Генеративният AI създава повече работни места, отколкото унищожава

Смята се, че генеративните AI-инструменти помагат за спестяване на време и увеличаване на производителността. Тези предимства обаче се компенсират от количеството скрита работа, необходима за създаване и поддържане на големи езикови модели (LLM). В допълнение, много задачи просто не изискват пълната мощност на AI и простата автоматизация може да е достатъчна.

Питър Капели, професор по мениджмънт в Университета на Пенсилвания, смята така. Според него генеративният AI и LLM заедно ще създадат повече работа за хората, отколкото ще отнемат. Например ще се появят много задачи за управление на бази данни. Освен това генеративният AI прави много неща, които всъщност не са особено необходими.

Въпреки че изкуственият интелект се представя като революционна технология, Капели отбелязва, че „прогнозите на технологичните компании често се оказват напълно погрешни“ . Повечето прогнози за бъдещето на работата не се сбъднаха с времето. Като пример за нереалистични очаквания професорът дава обещанията за бърза поява на автономни камиони и автомобили, които активно се дават още през 2018 г.

Големите планове за технологични трансформации често се спъват срещу суровата реалност. Привържениците на автономните превозни средства популяризираха възможностите на самоуправляващите се камиони, забравяйки за правните проблеми, застраховки, софтуерни неизправности и всичко останало. Капели добавя: „Ако погледнете реалната работа на шофьорите на камиони, ще видите, че те правят много неща, освен просто да шофират, дори и на дълги разстояния.“ Може да се направи аналогия с използването на генеративен AI за разработка на софтуер. Програмистите прекарват по-голямата част от времето си в неща, които нямат нищо общо с компютърното програмиране — говорят с хора, обсъждат бюджети и т.н.

В случая с генеративния AI, потенциалните спестявания на труд и повишаване на производителността се компенсират от количеството скрита работа, необходима за изграждане и поддържане на големи езикови модели и алгоритми.

И генеративният, и оперативният AI създават нова работа. Хората ще трябва да управляват бази данни, да организират материали, да разрешават проблеми с противоречиви отчети, достоверност и др. Това ще доведе до появата на нови задачи и някой ще трябва да ги изпълнява. Оперативният AI, въпреки дългото си съществуване, все още е несъвършен. Машинното обучение с числени данни се използва недостатъчно поради трудността при комбиниране на данните, които са различни и се съхраняват в отделни организации. Обединението изисква големи усилия поради политически и технически бариери.

Капели назовава няколко проблема на генеративния изкуствен интелект и LLM, които трябва да бъдат преодолени:

• Излишък от решения. Големите езикови модели може да са твърде мощни за простите задачи като бизнес кореспонденция, които могат да бъдат автоматизирани с букви и механична автоматизация. Правният преглед на съдържанието, генерирано от AI, отрича спестяванията на време.
• Разходи. С увеличаващото се използване на LLM, необходимостта от изчислителни ресурси и потребление на енергия ще се увеличи, което ще доведе до повишаване на разходите.
• Проблем с валидирането. Генеративният изкуствен интелект е полезен за създаване на прости неща като имейли. Но за по-сложни отчети и проекти е необходимо да се провери точността на цялата получена информация. Следователно, заключенията на AI изискват човешка проверка. Това увеличава времето и разходите, особено за тясно специализираните теми. Възможно е да се проверят заключенията на някои големи езикови модели с други, но надеждността на такъв метод е под въпрос.
• Претоварване с информация. По-лесното генериране на информация ще доведе до приток на противоречиво съдържание. Хората могат да манипулират информацията въз основа на заключенията на LLM.
• Човешки фактор. Хората често вземат решения въз основа на интуиция и лични предпочитания. Това ограничава приложението на LLM в области като наемане на служители.

Капели вярва, че най-полезното приложение на генеративния AI в близко бъдеще ще бъде анализът на огромни масиви от данни за вземането на решения.