Το ChatGPT, το Gemini και το Claude διακρίθηκαν για τις αξιολογήσεις της εξαφάνισης επαγγελμάτων λόγω ΤΝ, ενώ οι επιστήμονες αμφιβάλλουν για την αξιοπιστία τους

Κύρια ιδέα της έρευνας

Οι οικονομολόγοι του Βορειοδυτικού Πανεπιστημίου και του Αμερικανικού Πανεπιστημίου διαπίστωσαν ότι οι τρεις μεγαλύτερες γλωσσικές μοντέλα AI (ChatGPT‑5, Gemini 2.5 και Claude 4.5) δίνουν διαφορετικές εκτιμήσεις για το ποιες επαγγελματικές θέσεις βρίσκονται σε κίνδυνο αυτοματοποίησης. Αυτό θέτει υπό αμφισβήτηση την αξιοπιστία των «δείκτες ευαλωτότητας AI» – αριθμητικών μετρήσεων που χρησιμοποιούν πολιτικοί και εργοδότες κατά τη σχεδίαση του μελλοντικού αγορών εργασίας.

1. Πώς διεξήχθη η έρευνα
ΒήμαΤι κάναμεΚαθορισμός στόχουΖητήθηκε από τα μοντέλα να αξιολογήσουν την ευαλωτότητα διαφόρων επαγγελμάτων απέναντι στο AI.Σύγκριση απαντήσεωνΣυγκρίνουμε τις εκτιμήσεις μεταξύ τους και με πραγματικά δεδομένα.Ανάλυση αιτίων αποκλίσεωνΕπισημασμένοι δύο βασικοί παράγοντες: διαφορές στα ίδια τα μοντέλα και η επίδραση του ποιος επαγγελματίας ήδη χρησιμοποιεί AI.

2. Αποτελέσματα
ΕπάγγελμαClaude 4.5Gemini 2.5ChatGPT‑5ΒασιστήςΥψηλή ευαλωτότηταΧαμηλήΜέτριαΔιαφημιστικός διαχειριστής——Προϊστάμενος υψηλού επιπέδου——
* Διαφωνίες

- Το Claude τοποθετούσε τον λογιστή στην κορυφή, το Gemini πολύ χαμηλότερα.

- Οι εκτιμήσεις για τους διαφημιστικούς διαχειριστές και τους top‑manager επίσης διαφέρουν.

- Το ChatGPT και το Gemini συμφωνούσαν σχεδόν στο 75 % των περιπτώσεων, αλλά αποκλίνονταν περίπου σε ένα τέταρτο.

* Επίδραση «χρηστών AI»

Οι χρηματοοικονομικοί αναλυτές εργάζονται ενεργά με νευρωνικά δίκτυα, δημιουργώντας δεδομένα πάνω στα οποία εκπαιδεύονται τα μελλοντικά μοντέλα. Αυτό στρέφει τις εκτιμήσεις και κάνει επαγγέλματα που ήδη συνδέονται στενά με AI πιο ευάλωτα από τη σκοπιά των μοντέλων.

3. Πώς κατασκευάζονται οι δείκτες ευαλωτότητας
1. Χειροκίνητα – οι ειδικοί αξιολογούν την επίδραση του AI σε συγκεκριμένες εργασίες.

2. Έρευνες χρηστών – συλλέγουν απόψεις εκείνων που ήδη χρησιμοποιούν την πλατφόρμα.

3. Τα μεγαλύτερα γλωσσικά μοντέλα (LLM) – παράγουν εκτιμήσεις αυτόματα.

* Προβλήματα:*

- Χειροκίνητα υποκείμενα σε υποκειμενικότητα.

- Οι έρευνες περιορίζονται σε μία πλατφόρμα και δεν αντικατοπτρίζουν ολόκληρη την αγορά.

Παρόλα αυτά, τέτοιοι δείκτες χρησιμοποιούνται ευρέως στις αναλυτικές εκθέσεις, στο συμβουλευτικό έργο και στην πολιτική.

4. Τι σημαίνει αυτό για την πρακτική
* Η αξιοπιστία των εκτιμήσεων – ακόμη δεν είναι γνωστή αν τα LLM δίνουν πιο ακριβείς προβλέψεις σε σύγκριση με τις εξειδικευμένες μεθόδους.

* Ο κίνδυνος λήψης αποφάσεων βασισμένων σε έναν μόνο δείκτη – οι συγγραφείς προειδοποιούν ότι πολιτικοί και εργοδότες ενδέχεται να στηρίζονται λανθασμένα σε σαφείς αριθμούς.

5. Συστάσεις των ερευνητών
1. Χρησιμοποιήστε πολλαπλά μοντέλα AI ταυτόχρονα, όχι ένα μόνο.

2. Αναφέρετε σαφώς το επίπεδο αβεβαιότητας στα αποτελέσματα.

3. Επιβεβαιώστε τις συμπεράσματα με έρευνες πραγματικών χρηστών, ώστε να κατανοήσετε πώς το AI εφαρμόζεται στην πράξη και ποιες εργασίες εκτελεί.

> «Προσωπικά δεν θα βασιζόμουν σε έναν μόνο δείκτη για την επίλυση θεμάτων αλλαγής εργασίας ή επιλογής ειδικότητας», – σημειώνει η Μίشل Ιν.

Συμπέρασμα:

Οι τρέχουσες δεικτες ευαλωτότητας AI χρειάζονται πιο κριτική προσέγγιση. Η συνδυασμένη χρήση πολλαπλών μοντέλων και εμπειρικών δεδομένων θα βοηθήσει να γίνουν οι προβλέψεις πιο αξιόπιστες και να αποφευχθούν λανθασμένες αποφάσεις βασισμένες σε μονοδιάστατες εκτιμήσεις.