Gdy przyglądamy się pracy maszyn, o wiele częściej jesteśmy świadkami sytuacji, w których wspomagają one pracę człowieka, niż gdy działają samodzielnie. Oczekuje się, że ten schemat utrzyma się w przewidywalnej przyszłości.
Prawie 30 lat temu Robert j. Thomas, wówczas profesor MIT, opublikował książkę What Machines Can't Do (Czego maszyny nie mogą dokonać). Skupiał się w niej na technologii produkcji i przekonywał, że maszyny nie są jeszcze gotowe, by całkiem przejąć fabryki z rąk ludzi. Chociaż ostatnie osiągnięcia w dziedzinie sztucznej inteligencji znacznie podniosły zdolności maszyn, nadal jest wiele czynności, których nie są jeszcze w stanie wykonać albo przynajmniej nie są w stanie zrobić tego w sposób wysoce skuteczny.
Systemy AI mogą się dobrze spisywać w laboratorium badawczym albo w warunkach wysoce kontrolowanych zastosowań, lecz nadal potrzebują pomocy człowieka w typowych warunkach pracy, które badaliśmy na potrzeby nowej książki Working With AI: Real Stories of Human‑Machine Collaboration (Praca z AI: prawdziwe historie współpracy człowieka z maszyną). W trzydziestu opisanych w niej przypadkach pracownicy wyraźnie pozostawali istotnym czynnikiem.
W tym artykule wykorzystamy niektóre wspomniane w książce przykłady, by przedstawić listy procesów wykorzystujących sztuczną inteligencję, a mimo to nadal wymagających udziału człowieka. Są to zadania, w przypadku których organizacje powinny wciąż inwestować w kapitał ludzki i w których specjalistyczny personel może liczyć w najbliższej przyszłości na ciągłość zatrudnienia.
Obecne ograniczenia AI w miejscu pracy
Sztuczna inteligencja z czasem zyskuje coraz większy potencjał, a zatem nie da się uzyskać jednej niezmiennej odpowiedzi na to, co maszyny już potrafią, a czego jeszcze nie umieją. Być może czytelnik tego artykułu w 2032 roku uzna, że przedstawione w nim ograniczenia AI są komicznie rozmijające się z prawdą. Na razie jednak ważne jest, aby nie oczekiwać od AI więcej, niż może zaoferować. Przedstawiamy niektóre z jej istotnych dzisiejszych ograniczeń.
Zrozumienie kontekstu. AI nie rozumie jeszcze szerszego kontekstu, w którym funkcjonuje biznes oraz tego związanego z zadaniem powierzonym jej do wykonania. Dostrzegliśmy ten problem w wielu przypadkach. Jeden z nich dotyczy sytuacji oceny poziom ryzyka ubezpieczeniowego dokonywanego przez AI na podstawie wielu danych zawartych w dokumentacji medycznej wnioskodawcy, lecz bez zrozumienia kontekstu sytuacyjnego. Na przykład jeden z powszechnie przepisywanych leków zmniejsza nudności zarówno u pacjentów chorych poddawanych chemioterapii, jak i u kobiet w ciąży cierpiących na poranne mdłości. Jak dotąd algorytm nie potrafi rozróżnić tych dwóch sytuacji przy ocenie ryzyka ubezpieczeniowego związanego z taką receptą.
