Κάποτε η διαφήμιση προσπαθούσε να μας πείσει να αγοράσουμε κάτι. Σήμερα, οι αλγόριθμοι μπορούν να προβλέπουν τις προτιμήσεις μας, να επιλέγουν τι θα δούμε και να μας προτείνουν προϊόντα πριν καν αρχίσουμε να τα αναζητούμε. Πού τελειώνει η προσωπική μας επιλογή και πού αρχίζει η επιρροή της τεχνολογίας;
Δεν το χρειαζόμασταν. Μέχρι που το είδαμε.
Είναι βράδυ.
Καθόμαστε στον καναπέ και χαζεύουμε το κινητό μας.
Δεν αναζητούμε κάτι συγκεκριμένο.
Δεν έχουμε σκοπό να αγοράσουμε τίποτα.
Και ξαφνικά εμφανίζεται ένα προϊόν.
Ένα ζευγάρι ακουστικά.
Ένα έξυπνο ρολόι.
Μια συσκευή για το σπίτι.
Κάτι που, μέχρι πριν από λίγα λεπτά, δεν υπήρχε καν στη σκέψη μας.
Το προσπερνάμε.
Λίγο αργότερα εμφανίζεται ξανά, ίσως σε διαφορετικό βίντεο.
Κάποιος δημιουργός περιεχομένου εξηγεί πόσο του άλλαξε την καθημερινότητα.
Μια διαφήμιση παρουσιάζει μια προσφορά.
Ένα ηλεκτρονικό κατάστημα μάς προτείνει παρόμοια προϊόντα.
Και κάποια στιγμή πιάνουμε τον εαυτό μας να σκέφτεται:
«Μήπως τελικά το χρειάζομαι;»
Εδώ βρίσκεται μια από τις πιο ενδιαφέρουσες αλλαγές της ψηφιακής εποχής.
Η τεχνολογία δεν περιορίζεται στο να μας βοηθά να βρούμε αυτό που θέλουμε. Μπορεί να επηρεάζει και το τι αρχίζουμε να θέλουμε.
Όχι επειδή διαβάζει το μυαλό μας.
Αλλά επειδή επηρεάζει το περιβάλλον μέσα στο οποίο διαμορφώνουμε τις επιλογές μας.
Η επιθυμία δεν γεννήθηκε με την τεχνητή νοημοσύνη
Ας ξεκαθαρίσουμε κάτι από την αρχή.
Η προσπάθεια να επηρεαστούν οι καταναλωτικές επιθυμίες είναι πολύ παλαιότερη από την AI.
Οι διαφημίσεις, οι βιτρίνες, οι προσφορές, οι διάσημοι που προωθούν προϊόντα και οι τηλεοπτικές καμπάνιες χρησιμοποιούνται εδώ και δεκαετίες.
Η διαφήμιση δεν προσπαθούσε ποτέ αποκλειστικά να μας ενημερώσει ότι υπάρχει ένα προϊόν.
Συχνά προσπαθούσε να συνδέσει το προϊόν με μια επιθυμητή εμπειρία.
Την επιτυχία.
Την ομορφιά.
Την κοινωνική αποδοχή.
Την ασφάλεια.
Την ευκολία.
Την αίσθηση ότι ανήκουμε κάπου.
Η διαφορά της σημερινής εποχής βρίσκεται στην κλίμακα, στην ταχύτητα και στην εξατομίκευση.
Μια παραδοσιακή τηλεοπτική διαφήμιση απευθυνόταν σε ένα μεγάλο κοινό.
Ένα σύγχρονο σύστημα προτάσεων μπορεί να διαμορφώνει διαφορετική εμπειρία για κάθε χρήστη.
Μπορεί να αξιοποιεί δεδομένα συμπεριφοράς, προηγούμενες επιλογές και πληροφορίες για τα προϊόντα.
Και μπορεί να αναπροσαρμόζει τις προτάσεις του καθώς αλληλεπιδρούμε με την υπηρεσία.
Δεν πρόκειται απαραίτητα για παραγωγική AI, όπως ένα chatbot.
Πολλά από αυτά τα συστήματα λειτουργούσαν πριν από τη σημερινή έκρηξη των μεγάλων γλωσσικών μοντέλων.
Όμως η παραγωγική AI προσθέτει μια νέα δυνατότητα: τη φυσική συνομιλία με τον καταναλωτή.
Από το «βρες μου αυτό» στο «πες μου τι να αγοράσω»
Ας δούμε μια απλή αλλαγή στη συμπεριφορά μας.
Παλαιότερα, κάποιος που ήθελε να αγοράσει ακουστικά μπορούσε να επισκεφθεί ένα κατάστημα ή να αναζητήσει συγκριτικές δοκιμές.
Σήμερα μπορεί να ανοίξει έναν AI assistant και να γράψει:
«Θέλω καλά ακουστικά για τη δουλειά, με απομόνωση θορύβου και μέχρι 150 ευρώ. Τι μου προτείνεις;»
Η απάντηση μπορεί να είναι πραγματικά χρήσιμη.
Το σύστημα μπορεί να οργανώσει κριτήρια, να εξηγήσει τεχνικές διαφορές και να βοηθήσει τον χρήστη να περιορίσει τις επιλογές του.
Αλλά υπάρχει μια σημαντική ερώτηση.
Με ποια κριτήρια επιλέγονται τα προϊόντα που εμφανίζονται;
Είναι οι καλύτερες επιλογές για τον χρήστη;
Είναι οι καλύτερα τεκμηριωμένες;
Είναι προϊόντα με επαρκή διαθέσιμα δεδομένα;
Υπάρχει εμπορική σχέση που επηρεάζει την προβολή τους;
Έχουν ληφθεί υπόψη ανεξάρτητες αξιολογήσεις;
Και, το σημαντικότερο, γνωρίζει ο χρήστης πώς προέκυψε η σύσταση;
Δεν ισχυριζόμαστε ότι κάθε AI assistant προωθεί κρυφά προϊόντα.
Αλλά όταν μια υπηρεσία αποκτά ρόλο συμβούλου αγορών, η διαφάνεια για τις συστάσεις της γίνεται ουσιαστικό ζήτημα εμπιστοσύνης.
Τι λέει η επιστήμη: Οι συστάσεις μπορούν να αλλάξουν την αξιολόγησή μας
Η ιδέα ότι οι αλγοριθμικές προτάσεις επηρεάζουν τις προτιμήσεις δεν είναι απλώς μια δημοσιογραφική υπόθεση.
Έχει εξεταστεί πειραματικά.
Σε μελέτη που δημοσιεύθηκε στο Information Systems Research το 2013, οι ερευνητές Gediminas Adomavicius, Jesse Bockstedt, Shawn Curley και Jingjing Zhang πραγματοποίησαν τρία ελεγχόμενα πειράματα.
Εξέτασαν πώς οι αξιολογήσεις που παρουσίαζε ένα σύστημα προτάσεων επηρέαζαν την προσωπική αξιολόγηση τηλεοπτικού περιεχομένου από τους συμμετέχοντες.
Τα αποτελέσματα έδειξαν ότι η σύσταση μπορούσε να λειτουργήσει ως σημείο αναφοράς, επηρεάζοντας την τελική κρίση.
Το φαινόμενο συνδέεται με αυτό που στην ψυχολογία ονομάζεται anchoring, δηλαδή την επίδραση μιας αρχικής πληροφορίας στην επόμενη αξιολόγησή μας.
Το 2018, άλλη μελέτη των ίδιων ερευνητών, επίσης στο Information Systems Research, εξέτασε την επίδραση εξατομικευμένων προτάσεων στην προθυμία πληρωμής για ψηφιακά μουσικά κομμάτια.
Οι ερευνητές διαπίστωσαν ότι οι συστάσεις μπορούσαν να επηρεάσουν το ποσό που οι συμμετέχοντες δήλωναν πρόθυμοι να πληρώσουν.
Ακόμη και όταν είχαν προηγουμένως ακούσει το μουσικό κομμάτι.
Αυτό είναι ιδιαίτερα ενδιαφέρον.
Γιατί δείχνει ότι μια σύσταση δεν μας βοηθά απλώς να ανακαλύψουμε κάτι.
Σε ορισμένες συνθήκες μπορεί να επηρεάζει και την αξία που του αποδίδουμε.
Χρειάζεται, βέβαια, προσοχή.
Πρόκειται για συγκεκριμένα πειράματα με συγκεκριμένες συνθήκες.
Δεν αποδεικνύουν ότι κάθε σύσταση αλλάζει την επιθυμία κάθε ανθρώπου.
Ούτε ότι οι πλατφόρμες μπορούν να δημιουργήσουν οποιαδήποτε επιθυμία θέλουν.
Αποδεικνύουν όμως ότι οι συστάσεις δεν είναι πάντοτε ουδέτερες πληροφορίες.
Η μεγάλη δύναμη βρίσκεται σε όσα δεν βλέπουμε
Συνήθως συζητάμε για τα προϊόντα που εμφανίζονται μπροστά μας.
Σπανιότερα αναρωτιόμαστε για εκείνα που δεν εμφανίζονται ποτέ.
Ένα ηλεκτρονικό κατάστημα μπορεί να διαθέτει χιλιάδες προϊόντα.
Ένα σύστημα προτάσεων επιλέγει ποια θα εμφανίσει πρώτα.
Ένας AI assistant μπορεί να περιορίσει μια μεγάλη αγορά σε πέντε επιλογές.
Αυτό είναι χρήσιμο.
Μας εξοικονομεί χρόνο.
Μειώνει την πολυπλοκότητα.
Αλλά ταυτόχρονα καθορίζει το σύνολο των επιλογών που θα εξετάσουμε.
Στην οικονομική επιστήμη, αυτό συνδέεται με το consideration set: τις εναλλακτικές που ένας καταναλωτής λαμβάνει πραγματικά υπόψη πριν αποφασίσει.
Αν μια επιλογή δεν μπει ποτέ σε αυτό το σύνολο, μπορεί να μην αξιολογηθεί καθόλου.
Ακόμη κι αν θα ήταν καλύτερη για τον συγκεκριμένο άνθρωπο.
Ένα πείραμα πεδίου στην πλατφόρμα κινηματογραφικών προτάσεων MovieLens έδειξε ότι οι συστάσεις μπορούν να επηρεάζουν την κατανάλωση όχι μόνο επειδή παρουσιάζουν νέα προϊόντα, αλλά και επειδή μεταβάλλουν τις πεποιθήσεις των χρηστών σχετικά με αυτά.
Με άλλα λόγια, ο αλγόριθμος δεν λειτουργεί μόνο ως βιτρίνα.
Μπορεί να λειτουργεί και ως πηγή πληροφόρησης στην οποία αποδίδουμε αξιοπιστία.
Το πρόβλημα της εμπιστοσύνης: «Αφού μου το πρότεινε η AI…»
Η AI μπορεί να παρουσιάζει μια απάντηση με εξαιρετικά πειστικό τρόπο.
Να χρησιμοποιεί τεχνικούς όρους.
Να συγκρίνει χαρακτηριστικά.
Να οργανώνει πλεονεκτήματα και μειονεκτήματα.
Να καταλήγει σε μια καθαρή πρόταση.
Αυτό δημιουργεί την αίσθηση ότι έχει πραγματοποιηθεί μια ολοκληρωμένη αξιολόγηση.
Όμως η καλή διατύπωση δεν αποτελεί απόδειξη καλής έρευνας.
Ένας AI assistant μπορεί να διαθέτει ελλιπή δεδομένα.
Να μην έχει πρόσβαση στις τρέχουσες τιμές.
Να παραλείψει σημαντικές εναλλακτικές.
Να βασιστεί σε ξεπερασμένες πληροφορίες.
Ή να παρουσιάσει με υπερβολική βεβαιότητα ένα συμπέρασμα που χρειάζεται επαλήθευση.
Για τον καταναλωτή, ο κίνδυνος είναι να μετατρέψει την ευκολία σε άκριτη εμπιστοσύνη.
Να σταματήσει να συγκρίνει.
Να σταματήσει να αναζητά δεύτερη γνώμη.
Να θεωρήσει ότι η πρώτη καλογραμμένη απάντηση είναι και η καλύτερη.
Η AI μπορεί να μας βοηθήσει να αποφασίσουμε. Δεν πρέπει όμως να αποφασίζει ανεξέλεγκτα αντί για εμάς.
Η οικονομία της επιθυμίας: Όταν η προσοχή γίνεται αγορά
Ας επιστρέψουμε στα κοινωνικά δίκτυα.
Ένα προϊόν εμφανίζεται σε ένα βίντεο.
Ακολουθεί μια παρουσίαση από κάποιον δημιουργό.
Στη συνέχεια βλέπουμε παρόμοια προϊόντα.
Μετά εμφανίζεται μια προσφορά.
Ίσως δούμε σχόλια χρηστών που το επαινούν.
Και τελικά αποφασίζουμε να το αγοράσουμε.
Δεν μπορούμε να γνωρίζουμε ότι χωρίς αυτές τις προτάσεις δεν θα το αγοράζαμε ποτέ.
Μπορούμε όμως να αναγνωρίσουμε ότι το ψηφιακό περιβάλλον επηρέασε τη διαδρομή προς την απόφαση.
Η επιθυμία δεν είναι πάντοτε κάτι πλήρως σχηματισμένο που περιμένει απλώς να ικανοποιηθεί.
Συχνά διαμορφώνεται μέσα από πληροφορίες, συγκρίσεις, κοινωνικές επιρροές και νέες εμπειρίες.
Αυτό δεν είναι απαραίτητα κακό.
Μέσα από τέτοιες διαδικασίες ανακαλύπτουμε βιβλία, μουσική, δημιουργικές δραστηριότητες και χρήσιμα προϊόντα.
Το πρόβλημα προκύπτει όταν η διαδικασία είναι αδιαφανής ή σχεδιασμένη να εκμεταλλεύεται συστηματικά τις αδυναμίες μας.
Για παράδειγμα, την παρορμητικότητα.
Τον φόβο ότι θα χάσουμε μια ευκαιρία.
Την ανάγκη κοινωνικής αποδοχής.
Ή την τάση να θεωρούμε ότι ένα προϊόν έχει μεγαλύτερη αξία επειδή εμφανίζεται διαρκώς μπροστά μας.
Και οι τιμές; Μπορεί η τεχνολογία να υπολογίζει πόσα είμαστε διατεθειμένοι να πληρώσουμε;
Εδώ η συζήτηση γίνεται ακόμη πιο ενδιαφέρουσα.
Τον Ιανουάριο του 2025, η αμερικανική Federal Trade Commission (FTC) δημοσίευσε αρχικά ευρήματα έρευνας για το λεγόμενο surveillance pricing.
Πρόκειται για πρακτικές στις οποίες προσωπικά δεδομένα και πληροφορίες συμπεριφοράς μπορούν να αξιοποιούνται για τον καθορισμό εξατομικευμένων τιμών.
Η FTC εξέτασε τον ρόλο ενδιάμεσων εταιρειών που παρέχουν τέτοιες τεχνολογικές δυνατότητες σε επιχειρήσεις.
Τα στοιχεία που εξετάστηκαν περιλάμβαναν πληροφορίες όπως ιστορικό περιήγησης, τοποθεσία και συμπεριφορά στις ηλεκτρονικές αγορές.
Το ζήτημα δεν είναι ότι κάθε ηλεκτρονικό κατάστημα χρεώνει διαφορετική τιμή σε κάθε πελάτη.
Δεν υπάρχει τέτοια γενική απόδειξη.
Ούτε ότι κάθε αλλαγή τιμής αποτελεί εξατομικευμένη χειραγώγηση.
Οι τιμές μπορεί να αλλάζουν για πολλούς νόμιμους λόγους.
Το ζήτημα είναι ότι η τεχνολογία καθιστά δυνατή μια πολύ λεπτομερέστερη εκτίμηση της συμπεριφοράς και της προθυμίας πληρωμής.
Και αυτό δημιουργεί ερωτήματα για τη διαφάνεια και τη δίκαιη μεταχείριση των καταναλωτών.
Το 2026, η FTC έθεσε επίσης σε δημόσια διαβούλευση προτεινόμενη πολιτική σχετικά με πρακτικές εξατομικευμένης τιμολόγησης.
Η ύπαρξη μιας τέτοιας πρότασης δεν σημαίνει ότι κάθε εξατομικευμένη τιμή απαγορεύεται.
Δείχνει όμως ότι οι ρυθμιστικές αρχές αντιμετωπίζουν πλέον σοβαρά το θέμα.
Το πιο επικίνδυνο προϊόν ίσως είναι αυτό που μας κάνει να αισθανόμαστε ανεπαρκείς
Δεν αγοράζουμε πάντοτε προϊόντα επειδή καλύπτουν μια πρακτική ανάγκη.
Μερικές φορές αγοράζουμε την υπόσχεση μιας καλύτερης εκδοχής του εαυτού μας.
Ένα νέο κινητό θα μας κάνει πιο παραγωγικούς.
Ένα ακριβό ρολόι θα μας βοηθήσει να οργανώσουμε τη ζωή μας.
Μια εφαρμογή θα μας κάνει πιο αποτελεσματικούς.
Ένα προϊόν ομορφιάς θα μας δώσει μεγαλύτερη αυτοπεποίθηση.
Δεν υπάρχει κάτι εγγενώς προβληματικό στο να επιδιώκουμε βελτίωση.
Αλλά η συνεχής έκθεση σε ιδανικές εικόνες ζωής μπορεί να ενισχύσει τη σύγκριση.
Και όταν η σύγκριση γίνεται εμπορική ευκαιρία, η γραμμή ανάμεσα στην ενημέρωση και στην εκμετάλλευση μπορεί να θολώσει.
Η AI δεν δημιούργησε αυτόν τον μηχανισμό.
Μπορεί όμως να τον κάνει πιο εξατομικευμένο, πιο γρήγορο και πιο εύκολο να ενσωματωθεί σε μια καθημερινή συνομιλία.
Ας φανταστούμε έναν ψηφιακό σύμβουλο που δεν απαντά μόνο στο «ποιο προϊόν να αγοράσω;», αλλά προτείνει διαρκώς νέες αγορές με βάση όσα γνωρίζει για τον χρήστη.
Το αν αυτό θα αποτελέσει χρήσιμη εξυπηρέτηση ή προβληματική εμπορική επιρροή εξαρτάται από τον σχεδιασμό, τη διαφάνεια και τον πραγματικό έλεγχο που διατηρεί ο καταναλωτής.
Τα παιδιά μεγαλώνουν μέσα σε μια αγορά επιθυμιών
Εδώ το ζήτημα αποκτά μια ιδιαίτερη σημασία για τους γονείς.
Ένα παιδί βλέπει έναν δημιουργό να παρουσιάζει ένα παιχνίδι.
Ένα άλλο βίντεο δείχνει μια συλλεκτική φιγούρα.
Ένας φίλος του μιλά για κάποιο αντικείμενο που έγινε δημοφιλές.
Και σύντομα εμφανίζεται η φράση:
«Το έχουν όλοι. Το θέλω κι εγώ».
Η επιρροή των συνομηλίκων και της διαφήμισης δεν είναι κάτι καινούργιο.
Όμως οι ψηφιακές πλατφόρμες μπορούν να πολλαπλασιάζουν τις ευκαιρίες έκθεσης σε προϊόντα και εμπορικά μηνύματα.
Για ένα παιδί που ακόμη αναπτύσσει την κριτική του σκέψη, η διάκριση ανάμεσα σε μια αυθόρμητη πρόταση και σε ένα εμπορικό μήνυμα μπορεί να είναι δύσκολη.
Γι’ αυτό χρειάζεται να του διδάξουμε κάτι περισσότερο από το «δεν μπορούμε να αγοράζουμε τα πάντα».
Να του μάθουμε να αναρωτιέται:
«Γιατί θέλω αυτό το παιχνίδι;»
«Το γνώριζα πριν το δω στο βίντεο;»
«Μου αρέσει πραγματικά ή θέλω να το αποκτήσω επειδή το έχουν άλλοι;»
«Αν περιμένω μία εβδομάδα, θα το θέλω το ίδιο;»
Δεν χρειάζεται να απαγορεύσουμε κάθε διαφήμιση ή να παρουσιάσουμε την επιθυμία ως κάτι κακό.
Χρειάζεται να βοηθήσουμε τα παιδιά να αναπτύξουν μια πιο συνειδητή σχέση με τις επιλογές τους.
Η Ευρώπη προσπαθεί να βάλει όρια
Ο ευρωπαϊκός Digital Services Act (DSA) περιλαμβάνει σημαντικούς κανόνες για τη διαφάνεια των ψηφιακών πλατφορμών.
Μεταξύ άλλων, απαιτεί ενημέρωση για τις βασικές παραμέτρους των συστημάτων προτάσεων.
Προβλέπει κανόνες για τη σαφή αναγνώριση των διαφημίσεων.
Περιορίζει ορισμένες παραπλανητικές πρακτικές σχεδιασμού, γνωστές ως dark patterns.
Και απαγορεύει τη διαφήμιση βάσει κατάρτισης προφίλ όταν η πλατφόρμα γνωρίζει με εύλογη βεβαιότητα ότι ο χρήστης είναι ανήλικος.
Οι πολύ μεγάλες διαδικτυακές πλατφόρμες και μηχανές αναζήτησης οφείλουν επίσης να προσφέρουν τουλάχιστον μία επιλογή συστήματος προτάσεων που δεν βασίζεται σε κατάρτιση προφίλ.
Αυτές οι ρυθμίσεις δεν εξαφανίζουν την εμπορική επιρροή.
Ούτε ισχύουν με τον ίδιο τρόπο για κάθε ψηφιακή υπηρεσία ή κάθε AI assistant.
Αποτελούν όμως μια σημαντική αναγνώριση ότι ο τρόπος με τον οποίο σχεδιάζεται μια πλατφόρμα μπορεί να επηρεάζει την αυτονομία των χρηστών της.
Επτά τρόποι να ξαναπάρουμε τον έλεγχο των επιθυμιών μας
Το θέλω ή μου το πρότειναν;
7 ερωτήσεις πριν από την επόμενη αγορά
Ποιο συγκεκριμένο πρόβλημα θα λύσει αυτή η αγορά;
Το αναζητούσα ήδη ή άρχισα να το θέλω όταν εμφανίστηκε στη ροή μου;
Θα εξακολουθώ να το θέλω μετά από 48 ώρες;
Έχω ελέγξει τιμές και αξιολογήσεις εκτός της πλατφόρμας που μου το πρότεινε;
Η πρόταση είναι διαφήμιση, χορηγούμενο περιεχόμενο ή ανεξάρτητη αξιολόγηση;
Υπάρχει φθηνότερη λύση ή μπορώ να συνεχίσω με αυτό που ήδη έχω;
Αν δεν υπήρχε η προσφορά ή η αλγοριθμική πρόταση, θα το αγόραζα;
APPLEWORLDHELLAS.COM · AWH | AI
1. Περιμένουμε πριν αγοράσουμε
Για μια μη επείγουσα αγορά, μπορούμε να περιμένουμε 24 ή 48 ώρες.
Η καθυστέρηση δημιουργεί απόσταση από τον αρχικό ενθουσιασμό.
Δεν σημαίνει ότι η επιθυμία ήταν ψεύτικη.
Μας βοηθά όμως να διαπιστώσουμε αν παραμένει σημαντική.
2. Γράφουμε πρώτα την ανάγκη
Πριν αναζητήσουμε προϊόντα, γράφουμε τι ακριβώς θέλουμε να πετύχουμε.
Για παράδειγμα:
«Θέλω ακουστικά για τηλεδιασκέψεις σε θορυβώδες δωμάτιο».
Όχι:
«Θέλω τα ακουστικά που βλέπω παντού».
Έτσι η αναζήτηση ξεκινά από τη δική μας ανάγκη και όχι από την προβολή ενός προϊόντος.
3. Ζητάμε από την AI και επιχειρήματα εναντίον της αγοράς
Αν χρησιμοποιούμε AI για αγοραστικές αποφάσεις, μπορούμε να ζητήσουμε:
«Δώσε μου τρεις λόγους να μην αγοράσω αυτό το προϊόν».
«Ποια φθηνότερη επιλογή καλύπτει τις ίδιες ανάγκες;»
«Τι χάνω αν κρατήσω τη συσκευή που έχω ήδη;»
«Ποιες πληροφορίες δεν έχεις επαληθεύσει;»
Η AI γίνεται πολύ πιο χρήσιμη όταν δεν τη χρησιμοποιούμε αποκλειστικά για να επιβεβαιώσει μια απόφαση που έχουμε ήδη πάρει.
4. Ελέγχουμε ανεξάρτητες πηγές
Μια σύσταση δεν είναι έρευνα αγοράς από μόνη της.
Ελέγχουμε τεχνικά χαρακτηριστικά, τιμές, εγγυήσεις και αξιολογήσεις από περισσότερες πηγές.
Ιδιαίτερα όταν πρόκειται για ακριβές αγορές.
5. Περιορίζουμε την ανεπιθύμητη εξατομίκευση
Όπου προσφέρονται σχετικές επιλογές, μπορούμε να ελέγξουμε τις ρυθμίσεις διαφημίσεων, ιστορικού και εξατομικευμένων προτάσεων.
Δεν εξαφανίζεται κάθε μορφή εμπορικής επιρροής.
Αλλά αποκτούμε περισσότερο έλεγχο στο ψηφιακό μας περιβάλλον.
6. Μαθαίνουμε να αναγνωρίζουμε την τεχνητή αίσθηση επείγοντος
«Μόνο για σήμερα».
«Τελευταία ευκαιρία».
«Μένουν ελάχιστα τεμάχια».
Τέτοιες φράσεις μπορεί να αντιστοιχούν σε πραγματικές εμπορικές συνθήκες.
Μπορεί όμως και να χρησιμοποιούνται ως εργαλεία πίεσης.
Ελέγχουμε αν η προσφορά είναι πραγματική και αν το προϊόν καλύπτει πράγματι την ανάγκη μας.
7. Κάνουμε την πιο δύσκολη ερώτηση
«Αν δεν μου το είχε προτείνει κανείς, θα το αναζητούσα μόνος μου;»
Δεν είναι ένα τέλειο τεστ.
Πολλά χρήσιμα πράγματα τα ανακαλύπτουμε επειδή κάποιος μας τα πρότεινε.
Αλλά είναι μια καλή αφετηρία για να ξεχωρίσουμε την ανακάλυψη από την παρόρμηση.
Δεν χρειάζεται να σταματήσουμε να επιθυμούμε
Θα ήταν λάθος να καταλήξουμε ότι η λύση είναι να απορρίψουμε την τεχνολογία ή να αντιμετωπίζουμε κάθε αγορά με καχυποψία.
Οι προτάσεις μπορούν να είναι πολύτιμες.
Μπορούν να μας βοηθήσουν να ανακαλύψουμε ένα βιβλίο που θα αγαπήσουμε.
Μια μικρή ανεξάρτητη εφαρμογή.
Έναν καλλιτέχνη που δεν γνωρίζαμε.
Ένα προϊόν που λύνει πραγματικό πρόβλημα.
Και η AI μπορεί να περιορίσει σημαντικά τον χρόνο που αφιερώνουμε στη σύγκριση επιλογών.
Το ζήτημα δεν είναι να ζούμε χωρίς επιρροές.
Κάτι τέτοιο δεν υπήρξε ποτέ πραγματικά εφικτό.
Το ζήτημα είναι να γνωρίζουμε ότι οι επιρροές υπάρχουν.
Να καταλαβαίνουμε πότε έχουν εμπορικό χαρακτήρα.
Και να διατηρούμε τη δυνατότητα να πούμε «όχι».
Συμπέρασμα: Το πιο πολύτιμο πράγμα που μπορούμε να προστατεύσουμε είναι η επιλογή μας
Η τεχνητή νοημοσύνη υπόσχεται να γνωρίζει καλύτερα τις ανάγκες μας.
Να μας εξοικονομεί χρόνο.
Να μας προτείνει τις καλύτερες επιλογές.
Να περιορίζει την αβεβαιότητα.
Και σε πολλές περιπτώσεις μπορεί πραγματικά να το πετύχει.
Αλλά υπάρχει μια διαφορά ανάμεσα στο να κατανοεί ένα σύστημα τις προτιμήσεις μας και στο να επηρεάζει αδιαφανώς τη διαμόρφωσή τους.
Η πρώτη δυνατότητα μπορεί να μας εξυπηρετεί.
Η δεύτερη απαιτεί προσοχή.
Γιατί όσο περισσότερο αναθέτουμε σε αλγορίθμους την ανακάλυψη, τη σύγκριση και την αξιολόγηση προϊόντων, τόσο σημαντικότερο γίνεται να γνωρίζουμε ποια συμφέροντα και ποια κριτήρια καθορίζουν τις προτάσεις τους.
Η AI δεν χρειάζεται να γίνει εχθρός της ελεύθερης επιλογής.
Μπορεί να γίνει ένα εξαιρετικό εργαλείο για πιο ενημερωμένες αποφάσεις.
Αρκεί να θυμόμαστε ότι μια καλή σύσταση δεν είναι εντολή.
Και ότι η προσωπική μας επιθυμία δεν πρέπει να θεωρείται δεδομένη μόνο και μόνο επειδή μια οθόνη την αναγνώρισε ή την ενίσχυσε.
Την επόμενη φορά που θα πούμε «το θέλω», ίσως αξίζει να ρωτήσουμε πρώτα:
«Το θέλω πραγματικά ή έμαθα να το θέλω;»
Πηγές και τεκμηρίωση
- Adomavicius, Bockstedt, Curley & Zhang (2013) — Do Recommender Systems Manipulate Consumer Preferences? A Study of Anchoring Effects, Information Systems Research.
https://doi.org/10.1287/isre.2013.0497 - Adomavicius, Bockstedt, Curley & Zhang (2018) — Effects of Online Recommendations on Consumers’ Willingness to Pay, Information Systems Research.
https://doi.org/10.1287/isre.2017.0703 - Aridor και συνεργάτες — The Informational Role of Online Recommendations: Evidence from a Field Experiment, CESifo Working Paper.
https://www.ifo.de/DocDL/cesifo1_wp10129.pdf - Journal of Retailing (2023) — Testing the Performance of Online Recommendation Agents: A Meta-analysis. Μετα-ανάλυση 122 δειγμάτων με 32.172 καταναλωτές.
https://doi.org/10.1016/j.jretai.2023.08.001 - Federal Trade Commission (2025) — FTC Surveillance Pricing Study Indicates Wide Range of Personal Data Used to Set Individualized Consumer Prices.
https://www.ftc.gov/news-events/news/press-releases/2025/01/ftc-surveillance-pricing-study-indicates-wide-range-personal-data-used-set-individualized-consumer - Federal Trade Commission (2026) — Proposed Enforcement Policy Statement Regarding Personalized Pricing.
https://www.ftc.gov/system/files/ftc_gov/pdf/p034101-ftc-enforcement-policy-statement-re-personalized-pricing-proposed-for-public-comment.pdf - Ευρωπαϊκή Ένωση — Κανονισμός (ΕΕ) 2022/2065, Digital Services Act.
https://eur-lex.europa.eu/eli/reg/2022/2065 - Ευρωπαϊκή Επιτροπή — The impact of the Digital Services Act on digital platforms.
https://digital-strategy.ec.europa.eu/en/policies/dsa-impact-platforms
Η Apple είναι
μόνο η αρχή.
Ειδήσεις, αναλύσεις, οδηγοί, τεχνολογία και podcasts. Μια ανεξάρτητη κοινότητα που εξερευνά όσα αξίζουν την προσοχή μας.
Ακολουθήστε στο Google ↗
AppleWorldHellas Podcast
Η Apple, η τεχνολογία και οι ιστορίες πίσω από τις εξελίξεις. Με ανεξάρτητη ματιά, συζήτηση και άποψη.
