დღეს თითქმის ყველა ინოვაციურ გუნდს ერთნაირი ინსტრუმენტები აქვს: იგივე მსხვილი AI მოდელები, მსგავსი პრომტები და დაახლოებით ერთი და იგივე შესაძლებლობები. მიუხედავად ამისა, შედეგები მკვეთრად განსხვავდება. ზოგი გუნდი ამბობს, რომ AI-მ იდეების გენერირებას ახალი ენერგია მისცა, სხვები კი სულ უფრო მეტ ერთმანეთის მსგავს, უსაფრთხო და ადვილად დასავიწყებელ კონცეფციას იღებენ.
სხვაობა ხშირად თავად ტექნოლოგიაში არ არის. უფრო მნიშვნელოვანი ხდება ის, როგორ ეჯახება AI იმ ადამიანურ შეზღუდვებს, რომლებიც ინოვაციის პროცესში აქამდეც არსებობდა.
Harvard-ის, Wharton-ის, Northwestern-ისა და Columbia-ს მკვლევრების მიერ გაანალიზებულმა კვლევებმა აჩვენა, რომ generative AI ინოვაციის სხვადასხვა ეტაპზე ერთნაირად არ მუშაობს. ზოგ შემთხვევაში ის რეალურად ამცირებს დაბრკოლებებს, ზოგჯერ კი იმავე პრობლემას უფრო აძლიერებს, თან ისე, რომ პროცესი გარედან უფრო ეფექტიანი ჩანს.
ერთ-ერთი ყველაზე თვალსაჩინო მაგალითი იდეების გენერირებაა.
ინოვაციაში მთავარი მიზანი რაც შეიძლება ბევრი „კარგი“ იდეის მიღება არ არის. ხშირად ერთი მართლაც გამორჩეული იდეა ათობით საშუალო ვარიანტზე ღირებულია. ამიტომ კრეატიული პროცესის მთავარი ამოცანა სწორედ ისეთი მიმართულების პოვნაა, რომელიც ტიპურს სცდება.
აქ AI-ს საინტერესო სისუსტე აქვს. როდესაც მოდელს უბრალოდ სთხოვ, ახალი იდეები შემოგთავაზოს, ის სტატისტიკურად ყველაზე სავარაუდო პასუხებისკენ იხრება. სხვა სიტყვებით, ხშირად გვთავაზობს იმას, რაც უკვე ნაცნობი, ლოგიკური და გასაგებია.
პრობლემა მხოლოდ ამ პასუხით არ სრულდება. როგორც კი ადამიანი AI-ის პირველ შეთავაზებას ხედავს, საკუთარი აზროვნებაც შეიძლება ამ მიმართულებაზე „მიებას“. შედეგად ორი განსხვავებული ეფექტი ერთმანეთს ემატება: ჯერ AI ირჩევს შედარებით ტიპურ იდეას, შემდეგ კი ამ იდეის ნახვა ადამიანს კიდევ უფრო ურთულებს სრულიად სხვა მიმართულებით ფიქრს.
ეს ეფექტი მხოლოდ ერთი ინდივიდის დონეზე არ ჩანს. რადგან სხვადასხვა კომპანიაში გამოყენებული მოდელები მეტწილად მსგავს მონაცემებზეა გაწვრთნილი, დამოუკიდებელი გუნდებიც შეიძლება ერთსა და იმავე კრეატიულ მიმართულებებთან მივიდნენ. ინდივიდუალური პროდუქტიულობა იზრდება, ბაზარზე არსებული იდეების მრავალფეროვნება კი მცირდება.
მკვლევრები აქ ერთ საინტერესო გამოსავალსაც ხედავენ. AI-სთვის შეიძლება შეგნებულად მოითხოვო, რომ პირველი პასუხის შემდეგ იდეები უფრო თამამი, უცნაური და ერთმანეთისგან განსხვავებული გახადოს. მოდელზე ეს მუშაობს. ადამიანზე კი იგივე ინსტრუქცია ნაკლებად ეფექტიანია, რადგან პირველმა პასუხმა მისი აზროვნება უკვე შეიძლება შეზღუდოს.
შემდეგი პრობლემა იდეების შეფასების ეტაპზე ჩნდება. კომპანიებში ახალი კონცეფციები ხშირად კომიტეტებს, მენეჯერებს ან სპეციალურ საბჭოებს გადააქვთ, რომლებიც წყვეტენ, რას დააფინანსებენ და რას არა.
ადამიანები წლების განმავლობაში ავლენდნენ ერთსა და იმავე მიდრეკილებას: ძალიან ახალი იდეა ხშირად უფრო სარისკოდ აღიქმება, ნაცნობი კი უფრო „რეალისტურად“. AI ამ პრობლემას ავტომატურად ვერ ხსნის. პირიქით, მის მიერ დაწერილი იდეა ხშირად ძალიან გამართული, თავდაჯერებული და კარგად სტრუქტურირებულია. შეფასებისას ეს სილაღე შეიძლება თავად იდეის ხარისხში აგვერიოს. კარგად შეფუთული საშუალო კონცეფცია უფრო მაღალ ქულას იღებს, ვიდრე დაუმუშავებელი, მაგრამ ბევრად ორიგინალური აზრი.
კიდევ უფრო სარისკოა AI-ის „გაწვრთნა“ კომპანიის ძველ გადაწყვეტილებებზე. თუ ორგანიზაცია მოდელს აჩვენებს, წარსულში რომელი იდეები მიიღო და რომელი უარყო, სისტემამ შეიძლება არსებული მიკერძოებებისგან გათავისუფლების ნაცვლად ისინი მასშტაბურად გაიმეოროს.
ერთ-ერთ ექსპერიმენტში აღმოჩნდა, რომ როდესაც ადამიანებს AI-ის რეკომენდაციასთან ერთად მისი დეტალური ახსნაც ეძლეოდათ, ისინი უარყოფით რეკომენდაციებს უფრო ხშირად ეთანხმებოდნენ. განსაკუთრებით სწორედ ისეთ შემთხვევებში, სადაც გადაწყვეტილება აშკარა არ იყო. AI-ის კარგად ჩამოყალიბებულმა არგუმენტმა ადამიანური განსჯა ნაწილობრივ ჩაანაცვლა.
ინოვაციის კიდევ ერთი რთული ეტაპი მომხმარებლის გაგებაა. დღეს კომპანიებს უკვე შეუძლიათ AI-ს სთხოვონ, ათასობით განსხვავებული მომხმარებელი „ითამაშოს“ და სხვადასხვა ფასზე, პროდუქტზე ან შეთავაზებაზე რეაქცია ივარაუდოს. სიჩქარის მხრივ ეს ძალიან მიმზიდველია, მაგრამ რეალურ მომხმარებელსა და AI-ს მიერ სიმულირებულ მომხმარებელს შორის მნიშვნელოვანი განსხვავებები რჩება. მაგალითად, ფასის ზრდისას რეალური მომხმარებლები ჩვეულებრივ ნაკლებად ყიდულობენ პროდუქტს. AI-მ კი უფრო მაღალი ფასი შეიძლება „პრემიუმობის“ ნიშნად აღიქვას და სრულიად სხვაგვარი რეაქცია მოგვცეს. ამიტომ სიმულაციაში მიღებული მოთხოვნის მრუდი ზოგჯერ საერთოდ არ ჰგავს იმას, რაც რეალურ ბაზარზე ხდება.
უფრო დახვეწილი „digital twin“-ებიც უკეთ მუშაობს, მაგრამ აქაც რჩება ერთი რთული საკითხი: ადამიანები ხშირად ირაციონალურად იქცევიან. მომხმარებელი შეიძლება ძველ პროდუქტს მხოლოდ იმიტომ არ შეელიოს, რომ მასზე უკვე ფული დახარჯა. შეიძლება ცვლილება არ სურდეს, მიუხედავად იმისა, რომ ახალი პროდუქტი ობიექტურად უკეთესია. შეიძლება ახალ სისტემაზე გადასვლის სირთულე იმაზე მეტად შეაფასოს, ვიდრე ეკონომიკურად ლოგიკური იქნებოდა.
AI-ს მიერ შექმნილი მომხმარებლები კი ხშირად ზედმეტად რაციონალურები არიან. შედეგად ისინი ნაკლებად აფასებენ იმ რეალურ წინააღმდეგობებს, რომლებიც საბოლოოდ ახალი პროდუქტის წარმატებას ან წარუმატებლობას წყვეტს. ამიტომ, მომხმარებლის რეალური ქცევის დანახვა კვლავ მნიშვნელოვანია. ეთნოგრაფიული კვლევა, დაკვირვება, lead-user interviews და ადამიანებთან უშუალო კონტაქტი ბევრ შემთხვევაში იმ ინფორმაციას იძლევა, რომელსაც სიმულაცია ჯერ ვერ ცვლის.
AI ყველაზე ძლიერი უკვე პროდუქტის გაშვების შემდეგ ხდება.
როდესაც ახალი პროდუქტი ბაზარზე გამოდის, კომპანიას ათასობით კომენტარი, დაბრუნების მიზეზი, სოციალური მედიის პოსტი და ფორუმის განხილვა უგროვდება. ამ მასშტაბის ინფორმაციის დამუშავება ადამიანური გუნდებისთვის რთულია, ხოლო AI-ს აქ რეალური უპირატესობა აქვს: შეუძლია უზარმაზარი მოცულობის ტექსტი დააჯგუფოს, ძირითადი თემები გამოყოს და მომხმარებელთა პრობლემების სტრუქტურირებული სურათი მოგვცეს.
თუმცა აქაც ჩნდება მეორე დონის პრობლემა. ყველაზე მნიშვნელოვანი სიგნალი ყოველთვის ყველაზე ხშირად ნახსენები არ არის. ახალი მომხმარებლის ტიპი, რომელიც პროდუქტს სრულიად განსხვავებული მიზნით იყენებს, ან პატარა სეგმენტი, რომელიც ჩუმად ტოვებს სერვისს, შეიძლება რაოდენობრივად დიდი არ იყოს. AI-ს მიერ შექმნილ საშუალო შეჯამებაში კი სწორედ ასეთი სიგნალები შეიძლება დაიკარგოს.
კიდევ ერთი რისკი ორგანიზაციულ ინტერესებს უკავშირდება. კომპანიებს ყოველთვის ჰქონდათ მიდრეკილება, ბაზრის მონაცემები ისე წაეკითხათ, რომ წარსული გადაწყვეტილებები გაემართლებინათ. AI-ს თავად კარიერული ინტერესი არ აქვს, მაგრამ მისი თავდაჯერებული ენა ორგანიზაციებს საშუალებას აძლევს, მისი პასუხიდან სწორედ ის ფრაზა ამოარჩიონ, რომელიც მათ უკვე არსებულ აზრს ამყარებს.
საბოლოოდ კვლევიდან ერთი მნიშვნელოვანი პრინციპი იკვეთება: AI-ს სარგებლიანობას უფრო მეტად განსაზღვრავს პრობლემის ბუნება, ვიდრე თავად მოდელის ძალა.
თუ პრობლემა ძალიან დიდი ინფორმაციის დამუშავებაა, ასობით ტექსტის წაკითხვა, სტრუქტურირება ან განმეორებადი პროცესი, AI განსაკუთრებით ეფექტიანია. თუ დაბრკოლება ადამიანურ ქცევაში, შიდა პოლიტიკაში, მიკერძოებაში ან გამოცდილებაშია, უფრო ძლიერი მოდელი ავტომატურად უკეთეს შედეგს ვერ მოგვცემს.
ყველაზე საინტერესო რისკი კი შეიძლება გრძელვადიანი აღმოჩნდეს. როდესაც AI თანდათან იღებს იდეების გენერირების, შეფასების, მომხმარებლის კვლევისა და ანალიზის მეტ ნაწილს, ახალგაზრდა თანამშრომლები იმ გამოცდილებას ვეღარ იღებენ, რომელიც წარსულში პროფესიულ განსჯას ავითარებდა.
ადამიანი შეიძლება ძალიან კარგი გახდეს AI-ს გამოყენებაში, მაგრამ არასდროს ჰქონდეს საკმარისი პრაქტიკა იმისთვის, რომ სწრაფად მიხვდეს, როდის ცდება მოდელი.
თუ ეს მთელ ორგანიზაციაში განმეორდება, ჩნდება ე.წ. automation trap: თითოეული AI ინსტრუმენტი ცალკე კარგად მუშაობს, მაგრამ მთლიან პროცესში კომპანია ნელ-ნელა რეალურ მომხმარებელს შორდება. ერთი AI აგენერირებს იდეებს, მეორე არჩევს მათ, მესამე მომხმარებლის რეაქციას სიმულირებს, მეოთხე კი საბოლოო შედეგს აფასებს. პროცესი სწრაფდება, მაგრამ სულ უფრო მეტი ეტაპი რეალური სამყაროს ნაცვლად სხვა მოდელების შედეგებზე იწყებს დაყრდნობას.
ამიტომ ინოვაციის მომავალში მნიშვნელოვანი კითხვა შეიძლება აღარ იყოს მხოლოდ „სად გამოვიყენოთ AI?“. უფრო ღირებული კითხვა იქნება: რა გვიშლის ხელს რეალურად? ინფორმაციის მოცულობა, ადამიანური განსჯა თუ ორგანიზაციული ინტერესები?
პირველის შემთხვევაში AI ხშირად შესანიშნავი პასუხია. დანარჩენ ორ შემთხვევაში კი ადამიანებთან პირდაპირი კონტაქტი, გამოცდილება და პასუხისმგებლიანი გადაწყვეტილება კვლავ ისეთ როლს ინარჩუნებს, რომლის ავტომატიზაციაც ბევრად რთულია.
წყარო: HBR
