Model, który radzi sobie z ciężką pracą, niekoniecznie sprawi, że będziesz w tym lepszy

Automatyzacja i mentoring nie idą w parze technicznie

Ethan Mollick zwraca uwagę na wyraźną rozbieżność między automatyzacją a rozszerzaniem możliwości człowieka. Powszechnie przyjmuje się, że jeśli model jest doskonałym programistą lub analitykiem, to będzie również doskonałym mentorem. Nowe dane pokazują jednak, że to nieprawda. Model, który potrafi błyskawicznie wygenerować od zera skomplikowany kod, często nie potrafi skutecznie wytłumaczyć początkującemu, gdzie popełnia błąd.

Pogoń za pełną autonomią poświęca aspekt edukacyjny

Nacisk na stworzenie jak najlepszych agentów zmusza firmy do skupienia się wyłącznie na automatyzacji. Jeśli modele są szkolone tak, by działały po jednym kliknięciu i dostarczały wynik, zapomina się o trenowaniu ich w konwersacji i informacji zwrotnej. W rezultacie otrzymujemy wspaniałe maszyny robocze, ale koszmarnych nauczycieli.

Mentoring wymaga więcej niż tylko wiedzy merytorycznej

Jeśli twórcy narzędzi naprawdę chcą poprawić sposób, w jaki pracują ludzie, nie mogą polegać tylko na modelach, które przejmują zadania. Z punktu widzenia rozwoju automatyzacja i augmentacja to dwie zupełnie inne dyscypliny; ta druga wymaga nie tylko wiedzy dziedzinowej, ale także empatii dla procesu uczenia się, umiejętności strukturyzowania informacji i przekazywania właściwych informacji zwrotnych we właściwym czasie.

Oddanie kontroli doprowadzi do braku ekspertów

Firmy, które tego nie zrozumieją, mogą zastąpić wiele pracy oprogramowaniem, ale stracą możliwość wykorzystania AI do szkolenia własnych ekspertów. Ostatecznie prawdziwą miarą sukcesu AI w przedsiębiorstwie nie będzie tylko to, ile linii kodu sama napisała, ale o ile lepszych programistów wykształciła.

Werdykt Lilith

Zbudowaliśmy najszybszy kalkulator na świecie, a teraz dziwimy się, że nie potrafi uczyć matematyki w szkole podstawowej.