Генеративный ИИ демонстрирует одну из самых неравномерных траекторий внедрения в истории технологий. С одной стороны, ассистенты для программистов уже радикально изменили работу разработчиков — Марк Цукерберг предсказывает, что половина кода Meta* будет писаться ИИ в течение года. С другой — большинство компаний не видят никакой отдачи от своих инвестиций: исследование MIT показало, что 95% проектов с генеративным ИИ приносят нулевую отдачу.
Парадокс продуктивности ИИ
Этот дисбаланс дает пищу скептикам, утверждающим, что из-за своей вероятностной природы и склонности к галлюцинациям генеративный ИИ никогда не окажет глубокого влияния на бизнес. Однако для многих исследователей технологической истории отсутствие немедленного эффекта — это нормальная задержка, связанная с трансформационными технологиями.
Эрик Бринйольфссон, бывший профессор MIT, еще в начале 1990-х описал «парадокс продуктивности IT»: несмотря на множество свидетельств того, что технологии меняют способы работы людей, это не отражалось в агрегированных данных в виде роста производительности. Его вывод заключался в том, что бизнесу просто нужно время для адаптации.
Инфраструктурные барьеры и человеческий фактор
В случае с ИИ компаниям необходимо построить новую инфраструктуру (особенно платформы данных), перепроектировать основные бизнес-процессы и переобучить работников, прежде чем можно будет ожидать результатов. Если эффект запаздывания объясняет медленные результаты, то есть основания для оптимизма: большая часть облачной инфраструктуры, необходимой для внедрения генеративного ИИ в более широком бизнес-контексте, уже создана.
Возможности и вызовы одинаково огромны. Исполнительный директор одной из компаний из списка Fortune 500 сообщает, что его организация провела комплексный анализ использования аналитики и пришла к выводу, что ее работники в целом добавляют мало или вообще никакой ценности. Искоренение старого программного обеспечения и замена этой неэффективной человеческой работы ИИ могут дать значительные результаты. Но, как говорит этот человек, такой капитальный ремонт потребует серьезных изменений существующих процессов и займет годы.
Первые обнадеживающие сигналы
Есть некоторые ранние обнадеживающие признаки. Рост производительности в США, застрявший на уровне 1-1,5% более полутора десятилетий, восстановился до более чем 2% в прошлом году. Вероятно, он достиг того же уровня в первые девять месяцев этого года, хотя отсутствие официальных данных из-за недавнего закрытия правительства США делает это невозможным для подтверждения.
Однако невозможно сказать, насколько устойчивым будет это восстановление и сколько можно отнести на счет ИИ. Эффекты новых технологий редко ощущаются изолированно. Вместо этого выгоды накапливаются. ИИ использует более ранние инвестиции в облачные и мобильные вычисления. Точно так же последний бум ИИ может быть лишь предвестником прорывов в областях, которые оказывают более широкое влияние на экономику, таких как робототехника.
Статистика о 95% провальных проектов ИИ выглядит отрезвляюще, но не стоит забывать, что мы наблюдаем классический паттерн внедрения прорывных технологий. Проблема не в самом ИИ, а в том, что компании пытаются применить его поверх устаревших процессов вместо фундаментальной перестройки бизнес-моделей. Настоящая производительность придет, когда ИИ станет не просто инструментом автоматизации, а ядром новых рабочих процессов.
Скептический взгляд экономиста
Дэрон Асемоглу, экономист из MIT и лауреат Нобелевской премии 2024 года, утверждает, что рост производительности от генеративного ИИ будет гораздо меньше и займет гораздо больше времени, чем думают оптимисты ИИ. Причина в том, что хотя технология впечатляет во многих отношениях, эта область слишком узко сосредоточена на продуктах, которые имеют мало отношения к крупнейшим бизнес-секторам.
Возьмем производство. Безусловно, какая-то версия ИИ могла бы помочь; представьте рабочего на заводском цехе, который фотографирует проблему и спрашивает совета у ИИ-агента. Проблема в том, что крупные технологические компании, создающие ИИ, не очень заинтересованы в решении таких обыденных задач, а их большие базовые модели, в основном обученные на интернете, не так уж полезны.
Сокращения vs перепрофилирование
Легко винить отсутствие влияния ИИ на производительность пока на бизнес-практики и плохо обученных работников. Но полезнее спросить, как ИИ можно обучить и доработать, чтобы дать работникам, таким как медсестры, учителя и те, кто работает на заводском цехе, больше возможностей и сделать их более продуктивными на своих рабочих местах.
Это различие имеет значение. Некоторые компании, объявляющие о крупных сокращениях в последнее время, ссылаются на ИИ как на причину. Однако беспокойство заключается в том, что это всего лишь краткосрочная схема экономии затрат. Как соглашаются такие экономисты, как Бринйольфссон и Асемоглу, рост производительности от ИИ наступит, когда он будет использоваться для создания новых типов рабочих мест и расширения возможностей работников, а не когда он будет использоваться только для сокращения рабочих мест с целью снижения затрат.
По материалам MIT Technology Review
*Meta признана экстремистской и запрещена в РФ