Kas tehisintellekt asendab inimmõtlemise? Tehisintellekt suudab paljusid asju teha paremini ja kiiremini – aga nendes ülesannetes muutub see riskiks

Kui masinad ideid arendavad: kus nende majanduslik väärtus lõpeb

Tööturu uus nappus: miks tehisintellekti abil muutub otsustusvõime väärtuslikumaks

Tehisintellekt kirjutab tekste, arendab tarkvara, võtab kokku infot ja toetab otsuste langetamist. Seda tehes võtab see üle ülesandeid, mida pikka aega peeti tüüpiliseks inimteadmiste tööks. Aga mis peitub selle veenvate tulemuste taga? Kas tehisintellekt saab tegelikult aru, millest ta räägib – või genereerib see lihtsalt vastuseid, mis tunduvad inimestele arusaadavad ja usutavad?

Ettevõtete jaoks on see küsimus enamat kui lihtsalt filosoofiline debatt. Tehisintellekt võib kiirendada tööprotsesse ja parandada tulemuste kvaliteeti. Uuringud näitavad aga ka seda, et selle toetamine teatud ülesannetes võib viia halvemate otsuste tegemiseni. Seega pole oluline mitte ainult see, kui kiiresti süsteem töötab või kui intelligentselt selle vastused kõlavad. Oluline on see, kas see on konkreetses rakenduses usaldusväärne, milliseid vigu see teeb ja millised on nende vigade tagajärjed.

Võrdlus "mõtleva" masina ja pelgalt mõistva inimese vahel on samuti liiga lihtsustatud. Tehisintellekt suudab ära tunda mustreid, ühendada infot ja genereerida uusi ettepanekuid, kuid see ei tõesta inimkogemust ega teadvust. Samal ajal pole inimesed sugugi eksimatud: ka nemad langetavad otsuseid rutiinide põhjal, eiravad seoseid ja neid võivad veenvad selgitused eksitada.

Seega ei ole majanduslik küsimus selles, kas masin suudab mõelda nagu inimene. Küsimus on selles, milliseid ülesandeid see usaldusväärselt täita suudab – ja kus on asendamatud asjatundlikkus, kriitiline hindamine ja vastutus. Sest mida kergemini tehisintellekt tekste, analüüse ja ideid genereerib, seda olulisemaks muutub võime eristada häid ettepanekuid nendest, mis kõlavad usutavalt, aga on lõppkokkuvõttes valed.

Kas tehisintellekt arvutab ja kas inimesed saavad sellest aru? Mida tehisintellekt tegelikult teha suudab ja kus selle majanduslik väärtus piire ületab

Masinad ei vaja ärimudelite häirimiseks teadvust – aga ettevõtted vajavad enamat kui lihtsalt täiuslikke vastuseid

Tehisintellekt muudab intellektuaalse töö majandust. See kirjutab tekste, arendab programmikoodi, struktureerib teavet, disainib tooteid ja toetab otsuste langetamist. Seda tehes võtab see üle ülesandeid, mida pikka aega peeti ainuomaselt inimvõimeteks. See areng tõstatab põhimõttelise küsimuse: kui masin annab veenvaid tulemusi, kas see siis tegelikult mõtleb ja saab aru – või toodab see lihtsalt midagi, mis inimestele näib mõtlevat ja mõistvat?

Majanduslikult otsustav vastus peitub kahe liialduse vahel. Üks kuulutab tehisintellekti ennatlikult mõtlevaks ja tundvaks entiteediks. Teine taandab selle pelgalt kopeerimismasinaks, alahinnates seeläbi selle tegelikke võimeid. Mõlemad vaatenurgad raskendavad mõistlikke investeerimisotsuseid. Ettevõtted ei pea uskuma masinteadvusse ega tõestama selle põhimõttelist võimatust tehisintellekti tõhusaks kasutamiseks. Nad peavad mõistma, milliseid ülesandeid süsteem usaldusväärselt täidab, millistel tingimustel see ebaõnnestub ja millised inimoskused muutuvad selle tulemusel enam-vähem väärtuslikuks.

Kolm terminit on siin eriti paljastavad: abstraktsioon, idee ja tunnetus. Need kirjeldavad vaimse töötlemise erinevaid tasandeid. Abstraktsioon tuletab põhimõtte individuaalsetest vaatlustest. Idee avab uue tegutsemisvõimaluse. Tunnetus muudab olukorra mõistmist. Tehisintellekt suudab anda tulemusi, mis funktsionaalselt kopeerivad kõiki kolme protsessi või realiseerivad neid teatud ülesannetes. See ei tähenda aga automaatselt, et see teostab neid protsesse subjektiivselt kogetava kogemusena.

See eristamine vaadeldava tulemuslikkuse ja sisemise kogemuse vahel on majanduslikult oluline. Turud maksavad peamiselt kasutatavate tulemuste, mitte nende päritolu filosoofilise kindluse eest. Vastutust, usaldust, eesmärke ja sotsiaalset legitiimsust seevastu ei saa tuletada üksnes loodud tulemuse kvaliteedist.

Arvutusmeetodite ja arusaamise vahel pole lihtsat piire

Tänapäevased generatiivsed keelemudelid õpivad statistilisi mustreid suurtest andmekogumitest. Lihtsamalt öeldes kohandatakse nende parameetreid treeningu ajal nii, et need suudaksid võimalikult tõhusalt genereerida keelelisi jätkusid ja muid vajalikke väljundeid. Kasutamisel töötlevad nad konkreetset konteksti ja arvutavad vastavalt väljundi.

See kirjeldus on tehniliselt oluline, kuid see ei selgita täielikult, millised võimed protsessist tulenevad. Asjaolu, et süsteem toimib matemaatiliselt, ei tähenda, et see töötleb ainult pealiskaudseid sõnaklastreid. Õpitud esitustes võivad kajastuda ka keerulised seosed, kategooriad ja abstraktsed struktuurid. Seetõttu käsitletakse uuringutes mitte ainult selliste süsteemide piiranguid, vaid ka seda, mil määral nad arendavad sisemisi maailmamudeleid ja funktsionaalselt olulisi arusaamisvorme.

Õuna näide illustreerib vajalikku eristust. Inimene seostab õuna maitse, lõhna, kaalu, mälestuste, nälja või konkreetse tegevusega. Puhtalt keelepõhisel mudelil see isiklik kogemus puudub. See suudab siiski töödelda õunte, valmimisprotsesside, toitumise, põllumajanduse ja gravitatsiooni vahelisi seoseid. Multimodaalne süsteem saab lisaks kaasata pilte või muid andurite andmeid. Seega ei tähenda inimkogemuse puudumine automaatselt funktsionaalse pädevuse puudumist.

Seevastu ei pruugi tabav seletus tingimata näidata inimlikku arusaamist. Süsteem saab rääkida maitsest ilma tegelikku maitseelamust tõestamata. See saab kirjeldada leina ilma sellest isiklikku tunnet esile kutsumata. Keelt, milles inimesed väljendavad sisemisi seisundeid, saab genereerida ilma neid seisundeid teaduslikult tõestamata. Praegu puudub üldtunnustatud alus subjektiivse kogemuse otseseks järeldamiseks veenvast keelelisest sooritusest.

See viib ettevõtete kaine vaatenurgani: ettevõte ei tohiks tehisintellekti hinnata selle inimlike omaduste või keelelise enesekirjelduse põhjal. Olulised on kontrollitavad võimalused, veaprofiilid ja konkreetsed eelised vastavas tööprotsessis.

Miks semantikata süntaksi valem jääb ebapiisavaks

Süntaksi ja semantika eristamine kirjeldab reaalset probleemi. Süntaks puudutab reegleid, mille järgi sümbolid on paigutatud. Semantika puudutab nende tähendust. Grammatiliselt korrektne lause võib olla faktiliselt vale. Veenvalt sõnastatud tegutsemissoovitus võib põhineda ebatäpsetel eeldustel.

Sellest ei saa aga kohe järeldada, et tehisintellekt põhimõtteliselt ei töötle mingeid tähendusstruktuure. See väide sõltub sellest, mida tähenduse all mõistetakse. Kui tähendust mõistetakse üksnes subjektiivse kogemusena, pole selle omistamine praegustele süsteemidele kindel. Kui aga tähendus hõlmab võimet eristada mõisteid olukorrale vastavalt ja kasutada seoseid probleemide lahendamiseks, siis saavad süsteemid näidata vastavat funktsionaalset toimivust. Just sel põhjusel on filosoofiline klassifikatsioon endiselt vastuoluline.

Ärirakenduste puhul on see eristamine praktilisem, kui esmapilgul paistab. Mudel võib terminit "tarneviivitus" õigesti kasutada. See, kas see genereerib konkreetse tarne kitsaskoha kohta usaldusväärse soovituse, sõltub aga selle võimest arvestada asjakohaseid varude tasemeid, lepingutingimusi, tootmise sõltuvusi ja saadaolevaid tegutsemisviise.

Probleem ei ole seega pelgalt filosoofilise tähenduse puudumises, vaid potentsiaalselt operatiivse reaalsuse mittetäielikus mõistmises. Keeleliselt võimas süsteem ilma ajakohaste inventuuriandmeteta jääb operatiivseks planeerimiseks piiratuks. Vähem väljendusrikas süsteem usaldusväärsete andmete ja selgete otsustusreeglitega võib olla majanduslikult kasulikum.

Seega ei ole peamine juhtimisküsimus mitte see, kas vastus kõlab intelligentselt, vaid see, kas aluseks olev teave, järeldused ja kavandatud tegevused on konkreetse otsuse tegemiseks piisavad.

Abstraktsioon tähendab olulise punkti äratundmist ka väljaspool näidet

Inimesed saavad individuaalsetest kogemustest kujundada üldisi kontseptsioone. Tooli ei defineeri kindel värv, materjal ega täpselt neli jalga. Oluline on selle funktsioon tegevuse kontekstis. Seega võib isegi ümberpööratud ämber olla istekoht.

See näide demonstreerib inimese kontseptsiooni loomise tugevust: inimesed seostavad taju, kehalist kogemust, sotsiaalseid vihjeid ja praktilisi eesmärke. Siiski oleks eksitav tuletada sellest üldist reeglit, et inimesed saavad alati hakkama väheste näidetega, samas kui masinad vajavad loomupäraselt paljusid. Laps ei puutu esemetega kokku ilma eelnevate teadmisteta. Tema õppimine põhineb juba ulatuslikul arenguajalool.

Isegi tehisintellekti puhul tuleb teha vahet keerulise treeningfaasi ja eelkoolitatud mudeli rakendamise vahel. Eelkoolitatud süsteem saab uute ülesannetega hakkama vaid mõne näite abil, kuna see tugineb eelnevalt omandatud struktuuridele. Seega pole otsustav tegur mitte niivõrd kohe esitatud näidete arv, kuivõrd see, kui kaugele õpitud põhimõte ulatub tuttavatest olukordadest kaugemale.

Siin peitub peamine raskus. Hea sooritus ühes ülesandekategoorias ei taga ühesugust ülekantavust teistele ülesannetele. Teadmismahuka töö uuringud näitavad, et tehisintellekt aitab märkimisväärselt mõne ülesande puhul, samas kui see võib halvendada tulemuste kvaliteeti teistes, väliselt sarnaselt nõudlikes ülesannetes.

Ettevõtete jaoks tähendab see, et abstraktsioonivõimet tuleb testida reaalsete ülekandeprobleemide suhtes. Süsteem, mis tõhusalt võtab kokku varasemad kaebused, ei pruugi usaldusväärselt tuvastada, et uute kaebuste aluseks on varem tundmatu disainiviga. Mudel, mis veenvalt kirjeldab olemasolevaid ärimudeleid, ei pruugi täpselt hinnata, millised nende aluseks olevatest eeldustest praegu kokku kukuvad.

Millal analoogiad muutuvad kasulikuks ja millal need sind eksitavad

Analoogia on abstraktsiooni erivorm. Inimesed kannavad struktuure ühest valdkonnast teise. Nad räägivad organisatsioonilistest kitsaskohtadest, digitaalsetest ökosüsteemidest või ärimudeli hoorattast. Sellised mõisted võivad keerulisi suhteid arusaadavamaks muuta.

Analoogia ei ole aga tõestus. Füüsikalise printsiibi rakendamine sotsiaalsetele protsessidele võib olla huvitav mõtteeksperiment, kuid see ei anna usaldusväärset selgitust. Ettevõtted ei käitu nagu planeedid ja turud ei järgi lihtsalt mehaanilise liikumise seadusi.

Eriti tehisintellekti loodud analüüsides tuleks seetõttu teha vahet keelelise selguse ja põhjusliku kehtivuse vahel. Elegantne metafoor võib varjata tõsiasja, et kesksed eeldused jäävad kontrollimata. See kehtib eriti juhul, kui süsteem konstrueerib usutava seletuse tuttavate narratiivsete mustrite põhjal.

Keelemudelite inimliku arutluskäigu uuringud tuvastavad piiranguid, nagu heuristilised otseteed, näilised korrelatsioonid ja vigased põhjuslikud eeldused. Sellised probleemid võivad ilmneda hoolimata teiste testide kõrgest edukusest.

Abstraktsioon muutub majanduslikult väärtuslikuks ainult siis, kui see võimaldab kontrollitavat täiustamist. Hea analoogia aitab sõnastada hüpoteesi. Seejärel peavad andmed, katsed või praktilised vaatlused näitama, kas eeldatud seos tegelikult eksisteerib. Võime muuta ahvatleva idee kontrollitavaks väiteks jääb usaldusväärse analüüsi peamiseks eelduseks.

Ideed ei teki ainult andmetest, aga need ei tule ka eimillestki

Inimlikud ideed võivad tekkida uudishimust, frustratsioonist, puudusest, rõõmust, hirmust või isiklikust kogemusest. Keegi, kes kannatab iga päev tülika tööprotsessi all, võib avastada paranduse, mida ükski ametlik ametijuhend ei näinud ette. Ettevõtja tuvastab probleemi klientidega rääkides. Disainer muudab komponenti, kuna ta kogeb selle nõrkusi kokkupaneku ajal.

See kogemuse, motivatsiooni ja eesmärkide seadmise kombinatsioon eristab inimese loovust tänapäevase generatiivse süsteemi tulemusest. Inimese loovust ei tohiks aga müstifitseerida. Ideed tekivad sageli olemasolevate teadmiste uudsetest kombinatsioonidest. Nende originaalsuse ja majandusliku väärtuse saavutamiseks ei ole vaja algust väljaspool kõiki eelnevaid kogemusi.

Seega on väide, et tehisintellekt suudab ainult olemasolevaid protsesse kopeerida, liiga tugev. Süsteemid suudavad genereerida kombinatsioone, mis on sellisel kujul uudsed ja juhivad inimeste tähelepanu teostatavatele võimalustele. Eksperimentaalsetes konsultatsiooniülesannetes olid loomingulised nõuded selgelt nende tegevuste hulgas, kus tehisintellekt sai tulemuslikkust parandada.

Olulisem küsimus on see, kes määrab suuna ja kes hindab tulemuste väärtust. Masin saab arendada tootevariante. Kas see toode lahendab asjakohase kliendiprobleemi, vastab ettevõtte vajadustele või on sotsiaalselt ihaldusväärne, jääb edasise hindamise teemaks.

Originaalsus on vaid üks kriteerium. Uus idee võib olla kasutuskõlbmatu, müümatu või ohtlik. Seevastu vähem tähelepanuväärne täiustus võib tuua märkimisväärset majanduslikku kasu. Seetõttu ei ole esitatud ettepanekute arv innovatsiooni usaldusväärne mõõdupuu.

Iseseisev tegutsemine ei ole veel tõend inimese enda kavatsustest

Idee, et tehisintellekt reageerib ainult ühele käsuviibale, kirjeldab paljusid lihtsaid rakendusi, kuid mitte kõiki selle kasutusvorme. Süsteeme saab integreerida töövoogudesse, mis käivituvad automaatselt, kasutavad tööriistu, hindavad vahetulemusi ja käivitavad edasisi samme. Sellest tulenevalt uuritakse ka tehisintellekti agente, mis töötlevad määratletud ülesandeid mitme etapi kaudu.

See võimaldab tegutsemisautonoomiat ilma individuaalsete vajaduste tõendamiseta. Süsteem saab eesmärgi poole liikuda, sest see eesmärk on tehniliselt määratletud. See ei pea tundma ambitsiooni ega isiklikult soovima edu saavutada.

Mõiste „kavatsuslikkus” nõuab samuti täpsust. Filosoofias viitab see sageli vaimsete seisundite otsesusele millelegi. Igapäevakeeles tähendab see aga sageli kavatsust või sisemist motivatsiooni. Neid tähendusi ei tohiks lihtsalt võrdsustada. Ettevõtete jaoks piisab esialgu praktilisemast eristusest: kes seab eesmärgi, milline tegutsemisruum süsteemile antakse ja kes kannab tagajärgi?

Näiteks automatiseeritud müügiesindajat saab optimeerida nii, et see genereeriks võimalikult palju kvalifitseeritud müügivihjeid. Kas see kahjustab kliendisuhteid, loob soovimatuid stiimuleid või toob kaasa tundliku teabe sobimatu kasutamise, sõltub kehtivatest reeglitest ja kontrollimeetmetest.

Seega ei seisne majanduslik väljakutse inimmotivatsiooni omistamises masinale. See seisneb tehniliste eesmärkide saavutamise ühitamises ettevõtlushuvide ja ühiskondlike nõudmistega. Mida suurem on tegutsemisruum, seda olulisemaks muutuvad kontrollitavad piirid.

Sügavmõttelisus on enamat kui veenev väide

Üksainus taipamise hetk muudab sageli rohkem kui ühte vastust. Seose mõistmine võimaldab korrigeerida varasemaid uskumusi, kohandada tegevusi ja ümber hinnata oma rolli. Seega on „ahaa!“ hetkel nii kognitiivne kui ka isiklik mõõde.

Tehisintellekti puhul tuleb neid tasandeid eristada. Süsteem saab genereerida täpse selgituse või paljastada varem tähelepanuta jäetud seose. See võib inimesele viia tõelise taipamiseni. See aga ei tõesta veel, et süsteem ise koges subjektiivselt tajutavat taipamishetke.

Teadvuse küsimust ei saa lahendada kategoorilise väitega. Puudub üldtunnustatud operatiivne definitsioon, mis suudaks lõplikult kindlaks teha subjektiivse kogemuse mis tahes süsteemis. Seetõttu on teaduslikust vaatenurgast kohane eristada usaldusväärsete tõendite puudumist ja põhimõttelise võimatuse tõendamist.

Keelemudelite piiratud enesevaatluse uuringud illustreerivad seda ettevaatusabinõu. Katsetes suutsid mudelid teatud tingimustel tuvastada teavet mõjutatud sisemiste seisundite kohta. Tulemused olid aga ebausaldusväärsed ja neid ei tõlgendatud otseselt fenomenaalse teadvuse tõendina.

Äriotsuste puhul on see ebakindlus vähem halvav, kui paistab. Ettevõtted saavad hinnata diagnostikavahendi, disaini või prognoosi kvaliteeti ilma teadlikkuse probleemi esmalt lahendamata. Nad lihtsalt ei tohi veenvast tulemuslikkusest tuletada lisaomadusi, mis pole põhjendatud.

Digitaalse transformatsiooni uus dimensioon hallatud tehisintellekti (AI) abil – platvormi ja B2B lahendus | Xpert Consulting - pilt: Xpert.Digital

Siit saate teada, kuidas teie ettevõte saab kiiresti, turvaliselt ja ilma kõrgete sisenemisbarjäärideta rakendada kohandatud tehisintellekti lahendusi.

Hallatud tehisintellekti platvorm on teie kõikehõlmav ja muretu tehisintellekti lahendus. Keerulise tehnoloogia, kalli infrastruktuuri ja pikkade arendusprotsessidega tegelemise asemel saate spetsialiseerunud partnerilt teie vajadustele vastava valmislahenduse – sageli vaid mõne päeva jooksul.

Peamised eelised lühidalt:

⚡ Kiire teostus: Ideest kasutusvalmis rakenduseni päevade, mitte kuude jooksul. Pakume praktilisi lahendusi, mis loovad kohest lisaväärtust.

🔒 Maksimaalne andmeturve: Teie tundlikud andmed jäävad teie kätte. Garanteerime turvalise ja nõuetele vastava töötlemise ilma andmeid kolmandate osapooltega jagamata.

💸 Finantsriski pole: maksate ainult tulemuste eest. Suured esialgsed investeeringud riist- ja tarkvarasse või personali jäävad täielikult ära.

🎯 Keskendu oma põhitegevusele: Keskendu sellele, mida sa kõige paremini oskad. Meie hoolitseme sinu tehisintellekti lahenduse kogu tehnilise juurutamise, käitamise ja hoolduse eest.

📈 Tulevikukindel ja skaleeritav: teie tehisintellekt kasvab koos teiega. Tagame pideva optimeerimise ja skaleeritavuse ning kohandame mudeleid paindlikult uutele nõuetele.

Lisateavet leiate siit:

• Hallatud tehisintellekti lahendus - tööstuslikud tehisintellekti teenused: konkurentsivõime võti teenuste, tööstuse ja masinaehituse sektoris

Turg hindab tulemusi, mitte nende looja sisemist kogemust

Teenuse majanduslik väärtus sõltub oluliselt probleemist, mida see lahendab, välditud kuludest ja tekitatud riskidest. Ettevõte ei vaja inimliku intuitiivsusega süsteemi dokumentide automaatseks määramiseks. See vajab usaldusväärset määramist, mõistlikke kulusid ja selget erandite käsitlemist.

See selgitab, miks tõestatud teadvuse puudumine ei kujuta endast inimtööjõu majanduslikku kaitset. Masin ei pea oma turustatavate tulemuste saavutamiseks tegevust inimlikul viisil kogema. Oluline on see, kas ostjad aktsepteerivad tulemust ja kas üldkulud on madalamad või tulemused paremad.

Samal ajal ei ole iga väliselt sarnane kulu majanduslikult samaväärne. Automaatselt genereeritud strateegia mustand ei asenda tingimata vastutustundlikku strateegilist otsust. Juriidiliselt kõlav tekst ei ole automaatselt usaldusväärne juriidiline analüüs. Prognoos ei asenda otsust selle kohta, millist riskitaset ettevõte on valmis kandma.

Teadmismahukates ametites nihutab see fookust. Esialgse mustandi loomine võib olla lihtsamini kättesaadav. Väärtuslikumaks võivad aga osutuda täpne probleemi määratlus, juurdepääs asjakohasele teabele, eelduste kontrollimine ja rakendamine reaalsetes tingimustes.

Seega ei seisne peamine erinevus mitte ainult inimeste ja masinate vahel, vaid ka vahetatava toodangu ja konkreetsesse majanduslikku konteksti usaldusväärselt integreeritud teenuse vahel.

Mida tootlikkuse uuringud näitavad ja mida need lahtiseks jätavad

Majandusdebatt ei tohiks piirduda fundamentaalsete kaalutlustega. Empiirilised uuringud näitavad, et generatiivne tehisintellekt võib teatud tingimustel töötulemusi märkimisväärselt parandada.

Erik Brynjolfssoni, Danielle Li ja Lindsey Raymondi varases töödokumendis uuriti 5179 klienditeenindajat. Tehisintellektiga assistendi kasutamine suurendas tootlikkust, mõõdetuna tunnis lahendatud kliendiprobleemide arvuga, keskmiselt umbes 14 protsenti. Kogenematute ja madalama kvalifikatsiooniga töötajate puhul oli mõõdetud kasv umbes 34 protsenti, samas kui kogenud ja kõrge sooritusega töötajad said sellest oluliselt vähem kasu.

Need arvud on olulised mitmel põhjusel. Esiteks on mõju seotud konkreetse tegevusalaga, mitte majandusega tervikuna. Teiseks ei ole keskmine usaldusväärne näitaja iga töötaja kohta. Kolmandaks võib tehisintellekt olla eriti kasulik juhtudel, kui olemasolevad kogemuslikud teadmised muutuvad töö ajal hõlpsamini kättesaadavaks ja otse rakendatavaks.

See viib usutava majandusliku funktsioonini: tehisintellekt saab levitada mõningaid organisatsioonilisi teadmisi, mis olid varem seotud üksikute kogenud inimestega. Uued töötajad ei pea siis ise iga sobivat formulatsiooni või lahendust avastama.

Uuring ei näita siiski oskustööliste üldist asendatavust. Samuti ei tõesta see, et samad mõjud ilmnevad igas tööstusharus. Standardiseeritud klienditeenindus erineb oluliselt investeerimisotsusest, keerulisest läbirääkimisest või ohutuskriitilise süsteemi arendamisest. Seetõttu nõuavad tootlikkuse näitajad alati uuritava tegevuse kirjeldust.

Suurem kiirus võib viia halvemate otsusteni

Eriti paljastav on eksperiment, milles osales 758 Boston Consulting Groupi konsultanti. Uuritava süsteemi võimete piires olevate ülesannetega silmitsi seistes täitsid tehisintellekti tuge kasutavad osalejad keskmiselt 12,2 protsenti rohkem ülesandeid ja lõpetasid need 25,1 protsenti kiiremini. Ka nende tulemuste hinnatud kvaliteet oli oluliselt kõrgem.

Tahtlikult teistsuguses ja keerulises ülesandes aga eelis vastupidine oli. Tehisintellekti tugi vähendas õige lahenduse tõenäosust. Kaasnev Harvardi Ärikooli aruanne kvantifitseerib keskmiseks erinevuseks umbes 19 protsendipunkti.

See sisaldab olulist majanduslikku hoiatust. Tehisintellekti jõudluspiirid ei ole ühtsed. Süsteem võib ühes ülesandes silma paista, kuid näiliselt sarnases ülesandes olla ebausaldusväärne. See piirang ei ole kasutajatele alati kohe ilmne.

Eriti keeleline kvaliteet võib asja keerulisemaks muuta. Hästi struktureeritud vastus tekitab kergesti usaldust, isegi kui selle peamine eeldus on vale. Kui inimesed võtavad ettepaneku vastu ilma aluseks olevat loogikat uurimata, muutub tehniline nõrkus organisatsiooniliseks nõrkuseks.

Seega ei ole asjakohane võrdlusalus ainult töötlemiskiirus. See on kiirus, millega saavutatakse usaldusväärne, kasutatav ja vastutustundlik tulemus. Kiire vale otsus võib olla majanduslikult oluliselt kulukam kui aeglasem õige otsus.

Odavam arvutusvõimsus nihutab teadmustöö puudust

Võimsa tehisintellekti vähenevad kulud süvendavad seda muutuste survet. Stanfordi 2025. aasta tehisintellekti indeks näitab, et GPT-3.5-ga võrreldava jõudlustasemega süsteemi päringukulud langesid novembri 2022 ja oktoobri 2024 vahel enam kui 280 korda. See viitab konkreetsele jõudlustasemele, mitte kõigi tehisintellekti rakenduste üldisele samaväärsele maksumuse vähenemisele.

Majanduslikult tähendab selline areng teatud intellektuaalse alustöö kättesaadavust. Kokkuvõtted, tekstivariandid, esialgsed analüüsid ja lihtsad mustandid kaotavad osa oma endisest nappusest. See suurendab konkurentsisurvet teenustele, mille väärtus tuleneb peamiselt nende töömahukast loomisest.

Madalad mudelikulud ei pruugi aga tingimata tähendada madalaid üldkulusid. Ettevõttel võib olla vaja andmeid ette valmistada, liideseid arendada, juurdepääsuõigusi hallata, tulemusi üle vaadata ja töötajaid koolitada. Lisaks on võimalikud kulud, mis on seotud ekslike kulutustega.

Seega nappus nihkub. Kui disainid muutuvad odavaks, võib nende ülevaatamine saada pudelikaelaks. Kui ideid genereeritakse palju, muutub valik väärtuslikumaks. Kui teave kogutakse kiiresti, muutub olulisemaks küsimus, milline teave on tegelikult usaldusväärne ja otsuste tegemisel asjakohane.

See nihe selgitab, miks tehisintellekt suudab samaaegselt teenuseid devalveerida ja uut nõudlust tekitada. Mitte iga varem tasustatud tegevus ei kao ära. Kuid see osa selle väärtusloomest, mis tugineb rutiinsele infotöötlusele, tuleb uuesti defineerida.

Näilisest ajakokkuhoiust tegelike äritulemusteni

Ettevõte ei tohiks tehisintellekti eeliseid mõõta ainult selle järgi, kui palju kiiremini üks tööetapp valmib. Oluline on see, kas kogu protsess paraneb.

Oletame, et analüüsi ülesehitus võtab ilma tehisintellektita kümme tundi ja tehisintellektiga kuus tundi. Loomise etapis saavutatakse märkimisväärne ajavõit. Kui aga hiljem on vaja mitu lisatundi allika kontrollimiseks, andmete parandamiseks ja ekslike järelduste parandamiseks, siis tegelik kasu väheneb. See näide on mudelarvutus, mitte konkreetse uuringu kohta käiv väide.

Veelgi olulisem on küsimus, mis juhtub säästetud ajaga. Seda saab kasutada lisatellimuste, parema klienditeeninduse või põhjalikuma ülevaate saamiseks. See võib aga jääda ka kasutamata, kui muud protsessi etapid piiravad võimsust.

Seetõttu peaksid majanduslikud hinnangud arvestama arenduskulude, jälgimistegevuse, vigade tagajärgede ja tegeliku kasutusega koos. Mittesiduva ajurünnaku puhul on vastuvõetav erinev riskitase kui oluliste rahaliste või ohutusega seotud tagajärgedega otsuse puhul.

See muudab ka investeerimisloogikat. Odav süsteem ei ole automaatselt ökonoomne. Kallim süsteem võib end ära tasuda, kui see vähendab oluliselt ümbertöötamist või kõrvaldab usaldusväärselt kriitilise kitsaskoha. Otsustavaks teguriks on kasutatava tulemuse saavutamise kogumaksumus.

Miks parem individuaalne sooritus ei taga üldist majanduslikku hüpet

Ülesannete tasandil saavutatud tootlikkuse kasvu ei saa lihtsalt ettevõtetele või riikide majandustele ekstrapoleerida. Kui tegevus hõlmab vaid väikese osa kogu tööajast, jääb selle panus kogutoodangusse piiratuks. Lisaks koosnevad ettevõtted omavahel seotud protsessidest.

Pakkumiste loomise kiirendamisest pole erilist abi, kui tehnilise kinnitusega jätkuvalt viivitatakse. Kui tehisintellekt kiirendab tarkvaraarendust, võib kitsaskoht peituda testimises, integreerimises või klientide nõuetes. Teabe hankimise parandamine ei too lisatulu seni, kuni otsused ja rakendamine jäävad samaks.

Kõrgeid kasutuselevõtu määrasid tuleks samuti tõlgendada ettevaatusega. Stanfordi tehisintellekti indeks 2025 näitab, et 2024. aastal kasutas tehisintellekti 78 protsenti küsitletud organisatsioonidest, võrreldes 55 protsendiga eelmisel aastal. See viitab teatatud kasutamisele vähemalt ühes ärifunktsioonis, mitte tõendile täielikust ja produktiivsest ümberkujundamisest.

Eksperimenteerimise ja majanduslikult efektiivse integratsiooni vahel on oluline erinevus. Üksainus tekstiassistent ei muuda ärimudelit. Alles siis, kui andmetele juurdepääs, vastutus, töövood ja kvaliteedi tagamine on kooskõlastatud, saab tehniline võimekus muutuda jätkusuutlikuks konkurentsieeliseks.

Realistlik perspektiiv ühendab seega tehnoloogilise dünaamilisuse organisatsioonilise kannatlikkusega. Võimalused võivad kiiresti kasvada, samas kui nende rakendamine nõuab aega ja täiendavaid investeeringuid.

Standardteadmised muutuvad kergemini kättesaadavaks; otsustusvõime ei muutu automaatselt üleliigseks

Klienditeeninduse uuring näitab, et tehisintellekt suudab vähendada tulemuslikkuse erinevusi, eriti kui vähem kogenud töötajad saavad sellest märkimisväärset kasu. See viitab sellele, et teatud tüüpi kogemuslikke teadmisi saab kergemini levitada. See ei tähenda aga kõigi oskuste üldist võrdsustamist.

Paljudes ametites seisneb asjatundlikkus enamas kui lihtsalt tüüpilisele küsimusele õigesti vastamises. See hõlmab ka võimet ära tunda ebatavalisi olukordi, liigitada mittetäielikku teavet ja hinnata realistlikult oma teadmiste taset.

Kui tehisintellekt muudab standardteadmised kergemini kättesaadavaks, võib professionaalse töö väärtus vastavalt nihkuda. Levinud selgituse abita taasesitamine võib muutuda vähem oluliseks. Olulisem on esitada õige küsimus, ära tunda vastuolulisi vihjeid ja otsustada, millal pealtnäha usutav vastus on ebapiisav.

See on haridusele ja koolitusele keeruline väljakutse. Ainult tööriistade kasutamisest ei piisa. Need, kes tulemusi kontrollivad, vajavad siiski kindlat alust teemas. Igaüks, kes pole kunagi isiklikult kuluarvestust mõistnud, saab automaatselt genereeritud arvutust hinnata vaid piiratud ulatuses.

Mõistlik kvalifikatsioonistrateegia peaks seega ühendama nii tehnilise toe tõhusa kasutamise kui ka iseseisvat otsustusvõimet võimaldavate teadmiste arendamise. Lühiajalist kiirendamist ei tohiks segi ajada jätkusuutliku pädevuse arendamisega.

Rohkem ideid loob innovatsiooni ainult siis, kui valik ja testimine sammu peavad

Generatiivne tehisintellekt hõlbustab tootevariantide tootmist. Ettevõtted saavad lühema ajaga uurida rohkem tootekontseptsioone, suhtlusviise või probleemide lahendamise ettepanekuid. See võib viia konkurentsieelise saavutamiseni innovatsiooni valdkonnas.

Samal ajal on kasvav oht ajada ideede hulk teadmiste juurdekasvuga segi. Sada ettepanekut ei ole automaatselt väärtuslikum kui kümme. Kui need põhinevad sarnastel eeldustel, suurendavad need eelkõige valiku tegemiseks vajalikku pingutust.

Harvardi ülikooli konsultatsioonieksperimendi esitlus viitab lisaks tulemuslikkuse kasvule ka võimalusele, et tehisintellekt võib ideede mitmekesisust piirata. See on oluline innovatsiooniprotsesside jaoks: tööriist saab parandada individuaalseid tulemusi ja samal ajal aidata mitmel inimesel leida sarnasemaid lahendusi.

Seetõttu peaksid ettevõtted tehisintellekti kasutama mitte ainult tootmises, vaid ka sihipäraseks ristkontrolliks. Erinevad eeldused, alternatiivsed sihtrühmad või tahtlikult vastuolulised vaatenurgad võivad aidata uurimise ulatust laiendada. Selle edukust tuleb aga mõõta tegelike tulemuste põhjal.

Oluline samm jääb testimiseks. Klientide tagasiside, tehnilised katsetused ja põhjalikud kulude-tulude analüüsid eristavad huvitavat võimalust elujõulisest innovatsioonist. Tehisintellekt saab seda protsessi toetada, kuid ei saa seda pelgalt oma väidete veenvusega asendada.

Inimese vastutust ei saa ladusa vastuse kaudu delegeerida

Ettevõtetes tuleb otsuseid mitte ainult langetada, vaid ka põhjendada ja nende eest vastutada. Need, kes investeerivad, töötajaid tööle võtavad või tooteid välja toovad, otsustavad tagajärgede üle teistele inimestele. Veenvad süsteemi tulemused ei kõrvalda seda vastutust.

Ainult inimese järelevalve ei ole garantii. Konsultatsioonieksperimendi tulemused näitavad tegelikult, et tehisintellekti tugi võib inimesi teatud ülesannete täitmisel halvemini mõjutada. Inimese olemasolu protsessi lõpus ei muuda vigast süsteemi automaatselt usaldusväärseks.

Seega nõuab tõhus järelevalve sobivaid tingimusi. Läbivaatajal peab olema piisav asjatundlikkus, aeg ja juurdepääs teabele. Lisaks peab tal olema tegelik volitus soovitus tagasi lükata või täiendavaid uurimisi taotleda.

Oluliste otsuste puhul peaks olema selge, milliseid andmeid kasutati, millised eeldused on määravad ja kus esineb ebakindlust. Eesmärk ei ole muuta iga tehnilist detaili arusaadavaks. Asi on selles, et oleks võimalik uurida otsusega seotud põhialuseid.

Siin peitubki oluline erinevus pelga automatiseerimise ja vastutustundliku automatiseerimise vahel. Esimene annab tulemusi. Viimane seob tulemused jälgitavate kohustuste, kontrollitud riskide ja erandite asjakohase käsitlemisega.

Uus tööjaotus ei nõua ei masinate kummardamist ega inimese enese ülehindamist

Võrdlus pelgalt mustrite loomise masina ja puhtalt loomingulise inimese vahel on ilmekas pilt, kuid täieliku selgitusena liiga lihtsustatud. Ka inimesed töötavad mustritega, võtavad omaks rutiine ja teevad vigu. Tehisintellekt omakorda suudab saavutada saavutusi, mis ulatuvad lihtsast kordamisest kaugemale.

Seega ei seisne kehtiv eristus väites, et üks pool keskendub ainult arvutamisele ja teine ​​ainult mõistmisele. See seisneb vastutuse erinevates eeldustes, võimetes ja kontekstides.

Inimestel on elukogemused, sotsiaalsed suhted ja isiklikud huvid. Neid mõjutavad majanduslike otsuste tagajärjed. Tehisintellekti süsteemid saavad töödelda teavet ja genereerida tulemusi ilma vastavaid subjektiivseid kogemusi demonstreerimata. Teadvuse avatud küsimus ei muuda seda praegust tõendite seisu.

Produktiivne tööjaotus peaks neid erinevusi pigem ära kasutama, mitte keeleliselt siluma. Masinad saavad aidata otsingul, struktureerimisel, alternatiivide väljatöötamisel ja probleemide määratletud viisil lahendamisel. Inimesed ei pea ise iga vaheetappi tegema. Siiski peaks neil säilima otsustusvõime eesmärkide, põhieelduste ja sellest tulenevate otsuste puhul.

See tööjaotus ei ole muutumatu loodusseadus. Seda tuleb tehnoloogia arengu ja praktiliste katsete tulemustega edasi arendada. Ülesanne, mis on täna keeruline, võib tulevikus automatiseeritavaks muutuda. Vastutus ja eesmärk jäävad aga eraldi küsimusteks.

Otsustav konkurentsieelis peitub kontrollitavas otsustusvõimes

Tehisintellekti majanduslik tähtsus ei sõltu sellest, kas masinad kogevad ühel päeval inimlikku "ahaa!"-elamust. Isegi tänapäeval suudavad süsteemid teatud teadmispõhiseid ülesandeid kiirendada ja parandada. Samuti näitavad uuringud, et nende toetamine teistes ülesannetes võib viia halvemate tulemusteni. Seetõttu tuleb jõudlust ja töökindlust alati koos vaadelda.

Algne valem – et inimesed mõistavad ja tehisintellekt arvutab – tuvastab olulise intuitsiooni: inimmõtlemine on seotud kogemuse, tähenduse ja isikliku kaasatusega. Üldise teadusliku piirina jääb see aga liiga kategooriliseks. Arvutamisest ei tulene automaatselt ei mõistmine ega selle võimatus. Veenv keel ei eelda tõestatud teadvust.

Ettevõtete jaoks on teistsugune järeldus kindlam. Nad peaksid tehisintellekti kasutusele võtma seal, kus selle eelised on kontrollitavad, ja võtma selle piiranguid tõsiselt seal, kus vigadel on tõsised tagajärjed. Nad ei tohiks romantiseerida inimoskusi, vaid pigem arendada neid süstemaatiliselt: asjatundlikkust, kriitilist analüüsi, probleemide mõistmist, eksperimentaalset mõtlemist ja valmisolekut loobuda atraktiivsest selgitusest.

Seega ei pruugi tehisintellektil põhineva majanduse tegelik kitsaskoht olla niivõrd vastuste loomine kuivõrd võime eristada häid vastuseid halbadest. Kuna ettepanekud, analüüsid ja disainilahendused muutuvad üha kättesaadavamaks, ei ole võitja automaatselt see, kes kõige rohkem toodab. Eelis on neil, kes valivad õiged probleemid, testivad tulemusi reaalsuse suhtes ja tõlgivad tehnilised saavutused usaldusväärseks lisaväärtuseks.

Peaaegu ettevõttesisene lahendus: kuidas Xpert.Digital täidab B2B turunduse ja müügi operatiivseid lünki – nutikas sisupõhine äri - pilt: Xpert.Digital

Xpert.Digital on Konrad Wolfenstein juhitav andmepõhine B2B tööstuskeskus. Ettevõte tegutseb tööstuspartneritele välise, peaaegu sisemise lahendusena, täites turunduse, sisu ja müügi operatiivseid lünki – ilma kliendipoolsete lisaressurssideta.

Lisateavet leiate siit:

• Peaaegu ettevõttesisene lahendus: kuidas Xpert.Digital täidab B2B turunduse ja müügi operatiivseid lünki – Smart Content-Driven Business

☑️ Meie ärikeel on inglise või saksa keel

☑️ UUS: Kirjavahetus teie emakeeles!

Konrad Wolfenstein

Mina ja minu meeskond oleme hea meelega teie käsutuses teie isikliku nõustajana.

Võite minuga ühendust võtta, täites siinse kontaktvormi [email protected]:või helistades mulle numbril +49 7348 4088 965. Minu e-posti aadress on

Ootan põnevusega meie ühist projekti.

☑️ VKEde tugi strateegia, konsultatsioonide, planeerimise ja rakendamise alal

☑️ Digitaalse strateegia loomine või ümberkorraldamine ja digitaliseerimine

☑️ Rahvusvaheliste müügiprotsesside laiendamine ja optimeerimine

☑️ Globaalsed ja digitaalsed B2B kauplemisplatvormid

☑️ Pioneer Äriarendus / Turundus / PR / Messid