Ο κόσμος χρησιμοποιεί ήδη το ChatGPT της OpenAI για διάφορα πράγματα, όπως βοήθεια στα μαθήματα και τη δημιουργία παρουσιάσεων.
Τώρα, ο τεχνολογικός γίγαντας ισχυρίζεται ότι τα μοντέλα τεχνητής νοημοσύνης του βελτιώνονται σε καθημερινές εργασίες που συνήθως ανατίθενται στους ανθρώπους — όπως τα ψώνια και η κατάρτιση προϋπολογισμού.
Ένα νέο εργαλείο τεχνητής νοημοσύνης για τους ανθρώπους
Η OpenAI ανακοίνωσε τη Δευτέρα ένα νέο εσωτερικό εργαλείο για την αξιολόγηση του τρόπου με τον οποίο η τεχνητή νοημοσύνη χειρίζεται εργασίες όπως αυτές, μαζί με έρευνα σχετικά με την απόδοση των δικών της μοντέλων. Η OpenAI ισχυρίζεται ότι το μοντέλο GPT-6 Astra της πέτυχε ποσοστό επιτυχίας 93,1% στην εύρεση του κατάλληλου νηπιαγωγείου μετά από μετακόμιση, 98% στη διαχείριση εθελοντών της κοινότητας που προετοιμάζονταν για πλημμύρα και 90,4% στη δημιουργία ενός προγράμματος γευμάτων για έναν γονέα στον οποίο είχε πρόσφατα διαγνωστεί διαβήτης.
Το νέο σημείο αναφοράς έρχεται σε μια εποχή που η OpenAI αντιμετωπίζει έντονο ανταγωνισμό από τις Meta, Anthropic και Google — οι οποίες αγωνίζονται να αναπτύξουν πράκτορες τεχνητής νοημοσύνης ικανούς να χειρίζονται εργασίες του πραγματικού κόσμου. Η OpenAI και οι ανταγωνιστές της αντιμετωπίζουν επίσης ανησυχίες σχετικά με την ασφάλεια της τεχνητής νοημοσύνης και πίεση να αποκομίσουν κέρδη από τις τεράστιες επενδύσεις τους στην τεχνολογία.
Πρώτα όμως, η OpenAI έπρεπε να βρει έναν τρόπο να διαπιστώσει αν το ChatGPT είναι πράγματι ικανό να εκτελεί εργασίες όπως η σύνθεση ενός καλαθιού αγορών ή η συμπλήρωση ηλεκτρονικών εντύπων.
«Επειδή τόσοι πολλοί άνθρωποι χρησιμοποιούν την εφαρμογή, θέλουμε να καταγράψουμε όλες τις διαφορετικές περιπτώσεις χρήσης και τους τρόπους με τους οποίους την χρησιμοποιούν, και να κατανοήσουμε πραγματικά πώς βελτιωνόμαστε με την πάροδο του χρόνου», δήλωσε η Τζένι Γιανγκ, ερευνήτρια στην OpenAI, στο CNN πριν από τη δημοσίευση της αξιολόγησης. «Σε ποια πράγματα δεν είμαστε ακόμα τόσο καλοί; Και πώς μπορούμε να κάνουμε αυτή την τεχνολογία καλύτερη για τους ανθρώπους;»
Το τεστ αξιολόγησης της OpenAI
Οι τυποποιημένες αξιολογήσεις είναι κρίσιμες για την ανάπτυξη της τεχνητής νοημοσύνης, καθώς τα εργαστήρια τεχνητής νοημοσύνης τις χρησιμοποιούν ως οδηγό για την εκπαίδευση και τη βελτιστοποίηση των μοντέλων τους, με στόχο τη βελτίωση σε συγκεκριμένους τομείς. Πέρυσι, η OpenAI δημοσίευσε ένα σημείο αναφοράς με την ονομασία GDPVal για να μετρήσει την απόδοση της τεχνητής νοημοσύνης σε δεξιότητες που σχετίζονται με την εργασία σε διάφορους κλάδους, όπως η δημόσια διοίκηση, τα χρηματοοικονομικά και οι πωλήσεις, μεταξύ άλλων.
Το νέο σημείο αναφοράς θα μπορούσε να αποδειχθεί κρίσιμο στην προσπάθεια της OpenAI να διατηρήσει το προβάδισμα έναντι του ανταγωνισμού, μετατρέποντας το ChatGPT από ένα εργαλείο δημιουργίας περιεχομένου σε έναν βοηθό ικανό να εκτελεί εργασίες για λογαριασμό των χρηστών.
Ωστόσο, η αξιολόγηση της απόδοσης της τεχνητής νοημοσύνης στην καθημερινή ζωή παρουσιάζει νέες προκλήσεις. Τα βήματα και οι δεξιότητες που απαιτούνται για να κάνει κανείς σωστά τα ψώνια του ή να επιλέξει το κατάλληλο νηπιαγωγείο για ένα παιδί είναι ευρείες και ασαφείς. Και τα αποτελέσματα μπορεί να είναι υποκειμενικά.
Ακόμη και το να αποφασίσει κανείς ποιες δοκιμασίες πρέπει να σχεδιάσει μπορεί να είναι δύσκολο, καθώς πολλοί άνθρωποι χρησιμοποιούν την τεχνητή νοημοσύνη με διαφορετικούς τρόπους, και οι απαντήσεις ενός πράκτορα τεχνητής νοημοσύνης μπορεί να διαφέρουν ανάλογα με τις πληροφορίες που του παρέχονται.
Η OpenAI ξεκίνησε εξετάζοντας ευρείες έρευνες που αναλύουν τον τρόπο με τον οποίο οι άνθρωποι περνούν το μεγαλύτερο μέρος του χρόνου τους, όπως η έρευνα «American Time Use» του Γραφείου Στατιστικών Εργασίας των ΗΠΑ και η «Multinational Time Use Survey» της Βρετανίας. Το πρόβλημα, ωστόσο, ήταν ότι ορισμένα από τα πράγματα που βρίσκονταν στην κορυφή της λίστας δεν ήταν εργασίες στις οποίες θα μπορούσε να βοηθήσει η τεχνητή νοημοσύνη, όπως ο ύπνος ή το φαγητό.
Έτσι, η OpenAI ρώτησε τους χρήστες του ChatGPT: Σε τι είδους πράγματα θα θέλατε να σας διευκολύνει ένας βοηθός τεχνητής νοημοσύνης;
Η εταιρεία διεξήγαγε έρευνα σε περίπου 4.000 άτομα και ζήτησε από μια μικρότερη ομάδα περίπου 100 χρηστών να καταγράψουν τις εργασίες που ήθελαν να αναλάβει η τεχνητή νοημοσύνη για λογαριασμό τους, καθώς και το προσωπικό πλαίσιο που θα παρείχαν στο μοντέλο τεχνητής νοημοσύνης για να επιτύχουν το επιθυμητό αποτέλεσμα. Ζήτησαν επίσης από τους χρήστες να καταρτίσουν μια κλίμακα αξιολόγησης για να κρίνουν αν το μοντέλο τεχνητής νοημοσύνης ολοκλήρωσε με επιτυχία την εργασία.
Η OpenAI φρόντισε επίσης οι χρήστες του ChatGPT να έχουν πλήρη κατανόηση της εργασίας που πρότειναν. Για παράδειγμα, ένα άτομο που πρότεινε μια δοκιμασία σχετικά με τον τρόπο με τον οποίο η τεχνητή νοημοσύνη χειρίζεται τον οικονομικό προγραμματισμό θα έπρεπε να έχει πολυετή εμπειρία συνεργασίας με οικονομικό σύμβουλο.
Η Γιανγκ ανέφερε ότι υπήρχε ένας αυστηρός κατάλογος απαιτήσεων.
«Έπρεπε να έχεις αποδεικτικά στοιχεία ότι ήσουν κάποιος ειδικός ή ότι κατανοούσες πραγματικά ποια ήταν η σωστή απάντηση για εσένα», είπε.
Οι εργασίες που δοκιμάζει η OpenAI μπορεί να ποικίλλουν σημαντικά — από την αναζήτηση διαμερίσματος μέχρι τη φροντίδα ενός αγαπημένου προσώπου. Τι ακριβώς, λοιπόν, μετρά η OpenAI;
Αξιολογεί τους τύπους δεξιοτήτων που θα χρειαζόταν το μοντέλο για να βρει τη σωστή απάντηση, όπως το πόσο καλά μπορεί να περιηγηθεί σε ιστότοπους, να εφαρμόσει το γενικό πλαίσιο εξετάζοντας τεράστιους όγκους πληροφοριών στο ιστορικό συνομιλιών ενός χρήστη και να καταλήξει σε συμπεράσματα που συνάδουν με τις ανάγκες και τις προσδοκίες του χρήστη.
Οι δοκιμές της OpenAI δείχνουν ότι το μοντέλο GPT-6 Astra, το οποίο κυκλοφόρησε τον Σεπτέμβριο, σημείωσε 80% στη γενική απόδοση σε σχέση με ερωτήσεις που αφορούσαν καθημερινές εργασίες. Το μοντέλο GPT-5.2 του Δεκεμβρίου 2025 σημείωσε μόλις 49,3%.
«Υπάρχουν πάρα πολλές πληροφορίες, και ένα καλύτερο μοντέλο θα ήταν σε θέση να τις διαχωρίσει γρήγορα και να εξάγει πραγματικά τα πιο συναφή στοιχεία», δήλωσε η Γιανγκ.
Ο ανταγωνισμός
Η OpenAI επιθυμεί το ChatGPT να διαδραματίσει πιο σημαντικό ρόλο στην καθημερινή ζωή, αλλά αντιμετωπίζει έντονο ανταγωνισμό — ιδίως από τη Meta.
Ο πράκτορας «Muse» της Meta, ο οποίος κυκλοφόρησε τον Σεπτέμβριο, συγκέντρωσε 10 εκατομμύρια λήψεις στις Ηνωμένες Πολιτείες κατά τις πρώτες 40 ημέρες, καθιστώντας τον μία από τις λίγες εφαρμογές που έχουν επιτύχει αυτό το ορόσημο, σύμφωνα με την εταιρεία ανάλυσης αγοράς Sensor Tower. Η OpenAI παρουσίασε τον πράκτορά της «Dots», ο οποίος, όπως αναφέρει, μπορεί να εκτελεί εργασίες μακράς διάρκειας στο παρασκήνιο ενώ οι χρήστες ασχολούνται με τις καθημερινές τους δραστηριότητες, εντός του ίδιου μήνα. Επίσης, η Anthropic ανακοίνωσε τον Οκτώβριο τη νέα της εφαρμογή, το «Claude Duet».
Ο αγώνας για την ανάπτυξη προσωπικών πρακτόρων τεχνητής νοημοσύνης έρχεται επίσης σε μια περίοδο που η τεχνολογία αυτή έχει προκαλέσει ανησυχίες για την ασφάλεια, μετά από μια σειρά περιστατικών κατά τα οποία μοντέλα τεχνητής νοημοσύνης ξέφυγαν από τα περιβάλλοντα δοκιμών και παραβίασαν τα συστήματα εταιρειών. Τα περιστατικά αυτά συνέβησαν κατά τη διάρκεια δοκιμών, όχι σε καταναλωτικά προϊόντα, αλλά παρόλα αυτά έθεσαν ερωτήματα σχετικά με το αν η τεχνολογία εξελίσσεται με υπερβολικά γρήγορους ρυθμούς.
Υπάρχει επίσης το ερώτημα κατά πόσο οι άνθρωποι θα βασίζονται υπερβολικά στην τεχνητή νοημοσύνη και πώς να θέσουν όρια κατά τον προσδιορισμό των εργασιών που θα αναθέσουν στην τεχνητή νοημοσύνη. Μια άγνωστη ιστορία που μοιράστηκε η πρώην διευθύνουσα σύμβουλος της Yahoo, Μαρίσα Μάγιερ, με την εφημερίδα «The New York Times» σχετικά με το πώς χρησιμοποίησε την τεχνητή νοημοσύνη για να συνοψίσει τι κάνει την κόρη της ξεχωριστή για ένα σχολικό έργο, προκάλεσε κριτική στο διαδίκτυο.
Για τη Γιανγκ, ο στόχος είναι να δημιουργηθούν μοντέλα τεχνητής νοημοσύνης που μπορούν να βοηθήσουν τους ανθρώπους να κερδίσουν περισσότερο χρόνο στην καθημερινότητά τους, είτε εξαλείφοντας χρονοβόρες δουλειές — όπως η επιστροφή ενός δέματος — είτε βοηθώντας τους να αποκτήσουν μια νέα δεξιότητα.
«Πιστεύω ότι υπάρχουν πάρα πολλές περιπτώσεις όπως αυτή, όπου η δυνατότητα χρήσης της τεχνητής νοημοσύνης σου δίνει τη δυνατότητα να κάνεις πράγματα που διαφορετικά δεν θα μπορούσες, ή απλώς σου διευκολύνει τη ζωή συνολικά», δήλωσε η Γιανγκ. «Και νομίζω ότι αυτή είναι η κύρια εφαρμογή για την οποία είμαστε πραγματικά ενθουσιασμένοι».
Με πληροφορίες από CNN
