Generativní AI může vytvářet více práce, než ušetří

Řešení problému nebo příležitosti pomocí generativní umělé inteligence může být přehnané.

Panuje společná shoda, že nástroje generativní umělé inteligence (AI) mohou lidem pomoci ušetřit čas a zvýšit produktivitu. Přestože tyto technologie usnadňují spouštění kódu nebo rychlé vytváření sestav, práce na backendu při vytváření a udržování velkých jazykových modelů (LLM) může vyžadovat více lidské práce, než je úsilí ušetřené předem. Navíc mnoho úkolů nemusí nutně vyžadovat palebnou sílu AI, když to zvládne standardní automatizace.

To je slovo Petera Cappelliho, profesora managementu na University of Pennsylvania Wharton School, který vystoupil na nedávné akci MIT. Na kumulativním základě mohou generativní AI a LLM vytvořit více práce pro lidi, než ulehčit úkoly. Implementace LLM je složitá a „ukazuje se, že existuje mnoho věcí, které by generativní umělá inteligence mohla dělat, které ve skutečnosti dělat nemusíme,“ řekl Cappelli.

I když je umělá inteligence medializována jako technologie měnící hru, „projekce z technologické strany jsou často okázale chybné,“ zdůraznil. "Ve skutečnosti většina technologických předpovědí o práci byla v průběhu času nesprávná." Řekl, že bezprostřední vlna nákladních a osobních aut bez řidiče, předpovídaná v roce 2018, je příkladem růžových projekcí, které se teprve musí naplnit.

Široké vize technologicky řízené transformace často zakopnou o drsné detaily. Zastánci autonomních vozidel propagovali to, co „dokážou nákladní auta bez řidiče, spíše než to, co je třeba udělat, a co je vyžadováno pro zúčtování předpisů - otázky pojištění, problémy se softwarem a všechny tyto problémy“. Cappelli navíc dodal: „Když se podíváte na jejich skutečnou práci, řidiči kamionů dělají spoustu jiných věcí, než jen řídí kamiony, a to i při kamionové dopravě na dlouhé vzdálenosti.“

Podobnou analogii lze použít k používání generativní umělé inteligence pro vývoj softwaru a podnikání. Programátoři "tráví většinu svého času děláním věcí, které nemají nic společného s počítačovým programováním," řekl. "Mluví s lidmi, vyjednávají o rozpočtech a tak podobně. Dokonce ani po stránce programování to všechno není ve skutečnosti programování."

Technologické možnosti inovací jsou zajímavé, ale jejich zavádění bývá zpomalováno realitou. V případě generativní umělé inteligence mohou být jakékoli výhody v oblasti úspory práce a produktivity převáženy množstvím backendové práce potřebné k vybudování a udržení LLM a algoritmů.

Jak generativní, tak operační AI „generuje novou práci,“ zdůraznil Cappelli. "Lidé musí spravovat databáze, musí organizovat materiály, musí řešit tyhle problémy se zprávami o soubojích, validitou a takovými věcmi. Bude to generovat spoustu nových úkolů, někdo je bude muset udělat." "

Řekl, že operační umělá inteligence, která už nějakou dobu funguje, stále probíhá. "Strojové učení s čísly bylo výrazně málo využíváno. Část z toho byly otázky týkající se správy databází. Jen dát data dohromady, abyste je mohli analyzovat, vyžaduje hodně úsilí. Data jsou často v různých silech v různých organizacích, které jsou politicky obtížné a jen technicky obtížné dát dohromady."

Cappelli uvádí několik problémů v přechodu ke generativní AI a LLM, které je třeba překonat:

• Řešení problému/příležitosti pomocí generativních AI/LLM může být přehnané - „Existuje spousta věcí, které velké jazykové modely mohou dělat a které pravděpodobně nepotřebují dělat,“ uvedl. Například obchodní korespondence je považována za případ použití, ale většina práce se již provádí prostřednictvím formulářových dopisů a automatické automatizace. Přidejte skutečnost, že "formulář již byl schválen právníky a cokoli napsané velkými jazykovými modely musí pravděpodobně vidět právník. A to nebude žádná úspora času."
• Nahrazení rote automatizace umělou inteligencí bude dražší - „Není tak jasné, že velké jazykové modely budou tak levné, jako jsou nyní,“ varoval Cappelli. "S tím, jak je používá stále více lidí, se musí zvětšit prostor na počítači, samotná spotřeba elektřiny je velká. Někdo to musí zaplatit."
• K ověření generativního výstupu umělé inteligence jsou potřeba lidé - Generativní sestavy nebo výstupy umělé inteligence mohou být v pořádku pro relativně jednoduché věci, jako jsou e-maily, ale u složitějších zpráv nebo závazků je třeba ověřit, že je vše přesné. "Pokud to budete používat pro něco důležitého, raději si buďte jisti, že je to správné. A jak zjistíte, zda je to správné? Dobře, pomáhá mít odborníka, někoho, kdo může nezávisle ověřit a ví něco o Chcete-li hledat halucinace nebo podivné výsledky, a že je aktuální, někteří lidé říkají, že byste k tomu mohli použít jiné velké jazykové modely, ale je to spíše otázka spolehlivosti než otázka platnosti nějak to jde a není to nutně snadné ani levné."
• Generativní umělá inteligence nás utopí v příliš mnoha a někdy protichůdných informacích - „Protože je docela snadné generovat zprávy a výstupy, dostanete více odpovědí,“ řekl Cappelli. LLM může také dodat různé odpovědi na stejnou výzvu. "Tohle je otázka spolehlivosti - co byste udělali se svou zprávou? Vytvoříte takovou, díky které bude vaše divize vypadat lépe, a předáte ji šéfovi." Navíc varoval: "Dokonce ani lidé, kteří staví tyto modely, vám nemohou říci tyto odpovědi žádným jasným způsobem. Utopíme lidi tím, že budeme posuzovat rozdíly v těchto výstupech?"
• Lidé se stále raději rozhodují na základě pocitů nebo osobních preferencí - Tento problém bude pro stroje těžké překonat. Organizace mohou investovat velké sumy peněz do budování a správy LLM pro role, jako je výběr kandidátů na zaměstnání, ale studie za studií ukazují, že lidé mají tendenci najímat lidi, které se jim líbí, v porovnání s tím, co došli analytici, řekl Cappelli. "Strojové učení už by to za nás mohlo udělat. Kdybyste model postavili, zjistili byste, že vaši linioví manažeři, kteří již rozhodují, ho nechtějí používat. Další příklad toho, že "když ho postavíte, nebudou nutně přijít."

Cappelli navrhl, že nejužitečnější generativní aplikací umělé inteligence v blízké budoucnosti je prosévání datových úložišť a poskytování analýz na podporu rozhodovacích procesů. "Právě teď promýváme data, která jsme sami nebyli schopni analyzovat," řekl. "Bude to v tom mnohem lepší než my," řekl. Spolu se správou databází se "někdo musí starat o zábradlí a problémy se znečištěním dat."