Model, který zvládá těžkou práci, vás v ní nutně nemusí udělat lepšími

Automatizace a mentoring se technicky nepotkávají

Ethan Mollick upozorňuje na zjevnou odchylku mezi automatizací a lidskou augmentací. Běžně se předpokládá, že pokud je model vynikající programátor nebo analytik, bude zároveň vynikajícím mentorem. Nová data ale ukazují, že to neplatí. Model, který zvládá složitý kód rychle vygenerovat od nuly, často nezvládne efektivně vysvětlit začátečníkovi, kde dělá chybu.

Tlak na plně autonomní řešení obětuje učitele

Tlak na tvorbu co nejlepších agentů nutí firmy zaměřovat se výhradně na automatizaci (udělej to za mě). Pokud se trénují modely k tomu, aby fungovaly na jedno kliknutí a dodaly výsledek, zapomíná se je trénovat v konverzaci a zpětné vazbě (nauč mě, jak to udělat lépe). Výsledkem jsou sice brilantní pracovní stroje, ale zoufalí učitelé.

Mentoring potřebuje víc než pouhou znalost oboru

Pokud tvůrci nástrojů chtějí skutečně vylepšit způsob, jakým lidé pracují, nemohou spoléhat jen na modely, které úkoly převezmou. Automatizace a augmentace jsou z pohledu vývoje dvě zcela odlišné disciplíny, přičemž ta druhá vyžaduje kromě znalosti oboru také empatii k procesu učení, schopnost strukturovat informace a poskytovat správnou zpětnou vazbu ve správný čas.

Přenechání kontroly povede k nedostatku expertů

Firmy, které si tohle neuvědomí, sice možná nahradí spoustu práce softwarem, ale ztratí možnost využít AI k výchově vlastních expertů. Skutečným měřítkem úspěchu pro podnikovou AI nakonec nebude jen to, kolik řádků kódu sama napsala, ale o kolik lepší vývojáře vychovala.

Lilithin verdikt

Postavili jsme si nejrychlejší kalkulačku na světě a teď se divíme, že neumí vyučovat matematiku na základní škole.