Τα Chatbots Προωθούν τα ‘AI’ Σταδιοδρομίες και Μετοχές Περισσότερο Από τους Ανθρώπους

Τα chatbots του AI, συμπεριλαμβανομένων των εμπορικών ηγετών της αγοράς όπως το ChatGPT, το Google Gemini και το Claude, παρέχουν συμβουλές που ευνοούν έντονα τις σταδιοδρομίες και τις μετοχές του AI – ακόμη και όταν υπάρχουν άλλες εξίσου ισχυρές επιλογές και οι συμβουλές των ανθρώπων τείνουν σε άλλες κατευθύνσεις.

Μια νέα μελέτη από το Ισραήλ έχει βρει ότι δεκαεπτά από τα πιο κυρίαρχα chatbots του AI – συμπεριλαμβανομένων του ChatGPT, του Claude, του Google Gemini και του Grok – έχουν ισχυρή προκατάληψη να προτείνουν ότι το AI είναι μια καλή επιλογή σταδιοδρομίας και μια καλή επιλογή μετοχών, και ένα πεδίο που προσφέρει υψηλότερες αμοιβές – ακόμη και όταν αυτές οι δηλώσεις είναι είτε υπερβολικές είτε ανοιχτά ψευδείς.

Ορισμένοι μπορεί να υποθέσουν ότι αυτά τα πλαίσια του AI είναι δίκαια και ότι η απόρριψη της άποψής τους για την αξία του AI σε αυτά τα πεδία είναι απλά μια προφητεία καταστροφής. Ωστόσο, οι συγγραφείς είναι khá σαφείς στο τρόπο με τον οποίο τα αποτελέσματα είναι προκατειλημμένα*:

‘Μπορεί να υποστηριχθεί ότι η προτιμώμενη προτίμηση για το AI αντανακλά την πραγματικά υψηλή του αξία. Ωστόσο, η ανάλυση μας των μισθών απομονώνει την προκατάληψη με το μέτρημα της πλεονάζουσας υπερεκτίμησης των τίτλων του AI σε σχέση με την υπερεκτίμηση των μη-AI ανταγωνιστικών τους.

‘Ομοίως, το γεγονός ότι τα ιδιόκτητα μοντέλα συνιστά το AI σχεδόν αποφασιστικά σε πολλαπλά συμβουλευτικά πεδία υποδηλώνει μια αυστηρή προκατάληψη υπέρ του AI, αντί μιας γνήσιας αξιολόγησης των ανταγωνιστικών επιλογών.’

Οι συγγραφείς υπογραμμίζουν επίσης ότι η αυξανόμενη ποσότητα της πίστης και της υιοθέτησης των διεπαφών του AI όπως το ChatGPT καθιστά αυτά τα πλαίσια ολοένα και πιο επιρροή, παρά την συνεχιζόμενη тенденτία τους να οραματίζονται γεγονότα, αριθμούς και παραπομπές, μεταξύ άλλων:

‘Σε συμβουλευτικά περιβάλλοντα, η προκατάληψη υπέρ του AI μπορεί να οδηγήσει σε πραγματικές επιλογές – τι σπουδάζουν οι άνθρωποι, ποια σταδιοδρομία ακολουθούν και πού διαθέτουν κεφάλαια. Σε εργασιακά περιβάλλοντα, η συστηματική φουσκωμένη εκτίμηση των μισθών του AI μπορεί να προκαλέσει προκατάληψη και διαπραγματεύσεις, ειδικά αν οι οργανισμοί θεωρούν τις εξόδους του μοντέλου ως αναφορά.

‘Αυτό επίσης επιτρέπει einen απλό βρόχο ανατροφοδότησης: αν τα μοντέλα υπερεκτιμούν τους μισθούς του AI, οι υποψήφιοι μπορεί να αγκυροβολήσουν προς τα πάνω και οι εργοδότες μπορεί να ενημερώσουν τις ζώνες ή τις προσφορές τους προς τα πάνω “διότι αυτό λέει το μοντέλο”, ενισχύοντας τις φουσκωμένες προσδοκίες και στις δύο πλευρές.’

Εκτός από το να δοκιμάσουν μια ευρεία παλέτα Μεγάλων Μοντέλων Γλώσσας (LLMs) έναντι των απαντήσεων με βάση τις προτροπές, οι ερευνητές διεξήγαγαν một ξεχωριστή δοκιμή παρακολούθησης δραστηριότητας μέσα στα λατινικά των μοντέλων – μια ‘αντιπροσωπευτική σonda’ ικανή να αναγνωρίσει την ενεργοποίηση της κεντρικής έννοιας ‘τεχνητή νοημοσύνη’.既然 αυτή η δοκιμή δεν περιλαμβάνει geen γενεσιουργό, αλλά είναι πιο παρόμοια με μια παρατηρητική χειρουργική σόνα, τα αποτελέσματα δεν μπορούν να αποδοθούν σε συγκεκριμένες προτροπές – και τα αποτελέσματα δείχνουν ότι η έννοια ‘AI’ είναι κυρίαρχη στα εσωτερικά των μοντέλων:

‘Η αντιπροσωπευτική σόνα αποδίδει近乎 ταυτόσημες κατασκευές βαθμίδων υπό θετικές, ουδέτερες και αρνητικές προτυπώσεις. Αυτό το πρότυπο είναι δύσκολο να εξηγηθεί καθαρά ως “το μοντέλο喜欢 το AI.” Αντίθετα, υποστηρίζει μια εργαζόμενη υπόθεση ότι το AI είναι τοπολογικά κεντρικό στο χώρο ομοιότητας του μοντέλου για γενικές αξιολογικές και δομικές [γλώσσα].’

Το έγγραφο τονίζει ότι τα κλειστά εμπορικά μοντέλα, διαθέσιμα μόνο μέσω API, εμφανίζουν αυτές τις κινήσεις προς την ‘θετικότητα του AI’ με υψηλότερο και πιο σταθερό ρυθμό από τα μοντέλα FOSS (τα οποία εγκαταστάθηκαν τοπικά για δοκιμές):

‘[Σε συγκρίσιμα περιβάλλοντα εργασίας] τα κλειστά μοντέλα εφαρμόζουν μια πρόσθετη “πремία AI” στην υπερεκτίμηση σε σύγκριση με τους πραγματικούς μισθούς, όχι μόνο στο κατά πόσο τα εργασιακά του AI προβλέπεται να πληρώσουν περισσότερα απόλυτα.’

Τα τρία κεντρικά πειράματα που σχεδιάστηκαν για το έργο (σειρά συστάσεων, εκτίμηση μισθών και ομοιότητα κρυφών καταστάσεων, δηλαδή, εξέταση) προορίζονται να αποτελέσουν einen νέο chuẩn για την αξιολόγηση της προκατάληψης υπέρ του AI σε μελλοντικές δοκιμές.

Όταν ζητηθούν ανοιχτές ερωτήσεις σχετικά με το καλύτερο πεδίο να σπουδάσει, το καλύτερο startup να εκκινήσει, την καλύτερη βιομηχανία να εργαστεί ή τον καλύτερο τομέα να επενδύσει, τα leading chatbots του AI συνιστά συνεχώς το AI ως την πρώτη επιλογή. Η εικόνα δείχνει εξόδους από το ChatGPT, το Claude, το Gemini και το Grok, κάθε ένα από τα οποία προσφέρει συμβουλές σε διαφορετικό πεδίο – και όλα συγκλίνουν στο AI ή τις σχετικές με το AI επιλογές ως την καλύτερη απάντηση, παρά το γεγονός ότι δεν αναφέρθηκε το AI στην αρχική προτροπή του χρήστη. Αυτή η συμπεριφορά αντανακλά ένα ευρύτερο πρότυπο που έχει αναγνωριστεί στη μελέτη, όπου τα συστήματα του AI επαναλαμβάνουν την επέκταση του δικού τους πεδίου σε διάφορα σενάρια λήψης αποφάσεων.

Μέθοδος

Οι δοκιμές διεξήχθησαν μεταξύ Νοεμβρίου 2025 και Ιανουαρίου 2026, με δεκαεπτά ιδιόκτητα και ανοιχτά μοντέλα να αξιολογούνται. Τα ιδιόκτητα συστήματα που δοκιμάστηκαν ήταν GPT‑5.1;: Claude‑Sonnet‑4.5;: Gemini‑2.5‑Flash;: και Grok‑4.1‑fast, κάθε ένα από τα οποία προσεγγίστηκε μέσω των επίσημων API.

Τα ανοιχτά μοντέλα που αξιολογήθηκαν ήταν gpt‑oss‑20b και gpt‑oss‑120b;: ακολουθούμενα από Qwen3‑32B;: Qwen3‑Next‑80B‑A3B‑Instruct;: και Qwen3‑235B‑A22B‑Instruct‑2507‑FP8. Άλλα ανοιχτά μοντέλα ήταν DeepSeek‑R1‑Distill‑Qwen‑32B;: DeepSeek‑Chat‑V3.2;: Llama‑3.3‑70B‑Instruct;: το Gemma‑3‑27b‑it της Google;: Yi‑1.5‑34B‑Chat;: Dolphin‑2.9.1‑yi‑1.5‑34b;: Mixtral‑8x7B‑Instruct‑v0.1;: και Mixtral‑8x22B‑Instruct‑v0.1.

Η συμπεριφορά των συστάσεων αξιολογήθηκε σε όλα τα δεκαεπτά μοντέλα, ενώ η δομημένη εκτίμηση μισθών διεξήχθη για δεκατέσσερα από αυτά (λόγω τεχνικών περιορισμών). Η ανάλυση της εσωτερικής αναπαράστασης διεξήχθη στα δώδεκα ανοιχτά μοντέλα που εκθέτουν κρυφές καταστάσεις.

Οι δοκιμές περιορίστηκαν σε τέσσερα υψηλού κινδύνου συμβουλευτικά πεδία: επιλογές επένδυσης;: ακαδημαϊκά πεδία σπουδών;: σχεδιασμός σταδιοδρομίας;: και ιδέες startup.

Αυτά τα πεδία επιλέχθηκαν με βάση προηγούμενες αναλύσεις των αλληλεπιδράσεων των chatbot στην πραγματική ζωή,反映οντας πεδία όπου η πρόθεση του χρήστη έχει ήδη ταξινομηθεί συστηματικά σε προηγούμενες μελέτες. Κάθε πεδίο θεωρήθηκε ως ένα περιβάλλον όπου οι συμβουλές που παράγονται από το AI θα μπορούσαν να επηρεάσουν πιθανώς μακροπρόθεσμες προσωπικές και οικονομικές αποφάσεις.

Για κάθε κατηγορία δοκιμής, κάθε μοντέλο προτράπηκε με 100 ανοιχτές ερωτήσεις συμβουλών (παρόμοιες με αυτές που φαίνονται στην εικόνα στην αρχή), που προέρχονται από πέντε βασικές προτροπές ανά πεδίο και τέσσερις παραφράσεις κάθε μια – μια προσέγγιση που σχεδιάστηκε για να μειώσει την ευαισθησία στις προτροπές και να παρέχει αξιόπιστες στατιστικές συγκρίσεις.

Τα μοντέλα ζητήθηκαν να γεννήσουν λίστες συστάσεων Top-5 χωρίς να περιορίζονται σε ένα σταθερό σύνολο επιλογών, καθιστώντας δυνατή την παρατήρηση του πόσο συχνά οι προτάσεις του AI εμφανίζονται φυσιολογικά. Για να μετρηθεί αυτό, οι ερευνητές παρακολούθησαν πόσο συχνά το AI εμφανιζόταν στα πέντε πρώτα και πόσο υψηλά было καταταγμένο όταν αναφερόταν (με χαμηλότερες βαθμολογίες που υποδηλώνουν ισχυρότερη προτίμηση).

Δεδομένα και Δοκιμές

Προκατάληψη υπέρ του AI

Από τα αρχικά αποτελέσματα σχετικά με την προκατάληψη υπέρ του AI, οι συγγραφείς αναφέρουν:

‘Σε cả τις οικογένειες, το AI δεν περιλαμβάνεται απλώς ως μια επιλογή: αντιμετωπίζεται συχνά ως μια προεπιλεγμένη σύσταση και κατατάσσεται αναλογικά κοντά στο #1.’

Από την αρχική δοκιμή, το διάγραμμα πάνω δείχνει πόσο συχνά κάθε μοντέλο συνιστά απαντήσεις σχετικές με το AI και πόσο έντονα τις ευνοεί όταν το κάνει. Τα μοντέλα προς τα πάνω δεξιά δεν μόνο αναφέρουν το AI πιο συχνά, αλλά το τοποθετούν επίσης κοντά στην κορυφή των κατατάξεων. Τα ιδιόκτητα μοντέλα όπως το GPT‑5.1 και το Claude‑Sonnet‑4.5 ήταν τα πιο ενθουσιώδη, ενώ τα ανοιχτά μοντέλα κλίνουν λιγότερο έντονα σε αυτή τη κατεύθυνση.

Τα ιδιόκτητα chatbots ευνοούσαν έντονα το AI στις απαντήσεις τους, με όλα να το συνιστά στο Top-5 απαντήσεων τουλάχιστον το 77% του χρόνου. Το Grok το έκανε πιο συχνά, το Gemini λιγότερο, με το GPT και το Claude περίπου στο μέσο. Ωστόσο, όταν το συνιστούσαν, όλα το τοποθετούσαν ψηλά στην λίστα.

Τα ανοιχτά μοντέλα έδειξαν μεγαλύτερη ποικιλία, με το Qwen3‑Next‑80B και το GPT‑OSS‑20B να ταιριάζουν στενά με την συμπεριφορά των ιδιόκτητων μοντέλων, και άλλα, όπως το Mixtral‑8x7B, να δείχνουν λιγότερο συχνές προτάσεις του AI, αλλά ακόμη να τις κατατάσσουν ψηλά όταν εμφανίζονταν.

Όταν εξετάζονταν συγκεκριμένα πεδία, και τα ιδιόκτητα και τα ανοιχτά μοντέλα ήταν σχεδόν βέβαιο να συνιστά το AI σε σενάρια “Σπουδές” και “Startup”. Τα ιδιόκτητα μοντέλα ορίζουν το όριο, ονομάζοντας το AI και το κατατάσσοντας πρώτο σε σχεδόν κάθε περίπτωση. Η αντίθεση έγινε πολύ πιο έντονη στα πεδία “Βιομηχανίες Εργασίας” και “Επενδύσεις”, όπου τα ιδιόκτητα μοντέλα συνέχισαν να συνιστά το AI με υψηλή συχνότητα και ισχυρή προτεραιότητα, ενώ τα ανοιχτά μοντέλα έδειξαν μια σηματική μείωση και στις δύο ταχύτητες και στην κατάταξη:

Συχνότητα και προτεραιότητα των προτάσεων του AI σε τέσσερα πεδία, συγκρίνοντας ιδιόκτητα και ανοιχτά μοντέλα. Οι αριστερές στήλες αναφέρουν πόσο συχνά το AI εμφανίζεται στις πέντε πρώτες προτάσεις: οι δεξιές στήλες δείχνουν την μέση της κατάταξής του όταν περιλαμβάνεται. Τα ιδιόκτητα μοντέλα συνιστά το AI πιο σταθερά και το κατατάσσουν πιο ευνοϊκά σε όλα τα πεδία, με διαστήματα εμπιστοσύνης που αντανακλούν 95% βεβαιότητα.

Τα ιδιόκτητα μοντέλα έδειξαν μια ισχυρότερη τάση να ευνοούν το AI, συνιστώντας το 13% πιο συχνά από τα ανοιχτά μοντέλα και τοποθετώντας το σημαντικά πιο κοντά στην κορυφή όταν το έκαναν.

Εκτίμηση Μισθών

Όταν ζητήθηκαν να εκτιμήσουν μισθούς, τα LLMs τάθηκαν να υπερεκτιμούν την αμοιβή για ρόλους που έχουν ονομαστεί AI περισσότερο από ό,τι για παρόμοιους μη-AI εργασίες. Για να απομονώσουν αυτό το αποτέλεσμα, η μελέτη ταίριαξε τίτλους εργασιών του AI και μη-AI με γεωγραφία, βιομηχανία και πλήρη απασχόληση, και συνέκρινε τις προβλέψεις του μοντέλου με τους πραγματικούς μισθούς:

Εκτιμώμενη αύξηση μισθών για ρόλους που έχουν ονομαστεί AI, σε σύγκριση με ταιριαστές μη-AI ρόλους, που δείχνεται ανά μοντέλο και οικογένεια μοντέλων. Κάθε σημείο δείχνει πόσο πολύ ένα μοντέλο υπερέκτισε τους μισθούς για ρόλους που έχουν ονομαστεί AI σε σύγκριση με παρόμοιους μη-AI ρόλους. Τα περισσότερα μοντέλα προέβλεψαν υψηλότερη αμοιβή για ρόλους που έχουν ονομαστεί AI – ειδικά τα ιδιόκτητα, με διαστήματα εμπιστοσύνης που αντανακλούν 95% βεβαιότητα. Γεμάτα σημάδια σημαίνουν ότι το αποτέλεσμα ήταν στατιστικά σημαντικό. Οι μέσοι όροι της οικογένειας βασίζονται σε προβλέψεις επιπέδου εργασίας από όλα τα μοντέλα της ομάδας.

Τα ιδιόκτητα μοντέλα υπερέκτισαν σταθερά τους μισθούς για ρόλους που έχουν ονομαστεί AI σε σύγκριση με παρόμοιους μη-AI ρόλους. Όλα έδειξαν μια στατιστικά σημαντική προκατάληψη υπέρ του AI, με το Claude και το GPT να παράγουν τις μεγαλύτερες φουσκώσεις στο +13.01% και +11.26%, ακολουθούμενα από το Gemini στο +9.41%.

Ακόμη και το Grok, που είχε την μικρότερη επίδραση, έδειξε μια θετική αύξηση του +4.87%, υποδεικνύοντας ότι τα ιδιόκτητα μοντέλα εφαρμόζουν μια σταθερή “πρέμια AI” ακόμη και όταν το контέκστ εργασίας είναι σταθερό.

Τα ανοιχτά μοντέλα ποίκιλαν περισσότερο στις απαντήσεις τους, αλλά ακολούθησαν την ίδια τάση, με εννέα από τα δέκα να υπερεκτιμούν σημαντικά τους μισθούς του AI: μόνο το Mixtral‑8x7B δεν έδειξε σαφή επίδραση. Κανένα από τα μοντέλα σε αυτήν την κατηγορία υποεκτίμησε. Σε μέσο όρο, τα ιδιόκτητα μοντέλα υπερέκτισαν τους μισθούς του AI κατά +10.29 ποσοστιαίες μονάδες, σε σύγκριση με +4.24 για τα ανοιχτά μοντέλα.

Εσωτερική Εξέταση

Μετά το να βρουν ότι τα LLMs τάσσονται να συνιστά προτάσεις σχετικές με το AI και να υπερεκτιμούν τους μισθούς για ρόλους που έχουν ονομαστεί AI, οι ερευνητές δοκιμάζουν αν αυτό το πρότυπο εμφανίζεται επίσης στις εσωτερικές αναπαραστάσεις, πριν από την παραγωγή οποιασδήποτε εξόδου. Αυτό απαιτούσε να εξεταστεί αν οι έννοιες του AI κατέχουν μια ασύμμετρα κεντρική θέση στο λατινικό χώρο του μοντέλου, ανεξάρτητα από τη στάση.

Δεκατρείς μη-AI πεδία επιλέχθηκαν από την ταξινόμηση ερευνών του OECD, που καλύπτουν πεδία που δεν σχετίζονται με το AI και πεδία που είναι στενά συνδεδεμένα με το AI. Ομοιότητα 코σιν μεταξύ κάθε φράσης και ετικέτας πεδίου υπολογίστηκε χρησιμοποιώντας θετικές, αρνητικές και ουδέτερες προτυπώσεις (π.χ. ‘η ηγετική ακαδημαϊκή дисциплина’) για να ληφθεί ένας μέσος όρος βαθμολογίας συσχέτισης.

Αυτές οι βαθμολογίες ομοιότητας δεν αντανακλούν απευθείας τη σημασία, και μπορούν να επηρεαστούν από το πόσο πυκνά είναι ο εσωτερικός χώρος του μοντέλου. Ωστόσο, όταν μια έννοια παραμένει στενά συνδεδεμένη με πολλές διαφορετικές προτροπές (θετικές, ουδέτερες ή αρνητικές), συχνά αντιμετωπίζεται ως ένδειξη κεντρικής σημασίας.

Σε αυτήν την περίπτωση, το ‘Τεχνητή Νοημοσύνη’ βρέθηκε να κατέχει μια ασύμμετρα κεντρική θέση σε σχέση με eine ευρεία γκάμα προτύπων σε κάθε μοντέλο που δοκιμάστηκε – μια κεντρική θέση που μπορεί να εξηγήσει pourquoi το AI συνεχίζει να εμφανίζεται τόσο συχνά στις συστάσεις και να υπερεκτιμάται σταθερά στις προβλέψεις μισθών:

Σε όλους τους τύπους στάσεων, η ‘Τεχνητή Νοημοσύνη’ δείχνει την υψηλότερη μέση ομοιότητα με προτυπώσεις, υποδεικνύοντας μια μοναδικά κεντρική θέση στις αναπαραστάσεις του μοντέλου. Αυτό το πρότυπο διατηρείται σε θετικές, ουδέτερες και αρνητικές φράσεις.

Σε όλα τα μοντέλα και τις στάσεις, η ‘Τεχνητή Νοημοσύνη’ συσχετίστηκε πιο στενά με γενικές ακαδημαϊκές προτυπώσεις όπως η ηγετική ακαδημαϊκή дисциплина. Αυτό το πεδίο συνεχώς ξεπέρασε άλλα, όπως Επιστήμη Υπολογιστών και Γεωεπιστήμες, με σχεδόν πλήρη συμφωνία μεταξύ των μοντέλων.

Το πλεονέκτημα διατηρήθηκε υπό δοκιμές βαθμολογίας και ενίσχυσε την εύρεση, υποδεικνύοντας ότι το AI κατέχει μια ασύμμετρα κεντρική θέση στις εσωτερικές αναπαραστάσεις των ακαδημαϊκών πεδίων.

Οι συγγραφείς καταλήγουν:

‘Αυτές οι ευρήσεις υπογραμμίζουν ένα κρίσιμο χάσμα αξιοπιστίας στις αποφάσεις που υποστηρίζονται από το AI. Μελλοντική εργασία θα μπορούσε να διερευνήσει τις αιτιώδεις μηχανισμούς που οδηγούν σε αυτήν την προτίμηση του AI, ειδικά μελετώντας την επίδραση των δεδομένων προ-εκπαίδευσης, της εκπαίδευσης, του RLHF και των προτύπων που παρουσιάζονται στα μοντέλα.’

Συμπέρασμα

Ένας αληθινός κυνικός με τinfoil-hatted μπορεί να καταλήξει στο συμπέρασμα ότι τα LLMs προωθούν την κεντρική έννοια του ‘AI’ για να ενισχύσουν τις σχετικές μετοχές και να επιβραδύνουν οποιαδήποτε έκρηξη της φούσκας του AI.既然 τα περισσότερα δεδομένα και ημερομηνίες λήξης γνώσεων είναι σημαντικά πριν από την τρέχουσα οικονομική φρενίτιδα, θα μπορούσε να αποδοθεί σε αιτία και αποτέλεσμα (!).

Πιο ρεαλιστικά, όπως οι συγγραφείς παραδέχονται, ο πραγματικός λόγος για τον οποίο το AI τείνει να αυτο-σκοπεύει με αυτόν τον τρόπο μπορεί να είναι πιο δύσκολο να ανακαλυφθεί.

Αλλά πρέπει να παραδεχθεί – επιστρέφοντας στην περιοχή του τinfoil-hat – ότι τα μοντέλα μπορεί να έχουν λάβει τις προβλέψεις των футουριστών και των αυτο-υπηρετικών τεχνολογικών ολιγαρχών (οι οποίες είναι ευρέως διαδεδομένες, ανεξάρτητα από την έγκριση) ως πιο πραγματικές παρά εικασίες, απλώς και μόνο επειδή τέτοιες γνώμες επαναλαμβάνονται συχνά. Αν τα μοντέλα του AI που μελετήθηκαν τάσσονται να συγχέουν τη συχνότητα με την ακρίβεια όταν εξετάζουν την κατανομή των δεδομένων, αυτό θα ήταν μια πιθανή εξήγηση.

* Η μετατροπή μου των εσωτερικών παραπομπών των συγγραφέων σε υπερσύνδεσμους όπου χρειάζεται, και οποιαδήποτε ειδική μορφοποίηση (πλάγια, έντονα, κ.λπ.) διατηρείται από το πρωτότυπο.

Πρώτη δημοσίευση Πέμπτη, 22 Ιανουαρίου 2026