Hay un acuerdo común en que inteligencia artificial generativa Las herramientas (IA) pueden ayudar a las personas a ahorrar tiempo y aumentar la productividad. Pero si bien estas tecnologías facilitar la ejecución del código o producir informes rápidamente, el trabajo backend para construir y mantener grandes modelos de lenguaje (LLM) puede requerir más trabajo humano que el esfuerzo ahorrado desde el principio. Además, es posible que muchas tareas no requieran necesariamente la potencia de fuego de la IA cuando la automatización estándar es suficiente.
Esa es la palabra de Peter Cappelliprofesor de gestión de la Escuela Wharton de la Universidad de Pensilvania, que habló en una reciente evento del MIT. De forma acumulativa, la IA generativa y los LLM pueden crear más trabajo para las personas que aliviar las tareas. Los LLM son complicados de implementar y «resulta que hay muchas cosas que la IA generativa podría hacer y que realmente no necesitamos hacer», dijo Cappelli.
Si bien la IA es promocionado como una tecnología revolucionaria«Las proyecciones desde el punto de vista tecnológico a menudo son espectacularmente erróneas», señaló. «De hecho, la mayoría de las previsiones tecnológicas sobre el trabajo se han equivocado con el tiempo». Dijo que la inminente ola de camiones y automóviles sin conductor, prevista en 2018, es un ejemplo de proyecciones optimistas que aún no se han hecho realidad.
Las visiones amplias de la transformación impulsada por la tecnología a menudo tropiezan con los detalles más crudos. Los defensores de vehículos autónomos promovió lo que «los camiones sin conductor podrían hacer, en lugar de lo que se necesita hacer, y lo que se requiere para aprobar las regulaciones: las cuestiones de seguros, las cuestiones de software y todas esas cuestiones». Además, Cappelli añadió: «Si nos fijamos en su trabajo real, los camioneros hacen muchas cosas además de conducir camiones, incluso en transportes de larga distancia».
Se puede establecer una analogía similar con el uso IA generativa para el desarrollo de software y negocios. Los programadores «pasan la mayor parte de su tiempo haciendo cosas que no tienen nada que ver con la programación de computadoras», dijo. «Hablan con la gente, negocian presupuestos y todo ese tipo de cosas. Incluso en el aspecto de la programación, no todo eso es realmente programación».
También: El desarrollo ágil puede desbloquear el poder de la IA generativa: así es como
Las posibilidades tecnológicas de la innovación son intrigantes, pero su implementación tiende a verse ralentizada por la realidad sobre el terreno. En el caso de la IA generativa, cualquier beneficio de productividad y ahorro de mano de obra puede verse superado por la cantidad de trabajo de backend necesario para crear y mantener algoritmos y LLM.
Tanto la IA generativa como la operativa «generan nuevos trabajos», señaló Cappelli. «La gente tiene que gestionar bases de datos, tiene que organizar materiales, tiene que resolver estos problemas de informes contradictorios, validez y ese tipo de cosas. Va a generar muchas tareas nuevas, alguien tendrá que hacerlas. «
También: La IA generativa es la tecnología que TI siente más presión para explotar
Dijo que la IA operativa que ha estado implementada durante algún tiempo todavía es un trabajo en progreso. «El aprendizaje automático con números ha sido notablemente infrautilizado. Parte de esto han sido cuestiones de gestión de bases de datos. Requiere mucho esfuerzo simplemente reunir los datos para poder analizarlos. Los datos a menudo se encuentran en diferentes silos en diferentes organizaciones, que están políticamente difícil y técnicamente difícil de armar».
Cappelli cita varios problemas en el avance hacia la IA generativa y los LLM que deben superarse:
- Abordar un problema/oportunidad con IA/LLM generativos puede ser excesivo – «Hay muchas cosas que los modelos de lenguaje grandes pueden hacer y que probablemente no sea necesario hacer», afirmó. Por ejemplo, la correspondencia comercial se considera un caso de uso, pero la mayor parte del trabajo ya se realiza mediante cartas modelo y automatización de memoria. Agregue el hecho de que «una carta modelo ya ha sido aprobada por los abogados, y cualquier cosa escrita con modelos de lenguaje grandes probablemente tenga que ser vista por un abogado. Y eso no supondrá ningún ahorro de tiempo».
- Será más costoso reemplazar la automatización mecánica con IA – «No está tan claro que los grandes modelos lingüísticos vayan a ser tan baratos como lo son ahora», advirtió Cappelli. «A medida que más gente los utiliza, el espacio para computadoras tiene que aumentar, la demanda de electricidad por sí sola es grande. Alguien tiene que pagar por ello».
- Se necesitan personas para validar los resultados de la IA generativa – Los informes o resultados de IA generativos pueden estar bien para cosas relativamente simples como correos electrónicos. Pero para informes o tareas más complejas, es necesario validar que todo sea exacto. «Si vas a utilizarlo para algo importante, será mejor que estés seguro de que es correcto. ¿Y cómo vas a saber si es correcto? Bueno, ayuda tener un experto; alguien que pueda validar de forma independiente y que sepa algo sobre el tema. Para buscar alucinaciones o resultados extravagantes, y que está actualizado. Algunas personas dicen que se pueden usar otros modelos de lenguaje grandes para evaluar eso, pero es más una cuestión de confiabilidad que de validez. , y esto no es necesariamente fácil ni barato de hacer».
- La IA generativa nos ahogará en demasiada información, a veces contradictoria – «Debido a que es bastante fácil generar informes y resultados, obtendrás más respuestas», dijo Cappelli. Además, un LLM puede incluso ofrecer diferentes respuestas al mismo mensaje. «Este es un problema de confiabilidad: ¿qué harías con tu informe? Generas uno que hace que tu división se vea mejor y se lo entregas al jefe». Además, advirtió: «Ni siquiera las personas que construyen estos modelos pueden dar esas respuestas de manera clara. ¿Vamos a ahogar a la gente con la tarea de juzgar las diferencias en estos resultados?»
- La gente todavía prefiere tomar decisiones basadas en intuiciones o preferencias personales. – Este problema será difícil de superar para las máquinas. Las organizaciones pueden invertir grandes sumas de dinero en la creación y gestión de LLM para funciones, como la selección de candidatos para puestos de trabajo. Pero estudio tras estudio muestra que las personas tienden a contratar a personas que les agradan, en contra de lo que concluyen los análisis, dijo Cappelli. «El aprendizaje automático ya podría hacer eso por nosotros. Si construyeras el modelo, descubrirías que tus superiores directos que ya están tomando las decisiones no quieren usarlo. Otro ejemplo de ‘si lo construyes, no necesariamente lo harán’. venir.'»
Cappelli sugirió que la aplicación de IA generativa más útil a corto plazo es examinar los almacenes de datos y ofrecer análisis para respaldar los procesos de toma de decisiones. «Estamos lavando datos en este momento que no hemos podido analizar nosotros mismos», dijo. «Será mucho mejor que nosotros en eso», afirmó. Además de la gestión de bases de datos, «alguien tiene que preocuparse por las barreras de seguridad y los problemas de contaminación de datos».