Cada actualización de ChatGPT nos brindará una gran cantidad de nuevas capacidades, que a menudo se aplican gradualmente para cambiar nuestro flujo de trabajo existente, por lo que soy más optimista sobre el valor de esta ola de IA en el campo de la automatización (RPA). creo que llevará mucho tiempo aplicar una nueva tecnología hasta que reemplace el complicado flujo de trabajo, pero debería ser una gran oportunidad en el futuro.
Hace unos días, Benedict Evans, ex socio de a16z, escribió un artículo sobre IA y automatización. Estoy de acuerdo en algunos puntos. Benedict Evans habló sobre algunos de sus puntos de vista desde la perspectiva de cada cambio tecnológico en la historia:
-
Habrá más automatización en camino, y será una forma completamente nueva de automatizar
-
La nueva tecnología a menudo hace que ciertas cosas sean más baratas y fáciles, lo que puede significar que puede hacer lo mismo con menos personas, o puede hacer más con las mismas personas, lo que también significa que tiende a cambiar lo que hace.
-
Las herramientas que las personas usan para hacer su trabajo y las tareas que ahora pueden estar obteniendo nuevas automatizaciones son tan complejas y especializadas e involucran mucho trabajo y conocimiento institucional que reemplazar o automatizar cualquiera de estas herramientas y tareas no será trivial.
-
Si bien se podría argumentar que los LLM reemplazarán muchas aplicaciones, también podrían generar una nueva ola de deconstrucción de otras maneras.
Lo siguiente es una parte del texto original. El contenido es relativamente largo y la capacidad de traducción se basa en GPT-4. Si hay algún problema con la expresión, lea el texto original:
https://www.ben-evans.com/benedictevans/2023/7/2/trabajando-con-ai
ChatGPT y la IA generativa cambiarán la forma en que trabajamos, pero ¿en qué se diferencia de todas las olas de automatización de los últimos 200 años? ¿Qué significa esto para los empleos, el cambio y el consumo de carbón?
Casi todos en la industria de la tecnología están de acuerdo en que la IA generativa, los modelos de lenguaje extenso y ChatGPT son la próxima generación de cambios que podemos hacer con el software y la próxima generación de cambios que podemos automatizar con el software. No hay mucho consenso sobre otros aspectos de los LLM. En realidad, todavía estamos discutiendo el tema del debate, pero todos están de acuerdo en que hay más automatización en el horizonte y formas de automatización completamente nuevas.
La automatización significa trabajos y personas, y está ocurriendo rápido: ChatGPT tiene más de 100 millones de usuarios en solo seis meses, y los datos de Productiv sugieren que ya es una de las doce principales aplicaciones de "TI en la sombra". Entonces, ¿cuántos trabajos eliminará esto, qué tan rápido y nuevos trabajos podrán reemplazarlos?
Recordemos que llevamos 200 años en el camino de la automatización del trabajo. Cada vez que pasemos por una ola de automatización, muchos trabajos desaparecerán, pero se crearán nuevas categorías de trabajo. Habrá dolores de fricción y dislocaciones a lo largo del camino, ya veces se asignarán nuevos trabajos a diferentes personas en diferentes lugares, pero con el tiempo el número total de trabajos no disminuye y todos nos volvemos más prósperos.
Cuando eso le sucede a su propia generación, es natural preocuparse de que no habrá nuevos trabajos esta vez. Podemos ver los trabajos que desaparecen, pero no podemos predecir cuáles serán los nuevos trabajos y, a menudo, aún no existen. Sabemos (o deberíamos saber) empíricamente que en el pasado siempre se crearon nuevos puestos de trabajo, y que también eran impredecibles: nadie en 1800 habría predicho que un millón de estadounidenses estarían trabajando en los "ferrocarriles" en 1900 puestos de trabajo, y nadie en 1900 hubiera predicho categorías ocupacionales como "postproducción de video" o "ingeniero de software".
Pero solo porque en el pasado siempre han aparecido nuevos trabajos, no parece ser suficiente para creer con fe que esta vez también aparecerá. ¿Cómo supiste que sucedería esta vez? ¿Es diferente esta vez?
En este punto, cualquier estudiante de economía de primer año nos dirá que el problema puede explicarse por cosas como la "falacia del pago global".
La falacia de la mano de obra es la idea errónea de que hay un número fijo de trabajos por realizar y que si algunos trabajos son reemplazados por máquinas, se perderán menos trabajos. Pero si se vuelve más barato usar una máquina para hacer un par de zapatos, entonces los zapatos serán más baratos, más personas podrán comprar los zapatos, tendrán más dinero para gastar en otras cosas además de eso, y encontraremos que se necesitan o se desean cosas nuevas y se crean nuevos puestos de trabajo.
Las ganancias de eficiencia no se limitan a los zapatos: a menudo, se extienden a través de la economía, creando nueva prosperidad y nuevos puestos de trabajo. No sabemos cuáles serán los nuevos puestos de trabajo, pero tenemos un modelo que no solo muestra que siempre habrá nuevos puestos de trabajo, sino que es inherente al proceso mismo. ¡Así que no te preocupes por la inteligencia artificial!
Creo que el desafío más fundamental de este modelo es decir que la automatización en los últimos 200 años ha impulsado el avance de las capacidades humanas.
Empezamos con humanos como animales y evolucionamos gradualmente: automatizamos nuestras piernas, nuestros brazos, nuestros dedos y ahora nuestro cerebro. Pasamos de mano de obra agrícola a trabajos de cuello azul a trabajos de cuello blanco, y ahora incluso los trabajos de cuello blanco serán automatizados, y no quedará nada. Las fábricas están siendo reemplazadas por call centers, pero si automatizamos los call centers, ¿qué otras opciones hay?
Aquí creo que es útil mirar otra parte de la historia económica y tecnológica: la paradoja de Jevons.
En el siglo XIX, la marina británica funcionaba con carbón. El Reino Unido tiene mucho carbón (es la Arabia Saudita de la era del vapor), pero la gente se preocupa por lo que sucederá cuando se acabe. Ah, dice el ingeniero: No te preocupes, usaremos menos carbón porque las máquinas de vapor se vuelven más eficientes. Pero Jevons dijo: Si hacemos que las máquinas de vapor sean más eficientes, serán más baratas de operar, usaremos más y las usaremos para cosas nuevas y diferentes, así que usaremos más carbón. La innovación puede vincularse a la elasticidad de los precios.
Hemos aplicado la paradoja de Jevons al trabajo administrativo durante 150 años.
Es difícil imaginar trabajos futuros que aún no existen, pero es igualmente difícil imaginar algunos trabajos anteriores que ya han sido reemplazados por la automatización. Los oficinistas oprimidos de Gogol en la década de 1830 en San Petersburgo pasaron toda su vida adulta copiando documentos a mano, uno por uno. Son como fotocopiadoras humanas. En la década de 1880, las máquinas de escribir producían texto perfectamente legible al doble de velocidad por minuto y se proporcionaban seis copias gratuitas.
Las máquinas de escribir significaban que los empleados podían producir 10 veces más. Décadas más tarde, empresas como Burroughs introdujeron calculadoras que hacían lo mismo con la contabilidad y la contabilidad: en lugar de sumar columnas con un bolígrafo, una máquina lo hace por usted, el 20 % de las veces completa las tareas sin errores.
¿Cómo afectó eso al empleo administrativo? La gente contrató a más empleados. La automatización más la paradoja de Jevons significa más puestos de trabajo.
Si un empleado y una máquina pueden hacer el trabajo de 10 personas, es posible que tenga menos empleados, pero también podrá hacer más con ellos. Jevons nos dijo que si algo se vuelve más barato y eficiente, es posible que pueda hacer más , como hacer más análisis o administrar más inventario. Podrías construir un negocio diferente y más eficiente, lo cual solo es posible si puedes automatizar su gestión con máquinas de escribir y calculadoras.
Este proceso se repite una y otra vez. Aquí está Jack Lemmon interpretando a CC Baxter en The Apartment en 1960, usando una calculadora electromecánica Frieden que ha existido durante 50 años y alguna vez fue muy emocionante.
Todos en esa toma son una celda en una hoja de cálculo, y todo el edificio es una hoja de cálculo. Cada semana, alguien presiona la tecla F9 en el último piso para volver a calcular. Pero ya tenían computadoras, compraron un mainframe en 1965 o 1970 y desecharon todas las máquinas sumadoras. ¿Están colapsando los trabajos administrativos? ¿O la computadora le da 150 ingenieros adicionales, como afirma IBM? ¿Cómo han afectado la revolución de las PC y la solución del "departamento de contabilidad en una caja" a la profesión contable 25 años después?
Antes de que Dan Bricklin inventara el software de hoja de cálculo en 1979, "hoja de cálculo" significaba documentos en papel (todavía se pueden comprar en Amazon). Él tiene algunas historias interesantes sobre el uso temprano: La gente me dice: "Puse tanto trabajo que mis compañeros de trabajo piensan que soy increíble. Pero en realidad lo hago en una hora y luego me tomo un día libre". Soy un genio porque uso esta herramienta".
Entonces, ¿qué efecto han tenido Excel y las PC en el empleo contable? Aumenta las oportunidades de trabajo.
40 años después, ¿las hojas de cálculo significan que puedes salir temprano del trabajo? De hecho, este no es el caso.
Puede que los jóvenes no lo crean, pero antes de las hojas de cálculo, los banqueros de inversión trabajaban muchas horas. Gracias a Excel, los asistentes de Goldman Sachs pueden completar todas sus tareas y salir de la oficina a las 3:00 p. m. los viernes. ¡Ahora con LLM (Low Labor Market), solo necesitan trabajar un día a la semana!
La nueva tecnología a menudo hace que ciertas cosas sean más baratas y fáciles, pero eso puede significar que puede hacer lo mismo con menos personas, o puede hacer más con las mismas personas, lo que también puede significar que tiende a cambiar lo que hace.
Al principio, adaptamos las nuevas herramientas a las viejas formas de trabajar, pero con el tiempo cambiamos la forma en que trabajamos para adaptarnos a las herramientas. Cuando la compañía de CC Baxter compró una computadora central, comenzaron a automatizar cosas que ya hacían, pero con el tiempo se hicieron posibles nuevas formas de administrar su negocio.
Entonces, todo esto es para decir que, por defecto, deberíamos esperar que los modelos de lenguaje (LLM) destruyan, reemplacen, creen, aceleren y aumenten trabajos como SAP, Excel, computadoras centrales o máquinas de escribir. Es solo más automatización. Las máquinas permiten que un humano haga 10 veces más trabajo, pero aún necesita un humano para hacerlo.
Creo que actualmente hay dos argumentos en contra.
El primer punto es decir que tal vez esto sea realmente solo una continuación del tipo de cambio que hemos visto con Internet, las PC o las computadoras y tal vez no tenga un efecto a largo plazo en el empleo neto, pero esta vez el el cambio ocurrirá más rápidamente, por lo que el dolor por fricción será mayor y el ajuste será más difícil.
LLM y ChatGPT definitivamente se están moviendo más rápido que cosas como el iPhone, Internet o la PC. Apple II salió en 1977, IBM PC en 1981, Mac en 1984 y había 100 millones de PC en uso a principios de la década de 1990: ChatGPT ahora ha alcanzado los 100 millones de usuarios en solo seis meses.
No necesita esperar a que las empresas de telecomunicaciones construyan banda ancha o a que los consumidores compren nuevos dispositivos, la IA generativa se basa en toda la nube existente, la computación distribuida y una gran cantidad de aprendizaje automático que se ha desarrollado durante la última década. Para los usuarios, es solo un sitio web.
Sin embargo, si considera lo que significan estos gráficos, es posible que tenga expectativas diferentes. Los informes de Productiv y Okta (usando diferentes metodologías) muestran que su cliente típico ahora tiene cientos de aplicaciones de software diferentes y los clientes empresariales casi 500.
Sin embargo, la adopción de la nube empresarial aún representa menos de una cuarta parte de los flujos de trabajo.
¿Qué significa esto para la inteligencia artificial generativa en el lugar de trabajo? Cualquier cosa que creas que sucederá llevará años, no semanas.
Las herramientas que la gente usa para hacer su trabajo, y las tareas que ahora pueden automatizarse recientemente, son complejas y especializadas, e implican una gran cantidad de trabajo y conocimiento institucional.
Mucha gente está tratando de usar ChatGPT y ver qué puede hacer. Si estás leyendo esto, probablemente también lo estés usando. Eso no significa que ChatGPT haya reemplazado su flujo de trabajo existente, y reemplazar o automatizar cualquiera de estas herramientas y tareas no será una obviedad.
Hay una gran diferencia entre una asombrosa demostración de tecnología transformadora y algo que una empresa grande y compleja puede usar).
Rara vez puede ir a un bufete de abogados y venderles una clave API para la traducción de GCP o el análisis de sentimientos: debe envolverlo en controles, seguridad, administración de versiones, privilegios de cliente y muchas otras cosas que solo las compañías de software legítimas saben sobre factores ( muchas empresas de aprendizaje automático han pasado por este cementerio durante la última década).
Por lo general, las empresas no pueden comprar "tecnología", Everlaw no vende servicios de traducción, People.ai no vende análisis de sentimientos, vende herramientas y productos, y la IA suele ser solo una parte de ellos. No creo que un indicador de texto, un botón de "inicio" y un motor de generación de texto de propósito general de caja negra no hagan un producto, y los productos toman tiempo para construirse.
Al mismo tiempo, la compra de herramientas para administrar cosas grandes y complejas lleva tiempo, incluso después de que las herramientas estén construidas y se ajusten al mercado de productos. Uno de los desafíos más fundamentales que enfrentan las empresas emergentes que crean software empresarial es que la empresa emergente promedio se ejecuta en un ciclo de 18 meses, y muchos ciclos de toma de decisiones empresariales se ejecutan en ciclos de 18 meses.
SaaS en sí mismo acelera el proceso porque no necesita entrar en un plan de implementación de centro de datos empresarial, pero aún necesita comprar, integrar y capacitar, y las empresas con millones de clientes y cientos de miles o millones de empleados tienen muy buenas razones. No cambies las cosas de repente. El futuro lleva tiempo y el mundo fuera de Silicon Valley es complicado.
El segundo argumento en contra es que el cambio de paradigma de ChatGPT y LLM se encuentra en parte en el nivel de abstracción: parece más una técnica más general. De hecho, es por eso que es emocionante. Se dice que puede responder a cualquier pregunta. Entonces, puede mirar ese gráfico de 473 aplicaciones SaaS empresariales y decir que ChatGPT dividirá y fusionará muchas aplicaciones verticales en una sola información sobre herramientas. Eso significa que será más rápido y más automatizado.
Creo que esto malinterpreta la pregunta. Si un socio de un bufete de abogados quiere un primer borrador de un documento, quiere poder dar forma a los parámetros de una manera completamente diferente, quizás con un conjunto de capacitación diferente y ciertamente con una herramienta diferente que cuando un vendedor de una compañía de seguros desafía a un afirmar.
Excel también es "universal", al igual que SQL, pero ¿cuántos tipos diferentes de "bases de datos" hay? Esta es una de las razones por las que creo que la dirección futura de LML (modelo de lenguaje grande) debería alejarse de la información sobre herramientas para las GUI y los botones: creo que la "ingeniería de sugerencias" y el "lenguaje natural" son contradictorios. Pero de cualquier manera, incluso estos envoltorios toman tiempo, incluso si puede ejecutar todo como un envoltorio delgado sobre un modelo base gigante (hay poco consenso o claridad al respecto).
De hecho, si bien se podría argumentar que los LLM reemplazarán muchas aplicaciones en un aspecto, creo que es muy probable que provoquen una nueva ola de deconstrucción en otros , ya que las nuevas empresas se derivan de Word, Salesforce y SAP. casos de uso y creación de empresas más grandes mediante la resolución de problemas que la gente ni siquiera sabía que eran problemas. Este proceso explica por qué las grandes empresas ya cuentan hoy con 400 aplicaciones SaaS.
Aún más fundamental es la tasa de error. ChatGPT puede intentar responder "cualquier pregunta", pero la respuesta puede ser incorrecta. La gente lo llama alucinaciones, fabricaciones, mentiras o tonterías: es el problema del "estudiante universitario con exceso de confianza". No creo que estos sean marcos útiles: creo que la mejor manera de entenderlo es que cuando escribe algo en un indicador, en realidad no le está pidiendo que responda una pregunta. En cambio, le estás preguntando: "¿Qué respuestas tienen las personas para preguntas similares?" Le estás pidiendo que coincida con un patrón.
Entonces, si le pido a GPT-4 que escriba una biografía sobre mí y luego le pregunto de nuevo, dará una respuesta diferente. Respondió que había estudiado en Cambridge, Oxford o LSE. Estos son siempre los patrones correctos: es el tipo correcto de universidad y trabajo (nunca dice MIT luego administración de restaurantes). Da una respuesta 100% correcta a la pregunta "¿Qué tipo de trabajo y título podría tener alguien como Benedict?" No está haciendo una búsqueda en la base de datos: está generando un esquema.
Puede obtener un escenario similar de MidJourney. La palabra clave fue "Una fotografía de publicistas discutiendo la creatividad en el escenario en un panel en una playa de Cannes Lions".
Coincidía con el patrón casi a la perfección: parecía la playa de Cannes, estas personas estaban vestidas como personalidades publicitarias, incluso el peinado era correcto. Pero no sabe nada, por lo que no sabe que las personas nunca tienen tres piernas, solo cree que es muy poco probable. No es "mentir" o "inventar cosas", es igualar imperfectamente un patrón.
Lo llames como lo llames, si no entiendes esto, podrías estar en problemas, como este desafortunado abogado que no entendió que cuando pedía un precedente, en realidad estaba pidiendo lo que parecía un precedente. Obtuvo lo que parecía un precedente, pero no lo fue. Esto no es una base de datos.
Si entiende esto, entonces debe preguntarse, ¿en qué situaciones son útiles los LLM? ¿En qué situaciones es útil tener estudiantes universitarios de automatización o pasantes de automatización que pueden repetir patrones, necesitan ser revisados? La última ola de aprendizaje automático te dio una cantidad infinita de becarios que podían leer cualquier cosa por ti, pero aún tenías que verificar; ahora tenemos una cantidad infinita de becarios que pueden escribir cualquier cosa por ti, pero aún debes verificar. Entonces, ¿en qué situaciones es útil tener un número ilimitado de becarios? Pregúntale a Dan Bricklin: volvemos a la paradoja de Jevons.
Esto obviamente me hace pensar en AGI. La objeción realmente básica a todo lo que acabo de decir es preguntar qué pasaría si tuviéramos un sistema que no tuviera tasa de error, ni alucinaciones, y que literalmente pudiera hacer cualquier cosa que un humano pudiera hacer. Si tuviéramos eso, es posible que no necesite un contador que pueda usar Excel para obtener el resultado de diez contadores: es posible que solo necesite la máquina. Esta vez, será realmente diferente. Las oleadas anteriores de automatización significaban que una persona podía hacer más, ahora no necesitas a esa persona.
Sin embargo, si no tiene cuidado, puede quedar atrapado en un bucle, como muchos problemas de AGI. " Si tuviéramos una máquina que pudiera hacer cualquier cosa que la gente haga, sin ninguna limitación
Bueno, es cierto, y si ese es el caso, podríamos tener problemas más grandes que el empleo de la clase media, pero ¿es eso siquiera cercano a la realidad? Podrías pasar semanas viendo videos de YouTube de tres horas de científicos informáticos discutiendo al respecto, solo para concluir que ellos tampoco lo saben.
También puede señalar que existe una pieza mágica de software que lo cambia todo y supera las complejidades de las personas reales, las empresas reales y las economías reales, y ahora se puede implementar en cuestión de semanas. Suena a solucionismo tecnológico clásico, pero pasó de la utopía a la distopía.
Sin embargo, como analista, prefiero el empirismo de Helm al de Descartes: solo puedo analizar lo que sabemos. No tenemos AGI, y sin él solo tenemos otra ola de automatización, y no parece haber ninguna razón a priori para pensar que esto debe ser más doloroso o más fácil que todos los cambios anteriores.