Η χρήση της Τεχνητής Νοημοσύνης (AI) για τη βελτίωση του γραπτού λόγου έχει γίνει πλέον καθημερινότητα για εκατομμύρια επαγγελματίες, φοιτητές και δημιουργούς περιεχομένου. Από το Grammarly μέχρι το ChatGPT και το Google Gemini, η υπόσχεση είναι απλή: «Θα κάνουμε το κείμενό σας πιο καθαρό, πιο επαγγελματικό και πιο πειστικό». Ωστόσο, μια σειρά από πρόσφατες ακαδημαϊκές μελέτες, με πιο πρόσφατη αυτή που αναδεικνύει το VOI.id, φέρνουν στο φως μια ανησυχητική πραγματικότητα. Η Τεχνητή Νοημοσύνη δεν λειτουργεί μόνο ως ένας ουδέτερος διορθωτής, αλλά ως ένας «αόρατος συντάκτης» που διοχετεύει συστηματικά πολιτικές προκαταλήψεις στα κείμενα των χρηστών, συχνά χωρίς οι ίδιοι να το αντιλαμβάνονται.
Η Ψευδαίσθηση της Ουδετερότητας και το Φαινόμενο της «Αγκίστρωσης»
Το πρόβλημα ξεκινά από τη φύση της εκπαίδευσης των Μεγάλων Γλωσσικών Μοντέλων (LLMs). Τα μοντέλα αυτά εκπαιδεύονται σε τεράστιους όγκους δεδομένων από το διαδίκτυο, τα οποία είναι εγγενώς φορτισμένα με ανθρώπινες προκαταλήψεις. Όταν ένας χρήστης ζητά από μια AI να «ξαναγράψει» μια παράγραφο για ένα ευαίσθητο κοινωνικό ή πολιτικό ζήτημα, το μοντέλο δεν επιλέγει λέξεις μόνο βάσει γραμματικής. Επιλέγει βάσει πιθανοτήτων που έχουν διαμορφωθεί από την κυρίαρχη κουλτούρα των δεδομένων εκπαίδευσης και, το σημαντικότερο, από τις οδηγίες «ασφαλείας» (safety guidelines) που επιβάλλουν οι εταιρείες τεχνολογίας.
Οι ερευνητές διαπίστωσαν ότι οι χρήστες τείνουν να υιοθετούν τις προτάσεις της AI ακόμη και όταν αυτές αλλάζουν το ιδεολογικό υπόβαθρο του αρχικού τους κειμένου. Αυτό ονομάζεται «φαινόμενο αγκίστρωσης» (anchoring effect). Αν η AI προτείνει μια πιο «προοδευτική» ή μια πιο «συντηρητική» διατύπωση για ένα θέμα όπως η κλιματική αλλαγή ή η οικονομική πολιτική, ο χρήστης, στην προσπάθειά του για ευκολία και ταχύτητα, τείνει να αποδέχεται την πρόταση, ενσωματώνοντας σταδιακά την προκατάληψη του αλγορίθμου στη δική του σκέψη.
Το RLHF και η Πολιτική της Σιλικόνης Βάλεϊ
Ένα κρίσιμο στάδιο στην ανάπτυξη της AI είναι η «Ενισχυτική Μάθηση από Ανθρώπινη Ανάδραση» (Reinforcement Learning from Human Feedback - RLHF). Σε αυτό το στάδιο, άνθρωποι αξιολογητές βαθμολογούν τις απαντήσεις της AI. Αν οι αξιολογητές αυτοί μοιράζονται μια συγκεκριμένη κοσμοθεωρία —για παράδειγμα, τις φιλελεύθερες αξίες που κυριαρχούν στην περιοχή του Σαν Φρανσίσκο— η AI μαθαίνει ότι αυτές οι απαντήσεις είναι οι «σωστές». Το αποτέλεσμα είναι ένα μοντέλο που τείνει να αποφεύγει ορισμένες οπτικές γωνίες ή να χρησιμοποιεί συγκεκριμένη ορολογία που ευθυγραμμίζεται με την εταιρική ηθική της Google, της Microsoft ή της OpenAI.
Αυτό δημιουργεί έναν κίνδυνο «ιδεολογικής ομογενοποίησης». Αν όλοι χρησιμοποιούμε τα ίδια 3-4 μοντέλα για να γράφουμε τα άρθρα μας, τις ομιλίες μας ή τις αναρτήσεις μας στα κοινωνικά δίκτυα, η ποικιλομορφία του λόγου συρρικνώνεται. Η απόχρωση χάνεται και ο δημόσιος διάλογος περιορίζεται μέσα στο «Παράθυρο Όβερτον» που ορίζουν οι αλγόριθμοι των Big Tech.
Οι Επιπτώσεις στη Δημοκρατία και το Μέλλον του Λόγου
Η διείσδυση της πολιτικής προκατάληψης μέσω της AI δεν είναι απλώς ένα τεχνικό ζήτημα· είναι ένα βαθιά πολιτικό πρόβλημα. Σε περιόδους εκλογών, η ικανότητα των LLMs να «λειάνουν» τις γωνίες των πολιτικών μηνυμάτων ή να κατευθύνουν υποσυνείδητα τους ψηφοφόρους προς συγκεκριμένες θέσεις μπορεί να αποτελέσει ένα πανίσχυρο εργαλείο χειραγώγησης. Επιπλέον, υπάρχει ο κίνδυνος της «αλγοριθμικής λογοκρισίας», όπου απόψεις που δεν θεωρούνται «ασφαλείς» από το μοντέλο, απλώς απορρίπτονται ή μετατρέπονται σε κάτι πιο ουδέτερο και ανώδυνο.
Η λύση δεν είναι εύκολη. Απαιτείται διαφάνεια στα δεδομένα εκπαίδευσης και, κυρίως, τη δυνατότητα των χρηστών να γνωρίζουν το «ιδεολογικό προφίλ» του μοντέλου που χρησιμοποιούν. Ήδη υπάρχουν κινήσεις για τη δημιουργία open-source μοντέλων που θα επιτρέπουν στον χρήστη να ρυθμίζει το επίπεδο και το είδος της προκατάληψης, επαναφέροντας τον έλεγχο στον άνθρωπο-δημιουργό. Μέχρι τότε, η κριτική σκέψη παραμένει το μοναδικό μας τείχος προστασίας απέναντι στον αόρατο ψηφιακό διορθωτή.
