Τι συμβαίνει όταν αναθέτουμε τη σκέψη στην τεχνητή νοημοσύνη και επτά συνήθειες για να κρατήσουμε την κρίση μας σε φόρμα.
Ανοίγεις το AI, γράφεις μια ερώτηση και σε λίγα δευτερόλεπτα έχεις μια απάντηση που θα σου έπαιρνε ώρα να συντάξεις. Κερδίζεις χρόνο. Αλλά υπάρχει μια δεύτερη ερώτηση που αξίζει να κάνεις: εσύ τι έμαθες στο μεταξύ;
Για μένα, εδώ αρχίζει η ουσιαστική συζήτηση. Δεν με απασχολεί αν θα χρησιμοποιούμε την τεχνητή νοημοσύνη. Με απασχολεί αν, όσο τη χρησιμοποιούμε, συνεχίζουμε να παρατηρούμε, να αμφιβάλλουμε και να αποφασίζουμε μόνοι μας.
Αφορμή για αυτό το άρθρο είναι η ανάλυση «AI brain rot» του Ruben Hassid στο How to AI. Η αναλογία του είναι απλή: όπως η αφθονία του εύκολου φαγητού μάς έβαλε να σκεφτούμε ξανά τη διατροφή και την άσκηση, έτσι η αφθονία των έτοιμων απαντήσεων μας αναγκάζει να σκεφτούμε πώς εξασκούμε το μυαλό μας.[1]
1. Η ευκολία δεν είναι ο εχθρός
Τα γυαλιά μάς βοηθούν να βλέπουμε. Η γραφή μάς επιτρέπει να αποθηκεύουμε γνώση. Η αριθμομηχανή μάς απαλλάσσει από υπολογισμούς και το GPS μάς οδηγεί στον προορισμό μας. Δεν χρειάζεται να κάνουμε τα πάντα δύσκολα για να αισθανόμαστε ικανοί.
Το ίδιο ισχύει για το AI. Μπορεί να απαντήσει σε μια ερώτηση, αλλά μπορεί και να μας βοηθήσει να καταλάβουμε την απάντηση. Η διαφορά βρίσκεται στο αν συμμετέχουμε στη διαδικασία ή αν παραλαμβάνουμε απλώς το αποτέλεσμα.
Όταν το εργαλείο κάνει όλη τη δουλειά πριν από εμάς, χάνονται ευκαιρίες για επανάληψη, προσοχή, ανάκληση και διόρθωση λάθους. Η δουλειά μπορεί να ολοκληρώνεται γρηγορότερα, ενώ η δική μας δεξιότητα μένει χωρίς εξάσκηση.
Η αναλογία με το φαγητό βοηθά να το δούμε. Σε ελεγχόμενη μελέτη, οι συμμετέχοντες κατανάλωναν περίπου 508 περισσότερες θερμίδες την ημέρα όταν ακολουθούσαν υπερεπεξεργασμένη διατροφή και πήραν περίπου 0,9 κιλά σε δύο εβδομάδες. Με ανεπεξέργαστη διατροφή, οι ίδιοι άνθρωποι έχασαν περίπου 0,9 κιλά.[2] Η μελέτη αφορά τη διατροφή, όχι το AI. Το ερώτημα που δανειζόμαστε είναι τι αλλάζει όταν κάτι γίνεται πολύ εύκολο και άφθονο.
2. Καλύτερο αποτέλεσμα δεν σημαίνει πάντα καλύτερη δεξιότητα
Σκέψου το GPS. Μια τριετής μελέτη συνέδεσε τη μεγαλύτερη χρήση του με επιδείνωση της χωρικής μνήμης.[3] Δεν σημαίνει ότι πρέπει να σταματήσεις να το χρησιμοποιείς. Αξίζει όμως να παρατηρείς τη διαδρομή, αντί να ακολουθείς μηχανικά την επόμενη στροφή.
Στην τάξη, η διαφορά γίνεται ακόμη πιο καθαρή. Σε πείραμα με σχεδόν 1.000 μαθητές λυκείου, η επίδοση στις ασκήσεις με διαθέσιμη βοήθεια αυξήθηκε κατά 48% με μια γενική εκδοχή του GPT και κατά 127% με μια ειδικά σχεδιασμένη εκδοχή διδασκαλίας. Στο τεστ χωρίς βοήθεια, όμως, η πρώτη ομάδα είχε κατά 17% χαμηλότερη επίδοση από την ομάδα ελέγχου. Στην ομάδα με τον ψηφιακό δάσκαλο δεν εμφανίστηκε αντίστοιχη σημαντική υστέρηση.[4]
Αυτό που κρατώ είναι πρακτικό: η βοήθεια που σε οδηγεί να λύσεις κάτι δεν είναι ίδια με τη βοήθεια που το λύνει αντί για εσένα. Και το να τα πηγαίνεις καλύτερα όσο έχεις το εργαλείο ανοιχτό δεν σημαίνει ότι έχεις μάθει περισσότερα.
Παρόμοιο προβληματισμό προκαλεί η ιατρική. Σε μελέτη κολονοσκοπήσεων, το ποσοστό ανίχνευσης αδενωμάτων στις εξετάσεις χωρίς AI μειώθηκε από 28,4% πριν από την εισαγωγή του συστήματος σε 22,4% μετά.[5] Είναι ένα εύρημα που θέτει θέμα διατήρησης της ανθρώπινης προσοχής, όχι λόγος να απορρίψουμε την τεχνολογία.
Στους πιλότους, μελέτη σε προσομοιωτή έδειξε ότι οι βασικές χειροκίνητες δεξιότητες παρέμεναν σε μεγάλο βαθμό διατηρημένες. Περισσότερες δυσκολίες εμφανίστηκαν σε γνωστικές εργασίες που συνήθως αναλαμβάνει η αυτοματοποίηση: παρακολούθηση θέσης, σχεδιασμός της επόμενης ενέργειας και διάγνωση βλαβών οργάνων.[6]
Η μνήμη μάς δίνει ένα ακόμη παράδειγμα. Όταν περιμένουμε ότι μια πληροφορία θα παραμείνει διαθέσιμη στον υπολογιστή, μπορεί να θυμόμαστε λιγότερο το περιεχόμενό της και περισσότερο πού θα τη βρούμε.[7] Σε πείραμα σε μουσείο, όσοι φωτογράφιζαν ολόκληρα εκθέματα θυμούνταν αργότερα λιγότερα από όσους τα παρατηρούσαν. Όταν όμως εστίαζαν σε συγκεκριμένες λεπτομέρειες για να τις φωτογραφίσουν, η εικόνα άλλαζε.[8] Η ενεργή προσοχή έχει σημασία.
Ακόμη και οι αισθήσεις δίνουν ενδιαφέροντα παραδείγματα προσαρμογής. Κυνηγοί-τροφοσυλλέκτες στη Μαλαισία ονόμαζαν τις μυρωδιές ευκολότερα από έναν γειτονικό πληθυσμό γεωργών.[9] Σε άλλη μελέτη, πέντε μήνες με λιγότερο αλάτι άλλαξαν την αντιλαμβανόμενη αλμυρότητα και την προτίμηση για αλάτι σε συγκεκριμένα τρόφιμα.[10] Δεν είναι όλα αυτά το ίδιο φαινόμενο. Μας θυμίζουν όμως πόσο μετρά η καθημερινή εμπειρία.
3. Τέσσερις ερωτήσεις για να δεις τι έχεις αναθέσει
Το να αναθέτεις μια εργασία δεν σημαίνει αυτομάτως ότι χάνεις μια δεξιότητα. Το πρόβλημα αρχίζει όταν παύεις να εξασκείς κάτι που εξακολουθείς να χρειάζεσαι και δυσκολεύεσαι να το κάνεις χωρίς το εργαλείο. Αυτό περιγράφει ο όρος deskilling: απώλεια δεξιότητας.
Αντί λοιπόν να αναρωτιέσαι γενικά αν το AI είναι καλό ή κακό, κάνε έναν πιο συγκεκριμένο έλεγχο:
Τι έκανα προηγουμένως μόνος μου;
Έγραφα τον πρώτο σκελετό ενός κειμένου; Υπολόγιζα ένα ποσό; Θυμόμουν τις βασικές πληροφορίες; Διάλεγα ανάμεσα σε δύο στρατηγικές;
Τι κάνει τώρα το εργαλείο για εμένα;
Με βοηθά να ολοκληρώσω την εργασία ή έχει αναλάβει και τη σκέψη που προηγείται;
Εξακολουθώ να εξασκώ αυτή τη δεξιότητα;
Δοκιμάζω, κάνω λάθη και τα διορθώνω ή βλέπω κατευθείαν την τελική απάντηση;
Τι θα γινόταν αν το εργαλείο δεν ήταν διαθέσιμο;
Θα χρειαζόμουν απλώς περισσότερο χρόνο ή δεν θα ήξερα από πού να αρχίσω;
4. Όταν δυσκολευόμαστε ακόμη και να αποφασίσουμε τι μας ενδιαφέρει
Στο πρωτότυπο άρθρο, ο Hassid μεταφέρει μια ανάρτηση εκπαιδευτικού για μια εργασία συνέντευξης. Οι μαθητές έπρεπε να μιλήσουν με κάποιο πρόσωπο, να ηχογραφήσουν τη συζήτηση και να γράψουν ένα κείμενο με όσα βρήκαν ενδιαφέροντα. Σύμφωνα με την ανάρτηση, κάποιοι δυσκολεύονταν ακόμη και να επιλέξουν ποια σημεία θα κρατήσουν.[1]
Το χαρακτηριστικό σημείο της συζήτησης ήταν η ερώτηση του μαθητή: «Πώς ξέρω αν κάτι είναι ενδιαφέρον;» Είναι μια προσωπική μαρτυρία, όχι γενικό συμπέρασμα για όλους τους μαθητές. Ωστόσο, η ερώτηση αξίζει να μας απασχολήσει.
Στη δουλειά μας συμβαίνει κάτι ανάλογο όταν ζητάμε από το AI όχι μόνο να οργανώσει τις πληροφορίες, αλλά και να αποφασίσει τι μας νοιάζει. Αν δεν έχουμε άποψη για το τι κρατάμε και γιατί, ένα καλογραμμένο κείμενο δεν καλύπτει το κενό.
5. Πότε αυτοματοποιείς και πότε επιμένεις να σκεφτείς
Ο Hassid χρησιμοποιεί τον όρο workslop για δουλειά που φαίνεται ολοκληρωμένη αλλά έχει μικρή ουσία. Και τον πιο αιχμηρό όρο meat proxy για τον άνθρωπο που απλώς μεταφέρει την απάντηση του μοντέλου χωρίς να προσθέτει κρίση.[1] Δεν χρειάζομαι την ταμπέλα για να αναγνωρίσω τον κίνδυνο: να παραδίδω κάτι που δεν μπορώ να εξηγήσω ή να υπερασπιστώ.
Ο κανόνας που προτείνω είναι απλός. Όταν ο στόχος είναι να παραχθεί ένα αποτέλεσμα, αυτοματοποίησε όσα έχει νόημα να αυτοματοποιήσεις και έλεγξε το τελικό. Όταν ο στόχος είναι να μάθεις, προσπάθησε πρώτα: πρόβλεψε, γράψε, θυμήσου, εξήγησε και αποφάσισε πριν δεις τη λύση.
Στη στρατηγική και στην επικοινωνία, αυτό μπορεί να αλλάξει ακόμη και τον τρόπο που γράφεις ένα prompt. Αντί για «Ποια στρατηγική να ακολουθήσω;», δώσε πρώτα τις επιλογές που σκέφτηκες εσύ και εξήγησε τι σε προβληματίζει.
«Έχω σκεφτεί τρεις επιλογές για την καμπάνια. Η πρώτη δίνει έμφαση στην αναγνωρισιμότητα, η δεύτερη στις επαφές και η τρίτη στις άμεσες πωλήσεις. Με τον διαθέσιμο προϋπολογισμό, κλίνω προς τη δεύτερη. Ποιες παραδοχές μου χρειάζονται έλεγχο; Ποια εναλλακτική έχω παραβλέψει; Κάνε μου πρώτα ερωτήσεις, πριν προτείνεις λύση.»
Έτσι το AI δουλεύει πάνω στη δική σου σκέψη. Μπορεί να δείξει ένα τυφλό σημείο, να αμφισβητήσει μια παραδοχή ή να σου προτείνει κάτι που δεν είδες. Η τελική επιλογή παραμένει δική σου.
6. Δεν χρειάζεται να φύγεις από το AI
Η αποχή δεν είναι η λύση που με ενδιαφέρει. Θέλω να αξιοποιώ την ταχύτητα και την ευκολία των εργαλείων, χωρίς να παραδίδω μαζί τους και την κρίση μου.
Το γυμναστήριο βάζει σωματική προσπάθεια σε μια καθημερινότητα που συχνά δεν την απαιτεί. Με την ίδια λογική, μπορούμε να κρατάμε μικρές ευκαιρίες για νοητική προσπάθεια: να γράφουμε κάτι από την αρχή, να θυμόμαστε πριν αναζητήσουμε, να εξηγούμε μια ιδέα χωρίς να διαβάζουμε έτοιμη σύνοψη.
Δεν χρειάζεται να κάνουμε τα πάντα μόνοι μας. Χρειάζεται να ξέρουμε ποιες δεξιότητες θέλουμε να διατηρήσουμε και να μην τις αφήνουμε μόνιμα ανενεργές.
7. Επτά συνήθειες που προτείνω για τη δουλειά μας
Αν θέλεις να το δοκιμάσεις πρακτικά, ξεκίνα από αυτές τις επτά συνήθειες. Δεν είναι πρόγραμμα αποχής από το AI. Είναι ένας τρόπος να παραμένεις ενεργός μέσα στη συνεργασία.
- Γράψε πρώτα έναν δικό σου σκελετό. Ακόμη και πέντε πρόχειρες γραμμές αρκούν για να ξεκαθαρίσεις τι θέλεις να πεις. Μετά ζήτησε βελτίωση.
- Κάνε μια πρόβλεψη πριν ρωτήσεις. Τι περιμένεις να προκύψει και γιατί; Σύγκρινε την απάντηση με τη σκέψη σου.
- Κράτησε χρόνο χωρίς AI για τα βασικά. Μια μικρή εργασία ή ένα σταθερό διάστημα την εβδομάδα είναι πιο χρήσιμο από μια μεγάλη υπόσχεση που δεν τηρείται.
- Ζήτησε ερωτήσεις πριν από λύσεις. «Τι χρειάζεται να ξεκαθαρίσω;» και «Ποια παραδοχή μου είναι αδύναμη;» είναι συχνά καλύτερη αρχή από το «Γράψε το εσύ».
- Θυμήσου πριν αναζητήσεις. Σημείωσε τι ξέρεις ήδη για το θέμα και έλεγξε μετά τι σου λείπει ή τι θυμόσουν λάθος.
- Κράτησε κάποιες σημειώσεις μόνος σου. Διάλεξε εσύ τι αξίζει να καταγράψεις, αντί να αναθέτεις κάθε φορά όλη τη σύνοψη στο εργαλείο.
- Δοκίμασε την αυτονομία σου. Αν δεν είχες AI για μία εβδομάδα, σε τι θα δυσκολευόσουν περισσότερο; Διάλεξε μία τέτοια δεξιότητα και εξάσκησέ την.
Δεν θέλω να γίνομαι απλώς πιο γρήγορος στην παραλαβή απαντήσεων. Θέλω να γίνομαι καλύτερος στο να καταλαβαίνω ποιες αξίζουν.
Την επόμενη φορά που θα ανοίξεις το AI, γράψε πρώτα δύο γραμμές με τη δική σου σκέψη. Μετά ζήτησέ του να σε βοηθήσει να την ελέγξεις.
Πηγές και αφορμή
Το άρθρο είναι ελληνική επιμέλεια και προσωπική προσαρμογή με αφορμή την ανάλυση του Ruben Hassid. Οι αριθμημένες παραπομπές επιτρέπουν στον αναγνώστη να βρει το αρχικό υλικό.
[1] Ruben Hassid, «AI brain rot», How to AI, 26 Αυγούστου 2026. https://ruben.substack.com/p/thinking-is-now-cheap
[2] Υπερεπεξεργασμένη διατροφή και πρόσληψη θερμίδων. https://pubmed.ncbi.nlm.nih.gov/31105044
[3] GPS και χωρική μνήμη. https://www.nature.com/articles/s41598-020-62877-0
[4] Γενετική AI και μάθηση μαθηματικών. https://hamsabastani.github.io/education_llm.pdf
[5] AI και ανίχνευση αδενωμάτων. https://pubmed.ncbi.nlm.nih.gov/40816301
[6] Αυτοματοποίηση και δεξιότητες πιλότων. https://pubmed.ncbi.nlm.nih.gov/25509828
[7] Ψηφιακή αποθήκευση και μνήμη. https://pubmed.ncbi.nlm.nih.gov/21764755
[8] Φωτογράφιση και μνήμη. https://pubmed.ncbi.nlm.nih.gov/24311477
[9] Ονομασία οσμών. https://pubmed.ncbi.nlm.nih.gov/29358070
[10] Μείωση νατρίου και προτίμηση αλατιού. https://pubmed.ncbi.nlm.nih.gov/7148734
