Από τα chatbots στα συστήματα που εκτελούν εργασίες
Πριν από λίγα χρόνια, η βασική συζήτηση γύρω από την Τεχνητή Νοημοσύνη αφορούσε την παραγωγή κειμένου. Σήμερα, το ενδιαφέρον έχει μετατοπιστεί σε συστήματα που μπορούν να επιλύουν προβλήματα και να εκτελούν σύνθετες εργασίες.
Ένα σύγχρονο AI μοντέλο μπορεί να αναλύσει ένα πρόγραμμα, να εντοπίσει σφάλματα και να προτείνει διορθώσεις. Όταν συνδυάζεται με τα κατάλληλα εργαλεία, μπορεί επίσης να τροποποιήσει αρχεία, να εκτελέσει δοκιμές και να ελέγξει τα αποτελέσματα.
Αυτή η εξέλιξη δημιουργεί έναν νέο ανταγωνισμό μεταξύ των εταιρειών που αναπτύσσουν μεγάλα γλωσσικά μοντέλα.
Στο επίκεντρο βρίσκονται η OpenAI, η Google και η Anthropic. Καθεμία προσπαθεί να προσφέρει ισχυρότερες δυνατότητες, μεγαλύτερη αξιοπιστία και χαμηλότερο κόστος λειτουργίας.
Η μάχη, ωστόσο, δεν κρίνεται μόνο από την ποιότητα μιας απάντησης. Κρίνεται και από το πόσο αποτελεσματικά μπορεί ένα μοντέλο να ολοκληρώσει πραγματικές εργασίες.
OpenAI: Από το ChatGPT σε μια οικογένεια εξειδικευμένων μοντέλων
Η OpenAI έγινε ευρέως γνωστή μέσω του ChatGPT, φέρνοντας τη γενετική Τεχνητή Νοημοσύνη στην καθημερινότητα εκατομμυρίων ανθρώπων.
Η σημερινή στρατηγική της δεν βασίζεται αποκλειστικά σε ένα μοντέλο. Αντίθετα, προσφέρει διαφορετικές επιλογές ανάλογα με τις απαιτήσεις μιας εργασίας.
Τον Σεπτέμβριο του 2026 παρουσίασε το GPT-6 Astra, σχεδιασμένο για ιδιαίτερα απαιτητικές εργασίες συλλογισμού, προγραμματισμού και επιστημονικής ανάλυσης.
Στη συνέχεια, επέκτεινε την οικογένεια GPT-6 με μοντέλα που εξισορροπούν την υπολογιστική ισχύ και το λειτουργικό κόστος.
Σήμερα, στις βασικές επιλογές της περιλαμβάνονται:
GPT-6 Astra: Για απαιτητικό συλλογισμό, προγραμματισμό και σύνθετες επαγγελματικές εργασίες.
GPT-6.1 Sol: Για προηγμένες δυνατότητες με χαμηλότερο κόστος από το Astra.
GPT-6 Luna: Για γρήγορες, επαναλαμβανόμενες εργασίες σε μεγάλη κλίμακα.
Η λογική είναι ότι δεν χρειάζεται κάθε πρόβλημα την ίδια υπολογιστική ισχύ.
Για παράδειγμα, η ταξινόμηση ενός εισερχόμενου μηνύματος δεν έχει τις ίδιες απαιτήσεις με τον έλεγχο μιας μεγάλης εφαρμογής. Η χρήση ενός οικονομικότερου μοντέλου για την πρώτη εργασία μπορεί να μειώσει σημαντικά το συνολικό κόστος.
Παράλληλα, η OpenAI επεκτείνει τις δυνατότητες των μοντέλων μέσω εργαλείων αναζήτησης, εκτέλεσης κώδικα και χρήσης υπολογιστή.
Έτσι, ο ανταγωνισμός μετακινείται από την απλή παραγωγή απαντήσεων στην ολοκλήρωση ολόκληρων εργασιών.
Google: Η δύναμη ενός τεράστιου οικοσυστήματος
Η Google διαθέτει ένα σημαντικό πλεονέκτημα: η Τεχνητή Νοημοσύνη μπορεί να ενσωματωθεί απευθείας σε υπηρεσίες που χρησιμοποιούν ήδη εκατομμύρια άνθρωποι.
Η εταιρεία αναπτύσσει την οικογένεια Gemini μέσω του Google DeepMind, επενδύοντας σε προηγμένο συλλογισμό και πολυτροπική επεξεργασία πληροφοριών.
Η πολυτροπική AI (multimodal AI) μπορεί να επεξεργάζεται περισσότερα είδη δεδομένων, όπως κείμενο, εικόνες, ήχο και βίντεο.
Η Google διαθέτει επίσης το Android, την αναζήτηση, τον Chrome και τις εφαρμογές Workspace. Αυτό της επιτρέπει να συνδέει δυνατότητες AI με υπάρχουσες καθημερινές εργασίες.
Για παράδειγμα, ένας εργαζόμενος μπορεί να χρησιμοποιεί το Gemini για να επεξεργάζεται έγγραφα ή να συνδυάζει πληροφορίες από διαφορετικές εφαρμογές.
Στις 30 Σεπτεμβρίου 2026, η Google ανακοίνωσε το Gemini 4 Argon, εστιάζοντας στον προηγμένο προγραμματισμό, στην επιχειρησιακή ανάλυση και στην κυβερνοασφάλεια.
Το Argon, ωστόσο, δεν κυκλοφόρησε εξαρχής για όλους τους χρήστες. Η εταιρεία επέλεξε σταδιακή πρόσβαση, ξεκινώντας από επιλεγμένους επαγγελματίες κυβερνοασφάλειας και δοκιμαστές.
Στο μεταξύ, η Google διαθέτει άλλα μοντέλα Gemini μέσω των υπηρεσιών και των προγραμματιστικών εργαλείων της.
Η στρατηγική της συνδυάζει επομένως δύο διαφορετικούς στόχους: την ανάπτυξη προηγμένων μοντέλων και την ενσωμάτωσή τους σε ένα ήδη τεράστιο ψηφιακό περιβάλλον.
Anthropic: Προγραμματισμός, επιχειρήσεις και έλεγχος της AI
Η Anthropic αναπτύσσει την οικογένεια μοντέλων Claude και ανταγωνίζεται άμεσα την OpenAI και την Google.
Η εταιρεία έχει δώσει ιδιαίτερη βαρύτητα στον προγραμματισμό, στην επεξεργασία επαγγελματικών εγγράφων και στην εκτέλεση σύνθετων εργασιών.
Τον Σεπτέμβριο και τον Οκτώβριο του 2026 ανανέωσε την οικογένεια Claude με μοντέλα διαφορετικών δυνατοτήτων και κόστους.
Οι βασικές επιλογές περιλαμβάνουν:
Claude Fable 5.1: Για ιδιαίτερα απαιτητικό συλλογισμό και εργασίες μεγάλης διάρκειας.
Claude Opus 5.5: Για σύνθετο προγραμματισμό και εκτεταμένες επαγγελματικές εργασίες.
Claude Sonnet 5.5: Για συνδυασμό υψηλών δυνατοτήτων και ταχύτητας.
Claude Haiku 5.5: Για οικονομική επεξεργασία μεγάλου αριθμού αιτημάτων.
Η Anthropic προωθεί επίσης το Claude Code, ένα περιβάλλον στο οποίο η AI μπορεί να εργαστεί πάνω σε πραγματικά έργα λογισμικού.
Η προσέγγιση αυτή συνδέεται με την ανάπτυξη των λεγόμενων agentic workflows. Πρόκειται για διαδικασίες όπου η AI εκτελεί διαδοχικά βήματα, χρησιμοποιώντας εργαλεία για την επίτευξη ενός στόχου.
Για παράδειγμα, ένας προγραμματιστής μπορεί να αναθέσει τον εντοπισμό ενός σφάλματος σε πολλά αρχεία. Ο agent μπορεί να εξετάσει το έργο, να προτείνει αλλαγές και να τρέξει σχετικές δοκιμές.
Η ολοκλήρωση της εργασίας, πάντως, δεν εξασφαλίζει αυτομάτως την ορθότητα του αποτελέσματος. Ο ανθρώπινος έλεγχος εξακολουθεί να είναι απαραίτητος, ιδιαίτερα σε κρίσιμα συστήματα.
Η Anthropic επενδύει παράλληλα στην αξιολόγηση της συμπεριφοράς των μοντέλων και στην ανάπτυξη μηχανισμών ασφαλείας.
Πώς μετράμε ποιο AI είναι καλύτερο;
Η σύγκριση των μοντέλων γίνεται συχνά μέσω των λεγόμενων benchmarks.
Ένα benchmark είναι ένα σύνολο δοκιμασιών που χρησιμοποιείται για την αξιολόγηση συγκεκριμένων δυνατοτήτων. Μπορεί να περιλαμβάνει προβλήματα μαθηματικών, προγραμματισμού, επιστημονικής ανάλυσης ή εκτέλεσης εργασιών.
Για παράδειγμα, ένα benchmark προγραμματισμού μπορεί να εξετάζει εάν ένα μοντέλο επιδιορθώνει επιτυχώς πραγματικά σφάλματα λογισμικού.
Ωστόσο, τα αποτελέσματα χρειάζονται προσεκτική ερμηνεία.
Ένα μοντέλο μπορεί να αποδίδει καλύτερα σε συγκεκριμένες δοκιμασίες και χειρότερα σε άλλες. Επιπλέον, οι ρυθμίσεις συλλογισμού, τα διαθέσιμα εργαλεία και ο τρόπος αξιολόγησης επηρεάζουν το τελικό αποτέλεσμα.
Το Google DeepMind δημοσιεύει συγκριτικές μετρήσεις όπου τα Gemini 4 Argon, GPT-6 Astra και Claude Opus 5.5 εμφανίζουν διαφορετικές επιδόσεις ανάλογα με τη δοκιμασία.
Σε ορισμένα benchmarks προγραμματισμού προηγείται ένα μοντέλο, ενώ σε άλλα καταγράφεται διαφορετική σειρά επιδόσεων.
Επομένως, ένας πίνακας αξιολόγησης δεν αρκεί για να ανακηρύξουμε έναν συνολικό νικητή.
Το σημαντικότερο είναι να εξετάζουμε εάν ένα μοντέλο μπορεί να ολοκληρώσει σωστά τη συγκεκριμένη εργασία που μας ενδιαφέρει.
Ο πόλεμος των τιμών: Δεν αρκεί η υψηλή απόδοση
Ένα ακόμη σημαντικό μέτωπο των AI Wars είναι το κόστος χρήσης.
Οι εταιρείες χρεώνουν συνήθως τη χρήση των μοντέλων μέσω APIs, με βάση τον αριθμό των tokens που επεξεργάζονται και παράγουν.
Τα tokens είναι μονάδες στις οποίες χωρίζεται το κείμενο κατά την επεξεργασία του από ένα μοντέλο. Δεν αντιστοιχούν πάντοτε σε ολόκληρες λέξεις.
Τον Οκτώβριο του 2026, οι δημοσιευμένες τυπικές τιμές API περιλαμβάνουν τα ακόλουθα παραδείγματα:
| Μοντέλο | Είσοδος / 1 εκατ. tokens | Έξοδος / 1 εκατ. tokens |
|---|---|---|
| GPT-6 Astra | $10 | $50 |
| GPT-6.1 Sol | $2 | $10 |
| Claude Fable 5.1 | $10 | $50 |
| Claude Opus 5.5 | $4 | $20 |
| Claude Sonnet 5.5 | $2 | $10 |
Οι τιμές αυτές είναι ενδεικτικές για τις τυπικές χρεώσεις των αντίστοιχων APIs. Μεγάλα συμφραζόμενα, αποθήκευση σε cache, ειδικές ταχύτητες και πρόσθετα εργαλεία μπορούν να αλλάξουν το πραγματικό κόστος.
Η Google ανακοίνωσε επίσης εισαγωγική τιμή $2 ανά εκατομμύριο input tokens και $10 ανά εκατομμύριο output tokens για το Gemini 4 Argon. Η τιμή αφορά την προγραμματισμένη ευρύτερη διάθεσή του και όχι μια υπηρεσία ήδη προσβάσιμη από όλους.
Αυτό δείχνει γιατί οι επιχειρήσεις δεν μπορούν να συγκρίνουν μοντέλα μόνο με βάση την τιμή ανά token.
Ένα ακριβότερο μοντέλο μπορεί να ολοκληρώνει μια εργασία με λιγότερες προσπάθειες. Ένα οικονομικότερο μπορεί να είναι καταλληλότερο για απλούστερες εργασίες μεγάλου όγκου.
Το πραγματικό κριτήριο είναι το συνολικό κόστος για κάθε επιτυχημένη εργασία.
Ένα πρακτικό παράδειγμα: Η κατασκευή μιας εφαρμογής
Ας υποθέσουμε ότι μια επιχείρηση θέλει να δημιουργήσει ένα ηλεκτρονικό κατάστημα με τη βοήθεια AI.
Ο προγραμματιστής ζητά από έναν agent να εξετάσει τις απαιτήσεις, να αναπτύξει λειτουργίες και να ελέγξει το αποτέλεσμα.
Τρία διαφορετικά μοντέλα μπορεί να προτείνουν τρεις διαφορετικές λύσεις για το ίδιο πρόβλημα.
Το πρώτο μπορεί να ολοκληρώσει γρήγορα την εργασία, αλλά να χρειάζεται περισσότερες διορθώσεις. Το δεύτερο μπορεί να απαιτεί περισσότερο χρόνο, δημιουργώντας όμως λιγότερα σφάλματα.
Το τρίτο μπορεί να προσφέρει χαμηλότερο κόστος, αλλά να δυσκολεύεται περισσότερο σε σύνθετες απαιτήσεις.
Πώς αποφασίζουμε ποιο είναι καλύτερο;
Η απάντηση δεν βρίσκεται απαραίτητα σε μια γενική κατάταξη μοντέλων. Χρειάζεται αξιολόγηση πάνω σε συγκεκριμένες απαιτήσεις, με κοινές δοκιμές και ελέγξιμα αποτελέσματα.
Ένας σωστός έλεγχος πρέπει να εξετάζει την ορθότητα του κώδικα, τη διατήρηση των υπάρχουσων λειτουργιών και την ασφάλεια. Πρέπει επίσης να καταγράφει τον χρόνο ολοκλήρωσης και το συνολικό κόστος.
Έτσι, η επιλογή μετατρέπεται από προσωπική προτίμηση σε τεχνικά τεκμηριωμένη απόφαση.
Η ασφάλεια γίνεται μέρος του ανταγωνισμού
Όσο περισσότερες ενέργειες μπορεί να πραγματοποιήσει ένα AI, τόσο μεγαλύτερη σημασία αποκτά ο έλεγχος των δικαιωμάτων του.
Ένα μοντέλο που γράφει κείμενο έχει διαφορετικό πεδίο δράσης από έναν agent με πρόσβαση σε αρχεία, υπηρεσίες και εξωτερικά συστήματα.
Η Anthropic δημοσίευσε στις 9 Οκτωβρίου 2026 παραδείγματα ανεπιθύμητων ενεργειών που παρατηρήθηκαν κατά τη χρήση και την αξιολόγηση των μοντέλων της.
Τα περιστατικά περιλαμβάνουν ενέργειες οι οποίες ξεπέρασαν τους αναμενόμενους περιορισμούς συγκεκριμένων περιβαλλόντων.
Αντίστοιχα, η OpenAI δημοσιεύει αξιολογήσεις ασφάλειας για τα μοντέλα GPT-6, ενώ η Google εφαρμόζει σταδιακή διάθεση για το Gemini 4 Argon.
Οι διαφορετικές αυτές προσεγγίσεις αναδεικνύουν μια κοινή πρόκληση: η ανάπτυξη ισχυρότερων δυνατοτήτων πρέπει να συνοδεύεται από αποτελεσματικούς μηχανισμούς ελέγχου.
Για έναν developer, αυτό σημαίνει περιορισμένα δικαιώματα πρόσβασης, ασφαλή περιβάλλοντα εκτέλεσης και ανθρώπινη έγκριση πριν από κρίσιμες ενέργειες.
Θα υπάρχει τελικά ένας νικητής;
Η OpenAI, η Google και η Anthropic δεν ανταγωνίζονται μόνο στην παραγωγή ισχυρότερων μοντέλων.
Ανταγωνίζονται επίσης στην ταχύτητα, στο κόστος, στην αξιοπιστία, στην ασφάλεια και στην ενσωμάτωση της AI μέσα σε πραγματικές εφαρμογές.
Η OpenAI επιδιώκει να καλύψει διαφορετικές ανάγκες μέσω μιας ευρείας οικογένειας μοντέλων και εργαλείων. Η Google αξιοποιεί το οικοσύστημα προϊόντων και τις ερευνητικές της υποδομές, ενώ η Anthropic επικεντρώνεται ιδιαίτερα σε σύνθετες επαγγελματικές εργασίες και AI agents.
Οι στρατηγικές αυτές δεν είναι αμοιβαία αποκλειόμενες και εξελίσσονται συνεχώς.
Είναι πιθανό διαφορετικά μοντέλα να επικρατούν σε διαφορετικές κατηγορίες εργασιών, χωρίς να υπάρχει ένας μοναδικός νικητής.
Για τους developers και τις επιχειρήσεις, το συμπέρασμα είναι πρακτικό: δεν χρειάζεται να δεσμεύονται απόλυτα σε έναν πάροχο.
Η αρχιτεκτονική μιας εφαρμογής μπορεί να επιτρέπει την αντικατάσταση μοντέλων και τη χρήση διαφορετικών παρόχων ανά εργασία.
Στα AI Wars, το ισχυρότερο μοντέλο δεν είναι απαραίτητα εκείνο που δημιουργεί τη μεγαλύτερη αξία. Είναι εκείνο που λύνει αξιόπιστα το συγκεκριμένο πρόβλημα, με αποδεκτό κόστος και ελεγχόμενο κίνδυνο.
Και αυτή η μάχη μόλις αρχίζει να επηρεάζει τον τρόπο με τον οποίο κατασκευάζουμε λογισμικό.
Πηγές
CodeCraft.gr | AI Wars – Μέρος 2 | 13 Οκτωβρίου 2026
Φόρτωση σχολίων…