Как генеративный ИИ меняет интеллектуальный труд
Я никогда до этого не писал о применении генеративного ИИ в интеллектуальном труде, и эта статья у меня на сайте, пожалуй, стала своего рода моей "компенсацией" для этого направления.
В ее основе лежит исследование "Cyborgs, Centaurs and Self-Automators: The Three Modes of Human-GenAI Knowledge Work and Their Implications for Skilling and the Future of Expertise", подготовленное исследователями Harvard Business School, MIT Sloan, Wharton и Warwick Business School.
В нем авторы изучили работу 244 консультантов Boston Consulting Group, проанализировали 4975 взаимодействий с GPT-4 и дополнили их 237 интервью.
Но самое интересное здесь не масштаб выборки, а сам исследовательский вопрос.
Обычно использование ИИ оценивают по результату: стал ли специалист работать быстрее, повысилось ли качество решения, сколько времени удалось сэкономить. Авторы этой работы посмотрели внутрь самого процесса и поставили два других вопроса:
Кто определяет, что необходимо сделать?
Кто определяет, как это должно быть сделано?
Из ответов на них возникают три принципиально разные модели совместной интеллектуальной работы человека и генеративного ИИ: Cyborg, Centaur и Self-Automator.
Киборг ведет с ИИ непрерывный интеллектуальный диалог. Кентавр сохраняет управление задачей за собой и точечно использует ИИ для расширения собственных возможностей. Самоавтоматизатор передает системе не только выполнение работы, но в значительной степени и интеллектуальное лидерство.
На этом исследование не заканчивается. Эти модели оказались связаны с различными траекториями профессионального развития: newskilling, upskilling и no skilling. То есть способ работы с ИИ влияет не только на сегодняшний результат, но потенциально и на то, каким специалистом человек становится в процессе такого взаимодействия.
В этой большой статье на своем сайте GBAK я подробно разобрал методологию исследования, все три модели, результаты эксперимента, влияние генеративного ИИ на профессиональную экспертизу, ограничения самой работы и практические выводы для специалистов интеллектуального труда. Отдельно я рассмотрел, что все это означает для бизнес-аналитиков.
Получился большой материал, рассчитанный не на быстрое чтение ленты, а на спокойное и вдумчивое ознакомление. Если тема интеллектуального труда и генеративного ИИ вам действительно интересна, приглашаю к чтению и, как всегда, буду рад обсудить выводы исследования в комментариях.
· 08.08
Большое Вам спасибо за статью, действительно интересное исследование о ценностях специалистов-аналитиков. Для себя я увидел здесь новый ракурс взгляда на “вечные” вопросы о том что первично для качественной работы - широта кругозора, глубокая экспертиза в отдельных областях или навыки использования прикладных средств. Понятно, что хочется всего и сразу. И часто оно идет в комплекте, но вот что здесь самое важное? Авторы справедливо говорят о том, что важна и сама решаемая задача, а исследование как бы оставляет ее сейчас “за скобками”.
Вот о чем подумалось по итогам прочтения. На днях я размышлял о практических ситуациях трехсторонних договорных отношений и то, как это ужасно неудобно реализовывалось в различных базах данных. Я бы даже сказал - не реализовывалось, это всегда выглядело как попытка натянуть круглое на квадратное. В чем же проблема? Как-то непривычно видеть в отношениях третью сторону, человечество так устроено, что все время пытается выделить одного, главного, даже если формально его не существует. Не в этом ли корень проблемы?
Продолжая аналогию с договорами, правильным вопросом будет - кто контролирует риски и как он это делает? Сама статья напоминает, что генеративный ИИ - это работа с вероятностью, а, следовательно, с риском ошибки (первого или второго рода - не суть, важно, что шанс ошибки есть всегда).
Экспертиза нужна для того, чтобы контролировать эту неопределенность. Совершенствование технологий “сужает” неопределенность только в заданных заведомо искусственных рамках.
Интересно, что в статье сделан вывод об эффективности строгих ограничений (рамок) использования ИИ, заданных экспертом (кентавр, применительно к рассматриваемым задачам).
А что мы имеем в чистом остатке? Очень интересно, ничего не понятно… Как же поступать в общем случае? Я так и не смог придумать как просто и эффективно отражать трёхсторонние договорные отношения в базах данных.
Мне явно не хватает знаний в предметной области, хороший повод что-нибудь поискать о промт-инжиниринге.
0
ответить
коммент скрыт — часть юзеров считает его токсичным или некорректным
коммент удалён
· 08.08
Добрый субботний день и спасибо за вдумчивый комментарий 👋🏻 Но вот с вашей последней фразой я бы, конечно, немного поспорил 🙂 Если не хватает именно ЗНАНИЙ о том, как моделировать трехсторонние договорные отношения, то промпт-инжиниринг, скорее всего, не решит эту вашу проблему. Хороший промпт помогает эффективнее взаимодействовать с моделью, но сам по себе не создает предметную экспертизу. И это, кстати, одна из причин, почему мне так понравилось это исследование: оно довольно сильно смещает внимание с вопроса "как правильно спросить ИИ?" на вопрос "какую часть интеллектуальной работы вообще разумно ему отдавать?". А вот эта задача с трехсторонними отношениями как раз интересна сама по себе в рамках этого дискурса. Возможно, проблема начинается в тот момент, когда мы пытаемся представить трехсторонние отношения как разновидность привычной бинарной связи: есть сторона А, сторона Б, а третью мы каким-то образом пытаемся к ним пристроить. Хотя с точки зрения моделирования самостоятельной сущностью может быть вообще само "отношение", а уже с ним связываются три участника со своими различными ролями, обязательствами и ограничениями. Тогда и не обязательно искать среди них "главного" 😌 Здесь ИИ действительно может пригодиться, но я бы использовал его скорее "по-кентаврийски": попросить предложить известные способы моделирования таких отношений, терминологию и направления для поиска, а затем уже самому разбираться, какая модель соответствует конкретной предметной области. То есть сначала расширить с его помощью ПРОСТРАНСТВО для исследования, а не просить волшебный промпт, который сразу выдаст правильную структуру БД😅 В каком-то смысле ваш пример очень удачно возвращает нас к идее и оригинального исследования, и моей статьи "по его мотивам": иногда нам действительно не хватает умения работать с ИИ, а иногда нам не хватает знаний о самой задаче. На практике эти две проблемы важно не путать 😌
0
ответить
коммент скрыт — часть юзеров считает его токсичным или некорректным
ответ удалён