生成式AI增加工作量而非節省時間

生成式AI的雙刃劍

生成式人工智慧（AI）工具常被宣稱為節省時間和提升生產力的利器。它們確實能快速幫助你執行程式碼或生成報告，但其中有個問題。開發和維護大型語言模型（LLMs）所需的幕後工作，可能實際上比最初節省的時間還需要更多的人力。此外，許多任務其實可以通過更簡單的自動化方式有效處理，而不需要動用AI的重型武器。

賓夕法尼亞大學沃頓商學院的管理學教授Peter Cappelli在最近的MIT活動中分享了這些見解。他認為，從更廣泛的角度來看，生成式AI和LLMs可能產生的額外工作比它們減輕的更多。這些模型的實施相當複雜，Cappelli指出：「事實上，生成式AI能做的許多事情，我們其實並不需要去做。」

AI的炒作與現實

雖然AI常被譽為革命性技術，但Cappelli警告，科技產業的預測往往過於樂觀。他說：「事實上，關於工作的技術預測長期以來大多是錯誤的。」他舉例提到無人駕駛卡車和汽車，這些原本預計在2018年廣泛應用，但至今尚未完全實現。

科技驅動轉型的宏大願景往往因實際挑戰而受挫。無人駕駛車的倡導者專注於這些車輛「能」做什麼，而非解決必要的監管許可、保險問題和軟體複雜性。Cappelli還指出，卡車司機除了駕駛外，還執行許多其他任務，這使得向無人駕駛的轉型更加複雜。

生成式AI在軟體開發與商業中的應用

將生成式AI應用於軟體開發和商業運營時，同樣會面臨複雜性。Cappelli強調，程式設計師花費大量時間在非編碼活動上，例如溝通和預算談判。他說：「即使在程式設計方面，也並非所有工作都是真正的編碼。」

AI驅動創新的承諾令人興奮，但其實施往往面臨現實世界的障礙。生成式AI的勞力節省和生產力優勢，可能被支持LLMs和演算法所需的廣泛後端工作所掩蓋。

AI生成的新工作

根據Cappelli的說法，生成式和運營型AI都會引入新任務。他說：「人們需要管理資料庫，組織材料，解決報告衝突、有效性等問題。這將產生許多新任務，總得有人去做這些事。」

即使是已存在一段時間的運營型AI，也在持續演變。Cappelli指出，數值資料的機器學習尚未被充分利用，部分原因是資料庫管理的挑戰。「僅僅是將資料整合起來以便分析，就需要大量努力。資料在不同組織中往往分散在不同孤島中，這在政治上和技術上都很難整合。」

採用生成式AI和LLMs的挑戰

Cappelli指出了採用生成式AI和LLMs的幾個障礙：

• 許多任務過於誇張：他說：「大型語言模型能做的許多事情，可能根本不需要去做。」例如，雖然商務通信是一個潛在應用場景，但大多數已經由格式信函和基本自動化處理。「格式信函已經由律師審核過，而大型語言模型撰寫的任何內容可能都需要律師再次審查，這不會節省任何時間。」
• 成本增加：Cappelli警告，用AI取代常規自動化可能會更昂貴。「大型語言模型的成本不見得會像現在這樣便宜。隨著使用人數增加，計算空間需求上升，單是電力需求就很大。總得有人為此付費。」
• 驗證需求：生成式AI的輸出可能適用於簡單任務，如電子郵件，但對於更複雜的報告，驗證至關重要。「如果你要用它來處理重要事務，你最好確保它是正確的。你怎麼知道它是否正確？這需要有專家獨立驗證，了解主題的人員，檢查是否存在幻覺或異常結果，並確保內容是最新的。」
• 資訊過載：生成報告和輸出的便利可能導致資訊量過大，有時甚至互相矛盾。Cappelli說：「因為生成報告和輸出相當容易，你會得到更多回應。」他還指出，LLMs對同一提示可能產生不同回應，引發可靠性問題。「這是可靠性的問題——你會怎麼處理你的報告？你生成一份讓你的部門看起來更好的報告，然後交給老闆。」
• 人的決策：人們往往傾向根據直覺或個人偏好做決定，這對機器影響決策構成挑戰。Cappelli指出，即使AI能在決策中提供幫助，例如招聘，人們也傾向於遵循自己的直覺。「機器學習已經可以為我們做到這一點。如果你建立了模型，你會發現負責決策的線上管理者並不想使用它。」

潛在的近期應用

儘管存在這些挑戰，Cappelli認為生成式AI在篩選資料和支持決策過程方面仍有潛力。他說：「我們現在正在清理我們無法自行分析的資料。AI在這方面會比我們做得好得多。」與此同時，管理資料庫和解決資料污染問題仍將是關鍵任務。