Wireva

Більше продукції вже не означає прогрес, стверджують дослідники

Штучний інтелект знімає природне обмеження на обсяг роботи, і це ламає старі сигнали якості в наймі, науці та розробці. Розбираємо, що з цього випливає для команд, які працюють з контентом, кодом і рекрутингом.

Матеріал підготовлено за допомогою ШІ під редакційною відповідальністю Haydamax OÜ.

Коли працю було важко створити, її обсяг сам по собі був сигналом якості: супровідний лист писали вручну, статтю вичитували довго, код писали рядок за рядком. Штучний інтелект прибрав це природне обмеження. Тепер кількість відповідей, заявок і публікацій майже нічого не говорить про їхню цінність, а отже й про ефективність команди. Для маркетологів, рекрутерів і продуктових команд це означає, що звичні метрики обсягу потребують перегляду.

Найочевидніше це видно на ринку праці. За даними однієї з великих платформ для пошуку роботи, на середню вакансію припадає близько 254 відгуків, а навантаження на рекрутерів через заявки зросло на 412 відсотків. Персоналізований супровідний лист тепер коштує нуль гривень і часу, тож він більше не відрізняє кандидатів. Британський регулятор з питань інформації вже опублікував рекомендації щодо зростання запитів, створених за допомогою ШІ. Схожа ситуація і в науці: архів препринтів arXiv отримав у вересні рекордні 40 363 подання.

Проблема ширша, ніж просто шум. Економіст Майкл Спенс описав сигнали, які несуть інформацію саме тому, що їх важко підробити. Коли вони стають дешевими, вони перестають працювати як фільтр. Автоматичні скринінгові системи для резюме тим часом самі створюють нові перекоси. В одному дослідженні такі інструменти віддавали перевагу резюме, написаним ШІ, з перевагою від 23 до 60 відсотків. В іншому три моделі обирали імена, асоційовані з білими людьми, у 85 відсотках випадків. Федеральний суд дозволив розгляд позову про дискримінацію щодо інструментів відбору компанії Workday.

Окремий ризик стосується розуміння результату. Наприкінці жовтня OpenAI опублікувала рішення для понад 370 відкритих математичних задач. Математик Деніел Літт зазначає, що витягти з таких рішень справжнє розуміння можна лише ціною великої людської праці. Для цього явища в індустрії розробки з'явився термін «борг розуміння» (comprehension debt): розрив між кодом, який уже створено, і кодом, який команда справді розуміє. Тут важлива й відповідальність. Якщо рішення передано машині, підприємство все одно відповідає за наслідки, і знання, яке потрібно для цієї відповідальності, не з'являється саме собою. Розуміють не відповіді, а сам процес міркування, і саме він створює основу для наступних ідей.

Деякі компанії вже шукають відповіді. Сервіс рекрутингу Greenhouse дає кандидатам змогу раз на місяць позначити одну заявку як пріоритетну. Глава компанії повідомляє, що позначені кандидати наймаються приблизно вдвічі... тобто приблизно в п'ять разів частіше за інших. Загальний висновок з цього такий: організаціям потрібні продумані обмеження обсягу та нові сигнали якості, а рецензенти мають мати глибокий особистий досвід, щоб оцінювати результати ШІ. Продуктивність у вигляді кількості вже не є доказом прогресу.

Для українських команд це означає кілька практичних речей. Маркетинговим відділам варто оцінювати кампанії за конверсією та утриманням, а не за кількістю створеного контенту. HR-командам, які працюють з україномовним ринком, варто перевіряти, чи не відсіюють їхні автоматичні фільтри кандидатів за мовою чи іменем. А тим, хто впроваджує ШІ в роботу, слід закласти в процес час на перевірку й розуміння результату, інакше накопичиться борг, який доведеться сплачувати пізніше.