Το chatbot σου απάντησε, αλλά πώς ξέρεις αν μπορείς να το εμπιστευτείς;
Το σημαντικό δεν είναι να αναρωτιόμαστε μόνο αν η απάντηση που μας δίνει η τεχνητή νοημοσύνη είναι σωστή, αλλά να καταλάβουμε πρώτα τι είδους απάντηση έχουμε μπροστά μας.
- 30 ΣΕΠ 2026
Γεια σας, [insert a name here], τι σκέφτεστε;, Ρώτα το ChatGPT, Τι να εξερευνήσουμε; Είναι μερικές από τις πιο χαρακτηριστικές ερωτήσεις και προτροπές που μπορεί κανείς να βρει σήμερα στα δεκάδες chatbots εκεί έξω, αυτούς τους ακούραστους βοηθούς της τεχνητής νοημοσύνης που είναι πάντα εκεί, διαθέσιμοι όλο το 24ωρο, έτοιμοι να εξηγήσουν, να προτείνουν, να γράψουν και να λύσουν ακόμα και την πιο τρελή απορία.
Οι εξηγήσεις, οι προτάσεις και οι απαντήσεις τους παίρνουν σάρκα και οστά μπροστά στα μάτια μας, πετώντας μας το μπαλάκι είτε να τα διαχειριστούμε χωρίς καμία κριτική σκέψη είτε να προσπαθήσουμε να τα διασταυρώσουμε όσο καλύτερα μπορούμε.
Μπορούμε όμως, πράγματι, να εμπιστευτούμε τις απαντήσεις που παίρνουμε;
Η συζήτηση γύρω από την τεχνητή νοημοσύνη έχει επικεντρωθεί μέχρι σήμερα, κυρίως στο αν η απάντηση που λαμβάνουμε από ένα σύστημα, είναι σωστή ή λάθος. Η ακρίβεια είναι προφανώς το πρώτο και σημαντικότερο κριτήριο αξιολόγησης, αλλά δεν είναι και το μόνο.
Ο Leo S. Lo, πανεπιστημιακός βιβλιοθηκονόμος και κοσμήτορας βιβλιοθηκών στο Πανεπιστήμιο της Βιρτζίνια, προτείνει έναν χρήσιμο τρόπο για να αξιολογούμε τις απαντήσεις της τεχνητής νοημοσύνης, μια «τυπολογία απαντήσεων», όπως λέει, τις οποίες ταξινομεί σε τέσσερις μεγάλες κατηγορίες: πραγματολογικές, ερμηνευτικές, κατασκευαστικές και στρατηγικές.
Και εξηγεί: ένας πραγματολογικός ισχυρισμός μπορεί συχνά να επαληθευτεί σε σχέση με μια πηγή· μια ερμηνεία μπορεί να είναι ακριβής και παρ’ όλα αυτά να αντανακλά επιλογές σχετικά με το ποια στοιχεία θεωρούνται σημαντικά και ποια όχι· μια κατασκευαστική απάντηση μπορεί να είναι καλά αιτιολογημένη και παρ’ όλα αυτά να είναι λανθασμένη για τον αποδέκτη της· ένα στρατηγικό έγγραφο μπορεί να είναι, όσο όμορφα γραμμένο κι αν είναι, μπορεί να μην ανταποκρίνεται στην πραγματικότητα.
Το πρόβλημα είναι ότι η τεχνητή νοημοσύνη παρουσιάζει και τους τέσσερις τύπους απαντήσεων με τον ίδιο περίπου εύγλωττο και αξιόπιστο τρόπο.
Το σημαντικό λοιπόν, δεν είναι να αναρωτιόμαστε μόνο αν η απάντηση που μας δίνει η τεχνητή νοημοσύνη είναι σωστή, αλλά να καταλάβουμε πρώτα τι είδους απάντηση έχουμε μπροστά μας.
Για παράδειγμα, αν ρωτήσουμε ένα AI «πότε ιδρύθηκε το Πανεπιστήμιο της Βιρτζίνια;» ή «ποιο είναι το χημικό σύμβολο του χρυσού;», η απάντηση ανήκει στην κατηγορία των πραγματολογικών πληροφοριών. Υπάρχει δηλαδή, ένα συγκεκριμένο δεδομένο που μπορεί να ελεγχθεί. Σε αυτές τις περιπτώσεις, ο καλύτερος τρόπος αξιολόγησης είναι η διασταύρωση με μια αξιόπιστη πηγή – όχι απλώς η εμπιστοσύνη στον τρόπο με τον οποίο παρουσιάζεται η απάντηση.
Ερωτήματα όπως, «πόσος χρόνος μπροστά σε μια οθόνη είναι υπερβολικός για έναν έφηβο;» ή «αν η τηλεργασία αυξάνει την παραγωγικότητα;» δεν έχουν πάντα μία απάντηση, καθώς αυτή εξαρτάται από το ποια δεδομένα εξετάζονται, ποια παραλείπονται και ποια συμπεράσματα θεωρούνται πιο σημαντικά. Έτσι, θεωρούνται ερμηνευτικές απαντήσεις.
Σε αυτές τις περιπτώσεις, η σωστή ερώτηση δεν είναι μόνο «είναι σωστό αυτό που μου είπε το AI;», αλλά και: «Ποια στοιχεία επέλεξε να τονίσει; Τι άφησε έξω; Υπάρχει κάποια άλλη τεκμηριωμένη άποψη;».
Ακολουθούν οι λεγόμενες κατασκευαστικές απαντήσεις, μέσα από τις οποίες δεν ανακαλύπτεται μια πληροφορία αλλά δημιουργούν κάτι νέο: για παράδειγμα, όταν ζητάμε από ένα AI να γράψει ένα email, να φτιάξει μια επιστολή για μια δουλειά, να προτείνει ένα πλάνο ή να ξαναγράψει ένα κείμενο.
Τέλος, υπάρχουν οι στρατηγικές απαντήσεις: εκείνες που προσπαθούν να απαντήσουν στο δύσκολο ερώτημα «τι πρέπει να κάνω;». Να αγοράσω αυτό το σπίτι; Να αλλάξω δουλειά; Να πάρω ένα συγκεκριμένο φάρμακο;
Σε αυτές τις περιπτώσεις, η τεχνητή νοημοσύνη μπορεί να βοηθήσει συγκεντρώνοντας πληροφορίες και παρουσιάζοντας πιθανούς κινδύνους ή επιλογές. Δεν μπορεί, όμως, να γνωρίζει όλα όσα κάνουν μια απόφαση προσωπική: τις προτεραιότητές μας, τις αντοχές μας, το ιστορικό μας, τις συνέπειες που είμαστε διατεθειμένοι να αναλάβουμε.
Η πιο χρήσιμη ερώτηση προς ένα AI, λοιπόν, ίσως δεν είναι πάντα «ποια είναι η απάντηση;». Είναι: «Τι χρειάζεται να γνωρίζεις για τη δική μου περίπτωση ώστε αυτή η απάντηση να έχει πραγματικά νόημα;».
Γιατί μια απάντηση μπορεί να ακούγεται έξυπνη, ολοκληρωμένη και απόλυτα βέβαιη. Το αν πρέπει να την εμπιστευτούμε, όμως, εξαρτάται πρώτα από το τι ακριβώς μας απάντησε.
Η ερώτηση που πρέπει να κάνουμε μετά από κάθε απάντηση
Το κλειδί τελικά, είναι να προσπαθήσεις να αναγνωρίσεις τι είδους νοητική εργασία πραγματοποίησε το chatbot για να φτάσει στην απάντηση που μόλις έλαβες στην οθόνη σου. Αν δηλαδή, μας παραθέτει μια πληροφορία που μπορεί να ελεγχθεί, αν επιχειρεί μια ερμηνεία ή αν προσπαθεί να μας δώσει μια συμβουλή που ταιριάζει στη δική μας περίπτωση.
Η απάντηση σε αυτό το αναγκαίο ερώτημα μπορεί να μας δείξει και τι πρέπει να κάνουμε μετά: να αναζητήσουμε μια πηγή, να εξετάσουμε μια διαφορετική οπτική ή να ζητήσουμε τη γνώμη κάποιου ειδικού.
Ακολουθήστε το OneMan στο Google News και μάθετε τις σημαντικότερες ειδήσεις.