Генеративний ШІ створює більше робочих місць, аніж знищує

Вважається, що інструменти генеративного штучного інтелекту допомагають економити час і підвищувати продуктивність. Однак ці переваги нівелюються обсягом прихованої роботи, необхідної для створення і підтримки великих мовних моделей (ВММ). Крім того, багато завдань просто не потребують усієї потужності ШІ, і може вистачити звичайної автоматизації.

Так вважає Пітер Каппеллі, професор менеджменту в Пенсільванському університеті. На його думку, у сукупності генеративний ШІ та ВММ створять для людей більше роботи, ніж заберуть. Наприклад, з’явиться багато завдань з управління базами даних. До того ж генеративний ШІ робить багато речей, які, по суті, не особливо потрібні.

Хоча штучний інтелект подається як революційна технологія, Капеллі зазначає, що “прогнози з боку технологічних компаній часто виявляються абсолютно невірними”. Більшість передбачень про майбутнє роботи з часом не справдилися. Як приклад нереалістичних очікувань професор наводить обіцянки про швидку появу автономних вантажівок і автомобілів, які активно давалися ще 2018 року.

Великі плани технологічних перетворень часто спотикаються об сувору реальність. Прихильники автономних транспортних засобів просували здібності безпілотних вантажівок, забуваючи про розв’язання юридичних питань, страхування, проблеми з програмним забезпеченням і всього іншого. Капеллі додав: “Якщо ви подивитеся на реальну роботу водіїв вантажівок, то побачите, що вони роблять багато речей, крім простого водіння, навіть на далеких рейсах”. Можна провести аналогію з використанням генеративного ШІ для розробки програмного забезпечення. Програмісти витрачають більшу частину часу, займаючись речами, що не мають нічого спільного з комп’ютерним програмуванням. Вони розмовляють з людьми, обговорюють бюджети і так далі.

У випадку з генеративним ШІ потенційна економія праці та підвищення продуктивності нівелюються обсягом прихованої роботи, необхідної для створення та підтримки великих мовних моделей і алгоритмів.

Як генеративний, так і операційний ШІ створюють нову роботу. Людям доведеться керувати базами даних, організовувати матеріали, розв’язувати проблеми суперечливих звітів, достовірності тощо. Це призведе до появи нових завдань, і хтось повинен буде їх виконувати. Операційний ШІ, незважаючи на його давнє існування, все ще недосконалий. Машинне навчання з числовими даними недовикористовується через складнощі з об’єднанням даних, які розрізнені та зберігаються в різних організаціях. Об’єднання вимагає великих зусиль через політичні та технічні бар’єри.

Каппеллі називає кілька проблем генеративного штучного інтелекту і ВММ, які необхідно подолати:

• Надмірність рішень. Великі мовні моделі можуть бути занадто потужними для простих завдань, таких як ділове листування, які можна автоматизувати за допомогою бланків листів і механічної автоматизації. Юридична перевірка контенту, створеного ШІ, зводить нанівець економію часу.
• Витрати. У міру зростання використання ВММ збільшуватимуться потреби в обчислювальних ресурсах і енергоспоживанні, що призведе до зростання витрат.
• Проблема з валідацією. Генеративний ШІ корисний для створення простих речей, на кшталт електронних листів. Але для складніших звітів і проєктів необхідна перевірка точності всієї отриманої інформації. Тому висновки ШІ вимагають перевірки людиною. Це збільшує час і витрати, особливо для вузькоспеціалізованих тем. Можна перевіряти висновки одних великих мовних моделей іншими, але надійність такого методу під питанням.
• Перевантаження інформацією. Простіше створення звітів призведе до напливу суперечливої інформації. Люди можуть маніпулювати відомостями, заснованими на висновках ВММ.
• Людський фактор. Люди часто ухвалюють рішення, покладаючись на інтуїцію та особисті переваги. Це обмежує застосування ВММ у таких сферах, як найм співробітників.

Капеллі вважає, що найкориснішим додатком генеративного ШІ в найближчому майбутньому буде аналіз величезних сховищ даних для підтримки ухвалення рішень. “