Nie jest to popularna opinia, bo przecież przyzwyczailiśmy się do wierzenia, że generatywna sztuczna inteligencja – czego by o niej nie mówić – miała przyspieszyć czasochłonne zadania. Okazuje się jednak, że przyszłość może nie wyglądać tak optymistycznie, a AI będzie jedynie przysparzał nam więcej pracy.
Generatywna sztuczna inteligencja – Spis treści
AI – zwiększa produktywność czy tworzy nowe problemy?
Czy nie wpadliśmy właśnie w pętlę absurdu związaną ze sztuczną inteligencją? Peter Cappelli, profesor zarządzania w Wharton School na Uniwersytecie Pensylwanii, zwraca uwagę, że mimo iż AI może przyspieszyć pewne zadania, koszty związane z wdrożeniem i utrzymaniem dużych modeli językowych (LLM) mogą przewyższać oszczędność czasu, jakie potencjalnie przyniosą te technologie.
Jak zauważa ZDNet, Cappelli wskazuje, że wiele zadań, które teoretycznie mogą być wykonywane przez AI, w praktyce… nie wymagają jej zaawansowanych możliwości. Na przykład korespondencja biznesowa już teraz jest skutecznie zarządzana za pomocą prostszych narzędzi automatyzacyjnych, takich jak listy seryjne. Ponadto korzystanie z AI w takich przypadkach może generować dodatkowe koszty związane z koniecznością weryfikacji wyników przez ludzi.
Profesor wskazuje na niedostateczne wykorzystanie uczenia maszynowego w zarządzaniu danymi, gdzie sama organizacja informacji do analizy jest często skomplikowana i czasochłonna, ze względu na różnorodność źródeł danych i trudności techniczne. Wynika z tego, że być może używamy AI nie tam, gdzie jest naprawdę potrzebny.
Więcej szkody, niż pożytku, czyli ile kosztuje generatywna sztuczna inteligencja?
Generatywna AI, mimo swojej innowacyjności, nie zawsze przynosi oczekiwane oszczędności. Na przykład duże modele językowe mogą okazać się droższe w utrzymaniu niż tradycyjne metody automatyzacji. Wynika to z rosnących wymagań dotyczących przestrzeni komputerowej i zużycia energii.
Jednym z najważniejszych aspektów jest konieczność weryfikacji wyników generowanych przez AI. Modele językowe mogą produkować rezultaty, które wydają się poprawne, ale w rzeczywistości zawierają błędy. Nie trzeba dodawać, że do ich eliminacji niezbędna jest ingerencja człowieka, czyli do wykonania zadania doliczyć należy czas eksperta spędzony na analizie. W wielu organizacjach subiektywne ludzkie decyzje wciąż przeważają nad analizami opartymi na danych (co jest akurat dobrą wiadomością), ale może to oznaczać, że inwestycje w AI mogą nie przynieść oczekiwanych rezultatów finansowych.
Jaki z tego wniosek? Na AI i LLM trzeba patrzeć z realistycznej perspektywy. Technologia sama w sobie nie jest magicznym rozwiązaniem wszystkich problemów. Wymaga znaczących inwestycji w infrastrukturę, ciągłego zarządzania i weryfikacji przez ludzi. Koszty energetyczne i potrzeby związane z przechowywaniem danych są wyzwaniami, które – co tu dużo kryć – mogą przewyższać oszczędności wynikające z automatyzacji.
Zanim generatywna sztuczna inteligencja na dobre rozgości się w naszych firmach, warto chyba najpierw zatrudnić dobrego analityka, który oblicz prawdopodobne scenariusze związane z AI – nie tylko pod kątem zysków, ale i strat.
Źródło: ZDNet, oprac. własne. Zdjęcie otwierające: Summit Art Creations / Shutterstcok
Część odnośników to linki afiliacyjne lub linki do ofert naszych partnerów. Po kliknięciu możesz zapoznać się z ceną i dostępnością wybranego przez nas produktu – nie ponosisz żadnych kosztów, a jednocześnie wspierasz niezależność zespołu redakcyjnego.