Mitä ymmärrämme väärin tekoälystä ja tuottavuudesta
Niinpä—koontinäyttösi näyttävät hienoilta. Tiimisi toimittaa nopeammin, tekee enemmän yhteenvetoja ja “saa tekoälyn avulla enemmän aikaan”… ja kaiken aikaa saatat kaikessa hiljaisuudessa vaihtaa pois ainoaa omaisuutta, jota et voi ostaa takaisin tilauspaketilla: inhimillistä harkintaa.
Tässä jaksossa vieraakseni liittyy tohtori Vivienne Ming—neurotieteilijä, yrittäjä ja “tekoälyrealisti”, jolla ei ole lainkaan kärsivällisyyttä utopistista hypetystä eikä Skynet-fanifiktiota kohtaan. Vivienne esittää selkeän tienhaaran: kognitiivinen automaatio (tekoäly ajattelee puolestasi) vastaan kognitiivinen vahvistaminen (tekoäly saa sinut ajattelemaan paremmin—usein tekemällä työstä vaikeampaa). Jos tekoälystrategiasi keskittyy pääasiassa helppouteen, tämä on lempeähkö varoitus siitä, ettei helppous ole strategia. Se on rauhoittava lääke.
Mitä opit
- Miksi “tekoäly tekee elämästä helpompaa” on yksi nykyajan liiketoiminnan vaarallisimmista myyntipuheista
- Miten heikkolaatuinen data voi suistaa tekoälyjärjestelmät raiteiltaan—ja miksi ihmisillä on suodattamisen “supervoima”, joka suurilta kielimalleilta edelleen puuttuu
- Ero tekoälyn välillä, joka korvaa ajattelun, ja tekoälyn, joka kehittää ajattelua
- Miksi parhaat tekoälyopettajat eivät anna vastauksia (ja mitä se merkitsee työpaikkojen tekoälylle)
- Miten “hybridi kollektiivinen älykkyys” voi suoriutua paremmin kuin ihmiset tai tekoäly yksinään—mutta vain riittävän inhimillisen pääoman avulla
- Miksi tehokkuusmittarit eivät tavoita organisaatioiden tuottavuuden todellisia ajureita
Tärkeimmät opit
- Jos tekoäly hoitaa “tylsät osuudet”, älä oleta ihmisten saavan “luovia osuuksia”. Viviennen pointti on suorasukainen: mitä enemmän tekoäly tekee tylsää työtä, sitä enemmän tylsää työtä usein syntyy lisää (terveisiä loputtomille sähköpostikierteille, joissa botit kirjoittavat roskapostia toisille boteille). “Tehokkuuslisäys” voi muuttua tuottavuuskokaiiniksi—loistavaa lyhyellä aikavälillä, rumaa pitkällä.
- Automaatio tarkoittaa, että saat tuotoksen. Vahvistaminen tarkoittaa, että sinusta tulee parempi. Jos olet parempi työkalun ollessa käytössä mutta huonompi sen ollessa pois päältä, kyse ei ole edistyksestä—vaan riippuvuudesta. Vivienne käyttää lääketieteellisiä esimerkkejä (tekoälyavusteinen diagnostiikka) korostaakseen riskiä: taitojen rapautuminen on todellista, eikä kyse ole “koulutusongelmasta”. Näin aivot toimivat.
- Rakenna (tai määritä) tekoälystä “uskollinen oppositio”, älä myötäilijää. Paras esimerkki on hänen “nemesis-kehotteensa”: hän kirjoittaa luvun itse ja pyytää sitten tekoälyä repimään sen kappaleiksi—etsimään, mikä siinä on vialla, mikä heikkoa, mikä on helposti kumottavissa ja miten sitä voisi parantaa. Se on vahvistamista: tekoälyn käyttämistä syvyyden pakottamiseen, ei sen välttämiseen.
- Yrityksesi on 500 000 ihmisen neuroverkko—ja mittaat vääriä tuotoksia. Vivienne kuvailee tutkimusta, jossa suhteellisen pieni osa työntekijöistä tuotti valtavan osuuden tuottavuudesta, jota yksilömittarit eivät tavoittaneet. Eniten merkitystä tuottaneet ihmiset eivät aina olleet “tähtiä”. He olivat niitä, jotka auttoivat—joskus “tehottomasti”—ja tekivät kaikista ympärillään parempia. Useimmissa tuottavuusjärjestelmissä ei ole edes ruutua, jonka voisi rastittaa tätä varten.
- Uran alkuvaiheen työ ei ole vain halpaa työvoimaa; se on tietämisestä ymmärtämiseen johtava putki. Hänen lauseensa jää mieleen: vastavalmistuneet usein “tietävät kaiken eivätkä ymmärrä mitään”. Ensimmäisissä työtehtävissä opitaan, mitä tiedolla tehdään—harkintaa, etiikkaa, kompromisseja ja asiayhteyksiä. Jos tekoäly poistaa “tietämiseen” liittyvän työn kokonaan, älä ylläty, kun päädyt työvoimaan, joka pystyy tuottamaan tuloksia mutta ei osaa selittää, puolustaa tai parantaa päätöksiä.
- Johtajat päättävät, muuttuuko tästä taitoja rakentava vallankumous vai ammattitaidoton “Jiffy Lube -talous”. Viviennen painajaiskuva ei ole joukkotyöttömyys—vaan työpaikat, jotka ontotetaan matalan osaamisen kulissirooleiksi tekoälyn ympärille, koska se on halvempaa ja “riittävän hyvää”. Erinomaista talousjohtajan näkökulmasta. Kauheaa osaamisen, luottamuksen ja yhteiskunnan kannalta.
Jaksot
- 00:00 – Tuottavuus kasvaa, taidot heikkenevät
- 01:48 – Tekoälyn ”aivomätä” ja huono data
- 04:57 – Mitä tekoäly on (ja mitä se ei ole)
- 07:00 – ”Helpon” työn vaarat
- 10:30 – Tekoälyn hyödyntäminen työn vaikeuttamisessa
- 12:38 – Miksi tämä ei ole teollinen vallankumous
- 17:03 – Ihmiset + tekoäly: milloin se todella toimii
- 22:04 – Tehokkuusmyytti työelämässä
- 27:29 – Ihmiset, jotka saavat kaikki muut onnistumaan paremmin
- 30:22 – Mitä menetämme ilman uran alkuvaiheen työtä
- 39:51 – Miksi vastausten antaminen tappaa oppimisen
- 43:25 – Ammattitaidon rapautuminen ja ”Jiffy Luben” tulevaisuus
- 46:18 – Automaatio vastaan työn tehostaminen
- 47:50 – GPS, helppous ja kognitiiviset menetykset
- 53:57 – Merkityksellinen johtamisen valinta
Tutustu vieraaseemme
Tohtori Vivienne Ming on visionäärinen teoreettinen neurotieteilijä, yrittäjä, kirjailija ja itseään ”ammattimaiseksi hulluksi tiedemieheksi” kuvaileva henkilö, jonka työ kattaa ihmisen potentiaalin, tekoälyn ja yhteiskunnallisen muutoksen. Hän on Socos Labsin perustaja ja hallituksen puheenjohtaja sekä The Human Trustin ja Dionysus Healthin kaltaisten hankkeiden toinen perustaja ja johtava tutkija. Hän soveltaa huipputason koneoppimista ja neurotiedettä koulutukseen, terveyteen, osallisuuteen ja inhimilliseen kehitykseen. Kiinnostavista pääpuheenvuoroistaan ja teknologian roolia ihmisen kyvykkyyden vahvistajana käsittelevästä ajatusjohtajuudestaan tunnettu Vivienne on esiintynyt BBC:n 100 Women -ohjelmassa sekä julkaisuissa Financial Times, The Atlantic ja Quartz. Hän jatkaa maailmanlaajuisten yleisöjen inspiroimista pohtimaan uudelleen, kuinka ihmiset ja älykkäät järjestelmät voivat yhdessä rakentaa oikeudenmukaisemman tulevaisuuden.
Aiheeseen liittyvät linkit:
- Liity People Managing People -yhteisöön
- Tilaa AI Signal -uutiskirjeemme
- Verkostoidu Viviennen kanssa LinkedInissä
Aiheeseen liittyvät artikkelit ja podcastit:
David Rice: Tiimisi käyttää tekoälyä raporttien kirjoittamiseen, tietojen analysointiin ja päätösten tekemiseen nopeammin. Tuottavuus on kasvanut, eikö niin? Neljännesvuosittaiset mittarisi näyttävät todennäköisesti melko hyviltä, mutta arvaa mitä? Työntekijäsi tyhmenevät hiljalleen. En liioittele. Äskettäisessä tutkimuksessa, jossa lääketieteen ammattilaiset käyttivät tekoälyavusteisia diagnostiikkatyökaluja, havaittiin, että heistä tuli niin riippuvaisia teknologiasta, että kun tekoäly kytkettiin pois päältä, heidän suorituksensa oli huomattavasti heikompi kuin ennen teknologian käyttöönottoa. Kyse ei ole koulutusongelmasta. Kyse on aivojen surkastumisesta.
Tämänpäiväinen podcast-vieraamme on tohtori Vivienne Ming. Hän on teoreettinen neurotieteilijä ja yrittäjä, joka ennusti 15 vuotta sitten, että GPS-navigointi lisäisi kausaalisesti dementiatapauksia. Nykyään empiirinen näyttö osoittaa hänen olleen oikeassa, mutta siitä hän ei ole täällä kertomassa.
Hän kertoo meille, että meillä on juuri nyt valittavanamme kaksi täysin erilaista polkua — kognitiivinen automaatio, jossa tekoäly tekee työn puolestasi ja saat nopeita voittoja mutta pitkän aikavälin menetyksiä, tai kognitiivinen augmentaatio, jossa tekoäly tekee työstä vaikeampaa tavoilla, jotka tekevät työntekijöistäsi aidosti parempia.
Käsittelemme sitä, miksi väite siitä, että tekoäly tekee elämästä helpompaa, on tällä hetkellä yritysmaailman vaarallisin myyntipuhe, mikä ero on taitoja rapauttavalla automaatiolla ja niitä kehittävällä augmentaatiolla, miten tekoälytyökalut voidaan suunnitella uudelleen niin, että ihmiset ovat niiden käytön jälkeen parempia kuin aloittaessaan sekä sitä, miksi laiskan version valitsevat johtajat näkevät lyhyen aikavälin hyötyjä mutta strategisen epäonnistumisen.
Olen David Rice. Tämä on People Managing People. Jos olet juhlinut tuottavuusvoittoja kysymättä, mitä menetät samalla, tämä keskustelu toimii herätyksenä. Aloitetaan.
Vivienne Ming: On hienoa olla täällä.
David Rice: Ennen kuin aloitimme, selasin uutisia, kuten minulla on tapana, ja näin artikkelin. Nature julkaisi viime viikolla tutkimuksen, jonka mukaan tekoälyllä on vaikeuksia käsitellä tietoa, erityisesti sosiaalisesta mediasta saatua tietoa. Halusin kuulla ajatuksesi, koska artikkelissa käytettiin sanoja: liiallinen sosiaalinen media aiheuttaa tekoälychatboteille aivomätää.
Vivienne Ming: Jep.
David Rice: Tarkoittaako tämä siis, ettei tällainen sisältö ole hyväksi kenellekään?
Vivienne Ming: Aivomätä on tämän hetken muotitermi. Aivomätä ja työn sohlaus. Voisin antaa tästä erittäin nörttimäisen vastauksen ja kertoa, mitä tapahtuu ja mitä meidän pitäisi tehdä asialle. Yleisön kannalta meidän kuitenkin pitäisi olla huolissamme, eikö niin? Hyvin pieni määrä heikkolaatuista tietoa riittää ohjaamaan suuren kielimallin täysin väärään suuntaan.
Vaikka palattaisiin siihen, mitä kutsutaan ihmisen mukanaoloon perustuvaksi hienosäädöksi tai vahvistusoppimiseksi, mallin on todella vaikea päästä takaisin alkuperäiseen potentiaaliinsa. Siksi niin monet puhuvat laadukkaan datan tärkeydestä. Tämä on yksi niistä esimerkeistä, joissa melko pieni, tahaton tai joissain tapauksissa tahallinen roskan syöttäminen järjestelmään toimii käytännössä aivojen hakkerointina.
Tämä ei ole edes aivomätää, vaan pikemminkin aivomato. Näistä asioista pitää olla huolissaan. Tässä on hieman nörttimäisempi vastaukseni, josta olen kirjoittanut tutkimuspaperin lähetettäväksi: kuuntele, ihmiset ovat epätäydellisiä. Olemme myös täynnä ennakkoluuloja. Lisäksi käy ilmi, että kun meidät altistetaan internetille, myös aivomme mätänevät.
Kaikesta tästä huolimatta ihmiset tekevät yleensä jotain erittäin tärkeää. Jos saamme tietoa, joka on täysin järjetöntä, jätämme sen huomiotta. Tähän liittyy tietysti poikkeuksia, mutta aivomätää koskevassa tutkimuksessa kyse oli usein siansaksasta.
Kukaan ihminen ei näkisi sivullista siansaksaa ja ajattelisi: voi luoja, minun täytyy opetella tämä ulkoa. Meillä on siis supervoima, jota nykyisellä tekoälyllä ei oikeastaan ole. Meillä on maailmankuva. Tekoälymaailmassa puhutaan paljon maailmamalleista, mutta ei oikeastaan. Me katsomme maailmaa, sovellamme siihen malliamme ja sanomme asioista, jotka eivät sovi siihen, hyviä tai huonoja: tiedätkö mitä, tämä on vähemmän tärkeää, enkä tallenna sitä yhtä syvästi. Meidän on pohdittava, miten saisimme tekoälyt tekemään samoin.
Ajatus siitä, että meidän täytyy käsin säätää täydellisiä tietojoukkoja ja ettemme voisi koskaan näyttää tekoälylle yhtä huonoa röntgenkuvaa tai yhtä roskasisältöä internetistä ilman, että sen aivot mätänevät, on todellinen heikkous siinä, miten koulutamme tekoälyä nykyään.
