تکنولوژی شکاف مهارتها را کم میکند، اما هنوز نمیتواند جایگزین تجربه دنیای واقعی شود؛
هوش مصنوعی مولد، کسی را متخصص نمیکند
برای پاسخ به این سوال، محققان دانشگاه استنفورد و موسسه طراحی دادههای دیجیتال دانشکده کسبوکار هاروارد، یک آزمایش کنترلشده با ۷۸کارمند در گروه IG، یک شرکت فینتک مستقر در بریتانیا، انجام دادند. آنها کارکنان را در سه گروه قرار دادند: متخصصان، افراد خارجی نزدیک و افراد خارجی دور. متخصصان نویسندگانی بودند که مرتب برای وبسایت IG مقاله مینوشتند.
افراد خارجی نزدیک، متخصصان بازاریابی از بخش نویسندگان بودند که هیچ تجربه مقالهنویسی نداشتند، اما از آنچه نویسندگان انجام میدادند، درک کلی داشتند. افراد خارجی دور، توسعهدهندگان و دانشمندان داده بودند که سابقه بازاریابی یا نویسندگی نداشتند. از هر گروه خواسته شد دو وظیفه را انجام دهند: مفهومسازی و نوشتن مقالهای مانند آنچه در وبسایت شرکت یافت میشود. محققان به طور تصادفی هوش مصنوعی مولد را برای کمک به برخی از شرکتکنندگان اختصاص دادند. سپس مدیران IG نتایج هر تکلیف را در مقیاسی از ۱ (پایینترین نمره) تا ۵ (بالاترین نمره) ارزیابی کردند.
هنگام مفهومسازی مقاله بدون کمکهوش مصنوعی مولد، نویسندگان بالاترین میانگین امتیاز (۳.۸۲) را کسب کردند و پس از آنها متخصصان بازاریابی (۳.۰۴) و متخصصان تکنولوژی (۳.۰۲) قرار گرفتند. این نتایج شکاف مهارتی قابلتوجهی را بین متخصصان و سایرین نشان داد. با این حال، وقتی هوش مصنوعی مولد به کمک افراد مورد بررسی آمد، این شکاف کاهش یافت: مفاهیم توسعهیافته توسط نویسندگان به طور متوسط ۴.۱۲ امتیاز کسب کردند، درحالیکه مفاهیم توسعهیافته توسط متخصصان بازاریابی و تکنولوژی به ترتیب ۴.۱۸ و ۴.۰۵ امتیاز کسب کردند. به عبارت دیگر، بازاریابهایی که از هوشمصنوعی استفاده میکردند، نسبت به نویسندگانی که از هوش مصنوعی استفاده میکردند، کمی عملکرد بهتری داشتند.
و هر سه گروهی که از هوش مصنوعی استفاده میکردند، نسبت به نویسندگانی که از آن استفاده نمیکردند، عملکرد بهتری داشتند. وقتی صحبت از نوشتن مقالات شد، نتایج متفاوت بود. بدون هوش مصنوعی مولد، نویسندگان بهترین عملکرد را در بین همه گروهها داشتند. حتی استفاده از هوش مصنوعی هم نمیتوانست به افراد غیرمتخصص کمک کند همان کیفیت کار متخصصان را تولید کنند. همانطور که پیشبینی میشد، نویسندگان بهترین عملکرد را در بین کسانی که از این تکنولوژی استفاده میکردند، داشتند (به طور متوسط ۳.۹۶). متخصصان بازاریابی که از هوش مصنوعی کمک میگرفتند، با اختلاف کمی عقب بودند (۳.۹۲). اما متخصصان تکنولوژی که از هوش مصنوعی کمک میگرفتند، عملکرد خوبی نداشتند.
در واقع، نمرات آنها با و بدون هوش مصنوعی مولد اساسا یکسان بود (به ترتیب ۳.۳۸ و ۳.۴۲).
دیوار هوش مصنوعی مولد
چرا هوش مصنوعی مولد عملکرد یک کار را بیشتر از کار دیگر افزایش داد و به متخصصان تکنولوژی در نوشتن چندان کمکی نکرد؟
پس از انجام مصاحبه با شرکتکنندگان، محققان به این نتیجه رسیدند که هر چه کارکنان از دانش مورد نیاز برای یک کار دورتر باشند، احتمال کمتری دارد که به خوبی همکاران دارای تخصص مرتبط عمل کنند؛ حتی با کمک هوش مصنوعی مولد. افراد غیرمتخصصی که از هوش مصنوعی بهره میبردند، در ایدهپردازی عملکرد بهتری داشتند، چون این کار نسبت به نویسندگی به تخصص کمتری نیاز داشت. افراد فقط باید درک میکردند که آیا موضوع پیشنهادی به اندازه کافی خوب است یا خیر. با این حال، نوشتن یک مقاله شامل دانستن نحوه انتقال پیام مورد نظر به زبان صحیح بود. یکی از شرکتکنندگان، استعارهای برای نشان دادن این تمایز ارائه داد: مفهومسازی مانند تصور دویدن در یک ماراتن است، اما نوشتن مانند دویدن واقعی است که به سطح کاملا متفاوتی از تخصص نیاز دارد. و محققان دریافتند که تخصص همان چیزی است که به انسانها اجازه میدهد به طور موثرتری با ابزارهای هوش مصنوعی همکاری کنند.
متخصصان بازاریابی زبان عمومی مورد استفاده نویسندگان را درک میکردند و در حوزه مربوطه برای اصلاح محتوای تولیدشده توسط هوش مصنوعی مولد، دانش کافی داشتند. اما متخصصان تکنولوژی (که کارشان هیچ ارتباطی با نویسندگی نداشت) نمیتوانستند به طور موثر از پیشنهادهای هوش مصنوعی استفاده کنند یا آنها را بهبود بخشند. آنها فاقد شهود و دانش لازم برای تصمیمگیری خوب در این مورد بودند که از چه زبانی استفاده کنند و چه چیزی را کنار بگذارند. محققان این پدیده را «دیوار هوش مصنوعی» نامیدند؛ محدودیتی که هوش مصنوعی مولد میتواند به افراد در انجام وظایف خارج از حوزه تخصصشان کمک کند.
این یافته، برای نحوه استقرار ابزارهای هوش مصنوعی مولد توسط سازمانها پیامدهایی دارد و این دیدگاه را به پرسش میکشد که این تکنولوژی میتواند سلسلهمراتب مهارتها را هموار کند و پدیدهای را که دانشگاهیان «جاریبودن وظیفه جهانی» مینامند، فعال سازد.
در عوض، محققان ادعا میکنند که اثربخشی هوش مصنوعی مولد به فاصله تخصص بین کاربر و حوزه وظیفه بستگی دارد. آنها استدلال میکنند که دیوار هوش مصنوعی فراتر از زمینه نویسندگان و متخصصان تکنولوژی مرتبط است.
محققان دو روش برتر را برای هماهنگ کردن هوش مصنوعی مولد با کارکنانی در سطوح مختلف تخصص توصیه میکنند:
۱- تواناییهای هوش مصنوعی مولد را بیش از حد ارزیابی نکنید.
بسیار مهم است که کارکنان در زمینهای که هوش مصنوعی را در آن به کار میبرند، درک کلی و تجربهای داشته باشند. دانش آنها حداقل باید به اندازهای گسترده باشد که بتوانند کار تولید شده توسط هوش مصنوعی را ارزیابی کنند و بهبود بخشند. به عنوان مثال، در طول مطالعه نگارش، بسیاری از متخصصان تکنولوژی به سادگی پیشنهادهای هوش مصنوعی مولد را در مقالات کپی و پیست میکردند، زیرا فاقد قضاوت دقیق برای تنظیم و ادغام زبان بودند. لوکا وندرامینلی، محقق فوق دکترای استنفورد که رهبری این مطالعه را بر عهده داشت، میگوید: «اگر هوش مصنوعی نتواند وظایف را به طور کامل خودکار کند، یک راهحل جادویی برای همه چیز در محل کار نیست. وقتی هوش مصنوعی نمیتواند به تنهایی کار را انجام دهد و جایگزین متخصصان میشود، به برخی افراد کمک میکند تا شکاف بین خود و متخصصان را کاهش دهند، اما فقط در موقعیتهای خاص و زمانی که شرایط مناسب باشد. این یک راهحل یکسان برای همه نیست.»
۲- نحوه انجام کار را دوباره بررسی کنید.
در نظر بگیرید که پس از شروع استفاده موثر کارکنان از هوش مصنوعی مولد، سازمان شما چگونه باید تغییر کند. برای به دست آوردن بهرهوری بیشتر، ممکن است کسب و کار نیاز به تغییر فرآیندها، رویکردهای تصمیمگیری و نحوه همکاری تیمها داشته باشد. ابزارهای هوش مصنوعی مولد حتی ممکن است عناوین شغلی در زمینههای مرتبط، مانند متخصص و استراتژیست محتوا را محو کنند. با این حال، استفاده از آنها برای پر کردن شکافهای بزرگتر - مانند شکافهای بین تیمهای بازاریابی، فروش و محصول - بسیار دشوارتر است، زیرا این مشاغل به تخصص، بودجه و ساختارهای قدرت متفاوتی وابسته هستند. طراحی مشاغل به گونهای گستردهتر و انعطافپذیرتر میتواند به غلبه بر این چالش کمک کند، اما ایجاد این تغییر نیاز به تغییرات ساختاری و فرهنگی دارد.
و همانطور که هوش مصنوعی مولد را در گردشهای کاری ادغام میکنید، زمینه انسانی را در نظر بگیرید: چه کسی از آن استفاده میکند؟ این افراد چه میدانند؟ چگونه خروجیهای هوش مصنوعی را تفسیر و اصلاح میکنند؟ وندرامینلی میگوید: «هوش مصنوعی فقط میتواند افراد را تا حدی پیش ببرد. تخصص غیرقابل تکرار است. هیچ تکنولوژیای نمیتواند جایگزین آن شود.»
میانبری به سوی تخصص
اولگا پیروگ، رئیس سابق بخش جهانی دادهها و تحول هوش مصنوعی در گروه IG، (شرکتی که این مطالعه نوشتاری در آن انجام شده)، چند سال را صرف استفاده از دادهها، تجزیه و تحلیل و هوش مصنوعی برای بهبود عملکرد کسبوکار کرده است. پیروگ در گفتوگو با نشریه کسبوکار هاروارد، در مورد چگونگی کمک هوش مصنوعی مولد به بازاریابان برای نوشتن مقالاتی به خوبی نویسندگان حرفهای گفته: «هوش مصنوعی مولد به آنها مهارتهای عملی که فاقد آن بودند را داد. بازاریابان دانش بنیادی را داشتند، زیرا میدانستند محتوای خوب چگونه است. اما خودشان تجربه نوشتن آن را نداشتند. هوش مصنوعی مولد به عنوان یک پُل عمل کرد و به آنها اجازه داد با متخصصان ما برابری کنند. این امر هنر نویسندگی را برای کسانی که از قبل مفهوم بازاریابی را درک میکردند، دموکراتیک کرد.»
درسی که از این ماجرا میتوان گرفت این است که هوش مصنوعی مولد، رسیدن به تخصص را کوتاه میکند، اما هنوز نمیتواند جایگزین تجربه دنیای واقعی شود. سیستم هوش مصنوعی پیشنویسهای اولیه محکمی تولید کرد که پس از مطالعه، به نویسندگان متخصص کمک کرد مقالات را اصلاح کنند، لحن خود را تنظیم کنند و قبل از انتشار آنها مطمئن شوند که عناصر SEO آنها درست است.
پیروگ در پایان گفت: «دیدگاه من در مورد چگونگی کارکرد کارآموزی تغییر کرده است. قبلا فکر میکردم تنها راه یادگیری از طریق اجرای تاکتیک است، یعنی مرور صدها پیشنویس برای ایجاد حافظه سنتی. اما دیدیم برای افرادی که زمینه مناسبی دارند، هوش مصنوعی این اجرا را مدیریت میکند. تنگنای واقعی زمانی اتفاق میافتد که شما فاقد دانش بنیادی هستید و نمیتوانید قضاوت کنید که آیا هوش مصنوعی درست است یا غلط. مدل آموزشی باید به سمتی تغییر کند که به افراد آموزش دهد چه چیزی برای بهبود نوشته میشود، نه اینکه به تازهکارها یاد بدهد که چطور بنویسند.»
منبع: HBR
* مدرس دانشگاه
