AI: Οι εργαζόμενοι εκπαιδεύουν τις μηχανές που μπορεί να τους αντικαταστήσουν – Πρέπει να παίρνουν μερίδιο από τα κέρδη;

Trantorian1 November 2026 · 13:52

Licensed

Με μια ματιά

Εταιρείες AI πληρώνουν ειδικούς για να αξιολογούν και να βελτιώνουν μοντέλα, μεταφέροντας σε αυτά επαγγελματική κρίση.
Ερευνητές προτείνουν συλλογική διαπραγμάτευση για τη χρήση της γνώσης και τη διανομή των οικονομικών ωφελειών.
Η αυτοματοποίηση των εισαγωγικών εργασιών απειλεί και τον τρόπο με τον οποίο εκπαιδεύονται οι αυριανοί ειδικοί.

Ένας δικηγόρος ελέγχει αν ένα επιχείρημα στέκει. Ένας μαθηματικός εντοπίζει το σφάλμα σε μια απόδειξη. Ένας έμπειρος επαγγελματίας εξηγεί γιατί μια απάντηση είναι πειστική, αλλά λανθασμένη. Αυτές οι κρίσεις έχουν αξία για τις εταιρείες τεχνητής νοημοσύνης, που προσλαμβάνουν ειδικούς για να αξιολογούν και να βελτιώνουν τα μοντέλα τους. Έχουν όμως και μια δεύτερη όψη: το σύστημα που εκπαιδεύεται μπορεί μελλοντικά να αναλάβει μέρος της δουλειάς του ανθρώπου που το βοήθησε να εξελιχθεί.

Το ερώτημα δεν είναι πλέον μόνο πόσες θέσεις εργασίας θα επηρεάσει η AI. Είναι ποιος θα εισπράττει την οικονομική αξία της γνώσης που ενσωματώνεται στα συστήματα. Σε ανάλυση της 28ης Οκτωβρίου 2026, το Παγκόσμιο Οικονομικό Φόρουμ καταγράφει μια αναδυόμενη συζήτηση: αρκεί η ωριαία αμοιβή των ειδικών ή πρέπει να έχουν λόγο –και ενδεχομένως συμμετοχή– στα οφέλη που δημιουργούνται;

Από την επισήμανση δεδομένων στην επαγγελματική κρίση

Η ανθρώπινη συμβολή στην ανάπτυξη της AI δεν είναι καινούργια. Εργαζόμενοι σε ψηφιακές πλατφόρμες επισημαίνουν εικόνες, ταξινομούν κείμενα, ελέγχουν απαντήσεις και καθαρίζουν δεδομένα. Αυτό που αλλάζει είναι η αυξανόμενη ζήτηση για εξειδικευμένη κρίση: οι εταιρείες χρειάζονται ανθρώπους που μπορούν να διακρίνουν μια τεχνικά σωστή απάντηση από μια επικίνδυνα παραπλανητική.

Σύμφωνα με το World Economic Forum, ορισμένες θέσεις τέτοιου τύπου διαφημίζουν αμοιβές που υπερβαίνουν τα 100 δολάρια την ώρα. Πρόκειται για ενδεικτικές αγγελίες, όχι για τον μέσο μισθό του κλάδου. Το έργο μπορεί να περιλαμβάνει σύγκριση απαντήσεων, τεκμηρίωση σφαλμάτων και εξήγηση της συλλογιστικής πίσω από μια επαγγελματική απόφαση.

Μέθοδοι όπως η ενισχυτική μάθηση από ανθρώπινη ανατροφοδότηση (RLHF) αξιοποιούν τέτοιες αξιολογήσεις για τη βελτίωση της συμπεριφοράς των μοντέλων. Δεν σημαίνει ότι το μοντέλο «σκέφτεται» ακριβώς όπως ο ειδικός. Σημαίνει ότι η αξιολόγησή του γίνεται ένα από τα σήματα με τα οποία εκπαιδεύεται το σύστημα.

Ποιος κατέχει τη γνώση που μετατρέπεται σε προϊόν;

Στη συνηθισμένη σχέση ανάθεσης έργου, ο επαγγελματίας αμείβεται για τον χρόνο ή το παραδοτέο του. Η μελλοντική εμπορική αξιοποίηση ανήκει, κατά κανόνα, στην επιχείρηση, ανάλογα με τη σύμβαση και το εφαρμοστέο δίκαιο. Η εκπαίδευση AI κάνει αυτή τη διάκριση πιο δύσκολη: η αξία δεν προέρχεται μόνο από ένα έγγραφο ή μια απάντηση, αλλά και από την καταγραφή επαγγελματικών επιλογών που αποκτήθηκαν ύστερα από χρόνια εμπειρίας.

Η συζήτηση δεν συνεπάγεται ότι οι ειδικοί διαθέτουν σήμερα αυτόματο δικαίωμα σε ποσοστό από τα έσοδα ενός μοντέλου. Ούτε υπάρχει εύκολος τρόπος να υπολογιστεί πόσο συνέβαλε μία αξιολόγηση σε ένα προϊόν που εκπαιδεύτηκε με τεράστιο αριθμό δεδομένων και παρεμβάσεων.

Ακριβώς εδώ εμφανίζεται η πρόταση των «συντεχνιών γνώσης» (knowledge guilds), την οποία παρουσιάζει το World Economic Forum επικαλούμενο ερευνητές από αμερικανικά πανεπιστήμια. Η ιδέα είναι οι εργαζόμενοι να διαπραγματεύονται συλλογικά τους όρους με τους οποίους παραχωρείται η επαγγελματική τους γνώση: συναίνεση, όρια χρήσης, προστασία δεδομένων και πιθανή συμμετοχή στα οφέλη παραγωγικότητας.

Γιατί η συλλογική διαπραγμάτευση μπορεί να μετρά περισσότερο

Η ατομική συμφωνία έχει ένα παράδοξο. Αν ένας εργαζόμενος διαθέσει τη γνώση του για να εκπαιδευτεί ένα σύστημα, η εταιρεία ενδέχεται να εξαρτάται λιγότερο από συναδέλφους με παρόμοια εξειδίκευση. Έτσι, μια συμφωνία που συμφέρει βραχυπρόθεσμα έναν άνθρωπο μπορεί να αποδυναμώνει τη διαπραγματευτική θέση πολλών.

Οι συλλογικές συμφωνίες θα μπορούσαν θεωρητικά να αντιμετωπίσουν αυτή την ανισορροπία. Θα μπορούσαν, για παράδειγμα, να προβλέπουν αμοιβές για συγκεκριμένες χρήσεις, ελέγχους σχετικά με τα δεδομένα ή μηχανισμούς επιμερισμού κερδών από την εξοικονόμηση εργασίας. Όλα αυτά, όμως, παραμένουν προτάσεις που απαιτούν νομική, τεχνική και οικονομική εξειδίκευση. Δεν αποτελούν καθιερωμένο μοντέλο της αγοράς.

Η έρευνα «Building Pro-Worker Artificial Intelligence» των Daron Acemoglu, David Autor και Simon Johnson, που δημοσιεύτηκε ως working paper του NBER τον Φεβρουάριο του 2026, διευρύνει το πλαίσιο: η AI δεν είναι υποχρεωτικό να σχεδιάζεται μόνο για αντικατάσταση εργασιών. Μπορεί να δημιουργεί νέες δραστηριότητες που κάνουν την ανθρώπινη εμπειρία περισσότερο πολύτιμη. Το αποτέλεσμα εξαρτάται και από τα κίνητρα των εταιρειών και τις δημόσιες πολιτικές.

Το δεύτερο πρόβλημα: Ποιος θα γίνει ο επόμενος ειδικός;

Υπάρχει μια λιγότερο προφανής συνέπεια. Η εμπειρία δεν εμφανίζεται από το πουθενά. Ο νέος δικηγόρος μαθαίνει εξετάζοντας υποθέσεις. Ο νεότερος μηχανικός αποκτά κρίση διορθώνοντας σχέδια. Ο αρχάριος αναλυτής εξασκείται στις επαναλαμβανόμενες εργασίες που αργότερα του επιτρέπουν να διακρίνει το ουσιώδες.

Αν αυτά τα πρώτα καθήκοντα ανατεθούν εξ ολοκλήρου σε αυτοματοποιημένα συστήματα, οι επιχειρήσεις μπορεί να κερδίσουν χρόνο σήμερα αλλά να δυσκολευτούν να εκπαιδεύσουν έμπειρους ανθρώπους αύριο. Έκθεση του World Economic Forum σε συνεργασία με την PwC εκτιμά ότι περισσότεροι από ένας στους τρεις νέους εργαζομένους παγκοσμίως βρίσκονται σε επαγγέλματα με μέτρια έως υψηλή έκθεση σε αλλαγές καθηκόντων λόγω AI. Η έκθεση δεν υποστηρίζει ότι το αντίστοιχο ποσοστό θέσεων θα εξαφανιστεί.

Η απάντηση δεν είναι να διατηρηθούν άσκοπες διαδικασίες. Είναι να σχεδιαστούν θέσεις εισόδου όπου οι νέοι επαγγελματίες θα μαθαίνουν να ελέγχουν, να αμφισβητούν και να διορθώνουν τα συστήματα, αντί να γίνονται απλοί αποδέκτες των αποτελεσμάτων τους.

Η επόμενη διαπραγμάτευση για την AI

Για τις επιχειρήσεις, η πρόσβαση στην ανθρώπινη εμπειρία αποτελεί ανταγωνιστικό πλεονέκτημα. Για τους εργαζομένους, η ίδια εμπειρία είναι το αποτέλεσμα εκπαίδευσης, χρόνου και επαγγελματικού ρίσκου. Το ζήτημα δεν λύνεται με έναν γενικό κανόνα «ποσοστό για όλους»: διαφορετικά μοντέλα εκπαίδευσης, συμβάσεις και εφαρμογές δημιουργούν διαφορετικά δικαιώματα και υποχρεώσεις.

Η συζήτηση, ωστόσο, αλλάζει το βασικό ερώτημα. Αν η παραγωγικότητα αυξάνεται επειδή η AI μαθαίνει από την κρίση των ανθρώπων, ποιοι πρέπει να αποφασίζουν πώς χρησιμοποιείται αυτή η γνώση και πώς μοιράζονται τα οφέλη; Η απάντηση θα καθορίσει όχι μόνο τις αμοιβές της σημερινής γενιάς ειδικών, αλλά και αν θα υπάρχει η επόμενη.

Πηγές

Δείτε τα AI Editorial Guidelines.