Дискуссия вокруг искусственного интеллекта достигла состояния скучного равновесия. Руководителям компаний говорят либо о том, что ИИ приведет к катастрофическому сокращению рабочих мест, либо о том, что он наконец обеспечит обещанную операционную эффективность. Иногда им говорят обо всем сразу.
Каждая из этих сторон разделяет необоснованное предположение: что корпоративный спрос на интеллект — то есть на способность решать проблемы — является неизменным. Однако история показывает обратное. Когда стоимость жизненно важного ресурса падает, спрос редко остается стабильным; он часто возрастает, причем значительно.
Искусственный интеллект снижает удельные затраты на обработку информации, и вместе с этим растет аппетит организаций к интеллектуальным решениям. В 1865 году английский экономист Уильям Стэнли Джевонс опубликовал работу «The Coal Question», в которой сделал контринтуитивное наблюдение. Усовершенствования парового двигателя, в частности те, что разработал Джеймс Ватт, резко уменьшили количество угля, необходимого для выполнения определенной работы: полностью разработанный двигатель Ватта потреблял примерно четверть топлива по сравнению с конструкциями Ньюкомена.
Интуитивно предполагалось, что Британия будет сжигать меньше угля. Но произошло обратное. Более дешевая работа сделала парную энергию применимой в тысячах новых областей — от текстильных фабрик до глубоких шахт и железных дорог. Потребление угля взлетело. Это явление получило название парадокс Джевонса и сегодня служит экономическим двигателем для ИИ. ИИ не устраняет корпоративный спрос на интеллект; он снижает его удельные затраты. Когда применение интеллекта к решению проблемы становится дешевле, организации не уменьшают его использование; они активируют огромный резервуар скрытого спроса — проблем, которые всегда существовали, но были слишком дороги для решения.
Десять лет назад радиология казалась идеальным кандидатом для вытеснения ИИ. Модели распознавания изображений могли анализировать тысячи снимков без усталости. В 2016 году Джеффри Хинтон, который впоследствии получил Нобелевскую премию, заявил: «Я думаю, если вы работаете радиологом, вы подобны койоту, который уже перешел край обрыва, но еще не посмотрел вниз. Людям следует прекратить обучение радиологов сейчас. Просто очевидно, что через пять лет глубокое обучение превзойдет радиологов».
Ситуация оказалась иной. Радиология стала главной целью для применения ИИ в медицине — около трех четвертей из более чем тысячи приложений ИИ, одобренных Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США для медицинского использования, относятся к радиологии. Тем не менее, спрос на радиологов продолжает расти. Штат радиологов в Клинике Мэйо увеличился на 55% с 2016 года, достигнув примерно 400 человек. Сам Хинтон сообщил The New York Times в прошлом году, что он говорил слишком широко и ошибался в сроках, отметив, что ИИ сделает радиологов «намного более эффективными».
Рост потребности в визуализации был обусловлен причинами, мало связанными с ИИ, включая старение населения. Однако логика Джевонса объясняет, почему ИИ не изменил эту тенденцию: удешевление и ускорение каждого анализа не уменьшает объем работы, которую стоит выполнять. Оно делает больше работы осуществимой.
Рассмотрим контакт-центр. Команды по контролю качества обычно проверяли лишь около 5% звонков. Эта цифра никогда не была оптимальным показателем для получения оперативной информации. Это был потолок, установленный стоимостью человеческих рецензентов, поскольку проверка каждого звонка вручную была непомерно дорогой. Однако голосовой ИИ кардинально изменил эту экономическую модель. Транскрибирование, индексация и аудит каждого звонка теперь стоят лишь малую долю ручной проверки, поэтому контакт-центры переходят от выборочных проверок к анализу каждого взаимодействия: выявлению системных проблем с выставлением счетов, отслеживанию настроений клиентов и, в страховании, сверке устных заявлений с данными, внесенными в CRM-систему.
В истинном духе Джевонса, потребность в понимании оставшихся 95% звонков всегда существовала. ИИ просто превратил непозволительную роскошь в базовую инфраструктуру.
Для организаций в Южной Африке, таких как Стелленбош, Соуэто, Спрингс и Салданья, экономический сдвиг наиболее ощутим там, где универсальный глобальный ИИ не справляется. Голосовые модели, созданные в Глобальном Севере, предполагают монолингвальную среду с высоким уровнем ресурсов. Они испытывают трудности, когда разговоры плавно переключаются между английским, isiZulu, isiXhosa и африкаанс на фоне шума реального мира. Снижение стоимости голосового интеллекта здесь достигается путем обучения моделей речи на небольших, целенаправленных наборах данных. В то время как глобальные модели обучаются на сотнях тысяч часов аудио, эффективные локальные модели могут работать с всего 100 часами предметно-специфичных записей. Компания Saigen создает модели для обработки переключения кодов, потому что именно так говорят южноафриканцы. Технологии должны адаптироваться к людям, а не наоборот.
Более важный вопрос. Руководители в Южной Африке последние несколько лет задавались вопросом о том, какие рабочие функции заменит ИИ. Более полезный вопрос заключается в следующем: где спрос на оперативный интеллект был подавлен из-за стоимости? Парадокс имеет свои пределы. Он действует там, где спрос эластичен — то есть, когда более дешевый ресурс открывает возможности, которые ранее не были жизнеспособны. Там, где спрос фиксирован, более дешевый интеллект может просто означать меньшее количество людей, выполняющих ту же работу, что представляет собой реальный риск для начальных должностей, от которых зависят многие молодые южноафриканцы.
Задача руководителей состоит в том, чтобы определить, с каким типом спроса они имеют дело, а затем выяснить, что станет возможным, когда барьер стоимости упадет. Потому что это произойдет. ИИ не уничтожит работу; он будет продолжать выявлять ценность, которую предприятия ранее не могли себе позволить извлекать.