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

A Espada de Dois Gumes da Inteligência Artificial Generativa

Ferramentas de inteligência artificial generativa (IA) são frequentemente elogiadas como economizadoras de tempo e impulsionadoras de produtividade. Elas podem realmente ajudar a executar códigos 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 tratadas de forma eficiente por métodos de automação mais simples, sem a necessidade do "arsenal pesado" da IA.

Peter Cappelli, professor de gestão da Wharton School da Universidade da Pensilvânia, compartilhou essas percepções 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 aliviam. Esses modelos são complexos de implementar, e Cappelli destacou: "Descobriu-se que há muitas coisas que a IA generativa poderia fazer que realmente não precisamos fazer."

O Hype versus a Realidade da IA

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

As grandes visões de transformação impulsionada pela tecnologia frequentemente tropeçam em desafios práticos. Defensores de veículos autônomos focaram no que esses veículos podiam fazer, em vez de abordar as necessárias liberações regulatórias, problemas de seguros e complexidades de software. Cappelli também observou que motoristas de caminhão realizam uma gama 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 comerciais. Cappelli destacou que os programadores passam uma parcela significativa do tempo em atividades não relacionadas à programação, 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 no mundo real. Os benefícios de economia de trabalho e produtividade da IA generativa podem ser ofuscados pelo extenso trabalho nos bastidores necessário para suportar LLMs e algoritmos.

Novo Trabalho Gerado pela IA

Tanto a IA generativa quanto a operacional introduzem novas tarefas, de acordo com Cappelli. "As pessoas têm que gerenciar bancos de dados, organizar materiais, resolver problemas de relatórios conflitantes, validade e essas coisas. Vai gerar muitas novas tarefas, alguém terá que fazer isso."

Mesmo a IA operacional, que já existe há um tempo, continua a evoluir. Cappelli observou que o aprendizado de máquina com dados numéricos tem sido subutilizado, em parte devido a desafios na gestão de bancos de dados. "É necessário muito esforço apenas para juntar 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 difícil de juntar."

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 os modelos de linguagem de grande escala podem fazer que provavelmente não precisam ser feitas", disse ele. Por exemplo, embora a correspondência comercial seja um caso de uso potencial, grande parte já é tratada por cartas padrão e automação básica. "Uma carta padrão já foi aprovada por advogados, e qualquer coisa escrita por modelos de linguagem de grande escala provavelmente terá que ser vista por um advogado. E isso não vai economizar tempo."
• Aumento de Custos: 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 vão continuar tão baratos quanto são agora. À medida que mais pessoas os usam, o espaço computacional tem que aumentar, apenas a demanda por eletricidade é grande. Alguém tem que pagar por isso."
• Necessidade de Validação: As saídas da IA generativa podem ser adequadas para tarefas simples como e-mails, mas para relatórios mais complexos, a validação é crucial. "Se você vai usar para algo importante, é melhor ter certeza de que está correto. E como você vai saber se está correto? Bem, ajuda ter um especialista; alguém que possa validar independentemente e saiba algo sobre o tema. Para procurar alucinações ou resultados estranhos, e que esteja atualizado."
• Sobrecarga de Informação: 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 sobre a confiabilidade. "Este é um problema de confiabilidade -- o que você faria com seu relatório? Você gera um que faz sua divisão parecer melhor, e você dá isso ao chefe."
• Tomada de Decisão Humana: As pessoas frequentemente preferem tomar decisões baseadas em sentimentos ou preferências pessoais, o que pode ser desafiador para as máquinas influenciarem. Cappelli apontou que, mesmo quando a IA poderia ajudar na tomada de decisões, 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." Junto a isso, gerenciar bancos de dados e abordar problemas de poluição de dados continuarão sendo tarefas críticas.