Οι πρωτοβουλίες τεχνητής νοημοσύνης αποτυγχάνουν στο 95% των περιπτώσεων – είμαστε έτοιμοι να αντιμετωπίσουμε μια κρίση για την οποία κανείς δεν μιλάει

από τη Ρόντα Γουίλσον

Η γενετική τεχνητή νοημοσύνη (ή «generative AI» ) είναι ένας τύπος τεχνητής νοημοσύνης (ή « AI ») που δημιουργεί πρωτότυπο περιεχόμενο—κείμενο, εικόνες, μουσική ή κώδικα—μαθαίνοντας μοντέλα από υπάρχοντα δεδομένα. Τροφοδοτεί εργαλεία όπως το ChatGPT, το DALL·E και το Google Gemini.

Ο Josh Anderson είναι μερικής απασχόλησης Chief Technology Officer (CTO), ένα στέλεχος που προσφέρει υψηλού επιπέδου τεχνολογική εμπειρογνωμοσύνη σε οργανισμούς χωρίς τους περιορισμούς και το κόστος ενός πλήρους απασχόλησης CTO. Αυτός ο τύπος CTO είναι ιδιαίτερα ωφέλιμος για νεοσύστατες επιχειρήσεις, ΜΜΕ και εταιρείες σε μεταβατικό στάδιο που χρειάζονται στρατηγική τεχνολογική καθοδήγηση αλλά δεν έχουν την οικονομική δυνατότητα ή δεν χρειάζονται ένα στέλεχος πλήρους απασχόλησης. Παρακάτω, εξηγεί, με βάση την προσωπική του εμπειρία, γιατί το 95% των πρωτοβουλιών Τεχνητής Νοημοσύνης αποτυγχάνουν.

« Είμαστε έτοιμοι να αντιμετωπίσουμε μια κρίση για την οποία κανείς δεν μιλάει », έγραψε.

Έχω βάλει όλα τα αυγά μου στο καλάθι της Τεχνητής Νοημοσύνης. Η μελέτη του MIT έχει δίκιο.

από τον Τζος Άντερσον

Πιθανότατα έχετε δει τη μελέτη του MIT : το 95% των πρωτοβουλιών τεχνητής νοημοσύνης σε επιχειρήσεις αποτυγχάνει. Πιθανότατα την έχετε κοινοποιήσει σε συσκέψεις, την έχετε δημοσιεύσει στο LinkedIn και την έχετε χρησιμοποιήσει για να δικαιολογήσετε τις ανησυχίες σας σχετικά με την τεχνητή νοημοσύνη. Αλλά ξέρετε γιατί αυτός ο αριθμός είναι τόσο υψηλός; Εγώ ναι. Επειδή το έχω ζήσει. Πέρασα τρεις μήνες συμμετέχοντας σε αυτό το 95% οικειοθελώς.

Η τρίμηνη εμπειρία μου με την αποτυχία

Ως CTO και σύμβουλος μερικής απασχόλησης, μου έκαναν συνεχώς την ίδια ερώτηση: «Πώς ενσωματώνουμε την Τεχνητή Νοημοσύνη στις ομάδες μηχανικών μας;» Θα μπορούσα να είχα δώσει την κλασική απάντηση ενός συμβούλου, επικεντρωμένη στην αύξηση των δεξιοτήτων και της αποτελεσματικότητας. Αντ' αυτού, αποφάσισα να μάθω τι συμβαίνει στην πραγματικότητα όταν κάποιος αφοσιώνεται πλήρως σε αυτήν.

Ανάγκασα τον εαυτό μου να χρησιμοποιήσω αποκλειστικά τον κώδικα Claude για την ανάπτυξη ενός προϊόντος. Για τρεις μήνες. Χωρίς να γράψω ούτε μια γραμμή κώδικα. Ήθελα να βιώσω αυτό που οραματίζονταν οι πελάτες μου: την πλήρη υιοθέτηση της τεχνητής νοημοσύνης. Έπρεπε να καταλάβω μόνος μου γιατί υπάρχει αυτό το ποσοστό αποτυχίας 95%.

Λανσάρω το προϊόν. Λειτούργησε. Ήμουν περήφανος για τη δημιουργία μου. Έπειτα ήρθε η στιγμή που επιβεβαίωσε όλες τις ανησυχίες που έθεσε η μελέτη του MIT: Έπρεπε να κάνω μια μικρή αλλαγή και συνειδητοποίησα ότι δεν ήμουν σίγουρος ότι μπορούσα. Το δικό μου προϊόν, που αναπτύχθηκε υπό τη δική μου καθοδήγηση, και είχα χάσει την εμπιστοσύνη μου στην ικανότητά μου να το τροποποιήσω.

Με είκοσι πέντε χρόνια εμπειρίας στη μηχανική λογισμικού, είχα καταφέρει να υποβαθμίσω τις δεξιότητές μου σε σημείο που να νιώθω ανίσχυρος μπροστά στον κώδικα που μου είχε γράψει μια Τεχνητή Νοημοσύνη. Είχα γίνει απλός θεατής της ανάπτυξης του δικού μου προϊόντος.

Τώρα, όταν οι πελάτες με ρωτούν για την υιοθέτηση της Τεχνητής Νοημοσύνης, μπορώ να περιγράψω με ακρίβεια πώς μοιάζει η ολοκληρωτική αποτυχία: αποτυχία. Όχι άμεση αποτυχία - αυτή είναι η παγίδα. Οι αρχικές μετρήσεις είναι εξαιρετικές. Παραδίδουμε πιο γρήγορα. Νιώθουμε παραγωγικοί. Έπειτα, τρεις μήνες αργότερα, συνειδητοποιούμε ότι κανείς δεν καταλαβαίνει πραγματικά τι έχουμε δημιουργήσει.

Το κλασικό μοτίβο κάθε καταδικασμένης πρωτοβουλίας:

Η εταιρεία είναι ενθουσιώδης με την Τεχνητή Νοημοσύνη. Η διοίκηση επιβάλλει την υιοθέτησή της. Όλοι αρχίζουν να χρησιμοποιούν εργαλεία Τεχνητής Νοημοσύνης. Αρχικά, οι δείκτες παραγωγικότητας είναι εξαιρετικοί. Στη συνέχεια, προκύπτει ένα πρόβλημα, απαιτείται μια αλλαγή ή πρέπει να ληφθεί μια πραγματική απόφαση και κανείς δεν ξέρει πλέον τι να κάνει.

Οι προγραμματιστές δεν μπορούν να εντοπίσουν σφάλματα σε κώδικα που δεν έγραψαν οι ίδιοι. Οι διαχειριστές προϊόντων δεν μπορούν να δικαιολογήσουν αποφάσεις που δεν έλαβαν. Τα στελέχη δεν μπορούν να υπερασπιστούν στρατηγικές που δεν ανέπτυξαν οι ίδιοι. Όλοι απορρίπτουν τα εργαλεία τεχνητής νοημοσύνης τους λέγοντας: «Μου είπαν ότι ήταν η σωστή προσέγγιση».

Κατά τη διάρκεια της εμπειρίας μου, βρισκόμουν συνεχώς σε κατάσταση πυρόσβεσης. Ο κώδικας Claude δημιουργούσε κάτι, ήταν ελαφρώς λανθασμένο, το διόρθωνα, επαναλάμβανε το ίδιο λάθος, το διόρθωνα ξανά. Δούλευα πιο σκληρά από ό,τι αν είχα γράψει τον κώδικα μόνος μου, χωρίς καμία μάθηση ή ανάπτυξη δεξιοτήτων.

Ο Μπομπ Γκάλεν με παρατήρησε και συνόψισε τέλεια την κατάσταση στο τελευταίο μας podcast : « Ποιος είναι ο ιδιοκτήτης αυτού του προϊόντος, Τζος; Δικού σου ή του Κλοντ Κοντ; » Η απάντηση ήταν Κλοντ Κοντ. Είχα αποποιηθεί την ευθύνη μου ενώ παράλληλα έπειζα τον εαυτό μου ότι καινοτομούσα.

Η σωστή ισορροπία (σπάνια επιτυγχάνεται)

Η ιδανική φόρμουλα θα ήταν η Τεχνητή Νοημοσύνη + Ανθρώπινη Νοημοσύνη (HCI), όπου η Ανθρώπινη Νοημοσύνη (HCI) υπερισχύει της Τεχνητής Νοημοσύνης. Τι συμβαίνει στην πραγματικότητα σε αυτές τις αποτυχίες του 95%; Πρόκειται για Τεχνητή Νοημοσύνη με ελάχιστη ή και ανύπαρκτη ανθρώπινη εποπτεία.

Όταν η Τεχνητή Νοημοσύνη σας βοηθά να γράφετε καλύτερο κώδικα πιο γρήγορα, διατηρώντας παράλληλα την κατανόησή σας για την αρχιτεκτονική, αυτό ονομάζεται επαύξηση. Όταν η Τεχνητή Νοημοσύνη γράφει κώδικα που δεν καταλαβαίνετε, αυτό ονομάζεται παραίτηση.

Όταν η Τεχνητή Νοημοσύνη σας βοηθά να αναλύετε τα σχόλια των πελατών ενώ λαμβάνετε αποφάσεις για προϊόντα, αυτό ονομάζεται ενίσχυση. Όταν η Τεχνητή Νοημοσύνη υπαγορεύει το επόμενο βήμα σας, αυτό ονομάζεται παραίτηση.

Όταν η Τεχνητή Νοημοσύνη σας βοηθά να γράφετε καλύτερα και πιο γρήγορα διατηρώντας παράλληλα το στυλ σας, αυτό ονομάζεται ενίσχυση. Όταν η Τεχνητή Νοημοσύνη γράφει για εσάς με ένα στυλ που δεν είναι το δικό σας, αυτό ονομάζεται παραίτηση.

Ξέρω τη διαφορά επειδή έχω βιώσει και τα δύο. Το να τα παρατάς φαίνεται πιο εύκολο στην αρχή. Προσφέρεις περισσότερα! Κινείσαι πιο γρήγορα! Μετά συνειδητοποιείς ότι δεν έχεις πλέον τον έλεγχο και όταν κάτι πάει στραβά - και πάντα υπάρχει κάτι που πάει στραβά - είσαι ανίσχυρος.

Οι Δάσκαλοι που χάνουμε

Βρισκόμαστε στα πρόθυρα να αντιμετωπίσουμε μια κρίση για την οποία κανείς δεν μιλάει. Σε 10 χρόνια, ποιος θα καθοδηγήσει την επόμενη γενιά; Οι προγραμματιστές που χρησιμοποιούν την Τεχνητή Νοημοσύνη από την έναρξή της δεν θα έχουν τις απαραίτητες αρχιτεκτονικές γνώσεις για να μεταδώσουν την εμπειρία τους. Οι διαχειριστές προϊόντων που βασίζονταν πάντα στην Τεχνητή Νοημοσύνη για να λαμβάνουν αποφάσεις δεν θα έχουν πλέον την διακριτική ευχέρεια να μοιράζονται τις εμπειρίες τους. Οι ηγέτες που έχουν παραδοθεί στους αλγόριθμους δεν θα έχουν πλέον τη σοφία να μοιράζονται.

Ο Μπομπ και εγώ αντιπροσωπεύουμε κάτι που κινδυνεύει να εξαφανιστεί: ειδικούς στον τομέα μας, οι οποίοι έχουν μάθει μέσα από την πρακτική, την αποτυχία, την αποσφαλμάτωση και την επιμονή. Πάνω από 25 χρόνια εμπειρίας μας επιτρέπουν να προβλέπουμε προβλήματα, να κατανοούμε γιατί ορισμένες αρχιτεκτονικές αποφάσεις θα έχουν αρνητικές συνέπειες και να αποκρυπτογραφούμε γνήσια σχόλια πελατών.

Αυτή η γνώση δεν αποκτάται μέσω αυτόματης σκέψης. Αυτή η εμπειρία δεν μπορεί να ληφθεί. Πρέπει να κερδηθεί. Και αν αφήσετε την Τεχνητή Νοημοσύνη να κάνει τη δουλειά, δεν θα αποκτήσετε τίποτα άλλο παρά έναν επικίνδυνο εθισμό.

Σύνοψη της ανάληψής σας

Ήρθε η ώρα να ανησυχήσετε. Αναθεωρήστε την πρόσφατη δουλειά σας.

Μπορείτε να εξηγήσετε λεπτομερώς κάθε απόφαση χωρίς να αναφερθείτε σε προτάσεις της Τεχνητής Νοημοσύνης; Θα μπορούσατε να κάνετε τη δουλειά σας αύριο αν όλα τα εργαλεία Τεχνητής Νοημοσύνης εξαφανίζονταν; Προχωράτε στον τομέα σας ή απλώς προσφέρετε συμβουλές; Όταν προκύπτει ένα πρόβλημα, το πρώτο σας ένστικτο είναι να το διορθώσετε ή να ζητήσετε από την Τεχνητή Νοημοσύνη να το κάνει;

Αν νιώθεις άβολα, είσαι μέρος του 95%.

Η πρόκληση:

Την επόμενη εβδομάδα, επιλέξτε μία βασική δεξιότητα από την εργασία σας. Μόνο μία. Εξασκηθείτε σε αυτήν χωρίς βοήθεια από την Τεχνητή Νοημοσύνη. Γράψτε κώδικα χωρίς τον Copilot. Λάβετε αποφάσεις για προϊόντα χωρίς το ChatGPT. Αναπτύξτε μια στρατηγική χωρίς τον Claude.

Νιώθεις αυτή την ανησυχία; Δεν είναι ανικανότητα. Είναι το πραγματικό σου επίπεδο ικανοτήτων που αποκαλύπτεται. Είναι το χάσμα ανάμεσα σε αυτό που είσαι και την εικόνα που προβάλλει η Τεχνητή Νοημοσύνη για εσένα.

Τώρα έχετε μια επιλογή. Μπορείτε να γεφυρώσετε αυτό το χάσμα αναπτύσσοντας τις πραγματικές σας δεξιότητες, χρησιμοποιώντας την Τεχνητή Νοημοσύνη ως εκπαιδευτικό συνεργάτη και όχι ως υποκατάστατο. Ή μπορείτε να συνεχίσετε να αποφεύγετε τις ευθύνες σας, να πείσετε τον εαυτό σας να καινοτομήσει και να ενταχθείτε στο 95% που αποτυγχάνουν.

Οι εταιρείες που θα ευδοκιμήσουν δεν είναι εκείνες που διαθέτουν τα καλύτερα εργαλεία Τεχνητής Νοημοσύνης. Είναι εκείνες των οποίων οι εργαζόμενοι χρησιμοποιούν την Τεχνητή Νοημοσύνη για να βελτιωθούν, όχι για να γίνουν πιο τεμπέληδες. Είναι εκείνες όπου οι άνθρωποι είναι υπεύθυνοι για τις αποφάσεις, τον κώδικα και τη στρατηγική, και όπου η Τεχνητή Νοημοσύνη λειτουργεί ως ενισχυτής, όχι ως αυτόματος πιλότος.

Το έμαθα αυτό με τον δύσκολο τρόπο σε διάστημα τριών μηνών. Άφησα την Τεχνητή Νοημοσύνη να ελέγχει την ανάπτυξη των προϊόντων μου και παραλίγο να χάσω την ταυτότητά μου ως προγραμματιστής. Μην κάνετε το ίδιο λάθος. Μην γίνετε μέλος του 95% που αποτυγχάνουν.

Κατακτήστε την τέχνη σας. Χρησιμοποιήστε τα εργαλεία. Μην αφήνετε τα εργαλεία να σας ελέγχουν.

Μείνε γενναίος/η.

Υ.Γ. Η μελέτη του MIT δεν είναι μεμονωμένη περίπτωση. Η Gartner, η McKinsey και άλλοι βρίσκουν παρόμοια ποσοστά αποτυχίας. Η τάση είναι συνεπής: η παραίτηση από την ποινή αποτυγχάνει, η βοήθεια επιτυγχάνει. Το ερώτημα είναι: με ποια πλευρά είστε;

Υ.Γ. Έχω λάβει πολλά θετικά σχόλια εδώ και στο LinkedIn, με πολλά αιτήματα για πληροφορίες σχετικά με τη μέθοδό μου. Ορίστε το άρθρο που απαντά σε αυτά: "Πώς δημιούργησα μια εφαρμογή παραγωγής με τον Claude Code."

Πηγή: The Expose via Marie-Claire Tellier

Οι απόψεις του ιστολογίου μπορεί να μην συμπίπτουν με τα περιεχόμενα του άρθρου