρίζει το AI κάνουν πιο εύκολες τις δύσκολες αποφάσεις;
Βάλε στον λογαριασμό και το κόστος συντήρησης του στησίματος και ελέγχου του αποτελέσματος. Μια δουλειά μπορεί να γλιτώνει χρόνο γραψίματος και να δημιουργεί περισσότερη δουλειά συμβιβασμού. Μια άλλη μπορεί να αργεί περισσότερο αλλά να αποκαλύπτει ένα θέμα που θα αντέστρεφε τη σύσταση.
Αν το AI σου δεν σου κάνει ποτέ ερώτηση, πρόσεξέ το: μπορεί να σημαίνει ότι ακόμα οδηγείς εσύ κάθε βήμα. Σημασία έχει αν ανέδειξε τα ζητήματα που ήθελαν κρίση και απάντησε τα υπόλοιπα από τη διαθέσιμη πληροφορία.
Και η ολοκλήρωση θέλει ακριβή ορισμό. Το να τελειώσει ένα μοντέλο την απάντησή του, να ολοκληρώσει ένα εργαλείο μια ενέργεια, να περάσει ένας έλεγχος και να εκπληρώσει μια ανάθεση τον σκοπό της είναι τέσσερα διαφορετικά γεγονότα. Κοίτα την πραγματική δουλειά. Κατέγραψε τις αποφάσεις που εκκρεμούν. Αν το έργο περιμένει, κράτα τον λόγο και τον τρόπο που πρέπει να συνεχίσει. Αν μια ακόμα απόπειρα δεν φέρνει χρήσιμα στοιχεία, άλλαξε προσέγγιση, πάρε την απόφαση που χρειάζεσαι από άνθρωπο, ή σταμάτα.
Πόση ευθύνη δίνεις στο AI ανά φάση (με τα πρόσωπα της ΗλιοΤεχνικής)
- Επίπεδο 1 — Χαμηλό (μόνο προσχέδιο): το AI γράφει μόνο το πρώτο σχέδιο, σταματά όταν λείπει στοιχείο και δεν παίρνει καμία απόφαση (ο Γιώργος ελέγχει πριν προχωρήσει).
- Επίπεδο 2 — Μεσαίο (διπλός έλεγχος): το AI ετοιμάζει το προσχέδιο και τρέχει δεύτερο prompt διασταύρωσης (checklist Μαρίας) με ακριβή αποσπάσματα από τις πηγές, πριν το δει άνθρωπος.
- Επίπεδο 3 — Υψηλό με πύλη έγκρισης: το AI εκτελεί ολόκληρη ακολουθία βημάτων με προκαθορισμένες στάσεις έγκρισης από τη Μαρία (έλεγχος) και την Ελένη (υπογραφή) πριν από οποιαδήποτε αποστολή σε πελάτη.
Prompt 4 από 5: Σύγκριση τρόπων να συνεχίσει η δουλειά
Χρήσιμο όταν η δουλειά «γυρίζει γύρω-γύρω» ή όταν δεν ξέρεις αν ήρθε η ώρα να περάσεις από τη συλλογή στη δοκιμή.
Πριν κάνεις άλλο βήμα, θέλω να αποφασίσουμε πώς συνεχίζει η δουλειά. Τελικός στόχος (δεν αλλάζει χωρίς ανθρώπινη έγκριση): [π.χ. «να αποφασίσουμε αν χαμηλώνουμε τις τιμές μας στα ξενοδοχεία»] Τι έχουμε μάθει μέχρι τώρα: [2-4 κουκκίδες με ευρήματα και την πηγή του καθενός] Τι μας προβληματίζει: [π.χ. «δεν ξέρουμε αν οι προσφορές των ανταγωνιστών είναι συγκρίσιμες»] Πρότεινε 3 διαφορετικούς τρόπους να συνεχίσουμε (π.χ. «μάζεψε περισσότερα στοιχεία», «έλεγξε αν τα υπάρχοντα είναι συγκρίσιμα», «πέρνα σε μικρή δοκιμή»). Για τον καθένα γράψε: - Τι θα παράγει ή τι θα αποκαλύψει. - Ποια αβεβαιότητα κλείνει και αν αυτή θα μπορούσε να αντιστρέψει το συμπέρασμα. - Πόσο χρόνο θέλει και σε ποιο σημείο πρέπει να σταματήσουμε για να αποφασίσει άνθρωπος. - Ποιο σημάδι θα έδειχνε ότι αυτός ο δρόμος έγινε αποφυγή (π.χ. συνεχίζουμε να μαζεύουμε, ενώ ήταν ώρα να δοκιμάσουμε). Στο τέλος πρότεινε ΕΝΑΝ δρόμο και εξήγησε σε 3 προτάσεις γιατί. Μην ξεκινήσεις τη δουλειά πριν συμφωνήσω.
Προτείνω τον δρόμο 2: πριν μαζέψουμε άλλες τιμές, να ελέγξουμε αν οι 4 προσφορές που βρήκαμε περιλαμβάνουν συντήρηση και μελέτη στατικότητας. Αν δεν τις περιλαμβάνουν, η «φθηνότερη» τιμή μπορεί να είναι στην πράξη ακριβότερη, και το συμπέρασμα να αντιστραφεί.
Σημείο απόφασης: μετά τον έλεγχο, η Ελένη αποφασίζει αν συνεχίζουμε με την τιμή ή με τους χρόνους παράδοσης.
Prompt 5 από 5: Ανασκόπηση μετά τη δοκιμή
Το τρέχεις αφού κάνεις τη δοκιμή της φρέσκιας συνεδρίας, για να δεις με στοιχεία αν η διόρθωση κρατιέται στη νέα συνεδρία (μία επιτυχημένη δοκιμή δείχνει βελτίωση, όχι απόλυτη εγγύηση).
Κάναμε μια δοκιμή για να δούμε αν μια διόρθωση κρατιέται σε νέα συνεδρία. Βοήθησέ με να την αξιολογήσω με βάση τα στοιχεία, όχι τις εντυπώσεις. Η διόρθωση που δοκιμάσαμε: [τι αλλάξαμε και σε ποιο αρχείο] Η πρόβλεψή μου πριν από τη δοκιμή: [τι περίμενα να γίνει] Τι έγινε: [επικόλλησε ή επισύναψε το αποτέλεσμα] Απάντησε με τη σειρά: 1. Η νέα συνεδρία βρήκε και εφάρμοσε τη διόρθωση χωρίς να την ξαναεξηγήσω; Στήριξέ το σε καταγραφή εργαλείων ή ακριβές απόσπασμα· αλλιώς γράψε «μη επιβεβαιωμένο». 2. Όταν άλλαξε μια σχετική λεπτομέρεια, εφάρμοσε τον κανόνα ή αντέγραψε την προηγούμενη απάντηση; 3. Αν απέτυχε, ποια από τις 4 αιτίες ισχύει: (1) κενό τρέχοντος πλαισίου (ΤΡΕΧΟΝ.md), (2) σύγκρουση πηγών & παλιών δειγμάτων (ΧΑΡΤΗΣ-ΠΗΓΩΝ.md), (3) κόπωση μακράς συνεδρίας ή ανατροπή απόφασης (ΑΠΟΦΑΣΕΙΣ.md), ή (4) ασαφή όρια πρωτοβουλίας / έλλειψη κανόνα ελέγχου (ΟΔΗΓΙΕΣ.md); 4. Τι ΔΕΝ έλεγξε αυτή η δοκιμή; 5. Τι αλλάζουμε πριν από την επόμενη δοκιμή; Ή είναι ώρα να δώσουμε στο AI μεγαλύτερο κομμάτι δουλειάς; Όπου δεν υπάρχουν αρκετά στοιχεία, γράψε «άγνωστο» και πρότεινε πώς θα το μάθουμε.
1. Ναι (από τα αποσπάσματα): στην καταγραφή εργαλείων της νέας συνεδρίας φαίνεται ανάγνωση του ΧΑΡΤΗΣ-ΠΗΓΩΝ.md και της συμφωνίας, και το ποσό ταυτίζεται με το εγκεκριμένο απόσπασμα. 2. Ναι: με τιμή-δοκιμή 21.400 € έγραψε 21.400 €, όχι 18.000 €.
4. Δεν ελέγχθηκε: τι γίνεται όταν το email του πελάτη έρχεται σε σύγκρουση με τη συμφωνία. Προτείνω αυτό ως επόμενη δοκιμή.
Πώς να τα χρησιμοποιήσεις: ξεκίνα με τα παραδείγματα του μαθήματος και μετά πέρνα στο δικό σου υλικό. Γράψε τι νομίζεις ότι συμβαίνει πριν ζητήσεις την ερμηνεία του AI. Σύγκρινε τις εξηγήσεις με τα στοιχεία και δοκίμασε την αλλαγή που διάλεξες. Το επόμενο χρήσιμο βήμα μπορεί να είναι μια φρέσκια συνεδρία που κουβαλά σωστά μία σημαντική διόρθωση, ή μια δοκιμή ομάδας όπου μια απόφαση που άλλαξε φτάνει σε κάθε συνεισφορά που επηρεάζει. Όταν μπορείς να εξηγήσεις γιατί το στήσιμό σου ταιριάζει στη δουλειά, να δείξεις πού πετυχαίνει και να αναγνωρίζεις πού χρειάζεται παρέμβαση, έχεις βάση για να δώσεις στο AI περισσότερη ευθύνη.
Κουίζ 5 ερωτήσεων: βρες το λάθος
Το σκορ μετράει μόνο την πρώτη σου απάντηση σε κάθε ερώτηση.
1. Το AI έγραψε 15.000 € αντί για 18.000 €. Διαπιστώνεις ότι άνοιξε το αρχείο της συμφωνίας και παρ' όλα αυτά έγραψε τον παλιό αριθμό. Πού είναι μάλλον το πρόβλημα;
Εξήγηση
Αφού η τιμή υπήρχε και το αρχείο της συμφωνίας ανοίχτηκε, αποκλείεις το κενό πλαισίου (Αιτία 1). Το πρόβλημα βρίσκεται στη σύγκρουση πηγών (ΧΑΡΤΗΣ-ΠΗΓΩΝ.md · Αιτία 2) ή στην έλλειψη υποχρεωτικής σύγκρισης / ορίων πρωτοβουλίας (ΟΔΗΓΙΕΣ.md · Αιτία 4).
2. Ο πελάτης ζήτησε με email παράδοση 15 Ιουνίου. Η εγκεκριμένη συμφωνία γράφει 22 Ιουνίου. Ποια οδηγία προς το AI είναι η σωστή;
Εξήγηση
Ένα νεότερο email δείχνει τι ζήτησε ο πελάτης, όχι τι αποφάσισε η εταιρεία. Το «πιο πρόσφατο» και το «εγκεκριμένο» απαντούν σε διαφορετικές ερωτήσεις.
3. Ένας πελάτης δεν θέλει τη φράση «πράσινη επένδυση» στις προσφορές του. Πού πάει αυτή η διόρθωση;
Εξήγηση
Μια τοπική εξαίρεση δεν πρέπει να γίνεται σιωπηλά κανόνας για όλη την εταιρεία. Κι αν μείνει μόνο στη συνομιλία, χάνεται στην επόμενη συνεδρία.
4. Τι λείπει από το σημείωμα συνέχειας «Ο έλεγχος πέρασε, όλα εντάξει»;
Εξήγηση
Ένα «πέρασε» καλύπτει μόνο την έκδοση που ελέγχθηκε. Το καλό σημείωμα δείχνει στην επόμενη συνεδρία τι πρέπει να ξαναελέγξει, χωρίς να κουβαλά όλη τη συζήτηση.
5. Στο αρχείο οδηγιών γράφεις «Ο Γιώργος δεν αλλάζει τιμές». Τι ισχύει;
Εξήγηση
Ένας ρόλος γραμμένος σε αρχείο Markdown δεν δημιουργεί έλεγχο πρόσβασης. Μάθε ποιοι περιορισμοί επιβάλλονται πραγματικά, π.χ. τα δικαιώματα κοινής χρήσης στο Google Drive.
ΣΥΝΕΧΙΣΕ ΔΩΡΕΑΝ
Διάβασες 1 από τους 95 δωρεάν οδηγούς. Ποια δουλειά λύνουμε μετά;
5 ΔΩΡΕΑΝ ΜΙΝΙ ΣΕΜΙΝΑΡΙΑ · ΒΗΜΑ-ΒΗΜΑ
ChatGPT, Gemini, Claude, «AI στη ζωή» και «Προσωπικό AI Σύστημα». Διάλεξε τη διαδρομή που θέλεις σήμερα και ακολούθησε τα μαθήματα με έτοιμα prompts.
Διάλεξε μίνι σεμινάριοΔΙΑΛΕΞΕ ΤΗ ΔΟΥΛΕΙΑ ΠΟΥ ΣΕ ΠΑΙΔΕΥΕΙ
Δεν είναι εδώ η δουλειά σου; Γράψε μου στο WhatsApp
Κωνσταντίνος Κορίκης. Απαντώ ο ίδιος, δωρεάν.




