Generative KI Erhöht Arbeitsaufwand Statt Zeit zu Sparen

Das doppelschneidige Schwert der generativen KI

Generative künstliche Intelligenz (KI) wird oft als Zeitsparer und Produktivitätsbooster angepraised. Sie kann tatsächlich helfen, Code auszuführen oder Berichte in Sekundenschnelle zu generieren, aber es gibt einen Haken. Die hinter den Kulissen notwendige Arbeit, um große Sprachmodelle (LLMs) zu entwickeln und zu pflegen, könnte tatsächlich mehr menschlichen Aufwand erfordern als die anfangs gesparte Zeit. Darüber hinaus könnten viele Aufgaben effizienter durch einfachere Automatisierungsmethoden erledigt werden, ohne die schwere Artillerie der KI zu benötigen.

Peter Cappelli, ein Managementprofessor an der Wharton School der University of Pennsylvania, teilte diese Erkenntnisse bei einer kürzlichen Veranstaltung des MIT. Er argumentiert, dass auf einer breiteren Ebene generative KI und LLMs möglicherweise mehr Arbeit generieren, als sie entlasten. Diese Modelle sind komplex in der Implementierung, und Cappelli wies darauf hin: "Es stellt sich heraus, dass es viele Dinge gibt, die generative KI tun könnte, die wir eigentlich nicht wirklich brauchen."

Der Hype vs. die Realität der KI

Während KI oft als revolutionäre Technologie gefeiert wird, warnt Cappelli, dass die Prognosen der Technologiebranche oft zu optimistisch sein können. "Tatsächlich waren die meisten Technologieprognosen über die Arbeit im Laufe der Zeit falsch", sagte er. Er nannte das Beispiel der fahrerlosen Lastwagen und Autos, die bis 2018 weit verbreitet sein sollten, aber noch nicht vollständig realisiert wurden.

Die großartigen Visionen einer technologiegetriebenen Transformation scheitern oft an praktischen Herausforderungen. Befürworter von autonomen Fahrzeugen konzentrierten sich darauf, was diese Fahrzeuge könnten, anstatt die notwendigen regulatorischen Freigaben, Versicherungsfragen und Softwarekomplexitäten anzugehen. Cappelli stellte auch fest, dass LKW-Fahrer eine Vielzahl von Aufgaben über das bloße Fahren hinaus erledigen, was den Übergang zu autonomen Fahrzeugen kompliziert.

Generative KI in der Softwareentwicklung und im Geschäftsleben

Eine ähnliche Komplexität entsteht, wenn generative KI auf die Softwareentwicklung und Geschäftsabläufe angewendet wird. Cappelli betonte, dass Programmierer einen erheblichen Teil ihrer Zeit mit nicht-programmieren Tätigkeiten wie Kommunikation und Budgetverhandlungen verbringen. "Auch auf der Programmierseite ist nicht alles tatsächlich Programmieren", sagte er.

Das Versprechen einer durch KI angetriebenen Innovation ist spannend, aber ihre Implementierung stößt oft auf reale Hindernisse. Die arbeitssparenden und produktivitätssteigernden Vorteile der generativen KI könnten durch die umfangreiche Hinterarbeit, die nötig ist, um LLMs und Algorithmen zu unterstützen, in den Schatten gestellt werden.

Neue Arbeiten, die durch KI entstehen

Sowohl generative als auch betriebliche KI führen neue Aufgaben ein, laut Cappelli. "Die Menschen müssen Datenbanken verwalten, Materialien organisieren, Probleme mit widersprüchlichen Berichten, Validität und solchen Dingen lösen. Es wird viele neue Aufgaben generieren, die jemand erledigen muss."

Selbst die betriebliche KI, die schon seit einer Weile existiert, entwickelt sich weiter. Cappelli stellte fest, dass maschinelles Lernen mit numerischen Daten unterausgenutzt wurde, teilweise aufgrund von Herausforderungen im Datenbankmanagement. "Es erfordert viel Aufwand, die Daten so zusammenzustellen, dass man sie analysieren kann. Daten befinden sich oft in verschiedenen Silos in verschiedenen Organisationen, die politisch und technisch schwierig zusammenzuführen sind."

Hindernisse bei der Übernahme von generativer KI und LLMs

Cappelli identifizierte mehrere Hindernisse bei der Übernahme von generativer KI und LLMs:

• Überkill für viele Aufgaben: "Es gibt viele Dinge, die große Sprachmodelle tun können, die wahrscheinlich nicht gemacht werden müssen", sagte er. Zum Beispiel, während Geschäftskorrespondenz ein potenzieller Anwendungsfall ist, wird vieles davon bereits durch Formbriefe und grundlegende Automatisierung gehandhabt. "Ein Formbrief wurde bereits von Anwälten freigegeben, und alles, was von großen Sprachmodellen geschrieben wird, muss wahrscheinlich von einem Anwalt gesehen werden. Und das wird kein Zeitsparer sein."
• Steigende Kosten: Cappelli warnte, dass der Ersatz von Routineautomatisierung durch KI teurer werden könnte. "Es ist nicht so klar, dass große Sprachmodelle so günstig bleiben werden wie sie jetzt sind. Wenn mehr Menschen sie nutzen, muss der Computerraum zunehmen, allein die Stromnachfrage ist groß. Jemand muss das bezahlen."
• Notwendigkeit der Validierung: Generative KI-Ausgaben können für einfache Aufgaben wie E-Mails geeignet sein, aber für komplexere Berichte ist die Validierung entscheidend. "Wenn Sie es für etwas Wichtiges verwenden, sollten Sie sicherstellen, dass es richtig ist. Und wie wissen Sie, dass es richtig ist? Es hilft, einen Experten zu haben; jemanden, der unabhängig validieren kann und etwas über das Thema weiß. Um nach Halluzinationen oder seltsamen Ergebnissen zu suchen, und sicherzustellen, dass es aktuell ist."
• Informationsüberflutung: Die Leichtigkeit, Berichte und Ausgaben zu generieren, kann zu einer überwältigenden Menge an Informationen führen, manchmal widersprüchlich. "Weil es ziemlich einfach ist, Berichte und Ausgaben zu generieren, werden Sie mehr Antworten erhalten", sagte Cappelli. Er stellte auch fest, dass LLMs unterschiedliche Antworten auf die gleiche Eingabeaufforderung erzeugen könnten, was Bedenken hinsichtlich der Zuverlässigkeit aufwirft. "Das ist ein Zuverlässigkeitsproblem - was würden Sie mit Ihrem Bericht machen? Sie generieren einen, der Ihre Abteilung besser aussehen lässt, und Sie geben ihn dem Chef."
• Menschliche Entscheidungsfindung: Menschen bevorzugen oft, Entscheidungen auf Bauchgefühl oder persönliche Vorlieben zu treffen, was für Maschinen schwierig zu beeinflussen ist. Cappelli wies darauf hin, dass selbst wenn KI bei der Entscheidungsfindung helfen könnte, wie bei der Einstellung, Menschen dazu neigen, ihrem Instinkt zu folgen. "Maschinelles Lernen könnte das schon für uns tun. Wenn Sie das Modell aufbauen, würden Sie feststellen, dass Ihre Linienmanager, die bereits die Entscheidungen treffen, es nicht nutzen wollen."

Potenzielle kurzfristige Anwendungen

Trotz dieser Herausforderungen sieht Cappelli Potenzial in der Nutzung generativer KI zum Durchsuchen von Daten und zur Unterstützung von Entscheidungsprozessen. "Wir reinigen gerade Daten, die wir selbst nicht analysieren konnten", sagte er. "Es wird viel besser darin sein als wir." Neben diesem wird das Management von Datenbanken und die Bekämpfung von Datenverschmutzung weiterhin wichtige Aufgaben bleiben.