Το ξέρουμε ότι το σκέφτηκες. Όλοι το σκέφτονται. Άνοιξες ένα κενό Word, έχεις προθεσμία σε δύο μήνες, και μια φωνή σου είπε "βάλε το θέμα στο ChatGPT, να δεις τι θα βγάλει". Αυτό το άρθρο εξηγεί γιατί, αν προχωρήσεις έτσι, θα πληρώσεις τίμημα που τώρα δεν φαντάζεσαι.
Τι κάνει στην πραγματικότητα ένα γλωσσικό μοντέλο
Ένα Large Language Model — ChatGPT, Claude, Gemini, οποιοδήποτε — δεν "καταλαβαίνει" αυτό που γράφει. Είναι ένας πολύ ισχυρός μηχανισμός πρόβλεψης της επόμενης λέξης. Έχει εκπαιδευτεί σε τεράστιο όγκο κειμένου και μαθαίνει στατιστικά μοτίβα: ποια λέξη ακολουθεί συνήθως ποια. Όταν του ζητάς να γράψει "μεθοδολογία για διπλωματική σε προσομοίωση αντιδραστήρα", σου επιστρέφει αυτό που μοιάζει με μεθοδολογία — γιατί έχει διαβάσει χιλιάδες παρόμοιες.
Αυτό είναι ταυτόχρονα η δύναμή του και η παγίδα. Το κείμενο που θα λάβεις θα είναι ευανάγνωστο, καλογραμμένο, με σωστή ακαδημαϊκή ορολογία. Θα μοιάζει σωστό. Και αυτό ακριβώς είναι το πρόβλημα.
Τα τρία πράγματα που το AI δεν κάνει — και η διπλωματική σου τα απαιτεί
1. Δεν εκτελεί τίποτα.
Μια διπλωματική Χημικού Μηχανικού πάνω σε προσομοίωση μονάδας απόσταξης απαιτεί να τρέξει το Aspen Plus. Πραγματικά. Με τα πραγματικά συστατικά, με τις πραγματικές καταστατικές εξισώσεις, με τα πραγματικά αποτελέσματα. Το AI δεν τρέχει Aspen. Σου περιγράφει τι θα έβγαζε αν το έτρεχε.
Μια διπλωματική Data Science πάνω σε στοχαστική ανάλυση χρόνου εξυπηρέτησης απαιτεί να τρέξεις Markov chains σε Python, να καθαρίσεις δεδομένα, να επαληθεύσεις τη σύγκλιση. Το AI δεν τρέχει τον κώδικα στα δεδομένα σου. Σου γράφει τον κώδικα και σε αφήνει — και ο κώδικας πιθανότατα δεν θα τρέξει χωρίς αλλαγές, ή θα τρέξει αλλά θα δίνει λάθος αποτελέσματα.
Το AI παράγει την περιγραφή ενός αποτελέσματος. Όχι το αποτέλεσμα.
2. Δεν έχει επιστημονική κρίση.
Όταν ένας έμπειρος μηχανικός βλέπει ένα ισοζύγιο μάζας που "κλείνει" στα 99.97%, το χαμόγελο ξεθωριάζει — γιατί ξέρει ότι σε αυτό το σύστημα θα έπρεπε να κλείνει στα 99.999%, άρα κάτι έχει διαφύγει. Όταν ο ίδιος βλέπει συντελεστή συσχέτισης 0.94 σε ένα μοντέλο πρόβλεψης, ρωτάει πρώτα "πόσα data points;" και μετά "overfitting;" — όχι "ωραίο νούμερο".
Το AI δεν κάνει αυτές τις ερωτήσεις. Θα σου περιγράψει το ισοζύγιο και το συντελεστή με την ίδια αυτοπεποίθηση που θα σου περιέγραφε οτιδήποτε άλλο. Δεν έχει εσωτερική φωνή που λέει "περίμενε, κάτι δεν στέκει". Έχει μόνο τη φωνή που συνεχίζει να γράφει.
Φοιτητής μας έφερε σχέδιο μεθοδολογίας που είχε φτιάξει με ChatGPT για διπλωματική στις διεργασίες μεταφοράς θερμότητας. Το κείμενο πρότεινε χρήση συσχέτισης Dittus-Boelter για στρωτή ροή. Η Dittus-Boelter ισχύει για τυρβώδη ροή. Λάθος που θα τον είχε κάψει στην επιτροπή σε 30 δευτερόλεπτα.
3. Δεν αντιμετωπίζει την επιτροπή σου.
Η διπλωματική δεν είναι το κείμενο που υποβάλλεις. Είναι το κείμενο συν η υπεράσπισή του ενώπιον τριών καθηγητών που έχουν διαβάσει το αντικείμενο εικοσαετίες πριν εσύ γεννηθείς. Όταν σε ρωτήσουν "γιατί επιλέξατε αυτή τη συνάρτηση κατάστασης για το συγκεκριμένο μίγμα;", δεν θα έχεις χρόνο να ανοίξεις ChatGPT.
Εκεί φαίνεται η διαφορά. Όταν έχεις γράψει εσύ (ή κάποιος μηχανικός μαζί σου) τη μεθοδολογία, ξέρεις γιατί κάθε επιλογή έγινε. Όταν την παρέλαβες "έτοιμη" από το AI, σου λείπει η αλυσίδα συλλογισμού. Και η επιτροπή το μυρίζεται.
Ο πιο επικίνδυνος μύθος: "θα το χρησιμοποιήσω σαν βοήθημα"
Η πιο διαδεδομένη παρανόηση είναι αυτή: "θα γράψω την πρώτη εκδοχή με AI και μετά θα τη βελτιώσω". Στην πράξη συμβαίνει το αντίθετο. Η γνωστική φόρτιση να διορθώσεις λεπτομερές κείμενο που μοιάζει σωστό είναι μεγαλύτερη από αυτή της συγγραφής από το μηδέν. Διαβάζεις την πρόταση, σου ακούγεται καλή, προχωράς. Μετά από 80 σελίδες, έχεις παραδώσει 80 σελίδες "καλών προτάσεων" που, όταν συνδυαστούν, δεν στέκουν επιστημονικά.
Το πρόβλημα δεν είναι ότι το AI κάνει λάθη. Είναι ότι κάνει λάθη που δεν μοιάζουν με λάθη.
Τι κάνει ο πραγματικός μηχανικός που το AI δεν κάνει
Επιστημονική κρίση. Ξέρει ποια παραδοχή στέκει και ποια θα σε εκθέσει. Ποιο μοντέλο ταιριάζει στο σύστημά σου και ποιο δεν ταιριάζει — και το αιτιολογεί. Έχει διαβάσει τη βιβλιογραφία από πραγματικό ενδιαφέρον, όχι από στατιστική πρόβλεψη.
Πραγματική εκτέλεση. Τρέχει την προσομοίωση. Καθαρίζει τα δεδομένα. Επαληθεύει τα αποτελέσματα. Όταν κάτι δεν δουλεύει, αναζητάει την αιτία — δεν προχωράει.
Δεύτερο μάτι. Όταν ο συνάδελφος μηχανικός διαβάσει το κείμενο, βλέπει τα κενά που εσύ δεν βλέπεις πια γιατί τα έχεις διαβάσει 40 φορές. Αυτό είναι το επιστημονικό proofreading. Δεν είναι ορθογραφία. Είναι έλεγχος επιστημονικής συνέπειας από κάποιον που γνωρίζει το πεδίο.
Ευθύνη. Όταν φτάσει η μέρα της εξέτασης, ο μηχανικός που σε υποστήριξε δεν εξαφανίζεται. Το AI δεν θα είναι εκεί να σου εξηγήσει τι έγραψε.
Η θέση μας στο ENGINR
Δεν λέμε ότι δεν χρησιμοποιούμε AI. Είμαστε σύγχρονοι μηχανικοί. Χρησιμοποιούμε υπολογιστή, χρησιμοποιούμε Aspen, χρησιμοποιούμε copilots για κώδικα. Το AI είναι εργαλείο — όπως ο πίνακας περιοδικών στοιχείων είναι εργαλείο.
Αυτό που λέμε είναι ότι κανένα παραδοτέο δεν φεύγει χωρίς να περάσει από δύο μηχανικούς. Ο ένας γράφει, ο άλλος ελέγχει. Όχι γιατί δεν εμπιστευόμαστε τη δουλειά μας — αλλά γιατί έτσι λειτουργεί η επιστημονική παραγωγή. Peer review. Είναι ο λόγος που τα peer-reviewed journals υπάρχουν εδώ και αιώνα.
Όταν παραδώσουμε τη διπλωματική σου, ξέρεις ότι κάθε σελίδα έχει περάσει από δύο ανθρώπινα μάτια που γνωρίζουν το πεδίο. Όχι από έναν αλγόριθμο που πρόβλεψε στατιστικά την επόμενη λέξη.
Τι μπορείς να κάνεις τώρα
Αν έχεις ήδη γράψει μέρος της διπλωματικής σου με AI και αρχίζεις να αμφιβάλλεις: είναι καλό σημάδι. Σημαίνει ότι έχεις επιστημονικό αισθητήριο. Ζήτα επιστημονικό proofreading από κάποιον που γνωρίζει το αντικείμενό σου — προτού η επιτροπή κάνει τη δουλειά αντί για σένα.
Αν δεν έχεις ξεκινήσει ακόμα: ξεκίνα σωστά. Με μηχανικούς που θα δουλέψουν μαζί σου, όχι αντί για σένα.