გენერაციული AI დასრულდა. ეს ფრაზა განზრახ პროვოკაციულად ჟღერს, მაგრამ აზრი თავად ტექნოლოგიის გაქრობა არ არის. პირიქით, AI-ის მნიშვნელობა იზრდება. იცვლება მხოლოდ ის, რას ვაფასებთ მასში.
რამდენიმე წლის წინ შთამბეჭდავი იყო თავად ფაქტი, რომ ჩატბოტს ხუთგვერდიანი ანგარიში, გაყიდვების პრეზენტაცია ან მარკეტინგული ტექსტი რამდენიმე წამში შეეძლო შეექმნა. დღეს მსგავსი შედეგი უკვე ყველასთვის ხელმისაწვდომია და ამიტომ რაოდენობა თავისთავად უპირატესობა აღარ არის. ხუთი გვერდი, როცა ერთი ზუსტი აბზაცი საკმარისი იქნებოდა, პროდუქტიულობის მაჩვენებელი კი არა, ხშირად ზედმეტი სამუშაოა.
იგივე ეხება ბიზნესებსაც, რომლებიც არსებულ პროდუქტს უბრალოდ ჩატბოტს ამატებენ და თავს „AI-native“ კომპანიად აცხადებენ. გენერაციული AI იმდენად გავრცელდა, რომ მისი არსებობა კონკურენტულ უპირატესობად სულ უფრო ნაკლებად მუშაობს. მთავარი კითხვა უკვე სხვაა: რას აკეთებს კომპანია AI-ით უკეთესად, რა მონაცემები აქვს სხვებისგან განსხვავებული და როგორ გარდაქმნის მიღებულ ინფორმაციას კონკრეტულ მოქმედებად.
პირველი პრინციპი მარტივია: AI ინსტრუმენტია და არა ადამიანის სრული შემცვლელი. ერთი პროცესის ასჯერ აჩქარება ავტომატურად არ ნიშნავს, რომ მთელი სისტემა ასჯერ უკეთ მუშაობს. თუ საბოლოო გადაწყვეტილება ცუდია, უფრო სწრაფად წარმოებული მასალა მხოლოდ პრობლემას ზრდის.
ამიტომ გამოცდილ ადამიანს კვლავ მნიშვნელოვანი როლი აქვს. AI-ს შეუძლია უზარმაზარი მოცულობის ინფორმაციის დამუშავება, ვარიანტების გენერირება და სამუშაოს აჩქარება, მაგრამ საჭიროა ადამიანი, რომელიც არჩევს, რა არის მნიშვნელოვანი, რა არის სწორი და სად შეიძლება ავტომატიზაციამ შეცდომა დაუშვას.
მეორე პრინციპი ადამიანის გამოცდილებას ეხება. რეალურ სამყაროში გამოცდილი სამუშაო პროცესი AI-ისთვის გაცილებით ღირებული საფუძველია, ვიდრე თეორიულად შექმნილი ავტომატიზაცია. კომპანიას, რომელსაც წლების განმავლობაში აქვს დაგროვილი ცოდნა მომხმარებლების, ლოgისტიკის, გაყიდვების ან ოპერაციების შესახებ, მხოლოდ ახალი AI ხელსაწყოთი მარტივად ვერ ჩაანაცვლებ.
ამის მაგალითია Amazon. კომპანიის უპირატესობა მხოლოდ იმაში არ არის, რომ AI-ს იყენებს. მას ათასობით თანამშრომლის გამოცდილებაც აქვს, რომლებმაც კონკრეტული პრობლემები რეალურ გარემოში არაერთხელ გადაჭრეს. სწორედ ასეთი ცოდნა ქმნის სისტემებს, რომელთა გამეორებაც მხოლოდ მოდელზე წვდომით შეუძლებელია.
მესამე საკითხი მონაცემებია. როცა თითქმის ყველა კომპანიას ერთი და იგივე მოდელებზე და გამოთვლით რესურსებზე შეუძლია წვდომა, ტექნოლოგია თავისთავად ნაკლებად უნიკალური ხდება. განსხვავებას ქმნის ინფორმაცია, რომელიც სხვას არ აქვს. ეს შეიძლება იყოს მომხმარებლის ქცევის წლების განმავლობაში დაგროვილი ისტორია, შიდა ოპერაციული მონაცემები, სპეციალური სამუშაო პროცესები ან ისეთი უკუკავშირი, რომელსაც კომპანია ყოველდღიურად აგროვებს. AI-ის ღირებულება მაშინ იზრდება, როცა ის სწორედ ამ უნიკალურ მონაცემებთან მუშაობს და არა მხოლოდ საჯაროდ ხელმისაწვდომ ინფორმაციას გადაამუშავებს.
მაგრამ ყველაზე მნიშვნელოვანი ცვლილება პროდუქტიულობის გაგებაში ხდება.
ნაკლები შეიძლება უფრო ღირებული იყოს
AI-ის პირველი ტალღა რაოდენობას გვთავაზობდა. მეტი ტექსტი, მეტი იდეა, მეტი ვერსია, მეტი სლაიდი, მეტი ფუნქცია. ახლა პრობლემა სწორედ ეს სიჭარბეა. ადამიანები ყოველდღიურად იღებენ იმაზე მეტ ტექსტსა და ინფორმაციას, ვიდრე რეალურად შეუძლიათ წაიკითხონ და გადაამუშაონ. შედეგად, ვრცელი AI პასუხი ნაკლებად შთამბეჭდავი ხდება. ხშირად გაცილებით მეტი ღირებულება აქვს ადამიანს, რომელიც უზარმაზარ მასალაში ერთ მნიშვნელოვან ფაქტს იპოვის და მოკლედ აგიხსნის, რატომ არის ის მნიშვნელოვანი.
ამიტომ, შევდივართ AI brevity-ის ეპოქაში, სადაც მთავარი პრინციპი „ნაკლები მეტია“ ხდება.
ამ მიდგომით პროდუქტიულობა აღარ ნიშნავს მხოლოდ იმას, რამდენი რამ შექმენი ერთ საათში. შეიძლება AI-მ ათი გვერდი დაწეროს, მაგრამ თუ მომხმარებელს ერთი ზუსტი გადაწყვეტილება სჭირდება, დანარჩენი ცხრა გვერდი შედეგს არაფერს მატებს.
მაგალითად, მენეჯერს შეიძლება არ სჭირდებოდეს ყველა შეხვედრის ოცგვერდიანი შეჯამება. მას შეიძლება მხოლოდ სამი საკითხი აინტერესებდეს: რა გადაწყვეტილება მიიღეს, რა შეიცვალა და რას ელიან მისგან. AI-ის რეალური ღირებულება ასეთ შემთხვევაში არა ინფორმაციის მაქსიმალურად გაზრდაში, არამედ მის სწორად შემცირებაშია.
იგივე შეიძლება ითქვას გაყიდვებზე, მარკეტინგზე, კვლევასა და პროდუქტის განვითარებაზეც. სწრაფად გენერირებული მასალა საბოლოო შედეგი არ უნდა იყოს. მას სჭირდება ადამიანის ფილტრი, რომელიც გამოყოფს ყველაზე მნიშვნელოვან, შესამოწმებელ და მოქმედებისთვის საჭირო ინფორმაციას.
ამიტომაც, „გენერაციული AI დასრულდა“ სინამდვილეში გენერაციის დასრულებას არ ნიშნავს. სრულდება პერიოდი, როცა თავად გენერირების უნარი საკმარისად ღირებული იყო. შემდეგი ეტაპი უფრო რთულია: მონაცემების სწორად გამოყენება, პროგნოზირება, გადაწყვეტილებების მიღება და მოქმედება.
