Το παράπονο του γραφίστα

Όλα ξεκίνησαν από ένα βίντεο στο TikTok. Ένας γραφίστας — ή άνθρωπος που δουλεύει με εκτυπώσεις και prepress, δεν συγκράτησα ακριβώς την ιδιότητά του — εξηγούσε ένα από τα προβλήματα που του έχει φέρει η AI. Πελάτες εμφανίζονται με εικόνες που έφτιαξαν με κάποιο AI εργαλείο και θέλουν να τις κάνουν λογότυπα, μπλουζάκια, πινακίδες ή μεγάλες εκτυπώσεις.

Μόνο που η εικόνα που φαίνεται μια χαρά στην οθόνη δεν είναι απαραίτητα κατάλληλη για όλα αυτά. Ένα PNG δεν γίνεται ξαφνικά vector επειδή το ζητήσαμε ευγενικά. Τα γράμματα που ζωγράφισε το μοντέλο δεν είναι πραγματική τυπογραφία. Η ανάλυση που αρκεί για το Instagram δεν αρκεί απαραίτητα για εκτύπωση. Και αν θέλεις να αλλάξεις ένα στοιχείο της εικόνας, μπορεί να ανακαλύψεις ότι δεν υπάρχει καν «στοιχείο» για να αλλάξεις. Υπάρχει απλώς ένα επίπεδο raster αρχείο.

Η πρώτη μου σκέψη ήταν περίπου: Ναι, προφανώς. Γι’ αυτό χρειάζεσαι γραφίστα.

Η δεύτερη όμως ήταν πιο επικίνδυνη: Ισχύει ακόμη;

Εδώ που τα λέμε, μέχρι κι εμείς έχουμε φτιάξει merch με AI-generated σχέδια. Η κούπα της φωτογραφίας; 15€. Στείλε μας email.

Οπότε έκανα αυτό που κάνω συνήθως όταν μου καρφώνεται μια τέτοια απορία. Ρώτησα τη Saya.

👨‍💻 ΟΚ. Έχω μια εικόνα που έφτιαξες εσύ. PNG. Μπορώ να την τυπώσω σε μπλουζάκι;

🤖 Ναι.

👨‍💻 Σε καπέλο;

🤖 Ναι.

👨‍💻 Σε τεράστια αφίσα;

🤖 Εξαρτάται από την ανάλυση, τις διαστάσεις και την απόσταση θέασης, αλλά ναι.

Κάπου εκεί άρχισα να ψάχνω πού ακριβώς βρίσκεται πλέον το όριο. Μπορώ να αφαιρέσω το background; Να απομονώσω ένα λογότυπο; Να χωρίσω μια επίπεδη εικόνα σε επεξεργάσιμα στοιχεία; Να ξαναφτιάξω σωστά την τυπογραφία; Να αυξήσω την ανάλυση; Να μετατρέψω ό,τι χρειάζεται σε vector και να στήσω τη μακέτα στις προδιαγραφές του τυπογραφείου;

Το όριο δεν έχει εξαφανιστεί. Αλλά μετακινείται. Το Canva, για παράδειγμα, έχει πλέον εργαλεία που μπορούν να μετατρέψουν μια επίπεδη εικόνα σε επιμέρους επεξεργάσιμα στοιχεία. Δεν είναι το μαγικό κουμπί «κάν’ το print-ready» και τα αποτελέσματα δεν είναι πάντα καθαρά. Είναι όμως ένα ακόμη κομμάτι τεχνογνωσίας που μεταφέρεται από τον επαγγελματία στο εργαλείο.

Και η απάντηση στην αρχική μου ερώτηση γινόταν όλο και συχνότερα: ναι, μπορώ να κάνω πολύ μεγαλύτερο μέρος της δουλειάς μόνος μου απ’ ό,τι μπορούσα πριν λίγα χρόνια.

Όχι επειδή έμαθα ξαφνικά όσα ξέρει ένας επαγγελματίας γραφίστας. Αλλά επειδή δεν χρειάζεται πλέον να ξέρω όλα όσα ξέρει εκείνος για να φτάσω σε ένα αξιοπρεπές αποτέλεσμα.

Και κάπου εκεί η συζήτηση για το αν ένα AI-generated PNG μπορεί να γίνει πινακίδα σταμάτησε να είναι συζήτηση για PNG.

Ωχ. Οι γραφίστες όντως θα χάσουν δουλειές.

Όχι επειδή ξαφνικά όλοι γίναμε γραφίστες. Αλλά επειδή δεν χρειάζεται να γίνουμε.

Και κάπως έτσι ένα παράπονο για PNG έγινε μια πολύ μεγαλύτερη ερώτηση για την AI και τη δουλειά: αν εξαφανίζονται οι junior θέσεις εργασίας, από πού θα βγουν οι άνθρωποι που κάποτε θα πρέπει να ξέρουν πραγματικά το αντικείμενο;

Δύο πιθανά μέλλοντα

Από εδώ και πέρα βλέπω δύο αρκετά διαφορετικούς δρόμους.

Στον πρώτο, η AI συνεχίζει να βελτιώνεται και αναλαμβάνει όλο και μεγαλύτερο μέρος της παραγωγής, αλλά εξακολουθεί να χρειάζεται ανθρώπους που καταλαβαίνουν πραγματικά το αντικείμενο. Μπορεί να γράφει τον περισσότερο κώδικα, να φτιάχνει τις περισσότερες μακέτες ή να παράγει το μεγαλύτερο μέρος ενός κειμένου, αλλά κάπου χρειάζεται ένας άνθρωπος που ξέρει τι κοιτάζει. Όχι δέκα εκεί που παλιότερα χρειάζονταν δέκα. Ίσως δύο. Αλλά αυτοί οι δύο πρέπει να είναι πραγματικά καλοί.

Στον δεύτερο, η AI δεν χρειάζεται να γίνει αλάνθαστη. Αρκεί να γίνει αρκετά αξιόπιστη ώστε το κόστος μόνιμης ανθρώπινης επίβλεψης να φαίνεται μεγαλύτερο από το κόστος των λαθών της. Αν το σύστημα σχεδιάζει, ελέγχει, διορθώνει και αποτυγχάνει αρκετά σπάνια, κάποια στιγμή η διατήρηση ενός ακριβού ανθρώπου «για κάθε ενδεχόμενο» μπορεί απλώς να πάψει να μοιάζει οικονομικά λογική.

Δεν ξέρω ποιος δρόμος είναι πιθανότερος — και διαφορετικοί κλάδοι μπορεί να ακολουθήσουν διαφορετικό δρόμο.

Αλλά και οι δύο περνούν πρώτα από την ίδια ερώτηση:

Πώς ακριβώς φτιάχνεται ένας άνθρωπος που ξέρει πραγματικά τι κάνει;

Πώς φτιάχνεται ένας expert;

Το προφανές επιχείρημα είναι ότι η εκπαίδευση θα προσαρμοστεί. Οι σχολές γραφιστικής θα διδάσκουν AI, οι προγραμματιστές θα μαθαίνουν να δουλεύουν με copilots και agents, οι copywriters θα χρησιμοποιούν μοντέλα για drafts και research. Και καλά θα κάνουν. Δεν έχει ιδιαίτερο νόημα να εκπαιδεύεις κάποιον για την αγορά εργασίας του 2015.

Το πρόβλημα είναι ότι η σχολή δεν παράγει experts. Παράγει αρχάριους.

👨‍💻 Οπότε απλώς εκπαιδεύουμε λιγότερους, αλλά καλύτερους.

🤖 Και πώς ακριβώς γίνονται καλύτεροι;

Ο senior γραφίστας δεν έγινε senior διαβάζοντας περισσότερα βιβλία γραφιστικής. Κάποτε ήταν junior. Έκανε βαρετές μακέτες, έστειλε λάθος αρχείο στο τυπογραφείο, έφαγε διορθώσεις από πελάτες, έμαθε γιατί κάτι που φαίνεται σωστό στην οθόνη βγαίνει χάλια στην εκτύπωση. Το ίδιο ισχύει, με διαφορετικό τρόπο, για τον προγραμματιστή, τον λογιστή, τον μεταφραστή, τον δημοσιογράφο.

Μόνο που αυτές είναι ακριβώς οι χαμηλότερου ρίσκου, επαναλαμβανόμενες εργασίες που είναι πιο εύκολο να δώσεις πρώτες στην AI.

Και αυτό δεν είναι πλέον μόνο υποθετικό. Τον Ιούλιο του 2026, η Gartner δημοσίευσε έρευνα σε 110 επικεφαλής HR. Το 22% είπε ότι τουλάχιστον ένας business leader στον οργανισμό του είχε ήδη σταματήσει τις προσλήψεις για entry-level ρόλους εξαιτίας του AI automation. Η ίδια η Gartner προειδοποίησε ότι αν οι επιχειρήσεις κόψουν ολόκληρο το early-career pipeline, κινδυνεύουν αργότερα να βρεθούν χωρίς το έμπειρο προσωπικό που κανονικά θα είχε αναπτυχθεί μέσα στον οργανισμό. Gartner

Δεν είναι απογραφή της παγκόσμιας αγοράς εργασίας και δεν αποδεικνύει ότι «οι junior δουλειές τελείωσαν». Είναι όμως σχεδόν ακριβώς ο μηχανισμός που με ανησυχεί, ήδη σε μικρή κλίμακα.

Και μετά έρχεται η δεύτερη ανατροφοδότηση. Αν οι junior θέσεις λιγοστεύουν, κάποια στιγμή το βλέπουν και οι δεκαοχτάχρονοι — και οι γονείς τους.

«Γραφίστας θα γίνεις; Αφού τώρα τα κάνει όλα η AI.»

Δεν χρειάζεται να κλείσει καμία σχολή. Αρκεί λιγότεροι άνθρωποι να θεωρούν ότι αξίζει να μπουν εξαρχής στο επάγγελμα.

Αν μια εταιρεία χρειαζόταν παλιότερα δέκα ανθρώπους και τώρα χρειάζεται δύο, αυτό είναι αποδοτικό. Αλλά οι δύο αυριανοί έμπειροι επαγγελματίες συνήθως θα προέρχονταν από τους δέκα σημερινούς juniors.

Αν κόψεις για αρκετά χρόνια το κάτω μέρος της πυραμίδας, κάποια στιγμή δεν μένει αρκετό πάνω μέρος.

Στο πρώτο μας μέλλον, αυτό δημιουργεί ένα πολύ πρακτικό πρόβλημα: έχουμε εξαιρετικά συστήματα και πολύ λίγους ανθρώπους ικανούς να καταλάβουν τι πήγε στραβά όταν αποτυγχάνουν.

Στο δεύτερο, το πρόβλημα είναι πιο παράξενο. Ίσως να μη χρειαζόμαστε πια αυτούς τους ανθρώπους καθόλου.

Και εδώ μπαίνει στο δωμάτιο ο E. M. Forster.

Η Μηχανή Σταματά

Το The Machine Stops δημοσιεύτηκε το 1909. Στον κόσμο του Forster, οι άνθρωποι ζουν απομονωμένοι σε δωμάτια κάτω από τη γη και σχεδόν ολόκληρη η ζωή τους περνά μέσα από ένα τεράστιο τεχνολογικό σύστημα: τη Μηχανή. Τους παρέχει αέρα, τροφή, επικοινωνία, μουσική, πληροφορία, διαλέξεις και την υποδομή της καθημερινής ζωής.

Η Vashti είναι απολύτως προσαρμοσμένη σε αυτόν τον κόσμο. Ο γιος της, ο Kuno, είναι ο ενοχλητικός τύπος που θέλει να βγει έξω, να χρησιμοποιήσει το σώμα του και να δει τον πραγματικό κόσμο χωρίς μεσολάβηση. Στο μεταξύ, η Μηχανή παύει στην πράξη να αντιμετωπίζεται ως εργαλείο και αποκτά σχεδόν θρησκευτική υπόσταση.

Μετά αρχίζουν οι βλάβες. Στην αρχή είναι μικρές και οι άνθρωποι παραπονιούνται. Ύστερα προσαρμόζονται. Όταν τα προβλήματα γίνονται σοβαρότερα, η κοινωνία που είχε οργανώσει τα πάντα γύρω από τη Μηχανή ανακαλύπτει ότι δεν διαθέτει κάποιο ουσιαστικό σχέδιο Β.

Το ενδιαφέρον εδώ δεν είναι ότι ο Forster «προέβλεψε το internet» ή την AI. Ούτε ότι πρέπει να διαβάσουμε τη νουβέλα σαν τεχνική μελέτη για maintenance engineers.

Το ενδιαφέρον είναι η εξάρτηση.

Οι άνθρωποι δεν έχασαν την αυτονομία τους επειδή μια κακή μηχανή τούς την έκλεψε με τη βία. Την παρέδωσαν σταδιακά, επειδή η Μηχανή έκανε τα πράγματα καλύτερα, ευκολότερα και πιο αποτελεσματικά. Κάθε ξεχωριστό βήμα είχε λογική.

Και αυτό είναι το σημείο όπου ο Forster συναντά τον γραφίστα του TikTok.

Η απώλεια της ανθρώπινης γνώσης δεν χρειάζεται να έρθει ως καταστροφή. Μπορεί να έρθει πρώτα ως βελτιστοποίηση.

Δεν αποφασίζουμε συλλογικά «ας ξεχάσουμε πώς γίνεται αυτό». Απλώς σταματάμε να εξασκούμαστε, επειδή δεν υπάρχει πια σοβαρός λόγος να το κάνουμε.

👨‍💻 Άρα η λύση είναι να συνεχίσουμε να κάνουμε πράγματα με το χέρι, ενώ η μηχανή τα κάνει καλύτερα;

🤖 Όχι. Αυτό θα ήταν απλώς ηλίθιο. Το ερώτημα είναι πόση ανθρώπινη τεχνογνωσία αξίζει να συντηρείς όταν η καθημερινότητα δεν τη χρειάζεται πια.

Και αυτό είναι πολύ δυσκολότερο ερώτημα.

Κι αν οι experts γίνουν πανάκριβοι;

Υπάρχει βέβαια μια προφανής απάντηση: αν κάποτε οι πραγματικά καταρτισμένοι άνθρωποι γίνουν σπάνιοι, θα γίνουν και ακριβοί. Και όταν κάτι γίνεται ακριβό, εμφανίζεται κίνητρο να δημιουργήσεις περισσότερο από αυτό.

Έχουμε ιστορικά παραδείγματα για το πώς η σχετική σπανιότητα της εργασίας μπορεί να αλλάξει τα οικονομικά κίνητρα. Ο οικονομικός ιστορικός Robert Allen έχει υποστηρίξει ότι οι σχετικά υψηλοί βρετανικοί μισθοί έκαναν labor-saving τεχνολογίες όπως η spinning jenny πιο συμφέρουσες. Είναι μια σημαντική ερμηνεία της Βιομηχανικής Επανάστασης, όχι ιστορικό ευαγγέλιο: άλλοι ερευνητές έχουν αμφισβητήσει ακόμη και τους συγκεκριμένους υπολογισμούς του Allen για τη spinning jenny.

Δεν χρειάζεται να λύσουμε αυτή τη διαμάχη για να κρατήσουμε το χρήσιμο κομμάτι της αναλογίας: η σπανιότητα δημιουργεί price signals.

👨‍💻 Εντάξει, αν οι experts γίνουν πανάκριβοι, προφανώς θα εμφανιστεί πίεση να εκπαιδευτούν περισσότεροι.

🤖 Άρα η αγορά θα το διορθώσει.

👨‍💻 Μη μου βάζεις τέτοια λόγια στο στόμα. Είπα ότι θα δημιουργηθεί κίνητρο. Δεν είπα ότι εμπιστεύομαι την αγορά να καταλάβει το πρόβλημα δέκα χρόνια πριν γίνει κρίση.

🤖 Οι υψηλές τιμές και οι ελλείψεις είναι ακριβώς ο τρόπος με τον οποίο παίρνει το μήνυμα.

👨‍💻 Ναι. Αφού πρώτα υπάρξει η έλλειψη.

Και εδώ βρίσκεται η κρίσιμη διαφορά. Στο ιστορικό παράδειγμα η σπανιότητα αφορούσε ανθρώπινη εργασία. Στο δικό μας υποθετικό μέλλον δεν θα λείπουν απαραίτητα άνθρωποι γενικά. Θα λείπουν άνθρωποι με συσσωρευμένη τεχνογνωσία.

Και αυτή δεν εμφανίζεται αύριο το πρωί επειδή σήμερα ανέβηκε ο μισθός.

Ποιος σχεδιάζει για έναν κόσμο που δεν γνωρίζουμε;

Και εδώ φτάνω στο σημείο όπου συνήθως αρχίζω να κατηγορώ τον καπιταλισμό.

Το βασικό μου πρόβλημα με την αυτοματοποίηση παραμένει το ίδιο: αν μπορούμε να παράγουμε περισσότερα με λιγότερη ανθρώπινη εργασία, αυτό θεωρητικά θα έπρεπε να είναι κοινωνική επιτυχία. Λιγότερες ώρες δουλειάς, περισσότερος ελεύθερος χρόνος, περισσότερα πράγματα με λιγότερο κόπο.

Μόνο που μέσα στον καπιταλισμό η δουλειά δεν είναι απλώς κάτι που κάνουμε. Είναι και ο βασικός μηχανισμός με τον οποίο οι περισσότεροι αποκτούμε εισόδημα. Έτσι το «χρειαζόμαστε λιγότερη ανθρώπινη εργασία» δεν μεταφράζεται αυτομάτως σε «θα δουλεύουμε όλοι λιγότερο». Μπορεί να μεταφραστεί σε «χρειαζόμαστε λιγότερους από εσάς».

Στο δικό μας πρόβλημα υπάρχει και κάτι ακόμη. Η αγορά μπορεί να αντιδράσει όταν η έλλειψη έχει ήδη γίνει ακριβή. Εγώ δεν είμαι καθόλου βέβαιος ότι είναι εξίσου καλή στο να πληρώνει σήμερα για μια κοινωνική εφεδρεία γνώσης που ίσως χρειαστεί σε είκοσι χρόνια.

👨‍💻 Δηλαδή περιμένουμε από μια εταιρεία να συντηρεί ένα junior pipeline που σήμερα δεν χρειάζεται, για να έχουμε έμπειρους ανθρώπους αν τους χρειαστούμε αργότερα;

🤖 Δεν ακούγεται ιδιαίτερα συμβατό με το quarterly report.

👨‍💻 Γι’ αυτό χρειάζεται σχεδιασμός.

🤖 Ωραία. Οπότε θα το αναλάβει το κράτος;

👨‍💻 Ή μια μετακαπιταλιστική σχεδιασμένη οικονομία, ναι.

🤖 Φυσικά. Το Gosplan με ChatGPT Plus.

👨‍💻 Γέλα όσο θέλεις.

Μόνο που εδώ πρέπει να της δώσω λίγο δίκιο.

Ο σχεδιασμός μπορεί να λύσει ένα μέρος του προβλήματος των κινήτρων. Ένα κράτος ή μια μετακαπιταλιστική οικονομία μπορεί να αποφασίσει συνειδητά ότι κάποιες γνώσεις αξίζει να διατηρούνται ακόμη κι όταν η άμεση οικονομική τους απόδοση είναι μικρή. Για μένα, αυτό είναι πραγματικό πλεονέκτημα απέναντι σε μια αγορά που έχει ισχυρή πίεση να κόβει το σημερινό κόστος.

Δεν λύνει όμως το πρόβλημα της πρόβλεψης.

Ποιες γνώσεις διατηρούμε; Πόσους ανθρώπους εκπαιδεύουμε; Πώς αποκτούν πραγματική εμπειρία όταν η δουλειά για την οποία εκπαιδεύονται γίνεται ήδη καλύτερα από την AI; Πώς ξέρουμε σήμερα ποια τεχνογνωσία θα είναι κρίσιμη το 2050;

Δεν το ξέρουμε.

Ίσως η αγορά προσαρμοστεί όταν οι ειδικοί γίνουν αρκετά σπάνιοι. Ίσως τα κράτη ή άλλοι θεσμοί αποφασίσουν ότι ορισμένες ανθρώπινες ικανότητες είναι στρατηγική υποδομή και πρέπει να διατηρούνται. Ίσως η ίδια η AI κάνει την εκπαίδευση τόσο αποτελεσματική ώστε αυτό που σήμερα απαιτεί δέκα χρόνια εμπειρίας να μπορεί αύριο να αποκτηθεί πολύ γρηγορότερα. Ίσως φτάσουμε στο δεύτερο σενάριο και η ανθρώπινη επίβλεψη να μην ξαναγίνει ποτέ οικονομικά αναγκαία.

Ή ίσως ο Forster να γελάει τελευταίος.

Δεν νομίζω ότι έχουμε σήμερα αρκετές πληροφορίες για να ξέρουμε ποιο από αυτά θα συμβεί. Και δεν θέλω να κλείσω προσποιούμενος ότι επειδή έχω πολιτικές απόψεις, έχω και την απάντηση.

Ξεκίνησα απλώς από έναν γραφίστα στο TikTok που παραπονιόταν ότι οι πελάτες του φέρνουν AI-generated PNG και περιμένουν να γίνουν μαγικά σωστά αρχεία για εκτύπωση.

Η πρώτη μου απορία ήταν αν αυτό το τεχνικό εμπόδιο εξακολουθεί να υπάρχει. Και όσο περισσότερο έψαχνα, τόσο περισσότερο η απάντηση έμοιαζε να γίνεται: όλο και λιγότερο.

Κάπου εκεί κατάλαβα ότι ίσως ο γραφίστας ανησυχούσε για το λάθος πράγμα. Το πραγματικά ανησυχητικό δεν είναι ότι σήμερα η AI δεν μπορεί ακόμη να κάνει σωστά τη δουλειά του. Είναι ότι κάποια στιγμή μπορεί να μπορεί.

Και τότε, είκοσι ή τριάντα χρόνια αργότερα, κάποιος μπορεί να χρειαστεί έναν άνθρωπο που να ξέρει πραγματικά πώς γίνεται. Και να ανακαλύψει ότι ξεχάσαμε να τον φτιάξουμε.