Πώς η AI Ενισχύει τις Προκαταλήψεις μας και Πως τις Σταματάμε

Τα τελευταία χρόνια, η συζήτηση για τη μεροληψία στην τεχνητή νοημοσύνη εστιάζει συχνά στο training data. Όμως, στην πράξη, η μεροληψία «χτίζεται» και στη χρήση: στον τρόπο που ρωτάμε, αξιολογούμε και αξιοποιούμε τις απαντήσεις. Με άλλα λόγια, η AI δεν λειτουργεί σε κενό· λειτουργεί μέσα σε ένα οικοσύστημα ανθρώπινων αποφάσεων, προτεραιοτήτων και πιέσεων χρόνου. Αυτό έχει ιδιαίτερη σημασία για την επαγγελματική αγορά, όπου το ζητούμενο δεν είναι απλώς «να παραχθεί κείμενο», αλλά να ληφθούν καλύτερες αποφάσεις με αξιοπιστία, δικαιοσύνη, συμμόρφωση και διαφάνεια.

Πού «Μπαίνει» η Γνωστική Μεροληψία σε τρία Στάδια 

Πριν το Prompting. Ακόμη και η απόφαση «θα χρησιμοποιήσω AI ή όχι» μπορεί να επηρεαστεί από εμπειρίες και εντυπώσεις. Ένα θετικό ιστορικό οδηγεί σε υπερ-εμπιστοσύνη, ενώ ένα αρνητικό σε υπερ-σκεπτικισμό. Οι ειδήσεις για δικαστικές υποθέσεις όπου κατατέθηκαν κείμενα με ανύπαρκτες παραπομπές από AI, λειτουργούν ως ισχυρό “σήμα κινδύνου” και συχνά σπρώχνουν ομάδες στο άλλο άκρο: να απορρίπτουν τη χρήση ακόμη κι εκεί που θα ήταν χρήσιμη.

ΔΕΙΤΕ ΕΔΩ ΟΛΑ ΤΑ ΣΕΜΙΝΑΡΙΑ ΓΙΑ ΕΠΑΓΓΕΛΜΑΤΙΕΣ ΠΛΗΡΟΦΟΡΙΚΗΣ

Κατά το Prompting. Εδώ εμφανίζεται η «καθοδηγητική ερώτηση»: αν ρωτήσω «γιατί το προϊόν μας είναι το καλύτερο;», ουσιαστικά ζητώ επιβεβαίωση, όχι αξιολόγηση. Παράλληλα, η πίεση χρόνου στην εργασία ευνοεί το “good enough”: Να πάρουμε την πρώτη απάντηση που ακούγεται πειστική, χωρίς επαλήθευση. Αυτό είναι επικίνδυνο σε ρόλους όπως HR (π.χ. προσλήψεις), procurement (π.χ. επιλογή προμηθευτή), internal audit/compliance (π.χ. τεκμηρίωση), marketing/PR (π.χ. ισχυρισμοί), νομικές υπηρεσίες (π.χ. αναφορές). 

Μετά το Prompting. Όταν «επενδύουμε» χρόνο για να φτιάξουμε μια παρουσίαση ή ένα memo με AI, συχνά το υπεραξιολογούμε επειδή το νιώθουμε «δικό μας». Και όταν το μοιραζόμαστε, το framing επηρεάζει την αντίληψη των άλλων: η ίδια πληροφορία μπορεί να οδηγήσει σε εντελώς διαφορετική απόφαση, ανάλογα με το πώς παρουσιάζεται.

Γιατί Αυτό Αφορά Άμεσα την Επαγγελματική Αγορά 

Οι οργανισμοί σήμερα αξιολογούνται με κριτήρια όπως: ποιότητα αποφάσεων, διαχείριση κινδύνου, αξιοπιστία, μη-διακριτική μεταχείριση, τεκμηρίωση και ιχνηλασιμότητα. Γι’ αυτό, διεθνή πλαίσια όπως το NIST AI Risk Management Framework δίνουν έμφαση σε κινδύνους όπως «harmful bias» και στην ανάγκη μέτρησης, αξιολόγησης και διαδικασιών χρήσης, όχι μόνο τεχνικών ρυθμίσεων. 

Στην ΕΕ, η κατεύθυνση γίνεται ακόμη πιο πρακτική: Οι υποχρεώσεις για General-Purpose AI Models μπήκαν σε εφαρμογή από 2 Aυγούστου 2025, ενώ προβλέπεται κλιμάκωση εποπτείας και συμμόρφωσης στα επόμενα έτη.

ΔΕΙΤΕ ΕΔΩ ΟΛΑ ΤΑ ΣΕΜΙΝΑΡΙΑ ΓΙΑ ΨΗΦΙΑΚΕΣ ΔΕΞΙΟΤΗΤΕΣ

Πρακτικές που Μειώνουν τη Μεροληψία και Ανεβάζουν την Ποιότητα 

1. Pause πριν την Απάντηση. Για αποφάσεις υψηλού ρίσκου (π.χ. προσλήψεις, έλεγχοι, επενδύσεις), εισάγετε «υποχρεωτικό διάλειμμα» επαλήθευσης: πηγές, αριθμοί, assumptions.

2. Templates για Καλά Prompts. Ζητήστε ρητά εναλλακτικές, αντιρρήσεις και όρια: «δώσε 3 αντίθετες απόψεις», «τι δεν γνωρίζεις;», «ποια δεδομένα λείπουν;».

3. Devil’s Advocate και Pre-mortem. Ορίστε ρόλο που θα «χτυπά» την επικρατούσα ιδέα και κάντε προ-ανάλυση αποτυχίας.

4. Κανόνες για Claims. Σε marketing/PR ή reports, κανένας ισχυρισμός χωρίς επιβεβαίωση από αξιόπιστη πηγή.

5. Εκπαίδευση στο Critical Thinking. Έρευνες/συζητήσεις δείχνουν ότι η αλόγιστη χρήση AI μπορεί να μειώνει την ενεργή νοητική εμπλοκή σε εργασίες γραφής, άρα η εκπαίδευση πρέπει να στοχεύει στη σωστή «συνεργασία» ανθρώπου - AI, όχι στην αντικατάσταση σκέψης.

Η AI μπορεί να γίνει «πολλαπλασιαστής» είτε ποιότητας είτε μεροληψίας. Η διαφορά δεν είναι μόνο στο μοντέλο, αλλά στις συνήθειες χρήσης και στα συστήματα γύρω του: διαδικασίες, κουλτούρα, έλεγχοι και εκπαίδευση. Όταν αυτά μπουν σωστά, η AI δεν είναι απλώς εργαλείο ταχύτητας, αλλά συνεργάτης καλύτερης κρίσης.