生成AIが時間節約ではなく作業量増加

生成AIの二面性

生成人工知能（AI）ツールは、時間を節約し、生産性を向上させるものとしてよく宣伝されています。確かに、これらのツールはコードの実行やレポートの生成を瞬時に行うことができますが、注意すべき点があります。大規模言語モデル（LLM）の開発と維持に必要な裏側の作業は、実際に節約される初期の時間よりも多くの人間の労力を必要とするかもしれません。また、多くのタスクは、AIの重装備を必要とせず、よりシンプルな自動化方法で効率的に処理できる可能性があります。

ペンシルベニア大学ウォートン・スクールの経営学教授であるピーター・カペリは、最近のMITのイベントでこれらの洞察を共有しました。彼は、より広範な視点から見ると、生成AIとLLMが解決するよりも多くの仕事を生み出す可能性があると主張しています。これらのモデルは実装が複雑で、カペリは「生成AIができる多くのことは、実際には必要とされていないことが分かりました」と指摘しました。

AIの誇大広告と現実

AIは革新的な技術としてよく称賛されていますが、カペリは、技術産業の予測が過度に楽観的であると警告しています。「実際、仕事に関する技術予測の多くは、時間とともに間違っていた」と彼は述べました。2018年までに広く普及するはずだった自動運転トラックや車の例を挙げていますが、それらはまだ完全には実現していません。

技術主導の変革の壮大なビジョンは、しばしば実際の課題に直面してつまずきます。自動運転車の支持者は、これらの車両ができることに焦点を当てましたが、必要な規制のクリアランス、保険問題、ソフトウェアの複雑さに対処することはしませんでした。カペリはまた、トラックドライバーが運転以外にも多くのタスクをこなしているため、自動運転車への移行が複雑化していると指摘しました。

ソフトウェア開発とビジネスにおける生成AI

生成AIをソフトウェア開発やビジネス運営に適用する際にも、同様の複雑さが生じます。カペリは、プログラマーがコード作成以外の活動、例えばコミュニケーションや予算交渉に多くの時間を費やしていると指摘しました。「プログラミングの側面でも、全てが実際のプログラミングではない」と彼は言いました。

AI駆動のイノベーションの可能性は興奮させるものですが、その実装はしばしば現実の障壁に直面します。生成AIの労働節約や生産性向上の利点は、LLMやアルゴリズムをサポートするために必要な広範なバックエンド作業によって影を落とされるかもしれません。

AIによって生じる新たな仕事

カペリによると、生成AIと運用AIの両方が新たなタスクを導入します。「人々はデータベースを管理し、資料を整理し、対立するレポートの問題や有効性などの問題を解決しなければなりません。それは多くの新しいタスクを生み出すことになり、その誰かがそれらをこなさなければならないのです。」

運用AIはすでにある程度普及していますが、進化を続けています。カペリは、数値データを用いた機械学習が未利用のままであるのは、データベース管理の課題によるものだと指摘しました。「データを分析できるようにまとめるだけでも多くの労力が必要です。データはしばしば異なる組織の異なるシロにあり、それらをまとめることは政治的に難しく、技術的にも難しいのです。」

生成AIとLLMの採用における課題

カペリは、生成AIとLLMの採用におけるいくつかの障壁を特定しました：

• 多くのタスクに対する過剰な対応：「大規模言語モデルができる多くのことは、おそらく必要とされていない」と彼は言いました。例えば、ビジネス文書は潜在的な用途ですが、多くは既にフォームレターと基本的な自動化で処理されています。「フォームレターはすでに弁護士によって承認されており、大規模言語モデルによって書かれたものはおそらく弁護士に見てもらう必要があります。それは時間節約にはなりません。」
• 増加するコスト：カペリは、AIで定型的な自動化を置き換えるとコストが増加する可能性があると警告しました。「大規模言語モデルが今のように安価であるとは限らない。より多くの人が使用すれば、コンピュータのスペースが増えなければならず、電力需要だけでも大きい。誰かがそれを支払わなければならない。」
• 検証の必要性：生成AIの出力は、メールなどのシンプルなタスクには適しているかもしれませんが、より複雑なレポートには検証が重要です。「重要なことに使用するなら、それが正しいことを確認する必要があります。それが正しいかどうかをどうやって知るのですか？専門家が役立ちます。独立して検証し、トピックについて知識を持つ人です。幻覚や特異な結果を探し、それが最新であることを確認するために。」
• 情報過多：レポートや出力を生成するのが簡単なため、時には矛盾する大量の情報が溢れる可能性があります。「レポートや出力を生成するのが簡単なので、より多くの応答を得ることになる」とカペリは言いました。また、LLMが同じプロンプトに対して異なる応答を生成する可能性があるため、信頼性の問題が提起されると指摘しました。「これは信頼性の問題です。あなたのレポートをどうするか？あなたの部門を良く見せるレポートを生成し、それを上司に提出するのです。」
• 人間の意思決定：人々はしばしば直感や個人的な好みに基づいて意思決定を行い、それは機械が影響を与えるのが難しい場合があります。カペリは、AIが採用などの意思決定を助けることができる場合でも、人々は本能に従う傾向があると指摘しました。「機械学習はすでにそれができる。モデルを構築すれば、すでに意思決定を行っているライン・マネージャーがそれを使いたくないことが分かるでしょう。」

近未来の潜在的応用

これらの課題にもかかわらず、カペリは生成AIをデータの選別や意思決定プロセスの支援に使用する可能性を見ています。「私たちは今、自分たちでは分析できなかったデータを洗浄しています。それは私たちよりもはるかにうまくそれをこなすでしょう。」また、データベースの管理とデータ汚染の問題への対処は引き続き重要なタスクであり続けるでしょう。