Ο Ηλίας Ντίνας δεν μιλά για την τεχνητή νοημοσύνη ως θεωρητικός παρατηρητής. Εδώ και αρκετούς μήνες την βλέπει να μπαίνει, άλλοτε δημιουργικά και άλλοτε βίαια, στην καθημερινότητα της ακαδημαϊκής εργασίας: στα δεδομένα, στον κώδικα, στις επαληθεύσεις, στις αναλύσεις αλλά και στη συγγραφή.
Ως καθηγητής Πολιτικής Επιστήμης και κάτοχος της Ελβετικής Έδρας στο Ευρωπαϊκό Πανεπιστημιακό Ινστιτούτο της Φλωρεντίας, δουλεύει εδώ και χρόνια με εμπειρική έρευνα, μεγάλα αρχεία και βάσεις δεδομένων. «Δουλεύω με δεδομένα τα οποία πρέπει να αναζητήσω, να τα φέρω σε μια μορφή που να μπορούν να είναι διαχειρίσιμα και να μπορώ να τα χρησιμοποιήσω, να κάνω τις επαληθεύσεις, να κάνω τις αναλύσεις επί αναλύσεων», εξηγεί στο WIRED Greece.
«Οι ιδέες φυσικά μετράνε. Θα μετράνε πάντα. Αν κάτι ενισχύεται, στην εποχή της αυτοματοποίησης, είναι η ικανότητα να ξέρεις τι αξίζει να ρωτήσεις».
Η εργασία και η έρευνα του βρίσκεται σε μια διαδικασία μεταμόρφωσης, χάρη στα νέα εργαλεία της Anthropic και της OpenAI. Κατά την άποψή του, αυτό που αλλάζει σήμερα με το ΑΙ δεν είναι απλώς ότι οι ερευνητές έχουν ένα πιο έξυπνο εργαλείο γραφής, αλλά ότι αποκτούν έναν βοηθό που μπορεί να μπει βαθιά στη διαδικασία της έρευνας. Ένα εργαλείο ΑΙ μπορεί να καθαρίσει δεδομένα, να γράψει κώδικα, να συνδέσει αρχεία, να δοκιμάσει εναλλακτικές αναλύσεις, να παράξει γραφήματα, να προτείνει νέες ερωτήσεις.
«Γενικά δεν είναι καλό στο να βρίσκει δέντρα. Είναι όμως πολύ καλό στο να βρίσκει το δάσος. Αυτό είναι το βασικό», λέει ο κ.Ντίνας, περιγράφοντας τη βασική διαφορά των μεγάλων γλωσσικών μοντέλων από την παραδοσιακή αναζήτηση.
Συμπληρώνει οτι με εργαλεία όπως το Claude Cowork, τα agentic εργαλεία μπορούν να αποκτήσουν πρόσβαση σε φακέλους και δεδομένα, αυτοματοποιώντας ένα μεγάλο κομμάτι της ερευνητικής διαδικασίας.
Το AI φέρνει λοιπόν την ακαδημία μπροστά σε ένα νέο παράδοξο. Ποτέ δεν ήταν ευκολότερο να παραχθεί έρευνα, και ποτέ δεν ήταν πιο κρίσιμο να ξέρεις ποια έρευνα αξίζει να παραχθεί.
Περισσότερη έρευνα ή περισσότερος θόρυβος;
Στις κοινωνικές επιστήμες, όπου μεγάλα σώματα κειμένων, κοινοβουλευτικά πρακτικά, εφημερίδες, αρχεία, σχόλια και δημόσιες δηλώσεις μετατρέπονται σε ερευνητικό υλικό, η αλλαγή είναι ήδη τεράστια. Ένας πολιτικός επιστήμονας μπορεί πλέον να ζητήσει από ένα μοντέλο να μετρήσει τον ιδεολογικό τόνο ενός κειμένου, να εντοπίσει θεματικές μετατοπίσεις σε χιλιάδες ομιλίες ή να φτιάξει χρονοσειρές γύρω από το πώς εμφανίζεται ένα ιστορικό γεγονός στον δημόσιο λόγο.
Ο καθηγητής δίνει ένα χαρακτηριστικό παράδειγμα από ελληνικά κοινοβουλευτικά δεδομένα: ομιλίες στη Βουλή από το 1913 μέχρι σήμερα, πάνω στις οποίες μπορεί κανείς να ζητήσει αναλύσεις για το πώς συζητιέται ο Εμφύλιος, με ποιο πρόσημο, σε ποιες περιόδους και από ποιες πολιτικές πλευρές.
«Έπειτα από τη συζήτηση με τις φωτογραφίες των 200 αριστερών της Καισαριανής, ζήτησα από ένα LLM να μου φτιάξει χρονοσειρές που να δείχνουν πόσο συζητιέται ο εμφύλιος και με ποιο πρόσημο, αριστερό ή δεξιό, θετικό ή αρνητικό», εξηγεί. «Όχι ότι το έκανε τέλεια, αλλά ήδη μέσα σε μία ώρα μέσα είχα 10 γραφήματα έτοιμα. Θα μπορούσα να τα χρησιμοποιήσω, να τα επεξεργαστώ, να τα δείξω ή να τα δημοσιεύσω», εξηγεί.
Αν δεν αλλάξει κάτι στο σύστημα αξιολόγησης, ένας υποψήφιος διδάκτορας θα μπορεί πολύ σύντομα να εμφανίζεται με έναν εντυπωσιακό αριθμό δημοσιεύσεων, οι οποίες θα έχουν παραχθεί σε πολύ μικρότερο χρόνο από ό,τι στο παρελθόν.
Αυτό δεν σημαίνει ότι η ανθρώπινη εργασία εξαφανίζεται, αλλά σαφώς μετατοπίζεται απότομα. Ο ερευνητής δεν είναι πλέον απλώς εκείνος που εκτελεί επίπονα κάθε τεχνικό βήμα, αλλά εκείνος που ξέρει να θέτει το σωστό ερώτημα, να καταλαβαίνει αν η απάντηση έχει νόημα, να ελέγχει τη μεθοδολογία και να προσθέτει ερμηνεία. «Οι ιδέες φυσικά μετράνε. Θα μετράνε πάντα», απαντά ο Ντίνας. «Αν κάτι ενισχύεται, στην εποχή της αυτοματοποίησης, είναι η ικανότητα να ξέρεις τι αξίζει να ρωτήσεις».
Το μεγάλο ρίσκο, όμως, είναι ότι η ακαδημαϊκή παραγωγή ήταν ήδη υπερφορτωμένη πριν από το AI. Η λογική του “publish or perish” είχε μετατρέψει την καριέρα των νέων ερευνητών σε αγώνα ταχύτητας: περισσότερα papers, περισσότερες δημοσιεύσεις, περισσότερα μετρήσιμα outputs. Με το generative AI, αυτό μπορεί να διογκωθεί.
«Η ποσότητα δυστυχώς έχει ξεφύγει», συμφωνεί ο κ. Ντίνας. Φοβάται ότι, αν δεν αλλάξει κάτι στο σύστημα αξιολόγησης, ένας υποψήφιος διδάκτορας θα μπορεί πολύ σύντομα να εμφανίζεται με έναν εντυπωσιακό αριθμό δημοσιεύσεων, οι οποίες θα έχουν παραχθεί σε πολύ μικρότερο χρόνο από ό,τι στο παρελθόν.
Αυτό μπορεί να κάνει την έρευνα πιο γρήγορη. Μπορεί όμως και να την κάνει πιο θορυβώδη. Περισσότερα άρθρα δεν σημαίνουν αναγκαστικά περισσότερη γνώση. Ο Ντίνας πιστεύει ότι το επόμενο κρίσιμο βήμα θα είναι η συνεργασία. Αφού η τεχνολογία μειώνει το κόστος της ανάλυσης, οι ερευνητές θα μπορούσαν, αντί να κυνηγούν μεμονωμένες δημοσιεύσεις, να συντονιστούν γύρω από μεγάλα ερωτήματα.
«Χρειάζεται να μαζέψουμε μία ποσότητα, μία μάζα γνώσης γύρω από συγκεκριμένα ερωτήματα. Οπότε αυτό μόνο συλλογικά μπορούμε να το κάνουμε», λέει. Με άλλα λόγια, το AI θα μπορούσε να οδηγήσει όχι μόνο σε περισσότερη παραγωγή, αλλά και σε βαθύτερη, πιο συστηματική έρευνα, αν φυσικά τα ιδρύματα και οι επιστημονικές κοινότητες το επιτρέψουν.
Τι απομένει στον νέο ερευνητή
Η πιο άμεση ανατροπή, ωστόσο, αφορά τους ανθρώπους στην αρχή της ακαδημαϊκής αλυσίδας: βοηθούς ερευνητές, διδακτορικούς, μεταδιδακτορικούς. Πολλές εργασίες που μέχρι χθες απαιτούσαν ώρες ανθρώπινης απασχόλησης —καθαρισμός δεδομένων, αντιστοίχιση αρχείων, βασική κωδικοποίηση, προετοιμασία πινάκων— μπορούν πλέον να αυτοματοποιηθούν.
«Όλα αυτά τελειώσανε», λέει ο Ντίνας για ένα κομμάτι δουλειάς που παλαιότερα ανέθετε σε ανθρώπους. «Είναι ένας κίνδυνος μεγάλος, πολύ μεγάλος. Αυτό δεν το παραβλέπω».
Ίσως αυτή να είναι η βαθύτερη αλλαγή που φέρνει το AI στην ακαδημία. Δεν καταργεί τον ερευνητή, αλλά τον μετατρέπει από απλό χειριστή εργαλείων, στον άνθρωπο που ξέρει να ξεχωρίζει τι είναι σημαντικό.
Η συμβουλή του προς τους νέους ερευνητές είναι ρεαλιστική, όχι καθησυχαστική: να μην αποφύγουν το ΑΙ. «Δεν μπορείς να τα αποφύγεις. Είναι καλύτερο λοιπόν να τα αγκαλιάζεις όσο πιο νωρίς γίνεται, γιατί πολύ απλά θα ζήσεις με αυτά».
Όσοι μάθουν πρώτοι να δουλεύουν με τα νέα εργαλεία, λέει, θα αποκτήσουν συγκριτικό πλεονέκτημα. Όμως το ίδιο το πλεονέκτημα αλλάζει. Η τεχνική δεξιότητα παραμένει σημαντική, αλλά δεν είναι πια αρκετή. Το ζητούμενο μετακινείται προς τη σύλληψη, την κρίση, την ερμηνεία.
Ίσως αυτή να είναι η βαθύτερη αλλαγή που φέρνει το AI στην ακαδημία. Δεν καταργεί τον ερευνητή, αλλά τον μετατρέπει από απλό χειριστή εργαλείων, στον άνθρωπο που ξέρει να ξεχωρίζει τι είναι σημαντικό. Και στον νέο ακαδημαϊκό κόσμο, το στοίχημα μετακινείται από το ποιος μπορεί να παράγει περισσότερα, στο ποιός μπορεί να σκεφτεί καλύτερα και να κάνει τις σωστές ερωτήσεις.
