生成式AI增加工作量而非节省时间

生成性人工智能的双刃剑

生成性人工智能（AI）工具常被称赞为节省时间和提升生产力的利器。它们确实可以帮助你快速运行代码或生成报告，但也有其局限性。开发和维护大型语言模型（LLM）所需的幕后工作可能实际上比最初节省的时间还要多。此外，许多任务可以通过更简单的自动化方法高效处理，无需动用AI的重型武器。

宾夕法尼亚大学沃顿商学院的管理学教授彼得·卡佩利（Peter Cappelli）在最近的麻省理工学院活动中分享了这些见解。他认为，从更广泛的角度来看，生成性AI和LLM可能产生的工作量会超过它们所减轻的工作量。这些模型实施起来非常复杂，卡佩利指出，“事实证明，生成性AI能做很多我们并不真正需要做的事情。”

AI的炒作与现实

虽然AI常被誉为革命性的技术，但卡佩利警告说，科技行业的预测可能过于乐观。他说：“事实上，关于工作的技术预测在长期来看大多是错误的。”他举了无人驾驶卡车和汽车的例子，这些原本预计在2018年就已广泛应用，但至今尚未完全实现。

科技驱动的转型宏伟愿景往往因实际挑战而受挫。自动驾驶车辆的倡导者关注这些车辆能够做什么，而不是解决必要的监管许可、保险问题和软件复杂性。卡佩利还指出，卡车司机的工作不仅仅是驾驶，这使得向自动驾驶车辆的过渡变得复杂。

生成性AI在软件开发和商业中的应用

将生成性AI应用于软件开发和商业运营时，同样会遇到复杂性。卡佩利强调，程序员花费大量时间在非编码活动上，如沟通和预算谈判。他说：“即使在编程方面，并非所有工作都是实际的编程。”

AI驱动的创新前景令人兴奋，但其实施往往面临现实世界的障碍。生成性AI的节省劳动力和提高生产力的好处可能会被支持LLM和算法所需的大量后台工作所掩盖。

AI带来的新工作

根据卡佩利的说法，生成性和操作性AI都引入了新的任务。他说：“人们必须管理数据库，他们必须组织材料，他们必须解决这些相互矛盾的报告、有效性等问题。这将产生很多新的任务，有人得去做这些。”

即使是已经存在了一段时间的操作性AI，也在不断发展。卡佩利指出，利用数值数据进行机器学习未被充分利用，部分原因是数据库管理的挑战。他说：“仅仅是将数据整合起来以便分析就需要付出很多努力。数据通常在不同组织的不同孤岛中，这些孤岛在政治上和技术上都很难整合。”

采用生成性AI和LLM的挑战

卡佩利指出了采用生成性AI和LLM的几个障碍：

• 对许多任务而言过于复杂：他说：“大型语言模型能做很多事情，但这些事情可能并不需要做。”例如，虽然商业通信是一个潜在的用例，但大部分已经通过标准信函和基本自动化来处理。“标准信函已经通过律师审核，而大型语言模型生成的任何内容都可能需要律师审核。这不会节省任何时间。”
• 成本增加：卡佩利警告说，用AI替代常规自动化可能会变得更加昂贵。他说：“大型语言模型未来的成本是否会像现在这样低还不清楚。随着更多人使用它们，计算空间需求会增加，仅电力需求就是一笔不小的开支。有人得为此买单。”
• 需要验证：生成性AI的输出可能适合简单的任务，如电子邮件，但在更复杂的报告中，验证至关重要。卡佩利说：“如果你要用它来做重要的事情，你最好确保它是正确的。你怎么知道它是否正确呢？最好有一个专家；一个能独立验证并且了解该主题的人。查找幻觉或古怪的结果，并确保信息是最新的。”
• 信息过载：生成报告和输出的便利性可能会导致信息量过大，有时甚至是矛盾的。卡佩利说：“因为生成报告和输出很容易，你会得到更多的回应。”他还指出，LLM对同一提示可能产生不同的回应，引发了可靠性问题。“这是一个可靠性问题——你会怎么处理你的报告？你生成一个让你的部门看起来更好的报告，然后把它交给老板。”
• 人类决策：人们往往更喜欢基于直觉或个人偏好做出决策，这对机器来说可能难以影响。卡佩利指出，即使AI可以协助决策，如在招聘中，人们往往会遵循自己的直觉。他说：“机器学习已经可以为我们做到这一点。如果你建立了模型，你会发现已经在做决策的一线经理们并不想使用它。”

潜在的近期应用

尽管存在这些挑战，卡佩利认为生成性AI在筛选数据和支持决策过程方面有潜力。他说：“我们现在正在处理我们自己无法分析的数据，AI在这方面会比我们做得好得多。”与此同时，管理数据库和解决数据污染问题将仍然是关键任务。