生成式AI增加工作量而非节省时间

生成式AI的双刃剑

生成式人工智能（AI）工具常被宣传为节省时间和提升生产力的利器。它们确实能帮助你快速运行代码或生成报告，但其中有陷阱。开发和维护大型语言模型（LLMs）所需的幕后工作实际上可能比最初节省的时间需要更多的人力。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MIT活动中分享了这些见解。他认为，从更广泛的角度看，生成式AI和LLMs可能会产生比它们减轻的更多工作。这些模型的实施复杂，卡佩利指出：“事实证明，生成式AI能做的许多事情我们其实并不需要做。”

AI的炒作与现实

虽然AI常被誉为革命性技术，但卡佩利警告说，科技行业的预测可能过于乐观。“事实上，关于工作的技术预测大多是错误的，”他说道。他举了无人驾驶卡车和汽车的例子，这些技术本应在2018年广泛应用，但至今未能完全实现。

技术驱动转型的宏伟愿景常常在实际挑战面前受挫。无人驾驶汽车的倡导者专注于这些车辆可能做到的事情，而没有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，卡车司机除了驾驶外还执行一系列其他任务，这使得向无人驾驶的转变更加复杂。

生成式AI在软件开发和商业中的应用

将生成式AI应用于软件开发和商业运营时，也出现了类似的复杂性。卡佩利强调，程序员的大部分时间花在非编码活动上，如沟通和预算谈判。“即使在编程方面，也并非所有工作都是实际编程，”他说道。

AI驱动的创新前景令人兴奋，但其实施常常面临现实障碍。生成式AI的节省劳动力和生产力优势可能被支持LLMs和算法所需的广泛后台工作所掩盖。

AI生成的新工作

卡佩利表示，生成式和操作性AI都会引入新任务。“人们需要管理数据库，整理材料，解决报告冲突、有效性等问题。这将产生许多新任务，总得有人去做。”

即使是已经存在一段时间的操作性AI，也在不断发展。卡佩利指出，基于数值数据的人工智能学习尚未得到充分利用，部分原因是数据库管理的挑战。“将数据整合以便分析需要大量努力。数据往往在不同组织中分布在不同的孤岛中，政治上和技术上都难以整合。”

采用生成式AI和LLMs的挑战

卡佩利指出了采用生成式AI和LLMs的几个障碍：

• 对许多任务而言过于强大：“大型语言模型能做的很多事情可能并不需要做，”他说道。例如，虽然商业信函是一个潜在用例，但其中大部分已经通过模板信和基本自动化处理。“模板信已经经过律师审核，而大型语言模型写的内容可能还得再由律师审一遍。这并不会节省任何时间。”
• 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昂贵。“目前还不清楚大型语言模型的成本会像现在这样低。随着使用的人增多，计算资源需求增加，单是电力需求就很大。总得有人为此买单。”
• 验证需求：生成式AI的输出可能适合简单任务如电子邮件，但对于更复杂的报告，验证至关重要。“如果你要用它做重要的事情，最好确保它是正确的。你怎么知道它是对的？嗯，有个专家会很有帮助；一个能独立验证并了解相关主题的人。检查是否存在幻觉或奇怪的结果，并确保信息是最新的。”
• 信息过载：生成报告和输出的便捷性可能导致信息量过大，有时甚至相互矛盾。“因为生成报告和输出相当容易，你会得到更多回应，”卡佩利说。他还指出，LLMs可能对同一提示产生不同回应，引发可靠性问题。“这是一个可靠性问题——你会怎么处理你的报告？你生成一份让你的部门看起来更好的报告，然后交给老板。”
• 人类决策：人们往往更喜欢基于直觉或个人偏好做决定，这对机器的影响是个挑战。卡佩利指出，即使AI可以在决策中提供帮助，例如在招聘中，人们也倾向于跟随自己的直觉。“人工智能学习已经可以为我们做到这一点。如果你建立了模型，你会发现那些已经在做决定的现场经理并不想使用它。”

潜在的近期应用

尽管存在这些挑战，卡佩利认为生成式AI在筛选数据和支持决策过程方面有潜力。“我们现在正在处理我们自己无法分析的数据，”他说道。“它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仍将是关键任务。