AI paradoks produktivnosti: Naprednije tehnologije traže više znanja, ne manje

Prošle sedmice sam naišao na vijest o Accenture-u (multunacionalna kompanija specijalizovana za digitalna rješenja, cloud i bezbjednost). Izvršna direktorka Julie Sweet uvela je jednostavno pravilo: ko ne usvoji AI, ne napreduje. Kompanija je to potkrijepila sa 865 miliona dolara ulaganja u optimizaciju. Poruka je bila kristalno jasna: prilagodi se ili odlazi.

Iste sedmice, američki Nacionalni biro za ekonomska istraživanja (NBER) objavio je studiju na uzorku od 6.000 C-suite menadžera. Nalaz je bio jednako jasan, samo u suprotnom smjeru: lideri koriste AI svega sat i po nedjeljno, a 90% njih ne vidi nikakav stvarni pomak u produktivnosti u posljednje tri godine.

Tu leži paradoks. Pritisak da se usvoji tehnologija je ogroman. Rezultati su često skromni.

Površno objašnjenje bi bilo da “ljudi ne koriste AI dovoljno” ili “AI još nije dovoljno dobar.” Ali ni jedno ni drugo ne dopire do pravog razloga.

Simptom koji svi vide

Najčešće objašnjenje koje se čuje jeste pasivna upotreba. Umjesto da AI tretiramo kao saradnika, značajan broj ljudi ga tretira kao napredniji pretraživač u koji ukucamo upit i čekamo magiju. Kada magija izostane, dobijamo ono što mi u poslu zovemo “workslop”, tj. AI generički otpad koji izgleda kompletno, ali zahtijeva toliko korekcija da bi bilo brže da smo sve napisali sami.
Uz to, kontekst koji dajemo AI-ju je često površan. Postavljamo pitanja bez pozadine, bez specifičnosti, bez razumijevanja što zapravo tražimo. I onda se čudimo što dobijamo generičke odgovore.
Ovo su realni problemi. Ali to su simptomi, dok je uzrok dublji.

Što se zapravo dešava ispod površine

Pravi razlozi su strukturalni..

Prva stvar koja se zanemaruje jeste pogrešan nivo analize. Produktivnost se mjeri na nivou kompanije ili tima, ali AI se uvodi na nivou pojedinca. Čak i ako jedan analitičar postane trostruko brži, ako ostatak procesa nije prilagođen (odobravanje, komunikacija, donošenje odluka), ukupni rezultat ostaje isti. Usko grlo se samo premjesti nizvodno.

Drugi problem je što se AI uvodi u loše procese. A automatizacija lošeg procesa ne daje bolji proces, daje brži loš proces. Što je gore, AI često čini postojeće sisteme složenijim nego što su bili. Dodate novi sloj na vrh starog toka rada, novi alat koji treba naučiti, novi output koji treba provjeriti, novi korak u lancu koji može da pođe po zlu. Umjesto pojednostavljivanja, dobijete još jedan sloj kompleksnosti. Jedan istorijski primjer: prve fabrike s parnim mašinama bile su često manje efikasne od zanatskih radionica jer su kopirale stare metode rada u novi kontekst. Tek kad su procesi redizajnirani oko tehnologije, produktivnost je skočila.

Treći razlog je mjerenje. Tri godine koje obuhvata NBER studija su vjerovatno prekratke za transformativne tehnologije. Električna struja je bila komercijalno dostupna od kraja 19. vijeka, ali mjerljivi skok produktivnosti u industriji došao je tek 1920-ih, kada su fabrike redizajnirane oko elektromotora, a ne samo zamijenjen parni pogon s električnim. Možda mjerimo prerano.

Četvrti problem je konfuzija između brzine i kvaliteta. AI ubrzava produkciju teksta, koda, analiza. Ali ako rezultati zahtijevaju jednako vremena za provjeru i korekciju dobijamo premještanje rada s jednog mjesta na drugo.

I peti razlog je nedostatak povratne informacije. Ko god koristi AI površno, rijetko dobija signal da radi pogrešno. AI uvijek isporučuje nešto, nikad prazan ekran, nikad grešku. Uvijek dobijete uvjerljiv tekst koji izgleda kompletno. To uklanja prirodni feedback koji bi korisnika primorao da poboljša pristup. Time je loša navika ostala nevidljiva.

Šta sam naučio radeći na konkretnom problemu

Nedavno sam radio na unapređenju jednog sistema izvještavanja za klijenta. Inicijalni impuls je bio predvidiv: uzeti postojeći tok podataka i na vrh postaviti AI koji će, na osnovu metrike iz podataka, generisati stručno tumačenje tržišnih kretanja u industriji (smart narrative). U poslovnom izvještavanju, podaci sami po sebi rijetko pokreću odluke, pokreće ih interpretacija, a smart narrative tu interpretaciju donosi u trenutku kada je najpotrebnija. Osim toga, skraćuje put od podatka do odluke i oslobađa prostor za razmišljanje o budućnosti, umjesto tumačenja prošlosti.
Ali što sam dublje ulazio u arhitekturu, postajalo je jasno da taj pristup ne rješava problem, samo ga premješta. Sistem bi bio složeniji, AI bi “halucinirao” na nestrukturiranim podacima, a svaki output bi zahtijevao ručnu provjeru. Ubrzanje na jednom kraju, dodatni posao na drugom.

Odluka je bila drugačija. Umjesto da AI dodam na vrh postojećeg sistema, redizajnirao sam protok podataka oko AI-ja. Definisao sam tačno koji KPI-jevi ulaze, u kakvoj strukturi, s kojim kontekstom. AI sloj je postavljen između strukturiranih podataka i krajnjeg outputa – ne kao generator koji slobodno “mašta”, nego kao alat s uskim, dobro definisanim prostorom u kojem radi.

Rezultat je bio predvidiv i provjerljiv. I upravo to je bila poenta.

Ono što je ovaj rad zahtijevao nije bilo samo poznavanje AI-ja. Zahtijevalo je duboko razumijevanje domena, tj industrije i što ti KPI-jevi znače, kako se međusobno odnose, koji kontekst je bitan a koji je šum, kako klijent čita podatke i što mu treba da donese odluku. AI je bio zadnji korak, ne prvi.

Zašto znanje postaje skuplje, ne jeftinije

Ovdje dolazimo do suštine paradoksa.

Intuicija kaže da AI snižava cijenu znanja, da “demokratizuje ekspertizu”. Jednostavno rečeno, alat ili tehnologija omogućavaju osobi bez dubokog stručnog znanja da dobije rezultat koji je ranije zahtijevao eksperta, čime prednost stručnjaka smanjuje. I djelimično je to tačno za rutinski rad. Prosječan tekst, prosječna analiza, prosječan kod, sve to AI radi brže i jeftinije nego na primjer junior saradnik.

Ali prava ekspertiza nije samo u izvršavanju zadataka. Ona je u tome da znate koje zadatke uopšte postaviti. Da znate kako dizajnirati sistem u koji AI ulazi. Da znate kada je rezultat ispravan i kada je sigurno pogrešan. Da znate koji kontekst je bitan, a koji je suvišan.

To su presude koje zahtijevaju i duboko razumijevanje oblasti i znanje kako to razumijevanje pretočiti u tehničko rješenje. I što je AI bolji u izvršavanju, to više vrijedi znanje koje će ga usmjeriti.

“Usvoji AI ili odlazi” nije pogrešna poruka. Ali je nepotpuna. Pravo pitanje nije da li koristiš AI. Pravo pitanje je koliko duboko razumiješ oblast u kojoj ga koristiš. Jer AI u rukama stručnjaka multiplicira stručnost. U rukama nekoga ko nema tu dubinu, multiplicira osrednjost, samo brže.

Paradoks produktivnosti neće se riješiti time što ćemo svi više koristiti AI. Riješiće se kad počnemo dizajnirati sisteme oko AI-ja, umjesto što lijepimo AI na sisteme koje smo naslijedili.