Генеративный ИИ создает больше рабочих мест чем забирает, говорит профессор Питер Каппелли

Генеративный ИИ, известен своей способностью экономить время и повышать производительность, имеет свои собственные проблемы. Скрытый труд, связан с разработкой и поддержкой больших языковых моделей (BLM), и пригодность традиционной автоматизации для многих задач означает, что преимущества ИИ не обходятся без затрат.

А тем временем ChatGPT дает неправильные ответы на вопросы по программированию в 52% случаев

По словам Каппелли, хотя генеративный ИИ может выполнять многочисленные функции, не все из них являются необходимыми, что акцентирует на неэффективности и избыточности системы.

Каппелли отмечает, что смелые прогнозы, сделанные технологическими компаниями относительно ИИ, часто не соответствуют действительности.

Амбициозные обещания по полностью автономных грузовиков и автомобилей, которые звучали всего несколько лет назад от Илона Маска, до сих пор остаются не до конца реализованными и вызывают больше проблем.

Эти прогнозы не оправдались из-за нерешенных юридических, страховых и программных проблем. Завышенные ожидания и реальные возможности функций сильно разнятся, а водителей грузовиков имеют куда больше задач и чем просто вождение и такую работу не так просто автоматизировать.

Так же и в разработке программного обеспечения программисты тратят много времени на задачи, не связанные с собственно кодированием, такие как встречи, обсуждение бюджета и управление проектами.

Эта аналогия распространяется и на более широкое использование генеративного ИИ, где экономия рабочей силы уравновешивается значительными усилиями, необходимыми для создания, поддержки и проверки систем ИИ.

Требования генеративного ИИ и BNM создают новые рабочие места

Такие задачи, как управление базами данных, организация материалов и проверка отчетов, становятся важной работой, которую должны выполнять люди. Несмотря на давнее присутствие операционного ИИ, он остается далеким от совершенства и часто не используется в полной мере из-за сложностей объединения разрозненных данных из разных источников. Такая интеграция требует значительных человеческих усилий для преодоления политических и технических барьеров.

Каппелли также очерчивает несколько важных вызовов, с которыми сталкиваются генеративный ИИ и BNM:

• Избыточность решений: Магистры права часто слишком мощные для простых задач, таких как деловая корреспонденция, с которыми можно эффективно справиться с помощью базовой автоматизации. Кроме того, юридическая проверка контента, созданного искусственным интеллектом, может свести на нет любую экономию времени.
• Затраты: Растущее использование BNM приведет к увеличению вычислительных и энергетических потребностей, что приведет к увеличению расходов.
• Проблемы валидации: Хотя генеративный ИИ способен создавать простые результаты, сложные проекты требуют тщательной проверки сгенерированного ИИ контента, что увеличивает время и затраты, особенно в специализированных отраслях.
• Перегрузка информацией: Упрощение отчетности с помощью ИИ может привести к наплыву противоречивой информации с потенциалом для манипуляций на основе выводов, сделанных на основе BNM.
• Человеческий фактор: Интуиция и личные предпочтения играют значительную роль в принятии решений, что ограничивает применение BNM в таких сферах, как найм работников.

Каппелли предполагает, что наиболее ценным применением генеративного ИИ в ближайшей перспективе будет анализ больших хранилищ данных для поддержки принятия решений.

Смотрите также Швейцарский стартап запустил первый в мире "живой процессор" из 16 органоидов мозга

Наконец, хотя генеративный ИИ открывает значительные возможности для повышения производительности, его внедрение также создает значительное количество новой работы. И эту работу не удастся легко автоматизировать с помощью других моделей, а делать ее придется людям. Другое дело, что проверять правильность сгенерированного искусственным интеллектом контента, далеко не работа мечты.