Какова реальная продуктивность человека при использовании ИИ?

На картинках - оценочный результат скорости решения ёмкой интеллектуальной задачи при различных подходах: первые два варианта - без ИИ, вторые два - с ИИ. Но поскольку человек всё равно должен утвердить результат, чтобы нести за него ответственность, - без человека эта работа тоже не обходится.

Как мы видим, итоговый прирост продуктивности - не в десятки и не в сотни раз, а примерно в 2 раза, если результат проверяется тщательно. Это хорошо, но не «сказка».

Понятно, что есть и некоторые другие виды задач, где особой проверки не требуется - там рост продуктивности может достигать до 6 раз. И если здраво подойти к внедрению ИИ в производство, то, навскидку, можно добиться роста производительности в 3-4 раза. Но что с этим потом делать?

С помощью ИИ очень удобно собирать и анализировать информацию. Это хорошо помогает при больших объёмах данных, а также если вы занимаетесь самообразованием и разбираете какую-то тему или вопрос (можно быстро собрать материал, а потом его глубоко изучать, вникать, проверять).

Но тут есть и ловушка - нельзя путать выдачу ИИ (то, что он для вас собрал и удобно «упаковал») с вашими реальными знаниями. Если вы не проделали «проверку на вшивость» тех результатов, которые вам выдал ИИ - не опирайтесь на эти результаты. Если задаёте вопрос, в котором вы вообще ничего не понимаете - не относитесь к результату серьёзнее, чем к «гороскопам» в жёлтой прессе.

Одним из важнейших ключей в работе с ИИ является ваша способность задать ему компетентный и чёткий вопрос - запрос, «промт». Это что-то вроде наброска технического задания в краткой форме. От того, насколько качественно вы понимаете задачу, насколько конкретно формулируете промт, насколько хорошо потом сможете проверить результат и внести правки, - настолько полезен вам будет ИИ. Иначе вас ждёт провал.

Мне очень нравится ИИ. Я считаю, что это очень эффективный и полезный инструмент для некоторых задач. Однако вижу очень много тех, кто либо боится его, как кот пылесоса, либо обожествляет, верит, что наконец-то появилась «волшебная кнопка», которую «нажал - и всё само делается».

ИИ может генерировать очень правдоподобные результаты со скоростью, которая превышает способность человека их проверять и применять. Если поток генерации избыточен, то чтобы проверять ИИ - нужен другой ИИ. Таким образом, широкое распространение ИИ во всех сферах приводит только к увеличению бесполезной нагрузки (ИИ для работы с ИИ, а не потому, что это соответствует цели). Например, сейчас все подряд генерируют с помощью ИИ тексты, картинки, видео и выдают их за реальность (фейки), что приводит к необходимости создавать ИИ, которые вычисляли бы подделки. Всё это требует затрат ресурсов, но не добавляет никакой полезной ценности. Избыточность порождает избыточные издержки там, где не нужно, и приводит к недостатку в других звеньях системы, что сводит на нет всю эффективность. Огромные мощности тратятся на обслуживание побочных продуктов.

Как мы все знаем, в технологическом процессе продуктивность всей системы ограничивается продуктивностью «узкого горлышка» - элемента с наименьшей производительностью. Нет никакого смысла наращивать мощности отдельных узлов, если потом избыток некуда девать. Иногда целесообразно не наращивать, а снижать избыточные мощности отдельных узлов, чтобы добиться эффективности. Или же расширить горлышко (в нашем случае - повышать количество компетентных специалистов, а не наоборот).

В подходах к эффективности применим принцип минимизации избыточности: любой элемент производственной системы оправдан только тогда, когда его вклад в достижение цели превышает связанные с ним издержки. Оценка ведётся по совокупности критериев: качество, сроки, надёжность, риски и др.

Поэтому, чем внедрять ИИ всюду и без разбора, повинуясь моде и хайпу, лучше подумать головой и понять: а где именно нужно внедрять ИИ, как это делать, для чего и в каких объёмах.