AI-ის შესახებ სამსახურში თითქმის ყველგან ერთსა და იმავე დაპირებებს ვისმენთ: მეტი პროდუქტიულობა, სწრაფი გადაწყვეტილებები, ნაკლები რუტინული საქმე და თანამშრომლებისთვის მეტი დრო მნიშვნელოვან ამოცანებზე. ბოლო წლის კვლევები კი გაცილებით რთულ სურათს აჩვენებს. AI ნამდვილად აჩქარებს მუშაობის გარკვეულ ნაწილს, მაგრამ ზოგჯერ სამუშაოს მოცულობას ზრდის, ახალ სტრესს ქმნის, ზედმეტ თავდაჯერებას გვიჩენს და იმაზე მეტ ადამიანურ გამოცდილებას მოითხოვს, ვიდრე თავიდან შეიძლება გვეგონოს.
Harvard Business Review-მ ბოლო პერიოდში გამოქვეყნებული კვლევები შეაჯამა და რამდენიმე განმეორებადი ტენდენცია გამოკვეთა. ერთ-ერთი ყველაზე საინტერესო ისაა, რომ თანამშრომლები AI-ს მხოლოდ ცალკეული დავალებების შესასრულებლად აღარ იყენებენ. ზოგი მას უკვე მთელ სამუშაო პროცესს აბარებს, ზოგი კი უფრო პირად როლსაც ანიჭებს, მაგალითად იყენებს როგორც ემოციურ მხარდამჭერს ან სამუშაო პარტნიორს. AI აგენტების გავრცელებასთან ერთად ტექნოლოგია უკვე ისეთ ამოცანებსაც იღებს საკუთარ თავზე, რომლებიც რამდენიმე ეტაპს მოიცავს და ადრე ადამიანს მუდმივი მონაწილეობა სჭირდებოდა.
კვლევებმა აჩვენა, რომ როცა თანამშრომლები AI აგენტებს წარმატებით იყენებენ, ისინი მხოლოდ დროს არ ზოგავენ. ხშირად იწყებენ ისეთი საქმეების კეთებასაც, რომლებიც ადრე სხვა პროფესიის ან სპეციალიზაციის თანამშრომელს დასჭირდებოდა. ერთი შეხედვით ეს აშკარა უპირატესობაა: ადამიანს შეუძლია საკუთარ როლს გასცდეს და უფრო ფართო ამოცანები მოიცვას. მაგრამ სწორედ აქ ჩნდება პრობლემაც. რაც უფრო მეტის გაკეთება შეგვიძლია, მით მეტი საქმის აღებასაც ვიწყებთ.
ამიტომ, პროდუქტიულობის ზრდა ყოველთვის ნაკლებ მუშაობას არ ნიშნავს. ერთ-ერთ კვლევაში თანამშრომლები AI ინსტრუმენტების გამოყენების შემდეგ უფრო სწრაფად მუშაობდნენ, უფრო მრავალფეროვან დავალებებს იღებდნენ და სამუშაოს დღის მეტ საათზე ანაწილებდნენ, ხშირად ისე, რომ ამის გაკეთება მათთვის არავის მოუთხოვია. შედეგად, საწყისი პროდუქტიულობის ზრდას მოგვიანებით გადაწვა და ეფექტიანობის შემცირებაც მოჰყვა.
ამ პრობლემის კიდევ ერთი ფორმაა ე.წ. workslop, გარეგნულად დასრულებული და მოწესრიგებული AI მასალა, რომლის შიგნით ბევრი ხარვეზი იმალება. თუ თანამშრომელი ასეთ შედეგს უბრალოდ სხვას გადააბარებს, დრო რეალურად არ იზოგება. სამუშაო შემდეგ ადამიანზე გადადის, რომელსაც გაურკვეველი ტექსტის, მონაცემების ან იდეების გადამოწმება და გასწორება უწევს. პროდუქტიულობა ერთი ადამიანის დონეზე შეიძლება გაიზარდოს, მაგრამ მთლიან გუნდში პირიქით, დამატებითი სამუშაო გაჩნდეს.
AI აგენტების ზედამხედველობაც თავისებურ დაღლას ქმნის. მკვლევრები აღწერენ მდგომარეობას, რომელსაც „brain fry“ უწოდეს: ინფორმაციულ გადატვირთვას, გადაწყვეტილებებით დაღლას და მუდმივ გონებრივ დაძაბულობას, რომელიც განსაკუთრებით მაშინ ჩნდება, როცა ადამიანი AI აგენტის შედეგებს მუდმივად უნდა აკონტროლებდეს. მარტივი განმეორებადი საქმის ავტომატიზაციამ შეიძლება რეალურად შეგვიმსუბუქოს დატვირთვა, მაგრამ რამდენიმე აგენტის მუდმივმა შემოწმებამ სრულიად ახალი ტიპის სამუშაო შექმნას.
AI-ს ხშირად იმაზე მეტად ვენდობით, ვიდრე საჭიროა
კვლევების მეორე მნიშვნელოვანი ჯგუფი არა თავად AI-ის შესაძლებლობებს, არამედ ჩვენს დამოკიდებულებას ეხება. პრობლემა ისაა, რომ ადამიანები მოდელის პასუხის ხარისხს ხშირად ზედმეტად მაღალ შეფასებას აძლევენ, განსაკუთრებით მაშინ, როცა პასუხი თავდაჯერებულად და გამართულად არის დაწერილი.
ერთ-ერთ კვლევაში აღმასრულებლები გენერაციული AI-ის დახმარებით აქციის ფასს პროგნოზირებდნენ. AI-ის გამოყენებამ ისინი უფრო ოპტიმისტები გახადა, თუმცა პროგნოზების სიზუსტე გაუარესდა. სხვა კვლევამ აჩვენა, რომ LLM-ები შეცდომის შემთხვევაში ყოველთვის უკან არ იხევენ. როდესაც მომხმარებელი მათ პასუხს ეჭვქვეშ აყენებს, მოდელს შეუძლია უფრო დამაჯერებელი რიტორიკა გამოიყენოს და თავდაპირველი დასკვნის დაცვა განაგრძოს.
AI არც ინოვაციის ყველა პრობლემას აგვარებს. ახალი იდეის მოფიქრება პროცესის მხოლოდ მცირე ნაწილია. რთული შეიძლება იყოს სწორი იდეის შერჩევა, მომხმარებლის კვლევა, უკუკავშირის ინტერპრეტაცია და იმის დანახვა, რეალურად რა პრობლემაა გადასაჭრელი. კვლევების მიხედვით, თუ AI-ს ამ პროცესებში დაუფიქრებლად ვიყენებთ, შედეგი ზოგჯერ უარესიც შეიძლება გახდეს.
ამასთან, AI-ის გამოყენების ფაქტიც კი გავლენას ახდენს იმაზე, როგორ ვაფასებთ ნამუშევარს. ერთ ექსპერიმენტში ინჟინრების ორ ჯგუფს ზუსტად ერთი და იგივე კოდი აჩვენეს. ერთს უთხრეს, რომ კოდი AI-მ დაწერა, მეორეს კი, რომ ადამიანის ნამუშევარი იყო. „AI-ის მიერ დაწერილი“ კოდი საშუალოდ 9%-ით დაბლა შეაფასეს. განსაკუთრებით საინტერესოა, რომ ეს ეფექტი ქალი ინჟინრების შემთხვევაში უფრო ძლიერი აღმოჩნდა.
სხვა კვლევამ რეკლამებზე მსგავსი, თუმცა განსხვავებული შედეგი აჩვენა. 3000 ამერიკელ მომხმარებელს 20 ვიდეორგოლი აჩვენეს, რომელთაგან ნახევარი ადამიანებმა შექმნეს, ნახევარი კი AI-მ. მონაწილეებს ხშირად საერთოდ ვერ გაურჩევიათ, რომელი იყო ხელოვნური ინტელექტის ნამუშევარი, მაგრამ ადამიანების მიერ შექმნილ რეკლამებს მაინც უფრო მაღალი მოკლევადიანი გაყიდვების და გრძელვადიანი ბრენდული ეფექტი მიაწერეს.
გამოცდილება ნაკლებად კი არა, უფრო მნიშვნელოვანი ხდება
AI-ის გავრცელებისას ერთ-ერთი გავრცელებული მოლოდინია, რომ ძლიერი მოდელები გამოცდილებასა და პროფესიულ ცოდნას ნაკლებად მნიშვნელოვანს გახდის. კვლევები ჯერჯერობით საპირისპიროს აჩვენებს.
იმისთვის, რომ AI-სგან კარგი შედეგი მიიღო, საჭიროა სწორად ჩამოაყალიბო პრობლემა, შეამჩნიო არასაკმარისი ან მცდარი პასუხი და იცოდე, როგორ გააუმჯობესო იგი. ანუ ტექნოლოგიის ეფექტიანად გამოყენებასაც თავად სფეროს ცოდნა სჭირდება.
დამაჯერებელი ტექსტების შექმნაზე ჩატარებულმა კვლევამ აჩვენა, რომ AI განსაკუთრებით იმ ადამიანებს დაეხმარა, რომლებსაც სფეროში უკვე გარკვეული გამოცდილება ჰქონდათ და ექსპერტებთან სხვაობის შემცირება შეძლეს. ნამდვილ დამწყებებს კი ეფექტი ბევრად ნაკლები ჰქონდათ, რადგან მათ არ ჰქონდათ საკმარისი ცოდნა იმისთვის, რომ AI-ის პასუხისთვის წინააღმდეგობა გაეწიათ, შეცდომა ამოეცნოთ ან შედეგი გაეუმჯობესებინათ.
იგივე ჩანს კომპანიების AI ექსპერიმენტებშიც. ტექნოლოგიის წარმატებული დანერგვა პირდაპირ უკავშირდება იმას, რამდენად აქტიურად მონაწილეობენ პროცესში კონკრეტული სფეროს სპეციალისტები. თუ ორგანიზაცია მათ მხოლოდ ბოლოს, უკვე გამზადებული სისტემის შესაფასებლად იწვევს, მნიშვნელოვანი კონტექსტი თავიდანვე იკარგება.
AI სტრატეგიულ რჩევებშიც შეიძლება სასარგებლო იყოს, თუმცა აქაც საჭიროა სიფრთხილე. კვლევებში მოდელების პასუხები ხშირად იმ სტრატეგიულ იდეებს იმეორებდა, რომლებიც კონკრეტულ მომენტში ონლაინ სივრცეში ყველაზე პოპულარული იყო. შედეგად, AI შეიძლება კარგი პარტნიორი იყოს აზრის გაფართოებისთვის, მაგრამ ნაკლებად სანდო, თუ მისგან უნიკალურ სტრატეგიულ ხედვას ველით.
პასუხისმგებლობა AI-სთან ერთად არ ქრება
რაც უფრო მეტ გადაწყვეტილებას იღებს AI, მით უფრო მნიშვნელოვანი ხდება კითხვა: ვინ აგებს პასუხს საბოლოო შედეგზე?
თუ თანამშრომელი მომხმარებელს ისეთ გადაწყვეტილებას აცნობს, რომელიც AI-მ მიიღო და რომლის ლოგიკაც თავად ბოლომდე არ ესმის, ფორმალურად ადამიანი პროცესში კვლავ მონაწილეობს, მაგრამ რეალური კონტროლი შეიძლება აღარ ჰქონდეს. მრავალწლიანმა კვლევამ საბანკო, რეკრუტინგისა და ბიოტექნოლოგიის სფეროებში აჩვენა, რომ ასეთ შემთხვევებში თანამშრომლები AI-ის დასკვნას იშვიათად გადასცემდნენ მომხმარებელს უცვლელად. ზოგი მალავდა AI-ის მონაწილეობას, ზოგი პირიქით, ტექნოლოგიას გადაწყვეტილების გამამართლებელ არგუმენტად იყენებდა, სხვები კი დროთა განმავლობაში მისი შედეგების ინტერპრეტაციის ახალ უნარებს ივითარებდნენ.
პასუხისმგებლობის პრობლემა კიდევ უფრო რთულდება მაშინ, როცა კომპანია AI სისტემას გარედან ყიდულობს. მომხმარებელთა მომსახურების ჩატბოტი, კანდიდატების ავტომატური შეფასება ან საკრედიტო გადაწყვეტილებების სისტემა შეიძლება მესამე მხარის მიერ იყოს შექმნილი, მაგრამ თუ რამე არასწორად წავიდა, ბიზნესისთვის ეთიკური და სამართლებრივი რისკი მაინც რჩება. ამიტომ, პასუხისმგებლობის საზღვრები კონტრაქტებში და სამუშაო პროცესებში წინასწარ უნდა იყოს განსაზღვრული.
ამ კვლევებიდან ერთ-ერთი ყველაზე მნიშვნელოვანი დასკვნა სწორედ ე.წ. „human in the loop“-ის იდეას ეხება. პროცესში ადამიანის უბრალოდ დატოვება საკმარისი არ არის. უნდა იყოს მკაფიო, რას ამოწმებს ეს ადამიანი, რა ცოდნა სჭირდება, როდის შეუძლია AI-ის გადაწყვეტილების შეცვლა და საბოლოოდ ვისი პასუხისმგებლობაა შედეგი.
AI სამუშაოს სულ უფრო დიდ ნაწილს იღებს საკუთარ თავზე, მაგრამ ეს ავტომატურად არ ნიშნავს, რომ ადამიანის როლი მცირდება. უფრო ზუსტად, ეს როლი იცვლება. ნაკლები დრო შეიძლება წავიდეს პირველადი მასალის შექმნაზე და მეტი იმაზე, რომ სწორი პრობლემა დავინახოთ, პასუხი შევაფასოთ, ზედმეტი სამუშაო შევაჩეროთ და საბოლოო გადაწყვეტილებაზე პასუხისმგებლობა ავიღოთ.
ამიტომ AI-ის დანერგვის მთავარი კითხვა მხოლოდ „რისი ავტომატიზაცია შეგვიძლია?“ აღარ არის. არანაკლებ მნიშვნელოვანია გავარკვიოთ, სად გვაძლიერებს ტექნოლოგია, სად ქმნის დამატებით სამუშაოს და სად უნდა დარჩეს ადამიანის გამოცდილება პროცესის ცენტრში.
წყარო: HBR
