Только 36 категорий профессий из 1016 не пересекались с ИИ. Среди них были танцоры и спортсмены, а также операторы сваебойных машин, кровельщики и механики мотоциклов (хотя я разговаривал с кровельщиком, и он планировал использовать ИИ для помощи в маркетинге и обслуживании клиентов, так что, возможно, 35 рабочих мест). Вы заметите, что это очень физические профессии, в которых способность перемещаться в пространстве имеет решающее значение. Это подчеркивает тот факт, что ИИ, по крайней мере пока, является невоплощенным. Бум в области искусственного интеллекта происходит гораздо быстрее, чем эволюция практических роботов, но вскоре ситуация может измениться. Многие исследователи пытаются решить давние проблемы робототехники с помощью больших языковых моделей, и уже есть первые признаки того, что это может сработать, поскольку LLM облегчают программирование роботов, которые действительно могут учиться у окружающего их мира.
Поэтому, независимо от характера работы, в ближайшем будущем ваша работа, скорее всего, будет пересекаться с искусственным интеллектом. Но это не значит, что ваша работа будет заменена. Чтобы понять, почему, нам нужно рассмотреть работу более тщательно, рассматривая ее на нескольких уровнях. Рабочие места состоят из наборов задач. Рабочие места вписываются в более крупные системы. Не рассматривая системы и задачи, мы не сможем понять, как ИИ повлияет на рабочие места.
Возьмите мою роль профессора бизнес-школы. Я занимаю 22-е место по количеству пересекающихся профессий из 1016, и меня это немного беспокоит. Но моя работа - это не просто единый и неделимый объект. Напротив, она включает в себя множество задач: преподавание, исследования, написание статей, заполнение годовых отчетов, обслуживание компьютера, составление рекомендательных писем и многое другое. Название должности "профессор" - это всего лишь ярлык, а ежедневная работа состоит именно из этого набора задач.
Может ли ИИ взять на себя часть этих задач? Ответ - да, и, честно говоря, есть задачи, которые я бы не отказался переложить на плечи ИИ, например административную работу с бумагами. Но значит ли это, что моя работа исчезнет? Не совсем. Избавление от некоторых задач не означает, что работа исчезнет. Точно так же, как электроинструменты не устранили плотников, а сделали их более эффективными, а электронные таблицы позволили бухгалтерам работать быстрее, но не устранили бухгалтеров. ИИ способен автоматизировать рутинные задачи, освободив нас для работы, требующей исключительно человеческих качеств, таких как креативность и критическое мышление, или, возможно, управления и курирования творческой продукции ИИ, о чем мы говорили в последней главе.
Однако на этом история не заканчивается. Системы, в которых мы работаем, также играют решающую роль в формировании нашей работы. Для профессора бизнес-школы очевидной системой является стаж, означающий, что меня нельзя легко заменить, даже если моя работа будет передана на аутсорсинг искусственному интеллекту. Но более тонкими являются многие другие системы в университете. Допустим, ИИ может прочитать лекцию лучше, чем я. Будут ли студенты готовы отдать свое обучение на откуп ИИ? Сможет ли наша аудиторная техника приспособиться к преподаванию ИИ? Будут ли деканы университета чувствовать себя комфортно, используя ИИ таким образом? Накажут ли нас за это журналы и сайты, составляющие рейтинги учебных заведений? Моя работа связана со многими другими работами, клиентами и заинтересованными сторонами. Даже если ИИ автоматизирует мою работу, системы, в которых он работает, менее очевидны.
Поэтому давайте рассмотрим ИИ в контексте и поговорим о том, что он может делать на уровне задач и систем.
Задачи и неровная граница
Одно дело - теоретически проанализировать влияние ИИ на рабочие места, другое - проверить его на практике. Над этим я и работал вместе с группой исследователей, среди которых были гарвардские социологи Фабрицио Делл'Аква, Эдвард Макфолланд III и Карим Лакхани, а также Хила Лифшиц-Асаф из Уорикской школы бизнеса и Кэтрин Келлог из Массачусетского технологического института. В проведении исследования нам помогали Boston Consulting Group (BCG), одна из ведущих в мире организаций по управленческому консультированию, и около восьмисот консультантов, принявших участие в экспериментах.
Консультанты были рандомизированы на две группы: одна из них - - выполняла работу стандартным образом, а другая - использовала GPT-4, ту самую готовую ванильную версию LLM, к которой имеют доступ все в 169 странах. Затем мы немного обучили их искусственному интеллекту и запустили их с таймером на выполнение восемнадцати заданий, которые были разработаны BCG так, чтобы они выглядели как стандартная работа консультантов. Среди них были творческие задания ("Предложите не менее 10 идей для новой обуви, ориентированной на неохваченный рынок или вид спорта"), аналитические ("Сегментируйте рынок обувной промышленности по пользователям"), письменные и маркетинговые ("Составьте маркетинговую копию пресс-релиза для вашего продукта") и задания на убедительность ("Напишите вдохновляющую записку для сотрудников, в которой подробно объясните, почему ваш продукт превзойдет конкурентов"). Мы даже проконсультировались с руководителями обувной компании, чтобы убедиться в реалистичности этой работы.
Группа, работавшая с искусственным интеллектом, показала значительно лучшие результаты, чем консультанты, не работавшие с ним. Мы измеряли результаты всеми возможными способами: смотрели на мастерство консультантов или использовали ИИ для оценки результатов, а не людей, - но эффект сохранялся в 118 различных анализах. Консультанты с искусственным интеллектом работали быстрее, а их работа считалась более творческой, лучше написанной и более аналитической, чем у их коллег.
Но при более внимательном изучении данных обнаружилось нечто одновременно и впечатляющее, и несколько тревожное. Хотя предполагалось, что консультанты будут использовать искусственный интеллект для помощи в решении своих задач, казалось, что искусственный интеллект делает большую часть работы. Большинство участников эксперимента просто вставляли вопросы, которые им задавали, и получали очень хорошие ответы. То же самое произошло в эксперименте по написанию текста, проведенном экономистами Шаккедом Ноем и Уитни Чжаном из Массачусетского технологического института, о котором мы рассказывали в главе 5: большинство участников даже не потрудились отредактировать результат работы ИИ, как только он был создан для них. Я неоднократно сталкивался с этой проблемой, когда люди впервые использовали ИИ: они просто вставляли точный вопрос, который им задали, и позволяли ИИ ответить на него. В работе с ИИ есть опасность - конечно, опасность того, что мы сделаем себя лишними, но также и опасность того, что мы слишком доверяем работу ИИ.
И мы сами увидели опасность, потому что BCG разработала еще одно задание, тщательно отобранное, чтобы ИИ не смог прийти к правильному ответу - такому, который окажется за пределами Jagged Frontier. Это было нелегко, поскольку ИИ отлично справляется с широким спектром задач, но мы выбрали задачу, в которой сочетались сложный статистический вопрос и недостоверные данные. Консультанты-люди решали задачу правильно в 84 % случаев без помощи ИИ, но когда консультанты использовали ИИ, их результаты были еще хуже - они решали задачу правильно только в 60-70 % случаев. Что же произошло?
В другой работе Фабрицио Делл'Аква показывает, почему чрезмерное полагание на искусственный интеллект может привести к обратным результатам. Он обнаружил, что рекрутеры, использующие высококачественный ИИ, стали ленивыми, небрежными и менее умелыми в собственных суждениях. Они упустили несколько блестящих кандидатов и принимали худшие решения, чем рекрутеры, которые использовали низкокачественный ИИ или вообще не использовали ИИ.
Он нанял 181 профессионального рекрутера и поставил перед ними непростую задачу: оценить 44 заявки на работу на основе их математических способностей. Данные были получены из международного теста для взрослых, поэтому оценки по математике не были очевидны из резюме. Рекрутерам предоставлялась помощь ИИ разного уровня: у некоторых была хорошая или плохая поддержка ИИ, а у некоторых - никакой. Он измерял, насколько они точны, быстры, трудолюбивы и уверены в себе.
Рекрутеры с более качественным ИИ оказались хуже, чем рекрутеры с менее качественным ИИ. Они тратили меньше времени и усилий на каждое резюме и слепо следовали рекомендациям ИИ. Они также не улучшали свои показатели с течением времени. С другой стороны, рекрутеры с менее качественным ИИ были более внимательны, критичны и независимы. Они улучшили свое взаимодействие с ИИ и собственные навыки. Делл'Аква разработал математическую модель, объясняющую компромисс между качеством ИИ и усилиями человека. Когда ИИ очень хорош, у людей нет причин напрягаться и быть внимательными. Они позволяют ИИ взять на себя управление, вместо того чтобы использовать его как инструмент, что может негативно сказаться на обучении, развитии навыков и производительности. Он назвал это "засыпанием за рулем".