Генеративный ИИ может создавать больше работы, чем экономить

Решение проблемы или возможности с помощью генеративного ИИ может оказаться излишним.

Все согласны с тем, что инструменты генеративного искусственного интеллекта (ИИ) помогают людям экономить время и повышать производительность. Однако, несмотря на то что эти технологии упрощают выполнение кода или быстрое создание отчетов, работа по созданию и поддержке больших языковых моделей (LLM) может потребовать больше человеческого труда, чем сэкономленные усилия. Кроме того, для многих задач может не потребоваться мощь искусственного интеллекта, когда достаточно будет стандартной автоматизации.

Так считает Питер Каппелли, профессор менеджмента из Уортонской школы при Пенсильванском университете, который выступил на недавнем мероприятии MIT. В совокупности генеративный ИИ и LLM могут создать больше работы для людей, чем облегчить задачи. LLM сложны в реализации, и "оказывается, есть много вещей, которые может сделать генеративный ИИ, и которые нам на самом деле не нужны", - сказал Каппелли.

Хотя ИИ преподносится как технология, меняющая правила игры, "прогнозы со стороны технологов часто оказываются впечатляюще неверными", - отметил он. "На самом деле, большинство технологических прогнозов о работе со временем оказываются неверными". По его словам, неминуемая волна грузовых и легковых автомобилей без водителя, предсказанная в 2018 году, является примером радужных прогнозов, которым еще предстоит сбыться.

Широкие представления о преобразованиях, обусловленных технологиями, часто увязают в мелочах. Сторонники автономных автомобилей пропагандируют то, что "могут делать грузовики без водителя, а не то, что нужно сделать и что требуется для соблюдения правил - вопросы страхования, вопросы программного обеспечения и все эти вопросы". Кроме того, Каппелли добавил: "Если посмотреть на их реальную работу, водители грузовиков делают много других вещей, кроме вождения грузовиков, даже на дальних перевозках".

Аналогичную аналогию можно провести и с использованием генеративного ИИ для разработки программного обеспечения и бизнеса. Программисты "проводят большую часть своего времени, занимаясь вещами, которые не имеют ничего общего с компьютерным программированием", - сказал он. "Они разговаривают с людьми, согласовывают бюджеты и все в таком духе. Даже если речь идет о программировании, не все из этого на самом деле является программированием".

Технологические возможности инноваций интригуют, но их внедрение, как правило, тормозится реалиями на местах. В случае с генеративным ИИ любые преимущества в плане экономии труда и производительности могут быть перевешены объемом внутренней работы, необходимой для создания и поддержания LLM и алгоритмов.

Как генеративный, так и операционный ИИ "порождают новую работу", - отметил Каппелли. "Людям приходится управлять базами данных, организовывать материалы, решать проблемы дублирования отчетов, достоверности и тому подобных вещей. Это породит множество новых задач, и кто-то должен будет их выполнять".

По его словам, операционный ИИ, который уже существует некоторое время, все еще находится в процессе разработки. "Машинное обучение с помощью цифр используется явно недостаточно. Часть из них связана с вопросами управления базами данных. Требуется много усилий, чтобы просто собрать данные воедино и проанализировать их. Данные часто находятся в различных силосах в разных организациях, которые сложно собрать воедино как политически, так и технически".

Каппелли называет несколько проблем, которые необходимо преодолеть при переходе к генеративному ИИ и LLM:

• Решение проблемы/возможности с помощью генеративного ИИ/LLM может оказаться излишним - "Есть много вещей, которые могут делать большие языковые модели, но которые, вероятно, не нужно делать", - заявил он. Например, деловая переписка рассматривается как один из вариантов использования, но большая часть работы уже выполняется с помощью писем-формуляров и автоматизации. Добавьте к этому тот факт, что "письмо в форме уже прошло проверку юристами, и все, что написано большими языковыми моделями, вероятно, должно быть просмотрено юристом. И это никак не поможет сэкономить время".
  Замена автоматической работы искусственным интеллектом будет стоить все дороже: "Не так уж очевидно, что большие языковые модели будут стоить так же дешево, как сейчас", - предупреждает Каппелли. "По мере того, как все больше людей будут их использовать, компьютерное пространство должно увеличиваться, потребность в электричестве тоже велика. Кто-то должен за это платить".
• Люди нужны для проверки результатов работы генеративного ИИ - отчеты или результаты работы генеративного ИИ могут быть хороши для относительно простых вещей, таких как электронная почта, но для более сложных отчетов или мероприятий необходимо подтверждение того, что все точно. "Если вы собираетесь использовать его для чего-то важного, вам лучше быть уверенным, что он правильный. А как вы узнаете, правильно ли это? Ну, тут не обойтись без эксперта - человека, который может провести независимую проверку и что-то знает по этой теме. Чтобы проверить, нет ли галлюцинаций или странных результатов, а также убедиться, что данные актуальны. Некоторые люди говорят, что для оценки этого можно использовать другие большие языковые модели, но это скорее вопрос надежности, чем валидности. Мы должны как-то проверить это, а это не всегда легко и дешево".
• Генеративный ИИ утопит нас в слишком большом количестве информации, порой противоречивой: "Поскольку генерировать отчеты и результаты довольно просто, вы получите больше ответов", - говорит Каппелли. Кроме того, LLM может даже давать разные ответы на один и тот же запрос. "Это вопрос надежности - что вы будете делать с вашим отчетом? Вы подготовите такой, в котором ваше подразделение будет выглядеть лучше, и отдадите его начальнику". Кроме того, он предупреждает: "Даже люди, создающие эти модели, не могут дать вам однозначных ответов. Неужели мы собираемся утопить людей в разбирательстве различий между этими результатами?"
• Люди по-прежнему предпочитают принимать решения, основываясь на интуиции или личных предпочтениях - эту проблему машинам будет сложно преодолеть. Организации могут вкладывать большие суммы денег в создание и управление LLM для таких ролей, как подбор кандидатов на работу, но исследование за исследованием показывает, что люди склонны нанимать тех, кто им нравится, а не тех, кто им нравится по результатам аналитики, говорит Каппелли. "Машинное обучение уже может сделать это за нас. Если вы создадите модель, то обнаружите, что ваши линейные менеджеры, которые уже принимают решения, не захотят ее использовать". Еще один пример того, что "если вы ее создадите, они не обязательно придут"".

Каппелли считает, что в ближайшей перспективе наиболее полезным применением генеративного ИИ будет просеивание данных и проведение анализа для поддержки процессов принятия решений. "Мы уже сейчас получаем данные, которые не можем проанализировать самостоятельно", - сказал он. По его словам, "это будет получаться гораздо лучше, чем у нас". Наряду с управлением базами данных, "кто-то должен беспокоиться об ограждениях и проблемах загрязнения данных".