Генеративный ИИ Увеличивает Объем Работы, а Не Экономит Время

Двухсторонний меч генеративного ИИ

Инструменты генеративного искусственного интеллекта (ИИ) часто рекламируются как средства экономии времени и повышения производительности. Они действительно могут помочь быстро запускать код или создавать отчеты, но есть подвох. Работа за кулисами, необходимая для разработки и поддержки больших языковых моделей (LLM), может потребовать больше человеческих усилий, чем изначально сэкономленное время. Более того, многие задачи можно эффективно выполнять с помощью более простых методов автоматизации, без использования тяжелой артиллерии ИИ.

Питер Каппелли, профессор менеджмента в Уортонской школе Университета Пенсильвании, поделился этими выводами на недавнем мероприятии MIT. Он утверждает, что в более широком масштабе генеративный ИИ и LLM могут создавать больше работы, чем облегчать. Эти модели сложны в реализации, и, как отметил Каппелли, «оказывается, есть много вещей, которые генеративный ИИ мог бы сделать, но которые нам на самом деле не нужны».

Ажиотаж против реальности ИИ

Хотя ИИ часто прославляют как революционную технологию, Каппелли предупреждает, что прогнозы технологической индустрии могут быть излишне оптимистичными. «На самом деле, большинство технологических прогнозов о работе со временем оказывались ошибочными», — заявил он. В качестве примера он привел беспилотные грузовики и автомобили, которые должны были стать широко распространенными к 2018 году, но до сих пор не полностью реализованы.

Грандиозные видения технологически обусловленных преобразований часто сталкиваются с практическими проблемами. Сторонники автономных транспортных средств сосредотачивались на том, что эти машины могли бы делать, вместо того чтобы решать вопросы, связанные с необходимыми регуляторными разрешениями, страховыми проблемами и сложностями программного обеспечения. Каппелли также отметил, что водители грузовиков выполняют множество задач, помимо вождения, что усложняет переход к автономным транспортным средствам.

Генеративный ИИ в разработке программного обеспечения и бизнесе

Аналогичная сложность возникает при применении генеративного ИИ к разработке программного обеспечения и бизнес-операциям. Каппелли подчеркнул, что программисты тратят значительную часть времени на некодировочные действия, такие как коммуникация и переговоры о бюджете. «Даже в программировании не все сводится к написанию кода», — сказал он.

Обещания инноваций, основанных на ИИ, захватывающие, но их реализация часто сталкивается с реальными препятствиями. Экономия труда и преимущества производительности генеративного ИИ могут быть омрачены обширной работой за кулисами, необходимой для поддержки LLM и алгоритмов.

Новая работа, создаваемая ИИ

По словам Каппелли, как генеративный, так и операционный ИИ порождают новые задачи. «Людям приходится управлять базами данных, организовывать материалы, решать проблемы с противоречивыми отчетами, валидностью и тому подобным. Это создаст множество новых задач, которые кому-то придется выполнять».

Даже операционный ИИ, который существует уже давно, продолжает развиваться. Каппелли отметил, что машинное обучение с числовыми данными используется недостаточно, отчасти из-за проблем с управлением базами данных. «Требуется много усилий, чтобы просто собрать данные для анализа. Данные часто находятся в разных хранилищах в разных организациях, что создает политические и технические трудности для их объединения».

Проблемы внедрения генеративного ИИ и LLM

Каппелли выделил несколько препятствий для внедрения генеративного ИИ и LLM:

• Избыточность для многих задач: «Есть много вещей, которые большие языковые модели могут делать, но которые, вероятно, не нужно делать», — сказал он. Например, хотя деловая переписка является потенциальным случаем использования, большая ее часть уже обрабатывается стандартными письмами и базовой автоматизацией. «Стандартное письмо уже одобрено юристами, а все, что написано большими языковыми моделями, вероятно, должно быть проверено юристом. И это не сэкономит никакого времени».
• Рост затрат: Каппелли предупредил, что замена рутинной автоматизации ИИ может стать дороже. «Не так очевидно, что большие языковые модели будут такими же дешевыми, как сейчас. По мере роста числа пользователей потребуется больше вы decyzjęльных мощностей, а потребности в электроэнергии уже велики. Кому-то придется за это платить».
• Необходимость валидации: Выводы генеративного ИИ могут подходить для простых задач, таких как электронные письма, но для более сложных отчетов валидация имеет решающее значение. «Если вы собираетесь использовать это для чего-то важного, лучше убедитесь, что это правильно. А как вы узнаете, правильно ли это? Помогает наличие эксперта; человека, который может независимо проверить и знает что-то о теме. Чтобы выявить галлюцинации или странные результаты и убедиться, что информация актуальна».
• Информационная перегрузка: Легкость создания отчетов и выводов может привести к подавляющему объему информации, иногда противоречивой. «Поскольку создавать отчеты и выводы довольно легко, вы получите больше ответов», — сказал Каппелли. Он также отметил, что LLM могут выдавать разные ответы на один и тот же запрос, что вызывает вопросы надежности. «Это проблема надежности — что вы будете делать со своим отчетом? Вы создаете тот, который делает ваше подразделение более привлекательным, и передаете его начальству».
• Человеческое принятие решений: Люди часто предпочитают принимать решения, основываясь на интуиции или личных предпочтениях, что сложно для машин повлиять. Каппелли указал, что даже когда ИИ мог бы помочь в принятии решений, например, при найме, люди склонны следовать своим инстинктам. «Машинное обучение уже могло бы это сделать для нас. Если бы вы построили модель, вы бы обнаружили, что ваши линейные менеджеры, которые уже принимают решения, не хотят ее использовать».

Потенциальные краткосрочные применения

Несмотря на эти проблемы, Каппелли видит потенциал в использовании генеративного ИИ для просеивания данных и поддержки процессов принятия решений. «Мы сейчас обрабатываем данные, которые сами не могли проанализировать», — сказал он. «Это будет намного лучше, чем мы». Наряду с этим, управление базами данных и решение проблем с загрязнением данных останутся критически важными задачами.