Πόσο εκτεθειμένα είναι τα ελληνικά επαγγέλματα στην Τεχνητή Νοημοσύνη

 Πόσο εκτεθειμένα είναι τα ελληνικά επαγγέλματα στην

Τεχνητή Νοημοσύνη

Η Τεχνητή Νοημοσύνη (ΤΝ) έχει αναδειχτεί σε καθοριστική τεχνολογική τομή. Η εξάπλωση των Μεγάλων Γλωσσικών Μοντέλων και η ταχεία διάδοση πιο εξελιγ-μένων Reasoning Models και Agents επιταχύνουν τη μετάβαση προς μια εποχή ό-που σημαντικά τμήματα της ανθρώπινης σκέψης μπορούν να υποστηριχθούν, να ενισχυθούν ή, σε ορισμένες περιπτώσεις, να υποκατασταθούν από τέτοια συστή-ματα. 

Η δομή της ελληνικής οικονομίας δημιουργεί ένα περιβάλλον όπου ο αντί-κτυπος της ΤΝ μπορεί να είναι απότομος και άνισος.

Το παρόν Κείμενο Πολιτικής και η αντίστοιχη μελέτη επιχειρούν να συμβάλλουν στην προετοιμασία γι’ αυτές τις μεγάλες αλλαγές. 

Αξιοποιούν δύο γνωστά μο-ντέλα ερευνητών που επιχειρούν να αποτυπώσουν το κατά πόσο ένα επάγγελμα μπορεί να αντικατασταθεί από την ΤΝ. Σύμφωνα με τον πρώτο δείκτη (Frey & Osborne, 2013), που περιλαμβάνει ΤΝ και ρομποτική, το 40% των ελληνικών θέ-σεων εργασίας αντιμετωπίζει υψηλό ρίσκο αυτοματοποίησης.

 Σύμφωνα με τον δεύτερο (Gmyrek et al., 2025), που αφορά μόνο τα Μεγάλα Γλωσσικά Μοντέλα (π.χ. ChatGPT), περίπου το 22% των θέσεων εργασίας αντιμετωπίζει σημαντικό ρίσκο αυτοματοποίησης.

Γλωσσική επιμέλεια – Διορθώσεις: Στέλλα Ζούπα

Οι απόψεις που διατυπώνονται στο παρόν κείμενο είναι των συγγραφέων και δεν εκφράζουν 

κατ’ ανάγκη τις θέσεις της ΓΣΕΕ. 

Απαγορεύεται η με οποιονδήποτε τρόπο ανατύπωση ή μετάφραση όλου ή μέρους του κειμένου 

χωρίς την άδεια του εκδότη. Επίσης, η αναδημοσίευση (όλου ή μέρους του) χωρίς αναφορά 

της πηγής.

“   

I go back century 

by century to the 

remotest antiquity; 

I see nothing that resembles

what is before my eyes. 

Since the past no longer 

illuminates the future, 

the mind of man wanders 

in obscurity.

Alexis de Tocqueville,

Democracy in America

”

1.

Εισαγωγή

Κείμενο Παρέμβασης 11 

Η Τεχνητή Νοημοσύνη (ΤΝ) έχει αναδειχτεί σε καθοριστική τεχνολογική τομή ικανή να 

μετασχηματίσει όχι μόνο επιμέρους διαδικασίες αλλά ολόκληρη τη δομή της εργασίας. Σε 

αντίθεση με προηγούμενα κύματα αυτοματοποίησης, τα οποία επηρέασαν κυρίως 

χειρωνακτικά ή επαναλαμβανόμενα καθήκοντα, η σημερινή τεχνολογική επανάσταση αγγίζει 

τον πυρήνα της γνωστικής εργασίας: την ανάλυση δεδομένων, τη λήψη αποφάσεων, τη 

σύνθεση πληροφοριών και τη γλωσσική παραγωγή. Η εξάπλωση των Μεγάλων Γλωσσικών 

Μοντέλων (LLMs) από το 2022 και εξής, καθώς και η ταχεία διάδοση πιο εξελιγμένων Reasoning 

Models και Agents επιταχύνουν τη μετάβαση προς μια εποχή όπου σημαντικά τμήματα της 

ανθρώπινης σκέψης μπορούν να υποστηριχθούν, να ενισχυθούν ή, σε ορισμένες περιπτώσεις, 

να υποκατασταθούν από αλγοριθμικά συστήματα. 

Η νέα αυτή πραγματικότητα δεν συνεπάγεται μόνο την αυτοματοποίηση επιμέρους 

καθηκόντων. Μπορεί να αναδιαμορφώσει τα επαγγέλματα, τον τρόπο οργάνωσης της 

εργασίας και τις απαιτήσεις δεξιοτήτων. Πολλά επαγγέλματα τα οποία για δεκαετίες 

θεωρούνταν «ανθεκτικά» ή ασφαλή από την αυτοματοποίηση, όπως  τα επαγγέλματα 

γραφείου και ορισμένα επαγγέλματα σύνθετων γνωστικών δεξιοτήτων, πλέον αντιμετωπίζουν 

και αυτά υψηλό βαθμό έκθεσης. Αντίστοιχα, επαγγέλματα που συνδυάζουν κοινωνική 

νοημοσύνη, δημιουργικότητα ή σύνθετη χειρωνακτική δεξιότητα εμφανίζουν μεγαλύτερη 

ανθεκτικότητα, χωρίς όμως να μένουν ανεπηρέαστα από τον τεχνολογικό μετασχηματισμό. 

Για την Ελλάδα, οι προκλήσεις είναι ιδιαίτερα σύνθετες. Η δομή της ελληνικής οικονομίας 

(υψηλή αυτοαπασχόληση, έντονη κλαδική συγκέντρωση σε υπηρεσίες, δυσαναλογίες 

δεξιοτήτων και περιορισμένη αξιοποίηση τεχνολογιών προηγμένης παραγωγής) δημιουργεί 

ένα περιβάλλον όπου ο αντίκτυπος της ΤΝ μπορεί να είναι απότομος και άνισος. Κλάδοι με 

εκτεταμένη χρήση διοικητικών καθηκόντων ρουτίνας είναι πιθανό να βιώσουν μεγαλύτερη 

αναστάτωση. Την ίδια στιγμή, μικρές επιχειρήσεις, επαγγελματίες και αυτοαπασχολούμενοι 

μπορούν να ωφεληθούν σημαντικά από τεχνολογίες που μειώνουν το κόστος πρόσβασης στη 

γνώση, στις υπηρεσίες και στην εξειδίκευση. 

Απέναντι σε αυτές τις εξελίξεις, το Ινστιτούτο Εργασίας της ΓΣΕΕ (ΙΝΕ ΓΣΕΕ) έχει αναπτύξει μια 

συνεκτική ερευνητική στρατηγική για την κατανόηση των τεχνολογικών αλλαγών και των 

επιπτώσεών τους στην εργασία. Η μελέτη με τίτλο Οι επιπτώσεις της ψηφιοποίησης στην 

αγορά εργασίας αποτέλεσε το πρώτο συντονισμένο βήμα αυτής της στρατηγικής. Ανέδειξε ότι 

η ψηφιοποίηση δεν περιορίζεται στην αυτοματοποίηση διαδικασιών, αλλά επηρεάζει τις 

απαιτήσεις δεξιοτήτων, την οργάνωση της εργασίας και τη διάρθρωση των επαγγελμάτων. 

Έδειξε επίσης ότι η Ελλάδα χρειάζεται ένα πλαίσιο πολιτικών που θα υποστηρίζει την 

προσαρμογή των εργαζομένων και των επιχειρήσεων στις τεχνολογικές αλλαγές. 

5

Το παρόν κείμενο έρχεται ως φυσική συνέχεια αυτής της προηγούμενης προσπάθειας. 

Επικεντρώνεται πλέον όχι στην ευρύτερη ψηφιοποίηση, αλλά ειδικά στη νέα γενιά τεχνολογιών 

ΤΝ και στον τρόπο με τον οποίο αυτές επηρεάζουν τα επαγγέλματα στην Ελλάδα. Αξιοποιεί τα 

πλέον σύγχρονα διεθνή εργαλεία μέτρησης (όπως ο δείκτης του ILO και ο δείκτη των Frey & 

Osborne), τα οποία επιτρέπουν ανάλυση σε επίπεδο τετραψήφιων κωδικών ISCO, δηλαδή στο 

μεγαλύτερο δυνατό βάθος που επιτρέπει η διαθέσιμη στατιστική ταξινόμηση. Η ανάλυση αυτή 

καθιστά το παρόν Κείμενο Παρέμβασης –και ολόκληρη τη μελέτη στην οποία στηρίζεται– μια 

σημαντική προσπάθεια συστηματικής αποτύπωσης του βαθμού έκθεσης της ελληνικής 

αγοράς εργασίας στην ΤΝ.

Το ΙΝΕ ΓΣΕΕ, με το κείμενο αυτό αλλά και με τις επόμενες μελέτες του, επιδιώκει να συμβάλει 

ενεργά στη δημόσια συζήτηση, παρέχοντας τεκμηριωμένα δεδομένα και ανάλυση που 

μπορούν να στηρίξουν τόσο τον σχεδιασμό πολιτικών όσο και τις στρατηγικές προσαρμογής 

των εργαζομένων, των επιχειρήσεων και των κοινωνικών εταίρων. Το παρόν Κείμενο Πολιτικής 

αποτελεί ένα ακόμη βήμα προς αυτή την κατεύθυνση. 

23 1 ο ρυθμός τεχνολογικής 

αλλαγής επιταχύνεται 

και απαιτεί έγκαιρο 

σχεδιασμό

η ελληνική οικονομία 

εμφανίζει διαρθρωτικές 

αδυναμίες, οι οποίες 

μπορούν να επιτείνουν 

τις αρνητικές επιπτώσεις 

της αυτοματοποίησης 

αν δεν υπάρξουν πολιτικές 

μετάβασης

η τεχνολογική αλλαγή, 

αν αξιοποιηθεί 

ορθολογικά, μπορεί

 να προσφέρει σημαντικές 

ευκαιρίες αναβάθμισης 

της ποιότητας της 

εργασίας, αύξησης 

της παραγωγικότητας 

και μείωσης των 

κοινωνικών ανισοτήτων

Η συνέχιση αυτής της ερευνητικής 

προσπάθειας είναι κρίσιμη για τρεις λόγους:

6

Κείμενο Παρέμβασης 11 

2.

Γιατί η Τεχνητή Νοημοσύνη

αλλάζει εντελώς τα δεδομένα

Επισημάνσεις και οριοθετήσεις

Κείμενο Παρέμβασης 11 

Αν ανατρέξουμε στη μακρά πορεία της ανθρώπινης ιστορίας, θα δούμε ότι η συνεχής 

τεχνολογική πρόοδος αποτελεί ένα σχετικά πρόσφατο φαινόμενο. Έχουν δοθεί  διάφορες 

ερμηνείες ως προς το γιατί η Βιομηχανική Επανάσταση ξεκίνησε στη Μεγάλη Βρετανία στα 

τέλη του 18ου αιώνα και ποιες πολιτικοοικονομικές συνθήκες διευκόλυναν έναν τέτοιο 

μετασχηματισμό. Τεχνολογίες εξοικονόμησης εργασίας είχαν εμφανιστεί αιώνες νωρίτερα· 

χαρακτηριστικό παράδειγμα η μηχανή πλεξίματος του William Lee, εφεύρεση του 1589, για την 

οποία η βασίλισσα Ελισάβετ Α΄, αρνήθηκε να χορηγήσει άδεια ευρεσιτεχνίας φοβούμενη 

κοινωνικές αναταραχές (Frey, 2019).

Είναι αδιαμφισβήτητο ότι σε βάθος χρόνου τα οφέλη των πρώτων βιομηχανικών 

επαναστάσεων υπήρξαν πολλά και σημαντικά. Ωστόσο, χρειάστηκαν δεκαετίες για να γίνουν 

απτά και οι πρώτες γενιές που βρέθηκαν αντιμέτωπες με κάθε νέα εποχή γνώρισαν σημαντικά 

προβλήματα και επιδείνωση των συνθηκών διαβίωσής τους. Η αντίσταση απέναντι στις νέες 

τεχνολογίες και οι ανησυχίες για μαζική απώλεια θέσεων εργασίας συνοδεύουν κάθε μεγάλο 

κύμα καινοτομίας. Οι φόβοι της μαζικής ανεργίας λόγω τεχνολογικών αλλαγών δεν είναι κάτι 

νέο, και ως εκ τούτου πρέπει να αναλύονται και να τοποθετούνται με νηφαλιότητα στο 

κατάλληλο ιστορικό πλαίσιο.

Η συζήτηση όπως διεξάγεται σήμερα έχει αντίστοιχες πλευρές. Από τη μία πλευρά, υπάρχουν 

όσοι επικαλούνται τις τρεις προηγούμενες μεγάλες βιομηχανικές επαναστάσεις: Kάθε φορά 

προβλήθηκαν φόβοι για μαζική ανεργία που εντέλει διαψεύστηκαν και, ύστερα από καθεμιά, η 

κοινωνία αναδύθηκε πλουσιότερη, με ποιοτικότερες θέσεις εργασίας. Οι υποστηρικτές αυτής 

της άποψης απορρίπτουν τον τεχνολογικό πεσιμισμό ως μια ιστορικά αβάσιμη εικασία. 

Από την άλλη πλευρά, οπτική με την οποία συντάσσονται οι συγγραφείς του παρόντος 

κειμένου, υπάρχουν όσοι υποστηρίζουν ότι πρέπει να είμαστε ιδιαιτέρως προσεκτικοί όταν 

συγκρίνουμε την ΤΝ με οποιαδήποτε προηγούμενη τεχνολογία γενικού σκοπού (general 

pupose technology). Αυτή τη φορά υπάρχει ένας κρίσιμος διαφοροποιητικός παράγοντας: 

Αναδύεται μια μορφή νοημοσύνης που μπορεί όχι μόνο να ανταγωνιστεί, αλλά δυνητικά να 

υπερβεί τις ανθρώπινες ικανότητες συλλογισμού και επίσης να αυτο-βελτιώνεται συνεχώς 

(Bostrom, 2014).

Επομένως, το βασικό ερώτημα που πρέπει να μας απασχολήσει είναι το εξής: Πώς θα μοιάζει ο 

κόσμος τις επόμενες δεκαετίες, όταν το κόστος της σκέψης θα συγκλίνει προς το μηδέν;

Μια παρατήρηση που αξίζει να επισημανθεί είναι ότι, ενώ οι συζητήσεις για το μέλλον της 

εργασίας είναι συχνές στις ΗΠΑ και στο Ηνωμένο Βασίλειο, ελάχιστα πράγματα έχουν ειπωθεί 

στον ελληνικό δημόσιο διάλογο. Αυτό δεν είναι τυχαίο. 

8

Κείμενο Παρέμβασης 11 

Την τελευταία δεκαετία η Ελλάδα αντιμετώπισε υπαρξιακά οικονομικά προβλήματα που 

απαιτούσαν την πλήρη προσοχή του πολιτικού συστήματος και της κοινής γνώμης, με 

αποτέλεσμα το ενδεχόμενο απώλειας θέσεων εργασίας λόγω ΤΝ να φαίνεται ως δευτερεύον 

ζήτημα. Ωστόσο, τώρα που η οικονομία έχει σταθεροποιηθεί, είναι ώρα να ανοίξουμε τη 

συζήτηση πριν να είναι αργά. Στο απόγειο της κρίσης, η ανεργία στην Ελλάδα εκτινάχθηκε στο 

27%, ενώ μόλις πρόσφατα υποχώρησε κάτω από το ψυχολογικό φράγμα του 10%. Η αγορά 

εργασίας εξακολουθεί να επουλώνει τα τραύματά της· η μακροχρόνια ανεργία παραμένει 

υψηλή, η ανεργία των νέων επιμένει, ενώ παράλληλα αναδεικνύονται συνεχώς ζητήματα που 

άπτονται σημαντικών παραμέτρων που συνθέτουν και επηρεάζουν την ποιότητα της εργασίας. 

Ο κατάλληλος σχεδιασμός και η σωστή προετοιμασία όσον αφορά την ΤΝ αποτελούν τις 

σημαντικότερες –ίσως τις τελευταίες– ευκαιρίες προκειμένου η Ελλάδα να καλύψει το χάσμα 

που τη χωρίζει από τον μέσο όρο της ΕΕ σε μια σειρά δείκτες που αφορούν την ποιότητα του 

παραγωγικού συστήματος και την ποιότητα της αγοράς εργασίας. 

Όπως ειπώθηκε και παραπάνω, το παρόν Κείμενο Πολιτικής αποσκοπεί να θέσει τα θεμέλια του 

προβληματισμού για το πώς η ΤΝ μπορεί να αναδιαμορφώσει την αγορά εργασίας, το 

παραγωγικό σύστημα και την οικονομία, και αποτελεί προοίμιο μιας σειράς ερευνών που θα 

ακολουθήσουν και θα εξετάζουν διαφορετικές πτυχές του αντικτύπου της ΤΝ στην Ελλάδα. 

Είναι η πρώτη εργασία που υπολογίζει τον βαθμό έκθεσης της ελληνικής αγοράς εργασίας 

στην ΤΝ και στη ρομποτική.

Οι δυνητικά μετασχηματιστικές επιπτώσεις της ΤΝ για τη χώρα έχουν επισημανθεί σε εθνικές 

εκθέσεις αρμόδιων φορέων (π.χ. Ειδική Γραμματεία Μακροπρόθεσμου Σχεδιασμού). Υπάρχουν 

πολλά εναλλακτικά σενάρια για την Ελλάδα, τα οποία εξαρτώνται: (i) από το κατά πόσο οι 

δυνατότητες των κορυφαίων μοντέλων ΤΝ θα συνεχίσουν να κλιμακώνονται και (ii) από τη 

στρατηγική της χώρας να εστιάσει σε τομείς μεγάλης σημασίας, ώστε να ηγηθεί σε όσα 

έρχονται (Τσέκερης & Καρκαλέξης, 2023)

Πρόσφατη έρευνα σε στελέχη επιχειρήσεων στην Ελλάδα 

(Thanos & Kapoutsis, 2024) έδειξε ότι:

το

55% 

σκοπεύει να 

αυτοματοποιήσει 

καθήκοντα στο 

άμεσο μέλλον.

το

20% 

εξετάζει μειώσεις 

προσωπικού λόγω 

ελλείψεων δεξιοτήτων.

το

30% 

θεωρεί πιθανό ότι 

έως το 2030 τα 

ανθρωποειδή ρομπότ 

θα έχουν υιοθετηθεί 

εμπορικά στην Ελλάδα.

Τα στελέχη των επιχειρήσεων, επομένως, δηλώνουν ότι είναι έτοιμα να αντικαταστήσουν 

εργαζομένους με ΤΝ, όταν τους δοθεί η ευκαιρία.

9

3.

LLMs, Reasoning 

Models και Agents

Κείμενο Παρέμβασης 11 

Η πρώτη γενιά Μεγάλων Γλωσσικών Μοντέλων (LLMs) έγινε εμπορικά διαθέσιμη σε όλο τον 

πλανήτη στα τέλη του 2022. Ένα Μεγάλο Γλωσσικό Μοντέλο είναι, στην ουσία, ένα τεράστιο 

μοντέλο που έχει εκπαιδευτεί πάνω σε αμέτρητα γραπτά κείμενα. Κατά την εκπαίδευσή του, 

αποκρύπτεται διαρκώς το επόμενο μικρό κομμάτι κειμένου (token) από δισεκατομμύρια 

προτάσεις που προέρχονται από βιβλία, άρθρα και ιστοσελίδες, ενώ το δίκτυο προσαρμόζει 

εσωτερικές παραμέτρους, ώστε να ελαχιστοποιεί το σφάλμα στην πρόβλεψη αυτού του 

αποκομμένου τμήματος. Επαναλαμβάνοντας αυτό το καθήκον πολλές φορές, το μοντέλο 

μαθαίνει τη γραμματική, τα υφολογικά νοήματα και τα βασικά σχήματα λογικής, επειδή όλα 

αυτά βελτιώνουν την ακρίβεια της πρόβλεψης της επόμενης λέξης. Το αποτέλεσμα είναι ένα και 

μόνο νευρωνικό δίκτυο, του οποίου η κατ’ αρχήν λειτουργία, η επιλογή της πιο πιθανής 

ακολουθίας tokens, μπορεί πλέον να μεταφράζει, να συνοψίζει, να γράφει κώδικα ή να 

συντάσσει κείμενα, όχι απομνημονεύοντας το εκπαιδευτικό υλικό κατά λέξη, αλλά 

δημιουργώντας νέο κείμενο το οποίο συμβαδίζει με τα στατιστικά πρότυπα της γλώσσας που 

έχει εσωτερικεύσει.

Τα μοντέλα ChatGPT-4 και Claude ανήκουν σε αυτή την κατηγορία των «core LLMs»· είναι 

εντυπωσιακά, αλλά περιορίζονται κυρίως στην ανταπόκριση σ’ ένα ερώτημα. Σήμερα 

μπορούμε να τα κατατάξουμε σε τρία διακριτά επίπεδα λειτουργίας (Korinek, 2025):

1

Βασικά LLMs 

(π.χ. ChatGPT-4, Claude)

Ικανά στην περίληψη 

κειμένου, στο copywriting 

και σε ως επί το πλείστον 

απλά καθήκοντα.

2 3

Μοντέλα Συλλογισμού 

(Reasoning Models), όπως 

τα OpenAI o1 και o3 Εκτελούν 

πολύπλοκες διαδικασίες 

«αλυσίδας σκέψης» 

(chain-of-thought) και 

παράγουν εξαιρετικά υψηλού 

επιπέδου αναλύσεις.

Agents

Συνδυάζουν τα καλύτερα 

χαρακτηριστικά των 

παραπάνω δύο επιπέδων, 

αλλά επιπλέον μπορούν 

να δρουν με αυτόνομες 

ενέργειες κατόπιν αιτήματος 

του χρήστη.

11

Με κάθε νέο μοντέλο οι επιδόσεις τους βελτιώνονται συνεχώς. Τρεις δυνάμεις επιτρέπουν τη 

συνεχή, (σχεδόν) προβλέψιμη, ανάπτυξη των δυνατοτήτων τους:

Το να κατανοήσουμε πώς τα LLMs έφτασαν ως εδώ, και γιατί η πορεία τους εξακολουθεί να 

είναι ανοδική, είναι το πρώτο βήμα για να καταλάβουμε ποια επαγγέλματα, ποιοι κλάδοι ή 

ποιες περιοχές έχουν τις μεγαλύτερες πιθανότητες να αντιμετωπίσουν μεγάλες προκλήσεις 

στο εγγύς μέλλον.

Νόμοι κλιμάκωσης (scaling laws) 

Οι νόμοι κλιμάκωσης είναι εμπειρικές σχέσεις που δείχνουν πως η ακρίβεια ενός 

μοντέλου βελτιώνεται προβλέψιμα, καθώς αυξάνονται το μέγεθος των δεδομένων, ο 

αριθμός παραμέτρων και η υπολογιστική ισχύς. 

Αν διπλασιάσεις τα δεδομένα και την υπολογιστική ισχύ (compute), το σφάλμα 

μειώνεται με σταθερούς ρυθμούς. Συνεπώς, τα μοντέλα γίνονται καλύτερα όσο 

περισσότερο αυξάνονται αυτοί οι πόροι.

Φθηνότερα και εξυπνότερα τσιπ

Εξειδικευμένοι επεξεργαστές προσφέρουν πολλαπλάσια 

υπολογιστική ισχύ με το ίδιο κόστος. 

Για παράδειγμα, η βασική συνδρομή του ChatGPT (λίγο πάνω από 20 ευρώ τον μήνα) 

τον Σεπτέμβριο του 2025 προσφέρει πολύ πιο αποτελεσματικά μοντέλα, που απαιτούν 

μεγαλύτερη υπολογιστική ισχύ από ό,τι προσέφερε η ίδια συνδρομή έναν χρόνο πριν. 

Με τα ίδια χρήματα, έχεις πρόσβαση σε ποιοτικότερα συστήματα τεχνητής 

νοημοσύνης.  

Απεριόριστα δεδομένα 

Ερευνητικά άρθρα, κώδικες, αναρτήσεις σε ιστοσελίδες, αλλά και συνθετικά 

δεδομένα (synthetic data).

2

3

1

12

Κείμενο Παρέμβασης 11 

4.

Τα Οικονομικά της 

Τεχνητής Νοημοσύνης 

Κείμενο Παρέμβασης 11 

Δεν προκαλεί έκπληξη ότι οι οικονομολόγοι διαφωνούν ως προς τις μακροοικονομικές 

συνέπειες της ΤΝ. Δεν συμμερίζονται όλοι την άποψη πως θα οδηγήσει σε σημαντική 

οικονομική μεγέθυνση.

Ο Acemoglu (2024) εκτιμά ότι η ΤΝ θα αυξήσει τη συνολική παραγωγικότητα των συντελεστών 

παραγωγής (TFP) μόλις κατά 0,7% σωρευτικά την επόμενη δεκαετία, κάτι που συνεπάγεται 

άνοδο του ΑΕΠ περίπου 1,5% για την ίδια περίοδο.

Η Goldman Sachs υποστηρίζει ότι η ΤΝ θα μπορούσε τελικά να αυξήσει το παγκόσμιο ΑΕΠ 

κατά περίπου 7% μέσα σε μία δεκαετία (Briggs & Kodnani, 2023). Στην ίδια ανάλυση εκτιμάται ότι 

από 14% έως 35% των θέσεων εργασίας στις ΗΠΑ ενδέχεται να χαθούν από την 

αυτοματοποίηση. Το τελικό ποσοστό εξαρτάται από τις υποθέσεις που γίνονται για τις 

ικανότητες της ΤΝ. Όταν οι υποθέσεις περιλαμβάνουν σχετικά αδύναμες ικανότητες στα 

μοντέλα ΤΝ (χωρίς ρομποτική), καταλήγουμε στο κατώτατο όριο του εύρους. Αντίθετα, όταν 

όταν γίνονται υποθέσεις με ικανά ρομπότ που αξιοποιούν ισχυρά συστήματα ΤΝ, φτάνουμε 

στο ανώτατο όριο των εκτιμήσεων. Οι συγγραφείς καταλήγουν ότι η Παραγωγική ΤΝ «θα 

μπορούσε να υποκαταστήσει έως και το ένα τέταρτο της σημερινής εργασίας» (Briggs & Kod

nani, 2023).

Στο ανώτατο όριο των εκτιμήσεων οικονομικής μεγέθυνσης, η Epoch AI (Erdil et al., 2025) 

υποστηρίζει ότι, μόλις τα συστήματα ΤΝ μπορέσουν να διεκπεραιώνουν περίπου το 30% όλων 

των εργασιακών καθηκόντων (tasks), ο ρυθμός αύξησης του παγκόσμιου ΑΕΠ θα μπορούσε να 

φτάσει ακόμη και στο 20% ετησίως οδηγώντας την ανθρωπότητα σε μια εποχή «εκρηκτικής» 

μεγέθυνσης.

Η πιο μετριοπαθής εκτίμηση του Acemoglu βασίζεται στην υπόθεση ότι μόλις το 5% όλων των 

οικονομικά ουσιωδών καθηκόντων προβλέπεται να αυτοματοποιηθεί πλήρως από την ΤΝ την 

επόμενη δεκαετία. 

14

5.

Επιλογή μοντέλων 

ανάλυσης

Κείμενο Παρέμβασης 11 

Τα τελευταία χρόνια εμφανίστηκαν διάφοροι δείκτες έκθεσης στην ΤΝ που επιχειρούν να 

αποτυπώσουν την πιθανότητα ένα συγκεκριμένο επάγγελμα να αυτοματοποιηθεί. Κάθε 

μοντέλο φέρει τις δικές του a priori υποθέσεις και διαθέτει τα δικά του πλεονεκτήματα και 

μειονεκτήματα.

Επιλέγουμε κάτι σχετικά ασυνήθιστο, αλλά μεθοδολογικά δίκαιο: να διεξαγάγουμε την 

ανάλυσή μας με δύο πολύ διαφορετικούς δείκτες, ώστε να αναδείξουμε τη σημασία των 

εκάστοτε υποθέσεων και να ανοίξουμε τη συζήτηση με τεκμηριωμένο τρόπο.

Πρώτος δείκτης

Ο δείκτης των Gmyrek et al. (2025), που δημοσιεύτηκε από τη Διεθνή Οργάνωση Εργασίας 

(International Labour Organisation – ILO), επελέγη διότι αποτελεί έναν από τους πιο 

πρόσφατους δείκτες. Επίσης, συνδυάζει τις αναλύσεις απλών εργαζομένων, 

εμπειρογνωμόνων σε θέματα εργασίας, καθώς και εργαλείων ΤΝ, αξιοποιώντας τα 

πλεονεκτήματα και των τριών μερών. Αξίζει να σημειωθεί ότι ο δείκτης αυτός αποσκοπεί 

αποκλειστικά στην αποτύπωση της έκθεσης στην Παραγωγική ΤΝ (Generative AI) και, 

συνεπώς, δεν εξετάζει την επίδραση της ρομποτικής στα επαγγέλματα.

Δεύτερος δείκτης

Ο πρωτοποριακός δείκτης των Frey & Osborne (2013), ο οποίος επί της ουσίας άνοιξε τη 

συζήτηση περί μοντελοποίησης της πιθανότητας αυτοματοποίησης των επαγγελμάτων, 

επιχειρεί να αποτυπώσει ποια επαγγέλματα κινδυνεύουν περισσότερο να αντικατασταθούν 

από υπολογιστές τις προσεχείς δεκαετίες, αξιολογώντας τόσο τις επιδράσεις της ΤΝ όσο και 

της ρομποτικής. Ένα από τα βασικά χαρακτηριστικά που τον διαφοροποιεί από τη 

συντριπτική πλειονότητα της βιβλιογραφίας που ακολούθησε είναι ότι συμπεριλαμβάνει ρητά 

τα επαγγέλματα που απειλούνται από τις εξελίξεις στη ρομποτική. Θεωρούμε ότι πρόκειται για 

εξαιρετικά σημαντική διάσταση της τεχνολογικής αλλαγής, η οποία δυστυχώς παραβλέπεται 

συχνά στις συζητήσεις για την ΤΝ. 

Απαραίτητες επισημάνσεις

Οι δείκτες δεν λαμβάνουν υπόψη πιθανούς νέους κλάδους οικονομικής δραστηριότητας και 

εντελώς καινούριες θέσεις εργασίας που ενδέχεται να δημιουργηθούν. Επίσης, δεν 

λαμβάνουν υπόψη το ενδεχόμενο ορισμένα επαγγέλματα που παρουσιάζονται ως 

απειλούμενα να μετασχηματιστούν κατά τέτοιον τρόπο ώστε να είναι συμπληρωματικά της 

ΤΝ. Οι ορισμοί και τα καθήκοντα των επαγγελμάτων αλλάζουν. Η καθημερινότητα ενός 

γιατρού το 1960 και ενός γιατρού το 2025 έχουν σημαντικές διαφορές· το ίδιο συμβαίνει για 

εκατοντάδες ακόμη επαγγέλματα. Ο στόχος της παρούσας εργασίας δεν είναι να προβλέψει 

με ακρίβεια ποια επαγγέλματα θα χαθούν στο μέλλον, αλλά να ανοίξει μια τεκμηριωμένη 

συζήτηση για το ποια από τα υφιστάμενα επαγγέλματα παρουσιάζουν σχετικά υψηλή 

πιθανότητα να αντικατασταθούν και να επηρεαστούν από τις εξελίξεις στην ΤΝ στο εγγύς μέλλον

Η ταξινόμηση

επαγγελμάτων 

ISCO-08

1

ψηφίo Ομάδα 

2

ψηφία Υποομάδα

3

ψηφία

Δευτερεύουσα

Ομάδα

Λεπτομερής

Ομάδα

4

ψηφία

Επαγγελματίες 2

21

22

23

24

25

26

234

2341

2342

Ασκούντες επιστημονικά 

επαγγέλματα και μηχανικοί

Επαγγελματίες του 

τομέα της υγείας

Εκπαιδευτικοί

Επαγγελματίες 

επιχειρήσεων 

και διοίκησης

Επαγγελματίες του τομέα των 

τεχνολογιών πληροφόρησης 

και επικοινωνίας

Επαγγελματίες του νομικού, 

κοινωνικού και πολιτιστικού 

κλάδου

Δάσκαλοι 

πρωτοβάθμιας 

εκπαίδευσης 

και νηπιαγωγοί

Δάσκαλοι 

πρωτοβάθμιας 

εκπαίδευσης

Nηπιαγωγοί

Η ταξινόμηση επαγγελμάτων ISCO-08 είναι ένα ιεραρχικό πλαίσιο που αναπτύχθηκε από τον 

ILO προκειμένου να οργανωθούν οι θέσεις εργασίας σε συστηματικά δομημένες 

υπο-ομάδες. Η ταξινόμηση λειτουργεί σε τέσσερα επίπεδα συγκέντρωσης: Στο ευρύτερο 

επίπεδο υπάρχουν 10 κύριες ομάδες (κωδικοποιημένες με μονοψήφιο αριθμό). Αυτές 

υποδιαιρούνται σε 43 δευτερεύουσες κύριες ομάδες (κωδικοί 2 ψηφίων), που με τη σειρά 

τους αναλύονται περαιτέρω σε 130 δευτερεύουσες ομάδες (κωδικοί 3 ψηφίων), οι οποίες, 

τέλος, διαιρούνται σε 436 λεπτομερείς ομάδες μονάδων (κωδικοί 4 ψηφίων). 

Για παράδειγμα, στον Πίνακα 1 απεικονίζεται ένα υποσύνολο από την Ομάδα 2 

(Επαγγελματίες). Εντός αυτής της κύριας ομάδας βλέπουμε τις δευτερεύουσες κύριες 

ομάδες, για παράδειγμα την 23 (Εκπαιδευτικοί), η οποία οδηγεί στη Δευτερεύουσα Ομάδα 234 

(Δάσκαλοι πρωτοβάθμιας εκπαίδευσης και νηπιαγωγοί), που με τη σειρά περιλαμβάνει δύο 

διακριτά επαγγέλματα: τους δασκάλους πρωτοβάθμιας εκπαίδευσης (2341) και τους 

νηπιαγωγούς (2342).

Πίνακας 1

Παράδειγμα δομής ταξινόμησης επαγγελμάτων ISCO-8

18

Κείμενο Παρέμβασης 11 

7.

Μοντελοποίηση

Παραγωγική ΤΝ και εργασία

A Refined Global Index of 

Occupational Exposure

[Ένας βελτιωμένος παγκόσμιος δείκτης 

επαγγελματικής έκθεσης] (Gmyrek et al., 2025)

Κείμενο Παρέμβασης 11 

Αν και οι τεχνολογικές εξελίξεις στη ρομποτική ενδέχεται να οδηγήσουν σε σημαντική απώλεια 

θέσεων εργασίας, εκτιμάμε ότι η μαζική υιοθέτηση οικονομικών και αποδοτικών ρομπότ για 

χειρωνακτικές εργασίες είναι απίθανο να πραγματοποιηθεί σε μεγάλη κλίμακα στην Ελλάδα 

στα επόμενα πέντε χρόνια. Αντιθέτως, η Παραγωγική ΤΝ έχει ήδη εισαχθεί σε ελληνικές 

επιχειρήσεις· ως εκ τούτου, απαιτείται προσεκτική και λεπτομερής εξέταση του αντικτύπου της.

Όπως έχουμε ήδη αναφέρει, ο δείκτης των Gmyrek et al. (2025) επικεντρώνεται αποκλειστικά 

στην Παραγωγική ΤΝ και παραβλέπει την πιθανή έκθεση που απορρέει από την εισαγωγή 

ρομπότ στον χώρο εργασίας. Δεδομένου ότι τα Μεγάλα Γλωσσικά Μοντέλα αποτελούν ήδη 

μέρος της καθημερινότητας ενός σημαντικού τμήματος του παγκόσμιου εργατικού 

δυναμικού, ο αντίκτυπός τους στον χώρο εργασίας είναι ήδη απτός. Επιπλέον, ο συγκεκριμένος 

δείκτης έκθεσης είναι ένας από τους πιο πρόσφατους, συνεπώς ενσωματώνει τις τελευταίες 

εξελίξεις στις δυνατότητες της Παραγωγικής ΤΝ.

Μεθοδολογία

Οι Gmyrek et al. (2025) εφαρμόζουν μια πολυεπίπεδη προσέγγιση, η οποία διαφοροποιείται 

σημαντικά από τους προγενέστερους δείκτες αυτοματοποίησης. Καθώς αξιοποιούν το 

εξαιρετικά πλήρες πολωνικό σύστημα επαγγελματικής ταξινόμησης 6 ψηφίων, το οποίο 

περιλαμβάνει 29.753 διακριτά επαγγελματικά καθήκοντα (tasks), η μεθοδολογία τους 

επιτυγχάνει βαθμό λεπτομέρειας που υπερβαίνει αυτόν της ταξινόμησης ISCO-08. 

Χρησιμοποιούν επίσης απαντήσεις σε ερωτηματολόγιο από 1.640 εργαζομένους από όλες τις 9 

μείζονες επαγγελματικές κατηγορίες (ISCO), αποδίδοντας πάνω από 52.000 επιμέρους 

αξιολογήσεις. Οι αρχικές αυτές εκτιμήσεις υφίστανται στη συνέχεια προσαρμογή από διεθνείς 

εμπειρογνώμονες και περαιτέρω προσαρμογή, όπου υπάρχουν αποκλίσεις, με τη χρήση 

προηγμένων Μεγάλων Γλωσσικών Μοντέλων (GPT-4, GPT-4o, Gemini Flash 1.5).

Το ερώτημα που εξετάστηκε ήταν εάν επιμέρους καθήκοντα εργασίας δύνανται ή όχι να 

αυτοματοποιηθούν με τεχνολογία ΤΝ (δηλαδή αν μπορούν να «εκτελεστούν χωρίς τη 

συμμετοχή ανθρώπινου χειριστή»).

Δεδομένου ότι τα παγκόσμια στατιστικά εργασίας οργανώνονται βάσει του διεθνούς 

συστήματος ISCO-08, οι πολωνικές βαθμολογίες μετατράπηκαν ξανά σε κωδικούς ISCO και 

ομαδοποιήθηκαν σε τέσσερις βαθμούς έκθεσης (Βαθμός Έκθεσης 4 = υψηλότερη δυνατή 

έκθεση). Τα επαγγέλματα που δεν εντάσσονταν σε κάποιον από τους τέσσερις αυτούς βαθμούς 

θεωρήθηκαν ότι είχαν ελάχιστη ή μηδενική έκθεση στην ΤΝ.

Πρέπει να σημειωθεί ότι, όταν υπολογίζεται ο μέσος όρος των βαθμών έκθεσης σε επίπεδο 

καθηκόντων μέσα σε ένα επάγγελμα, στο τέλος προκύπτει ένας μοναδικός αριθμός. Ένας 

μέσος όρος 0,70 σημαίνει ότι το 70% των αρμοδιοτήτων που εκτελεί, για παράδειγμα, ένας 

τεχνικός ακτινολογίας ή ένας υπάλληλος υποδοχής σε ξενοδοχείο, θα μπορούσε θεωρητικά να 

εκτελεστεί από ΤΝ. 

20

Κείμενο Παρέμβασης 11 

Κατά την κατηγοριοποίηση των επαγγελμάτων στις 6 ομάδες, συνεκτιμήθηκε και η τυπική

απόκλιση στις βαθμολογίες των διεργασιών (tasks) που εκτελούνται σε ένα επάγγελμα. Στον 

Βαθμό Έκθεσης 4, για παράδειγμα, βρίσκουμε τα επαγγέλματα με τον μεγαλύτερο μέσο όρο 

έκθεσης στις δραστηριότητες που επιτελούν, τα οποία επίσης έχουν πολύ μικρή τυπική 

απόκλιση μεταξύ των βαθμολογιών για κάθε δραστηριότητά τους. Η υψηλή έκθεση στην ΤΝ 

αφορά το σύνολο των δραστηριοτήτων τους, όχι απλώς ένα κομμάτι του εκάστοτε 

επαγγέλματος. 

Πίνακας 2

Κατανομή εργαζομένων ανά επίπεδο έκθεσης

Μηδενική Έκθεση

1.877.744

Βαθμός Έκθεσης 2 

272.176

Βαθμός Έκθεσης 4 

226.305

Βαθμός Έκθεσης 1 

432.305

Βαθμός Έκθεσης 3 

337.234

Ελάχιστη Έκθεση

634.718

Πηγή δεδομένων: ΕΛΣΤΑΤ (επεξεργασία των συγγραφέων)

21

Ο πλήρης κατάλογος όλων των επαγγελμάτων και του εκτιμώμενου επιπέδου έκθεσής τους 

βρίσκεται στο Τεχνικό Παράρτημα (Μέρος Γ). Στον Πίνακα 3 παραθέτουμε ένα μικρό υποσύνολο 

ενδεικτικών επαγγελμάτων.

Πηγή δεδομένων: ΕΛΣΤΑΤ (επεξεργασία των συγγραφέων)

Πίνακας 3

Επιλεγμένοι κωδικοί επαγγελμάτων ISCO ανά βαθμό έκθεσης

Βαθμός 

Έκθεσης

4-ψήφιος 

Κωδικός

Τίτλος

Επαγγέλματος

Μέσος

Όρος Έκθεσης

Εργασιών  

 Τυπική

Απόκλιση

της  Έκθεσης 

Εργασιών

Βαθμός 

Έκθεσης 4

Βαθμός 

Έκθεσης 4

Βαθμός 

Έκθεσης 3

Βαθμός 

Έκθεσης 3

Βαθμός 

Έκθεσης 2

Βαθμός 

Έκθεσης 2

Βαθμός 

Έκθεσης 1

Βαθμός 

Έκθεσης 1

Ελάχιστη 

Έκθεση

Ελάχιστη 

Έκθεση

Μηδενική 

Έκθεση

4419

2413

2643

3343

2166

5242

2634

5223

2265

1120

2221

0.63

0.62

0.59

0.54

0.49

0.42

0.39

0.38

0.41

0.38

0.25

0.03

0.06

0.11

0.14

0.09

0.11

0.14

0.16

0.07

0.06

0.13

Υπάλληλοι γραφείου π.δ.κ.α.

Οικονομικοί αναλυτές

Μεταφραστές, διερμηνείς 

και άλλοι γλωσσολόγοι

Γραμματείς ανώτερων διοικητικών 

& διευθυντικών στελεχών

Γραφίστες και 

σχεδιαστές πολυμέσων

Υπάλληλοι επίδειξης προϊόντων 

Ψυχολόγοι

Βοηθοί πωλήσεων σε καταστήματα

Διαιτολόγοι και διατροφολόγοι

Διευθύνοντες σύμβουλοι

και γενικοί διευθυντές

Νοσηλευτές

22

Κείμενο Παρέμβασης 11 

Κείμενο Παρέμβασης 11 

Η τυπική απόκλιση δείχνει πόσο άνισο ή ομοιόμορφο είναι αυτό το αποτέλεσμα. Δύο 

επαγγέλματα μπορεί να μοιράζονται τον ίδιο μέσο όρο, αλλά στην πράξη να διαφέρουν σημαντικά.

Το 33% της απασχόλησης εμπίπτει στη χαμηλή κατηγορία κινδύνου, αποτελούμενο από 

επαγγέλματα που απαιτούν δημιουργικότητα και κοινωνική νοημοσύνη, όπως οι 

εκπαιδευτικοί.

32

Κείμενο Παρέμβασης 11 

Πρέπει να τονιστεί ότι οι εκτιμήσεις αυτές αντικατοπτρίζουν τον βαθμό στον οποίο είναι 

τεχνολογικά εφικτό ένα επάγγελμα να υποκατασταθεί από μηχανές. Ακόμη κι αν μια εργασία 

μπορεί να ανατεθεί επιτυχώς σε αλγορίθμους, υπάρχει πλήθος παραγόντων οι οποίοι θα 

καθορίσουν το αν η κοινωνία θα επιλέξει τελικά να αντικαταστήσει τους ανθρώπους σε αυτές 

τις λειτουργίες. 

Ένας σημαντικός παράγοντας είναι η κρισιμότητα των πιθανών σφαλμάτων (Pizzinelli et al., 

2023)· όσο μεγαλύτερη η δυνητική ζημία από ένα μεμονωμένο λάθος, τόσο μικρότερη η 

πιθανότητα ανάθεσης της εργασίας σε μηχανές. Τα πιθανά κόστη από λάθος σε ένα 

τηλεφωνικό κέντρο είναι αμελητέα· δεν ισχύει το ίδιο για τα λάθη ενός γιατρού ή ενός πιλότου.

Αποτελέσματα

Η ανάλυσή μας αποκαλύπτει μια πιο λεπτομερή, αλλά εξίσου ανησυχητική, εικόνα της έκθεσης 

της ελληνικής αγοράς εργασίας στη μηχανοποίηση (computerization) κατά τις επόμενες 

δεκαετίες.

Πάνω από το 40% της συνολικής απασχόλησης συγκεντρώνεται σε επαγγέλματα που 

αντιμετωπίζουν υψηλό κίνδυνο αυτοματοποίησης, ενώ μόλις το 28% κατατάσσεται σε 

επαγγέλματα χαμηλού κινδύνου και περίπου το 32% βρίσκεται στη μεσαία κατηγορία κινδύνου.

Διάγραμμα 6

Τα 50 επαγγέλματα με τον μεγαλύτερο αριθμό εργαζομένων

Χαμηλός Κίνδυνος  |  28%

250

Αριθμός εργαζομένων

(σε χιλιάδες)

Κατηγορία Κινδύνου

Χαμηλός Κίνδυνος

Μεσαίος Κίνδυνος

Υψηλός Κίνδυνος

25

50

100

200

150

100

50

Μεσαίος Κίνδυνος  |  32%

Υψηλός Κίνδυνος  |  40%

0

0%

20%

40%

60%

Πιθανότητα αυτοματοποίησης

Πηγή δεδομένων: ΕΛΣΤΑΤ (επεξεργασία των συγγραφέων)

Σημείωση: Κάθε κύκλος αντιστοιχεί σε ένα επάγγελμα.

80%

100%

33

Κείμενο Παρέμβασης 11 

Τα αποτελέσματα αυτά αντανακλούν την ιδιαίτερη κλαδική διάρθρωση της ελληνικής 

οικονομίας, όπου οι υπηρεσίες αντιπροσωπεύουν σημαντικό μερίδιο της απασχόλησης, ενώ η 

μεταποίηση και η βιομηχανία είναι σχετικά λιγότερο σημαντικοί κλάδοι για το ΑΕΠ σε σχέση με 

άλλες προηγμένες οικονομίες.

Το ποσοστό των θέσεων εργασίας με υψηλή έκθεση στην Ελλάδα είναι μικρότερο από το 

αντίστοιχο των ΗΠΑ (47%), αλλά υψηλότερο από της Φινλανδίας, όπου αντιστοιχεί στο 36% (Pa

jarinen & Rouvinen, 2014) και του Ηνωμένου Βασιλείου, όπου αντιστοιχεί στο 35% της συνολικής 

απασχόλησης (Deloitte, 2014).

Από τα δεδομένα προκύπτει ότι η απασχόληση σε επαγγέλματα γραφείου, καθώς και στον 

τομέα των πωλήσεων και των υπηρεσιών, διατρέχει σημαντικό κίνδυνο αυτοματοποίησης. 

Πρέπει επίσης να σημειωθεί ότι σημαντικό ποσοστό εργαζομένων σε χειρωνακτικές εργασίες 

στην παραγωγή και στη μεταποίηση αντιμετωπίζει ιδιαίτερα υψηλό κίνδυνο.

 Όπως επισημαίνουν οι Frey & Osborne:

Η αυτοματοποίηση των επαγγελμάτων στις γραμμές παραγωγής απλώς υποδηλώνει τη συνέχεια 

μιας τάσης που παρατηρείται τις τελευταίες δεκαετίες, με τα βιομηχανικά ρομπότ να 

αναλαμβάνουν όλο και περισσότερα από τα επαναλαμβανόμενα καθήκοντα των εργαζομένων 

στη βιομηχανική παραγωγή. Καθώς τα βιομηχανικά ρομπότ γίνονται πιο προηγμένα, με 

βελτιωμένους αισθητήρες και κινητική επιδεξιότητα, θα μπορούν να εκτελούν ένα ευρύτερο 

φάσμα μη επαναλαμβανόμενων χειρωνακτικών εργασιών […] οι εναπομείνασες θέσεις εργασίας 

σε επαγγέλματα παραγωγής είναι πιθανό να μειωθούν τις επόμενες δεκαετίες (Frey & Osborne, 

2013).

Διάγραμμα 7

Ποσοστό εργαζομένων ανά κατηγορία έκθεσης

100%

75%

Ποσοστό

50%

Κατηγορία Κινδύνου

Χαμηλός Κίνδυνος

Μεσαίος Κίνδυνος

Υψηλός Κίνδυνος

25%

0%

1

2

3

4

5

6

Μείζων ομάδα ISCO (1-ψήφιο)

Πηγή δεδομένων: ΕΛΣΤΑΤ (επεξεργασία των συγγραφέων)

7

8

9

34

Κωδικός

 ISCO

Κατηγορία Επαγγέλματος

Ανώτερα διευθυντικά και διοικητικά στελέχη

Επαγγελματίες

Τεχνικοί και ασκούντες συναφή επαγγέλματα

Υπάλληλοι γραφείου

Απασχολούμενοι στην παροχή υπηρεσιών και πωλητές

Ειδικευμένοι γεωργοί, κτηνοτρόφοι, δασοκόμοι και αλιείς

Ειδικευμένοι τεχνίτες και ασκούντες συναφή επαγγέλματα

Χειριστές βιομηχανικών εγκαταστάσεων,

μηχανημάτων και εξοπλισμού και συναρμολογητές

Ανειδίκευτοι εργάτες, χειρώνακτες και μικροεπαγγελματίες

Πίνακας 6

Κατηγορίες επαγγελμάτων σε μονοψήφιο κωδικό ISCO

Την ίδια στιγμή, η απασχόληση σε ανώτερες διοικητικές και διευθυντικές θέσεις είναι σχετικά 

ασφαλής στο εγγύς μέλλον. Το ίδιο ισχύει και για την Ομάδα 2 του ISCO (Επαγγελματίες), η 

οποία περιλαμβάνει εργασίες που απαιτούν υψηλή εξειδίκευση και εμπειρία και 

προϋποθέτουν συνήθως επιστημονική, δημιουργική ή άλλη σύνθετη επίλυση προβλημάτων.

1

2

3

4

5

6

7

8

9

35

Κείμενο Παρέμβασης 11 

Κείμενο Παρέμβασης 11 

Ο πλήρης πίνακας με τα περίπου 400 εξεταζόμενα ελληνικά επαγγέλματα και την εκτιμώμενη 

πιθανότητα μηχανοποίησής τους παρατίθεται στο Τεχνικό Παράρτημα (Μέρος Γ). Στον Πίνακα 

7 παρουσιάζουμε ενδεικτικά ορισμένα επιλεγμένα παραδείγματα.

Πίνακας 7

Κατάταξη επαγγελμάτων κατά πιθανότητα αυτοματοποίησης 

(από υψηλότερη προς χαμηλότερη)

Πιθανότητα

Αυτοματοποίησης

99%

98%

4-ψήφιος

κωδικός

5244

3313

Τίτλος Επαγγέλματος

Πωλητές μέσω κέντρων επικοινωνίας (τηλεμάρκετιγκ)

Βοηθοί λογιστών

97%

95.7%

4110

2411

Υπάλληλοι γενικών καθηκόντων

Λογιστές

77.5%

75%

7212

7123

Συγκολλητές και φλογοκόπτες μετάλλων

Γυψοτεχνίτες, σοβατζήδες

51%

37.6%

5242

5111

Υπάλληλοι επίδειξης προϊόντων

Ταξιδιωτικοί συνοδοί και φροντιστές

37.4%

37%

3422

2655

Προπονητές, εκπαιδευτές και διαιτητές

Ηθοποιοί

7%

6.9%

3154

1211

Ελεγκτές εναέριας κυκλοφορίας

Οικονομικοί διευθυντές

5.8%

3.5%

3221

2611

Βοηθοί επαγγελματιών νοσηλευτικής

Δικηγόροι

36

Κείμενο Παρέμβασης 11 

Πίνακας 8

Κατανομή επαγγελμάτων ανά δεκατημόριο ρίσκου αυτοματοποίησης

Κατηγορία 

Επαγγέλματος 

600.000

400.000

200.000

680.752 227.112

95.877

145.015

332.113

452.051 238.848 246.692 482.842 721.715

0-10%

10-20% 20-30% 30-40% 40-50% 50-60% 60-70% 70-80% 80-90% 90-100%

Εύρος πιθανότητας αυτοματοποίησης

Πηγή δεδομένων: ΕΛΣΤΑΤ (επεξεργασία των συγγραφέων)

Η επιδραστική μελέτη των Frey & Osborne δημοσιεύτηκε το 2013, μία δεκαετία περίπου πριν από 

την εμφάνιση του ChatGPT. Αναθεωρώντας τις εκτιμήσεις τους υπό το φως των εξελίξεων 

στην Παραγωγική ΤΝ και των νέων μοντέλων που εμφανίζονται στην αγορά, οι Frey & Osborne 

(2023) καταλήγουν στο συμπέρασμα ότι τα τρία τεχνικά εμπόδια στα οποία επικεντρώθηκαν το 

2013 εξακολουθούν να είναι εξίσου σημαντικά. Ωστόσο, στο πεδίο των εργασιών που απαιτούν 

συναισθηματική και κοινωνική κατανόηση, επισημαίνουν ότι τα Μεγάλα Γλωσσικά Μοντέλα 

«μπορούν να κάνουν πολλά πράγματα που παλαιότερα απαιτούσαν κοινωνική νοημοσύνη».  

Κατά την άποψη των συγγραφέων του παρόντος κειμένου, αυτό μπορεί να ερμηνευτεί ως 

μείωση της σημασίας της κοινωνικής νοημοσύνης ως τεχνολογικού εμποδίου για την 

αυτοματοποίηση επαγγελμάτων. Συνεπώς, οι εκτιμήσεις και τα ποσοστά που αναφέρονται 

παραπάνω θα πρέπει μάλλον να εκληφθούν ως κατώτατες εκτιμήσεις, που πιθανόν να 

υποεκτιμούν την πραγματική δυνατότητα της ΤΝ να αντεπεξέλθει σε εργασίες που 

περιλαμβάνουν συναισθηματική και κοινωνική κατανόηση.

37

9.

Συμπεράσματα

Κείμενο Παρέμβασης 11 

Η εργασία μας σκιαγραφεί ένα δαιδαλώδες τοπίο για το μέλλον της εργασίας. Με βάση τον 

δείκτη για την ΤΝ του ILO, υπολογίζουμε ότι περίπου ένα πέμπτο των θέσεων εργασίας ήδη 

τοποθετείται στη ζώνη μέτριας έως υψηλής έκθεσης, ενώ σύμφωνα με τη μεθοδολογία των 

Frey & Osborne πάνω από το 40% της απασχόλησης συγκεντρώνεται σε επαγγέλματα που 

διατρέχουν υψηλό κίνδυνο αυτοματοποίησης μέσα στις επόμενες δεκαετίες, όταν και εφόσον 

οι εξελίξεις στη ρομποτική θα επιτρέψουν μαζική χρήση ρομπότ με οικονομικά συμφέροντες 

όρους.

Η αυτοματοποίηση θα έχει διαφορετικό αντίκτυπο εδώ απ’ ό,τι σε άλλες χώρες της ΕΕ. Η 

Ελλάδα συνδυάζει γηράσκον εργατικό δυναμικό, εξαιρετικά υψηλό ποσοστό 

αυτοαπασχόλησης, έντονες περιφερειακές ανισότητες στις ψηφιακές δεξιότητες και 

σημαντική εξάρτηση από τον τουρισμό, τη ναυτιλία και την αγορά ακινήτων. 

Η απώλεια ακόμη και μίας μόνο θέσης υψηλής τεχνολογίας μπορεί να έχει πολλαπλασιαστικό 

αντίκτυπο. Όπως δείχνει ο Moretti (2012), για κάθε καλά αμειβόμενη θέση εργασίας που 

χάνεται στον τομέα της καινοτομίας, οι τοπικές κοινότητες βρίσκονται αντιμέτωπες με 

απώλεια ακόμη πέντε θέσεων εργασίας σε βάθος χρόνου – αυτό είναι η λογική του τοπικού 

πολλαπλασιαστή (local multiplier). Όμως, ακόμη και για τις θέσεις εργασίας στη βιομηχανία, 

ο πολλαπλασιαστής είναι 1,6. Αυτό σημαίνει ότι ακόμη και στο πιο ευνοϊκό σενάριο, όπου μόνο 

το ένα πέμπτο των επαγγελμάτων απειλούνται σημαντικά από την ΤΝ, κάθε απώλεια μπορεί να 

δράσει πολλαπλασιαστικά σε πλήθος άλλων εργαζομένων, οι οποίοι βασίζονται στην 

κατανάλωση των προηγούμενων. Έτσι, ένα κύμα μερικής ανεργίας λόγω AI στην Αθήνα θα 

μπορούσε να εξελιχθεί σε ντόμινο κλεισίματος σε καφέ, μικρά εστιατόρια αλλά και 

καταστήματα της πόλης.

Ένας άλλος κρίσιμος παράγοντας με ιδιαίτερη οικονομική σημασία είναι η ταχύτητα με την 

οποία θα εξελιχθούν τα πράγματα. Ας υποθέσουμε ότι η ΤΝ και η ρομποτική μπορούν να 

υποκαταστήσουν πλήρως το 10% του εργατικού δυναμικού. Το χρονοδιάγραμμα έχει πολύ 

μεγάλη σημασία. Το αν αυτό θα συμβεί σε διάστημα 2 ή 10 ετών είναι κρίσιμο. Εάν υποθέσουμε, 

για παράδειγμα, ότι η απώλεια θέσεων εργασίας θα πραγματοποιηθεί με γραμμικό τρόπο, η 

απώλεια του 10% σε 2 χρόνια σημαίνει ότι για το διάστημα αυτό θα χάνεται ετησίως περίπου 

το 5% των θέσεων εργασίας. Από την άλλη, η απώλεια του 10% σε 10 χρόνια σημαίνει ότι για το 

αντίστοιχο διάστημα θα χάνεται ετησίως το 1%, γεγονός που καθιστά πολύ πιο εύκολη την 

επανακατάρτιση και την αντιστάθμιση της απώλειας θέσεων εργασίας. Το κείμενό μας δεν 

υιοθετεί κάποια υπόθεση ως προς αυτή την κατεύθυνση. 

Ενώ οι εκτιμήσεις που παρουσιάστηκαν απαιτούν σοβαρή προσοχή από πλευράς πολιτικής, 

είναι κρίσιμο να τις τοποθετήσουμε στο ευρύτερο ιστορικό πλαίσιο του μετασχηματισμού της 

αγοράς εργασίας.

39

Κείμενο Παρέμβασης 11 

Οι Autor et al. (2022) επισημαίνουν ότι περίπου το 60% της απασχόλησης το 2018 στις ΗΠΑ 

αφορούσε επαγγέλματα που δεν υπήρχαν το 1940, αποδεικνύοντας την αξιοσημείωτη 

ικανότητα της οικονομίας να δημιουργεί νέες μορφές εργασίας. Αυτό το ιστορικό 

προηγούμενο δεν εγγυάται ότι η μελλοντική προσαρμογή θα είναι εξίσου ομαλή, ιδιαίτερα 

δεδομένης της δυνατότητας της ΤΝ να επηρεάσει τη διανοητική εργασία σε πρωτοφανή 

κλίμακα. Υποδηλώνει όμως ότι δεν πρέπει να εστιάζουμε αποκλειστικά στο ενδεχόμενο 

καταστροφής θέσεων εργασίας, αγνοώντας τους μηχανισμούς δημιουργίας νέων θέσεων. Το 

κρίσιμο ερώτημα για την Ελλάδα δεν είναι αν η τεχνολογική αλλαγή θα εξαλείψει θέσεις 

εργασίας, κάτι που αναμφίβολα θα γίνει, αλλά αν οι θεσμοί της χώρας, το εκπαιδευτικό και το 

πολιτικό σύστημα μπορούν να διευκολύνουν τη δημιουργία νέων επαγγελμάτων και να 

επιτρέψουν στους εργαζομένους να μεταπηδήσουν σχετικά ανώδυνα σε αυτά.

Η ΤΝ προσφέρει μια σημαντική ευκαιρία για τους αυτοαπασχολούμενους να γεφυρώσουν το 

χάσμα παραγωγικότητας. Εργαλεία Gen AI μπορούν να αυτοματοποιήσουν διοικητικές 

εργασίες, να βελτιώσουν την εξυπηρέτηση πελατών, να επιταχύνουν τη δημιουργία 

περιεχομένου και να παρέχουν πρόσβαση σε εξειδικευμένες γνώσεις με χαμηλό κόστος, 

δυνατότητες που ιστορικά ήταν διαθέσιμες κυρίως σε μεγαλύτερες επιχειρήσεις. Για 

μικρομεσαίους επιχειρηματίες και ελεύθερους επαγγελματίες, αυτή η τεχνολογία λειτουργεί 

περισσότερο ως επαυξητικό εργαλείο παρά ως υποκατάστατο. Ωστόσο, αυτό απαιτεί 

στοχευμένες πολιτικές ψηφιακής κατάρτισης και εξοικείωση με τεχνολογίες ΤΝ, ιδιαίτερα για 

αυτοαπασχολούμενους σε αγροτικές περιοχές και μεγαλύτερες ηλικιακές ομάδες που 

ενδέχεται να αντιμετωπίσουν υψηλότερα εμπόδια ως προς την εξοικείωση.

Η επόμενη κίνηση πρέπει να γίνει από την πολιτεία. Η δημιουργία Ομάδας Εργασίας 

αποκλειστικά για την ΤΝ, το παραγωγικό σύστημα και την εργασία, με τη συμμετοχή 

οικονομολόγων του δημόσιου και του ιδιωτικού τομέα, της Τράπεζας της Ελλάδας, των 

συνδικάτων και κορυφαίων πανεπιστημιακών, μπορεί να αποτελέσει βάση έναρξης 

ουσιαστικού διαλόγου, με στόχο την κατάρτιση εθνικού σχεδίου δράσης με συγκεκριμένο 

χρονοδιάγραμμα. Η έγκαιρη δράση μπορεί να επιτρέψει στην Ελλάδα να μετατρέψει τον 

σημερινό κίνδυνο σε συγκριτικό πλεονέκτημα. Αρκεί να μη βρεθεί για ακόμη μια φορά πίσω 

από τις εξελίξεις. 

40

10.

Βιβλιογραφία

Κείμενο Παρέμβασης 11 

Acemoglu, D. (2024). The simple macroeconomics of AI. NBER Working Paper No. 32487. Nation

al Bureau of Economic Research. https://doi.org/10.3386/w32487

Autor, D., Chin, C., Salomons, A. M. & Seegmiller, B. (2022). New frontiers: The origins and con

tent of new work, 1940-2018. NBER Working Paper No. 30389). National Bureau of Economic 

Research. https://doi.org/10.3386/w30389

Bostrom, N. (2014). Superintelligence: Paths, dangers, strategies. Oxford University Press.

Bowles, J. (2014). The computerisation of European jobs. Bruegel Policy Brief 2014/07. Bruegel. 

https://www.bruegel.org/blog-post/chart-week-54-eu-jobs-risk-computerisation

Briggs, J. & Kodnani, D. (2023). The potentially large e•ects of A•ificial Intelligence on Eco

nomic Growth. Goldman Sachs Economics Research.

Deloitte (2014). London futures – Agiletown: The relentless march of technology and London's 

response. Deloitte LLP. https://www.robots.ox.ac.uk/~mosb/public/pdf/1892/uk-lon

don-futures-agiletown-nov-14.pdf

Demombynes, G., Langbein, J. & Weber, M. (2025). The Exposure of Workers to Artificial Intelli

gence in Low- and Middle-Income Countries. Policy Research Working Paper No. 11057. World 

Bank. https://documents1.worldbank.org/curat

ed/en/099629202052521198/pdf/IDU137d75e6614ee0145c919c7f1dc4831e7fa02.pdf 

Erdil, E., Potlogea, A., Besiroglu, T., Roldan, E., Ho, A., Sevilla, J., Barnett, M., Vrzala, M., & Sandler, 

R. (2025). GATE: An integrated assessment model for AI automation. arXiv. https://

doi.org/10.48550/arXiv.2503.04941 

Frey, C. B. (2019). The technology trap: Capital, labor, and power in the age of automation. 

Princeton University Press.

Frey, C. B. & Osborne, M. A. (2013). The future of employment: How susceptible are jobs to 

computerisation? Oxford Martin School, University of Oxford.

Frey, C. B. & Osborne, M. A. (2017). The future of employment: How susceptible are jobs to 

computerisation? Technological Forecasting and Social Change, 114, 254-280. https://

doi.org/10.1016/j.techfore.2016.08.019

42

Frey, C. B., & Osborne, M. A. (2023). Generative AI and the future of work: A reappraisal. Work

ing Paper No 2023. University of Oxford. https://oms-www.files.svdcdn.com/produc

tion/downloads/a

cademic/2023-FoW-Working-Paper-Generative-AI-and-the-Future-of-Work-A-Reappraisal-c

ombined.pdf

Gmyrek, P., Berg, J. & Bescond, D. (2025). Generative AI and jobs: A refined global index of 

occupational exposure. ILO Working Paper No. 140. International Labour Organization.

Korinek, A. (2025). Generative AI for economic research: Use cases and implications for econ

omists. Journal of Economic Literature 61(4), 1281-1317.

Moravec, H. (1988). Mind children: The future of robot and human intelligence. Harvard Uni

versity Press.

Moretti, E. (2012). The new geography of jobs. Houghton Mi™lin Harcourt.

Pajarinen, M. & Rouvinen, P. (2014). Computerisation threatens one-third of Finnish employ

ment. ETLA Brief No. 22. Research Institute of the Finnish Economy (ETLA). https://pub.et

la.fi/ETLA-Muistio-Brief-22.pdf

Pissarides, C., Meghir, C., Vayanos, D. & Vettas, N. (2023). A Growth Strategy for the Greek 

Economy, CEPR Press, Paris & London. https://cepr.org/publications/books-and-re

ports/growth-strategy-greek-economy

Pizzinelli, C., Panton, A. J., Tavares, M. M., Cazzaniga, M. & Li, L. (2023). Labor market exposure 

to AI: Cross-country di™erences and distributional implications. IMF Working Papers 23/216. 

https://doi.org/10.5089/9798400254802.001

Indap, S. (2025, July 29). AI-native investment bank O™Deal closes $12m funding round. Finan

cial Times. https://www.œ.com/content/9daf5c7e-e301-4b7d-809a-™9fb336bdbc 

Thanos, I. & Kapoutsis, I. (2024). Future of Jobs, 2024 Greece. Athens: Special Secretariat of 

Foresight, Hellenic Republic.

Τσέκερης, Χ. & Καρκαλέτσης, Β. κ.ά. (2023). Generative AI Greece 2030: Τα ενδεχόμενα μέλλοντα 

της Παραγωγικής Τεχνητής Νοημοσύνης στην Ελλάδα [Generative AI Greece 2030: The possi

ble futures of generative AI for Greece]. Ειδική Γραμματεία Μακροπρόθεσμου Σχεδιασμού.

43

Κείμενο Παρέμβασης 11 

11.

Τεχνικό Παράρτημα

Κείμενο Παρέμβασης 11 

Μέρος Α 

Οι υπολειμματικές κατηγορίες απασχόλησης (π.χ. ISCO 3429999) περιλαμβάνουν επαγγέλματα 

που δεν μπορούν να ενταχθούν σε καμία από τις πιο συγκεκριμένες τετραψήφιες 

υποκατηγορίες. Συνήθως περιλαμβάνουν εξαιρετικά ετερογενείς εργασίες και ρόλους. Ως εκ 

τούτου, και δεδομένου ότι δεν τους αποδόθηκαν βαθμολογίες από τους Gmyrek et al., στην 

ανάλυσή μας δεν συμπεριλάβαμε όλες τις υπολειμματικές κατηγορίες απασχόλησης. 

Επιπροσθέτως, έξι κωδικοί ISCO 4 ψηφίων που απασχολούσαν συνολικά 4.346 άτομα στην 

ελληνική αγορά εργασίας δεν έλαβαν βαθμολογίες από τους συγγραφείς του ILO, επομένως 

εξαιρέθηκαν επίσης από την ανάλυση. Συνεπώς, η ανάλυσή μας όσον αφορά τον δείκτη των 

Gmyrek et al., καλύπτει περίπου το 94,7% της συνολικής απασχόλησης. Τα τελικά αποτελέσματα 

έκθεσης στην ΤΝ και τα ποσοστά υπολογίζονται με βάση τα επαγγέλματα που 

συμπεριλήφθηκαν στην ανάλυση. Για παράδειγμα, όταν αναφέρουμε ότι το 22% της συνολικής 

απασχόλησης ανήκει στην κατηγορία υψηλής/μεσαίας έκθεσης, αυτό αντιστοιχεί στο 22% του 

94,7% των θέσεων εργασίας που συμπεριλήφθηκαν στην ανάλυση.

Μέρος Β 

Οι Frey & Osborne εκτίμησαν την πιθανότητα μηχανοποίησης (computerization) 702 

επαγγελμάτων στις ΗΠΑ, δίχως να συμπεριλάβουν επαγγέλματα για τα οποία δεν διέθεταν 

κρίσιμα δεδομένα σχετικά με τις εργασίες τους. Η ανάλυσή τους εξαίρεσε το 3% της συνολικής 

απασχόλησης στις ΗΠΑ.

Όπως και άλλοι συγγραφείς που χρησιμοποίησαν το πλαίσιο των Frey & Osborne στο 

ευρωπαϊκό πλαίσιο (Pajarinen & Rouvinen, 2014), χρησιμοποιούμε την επίσημη αντιστοίχιση 

επαγγελμάτων (cross-walk) SOC προς ISCO-08 του Bureau of Labor Statistics· όταν 

περισσότεροι από ένας κωδικοί SOC έξι ψηφίων αντιστοιχούν σε έναν μόνο κωδικό ISCO 4 

ψηφίων, υπολογίζουμε τον απλό μέσο όρο των πιθανοτήτων για να εξαγάγουμε την 

εκτιμώμενη πιθανότητα για τον αντίστοιχο κωδικό ISCO. 

Στην περίπτωσή μας, 28 επαγγέλματα στην Ελλάδα δεν αντιστοιχούσαν σε καμία από τις 

εκτιμήσεις πιθανότητας που παρέχουν οι Frey & Osborne. Αυτά τα επαγγέλματα αντιστοιχούν 

σε αμερικανικά επαγγέλματα για τα οποία οι Frey & Osborne δεν είχαν επαρκή δεδομένα 

εργασιών και επομένως δεν κατέληξαν σε κάποια εκτίμηση. Επιπλέον, δεν ταιριάζουν όλες οι 

υπολειμματικές κατηγορίες με κάποιον από τους κωδικούς SOC που ανέλυσαν οι Frey & 

Osborne, επομένως εξαιρούνται από την ανάλυσή μας. Επίσης, όλες οι υπολειμματικές 

κατηγορίες δεν αντιστοιχούν σε κάποια πιθανότητα αυτοματοποίησης στα δεδομένα των Frey 

& Osborne, ως εκ τούτου επίσης εξαιρούνται από την ανάλυση. 

45

Κείμενο Παρέμβασης 11 

Συνολικά, η ανάλυσή μας καλύπτει περίπου το 92% της συνολικής ελληνικής απασχόλησης το 

2021. Τα τελικά αποτελέσματα για το ρίσκο απέναντι στην ΤΝ και τα ποσοστά υπολογίζονται με 

βάση τα επαγγέλματα που συμπεριλήφθηκαν στην ανάλυση. Για παράδειγμα, όταν 

αναφέρουμε ότι το 40% της συνολικής απασχόλησης αντιμετωπίζει υψηλό κίνδυνο 

αυτοματοποίησης, αυτό αντιστοιχεί στο 40% του 92% των θέσεων εργασίας που 

συμπεριλήφθηκαν στην ανάλυση.

Στο σημείο αυτό είναι σκόπιμη μια σημείωση σχετικά με το γιατί χρησιμοποιούμε την 

απογραφή Πληθυσμού-Κατοικιών του 2021. Η ΕΛΣΤΑΤ, στην ηλεκτρονική μας αλληλογραφία, 

μας επισήμανε ότι, αν και τα δεδομένα για τον αριθμό των εργαζομένων σε κάθε κωδικό ISCO 

σε επίπεδο 4 ψηφίων συλλέγονται σε ετήσια βάση, δεν αποτελούν αρκετά αξιόπιστες 

εκτιμήσεις. Μας ανέφεραν ότι οι μόνες αξιόπιστες εκτιμήσεις σε επίπεδο 4 ψηφίων 

συλλέγονται κατά την απογραφή Πληθυσμού-Κατοικιών, η οποία πραγματοποιείται κάθε 10 

χρόνια. Τα δεδομένα της απογραφής πληθυσμού μάς παραχωρήθηκαν από την ΕΛΣΤΑΤ. 

Τα δεδομένα ISCO σε επίπεδο 3 ψηφίων είναι δημόσια διαθέσιμα, ωστόσο η χρήση τους θα 

απαιτούσε σημαντικές θυσίες όσον αφορά την ακρίβεια των αποτελεσμάτων της εργασίας 

μας. Κρίναμε ότι είναι καλύτερο να χρησιμοποιήσουμε δεδομένα του 2021 (τετραψήφιο 

επίπεδο) από το να χάσουμε σημαντικά επίπεδα ακρίβειας. 

Η ανάλυση σε τετραψήφιο επίπεδο, όπως έκανε σε προγενέστερη μελέτη του ο Bowles (2014), ο 

οποίος επιχείρησε να εφαρμόσει το μοντέλο για όλες τις χώρες της ΕΕ, διατηρεί τη μέγιστη 

δυνατή λεπτομέρεια και ακρίβεια. Αντίθετα διψήφιες ή τριψήφιες ομαδοποιήσεις 

αποκρύπτουν σημαντικές διαφοροποιήσεις μέσα σε ευρείες επαγγελματικές ομάδες και 

υπερεκτιμούν το συνολικό ποσοστό πιθανής αυτοματοποίησης. Ο Bowles (2014) κατέληξε στο 

ότι το μερίδιο των ελληνικών θέσεων εργασίας με υψηλό κίνδυνο αυτοματοποίησης ξεπερνά 

το 56%