Τι δείχνει η O’Reilly για τους τύπους χρηστών της τεχνητής νοημοσύνης

Η O’Reilly εξετάζει πώς χρησιμοποιούν την τεχνητή νοημοσύνη τα μέλη τεχνικών ομάδων, μέσα από πέντε διαφορετικούς τύπους χρηστών που παράγουν πολύ διαφορετικά αποτελέσματα με το ίδιο εργαλείο.

Σε άρθρο του Sar Haidar, στις 26 Οκτωβρίου 2026, περιγράφεται ότι σε μια εβδομάδα με σχεδόν οποιαδήποτε ομάδα υποδομών το 2026, μια μόνο συνδρομή σε AI μπορεί να οδηγήσει από δεκάδες pull requests μέχρι αδυναμία κατανόησης των αλλαγών ή πλήρη αποχή από το εργαλείο.

Ο πρώτος τύπος είναι ο Soloist, ο πιο ικανός συχνά μηχανικός της ομάδας, που μπορεί να κυνηγήσει πολλές ιδέες ταυτόχρονα με τη βοήθεια agents. Το αποτέλεσμα, όμως, μπορεί να είναι μια σειρά από αλλαγές σε αποθετήρια που κανείς δεν είχε σχεδιάσει να αγγίξει εκείνο το τρίμηνο.

Η λύση, σύμφωνα με το κείμενο, δεν είναι να εξαφανιστεί η ευελιξία, αλλά να υπάρχει πλαίσιο. Ένα roadmap, issues που ορίζουν πρώτα το πρόβλημα και έπειτα τη λύση, καθώς και design reviews, θεωρούνται απαραίτητα για να μη χαθεί ο έλεγχος καθώς η υλοποίηση επιταχύνεται.

Ο δεύτερος τύπος είναι ο Copy-Paster, που χρησιμοποιεί την AI για γρήγορες εργασίες όπως ένα Helm chart, μια IAM policy ή ένα regex. Το πρόβλημα είναι ότι η δουλειά ολοκληρώνεται πριν γίνει κατανοητή, ενώ τα αποτελέσματα της AI μοιάζουν σχεδόν πάντα σωστά.

Το άρθρο συνδέει αυτή τη συμπεριφορά με παλιότερα παραδείγματα, όπως το Stack Overflow και τον «cargo cult» προγραμματισμό, και αναφέρει ότι η βιομηχανία αντέδρασε με ελέγχους, code review και ασφαλείς προεπιλογές. Για τα αυτόνομα agents, όμως, το ρίσκο είναι μεγαλύτερο, γιατί μπορούν να εφαρμόσουν αλλαγές και σε παραγωγικό περιβάλλον με τα δικαιώματα του χρήστη.

Ο τρίτος τύπος είναι ο Godot Waiter, δηλαδή εκείνος που περιμένει να ωριμάσει περισσότερο το εργαλείο πριν το χρησιμοποιήσει. Το κείμενο σημειώνει ότι η αναμονή μπορεί να είναι λογική στρατηγική, αλλά τονίζει πως η εμπειρία και η κρίση δεν αποκτώνται απότομα όταν μια τεχνολογία θεωρηθεί πλήρως έτοιμη.

Στο ίδιο πλαίσιο αναφέρεται και ο Specialist, που χρησιμοποιεί την AI για συγκεκριμένες και περιορισμένες εργασίες, ώστε να καλύπτει κενά σε ήδη βαθιά τεχνική γνώση. Το παράδειγμα αφορά έναν network engineer ή έναν identity architect που ζητά από το μοντέλο βοήθεια σε εξειδικευμένα τεχνικά ζητήματα.

Το άρθρο καταλήγει ότι η τεχνητή νοημοσύνη δεν επηρεάζει όλους με τον ίδιο τρόπο. Άλλοι τη χρησιμοποιούν για ταχύτητα, άλλοι για κατανόηση και άλλοι ακόμη περιμένουν, ενώ το κρίσιμο ζήτημα παραμένει αν η ομάδα έχει το σωστό πλαίσιο για να αξιοποιήσει το εργαλείο χωρίς να χαθεί η συνοχή της δουλειάς της.