Σπουδές, εργασία, Τεχνητή Νοημοσύνη: το ζητούμενο δεν είναι να προβλέψουμε με βεβαιότητα το μέλλον, αλλά να προετοιμαστούμε για να μπορούμε να προσαρμοζόμαστε σε αυτό.
Η ερώτηση δεν είναι θεωρητική. Για έναν μαθητή που σκέφτεται τις σπουδές του ή έναν φοιτητή που βλέπει τις δυνατότητες της Τεχνητής Νοημοσύνης να αυξάνονται με μεγάλη ταχύτητα, ο προβληματισμός είναι απολύτως πραγματικός: αν η AI μπορεί ήδη να γράφει κώδικα, να αναλύει δεδομένα, να εντοπίζει λάθη και να προτείνει λύσεις, ποια πρέπει να είναι η δική μου θέση; Τι αξίζει να μάθω; Και τι σημαίνει πλέον να είμαι πραγματικά καλά εκπαιδευμένος;
Νέος: Θέλω να σπουδάσω Πληροφορική. Όμως βλέπω τι μπορεί ήδη να κάνει η Τεχνητή Νοημοσύνη. Γράφει κώδικα, βρίσκει λάθη, προτείνει λύσεις. Γιατί λοιπόν να μάθω Python ή κάποια άλλη γλώσσα προγραμματισμού;
Απάντηση: Ίσως επειδή ο πραγματικός στόχος δεν είναι να μάθεις απλώς Python.
Νέος: Τότε ποιος είναι;
Απάντηση: Να μάθεις να λύνεις προβλήματα. Ο προγραμματισμός σε εκπαιδεύει να παίρνεις ένα σύνθετο πρόβλημα, να αναγνωρίζεις τα δεδομένα και τα ζητούμενα, να το διασπάς σε μικρότερα μέρη, να σχεδιάζεις μια διαδικασία επίλυσης, να ελέγχεις το αποτέλεσμα και, όταν κάτι δεν λειτουργεί, να επιστρέφεις και να διορθώνεις τη σκέψη σου. Δεν απέχει πολύ από αυτό που προσπαθούν να καλλιεργήσουν τα Μαθηματικά.
«Ναι, αλλά η AI μπορεί να κάνει και αυτά»
Νέος: Η AI δεν συμπληρώνει απλώς κώδικα. Μπορεί να προτείνει ολόκληρη λύση. Άρα δεν θα χρειάζονται λιγότεροι προγραμματιστές;
Απάντηση: Είναι πιθανό ορισμένες εργασίες να απαιτούν λιγότερη ανθρώπινη εργασία. Θα ήταν λάθος να το αποκρύψουμε. Θα ήταν όμως εξίσου λάθος να μετατρέψουμε αυτή τη διαπίστωση στο συμπέρασμα ότι «η AI καταργεί τους πληροφορικούς».
Η Διεθνής Οργάνωση Εργασίας εκτιμά ότι περίπου ένας στους τέσσερις εργαζομένους παγκοσμίως βρίσκεται σε επάγγελμα με κάποιο βαθμό έκθεσης στη γενετική AI. Ταυτόχρονα, τονίζει ότι για τα περισσότερα επαγγέλματα πιθανότερη είναι η μεταμόρφωση των καθηκόντων παρά η πλήρης εξαφάνισή τους.
Έκθεση στην AI ≠ αυτοματοποίηση εργασιών ≠ κατάργηση θέσεων εργασίας
«Δεν συνέβαινε πάντα αυτό με την τεχνολογία;»
Νέος: Τα τρακτέρ δεν αντικατέστησαν ανθρώπους στις αγροτικές εργασίες; Οι υπολογιστές δεν αντικατέστησαν επίσης πολλές δουλειές;
Απάντηση: Βεβαίως. Η τεχνολογική αλλαγή δεν ξεκίνησε με την AI. Το τρακτέρ άλλαξε ριζικά τον τρόπο παραγωγής στη γεωργία. Οι υπολογιστές αυτοματοποίησαν εργασίες που κάποτε απαιτούσαν πολλούς ανθρώπους και δημιούργησαν νέες ειδικότητες. Σήμερα όμως υπάρχει μια παράμετρος που αξίζει ιδιαίτερη προσοχή: η ταχύτητα της αλλαγής.
Η Τεχνητή Νοημοσύνη αγγίζει πλέον και εργασίες υψηλής γνωστικής εξειδίκευσης. Ο OECD κατατάσσει μεταξύ των επαγγελμάτων με υψηλή έκθεση στην AI επαγγελματίες Πληροφορικής, μηχανικούς, στελέχη και άλλους εργαζομένους υψηλής ειδίκευσης. Υψηλή έκθεση, όμως, δεν σημαίνει αυτομάτως υψηλό κίνδυνο κατάργησης, επειδή πολλά από αυτά τα επαγγέλματα περιλαμβάνουν σύνθετη κρίση, ευθύνη, επικοινωνία και λήψη αποφάσεων.
«Και αν δεν προλάβω να προσαρμοστώ;»
Νέος: Αυτό είναι που με φοβίζει. Αν σπουδάζω τέσσερα χρόνια και όσα μαθαίνω αλλάζουν γρηγορότερα από όσο προλαβαίνω να τα μάθω, τι κάνω;
Απάντηση: Δεν μπορείς να ελέγξεις την ταχύτητα με την οποία εξελίσσεται η Τεχνητή Νοημοσύνη. Μπορείς όμως να επηρεάσεις σημαντικά την ικανότητά σου να προσαρμόζεσαι.
Η επαγγελματική ασφάλεια του μέλλοντος ίσως σημαίνει λιγότερο
«έμαθα ένα επάγγελμα» και περισσότερο «έμαθα να μαθαίνω».
«Ωραία. Και εγώ τι κάνω από αύριο;»
Εδώ βρίσκεται το ουσιαστικότερο σημείο. Δεν έχει μεγάλη αξία να περιγράφουμε στους νέους ένα πρόβλημα που ήδη βλέπουν γύρω τους, αν δεν προσπαθούμε να απαντήσουμε και στην επόμενη ερώτηση: «Τι μπορώ να κάνω εγώ;»
• Μάθε προγραμματισμό ουσιαστικά. Όχι για να ανταγωνιστείς την AI στην ταχύτητα πληκτρολόγησης κώδικα, αλλά για να καταλαβαίνεις αλγορίθμους, δομές και λογική.
• Δούλεψε τις βάσεις. Μαθηματικά, λογική, αλγόριθμοι, δομές δεδομένων, βάσεις δεδομένων και βασικές αρχές συστημάτων δεν είναι απλώς «μαθήματα για να περάσεις».
• Χρησιμοποίησε την AI. Η άρνησή της δεν αποτελεί στρατηγική προσαρμογής. Μάθε να τη χρησιμοποιείς ως εργαλείο.
• Μάθε να την ελέγχεις. Κάνε debugging, testing, σύγκρινε λύσεις, αναζήτησε ακραίες περιπτώσεις και μην αποδέχεσαι μια απάντηση επειδή απλώς διατυπώθηκε πειστικά.
• Κατασκεύασε πραγματικά projects. Δούλεψε σε προβλήματα όπου δεν σου έχουν δοθεί όλα έτοιμα. Μάθε να ορίζεις εσύ το πρόβλημα και τα κριτήρια επιτυχίας.
• Καλλιέργησε δεξιότητες που μεταφέρονται. Επικοινωνία, συνεργασία, κριτική σκέψη, δημιουργικότητα και αυτοδύναμη μάθηση αυξάνουν την ικανότητα προσαρμογής όταν αλλάζουν τα εργαλεία.
Δύο φοιτητές και η ίδια Τεχνητή Νοημοσύνη
Νέος: Αφού θα χρησιμοποιώ AI όταν εργαστώ, γιατί να μην τη χρησιμοποιώ για να μου λύνει και τις εργασίες στο Πανεπιστήμιο;
Απάντηση: Να τη χρησιμοποιείς. Το ερώτημα είναι πώς.
Ο πρώτος φοιτητής γράφει: «Λύσε μου αυτή την εργασία». Παίρνει την απάντηση, την παραδίδει και τελειώνει.
Ο δεύτερος γράφει: «Προσπάθησα να τη λύσω έτσι. Βρες πού κάνω λάθος, αλλά μη μου δώσεις ακόμη τη λύση». Μετά ρωτά: «Γιατί η άλλη μέθοδος είναι καλύτερη;» και στο τέλος: «Δώσε μου ένα δυσκολότερο παρόμοιο πρόβλημα για να ελέγξω αν πραγματικά το κατάλαβα».
Ο πρώτος χρησιμοποίησε την AI για να αποφύγει τη σκέψη.
Ο δεύτερος για να εκπαιδεύσει τη σκέψη του.
Τι σημαίνει λοιπόν «επιτυχημένος φοιτητής»;
Ίσως όχι απλώς εκείνος που πέρασε τα μαθήματα και συγκέντρωσε τις απαιτούμενες πιστωτικές μονάδες. Ένας ουσιαστικός δείκτης προόδου θα μπορούσε να είναι η ερώτηση:
«Τι μπορώ να κάνω σήμερα που δεν μπορούσα να κάνω πριν από έναν χρόνο;»
• Μπορώ να αντιμετωπίσω ένα άγνωστο πρόβλημα;
• Μπορώ να καταλάβω τι δεν γνωρίζω και να μάθω μόνος μου αυτό που χρειάζομαι;
• Μπορώ να ελέγξω μια λύση αντί απλώς να την αποδεχθώ;
• Μπορώ να συνεργαστώ, να εξηγήσω και να τεκμηριώσω;
• Μπορώ να αλλάξω προσέγγιση όταν αλλάξουν τα δεδομένα;
Στο Future of Jobs Report 2025, οι εργοδότες που συμμετείχαν στην έρευνα εκτίμησαν ότι περίπου 39% των βασικών δεξιοτήτων που απαιτούνται στην εργασία θα μεταβληθούν έως το 2030. Μαζί με AI, big data και cybersecurity, αναφέρονται ως δεξιότητες αυξανόμενης σημασίας η δημιουργική σκέψη, η ευελιξία, η ανθεκτικότητα και η διάθεση για συνεχή μάθηση.
Η ερώτηση ίσως πρέπει να αλλάξει
Κανείς δεν μπορεί να πει με βεβαιότητα σε έναν δεκαεπτάχρονο πώς ακριβώς θα είναι η αγορά εργασίας όταν γίνει τριάντα. Θα ήταν εξίσου ανεύθυνο να του πούμε «μην ανησυχείς, η AI δεν πρόκειται να σου πάρει τη δουλειά» ή «μην ασχοληθείς με την Πληροφορική, γιατί όλα θα τα κάνουν οι μηχανές».
Αυτό που μπορούμε να κάνουμε είναι να τον βοηθήσουμε να προετοιμαστεί για έναν κόσμο στον οποίο τα εργαλεία θα αλλάζουν γρήγορα. Να αποκτήσει ισχυρές βάσεις, να μάθει να συνεργάζεται με την Τεχνητή Νοημοσύνη χωρίς να παραδίδει σε αυτήν τη δική του κρίση και να καλλιεργήσει την ικανότητα να μαθαίνει ξανά όταν οι συνθήκες το απαιτούν.
«Ποιες ικανότητες πρέπει να αποκτήσω ώστε, όταν ο κόσμος αλλάξει ξανά,
να μπορώ να αλλάξω κι εγώ χωρίς να ξεκινώ κάθε φορά από το μηδέν;»
Ίσως αυτή να είναι σήμερα μια χρησιμότερη ερώτηση από το «ποιο επάγγελμα δεν θα αντικαταστήσει η AI;». Δεν μας δίνει μια εύκολη βεβαιότητα. Μας δίνει όμως έναν τρόπο να κινηθούμε μέσα στην αβεβαιότητα.
Να μη χρησιμοποιήσουμε την Τεχνητή Νοημοσύνη για να σκεφτόμαστε λιγότερο,
αλλά για να μάθουμε να σκεφτόμαστε καλύτερα.
Εσείς τι πιστεύετε;
Αν σήμερα ήσασταν 17 ή 20 ετών, ποια ικανότητα θα θεωρούσατε σημαντικότερο να αναπτύξετε για έναν κόσμο που αλλάζει τόσο γρήγορα;
Ενδεικτικές πηγές
• International Labour Organization, Generative AI and Jobs: A 2025 Update[πηγή]
• OECD, Skills in the AI Age, 2026[πηγή]
• World Economic Forum, Future of Jobs Report 2025[πηγή]
Σπύρος Τζινιέρης
Μαθηματικός – Καθηγητής 3ου ΓΕΛ Λαμίας
Ερευνητής θεμάτων Εκπαίδευσης και Συγγραφέας
MSc, MEd
