Wireva

Більшості завдань для ШІ не потрібна найдорожча модель, показало дослідження

Дослідження Wharton і Accenture показує, що понад 90% завдань, які можна автоматизувати агентами ШІ, достатньо простих моделей, а компанії часто платять за найпотужніші без потреби.

Матеріал підготовлено за допомогою ШІ під редакційною відповідальністю Haydamax OÜ.

Більшість робочих завдань, які можна передати агентам штучного інтелекту, не потребують найпотужніших моделей, а компанії, за словами авторів нового дослідження, часто переплачують саме за них. Спільний звіт Wharton і Accenture «Що насправді коштує агентний ШІ?» показує, що понад 90% завдань, придатних для автоматизації, достатньо рутинні, щоб із ними впоралися дешевші моделі.

Дослідники проаналізували понад 18 000 завдань у 923 професіях. За їхніми даними, лише від 6% до 11% роботи в кожній із 19 галузей справді потребує так званих граничних моделей, тобто найсучасніших і найдорожчих систем. Водночас багато організацій застосовують свою найпросунутішу модель до всіх етапів робочих процесів і рідко призначають різні моделі для різних частин одного процесу. Покупці також часто женуться за найновішою та найбільш рекламованою моделлю, незалежно від того, чи вона підходить для конкретного завдання. Саме тут, за логікою звіту, і виникає головний розрив між витратами та реальною потребою.

Щоб оцінити складність, автори використали п’ять показників: взаємозалежність кроків, регуляторні вимоги, кількість задіяних систем, обсяг чутливих даних і загальний обсяг даних. Складність, за їхнім трактуванням, визначається насамперед робочим процесом і регулюванням, а не лише обчислювальною складністю. Тому завдання може бути інтелектуально простим, але все одно отримувати високий бал, якщо воно пов’язане з багатьма системами та чутливими даними. У сфері наук про життя складними вважаються розробка систем контролю якості та складання патентних заявок. Виробництво в аерокосмічній галузі й оборонній промисловості під час нарощування випуску також отримало високі оцінки за складністю та цінністю. Відкриття молекул у дослідженнях і розробках у сфері охорони здоров’я теж належить до складних завдань, які потенційно можуть приносити мільярди доходу.

Водночас завдання з великим обсягом даних, наприклад у сфері капітальних ринків, технологій та аерокосмічній галузі, частіше відповідають можливостям граничних моделей. Це означає, що вибір моделі має залежати від конкретного завдання, а не від загального рівня технологій у компанії. Для керівників це практичний висновок: доцільно розділяти процес на частини й оцінювати кожну окремо, а не купувати одну дорогу систему для всього одразу.

Звіт також оцінює витрати на конкретному прикладі. Йдеться про організацію зі 100 000 співробітників і 35 агентами ШІ, для якої автори склали п’ятирічні оцінки. За цими розрахунками, вартість для сфери охорони здоров’я становить приблизно 155 мільйонів доларів, а для страхування близько 520 мільйонів доларів. Автори зазначають парадокс, який добре відомий у цифровій економіці: вартість обробки одного завдання ШІ знижується, але загальні витрати зростають разом із кількістю завдань, які передаються системам. Дешевша одиниця роботи не гарантує дешевшого бюджету, якщо обсяг роботи постійно збільшується.

Серед рекомендацій дослідники радять відстежувати витрати на ШІ порівняно з отриманою цінністю, зокрема через так званий «P&L для ШІ», тобто окремий облік, який показує, що саме компанія отримує за кожну гривню чи долар, вкладені в агентів. Також радять обирати потрібні можливості моделі для кожного агента ще на етапі проєктування, а не після запуску. Динамічна маршрутизація моделей, коли система сама спрямовує частини завдань до відповідних моделей, поки складна у масштабному впровадженні. Автори визнають, що така технологія з’явиться, але строки її появи неясні, тож компаніям варто будувати процеси з урахуванням нинішніх обмежень.