Генеративный ИИ Увеличивает Объем Работы, а Не Экономит Время

Двойной меч генеративного ИИ

Инструменты генеративного искусственного интеллекта (ИИ) часто восхваляются как средства экономии времени и повышения производительности. Они действительно могут помочь быстро запустить код или создать отчеты, но есть подвох. Работа за кулисами, необходимая для разработки и поддержки больших языковых моделей (БЯМ), может на самом деле требовать больше человеческих усилий, чем экономия времени на начальном этапе. Кроме того, многие задачи можно эффективно выполнять с помощью более простых методов автоматизации, без необходимости использовать мощные средства ИИ.

Питер Каппелли, профессор менеджмента в Школе Уортона Пенсильванского университета, поделился этими наблюдениями на недавнем мероприятии MIT. Он утверждает, что в более широком масштабе генеративный ИИ и БЯМ могут создавать больше работы, чем решать проблемы. Эти модели сложны в реализации, и Каппелли отметил: "Оказывается, существует множество вещей, которые генеративный ИИ может делать, но которые нам на самом деле не нужны."

Шумиха против реальности ИИ

Хотя ИИ часто прославляют как революционную технологию, Каппелли предупреждает, что прогнозы технологической индустрии могут быть слишком оптимистичными. "На самом деле, большинство технологических прогнозов о работе со временем оказывались неверными," - заявил он. Он привел в пример беспилотные грузовики и автомобили, которые должны были широко распространиться к 2018 году, но до сих пор не внедрены полностью.

Грандиозные видения технологических трансформаций часто натыкаются на практические трудности. Адвокаты автономных транспортных средств сосредотачивались на том, что эти транспортные средства могут делать, вместо того чтобы решать необходимые регуляторные разрешения, проблемы страхования и сложности программного обеспечения. Каппелли также отметил, что водители грузовиков выполняют широкий спектр задач, выходящих за рамки вождения, что усложняет переход к автономным транспортным средствам.

Генеративный ИИ в разработке программного обеспечения и бизнесе

Аналогичная сложность возникает при применении генеративного ИИ в разработке программного обеспечения и бизнес-операциях. Каппелли подчеркнул, что программисты тратят значительную часть своего времени на не-кодовые мероприятия, такие как коммуникация и переговоры по бюджету. "Даже в программировании не все это действительно программирование," - сказал он.

Обещание инноваций, движимых ИИ, захватывает, но его внедрение часто сталкивается с реальными препятствиями. Преимущества генеративного ИИ в экономии труда и повышении производительности могут быть затмеваться обширной работой на заднем плане, необходимой для поддержки БЯМ и алгоритмов.

Новая работа, генерируемая ИИ

По словам Каппелли, как генеративный, так и операционный ИИ создают новые задачи. "Людям приходится управлять базами данных, организовывать материалы, разрешать проблемы с противоречивыми отчетами, проверять их достоверность и тому подобное. Это создаст множество новых задач, и кто-то должен будет их выполнять."

Даже операционный ИИ, который существует уже некоторое время, продолжает развиваться. Каппелли отметил, что машинное обучение с числовыми данными используется недостаточно, частично из-за сложностей в управлении базами данных. "На сбор данных уходит много усилий, чтобы можно было их проанализировать. Данные часто находятся в разных хранилищах в разных организациях, что политически и технически сложно объединить."

Проблемы с внедрением генеративного ИИ и БЯМ

Каппелли выделил несколько препятствий на пути внедрения генеративного ИИ и БЯМ:

• Избыточность для многих задач: "Существует множество вещей, которые большие языковые модели могут делать, но которые, вероятно, не нужны," - сказал он. Например, хотя деловая переписка является потенциальным вариантом использования, большая часть из нее уже обрабатывается с помощью шаблонных писем и базовой автоматизации. "Шаблонное письмо уже прошло проверку юристами, и все, что написано большими языковыми моделями, вероятно, тоже должны проверять юристы. И это не будет способствовать экономии времени."
• Увеличение затрат: Каппелли предупредил, что замена рутинной автоматизации на ИИ может стать дороже. "Не так уж очевидно, что большие языковые модели будут такими же дешевыми, как сейчас. По мере того как их использует больше людей, потребности в вычислительных мощностях возрастают, одни только требования к электричеству велики. Кто-то должен за это платить."
• Необходимость проверки: Выходные данные генеративного ИИ могут подойти для простых задач, таких как электронные письма, но для более сложных отчетов проверка имеет решающее значение. "Если вы собираетесь использовать это для чего-то важного, лучше убедиться, что это правильно. И как вы узнаете, что это правильно? Полезно иметь эксперта; кого-то, кто может независимо проверить и знает что-то по теме. Чтобы искать галлюцинации или странные результаты и убедиться, что это актуально."
• Информационная перегрузка: Легкость создания отчетов и выходных данных может привести к огромному количеству информации, иногда противоречивой. "Поскольку создание отчетов и выходных данных довольно простое, вы получите больше ответов," - сказал Каппелли. Он также отметил, что БЯМ могут давать разные ответы на один и тот же запрос, что вызывает сомнения в надежности. "Это проблема надежности - что вы будете делать с вашим отчетом? Вы создаете один, который делает ваш отдел лучше, и передаете его начальнику."
• Человеческое принятие решений: Люди часто предпочитают принимать решения на основе интуиции или личных предпочтений, что может быть 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 делать за нас. Если бы вы создали модель, вы бы обнаружили, что ваши линейные менеджеры, которые уже принимают решения, не хотят ее использовать."

Потенциальные краткосрочные применения

Несмотря на эти вызовы, Каппелли видит потенциал в использовании генеративного ИИ для анализа данных и поддержки процессов принятия решений. "Мы сейчас обрабатываем данные, которые не могли анализировать сами," - сказал он. "Это будет делать это гораздо лучше, чем мы." Наряду с этим, управление базами данных и решение проблем с загрязнением данных останутся важными задачами.