มีเรื่องสำคัญกำลังเกิดขึ้นใน AI แต่ความหวาดกลัวเป็นการตอบสนองที่ผิด

(SeaPRwire) –   เมื่อ World’s Fair มาแสดงใน Queens นิวยอร์กในปี 1964 โรบอทถูกแสดงให้เห็นว่าเป็นการเข้ามาแทนงานบ้าน และจะมาถึงบ้านใกล้คุณเร็ว ๆ นี้ เมื่อ Fair ปิดลง การแสดงถูกย้ายไปยัง World และทำข้อความเดียวกันเป็นเวลา 30 ปีต่อมา: โรบอทกำลังจะมา กำลังจะถึงแล้ว แต่ที่จริงก็ไม่เป็นเช่นนั้น

ในช่วงปี 1990 การขยายตัวของพลังคอมพิวเตอร์แบบกระจายและการซื้อจำนวนมากของมันนำไปสู่ข้อความใหม่เกี่ยวกับการเพิ่มผลผลิตอย่างมากที่จะถูกปล่อยออกมาเร็ว ๆ นี้ แต่ที่จริงก็ไม่เป็นเช่นนั้น มันใช้เวลานานและการเปลี่ยนแปลงที่เกี่ยวข้องในการจัดระเบียบงานเพื่อขับเคลื่อนการปรับปรุงผลผลิต

ในช่วงต้นปี 2000 ความก้าวหน้าในวิทยาศาสตร์ข้อมูลและการใช้ Machine Learning ในการทำนายทำให้เกิดการเตือนใหม่ โดยมีข้อความขึ้นในช่วงปี 2010 ว่า “มีอาชีพที่面临ความเสี่ยง” จากเครื่องมือ AI ใหม่ เมื่อสิ้นเดือนทศวรรษนั้น ความคิดถึงภัยคุกคามได้ย้ายกลับมาที่อุปกรณ์แบบโรบอทที่จะเข้ามาแทนงานแรงงานแวดล้อม (blue-collar) เร็ว ๆ นี้ โดยมีข้อความว่า “เร็ว ๆ นี้” แต่ที่จริงก็ไม่เป็นเช่นนั้น การใช้โรบอทเพิ่มขึ้นในอุตสาหกรรมการผลิต “ก็ไม่” โดยที่โรบอทใหม่ที่จริงแล้วเกี่ยวข้องกับการเติบโตของจ้างงาน

ผู้เชี่ยวชาญมีประวัติยาวนานในการปวดร้อนเรา dengan การคาดการณ์เกี่ยวกับว่าเทคโนโลยีจะทำลายเราออกไป โดยเริ่มจากงานของเราแล้วจึงเป็นการกำจัดเราออกไปทั้งหมดเพราะมนุษย์เป็นคนรำคาญ ความกลัว AI เกี่ยวกับ Large Language Models ในช่วง 3 ปีที่ผ่านมาจะไม่เป็นข้อยกเว้น

ความจริงที่ไม่สะดวกก็คือ เมื่อถึงปี 2025 มัน “ไม่” อยู่ในสถานการณ์ที่ LLMs ได้เข้ามาแทนงานจำนวนมาก การให้ออกจากงานที่น่าจะเกี่ยวข้องกับ AI ดูเหมือนไม่ใช่—ในระดับดีที่สุด มันเป็นการคาดหวังว่า AI จะแทนพนักงาน แม้ CEO ของ OpenAI Sam Altman ก็ได้กล่าวว่ามีการ “AI washing” เกิดขึ้น โดยการให้ออกจากงานที่เกี่ยวข้องกับ AI นี้ส่วนใหญ่เป็นแค่ควันและกระจก

เรากลับมาอยู่ในโหมดกลัวในปี 2026 ซึ่งมาจากข้อความใหม่เกี่ยวกับความอันตรายของ AI แม้ว่าเราจะยังไม่เห็นหลักฐานของการเปลี่ยนแปลงเหล่านี้

คุณเห็นรูปแบบอะไรที่นี่หรือไม่? นักวิทยาศาสตร์และนักพัฒนาได้รับความตื่นเต้นอย่างถูกต้องกับนวัตกรรมใหม่ และพวกเขาก็ชื่นใจที่จะจินตนาการถึงวิธีการใช้เครื่องมือใหม่ได้อย่างชัดเจน จากนั้นผู้ขายก็ปรากฏขึ้นเพื่อขายเครื่องมือใหม่เหล่านี้ และพวกเขาจะผลักดันข้อความเหล่านี้อย่างหนัก นี่คือจุดเริ่มต้นของวงจรฮายป์ พวกเขาไม่ได้คิดว่าการใช้เหล่านั้นจะเป็นการปฏิบัติได้หรือไม่: มันจะใช้ค่าใช้จ่ายเท่าใด ต้องมีการเปลี่ยนแปลงอะไรเพื่อให้มันทำงาน และใครที่ต้องใช้เครื่องมือเหล่านี้ในตอนแรก?

พบว่าสามในสี่ของบริษัทเอกชนที่พวกเขาสามารถติดตามการเปิดใช้ AI ได้รับประโยชน์เพียงเล็กน้อยจากมัน เพียง 5% ที่ใช้มันในลักษณะระเบียบวิธี และมันไม่ได้ตัดงานจำนวนมาก การวิจัยของฉันเองได้ทำสิ่งที่แตกต่างเล็กน้อย คือดูที่สถานที่ทำงานแต่ละแห่งเพื่อดูว่าเกิดอะไรขึ้นเมื่อ AI ถูกเปิดใช้จริง: มันเป็นอย่างไรก่อน และเป็นอย่างไรหลังจากนั้น? นี่คือเหตุผลที่การแพร่หลายของ AI ช้าลงจากที่เราเข้าใจและมันไม่ได้เข้ามาแทนงานจำนวนมากจริง ๆ

ความจริงของการนำ AI มาใช้แตกต่างจากความกลัว

อย่างแรก การนำมาใช้สูงค่าใช้จ่าย บริษัท LLM ไม่ได้อยู่ในธุรกิจของการให้เครื่องมือเหล่านี้ฟรี และเครื่องมือที่ดีจริงใช้ค่าใช้จ่ายมาก การเดาว่า它们จะกลายเป็นราคาถูกได้โดยไม่หลีกเลี่ยงไม่ชัดเจน แม้ว่ามีผู้ขายจำนวนมากที่เสนอเครื่องมือ LLM แต่เกือบทั้งหมดสร้างขึ้นจากเทคโนโลยี LLM หลักจากผู้ขายหกแห่งที่ควบคุมตลาดเกือบ 80% រួចហើយ เวลาใช้คอมพิวเตอร์ไม่ได้ถูกมาก และค่าไฟฟ้าในการจ่ายพลังงานก็เพิ่มขึ้น

แต่ค่าใช้จ่ายที่ใหญ่ที่สุดคือเวลาและพลังงานที่จำเป็นในการกำหนดค่าพวกมันในองค์กรของคุณเองและรักษาให้เป็นปัจจุบัน ค่าใช้จ่ายเหล่านี้ส่วนใหญ่ต้องจ่ายล่วงหน้า เรายังคงต้องการนักเรือดับเพื่อแก้ปัญหาที่ LLMs ไม่สามารถทำได้ และการปรับปรุงผลผลิตที่สามารถนำไปสู่การลดพนักงานจะมาทีหลัง การขายโครงการที่แพงและจ่ายล่วงหน้ากับค่าใช้จ่าย IT ที่สำคัญและต่อเนื่องให้กับ CFO ที่กำลังมองหาผลตอบแทนจากการลงทุน (ROI) เป็นเรื่องยากเมื่อประโยชน์ไม่แน่นอนและเพิ่งปรากฏขึ้นในอีกหลายปี

อย่างที่สอง เกี่ยวข้องกับความท้าทายของ ROI มีความโฟกัสผิดที่การกำจัดงานที่ต้องใช้ทักษะต่ำ มีบทเรียนสองประการที่นี่ บทเรียนแรกคือ เราไม่ประหยัดเงินมากนักถ้าเรา cut a bunch of minimum-wage jobs โดยเฉพาะเมื่อเรายังคงต้องมีพนักงานเพื่อดูแลและแก้ปัญหาเครื่องมือ AI งานออฟฟิศ (white-collar) ที่ง่ายง่ายเพราะไม่ต้องใช้ความพิจารณาและมีแนวโน้มที่จะเป็น binary: ตรวจสอบว่าแบบฟอร์มนี้คือแบบไหนและใส่ในกองที่เหมาะสม แต่พวกมันต้องถูกทุกครั้ง เหล่านี้เป็นงานที่สมบูรณ์สำหรับ Machine Learning แต่ Machine Learning ยังแพงกว่าการใช้ LLMs เพราะมันต้องถูกสร้างขึ้นสำหรับงานแต่ละอย่าง และต้องถูกเฝ้าดูและปรับปรุงเกือบตลอดเวลา

อย่างที่สาม LLMs สามารถเข้ามาแทนงานในงานที่ซับซ้อนมากขึ้นโดยที่มันเพียงแค่ต้องดีอย่างเหมาะสม ไม่จำเป็นต้องสมบูรณ์ มันใช้ค่าใช้จ่ายถูกกว่า Machine Learning แต่ก всеยังต้องเฝ้าดูและตรวจสอบ งานมนุษย์ปกติมีงานที่แยกและซับซ้อนจำนวนมากที่ไม่สามารถอัตโนมัติได้ หรืออย่างน้อยก็ยังไม่ได้

LLMs สามารถช่วยได้มากในงานโปรแกรมเมอร์ เช่น แต่โปรแกรมเมอร์ใช้เวลาได้มากถึง 70% ในงานที่ไม่ใช่โปรแกรมเมอร์ ซึ่งส่วนใหญ่เกี่ยวข้องกับการจัดการกับพนักงานอื่นๆ ถ้า LLMs สามารถเข้ามาแทนที่เวลา 20% ที่ผู้อำนวยการโรงเรียนใช้ในเตรียมรายงาน เราไม่สามารถตัด 20% ของผู้อำนวยการแต่ละคนได้ แต่เราสามารถให้พวกเขาทำสิ่งใหม่ได้

ประโยชน์จริงของ LLMs ที่ฉันเชื่อว่าจะไม่มาจากการประหยัดค่าใช้จ่าย แต่จะเป็นการอนุญาตให้เราได้ทำสิ่งใหม่ที่เราไม่เคยคิดถึงมาก่อน สำหรับอุปมาณการดูกลับไปที่การแนะนำเครื่องมือค้นหา (search engines) ที่นำไปสู่การลดเวลาในการทำการวิจัยและรับคำตอบอย่างมาก ฉันไม่เคยได้ยินว่าเครื่องมือค้นหา causing massive job losses แต่กลับไปสร้างธุรกิจใหม่ วิธีการทำงานใหม่ และงานใหม่ สำหรับตัวอย่าง บริษัทส่วนใหญ่จมในข้อมูลที่ยากต่อการจัดระเบียบมากจนพวกเขาไม่สามารถมองหาได้ ถ้าเครื่องมือ Claude/Anthropic ล่าสุดสามารถทำการวิเคราะห์ได้มากเท่าที่ถูกกล่าวไว้ มันสามารถใช้เวลาไม่กี่ปีเพียงเพื่อทำความเข้าใจข้อมูลทั้งหมดนั้น

บางทีเราควรหยุดแน่นอนในสิ่งที่ AI กำลัง cut (การลดจำนวนพนักงาน) และมุ่งเน้นไปที่สิ่งที่มันกำลังเติบโต: สินค้าใหม่และโซลูชันใหม่ทั้งหมดที่ AI อาจให้เราทำได้