Yapay Zekâ ve Üretkenlik: Vaat Edilen Sıçrama Neden Gelmiyor
Üretken yapay zekânın on yılda ekonomiyi baştan yazacağı iddiası çoğunlukla tek bir rakama yaslanıyor: deneylerde ölçülen maliyet tasarrufuna. O tasarruf gerçek, ama tek başına bir şey ifade etmiyor; ekonominin ne kadarına dokunduğuyla çarpılması gerekiyor. Çarpım yapıldığında çıkan sayı, manşetlerdekinin yaklaşık yirmide biri.
Tasarruf oranı büyük, taban küçük
Ölçülen tasarruf tartışmalı değil. Yazı işleri, müşteri desteği ve basit kodlama görevlerinde yapılan denemeler emek maliyetinde yaklaşık %27, toplam maliyette %14,4 düşüş gösteriyor. Sorun bu oranın nereye uygulandığında.
Bir tasarruf oranı üretkenliğe ancak dokunduğu görev payı kadar geçer. Önümüzdeki on yılda yapay zekâyla otomatikleştirilmesi hem teknik hem maliyet açısından mantıklı olan görevlerin toplam iş içindeki payı %5 dolayında. Çarpımı yapmak yeterli: 0,144 × 0,046 ≈ 0,0066. Yani on yılın tamamında toplam faktör verimliliğinde %0,7 kadar bir artış.
Yıla bölününce %0,07 ediyor. Bu, ulusal hesapların revizyon payı içinde kaybolacak bir büyüklük. Aynı on yılda büyük dil modellerine ayrılan sermaye harcaması ise trilyon dolar ölçeğinde konuşuluyor.
%5 nereden çıkıyor
İki katmanlı bir daraltmadan. Görevlerin yaklaşık beşte biri, çıktısı metin ya da görüntü olduğu için modele açık sayılıyor. O beşte birin de ancak dörtte biri, bugünkü hesaplama maliyetiyle otomatikleştirildiğinde şirkete kâr bırakıyor. 0,20 × 0,23 yaklaşık 0,046 veriyor. Bu oran büyürse hesap da büyür; ama büyümesi asıl olarak hesaplama maliyetinin düşmesine bağlı, model yeteneğinin artmasına değil.
Deneyler kolay görevleri seçiyor
Ölçüm yapılan işlerin ortak bir özelliği var: çıktı hızlı ve nesnel biçimde değerlendirilebiliyor. Destek talebi kapandı mı, kod derlendi mi, metin yayına girdi mi. Modelin öğrenmesi de insanın modeli denetlemesi de bu tür görevlerde ucuz.
Geri bildirimin aylar sonra geldiği işlerde durum tersine dönüyor. Bir fiyatlandırma kararının, bir işe alımın ya da uzun vadeli bir tedarik sözleşmesinin doğru olup olmadığı ancak sonradan anlaşılıyor, model de o süre boyunca yanlışını fark etmiyor. Deney sonuçlarını bu ikinci gruba taşımak, tarlanın en verimli köşesinden alınan verimi bütün araziye yazmak demek.
Kazanç nereye gidiyor
Artışın küçük olması, dağılımının eşit olacağı anlamına gelmiyor. Tasarruf ilk aşamada bütünüyle sermayede kalıyor, çünkü otomatikleştirilen görevin ücreti bordrodan çıkıyor, yerine geçen maliyet donanım ve model aboneliği kalemine yazılıyor. Ücretlerde karşılık gelen bir hareket ancak yeni görevler açıldığında başlıyor, o da yıllar sonra.
Bu dalganın öncekinden farkı, hedefindeki işler. Robotlaşma üretim bandını vurmuştu. Üretken modeller büro işini, raporlamayı, standart yazışmayı ve müşteri iletişimini vuruyor; yani istihdam içinde kadın çalışanların ve üniversite mezunlarının yoğun olduğu alanları. Yeniden eğitim programını hâlâ fabrika işçisi şablonuna göre kurgulayan şirket yanlış grubu hedefliyor.
Şirket düzeyinde ne yapılır
Doğru soru yapay zekânın işleri alıp almayacağı değil. Hangi görevde geri bildirim döngüsünün ölçülebilir olduğu.
- Pilotu, çıktısı hafta içinde nesnel biçimde değerlendirilebilen bir görevde başlat. Ölçemediğin yerde kazanç iddiası doğrulanamaz, elde kalan şey bir memnuniyet anketidir.
- Satıcı sunumundaki tasarruf oranını bütçeye yazmadan önce o görevin şirket içindeki saat payıyla çarp. Çoğu sunumda ikinci sayı hiç geçmez.
- Kazanç çıkarsa bunun yeniden yatırıma mı yoksa kadro küçültmeye mi gideceğine baştan karar ver. Sonradan verilen bu karar, artışın kalıcı olup olmayacağını belirliyor.
Üretken yapay zekâ işe yarıyor. Yalnızca on yıllık etkisi bir sanayi devrimi değil, iyi bir yazılım güncellemesi ölçeğinde.
Kaynak