AI обещал избавить людей от работы, но создал новую — проверять сгенерированные результаты

AI должен был избавить офисных сотрудников от рутины, ускорить рабочие процессы и даже сделать некоторые профессии ненужными. Именно так технологические компании описывают экономический потенциал AI. Однако исследования показывают, что реальный эффект от внедрения технологии пока заметно скромнее ожиданий

🧑‍🔬 Ученые не подтверждают обещанного роста продуктивности
Исследователи Федерального резервного банка Атланты, Стэнфордского университета, Банка Англии и Автономного технологического института Мексики опросили почти 6 тыс. руководителей компаний. Около 90% респондентов сообщили, что AI не повлиял ни на занятость, ни на производительность труда в их организациях. При этом 69% заявили, что их компании активно используют технологию

Значительного прироста производительности пока не видно и в макроэкономической статистике. Главный экономист инвестиционной компании Apollo Торстен Слок, изучив данные Федерального резервного банка Сан-Франциско, пришел к выводу, что рост производительности благодаря AI пока остается прогнозом, а не наблюдаемым результатом

Отсутствие заметного эффекта можно объяснить несколькими факторами. Прежде всего компаниям требуется время, чтобы адаптироваться к новым технологиям и внедрить их в рабочие процессы. Однако есть и другая проблема: AI создает дополнительные задачи для сотрудников, которые могут поглощать часть сэкономленного времени

💼 «Налог на проверку»: автоматизация создает новую работу
Проверку результатов AI называют verification tax («налог на проверку»), botsitting («присмотр за ботами») или rework («повторная работа»). Речь идет о времени, которое сотрудники тратят на проверку точности, безопасности и пригодности сгенерированных материалов к использованию

Научный сотрудник и преподаватель Школы менеджмента Слоуна Массачусетского технологического института (MIT Sloan) Кристиан Каталини сформулировал проблему следующим образом: главным ограничением роста становится уже не AI, а способность людей проверять результаты его работы. Пользу приносит только тот AI, результаты которого прошли проверку

Масштаб дополнительных трудозатрат показывают опросы. HR-платформа Workday изучила опыт 3,2 тыс. сотрудников и руководителей компаний. Выяснилось, что в среднем 37% времени, сэкономленного благодаря AI, уходит на исправление, уточнение или переписывание некачественных результатов. Из этого следует, что остальная доля — действительно сэкономленное время. При этом только 14% опрошенных стабильно отмечают однозначно положительный итоговый эффект от использования технологии

🤔 Ученые экономят семь часов в неделю, но накапливают непроверенные гипотезы
Экономисты Google опросили 600 ученых, чтобы оценить влияние AI на их работу. В среднем использование технологии экономило исследователям семь часов в неделю. Однако почти 90% тех, кто отметил экономию времени, тратили на проверку результатов AI не менее десятой части высвободившихся часов. При этом 46% расходовали на перепроверку более четверти сэкономленного времени. Одновременно около 40% ученых сообщили, что количество непроверенных гипотез у них увеличилось по сравнению с ситуацией трехлетней давности

В Google считают, что AI ускоряет генерацию гипотез, прогнозов и потенциальных решений, однако проведение физических экспериментов и клинических испытаний для проверки результатов вовсе не обязательно ускоряется в той же степени. По словам старшего экономиста-исследователя Google и соавтора работы Михая Кодряну, результаты исследования указывают на то, что узкие места рабочих процессов перемещаются на последующие этапы

🧑‍💻 Разработчики пишут больше кода, но не выпускают программы пропорционально быстрее
Аналогичная ситуация складывается в программировании. Технологические компании могут использовать AI для генерации тысяч строк кода в час. Однако этот код необходимо проверять, тестировать и интегрировать в существующие продукты. Amazon и другие компании по-прежнему требуют ручной проверки сгенерированного кода. Поэтому общая эффективность разработки зависит также от способности специалистов убедиться, что код работает должным образом

Исследователи MIT и Уортонской школы бизнеса проанализировали данные 500 тыс. разработчиков на GitHub. Выяснилось, что новые AI-инструменты существенно увеличивают их активность, однако прирост эффективности резко сокращается по мере перехода от написания кода к выпуску готового ПО. Главным ограничением производительности постепенно становятся этапы, на которых по-прежнему требуется участие человека: проверка кода, интеграция, тестирование и выпуск продукта

🏦 Банки внедряют AI, но сотрудники начинают работать еще больше
Экономист Александра Мусавизаде, чья компания Evident Insights отслеживает внедрение AI в финансовом секторе, обращает внимание на инвестиционных банкиров. По ее наблюдениям, они стали работать даже больше, чем прежде. Причина заключается в расширении возможностей сотрудников. Благодаря AI банкиры способны выполнять больше задач и создавать новые продукты. Однако вместе с объемом работы увеличивается и необходимость проверки результатов. Кроме того, растут ожидания клиентов, поскольку конкурирующие банки также предлагают новые технологические возможности. Мусавизаде отмечает, что банки, которые больше всего инвестировали в AI, сейчас наиболее активно нанимают сотрудников

📊 Одни задачи легко проверить, а другие — сложно
По словам профессора информатики Калифорнийского университета в Беркли Иона Стойки, затраты на проверку результатов AI напрямую зависят от характера задачи. Некоторые проблемы сложно решить, но относительно легко проверить правильность решения. Например, найти выход из лабиринта может быть непросто, однако убедиться в корректности маршрута значительно легче

Другие задачи требуют учета большого количества информации и субъективных суждений, которые специалист не всегда способен полностью формализовать или объяснить. Например, при оценке качества договора необходимо опираться на профессиональную экспертизу, которую сложно представить в виде исчерпывающего набора правил. Такие задачи требуют более значительного человеческого контроля

Один из возможных способов решения проблемы — использовать AI-агентов, которые будут проверять работу других AI-агентов. В некоторых задачах такой подход действительно работает. Однако Кристиан Каталини предупреждает, что у него есть ограничение. Если для выполнения задачи необходимы экспертные знания, которые не были формализованы, проверяющий AI может обладать теми же слепыми зонами, что и модель, создавшая первоначальный результат. Ион Стойка считает, что по мере совершенствования моделей узкие места рабочих процессов будут смещаться, а для проверки результатов AI потребуются все более продвинутые профессиональные навыки

CEO KPMG в США Тим Уолш рассказал, что компания предусматривает участие человека в проверке каждого автоматизированного процесса. По его словам, он пока не видел решений, которым был бы готов доверить проверку работы AI-агентов без человеческого контроля. Уолш признает, что AI позволит KPMG работать быстрее, однако подчеркивает, что это ускорение требует дополнительных затрат. Внедрение AI нельзя сравнивать с включением выключателя, после которого компания сразу готова работать по-новому. Автоматизация задачи не завершает процесс повышения эффективности. Зачастую она лишь открывает следующий этап работы, на котором человеку предстоит проверить и подготовить результат к использованию