Nie bój się AI, zrozum ją. Ostateczny przewodnik po tym, co maszyny zrobią za nas, a w czym nigdy nam nie dorównają

Sztuczna inteligencja. Trzy słowa, które budzą dziś więcej emocji niż niejeden thriller polityczny. Słyszymy o niej wszędzie – w wiadomościach, w firmie, przy rodzinnym obiedzie. Dominuje narracja lęku: «maszyny zabiorą nam pracę». Jako naukowiec, który od dwóch dekad obserwuje wykładniczy rozwój technologii, chciałbym zaproponować inne spojrzenie. Zamiast panikować, spróbujmy zrozumieć fundamentalny mechanizm, który napędza tę rewolucję. Bowiem zrozumienie go nie tylko uspokaja, ale daje do ręki mapę, dzięki której możemy nawigować w nadchodzących zmianach. A temat jest ważny, bo nie mówimy już o odległej przyszłości. Mówimy o teraźniejszości.

Silnik automatyzacji, czyli jak AI uczy się świata

Aby pojąć, co i dlaczego AI będzie automatyzować, musimy cofnąć się do momentu, który na zawsze odmienił tę dziedzinę. Wyobraźmy sobie połowę lat 2000. Komputery potrafiły już wiele, ale wciąż były «ślepe». Rozpoznawanie obiektów na zdjęciach było dla nich zadaniem karkołomnym. Wtedy na scenę weszła badaczka Fei-Fei Li z genialnie prostym pomysłem. Zrozumiała, że algorytmy nie są «głupie», lecz «głodne». Potrzebowały gigantycznej ilości danych, aby się nauczyć.

Tak narodził się projekt ImageNet – olbrzymia, ręcznie oznaczona baza ponad 14 milionów zdjęć. To był pierwszy składnik rewolucji. Drugim było przekształcenie nauki w sport – Li zorganizowała coroczne zawody, w których zespoły z całego świata konkurowały o to, czyj algorytm najtrafniej rozpozna obiekty z bazy.

Przełom nastąpił w 2012 roku. Zespół z Toronto (w składzie Alex Krizhevsky, Ilya Sutskever i Geoffrey Hinton) zdeklasował konkurencję, używając głębokich sieci neuronowych i… dwóch komercyjnych kart graficznych. To był ten moment. Zrozumieliśmy przepis, z którego korzystamy do dziś:

1. Dane: Zbierz ogromną ilość danych opisujących zadanie (obrazy, tekst, dane z czujników).

2. Cel (metryka): Zdefiniuj jasny, mierzalny cel, który algorytm ma osiągnąć (np. «czy ten obrazek przedstawia kota?», «czy to słowo pasuje jako następne w zdaniu?»).

3. Moc obliczeniowa: «Wpuść» dane do modelu i daj mu wystarczająco dużo mocy obliczeniowej, aby metodą prób i błędów nauczył się osiągać cel.

Ta prosta, trójelementowa formuła to uniwersalny silnik automatyzacji. Jeśli jesteś w stanie opisać jakieś zadanie za pomocą danych i zdefiniować dla niego mierzalny wskaźnik sukcesu, to jest tylko kwestią czasu i mocy obliczeniowej, kiedy AI nauczy się je wykonywać.

Sprzężenie zwrotne, czyli dlaczego wszystko, co mierzalne, jest zagrożone

Ekonomista Zvi Griliches w 1957 roku badał, jak amerykańscy farmerzy adaptowali nowe, hybrydowe odmiany kukurydzy. Początkowo, z powodu wysokiej ceny nasion, sadzono je tylko na najbardziej żyznych polach, gdzie zysk z większych plonów był pewny. W miarę jak nasiona taniały i stawały się lepsze, ich uprawa zaczęła być opłacalna nawet na słabszych glebach.

Z AI dzieje się dokładnie to samo. «Mierzenie» rzeczywistości, czyli przekształcanie jej w dane, było kiedyś drogie. Firmy inwestowały w to tylko tam, gdzie zwrot był największy: wykrywanie fraudów na kartach kredytowych, handel algorytmiczny na giełdzie.

Dziś sztuczna inteligencja radykalnie obniża koszt tego «pomiaru». Tanie czujniki, modele AI działające na telefonach, a nawet zdolność AI do generowania danych syntetycznych (np. symulowanie milionów kilometrów jazdy samochodem w nietypowych warunkach) – to wszystko sprawia, że coraz więcej aspektów naszej pracy i życia staje się mierzalne. Każda czynność, którą da się zamknąć w arkuszu kalkulacyjnym, opisać wskaźnikami KPI, zarejestrować przez sensory – wpada w orbitę zainteresowania automatyzacji.

Żyjemy w erze, którą można nazwać «sztuczną inteligencją metryk». A koło zamachowe napędza się samo: im więcej mierzymy, tym lepsze staje się AI, co z kolei pozwala nam mierzyć jeszcze więcej, taniej i dokładniej.

Ludzka przewaga, czyli czego maszyny (jeszcze) nie potrafią

Skoro wszystko, co mierzalne, może zostać zautomatyzowane, to co nam pozostaje? Odpowiedź leży w tym, co jest niemierzalne z natury. W nauce nazywamy to niepewnością Knighta (od nazwiska ekonomisty Franka Knighta). Czym ona jest?

• Ryzyko to coś, co da się skalkulować. Możemy oszacować prawdopodobieństwo wyrzucenia szóstki na kostce. To świat, w którym AI czuje się świetnie.

• Niepewność to sytuacja, w której nie tylko nie znamy prawdopodobieństwa, ale nawet nie wiemy, jakie są możliwe scenariusze. To świat nieznanych niewiadomych.

Człowiek, dzięki ewolucji, jest mistrzem nawigowania w warunkach takiej fundamentalnej niepewności. Nasza kora przedczołowa to potężna maszyna do myślenia kontrfaktycznego – nieustannego generowania scenariuszy «co by było, gdyby?». To pozwala nam tworzyć strategie w sytuacjach bezprecedensowych: zakładać firmę, która tworzy zupełnie nowy rynek, powstrzymywać pandemię wywołaną przez nieznanego wirusa, czy podejmować decyzje jako prezes banku centralnego podczas globalnego kryzysu, gdy wszystkie dotychczasowe modele ekonomiczne zawodzą.

AI będzie miała ogromne trudności w domenach, gdzie pomiar jest fizycznie lub etycznie niemożliwy (np. badanie wnętrza czarnej dziury lub interakcji neuronów w żywym mózgu na masową skalę) lub tam, gdzie po prostu preferujemy ludzki dotyk. Jednak kluczowa przewaga leży w zadaniach, których wyniku nie da się sprowadzić do prawdopodobieństwa.

Lekcja ze świata dźwięku, czyli studium przypadku Amara Bose

Na koniec historia, która jest doskonałą metaforą tego, o czym mówimy. Amar Bose, inżynier i założyciel słynnej firmy audio, zrewolucjonizował rynek w czasach, gdy wszyscy jego konkurenci obsesyjnie skupiali się na mierzalnych parametrach technicznych głośników: pasmo przenoszenia, zniekształcenia harmoniczne. Ich produkty wyglądały świetnie na papierze.

Bose zauważył jednak, że te wszystkie metryki nie oddają najważniejszego: subiektywnego odczucia, jak muzyka brzmi w prawdziwym pokoju, a nie w sterylnej komorze bezechowej. Skupił się na jakości, której nie dało się wówczas zmierzyć – na psychoakustyce, na tym, jak ludzki mózg interpretuje dźwięk. I wygrał. Zignorował to, co mierzalne, a zainwestował w to, co niemierzalne.

To jest właśnie zadanie dla liderów, menedżerów i dla każdego z nas. W erze, która będzie gloryfikować metryki, naszą największą wartością stanie się wszystko to, co nie mieści się w komórce arkusza kalkulacyjnego: zaufanie, smak, osąd, zdolność do redefiniowania problemów i odwaga, by iść naprzód, gdy wszystkie dane mówią «czekaj».

Przyszłość nie polega na konkurowaniu z AI w zadaniach, które da się zmierzyć. Polega na pielęgnowaniu w sobie i w naszych organizacjach tego, czego policzyć się nie da.

Pomysł na doktorat

Tytuł: Wpływ niepewności Knighta na strategiczną alokację zasobów ludzkich i kapitału AI w przedsiębiorstwach o wysokim stopniu innowacyjności.

Problem badawczy: W jaki sposób firmy technologiczne w praktyce rozróżniają zadania obarczone skalkulowanym ryzykiem (podatne na automatyzację przez AI) od zadań charakteryzujących się fundamentalną niepewnością Knighta (wymagających ludzkiej intuicji i myślenia kontrfaktycznego)? Jak to rozróżnienie wpływa na strukturę zespołów, procesy decyzyjne i długoterminowy sukces innowacyjny?

Hipoteza: Przedsiębiorstwa, które świadomie tworzą struktury organizacyjne i procesy decyzyjne pozwalające na identyfikację i odseparowanie problemów z domeny niepewności, a następnie alokują do nich swój najlepszy kapitał ludzki (zamiast próbować je na siłę mierzyć i automatyzować), osiągają trwalszą przewagę konkurencyjną.

Metodologia: Badanie mieszane (mixed-methods).

1. Część ilościowa: Analiza korelacji między charakterem wydatków na R&D (projekty o jasno zdefiniowanych metrykach vs. projekty eksploracyjne typu «blue sky») a wskaźnikami innowacyjności (liczba patentów, sukces nowych produktów) w grupie firm z sektora tech.

2. Część jakościowa: Pogłębione studia przypadków (case studies) 3-5 firm uznawanych za liderów innowacji. Przeprowadzenie wywiadów z menedżerami wyższego szczebla (C-level, VP of Engineering/Product) w celu zrozumienia ich heurystyk decyzyjnych przy alokacji ludzi i budżetu do projektów o różnym stopniu niepewności.

Oczekiwany wkład w naukę: Opracowanie nowego modelu ramowego (framework) dla zarządzania strategicznego w erze AI, który wykracza poza prostą analizę kosztów i korzyści z automatyzacji, a wprowadza «niepewność Knighta» jako kluczową zmienną w alokacji zasobów ludzkich i sztucznej inteligencji.