Το παράδοξο της παραγωγικότητας της Τεχνητής Νοημοσύνης

Η παραγωγικότητα της εργασίας έχει σημειώσει σημαντική μείωση την τελευταία δεκαετία, ακόμη και όταν η τεχνητή νοημοσύνη έχει βοηθήσει στην αντικατάσταση επαναλαμβανόμενων εργασιών στην καθημερινή εργασία.

Αυξάνει όντως η Τεχνητή Νοημοσύνη την παραγωγικότητα στην εργασία; Φωτογραφία: LinkedIn .

Εν μέσω αυξανόμενων ανησυχιών για απώλειες θέσεων εργασίας λόγω της Τεχνητής Νοημοσύνης, οι αισιόδοξοι υποστηρίζουν ότι είναι απλώς ένα εργαλείο για την αύξηση της παραγωγικότητας, ωφελώντας τόσο τους εργαζόμενους όσο και την οικονομία . Ο Διευθύνων Σύμβουλος της Microsoft, Satya Nadella, προτείνει ότι οι χρήστες χρειάζεται μόνο να δηλώνουν τους στόχους τους, ενώ οι αυτοματοποιημένοι πράκτορες Τεχνητής Νοημοσύνης θα σχεδιάζουν, θα εκτελούν και θα μαθαίνουν μόνοι τους σε όλα τα συστήματα.

Ωστόσο, η Τεχνητή Νοημοσύνη δημιουργεί μια «παγίδα παραγωγικότητας», ενθαρρύνοντας όλο και περισσότερους ανθρώπους να τη χρησιμοποιούν, ακόμη και να εξαρτώνται από αυτήν. Αυτό θα οδηγήσει σε μείωση των ικανοτήτων αυτοκριτικής και επίλυσης προβλημάτων, και, το πιο σοβαρό, θα επηρεάσει τη δημιουργικότητα και τις ανακαλύψεις στη ζωή.

Προτεραιότητα στην ποσότητα έναντι της ποιότητας.

Σύμφωνα με τους Financial Times, τα εργαλεία τεχνητής νοημοσύνης θα ήταν ιδανικά όταν η απόδοση από μόνη της είναι αρκετή για να λύσει το πρόβλημα της παραγωγικότητας. Η εφημερίδα επισημαίνει ότι τον τελευταίο μισό αιώνα έχουν αναπτυχθεί πολλοί υπολογιστές που υποτίθεται ότι είναι ταχύτεροι από ποτέ, αλλά ο ρυθμός αύξησης της παραγωγικότητας της εργασίας στις ανεπτυγμένες οικονομίες έχει επιβραδυνθεί, από περίπου 2% ετησίως τη δεκαετία του 1990 σε μόλις περίπου 0,8% τώρα.

Με την έλευση των υπολογιστών, του διαδικτύου και της παγκόσμιας συνδεσιμότητας ταλέντων, οι ανακαλύψεις θα έπρεπε να είχαν εκτοξευθεί. Ωστόσο, η παραγωγικότητα της έρευνας έχει μειωθεί. Ένας επιστήμονας σήμερα παράγει λιγότερες πρωτοποριακές ιδέες ανά δολάριο που επενδύεται από ό,τι ο προκάτοχός του τη δεκαετία του 1960.

Ο οικονομολόγος Γκάρι Μπέκερ επεσήμανε κάποτε ότι οι γονείς αντιμετωπίζουν την επιλογή μεταξύ «ποιότητας και ποσότητας». Για παράδειγμα, όσο περισσότερα παιδιά έχουν, τόσο λιγότερο πιθανό είναι να επενδύσουν σε κάθε παιδί ξεχωριστά. Το ίδιο μπορεί να συμβαίνει και με την καινοτομία.

Πάρα πολλά έργα ταυτόχρονα μπορούν να επηρεάσουν αρνητικά τη δημιουργικότητα. Φωτογραφία: Adobe Stock.

Μελέτες μεγάλης κλίμακας σχετικά με την παραγωγή διπλωμάτων ευρεσιτεχνίας επιβεβαιώνουν ότι ο αριθμός των έργων που αναλαμβάνονται είναι αντιστρόφως ανάλογος με την πιθανότητα σημαντικών ανακαλύψεων. Τις τελευταίες δεκαετίες, οι επιστημονικές εργασίες και τα διπλώματα ευρεσιτεχνίας έχουν γίνει ολοένα και περισσότερο σταδιακές προσθήκες και όχι σημαντικές ανακαλύψεις.

Εν τω μεταξύ, μεγάλα μυαλά σε όλη την ιστορία το κατάλαβαν αυτό. Ο Ισαάκ Νεύτωνας είπε κάποτε ότι πάντα «έχει ένα πρόβλημα μπροστά του... μέχρι να εμφανιστούν οι πρώτες σπίθες φωτός, σιγά σιγά, και τελικά να εκραγούν σε ένα καθαρό και ολοκληρωμένο φως». «Η δημιουργικότητα είναι να λες όχι σε χίλια πράγματα», συμφώνησε ο Στιβ Τζομπς.

«Η παγίδα μεσαίων δυνατοτήτων της τεχνητής νοημοσύνης»

Ο κ. Ho Quoc Tuan, Διευθυντής του Μεταπτυχιακού Προγράμματος στα Χρηματοοικονομικά και τη Λογιστική στο Πανεπιστήμιο του Μπρίστολ, ανέφερε την έννοια της «παγίδας των μέσων ικανοτήτων της Τεχνητής Νοημοσύνης». Οι θέσεις εργασίας που απαιτούν συχνά τις ικανότητες ενός μέσου ατόμου συχνά περιλαμβάνουν πολλές επαναλαμβανόμενες εργασίες, ακολουθούν σαφείς και ποσοτικοποιήσιμες διαδικασίες. Ωστόσο, υποστηρίζει ότι αυτό ακριβώς είναι το εξαιρετικό δυνατό σημείο της Τεχνητής Νοημοσύνης.

Τα μοντέλα γλώσσας μεγάλης κλίμακας (LLM) τείνουν να προσκολλώνται σε αυτό που οι στατιστικές θεωρούν γενική συναίνεση. Αν είχατε ένα chatbot να διαβάζει κείμενο του 19ου αιώνα, θα «αποδείκνυε» ότι οι άνθρωποι δεν μπορούσαν να πετάξουν, μέχρι που το έκαναν οι αδελφοί Ράιτ.

Μια ανασκόπηση που δημοσιεύτηκε στο Nature τον Μάρτιο του 2025 έδειξε ότι, ενώ το LLM μπορεί να βοηθήσει στη μείωση των επαναλαμβανόμενων επιστημονικών εργασιών, τα πραγματικά άλματα στη σκέψη εξακολουθούν να ανήκουν στους ανθρώπους. Ο κ. Tuan υποστήριξε επίσης ότι η προσκόλληση σε ό,τι είναι ήδη γνωστό, η απροθυμία να αναλάβει κινδύνους και η έλλειψη κριτικής σκέψης είναι μοιραίες αδυναμίες στην εποχή της Τεχνητής Νοημοσύνης.

Ο Ντέμις Χασάμπης, επικεφαλής της ομάδας της Google DeepMind που ανέπτυξε το AlphaFold, ένα μοντέλο ικανό να προβλέπει σχήματα πρωτεϊνών, θεωρείται ένα από τα πιο σημαντικά επιστημονικά επιτεύγματα στην Τεχνητή Νοημοσύνη μέχρι σήμερα. Αλλά ακόμη και ο ίδιος αναγνωρίζει ότι η επίτευξη πραγματικά γενικής τεχνητής νοημοσύνης θα απαιτήσει «πολύ περισσότερη καινοτομία».

Το AlphaFold, το βραβευμένο με Νόμπελ επιστημονικό έργο, χρειάζεται επίσης «περισσότερη καινοτομία». Φωτογραφία: Google Deepmind.

Στο εγγύς μέλλον, η Τεχνητή Νοημοσύνη θα συμβάλει πρωτίστως στην αύξηση της αποδοτικότητας παρά στην ενίσχυση της καινοτομίας. Μια έρευνα που δημοσιεύτηκε στο Arxiv σε πάνω από 7.000 εργαζόμενους γνώσης έδειξε ότι όσοι χρησιμοποιούν την Τεχνητή Νοημοσύνη σε υψηλό βαθμό παραγωγικότητας μείωσαν τον χρόνο επεξεργασίας email τους κατά μέσο όρο 3,6 ώρες την εβδομάδα (ισοδύναμο με 31%), ενώ οι συνεργατικές εργασίες παρέμειναν ουσιαστικά αμετάβλητες.

Ωστόσο, εάν όλοι αναθέτουν τις απαντήσεις μέσω email στο ChatGPT, ο αριθμός των email στα εισερχόμενα θα μπορούσε να αυξηθεί, υπονομεύοντας την αρχική αποτελεσματικότητα. Σύμφωνα με τους Financial Times , η εμπειρία από την ανάκαμψη της παραγωγικότητας στις ΗΠΑ τη δεκαετία του 1990 δείχνει ότι τα οφέλη ενός νέου εργαλείου θα εξασθενίσουν γρήγορα εάν δεν συνοδευτούν από γνήσιες καινοτόμες ανακαλύψεις.

Πηγή: https://znews.vn/nghich-ly-nang-suat-cua-ai-post1561451.html