IA Generativa Aumenta a Carga de Trabalho em Vez de Economizar Tempo

A Espada de Dois Gumes da IA Generativa

Ferramentas de inteligência artificial generativa (IA) são frequentemente promovidas como economizadoras de tempo e impulsionadoras de produtividade. Elas podem, de fato, ajudar a executar código ou gerar relatórios rapidamente, mas há um porém. O trabalho nos bastidores necessário para desenvolver e manter modelos de linguagem de grande escala (LLMs) pode exigir mais esforço humano do que o tempo inicialmente economizado. Além disso, muitas tarefas poderiam ser eficientemente gerenciadas por métodos de automação mais simples, sem a necessidade do armamento pesado da IA.

Peter Cappelli, professor de gestão da Wharton School da Universidade da Pensilvânia, compartilhou essas ideias em um recente evento do MIT. Ele argumenta que, em uma escala mais ampla, a IA generativa e os LLMs podem gerar mais trabalho do que aliviar. Esses modelos são complexos de implementar, e Cappelli destacou, "descobriu-se que há muitas coisas que a IA generativa poderia fazer que não precisamos realmente fazer."

O Exagero vs. a Realidade da IA

Embora a IA seja frequentemente celebrada como uma tecnologia revolucionária, Cappelli alerta que as projeções da indústria de tecnologia podem ser excessivamente otimistas. "Na verdade, a maioria das previsões tecnológicas sobre o trabalho tem estado errada ao longo do tempo", afirmou. Ele citou o exemplo de caminhões e carros sem motorista, que deveriam estar amplamente disponíveis até 2018, mas ainda não se concretizaram completamente.

As grandes visões de transformação impulsionada pela tecnologia frequentemente tropeçam em desafios práticos. Defensores de veículos autônomos focaram no que esses veículos poderiam fazer, em vez de abordar as necessárias autorizações regulatórias, questões de seguro e complexidades de software. Cappelli também observou que motoristas de caminhão realizam uma série de tarefas além de apenas dirigir, complicando a transição para veículos autônomos.

IA Generativa no Desenvolvimento de Software e Negócios

Uma complexidade semelhante surge ao aplicar IA generativa ao desenvolvimento de software e operações de negócios. Cappelli destacou que programadores passam uma porção significativa de seu tempo em atividades não relacionadas à codificação, como comunicação e negociações de orçamento. "Mesmo no lado da programação, nem tudo é realmente programação", disse ele.

A promessa de inovação impulsionada por IA é empolgante, mas sua implementação frequentemente enfrenta obstáculos do mundo real. Os benefícios de economia de trabalho e produtividade da IA generativa podem ser ofuscados pelo extenso trabalho de bastidores necessário para suportar LLMs e algoritmos.

Novo Trabalho Gerado pela IA

Tanto a IA generativa quanto a operacional introduzem novas tarefas, segundo Cappelli. "As pessoas têm que gerenciar bancos de dados, organizar materiais, resolver esses problemas de relatórios conflitantes, validade e coisas do tipo. Isso vai gerar muitas novas tarefas, alguém terá que fazê-las."

Mesmo a IA operacional, que existe há algum tempo, continua a evoluir. Cappelli observou que o aprendizado de máquina com dados numéricos tem sido subutilizado, em parte devido a desafios no gerenciamento de bancos de dados. "É necessário muito esforço apenas para reunir os dados para que você possa analisá-los. Os dados muitas vezes estão em diferentes silos em diferentes organizações, o que é politicamente difícil e tecnicamente desafiador de unir."

Desafios na Adoção de IA Generativa e LLMs

Cappelli identificou vários obstáculos na adoção de IA generativa e LLMs:

• Excesso para Muitas Tarefas: "Há muitas coisas que modelos de linguagem de grande escala podem fazer que provavelmente não precisam ser feitas", disse ele. Por exemplo, embora a correspondência de negócios seja um caso de uso potencial, grande parte dela já é tratada por cartas modelo e automação básica. "Uma carta modelo já foi aprovada por advogados, e qualquer coisa escrita por modelos de linguagem de grande escala provavelmente terá que ser revisada por um advogado. E isso não será uma economia de tempo."
• Custos Crescentes: Cappelli alertou que substituir a automação rotineira por IA pode se tornar mais caro. "Não está tão claro que os modelos de linguagem de grande escala serão tão baratos quanto são agora. À medida que mais pessoas os utilizam, o espaço computacional aumenta, as demandas por eletricidade são grandes. Alguém terá que pagar por isso."
• Necessidade de Validação: As saídas de IA generativa podem ser adequadas para tarefas simples como e-mails, mas para relatórios mais complexos, a validação é crucial. "Se você vai usá-la para algo importante, é melhor garantir que esteja correto. E como você saberá se está correto? Bem, ajuda ter um especialista; alguém que possa validar independentemente e saiba algo sobre o assunto. Para procurar alucinações ou resultados peculiares, e que esteja atualizado."
• Sobrecarga de Informações: A facilidade de gerar relatórios e saídas pode levar a uma quantidade esmagadora de informações, às vezes contraditórias. "Porque é bastante fácil gerar relatórios e saídas, você vai receber mais respostas", disse Cappelli. Ele também observou que os LLMs podem produzir respostas diferentes para o mesmo prompt, levantando preocupações de confiabilidade. "Isso é um problema de confiabilidade -- o que você faria com seu relatório? Você gera um que faz sua divisão parecer melhor, e entrega isso ao chefe."
• Tomada de Decisão Humana: As pessoas muitas vezes preferem tomar decisões baseadas em instintos ou preferências pessoais, o que pode ser desafiador para as máquinas influenciarem. Cappelli apontou que, mesmo quando a IA poderia auxiliar na tomada de decisão, como na contratação, as pessoas tendem a seguir seus instintos. "O aprendizado de máquina já poderia fazer isso por nós. Se você construísse o modelo, descobriria que seus gerentes de linha que já estão tomando as decisões não querem usá-lo."

Aplicações Potenciais a Curto Prazo

Apesar desses desafios, Cappelli vê potencial no uso de IA generativa para filtrar dados e apoiar processos de tomada de decisão. "Estamos lavando dados agora que não conseguimos analisar por nós mesmos", disse ele. "Vai ser muito melhor nisso do que nós somos." Junto a isso, gerenciar bancos de dados e abordar problemas de poluição de dados permanecerão tarefas críticas.