Hva vi misforstår om kunstig intelligens og produktivitet
Så ja—dashbordene dine ser flotte ut. Teamet ditt leverer raskere, oppsummerer mer, «får større uttelling» med AI … og hele tiden kan det hende at dere stille og rolig gir fra dere den ene ressursen dere ikke kan kjøpe tilbake med et abonnement: menneskelig dømmekraft.
I denne episoden har jeg med meg dr. Vivienne Ming—nevroviter, gründer og en «AI-realist» som ikke har noen som helst tålmodighet med utopisk hype eller Skynet-fanfiksjon. Vivienne tegner opp et tydelig veiskille: kognitiv automatisering (AI tenker for deg) kontra kognitiv forsterkning (AI får deg til å tenke bedre—ofte ved å gjøre arbeidet vanskeligere). Hvis AI-strategien din hovedsakelig handler om bekvemmelighet, er dette en mild advarsel om at bekvemmelighet ikke er en strategi. Det er et beroligende middel.
Dette lærer du
- Hvorfor «AI gjør livet enklere» er et av de farligste salgsargumentene i moderne næringsliv
- Hvordan data av lav kvalitet kan spore av AI-systemer—og hvorfor mennesker har en «superkraft» innen filtrering som LLM-er fortsatt mangler
- Forskjellen mellom AI som erstatter tenkning og AI som bygger opp tenkning
- Hvorfor de beste AI-lærerne ikke gir svar (og hva det innebærer for AI på arbeidsplassen)
- Hvordan «hybrid kollektiv intelligens» kan prestere bedre enn enten mennesker eller AI alene—men bare med nok menneskelig kapital
- Hvorfor effektivitetsmål overser de virkelige drivkreftene bak produktivitet i organisasjoner
Viktigste poenger
- Hvis AI tar seg av de «kjedelige delene», må du ikke anta at menneskene får de «kreative delene». Viviennes poeng er brutalt enkelt: Jo mer kjedelig arbeid AI gjør, desto mer kjedelig arbeid blir det ofte (hei, endeløse e-postsløyfer der roboter skriver søppelpost til andre roboter). «Effektivitetsløftet» kan bli produktivitetskokaïn—fantastisk på kort sikt, stygt på lang sikt.
- Automatisering er når du får resultatet. Forsterkning er når du blir bedre. Hvis du er bedre mens verktøyet er på, men dårligere når det er av, er det ikke fremgang—det er avhengighet. Vivienne bruker medisinske eksempler (AI-assistert diagnostikk) for å understreke risikoen: Ferdighetsforvitring er reell, og det er ikke et «opplæringsproblem». Det er slik hjerner fungerer.
- Bygg (eller konfigurer) AI til å være den «lojale opposisjonen», ikke en ja-person. Det beste eksempelet her er hennes «nemesis-prompt»: Hun skriver kapittelet selv, og ber deretter AI om å rive det fra hverandre—finne det som er feil, svakt eller lett å motbevise, og hvordan det kan forbedres. Det er forsterkning: å bruke AI til å tvinge frem dybde, ikke unngå den.
- Bedriften din er et nevralt nettverk på 500 000 personer—og dere måler feil resultater. Vivienne beskriver forskning der en relativt liten andel av de ansatte sto for en enorm del av produktiviteten som ikke ble fanget opp av individuelle målinger. De viktigste personene var ikke alltid «stjernene». Det var de som hjalp til—noen ganger «ineffektivt»—og gjorde alle rundt seg bedre. De fleste produktivitetssystemer har ikke engang en boks å krysse av for dette.
- Arbeid på begynnernivå er ikke bare billig arbeidskraft; det er forbindelsen mellom å vite og å forstå. Formuleringen hennes er treffende: Nyutdannede «vet ofte alt og forstår ingenting». Tidlige roller er stedet der folk lærer hva de skal gjøre med kunnskap—dømmekraft, etikk, avveininger og kontekst. Hvis AI fjerner «vite»-arbeidet fullstendig, må du ikke bli overrasket når du ender opp med en arbeidsstyrke som kan produsere resultater, men ikke forklare, forsvare eller forbedre beslutninger.
- Ledere avgjør om dette blir en revolusjon for utvikling av ferdigheter eller en «Jiffy Lube-økonomi» der fagene avprofesjonaliseres. Viviennes marerittscenario er ikke massearbeidsledighet—det er at jobber uthules til roller med lave ferdighetskrav rundt AI, fordi det er billigere og «godt nok». Flott for CFO-inntrykket. Forferdelig for kompetanse, tillit og samfunnet.
Kapitler
- 00:00 – Produktiviteten opp, ferdighetene ned
- 01:48 – AI “hjernråte” og dårlige data
- 04:57 – Hva AI er (og ikke er)
- 07:00 – Faren ved “enkelt” arbeid
- 10:30 – Bruke AI til å gjøre arbeidet vanskeligere
- 12:38 – Hvorfor dette ikke er den industrielle revolusjonen
- 17:03 – Mennesker + AI: når det faktisk fungerer
- 22:04 – Effektivitetsmyten på arbeidsplassen
- 27:29 – Menneskene som gjør alle bedre
- 30:22 – Hva vi mister uten arbeid på begynnernivå
- 39:51 – Hvorfor det å gi svar dreper læringen
- 43:25 – Avprofesjonalisering og “Jiffy Lube”-fremtiden
- 46:18 – Automatisering kontra kapasitetsforsterkning
- 47:50 – GPS, bekvemmelighet og kognitivt tap
- 53:57 – Ledervalget som betyr noe
Møt gjesten vår
Dr. Vivienne Ming er en visjonær teoretisk nevrovitenskapsforsker, entreprenør, forfatter og selvutnevnt “profesjonell gal vitenskapsmann” hvis arbeid spenner over menneskelig potensial, kunstig intelligens og samfunnsomforming. Hun er grunnlegger og arbeidende styreleder i Socos Labs og medgrunnlegger og sjefsforsker i virksomheter som The Human Trust og Dionysus Health, der hun anvender banebrytende maskinlæring og nevrovitenskap innen utdanning, helse, inkludering og menneskelig utvikling. Vivienne er kjent for engasjerende hovedforedrag og faglige perspektiver på teknologiens rolle i å forsterke menneskelig kapasitet. Hun har blitt omtalt av BBCs 100 Women, Financial Times, The Atlantic og Quartz, og fortsetter å inspirere publikum over hele verden til å tenke nytt om hvordan mennesker og intelligente systemer kan samskape en mer rettferdig fremtid.
Relaterte lenker:
- Bli med i fellesskapet People Managing People
- Abonner på nyhetsbrevet vårt, AI Signal
- Ta kontakt med Vivienne på LinkedIn
Relaterte artikler og podkaster:
David Rice: Så teamet ditt bruker kunstig intelligens til å skrive rapporter, analysere data og ta beslutninger raskere. Produktiviteten øker, ikke sant? De kvartalsvise målingene dine ser sannsynligvis ganske gode ut, men gjett hva? Du gjør i stillhet medarbeiderne dine dummere. Jeg overdriver ikke. En nyere studie av medisinsk personell som brukte KI-assisterte diagnoseverktøy, viste at de ble så avhengige av teknologien at da KI-en ble slått av, presterte de langt dårligere enn før de begynte å bruke den. Det er ikke et opplæringsproblem. Det er hjerneatrofi.
