Μια νέα, αόρατη πύλη εισόδου στην αγορά εργασίας διαμορφώνεται από την τεχνητή νοημοσύνη. Πίσω από μια αγγελία εργασίας, ένα βιογραφικό που υποβάλλεται με ένα κλικ και μια απάντηση που δεν έρχεται ποτέ, μπορεί πλέον να βρίσκεται ένας αλγόριθμος ο οποίος έχει ήδη αποφασίσει ποιοι υποψήφιοι αξίζουν να περάσουν στην επόμενη φάση. Η υπόσχεση είναι ελκυστική: ταχύτερες προσλήψεις, λιγότερο κόστος και, θεωρητικά, πιο αντικειμενικές αποφάσεις. Όμως όσο η AI περνά από το στάδιο του βοηθητικού εργαλείου στο κέντρο της διαδικασίας επιλογής, ένα κρίσιμο ερώτημα γίνεται ολοένα πιο πιεστικό: τι συμβαίνει όταν μια μηχανή σε απορρίπτει χωρίς να γνωρίζεις ότι σε αξιολόγησε, χωρίς να ξέρεις με ποια δεδομένα και χωρίς να έχεις τη δυνατότητα να αμφισβητήσεις την απόφασή της;
Όταν ο αλγόριθμος γίνεται αόρατος αξιολογητής
Η συζήτηση δεν είναι πλέον θεωρητική. Στις Ηνωμένες Πολιτείες πληθαίνουν οι νομικές αντιπαραθέσεις γύρω από συστήματα τεχνητής νοημοσύνης που χρησιμοποιούνται στις προσλήψεις και στη διαχείριση εργαζομένων. Χαρακτηριστική είναι η υπόθεση της Erin Kistler, η οποία, σύμφωνα με αγωγή που κατατέθηκε στην Καλιφόρνια τον Ιανουάριο του 2026, υποστηρίζει ότι το λογισμικό της Eightfold AI δημιούργησε προφίλ και αξιολογήσεις υποψηφίων που μπορούσαν να χρησιμοποιούνται από εργοδότες χωρίς οι ίδιοι οι υποψήφιοι να γνωρίζουν πώς αξιολογήθηκαν ή να έχουν τη δυνατότητα να αμφισβητήσουν τις πληροφορίες. Η υπόθεση είναι ιδιαίτερα σημαντική επειδή δεν περιορίζεται στην κλασική συζήτηση περί «μεροληψίας» ενός αλγορίθμου, αλλά θέτει και το ζήτημα του αν τέτοιου είδους αξιολογήσεις μπορούν να λειτουργούν στην πράξη ως αόρατοι φάκελοι εργασιακού ιστορικού.
Το πρόβλημα γίνεται ακόμη μεγαλύτερο όταν το ίδιο λογισμικό χρησιμοποιείται από πολλές και διαφορετικές επιχειρήσεις. Ο υποψήφιος μπορεί να θεωρεί ότι κάθε αίτηση αποτελεί μια καινούργια ευκαιρία, στην πραγματικότητα όμως ένα μέρος της αξιολόγησής του μπορεί να πραγματοποιείται μέσα από κοινές βάσεις δεδομένων, κοινά μοντέλα ή κοινές πλατφόρμες. Έτσι δημιουργείται ο κίνδυνος του λεγόμενου «αλγοριθμικού αποκλεισμού»: μια αρνητική εκτίμηση δεν επηρεάζει απλώς μία αίτηση, αλλά ενδέχεται να επηρεάζει την πρόσβαση του ίδιου ανθρώπου σε πολλές διαφορετικές θέσεις.
Πρόκειται για μια θεμελιώδη αλλαγή στη σχέση υποψηφίου και εργοδότη. Όταν ένας άνθρωπος απορρίπτει έναν υποψήφιο, η απόφαση αφορά συνήθως μία συγκεκριμένη διαδικασία. Όταν όμως ένα κοινό τεχνολογικό σύστημα αξιολογεί εκατομμύρια ανθρώπους για λογαριασμό πολλών εργοδοτών, το ενδεχόμενο μιας επαναλαμβανόμενης και συστημικής απόρριψης αποκτά εντελώς διαφορετικές διαστάσεις.
Η χρήση αυτών των εργαλείων έχει ήδη επεκταθεί πολύ πέρα από το απλό «διάβασμα» ενός βιογραφικού. Η AI μπορεί να εντοπίζει λέξεις-κλειδιά, να αντιστοιχίζει δεξιότητες με απαιτήσεις μιας θέσης, να αξιολογεί βίντεο συνεντεύξεων, να προτείνει υποψηφίους, να εξατομικεύει αγγελίες και να υποστηρίζει αποφάσεις σχετικά με προσλήψεις ή προαγωγές.
Η παλιά προκατάληψη μέσα σε νέα δεδομένα
Και εδώ βρίσκεται μια από τις μεγαλύτερες αντιφάσεις της εποχής της AI. Η τεχνολογία παρουσιάζεται ως μέσο περιορισμού της ανθρώπινης υποκειμενικότητας, όμως οι αλγόριθμοι εκπαιδεύονται πάνω σε δεδομένα που προέρχονται από τον πραγματικό κόσμο και, κατά συνέπεια, μπορεί να ενσωματώνουν τις ανισότητες και τις προκαταλήψεις του παρελθόντος.
Αν, για παράδειγμα, ένα μοντέλο έχει μάθει από ιστορικές προσλήψεις στις οποίες συγκεκριμένες ομάδες υποψηφίων είχαν συστηματικά λιγότερες πιθανότητες να προσληφθούν, υπάρχει κίνδυνος να θεωρήσει αυτή την ιστορική ανισορροπία «ένδειξη επιτυχίας» και να την αναπαράγει. Το αποτέλεσμα μπορεί να είναι ένας φαύλος κύκλος: οι παλιές αποφάσεις τροφοδοτούν τα δεδομένα, τα δεδομένα εκπαιδεύουν το μοντέλο και το μοντέλο επηρεάζει τις νέες αποφάσεις.
Η προκατάληψη, επομένως, δεν εξαφανίζεται επειδή μεταφέρεται από τον άνθρωπο στη μηχανή· μπορεί αντίθετα να αποκτήσει μεγαλύτερη κλίμακα και να γίνει πολύ δυσκολότερο να εντοπιστεί.
Ιδιαίτερα ανησυχητική είναι η περίπτωση κατά την οποία ο υποψήφιος δεν γνωρίζει καν ότι αξιολογείται από AI. Η έλλειψη ενημέρωσης μετατρέπει την τεχνολογία σε «μαύρο κουτί»: ο άνθρωπος βλέπει μόνο το αποτέλεσμα —την απόρριψη ή τη σιωπή— αλλά όχι τη διαδικασία που οδήγησε σε αυτό.
Δεν γνωρίζει ποια δεδομένα χρησιμοποιήθηκαν, αν ήταν ακριβή, ποια χαρακτηριστικά θεωρήθηκαν σημαντικά ή αν υπήρξε κάποιος παράγοντας που λειτούργησε εις βάρος του. Αυτό δεν είναι απλώς ζήτημα τεχνολογικής περιέργειας. Είναι ζήτημα δικαιοσύνης. Ένας υποψήφιος δεν μπορεί να διορθώσει μια λανθασμένη πληροφορία ούτε να καταγγείλει μια πιθανή διάκριση εάν δεν γνωρίζει ότι η πληροφορία χρησιμοποιήθηκε και ότι η συγκεκριμένη αξιολόγηση επηρέασε την υποψηφιότητά του.
Η ανάγκη για διαφάνεια και ανθρώπινο έλεγχο
Η αμερικανική νομοθεσία αρχίζει πάντως να αντιδρά σε αυτή τη νέα πραγματικότητα. Στη Νέα Υόρκη, οι σχετικοί κανόνες για ορισμένα αυτοματοποιημένα εργαλεία λήψης αποφάσεων στις προσλήψεις προβλέπουν, μεταξύ άλλων, έλεγχο μεροληψίας, δημοσιοποίηση σχετικών αποτελεσμάτων και ενημέρωση των υποψηφίων για τη χρήση του εργαλείου.
Η εξέλιξη αυτή δείχνει και το βασικό όριο της σημερινής ρύθμισης: δεν αρκεί να υπάρχει «άνθρωπος στη διαδικασία». Το κρίσιμο ερώτημα είναι πόσο πραγματικά ελέγχει ο άνθρωπος την απόφαση.
Ένας υπεύθυνος προσλήψεων που βλέπει εκατοντάδες βιογραφικά μπορεί να τείνει να εμπιστεύεται την κατάταξη ενός συστήματος, ακόμη και αν τυπικά διατηρεί την τελική αρμοδιότητα. Έτσι, η διάκριση μεταξύ «AI που βοηθά» και «AI που αποφασίζει» μπορεί στην πράξη να γίνει δυσδιάκριτη.
Γι’ αυτό και η συζήτηση για την ανθρώπινη εποπτεία δεν πρέπει να περιορίζεται στην ύπαρξη μιας ανθρώπινης υπογραφής στο τέλος της διαδικασίας, αλλά να αφορά την ουσιαστική δυνατότητα του ανθρώπου να ελέγξει, να αμφισβητήσει και, όταν χρειάζεται, να αγνοήσει την πρόταση του αλγορίθμου.
Από τις προσλήψεις στην ευρύτερη εργασιακή ζωή
Το ζήτημα δεν αφορά μόνο τις προσλήψεις. Η ίδια λογική μπορεί να επεκταθεί στις απολύσεις, στις προαγωγές, στην αξιολόγηση απόδοσης και στην πρόσβαση σε άδειες ή άλλες εργασιακές παροχές.
Όσο περισσότερες αποφάσεις μετατρέπονται σε προβλέψεις που παράγονται από μοντέλα, τόσο μεγαλύτερη γίνεται η ανάγκη να γνωρίζουμε ποιος είναι υπεύθυνος όταν το μοντέλο κάνει λάθος. Η AI δεν μπορεί να αποτελέσει έναν μηχανισμό απαλλαγής των επιχειρήσεων από την ευθύνη. Αντίθετα, όσο μεγαλύτερη είναι η επιρροή ενός συστήματος πάνω στη ζωή ενός ανθρώπου, τόσο μεγαλύτερη πρέπει να είναι και η λογοδοσία εκείνων που το επιλέγουν και το χρησιμοποιούν.
Η πραγματική πρόκληση, επομένως, δεν είναι να αποφασίσουμε αν η τεχνητή νοημοσύνη έχει θέση στην αγορά εργασίας. Είναι πλέον σαφές ότι θα έχει. Το κρίσιμο είναι να αποφασίσουμε με ποιους όρους.
Η ταχύτητα δεν μπορεί να υποκαταστήσει τη δικαιοσύνη, η αποτελεσματικότητα δεν μπορεί να ακυρώνει τη διαφάνεια και η αυτοματοποίηση δεν μπορεί να μετατρέπει έναν υποψήφιο σε έναν αριθμό χωρίς δικαίωμα απάντησης. Ένα σύστημα που αξιολογεί έναν άνθρωπο για μια θέση εργασίας πρέπει να μπορεί να εξηγεί, στον βαθμό που είναι αναγκαίο, τι αξιολόγησε, να ελέγχεται για διακρίσεις και να επιτρέπει τη διόρθωση ουσιωδών λαθών.
Στο τέλος, το πραγματικό διακύβευμα δεν είναι αν θα προσλαμβάνει ο άνθρωπος ή η μηχανή. Είναι αν, στην εποχή της τεχνητής νοημοσύνης, ο άνθρωπος θα εξακολουθήσει να έχει δικαίωμα να γνωρίζει γιατί αποκλείστηκε.
Γιατί η πιο επικίνδυνη μορφή αυτοματοποίησης δεν είναι εκείνη που παίρνει μια λάθος απόφαση· είναι εκείνη που παίρνει μια απόφαση με τεράστιες συνέπειες και αφήνει τον άνθρωπο απέναντί της χωρίς εξήγηση, χωρίς πρόσβαση στα δεδομένα και χωρίς πραγματικό τρόπο να την αμφισβητήσει.
Η αγορά εργασίας του μέλλοντος μπορεί πράγματι να γίνει ταχύτερη και αποτελεσματικότερη χάρη στην AI. Το αν θα γίνει όμως και δικαιότερη θα εξαρτηθεί από το αν οι αλγόριθμοι θα λειτουργούν ως εργαλεία που υπηρετούν την ανθρώπινη κρίση ή ως αόρατοι κριτές που αποφασίζουν ποιος θα έχει την ευκαιρία να εργαστεί.