एआयने साधने तयार केली आहेत. त्यांना कामाच्या ठिकाणी नफ्यात बदलणे हे खरे आव्हान आहे.

डेमोनंतरचा प्रश्न

कृत्रिम बुद्धिमत्तेमधील सर्वात महत्त्वाचा प्रश्न आता कदाचित प्रणाली किती प्रभावी आहेत हा राहिलेला नाही. प्रश्न असा आहे की डेमो, कोडिंग बेंचमार्क आणि गुंतवणूकदारांच्या सादरीकरणाच्या बाहेर गेल्यावर त्या विश्वासार्ह आर्थिक मूल्य निर्माण करू शकतात का. हाच मुद्दा एका नव्या MIT Technology Review विश्लेषणात केंद्रस्थानी आहे, जे सध्याच्या एआय क्षणाला एका परिचित तीन-टप्प्यांच्या कल्पनेप्रमाणे मांडते: तंत्रज्ञान तयार करा, नफा आपोआप येईल असे गृहीत धरा, आणि मध्ये असलेले कठीण काम अस्पष्टच ठेवा.

दिलेला स्रोत मजकूर South Park मधील प्रसिद्ध विनोदावर आधारित आहे: “टप्पा 1: अंडरपॅंट्स गोळा करा. टप्पा 2: ? टप्पा 3: नफा.” या पुनर्कथनात, एआयने आधीच शक्तिशाली प्रणाली तयार करून पहिला टप्पा पूर्ण केला आहे, आणि उद्योग रूपांतरण आणि आर्थिक फायद्याच्या रूपाने तिसऱ्या टप्प्याचे जोरदार आश्वासन देत आहे. मात्र अजूनही अनुत्तरित भाग म्हणजे दुसरा टप्पा: क्षमतेचे नियमित कामाच्या ठिकाणी मूल्यामध्ये रूपांतर करण्याचे गुंतागुंतीचे काम.

ही मांडणी प्रभावी ठरते, कारण ती सध्याच्या एआय उमेदीच्या केंद्रातील विरोधाभास पकडते. मॉडेल लिहू शकतात, सारांश करू शकतात, वर्गीकरण करू शकतात, कोड तयार करू शकतात, आणि भाषाधारित कामांचा वाढता पट सांभाळू शकतात. तरीही, बेंचमार्क किंवा पायलटमधील प्रभावी क्षमता एखाद्या प्रत्यक्ष संस्थेत आपोआप उत्पादकता, मार्जिन वाढ, किंवा टिकाऊ गुंतवणूक-परतावा बनत नाही.

लेख सूचित करतो की कोडिंगच्या बाहेरही सर्वोत्तम एआय प्रणाली अजूनही कार्यस्थळी आर्थिकदृष्ट्या व्यवहार्य होण्यासाठी झगडत आहेत. हा फरक महत्त्वाचा आहे. जनरेटिव्ह एआयसाठी कोडिंग हे सुरुवातीच्या सर्वात मजबूत व्यावसायिक पायाांपैकी एक ठरले आहे, कारण आउटपुट डिजिटल असतात, कार्यप्रवाह पुनरावृत्तीशील असतात, आणि वापरकर्ते बहुतेकदा निकालांचे मूल्यमापन करण्यात अत्यंत कुशल असतात. इतर अनेक क्षेत्रे इतकी माफक नाहीत. चुका महाग पडतात, देखरेख मंद असते, कामे कमी संरचित असतात, आणि विद्यमान प्रक्रियांशी एकत्रीकरण कठीण असते.

या दरीची उदाहरणे म्हणून विश्लेषण दोन अलीकडील अभ्यासांकडे निर्देश करते. Anthropic च्या एका अभ्यासात कोणत्या प्रकारच्या नोकऱ्यांवर मोठ्या भाषा मॉडेल्सचा सर्वाधिक परिणाम होऊ शकतो याचा अंदाज व्यक्त केला, ज्यात व्यवस्थापक, आर्किटेक्ट, आणि मीडियातील लोक यांसारख्या भूमिका अधोरेखित केल्या, तर ग्राउंड्सकीपर, बांधकाम कामगार, आणि आतिथ्य क्षेत्रातील कामगारांवर कमी परिणाम सूचित केला. पण लेख ठामपणे सांगतो की अशा अंदाजांना अजूनही कार्य-सुसंगतीबाबतची मुळातलीच अटकळ मानावी लागते, प्रत्यक्ष कामाच्या ठिकाणच्या कामगिरीचा पुरावा नव्हे.

हा एक निर्णायक फरक आहे. एखादे मॉडेल सिद्धांततः एखाद्या कामात मदत करण्यास सक्षम दिसू शकते, पण त्याच वेळी अशी व्यावहारिक अडथळे पार करण्यात अपयशी ठरू शकते, जी ठरवतात की नियोक्ता ते मोठ्या प्रमाणावर वापरेल की नाही. या अडथळ्यांमध्ये विश्वासार्हता, अनुपालन, देखरेख खर्च, वापरकर्त्यांचा विश्वास, कार्यप्रवाहाचे पुनर्रचना, आणि प्रणाली वापरणे सध्याच्या पद्धतींपेक्षा जलद किंवा स्वस्त आहे का हा साधा प्रश्न यांचा समावेश होतो.

एआयबाबतच्या अनेक महत्त्वाकांक्षी दाव्यांवरही हीच समस्या सावलीसारखी आहे. अधिकारी आणि संशोधक हे तंत्रज्ञान आर्थिकदृष्ट्या परिवर्तनकारी असल्याचे वर्णन करू शकतात, आणि ते कदाचित अखेरीस बरोबरही ठरतील. पण संस्थांना उत्पादनात ते मूल्य वारंवार मिळवता आले, तरच ते रूपांतर खरे मानले जाईल. म्हणजेच खरी स्पर्धा कदाचित कुणाकडे सर्वात प्रगत मॉडेल आहे यावर नाही, तर मॉडेलच्या आउटपुट आणि व्यवसाय परिणाम यांच्यातील हरवलेला मधला थर कोण परिभाषित, कार्यान्वित, आणि मोठ्या प्रमाणावर नेऊ शकतो यावर असेल.

त्या थरामध्ये प्रक्रिया पुनर्रचना, नियमन, देखरेख यंत्रणा, सॉफ्टवेअर इंटरफेस, किंमत मॉडेल, प्रशिक्षण, आणि एआय कुठे मानवी कामाला अर्थपूर्णरीत्या पूरक ठरते आणि कुठे ते अधिक गुंतागुंतीचे करते याचे स्पष्ट आकलन यांचा समावेश होऊ शकतो. MIT Technology Review लेखात म्हटले आहे की वेगवेगळ्या गटांकडून त्या मधल्या जागेत वेगवेगळी उत्तरे आधीच मांडली जात आहेत. Pause AI शी संबंधित कार्यकर्ते नियमन आवश्यक मानतात. समर्थक बहुतेकदा अनिश्चिततेवरून पुढे जातात, कारण त्यांचे लक्ष मार्गापेक्षा गंतव्यावर अधिक असते.

प्रत्यक्षात, मार्गच कथा आहे. कामाच्या ठिकाणच्या प्रत्येक मोठ्या तंत्रज्ञान लाटेला साधनाभोवतीच्या पूरक प्रणालींची साथ लागली आहे. स्प्रेडशीट महत्त्वाची होती, पण तिला आत्मसात करणाऱ्या व्यवसाय प्रक्रिया देखील तितक्याच महत्त्वाच्या होत्या. इंटरनेट महत्त्वाचा होता, पण पेमेंट्स, लॉजिस्टिक्स, मानके, आणि वापराच्या सवयीही तितक्याच आवश्यक होत्या. एआय बहुधा तोच नमुना पाळेल. मॉडेल हे मूल्यसाखळीचे फक्त एक भाग आहे.

म्हणूनच सध्याच्या बाजारात तणाव आहे. कंपन्यांनी आधीच मॉडेल्स, कम्प्युट, इंटिग्रेशन्स, आणि पायलट्सवर मोठा खर्च केला आहे. त्या खर्चातून फक्त नवेपणा नाही तर अधिक काही मिळते हे दाखवण्याचा त्यांच्यावर दबाव आहे. आर्थिक कारणमीमांसा जर केवळ एका अरुंद उपयोगक्षेत्रातच सर्वात मजबूत असेल, तर hype पासून व्यापक नफ्याकडे जाणारा मार्ग अनेक अंदाजांपेक्षा हळू आणि अधिक निवडक ठरेल.

म्हणून, हरवलेला तो टप्पा एखादा किरकोळ अंमलबजावणी तपशील नाही. ती एआय युगातील मध्यवर्ती व्यावसायिक समस्या आहे. कंपन्या तांत्रिक शक्यता ते पुन्हा पुन्हा मिळणारे कामाच्या ठिकाणचे लाभ यामध्ये कसे रूपांतर करतात हे पुराव्यासह स्पष्ट करू शकतील तोपर्यंत, हा क्षेत्र खऱ्या प्रगती आणि फुगलेल्या अपेक्षा यांच्यामध्ये हेलकावत राहील. एआय अशा टप्प्यावर आले आहे, जिथे त्याचे सर्वात कठीण आव्हान आता अधिक क्षमता निर्माण करणे नाही. क्षमता अर्थपूर्ण ठरवणे हेच आव्हान आहे.

हा लेख MIT Technology Review च्या वृत्तांकनावर आधारित आहे. मूळ लेख वाचा.