Τι σημαίνει να είσαι έμπειρος στην εποχή της AI;
Η τεχνητή νοημοσύνη αλλάζει όσα μπορούμε να κάνουμε. Χρειάζεται να εξετάσουμε με την ίδια προσοχή πώς αλλάζει όσα μαθαίνουμε, την επαγγελματική μας εξέλιξη και τον τρόπο με τον οποίο αναγνωρίζουμε την ανθρώπινη ικανότητα.
Στις 16 Οκτωβρίου 2026, η Anthropic δημοσίευσε μια έρευνα για τις αλλαγές στην εργασία μέσα στην ίδια την εταιρεία. Μεταξύ άλλων, ανέφερε ότι το ποσοστό των junior στις τεχνικές προσλήψεις της είχε υποχωρήσει από 27% σε 9% από τις αρχές του 2025. Οι υπεύθυνοι προσλήψεων έδιναν πλέον μεγαλύτερη έμφαση στην αυτονομία και στην κρίση των υποψηφίων. [1]
Η συγκεκριμένη εταιρεία δεν αντιπροσωπεύει ολόκληρη την οικονομία. Επίσης, ένα μικρότερο ποσοστό προσλήψεων δεν αποδεικνύει από μόνο του μείωση του απόλυτου αριθμού τους. Η συνύπαρξη των δύο παρατηρήσεων, όμως, με οδηγεί σε ένα ερώτημα που θεωρώ πολύ σημαντικό: πώς αποκτά κάποιος την κρίση και την αυτονομία που του ζητάμε, όταν αλλάζει ο τρόπος με τον οποίο μαθαίνει τη δουλειά;
Η πρώτη διατύπωση που μου ήρθε ήταν: «Αν η AI κάνει τη δουλειά του junior, ποιος θα εκπαιδεύσει τον επόμενο senior;». Όσο την επεξεργαζόμουν, καταλάβαινα ότι περιέγραφε μόνο ένα μέρος της συζήτησης. Το παράδοξο της εμπειρίας υπήρχε πολύ πριν από την τεχνητή νοημοσύνη. Οι επιχειρήσεις ζητούσαν έμπειρους υποψηφίους και οι νέοι αναρωτιούνταν πού θα αποκτήσουν την εμπειρία που απαιτούσε η πρώτη τους πρόσληψη.
Σήμερα χρειάζεται να εξετάσουμε κάτι ευρύτερο: τι σημαίνει η ίδια η λέξη «έμπειρος» όταν ένα μέρος της εργασίας εκτελείται μαζί με συστήματα AI ή ανατίθεται σε αυτά.
Χτίζω τεχνολογία περισσότερα από τριάντα χρόνια. Με συναρπάζουν οι δυνατότητες που αποκτούμε, η ταχύτητα με την οποία μπορούμε να δοκιμάζουμε ιδέες και η πρόσβαση σε βοήθεια που παλαιότερα ήταν δύσκολο να βρούμε. Διαπιστώνω όμως ότι αφιερώνουμε μεγάλο μέρος της συζήτησης σε όσα μπορούν να κάνουν τα εργαλεία και σε όσα μπορούμε να παράγουμε με τη βοήθειά τους. Θα ήθελα να σταθούμε περισσότερο και στον άνθρωπο που τα χρησιμοποιεί: πώς εξελίσσεται, τι καταλαβαίνει και ποια ικανότητα αποκτά ο ίδιος μέσα σε αυτή τη συνεργασία.
Τι περιείχε η εμπειρία
Όταν χαρακτηρίζαμε κάποιον έμπειρο, αναφερόμασταν συνήθως σε περισσότερα από τις γνώσεις του. Είχε δουλέψει μέσα σε πραγματικές συνθήκες. Είχε γνωρίσει τις διαδικασίες, τους κανόνες, τις εξαιρέσεις, την περιοδικότητα της εργασίας, τις ιδιαιτερότητες ανθρώπων και οργανισμών. Είχε βρεθεί μπροστά σε απαιτήσεις που δεν ήταν σαφείς και σε προβλήματα που δεν λύνονταν ακολουθώντας ένα εγχειρίδιο.
Η εμπειρία μπορούσε να περιλαμβάνει την απομνημόνευση μιας διαδικασίας, την αναγνώριση ενός επαναλαμβανόμενου μοτίβου, τη δεξιότητα μιας φυσικής κίνησης, την κατανόηση μιας δύσκολης περίπτωσης ή την ικανότητα να συνεννοηθείς με κάποιον που βλέπει το ίδιο ζήτημα διαφορετικά. Ο συνδυασμός διέφερε ανά επάγγελμα.
Μέσα από αυτή την τριβή, ο εργαζόμενος διαμόρφωνε σταδιακά μια εσωτερική εικόνα της δουλειάς. Άρχιζε να αντιλαμβάνεται πού χρειαζόταν προσοχή, τι μπορούσε να περιμένει και ποια φαινομενικά μικρή απόκλιση άξιζε να διερευνηθεί. Μερικές φορές αναγνώριζε ότι κάτι δεν πήγαινε καλά πριν μπορέσει να εξηγήσει πλήρως γιατί.
Τα χρόνια προϋπηρεσίας λειτουργούσαν ως ένδειξη ότι είχε υπάρξει αρκετή έκθεση σε τέτοιες καταστάσεις. Ήταν πάντοτε μια ατελής ένδειξη. Δύο άνθρωποι μπορούσαν να έχουν τον ίδιο χρόνο εργασίας και πολύ διαφορετικό βάθος κατανόησης. Η επανάληψη μιας διαδικασίας μπορούσε να δημιουργήσει εξοικείωση, χωρίς απαραίτητα να διευρύνει την κρίση. Αντίστοιχα, μια απαιτητική περίοδος με σωστή καθοδήγηση μπορούσε να προσφέρει περισσότερη μάθηση από χρόνια στασιμότητας.
Επομένως, το πρόβλημα της αξιολόγησης της εμπειρίας προϋπήρχε. Η AI μάς καλεί να το εξετάσουμε ξανά, επειδή μπορεί να αλλάζει τη σχέση ανάμεσα στον χρόνο εργασίας, στην προσωπική προσπάθεια και στο αποτέλεσμα που παραδίδεται.
Η εργασία μετακινείται — μαζί της και η μάθηση
Στην ανάπτυξη λογισμικού, ένας εργαζόμενος μπορεί πλέον να αναθέτει σε έναν ή περισσότερους agents μέρος της συγγραφής κώδικα, της αναζήτησης σφαλμάτων ή της εκτέλεσης δοκιμών. Ο όρος agent περιγράφει εδώ ένα σύστημα AI που μπορεί να αναλαμβάνει ακολουθίες ενεργειών με εργαλεία για την επίτευξη ενός στόχου, μέσα στα όρια που του έχουν δοθεί.
Η συμμετοχή του ανθρώπου μεταφέρεται σε διαφορετικά σημεία: στη διατύπωση του προβλήματος, στην παροχή πλαισίου, στην οργάνωση της εργασίας, στην αξιολόγηση των προτάσεων και στην παρέμβαση όταν η πορεία χρειάζεται αλλαγή. Το εύρος αυτής της μετατόπισης εξαρτάται από το αντικείμενο, το εργαλείο και το πόση αυτονομία του επιτρέπεται.
Αυτή η δραστηριότητα μπορεί να δημιουργεί δική της εμπειρία. Μαθαίνεις να δίνεις καλύτερες οδηγίες, να αναγνωρίζεις πότε λείπει κρίσιμη πληροφορία, να συντονίζεις παράλληλες προσπάθειες και να επιλέγεις τι χρειάζεται έλεγχο. Μπορείς επίσης να εκτεθείς σε περισσότερες προσεγγίσεις και να επιχειρήσεις έργα που προηγουμένως ξεπερνούσαν τις δυνατότητές σου.
Το ερώτημα είναι τι κατανοείς από το αντικείμενο που διαχειρίζεσαι. Η εξοικείωση με την καθοδήγηση ενός agent και η γνώση της δουλειάς που του αναθέτεις συνδέονται, αλλά δεν ταυτίζονται. Μπορείς να μάθεις πολλά μέσα από τη συνεργασία τους, εφόσον έχεις πρόσβαση στα ενδιάμεσα βήματα, στις αποφάσεις και στις πραγματικές συνέπειες.
Επίσης, μεγάλο μέρος της δουλειάς παραμένει έξω από το περιβάλλον του agent: οι άτυπες συνεννοήσεις, μια ανάγκη που δεν διατυπώθηκε σωστά, η σχέση με έναν πελάτη, η πρακτική δυσκολία στο πεδίο. Η επαγγελματική ωρίμανση χρειάζεται επαφή και με αυτές τις διαστάσεις.
Σε επαγγέλματα με έντονη φυσική παρουσία, χειρισμούς εξοπλισμού ή άμεση ανθρώπινη φροντίδα, η αλλαγή θα έχει διαφορετικό χαρακτήρα. Θα ήταν πρόωρο να θεωρήσουμε ότι όλες οι εργασίες θα ακολουθήσουν την ίδια διαδρομή. Μπορούμε όμως ήδη να εξετάσουμε πώς μεταβάλλεται η μάθηση εκεί όπου η AI συμμετέχει ουσιαστικά στην καθημερινή διαδικασία.
Όταν το αποτέλεσμα βελτιώνεται, τι έχει μάθει ο άνθρωπος;
Αυτή είναι, για μένα, μια κρίσιμη διάκριση. Η καλύτερη απόδοση με ένα εργαλείο μπορεί να οφείλεται σε προσωπική μάθηση, στην ίδια τη βοήθεια του εργαλείου ή σε συνδυασμό τους. Χρειάζεται να καταλαβαίνουμε τι συμβαίνει, ιδίως όταν πάνω στο αποτέλεσμα βασίζουμε μια αξιολόγηση, μια προαγωγή ή την ανάθεση μεγαλύτερης ευθύνης.
Μια μικρή τυχαιοποιημένη μελέτη που παρουσίασε η Anthropic στις 29 Ιανουαρίου 2026 δείχνει τη δυσκολία. Πενήντα δύο προγραμματιστές, κυρίως junior, εργάστηκαν με μια άγνωστή τους βιβλιοθήκη της Python. Στο επόμενο τεστ κατανόησης, η ομάδα με βοήθεια AI είχε μέση επίδοση περίπου 50%, έναντι 67% της ομάδας χωρίς AI. Η διαφορά στον χρόνο ολοκλήρωσης δεν ήταν στατιστικά σημαντική. [2]
Η μελέτη ήταν σύντομη και δεν περιγράφει πολυετή επαγγελματική εξέλιξη. Οι ερευνητές παρατήρησαν επίσης διαφορετικούς τρόπους χρήσης: η ενεργή αναζήτηση εξηγήσεων συνδεόταν με καλύτερη μάθηση από την παθητική ανάθεση. Αυτή η επιμέρους συσχέτιση δεν αποδεικνύει αιτιότητα, αλλά αξίζει προσοχή.
Υπάρχει και η άλλη πλευρά. Η μελέτη «Generative AI at Work», που δημοσιεύθηκε το 2025 στο Quarterly Journal of Economics, εξέτασε βοηθό AI σε 5.172 εργαζομένους εξυπηρέτησης πελατών. Κατέγραψε μέση αύξηση παραγωγικότητας 15%, με μεγαλύτερα οφέλη για λιγότερο έμπειρους εργαζομένους και ενδείξεις μάθησης. [3]
Πρόκειται για διαφορετικά εργαλεία, εργασίες και συνθήκες. Τα ευρήματα δεν προσφέρουν έναν γενικό κανόνα για την AI. Μας βοηθούν να θέσουμε μια ακριβέστερη ερώτηση: ποιοι τρόποι συνεργασίας κάνουν τον άνθρωπο περισσότερο ικανό και ποιοι βελτιώνουν κυρίως το άμεσο αποτέλεσμα;
Η αυτονομία δεν απαιτεί να εργαζόμαστε διαρκώς χωρίς εργαλεία. Χρειάζεται όμως να μπορούμε να κρίνουμε τι μας δίνουν, να αντιλαμβανόμαστε τα όριά τους και να προσαρμοζόμαστε όταν αλλάζουν οι συνθήκες.
Θα σημαίνουν το ίδιο οι επαγγελματικές βαθμίδες;
Οι τίτλοι junior, mid-level και senior χρησιμοποιούνται ως σύντομες περιγραφές επαγγελματικής ωριμότητας. Στην πράξη μπορεί να συνδυάζουν χρόνια προϋπηρεσίας, τεχνικές γνώσεις, ανεξαρτησία, ευθύνη και ικανότητα συνεργασίας. Η βαρύτητα κάθε στοιχείου διαφέρει ανά οργανισμό.
Αν ένας νεότερος με AI μπορεί να παράγει γρηγορότερα κάτι που προηγουμένως απαιτούσε μεγαλύτερη εξοικείωση, η ταχύτητα παραγωγής γίνεται λιγότερο ασφαλής ένδειξη προσωπικής εμπειρίας. Αν ένας παλαιότερος γνωρίζει βαθιά το αντικείμενο αλλά δυσκολεύεται να αξιοποιήσει τα νέα εργαλεία, χρειάζεται και εκείνος ανάπτυξη. Οι δύο περιπτώσεις μάς καλούν να γίνουμε πιο συγκεκριμένοι ως προς το τι αναγνωρίζουμε και τι ανταμείβουμε.
Στο «Η Τεχνητή Νοημοσύνη Δεν Θα Σκοτώσει το Software. Θα Σκοτώσει το Μέτριο Software» έγραφα για την αξία της κατανόησης του τι πραγματικά αξίζει να κατασκευαστεί. Στο «Η AI έκανε εύκολο να φτιάξεις software. Όχι να το λειτουργήσεις» εξέταζα τις απαιτήσεις που παραμένουν μετά την κατασκευή. Η ίδια σκέψη αφορά και τον άνθρωπο: τι μπορεί να αναλάβει αξιόπιστα, πέρα από αυτό που καταφέρνει να παρουσιάσει;
Ίσως οι βαθμίδες διατηρήσουν τα ονόματά τους, αλλά χρειαστούν διαφορετικό περιεχόμενο. Περισσότερη προσοχή στην κατανόηση του αντικειμένου, στη διαχείριση εξαιρέσεων, στη συνεργασία με ανθρώπους και συστήματα, στην αξιολόγηση μιας απόφασης και στην παρακολούθηση των συνεπειών της.
Για έναν εργαζόμενο αυτό μπορεί να σημαίνει ότι υπερέχει σε μία διάσταση και χρειάζεται καθοδήγηση σε κάποια άλλη. Η αξιολόγηση γίνεται απαιτητικότερη από έναν απλό αριθμό ετών ή έναν όγκο παραδοτέων. Γίνεται όμως και δικαιότερη, εφόσον αναγνωρίζει πραγματικές δυνατότητες αντί να υποθέτει ότι τις περιγράφει επαρκώς ένας τίτλος.
Θα ήθελα αυτή η συζήτηση να αφορά εξίσου τους νέους και τους έμπειρους. Η προϋπηρεσία μπορεί να προσφέρει πολύτιμη βάση για την αξιοποίηση της AI. Η αξία της χρειάζεται όμως να φαίνεται στην πράξη, καθώς εμφανίζονται καινούργιες συνθήκες για όλους μας.
Ποιος θα μας μαθαίνει τη δουλειά;
Ο νέος εργαζόμενος μάθαινε από συναδέλφους και προϊσταμένους, από την εκπαίδευση, από πελάτες και συνεργάτες, από δοκιμές και διορθώσεις. Η ποιότητα αυτής της μαθητείας εξαρτιόταν πολύ από το περιβάλλον στο οποίο βρισκόταν και από το πόσο χρόνο μπορούσαν ή ήθελαν να του διαθέσουν οι άλλοι.
Εδώ η AI προσφέρει μια δυνατότητα που θεωρώ εξαιρετικά σημαντική. Μπορείς να ζητήσεις ξανά μια εξήγηση χωρίς να νιώθεις ότι καθυστερείς κάποιον. Να εξετάσεις ένα παράδειγμα από πολλές πλευρές. Να εξασκηθείς σε μια προσομοίωση πριν αντιμετωπίσεις την πραγματική κατάσταση. Να αποκτήσεις βοήθεια τη στιγμή που εμφανίζεται η απορία.
Η ανθρώπινη καθοδήγηση μπορεί έτσι να εστιάσει περισσότερο στα σημεία που απαιτούν γνώση του συγκεκριμένου οργανισμού, συζήτηση και στάθμιση συνεπειών. Αυτό προϋποθέτει όμως να έχουμε αποφασίσει πώς συνεργάζονται οι πηγές μάθησης. Ποιος εξηγεί τον σκοπό μιας διαδικασίας; Ποιος ελέγχει αν οι οδηγίες του συστήματος ανταποκρίνονται στην πράξη; Ποιος βοηθά τον εργαζόμενο όταν δύο φαινομενικά σωστές επιλογές οδηγούν σε διαφορετικές συνέπειες;
Υπάρχει και μια ακόμη διάσταση. Οι έμπειροι άνθρωποι μπορεί να χρειαστεί να αποτυπώσουν μέρος της γνώσης τους ώστε να γίνεται διαθέσιμη τόσο στους νεότερους όσο και στα συστήματα AI που τους υποστηρίζουν. Οι εξαιρέσεις, οι λόγοι πίσω από μια απόφαση και η εμπειρία από μια αποτυχία αποκτούν έτσι μεγαλύτερη αξία για ολόκληρο τον οργανισμό.
Η μαθητεία μπορεί να γίνει περισσότερο αμφίδρομη. Ο νέος φέρνει ευχέρεια σε εργαλεία και διαφορετικές προσεγγίσεις. Ο παλαιότερος προσφέρει πλαίσιο και γνώση συνεπειών. Η AI υποστηρίζει την αναζήτηση, τη δοκιμή και την εξήγηση. Για να λειτουργήσει αυτή η δυνατότητα, χρειάζεται χώρος για πραγματική ανταλλαγή και για αμφισβήτηση όσων φαίνονται αυτονόητα.
Πού μπορεί να χαθεί το πλεονέκτημα;
Θα μπορούσαμε να αποκτήσουμε καλύτερη ένταξη στην εργασία και ταχύτερη ανάπτυξη ικανοτήτων. Μπορούμε όμως και να περιορίσουμε αυτό το όφελος με τον τρόπο που οργανώνουμε την καθημερινότητα.
Αν όλος ο χρόνος που εξοικονομείται μετατραπεί σε επιπλέον παραδοτέα, η εξήγηση και η δοκιμή θα παραμένουν πράγματα που «θα γίνουν όταν υπάρχει χρόνος». Ο εργαζόμενος θα έχει κίνητρο να ολοκληρώνει και να προχωρά. Η επιχείρηση μπορεί να βλέπει μεγαλύτερη παραγωγή χωρίς να γνωρίζει αν αυξάνεται αντίστοιχα η ικανότητά του.
Αν η παρουσία AI θεωρηθεί επαρκής λόγος να αποσυρθεί η ανθρώπινη καθοδήγηση, θα μείνουν ακάλυπτα όσα δεν έχουν καταγραφεί. Αν το σύστημα δεν γνωρίζει τις πραγματικές ιδιαιτερότητες της εργασίας, η ευχέρεια των απαντήσεών του μπορεί να δημιουργήσει μεγαλύτερη βεβαιότητα από όση δικαιολογείται. Και αν ο έμπειρος συνεργάτης πρέπει να ελέγχει συνεχώς αυξανόμενο όγκο αποτελεσμάτων, μπορεί να του απομένει λιγότερος χρόνος για να βοηθήσει κάποιον να καταλάβει.
Η ευθύνη δεν μπορεί να μεταφερθεί ολόκληρη στον νέο με την προτροπή «μάθε να χρησιμοποιείς καλύτερα την AI». Χρειάζεται πρόσβαση σε κατάλληλη βοήθεια, χρόνο για εφαρμογή, ανατροφοδότηση και ευκαιρίες ανάληψης πραγματικής ευθύνης με ασφαλή όρια.
Στο «AI και η Νέα Αριστοκρατία της Σκέψης» με απασχόλησε η απόσταση ανάμεσα στην πρόσβαση στην πληροφορία και στην ικανότητα ουσιαστικής αξιοποίησής της. Εδώ προκύπτει μια συγγενική πιθανότητα: άνθρωποι με παρόμοια πρόσβαση σε εργαλεία μπορεί να έχουν πολύ διαφορετικές ευκαιρίες να εξελιχθούν, ανάλογα με το περιβάλλον στο οποίο εργάζονται.
Ένας οργανισμός μπορεί να χρησιμοποιήσει την AI για να αναπτύξει τις δυνατότητες των ανθρώπων του. Ένας άλλος μπορεί να αρκεστεί στην άμεση παραγωγή που εξασφαλίζει. Η διαφορά ίσως φανεί περισσότερο με τον χρόνο, όταν χρειαστεί κάποιος να κατανοήσει μια νέα κατάσταση ή να αναλάβει μια απαιτητικότερη απόφαση.
Η πρόοδος που συμβαίνει μέσα μας
Σκέφτομαι έναν νέο που προσπαθεί να καταλάβει τι αξίζει να μάθει. Έναν εργαζόμενο με χρόνια εμπειρίας που αναρωτιέται ποιο μέρος της γνώσης του διατηρεί την αξία του. Έναν υπεύθυνο ομάδας που πρέπει να αποφασίσει ποιος είναι έτοιμος για μεγαλύτερη ευθύνη. Οι ερωτήσεις τους συνδέονται, ακόμη κι αν βρίσκονται σε διαφορετικά σημεία της επαγγελματικής ζωής.
Η AI μάς δίνει τη δυνατότητα να αλλάξουμε τον τρόπο με τον οποίο αποκτούμε ικανότητες. Θα ήθελα να αξιοποιήσουμε αυτή την ευκαιρία με περιέργεια και φιλοδοξία: καλύτερη καθοδήγηση, πρόσβαση σε γνώση, περισσότερες δυνατότητες δοκιμής και συμμετοχής. Χρειάζεται ταυτόχρονα να καταλαβαίνουμε ποια πρόοδος συμβαίνει στον ίδιο τον άνθρωπο και πώς τη διακρίνουμε από την ενισχυμένη απόδοση του συνδυασμού ανθρώπου και εργαλείου.
Δεν θεωρώ ότι υπάρχει ήδη μια οριστική απάντηση. Οι εργασίες διαφέρουν και οι δυνατότητες εξελίσσονται. Το ερώτημα έχει όμως άμεση σημασία για την εκπαίδευση, τις προσλήψεις, την καθοδήγηση, τις προαγωγές και τον τρόπο που βλέπουμε τον εαυτό μας μέσα στη δουλειά.
Όταν λέμε ότι η AI κάνει έναν εργαζόμενο καλύτερο, αξίζει να μπορούμε να εξηγήσουμε τι ακριβώς εννοούμε. Τι καταλαβαίνει περισσότερο; Ποια νέα απόφαση μπορεί να αναλάβει; Τι μπορεί να δημιουργήσει και πώς συμμετέχει πιο ουσιαστικά στη δουλειά του;
Αυτή είναι η πρόοδος που θα ήθελα να μάθουμε να αναγνωρίζουμε: την αύξηση των δυνατοτήτων μας μαζί με την ανάπτυξη της δικής μας ικανότητας να τις αξιοποιούμε.
Πηγές και περαιτέρω ανάγνωση
- Nathan Wilmers, Regina Catipon, Maxim Massenkoff και Peter McCrory, «How employment is changing at Anthropic», Anthropic, 16 Οκτωβρίου 2026. Εσωτερική έρευνα της εταιρείας· δεν αποτελεί αντιπροσωπευτικό δείγμα της συνολικής αγοράς εργασίας.
- Anthropic, «How AI assistance impacts the formation of coding skills», 29 Ιανουαρίου 2026. Πλήρες ερευνητικό κείμενο: «How AI Impacts Skill Formation». Μικρή τυχαιοποιημένη μελέτη βραχείας διάρκειας· δεν μετρά πολυετή επαγγελματική εξέλιξη. Η διαφορά 50%–67% αντιστοιχεί σε 17 ποσοστιαίες μονάδες.
- Erik Brynjolfsson, Danielle Li και Lindsey Raymond, «Generative AI at Work», The Quarterly Journal of Economics, 140(2), Μάιος 2025, σελ. 889–942. Πρώτη ηλεκτρονική δημοσίευση 4 Φεβρουαρίου 2025. Τα στοιχεία εδώ προέρχονται από την τελική δημοσίευση του περιοδικού και όχι από την παλαιότερη έκδοση του working paper.