Штучний інтелект створює більше робочих місць ніж забирає

Генеративний ШІ, відомий своєю здатністю заощаджувати час і підвищувати продуктивність, має свої власні проблеми. Прихована праця, пов'язана з розробкою та підтримкою великих мовних моделей (BLM), і придатність традиційної автоматизації для багатьох завдань означає, що переваги ШІ не обходяться без витрат.

А тим часом ChatGPT дає неправильні відповіді на запитання щодо програмування в 52% випадків

За словами Каппеллі, хоча генеративний ШІ може виконувати численні функції, не всі з них є необхідними, що акцентує на неефективності і надмірності системи.

Каппеллі наголошує, що сміливі прогнози, зроблені технологічними компаніями щодо ШІ, часто не відповідають дійсності.

Амбітні обіцянки щодо повністю автономних вантажівок та автомобілів, які лунали лише кілька років тому від Ілона Маска, досі залишаються не до кінця реалізованими і викликають більше проблем.

Ці прогнози не справдилися через невирішені юридичні, страхові та програмні проблеми. Завищені очікування та реальні можливості функцій сильно різняться, а водіїв вантажівок мають куди більше завдань та ніж просто водіння і таку роботу не так просто автоматизувати.

Так само і в розробці програмного забезпечення програмісти витрачають багато часу на завдання, не пов'язані з власне кодуванням, такі як зустрічі, обговорення бюджету та управління проєктами.

Ця аналогія поширюється і на ширше використання генеративного ШІ, де економія робочої сили врівноважується значними зусиллями, необхідними для створення, підтримки та перевірки систем ШІ.

Вимоги генеративного ШІ та BNM створюють нові робочі місця

Такі завдання, як управління базами даних, організація матеріалів і перевірка звітів, стають важливою роботою, яку повинні виконувати люди. Попри давню присутність операційного ШІ, він залишається далеким від досконалості і часто не використовується повною мірою через складнощі об'єднання розрізнених даних з різних джерел. Така інтеграція вимагає значних людських зусиль для подолання політичних і технічних бар'єрів.

Каппеллі також окреслює кілька важливих викликів, з якими стикаються генеративний ШІ та BNM:

• Надмірність рішень: Магістри права часто надто потужні для простих завдань, таких як ділова кореспонденція, з якими можна ефективно впоратися за допомогою базової автоматизації. Крім того, юридична перевірка контенту, створеного штучним інтелектом, може звести нанівець будь-яку економію часу.
• Витрати: Зростаюче використання BNM призведе до збільшення обчислювальних та енергетичних потреб, що призведе до збільшення витрат.
• Проблеми валідації: Хоча генеративний ШІ здатний створювати прості результати, складні проєкти вимагають ретельної перевірки згенерованого ШІ контенту, що збільшує час і витрати, особливо в спеціалізованих галузях.
• Перевантаження інформацією: Спрощення звітності за допомогою ШІ може призвести до напливу суперечливої інформації з потенціалом для маніпуляцій на основі висновків, зроблених на основі BNM.
• Людський фактор: Інтуїція та особисті уподобання відіграють значну роль у прийнятті рішень, що обмежує застосування BNM у таких сферах, як найм працівників.

Каппеллі припускає, що найбільш цінним застосуванням генеративного ШІ в найближчій перспективі буде аналіз великих сховищ даних для підтримки прийняття рішень.

Дивіться також Швейцарський стартап запустив перший у світі "живий процесор" з 16 органоїдів мозку

Насамкінець, хоча генеративний ШІ відкриває значні можливості для підвищення продуктивності, його впровадження також створює значну кількість нової роботи. І цю роботу не вдасться легко автоматизувати за допомогою інших моделей, а робити її доведеться людям. Інша справа, що перевіряти правильність згенерованого штучним інтелектом контенту, далеко не робота мрії.