생성형 AI가 시간 절약 대신 작업량 증가

생성 AI의 양날의 검

생성 인공지능(AI) 도구는 종종 시간 절약과 생산성 향상의 도구로 평가받습니다. 실제로 코드 실행이나 보고서 작성에 도움을 주지만, 주의할 점이 있습니다. 대규모 언어 모델(LLM)을 개발하고 유지하는 데 필요한 배후 작업은 실제로 초기에 절약된 시간보다 더 많은 인간의 노력을 요구할 수 있습니다. 또한 많은 작업은 AI의 강력한 도구를 사용하지 않고도 더 간단한 자동화 방법으로 효율적으로 처리할 수 있습니다.

펜실베니아 대학교 와튼 스�chool의 경영학 교수인 피터 카펠리는 최근 MIT 행사에서 이러한 통찰을 공유했습니다. 그는 생성 AI와 LLM이 더 넓은 범위에서 더 많은 작업을 생성할 수 있다고 주장합니다. 이러한 모델을 구현하는 것은 복잡하며, 카펠리는 "생성 AI가 할 수 있는 많은 일들이 실제로 필요하지 않다는 것을 알게 되었습니다."라고 지적했습니다.

AI의 과대광고 vs. 현실

AI는 혁신적인 기술로 자주 축하받지만, 카펠리는 기술 산업의 전망이 지나치게 낙관적일 수 있다고 경고합니다. "사실, 시간이 지나면서 일에 대한 대부분의 기술 예측은 틀렸습니다."라고 그는 말했습니다. 그는 2018년까지 널리 퍼질 것으로 예상되었던 무인 트럭과 자동차의 예를 들었습니다. 그러나 아직 완전히 실현되지 않았습니다.

기술 주도 변환의 대규모 비전은 종종 실용적인 도전에 걸려 넘어집니다. 자율 주행 차량의 옹호자들은 이러한 차량이 할 수 있는 것에 집중했지, 필요한 규제 승인, 보험 문제, 소프트웨어의 복잡성을 해결하지 않았습니다. 카펠리는 또한 트럭 운전자가 단순히 운전하는 것 이상의 다양한 작업을 수행한다고 지적했습니다. 이는 자율 주행 차량으로의 전환을 복잡하게 만듭니다.

소프트웨어 개발 및 비즈니스에서의 생성 AI

생성 AI를 소프트웨어 개발 및 비즈니스 운영에 적용할 때 비슷한 복잡성이 발생합니다. 카펠리는 프로그래머가 코딩 외의 활동, 예를 들어 커뮤니케이션과 예산 협상에 상당한 시간을 할애한다고 강조했습니다. "프로그래밍 측면에서도 실제로 프로그래밍이 아닌 부분이 많습니다."라고 그는 말했습니다.

AI 기반 혁신의 약속은 흥미롭지만, 그 구현은 종종 현실 세계의 장애물에 직면합니다. 생성 AI의 노동 절감 및 생산성 이점은 LLM과 알고리즘을 지원하기 위해 필요한 광범위한 배후 작업에 의해 가려질 수 있습니다.

AI로 인해 생성된 새로운 작업

카펠리에 따르면, 생성 AI와 운영 AI 모두 새로운 작업을 소개합니다. "사람들은 데이터베이스를 관리하고, 자료를 정리하고, 상충되는 보고서, 유효성 등의 문제를 해결해야 합니다. 이것은 많은 새로운 작업을 생성할 것이며, 누군가는 그것을 해야 합니다."

운영 AI는 이미 오랫동안 존재해왔지만, 계속해서 발전하고 있습니다. 카펠리는 수치 데이터를 사용한 기계 학습이 데이터베이스 관리의 어려움으로 인해 다소 활용되지 않았다고 지적했습니다. "데이터를 분석할 수 있도록 데이터를 모으는 것만으로도 많은 노력이 필요합니다. 데이터는 종종 조직 내에서 서로 다른 사일로에 있으며, 이를 정치적으로나 기술적으로 모으는 것은 어렵습니다."

생성 AI와 LLM의 채택에 대한 도전

카펠리는 생성 AI와 LLM의 채택에 있어 여러 가지 장애물을 식별했습니다:

• 많은 작업에 대한 과도한 사용: "대규모 언어 모델이 할 수 있는 많은 일들이 아마도 필요하지 않을 것입니다."라고 그는 말했습니다. 예를 들어, 비즈니스 서신은 잠재적인 사용 사례이지만, 대부분이 이미 양식 편지와 기본 자동화로 처리되고 있습니다. "양식 편지는 이미 법률가에 의해 검토되었으며, 대규모 언어 모델이 작성한 것은 아마도 법률가에 의해 검토되어야 할 것입니다. 그리고 그것은 시간 절약이 아닐 것입니다."
• 비용 증가: 카펠리는 반복적인 자동화를 AI로 대체하는 것이 더 비싸질 수 있다고 경고했습니다. "대규모 언어 모델이 현재와 같이 저렴할지 확실하지 않습니다. 더 많은 사람들이 사용할수록 컴퓨터 공간이 증가해야 하며, 전기 수요만으로도 큰 비용이 듭니다. 누군가는 그것을 지불해야 합니다."
• 검증의 필요성: 생성 AI의 출력은 이메일과 같은 간단한 작업에 적합할 수 있지만, 더 복잡한 보고서에는 검증이 중요합니다. "중요한 일에 사용할 경우, 그것이 정확한지 확인해야 합니다. 그리고 그것이 정확한지 어떻게 알 수 있을까요? 전문가가 도움이 됩니다; 주제에 대해 아는 사람이 독립적으로 검증할 수 있는 사람입니다. 환각이나 특이한 결과를 찾고, 그것이 최신인지 확인하는 데 도움이 됩니다."
• 정보 과부하: 보고서와 출력을 생성하는 것이 쉬워지면, 때로는 상충되는 엄청난 양의 정보가 발생할 수 있습니다. "보고서와 출력을 생성하는 것이 매우 쉬워지면, 더 많은 응답을 받게 될 것입니다."라고 카펠리는 말했습니다. 그는 또한 LLM이 동일한 프롬프트에 대해 다른 응답을 생성할 수 있어 신뢰성 문제를 제기한다고 지적했습니다. "이것은 신뢰성 문제입니다 - 당신의 보고서를 어떻게 할 것인가요? 당신의 부서를 더 잘 보이게 하는 보고서를 생성하고, 그것을 상사에게 제출할 것입니다."
• 인간의 의사 결정: 사람들은 종종 직관이나 개인적 선호에 따라 결정을 내리기를 선호하는데, 이것은 기계가 영향을 미치기 어려울 수 있습니다. 카펠리는 AI가 채용과 같은 의사 결정에서 도움을 줄 수 있을 때도 사람들이 본능을 따르는 경향이 있다고 지적했습니다. "기계 학습이 이미 우리를 위해 그것을 할 수 있습니다. 모델을 구축하면, 이미 결정을 내리고 있는 라인 매니저들이 그것을 사용하고 싶어하지 않는다는 것을 알게 될 것입니다."

단기적인 잠재적 응용

이러한 도전에도 불구하고, 카펠리는 생성 AI를 데이터 분석과 의사 결정 프로세스 지원에 사용하는 잠재력을 봅니다. "우리는 지금 우리가 직접 분석할 수 없었던 데이터를 정리하고 있습니다."라고 그는 말했습니다. "그것은 우리가 하는 것보다 훨씬 더 잘할 것입니다." 이와 함께 데이터베이스 관리와 데이터 오염 문제 해결은 계속해서 중요한 작업으로 남아 있을 것입니다.