A mesterséges intelligencia (MI) térnyerése mélyrehatóan átalakítja a munkaerőpiacot, és egyértelmű üzenetet közvetít: ami mérhető, azt az MI automatizálja. Ahogy a modellek egyre fejlettebbé válnak, minden feladat, ami adattá alakítható – a táblázatkezeléstől a terápiás ülésekig –, egyre inkább az automatizálás hatókörébe kerül. A vezetőknek fel kell készülniük erre a változásra, és azonosítaniuk kell azokat a feladatokat, amelyek a legnagyobb nyomás alá kerülnek, miközben az emberi kreativitás és ítélőképesség felértékelődik az igazán összetett, mérhetetlen problémák megoldásában.
- A jelenlegi MI-modellek már most is képesek megzavarni a munkaerőpiac szinte minden szegletét, a kreatív szakmáktól (írók, tervezők) az analitikus területekig (pénzügyi elemzők, könyvelők), sőt még a jog, az orvostudomány és az oktatás sem kivétel.
- Az automatizálás kulcsa a mérhetőség: ha egy feladat környezete definiálható, az adatok gyűjthetők, egy céljutalom meghatározható és elegendő számítási kapacitás áll rendelkezésre, akkor az MI megtanulja és reprodukálja a feladatot.
- Az emberi előny továbbra is az ítélőképességben, a „lovagias bizonytalanság” (Knightian uncertainty) kezelésében – azaz az olyan helyzetekben, ahol a kockázatok definiálatlanok és a valószínűségek nem rendelhetők hozzá – valamint az emberi érintés és az etikai szempontok fontosságában rejlik.
Amit mérnek, azt az MI automatizálja: Korszakváltás a munkaerőpiacon
A mesterséges intelligencia nem igényel sci-fi frissítést ahhoz, hogy felforgassa a gazdaságot – a jelenlegi modellek, valamint a már fejlesztés alatt álló, olcsóbb és fejlettebb verziók a munkaerőpiac szinte minden szegletét megbolygatják. Meglepő teljesítményük a szöveg, kép és videó terén megváltoztatja a munkavégzés módját az írók, tervezők, fotósok, építészek, animátorok és márkareklámosok kreatív soraiban, valamint a pénzügyi elemzők, tanácsadók, könyvelők és adóbevallás-készítők táblázatkezelő tömegében. Még a jog, az orvostudomány vagy az akadémia képzett bástyái sincsenek biztonságban: az MI képes hatalmas mennyiségű tartalmat átválogatni és személyre szabott tanácsokat vagy tananyagot nyújtani a mai költségek töredékéért – és gyorsan közelítő minőségben.
Nagy kérdések merülnek fel azzal kapcsolatban, hogy mennyire válnak még erősebbé az MI-eszközök – és milyen hamar. Az Anthropic-nál Dario Amodei és az OpenAI-nál Sam Altman azt állítja, hogy az általános mesterséges intelligencia (AGI) már csak egy-két évre van. A Meta-nál Yann LeCun szkeptikusabb, azzal érvelve, hogy a jelenlegi modellekből hiányzik a megalapozott fizikai megértés, a tartós memória, a koherens érvelés és a stratégiai előrelátás. Az Apple pedig új kutatásokat tett közzé, amelyek szerint a mai modellek csak a tréningadatok korlátai között teljesítenek. Ennek ellenére, még ha a fejlődés holnap le is állna, a diszrupció már javában zajlik.
Ahhoz, hogy navigálni tudjunk ebben az új környezetben, a vezetőknek meg kell érteniük – és tervezniük kell – hogyan fogja az automatizálás érinteni vállalkozásukat. Ez megköveteli annak megértését, hogy mely feladatok és felelősségi körök kerülnek a legnagyobb nyomás alá, és egy olyan útvonal kijelölését, amely felviszi a vállalatot az intelligencia értékláncán, mielőtt kifut az idő.
Mi az, ami nem áll fenn az automatizálás kockázatának?
Akadémiai kutatók és gyakorlati szakemberek széles körben vitatták, hogy mely munkahelyek és feladatok a leginkább sebezhetők az automatizációval szemben. Néhány fenyegetés nyilvánvaló: az önvezető járművek hamarosan milliók taxizását, busz- és teherautó-vezetését helyettesíthetik. Eközben a nyelvi fordítás, a kreatív írás, a tervezés és még a mindennapi kódolás nagy része is az MI-re hárul.
Februárban az Anthropic felfedő felhasználói statisztikákat osztott meg: bár a chat formátum természetesen az emberi kiegészítés felé tereli az embereket, a interakciók mintegy 43%-a már valamilyen automatizálást képviselt, ahol a felhasználók közvetlenül kérték az MI-t egy feladat elvégzésére, ahelyett, hogy segítséget kértek volna az ötleteléshez. Ez az arány tovább fog emelkedni, ahogy a moduláris MI-ügynökök belépnek a munkaerőpiacra, adatokat cserélve és feladatokat koordinálva olyan protokollokon keresztül, mint az MCP. A kiterjedten mért vagy kodifikált környezetek – legyen szó törvényekről, adótörvényekről, megfelelőségi protokollokról vagy szenzoradat-folyamokról – néznek szembe a legnagyobb rövid távú kockázattal, hogy gépeknek adják át őket.
Az MI kutatás úttörői, Ajay Agrawal, Joshua Gans és Avi Goldfarb 2018-ban azt állították, hogy az MI fejlődésével az emberi előny utolsó bástyája az ítélőképesség lesz – a képesség, hogy mérlegelje a lehetőségeket és döntéseket hozzon bizonytalanság esetén. Ez az elgondolás azonban lehetetlen házi feladatot ad nekünk: pontosan meghatározni, mi minősül ítélőképességnek bármely adott pillanatban.
Azok a feladatok, amelyek ma emberi ítélőképességet igényelnek – orvosi kezelés kiválasztása, jogi szerződés felülvizsgálata, a Zeitgeistot megragadó film forgatókönyvének megírása – hamarosan az MI-re szállhatnak át, ahogy a modellek gazdagabb adatbázisokra és nagyobb számítási teljesítményre támaszkodnak. A legújabb kutatások szerint azt sem feltételezhetjük, hogy az emberek mindig egy emberi terapeutát, tanácsadót vagy mediátort fognak preferálni. Egy MI-s megfelelő éjjel-nappal működhet, a költségek töredékéért, és – néhány emberi szupersztártól eltekintve – konzisztensebb minőséget kínálhat.
Tehát, hogyan tudjuk elkülöníteni azokat a feladatokat, amelyeket az MI automatizálni fog, azoktól, amelyekhez új áttörésekre lesz szükség az MI-technológiában? A válaszhoz vissza kell térnünk az alapelvekhez, és újra kell gondolnunk, hol is kezdődött minden.
A laboratóriumi versenytől az ipari forradalomig
A 2000-es évek közepén Fei-Fei Li számítástechnikus látta, hogy a számítógépes látás területén, amely a számítógépek „látásának” és képek értelmezésének képességére összpontosít, szűk keresztmetszettel kellett megküzdeni: az algoritmusok „pixelekben éheztek”, túl kevés vizuális adatot nyeltek el ahhoz, hogy emberi teljesítményt érjenek el. Az ő megoldása üdítően nyers erőre épült: megépítette az ImageNet-et – egy hatalmas, gondosan címkézett képgyűjteményt, amelyet az Amazon Mechanical Turk segítségével állítottak össze. De az igazi zseniális húzása 2010-ben jött el, amikor egy globális ranglistát csatolt az adatkészlethez – a képfelismerést gladiátori versennyé változtatva a kutatók számára.
Két évig az éves ranglista lassan haladt előre.
Aztán, 2012-ben Alex Krizhevsky, Ilya Sutskever és Geoffrey Hinton elsöprő győzelmet aratott a versenyen. Két, polcról levett NVIDIA GTX 580 grafikus kártyával a torontói trió néhány nap alatt képes volt áttörő konvolúciós neurális hálózatot betanítani – ez az úttörő megközelítés bizonyította, hogy a számítógépes látás történetét meg lehet hajlítani egy diák-költségvetéssel.
Ez a pillanat vetett véget az évtizedekig tartó MI télnek, a neurális hálókat a fejlődés középpontjába helyezte, és felfedte azt a „forgatókönyvet”, amelyen a terület még mindig fut. Először gyűjtsük össze a releváns adatokat – az ImageNet esetében körülbelül 14 millió címkézett képet. Ezután támaszkodjunk a metrikákra a progresszió számszerűsítéséhez és meghajtásához. Végül árasszuk el a modellt adatokkal és GPU-erővel, amíg az magától meg nem tanulja, egy olyan formula, amely az MI-t az objektumok kategorizálásától a folyékony próza írásán át, és legutóbb a mai feltörekvő „gondolkodó” rendszerekben az érveléshez, tervezéshez és külső eszközök használatához is eljuttatta.
Adat, Jutalom, Számítási Kapacitás
Az a keretrendszer, amely a képfelismerési áttörést mozgatta, sokkal általánosabb, mint azt a legtöbben gondolják. Akkor hívható elő, amikor a) képesek vagyunk definiálni a feladatkörnyezetet és összeállítani az adatait – legyen az szöveges korpusz, képek és videók tárháza, naplózott vezetési kilométerek, vagy robotérzékelők adatfolyamai; b) meghatározni egy célteljesítményt, legyen az explicit („a modell megjósolta a következő szót?”) vagy implicit (emberi viselkedés megfigyeléséből következtetve); és c) biztosítani a számítási teljesítményt, hogy a rendszer iterálódhasson.
Ha ezt a három összetevőt egymásra helyezzük, egy általános célú automatizációs motort kapunk. Két adat trend gyorsítja fel most a folyamatot. Először, a modellek korlátlan szintetikus példákat tudnak generálni – például virtuális „vezetési kilométereket” hozhatnak létre, amelyek lefednek minden furcsa forgatókönyvet, ahelyett, hogy valós vezetőktől származó adatokra támaszkodnának. Másodszor, az MI egyre inkább különböző eszközökön és érzékelőkön keresztül kerül bevetésre – telefonokon, autókban és máshol –, mint alacsony költségű felmérő, amely rögzíti és számszerűsíti azokat a valós jeleket, amelyek korábban túl drágák vagy kivitelezhetetlenek voltak a méréshez.
Ha egy jelenséget számokká tudunk alakítani, az MI megtanulja és tömegesen reprodukálja – és a technológia folyamatosan csökkenti ennek az átalakításnak a költségét, így a mérés olcsóbbá, gyorsabbá és észrevétlenül beleszövődik mindenbe, amihez hozzányúlunk. Több dolog válik megszámlálhatóvá, a kör újraindul, és a modell visszatér a továbbiakért. Ez azt jelenti, hogy minden olyan munka, ami mérhető, elméletileg automatizálhatóvá válik.
A mérés túl olcsó ahhoz, hogy mérjék
Zvi Griliches közgazdász 1957-es, a hibrid kukorica terjedéséről szóló mérföldkőnek számító tanulmánya éles képet ad arról, mi következik. A gazdák először csak a legjobb földjeiken ültettek drága vetőmagot – ahol a hozamnövekedés könnyen fedezte a többletköltségeket és az új termék használatának tanulási görbéjét. Ahogy a hibridek javultak és a hír terjedt, még a kis árrésű földek is hamarosan átlépték a haszon-költség küszöböt. Az MI-vel a dolgok mérésébe fektetett beruházás ugyanezt a megtérülési görbét követi. Amikor a valóság adatokká alakítása drága, a vállalatok általában csak a „címlapra kívánkozó” esetekbe fektetnek be – hitelkártya-csalás, algoritmikus piacépítés, sugárhajtómű-előrejelzések.
De az MI most drasztikusan csökkenti a pontos mérés költségeit, így a folyamatos, finom szemcséjű érzékelés lesz az alapértelmezett. Könnyű modellek futnak az érzékelők mellett, csökkentve a sávszélességet és a késleltetést, míg a szintetikus adatok kitöltik a hiányokat, amikor a valós világ lassú vagy kényelmetlen a rögzítéshez. Minden extra tizedesjegy gyorsan megtérül: az apró hibacsökkentések, amelyek milliók MI-vezérelt döntésében halmozódnak, gyorsan összeadódnak. Ahogy a pontos mérés olcsóbbá válik, egyre vékonyabb haszonáramok válnak életképessé, és a korábban túl jelentéktelennek tartott feladatok is bekerülnek az automatizálási hálóba.
Nemcsak azzal nézünk szembe, hogy hamarosan „mérhetetlenül olcsó” intelligenciával rendelkezünk, hanem egyre többet is fogunk mérni a világból, hogy bővítsük – és folyamatosan fejlesszük – azt, amit ez az intelligencia elérhet. Már a „mesterséges metrika intelligencia” korszakában élünk, ahol bármi, amit számszerűsíteni tudunk, gyorsan sorra kerül az automatizálásban.
Virágzás az ismeretlen ismeretlenek ellenére
Az emberek evolúciós generalisták, arra szelektálva, hogy félkész térképeken navigáljanak. Nem csupán túlélik az ismeretlen ismeretleneket – virágoznak rajtuk, és ez a rugalmasság a meghatározó előnyünk. Számtalan generáción át finomhangoltuk hangszálainkat és szociális agyunkat, amíg meg nem jelent a nyelv – megnyitva az ajtót az összesített tudás, az absztrakt érvelés és a szimbolikus gondolkodás előtt. Innentől kezdve túlléptünk biológiai korlátainkon, olyan eszközöket kovácsoltunk, amelyek kiterjesztették érzékszerveinket, bővítették memóriánkat és megsokszorozták képességeinket.
De az előnyünk sarokköve a rendkívül plasztikus, sűrűn huzalozott prefrontális agykérgünk. Ez a neurális parancsnoki központ lehetővé teszi számunkra, hogy végtelen „mi lenne, ha” forgatókönyveket pörgessünk, ellenkező jövőket próbáljunk ki, és azonnal stratégiát váltsunk, amint a körülmények megváltoznak. Egy valódi szingularitás hiányában még a kvantumszámítógépek is küzdeni fognak, hogy felvegyék a versenyt a nyitott, több domainre kiterjedő ellenforgatókönyv-tervezési képességünkkel.
Ahogy az MI felgyorsítja a fejlődést, új „ismeretlen ismeretleneket” hoz létre, így térképeinket folyamatosan újra kell rajzolni. Eközben rutinná teszi a kiszámíthatót – ahogy a gépesített gazdálkodás kiemelt minket a létfenntartásból –, felszabadítva több ellenforgatókönyves agykapacitásunkat magasabb szintű problémákra.
Az MI nehezen boldogul olyan területeken is, ahol a mérés szinte lehetetlen – lásd az Event Horizon Telescope évtizedekig tartó, világméretű erőfeszítését, hogy egyetlen fekete lyuk képet rögzítsen, és az extrém léptékű fizika, a Föld mélyköpenyének és az abisszális óceánok, vagy az emberi agyban zajló élő sejtes interakciók feltárásának még mindig megoldatlan kihívásait. Az is hátrányba kerül, ahol a mérést a magánélet, az etika vagy a szabályozás korlátozza; ahol a társadalom átlátható érvelést igényel – legalábbis amíg a modell értelmezhetősége utol nem éri; és ahol az emberek egyszerűen jobban kedvelik az emberi érintést. Azonban, ahogy a hibrid kukorica elfogadásánál, a jövő generációi továbbra is újraértékelik ezen tényezők költség-haszon számítását – és nagyon eltérő következtetésekre juthatnak, mint a mieink.
De egy döntő kivétel lehet a mérhető dolgok körében: azok a feladatok, amelyek ellenállnak a számszerűsítésnek, mert az eredményük alapvetően ismeretlen – a Knight-féle bizonytalanság (Knightian uncertainty) birodalma, ahol nem lehet valószínűségeket rendelni, mert maguk a kockázatok is definiálatlanok. Egy startup méretezése, tőke vagy tehetség allokálása rendkívül bizonytalan vállalkozásokba, egy új kórokozó megfékezése, központi banki politika meghatározása pénzügyi rendszerátalakulás idején, MI etika kidolgozása, új művészeti médium feltalálása, divattrend beindítása, vagy új, műfajokat áthágó kasszasiker létrehozása – mind olyan zónákban helyezkednek el, ahol a valószínűségek eltűnnek. Néhány alkotói cselekedet és felfedezés alig több, mint a megszokott okos újrarendezése, de az igazán ambiciózus dolgok egyedi képességünktől függnek, hogy valóban új és komplex ellenforgatókönyves világokat képzeljünk el.
A lista folyékony – a feladatok eltűnnek abban a pillanatban, amikor mérhetővé válnak, és újak bukkannak fel éppolyan gyorsan. Minden változás fájdalmas gazdasági és társadalmi kiigazításokat kényszerít ki, még több munkát szorítva egy szupersztár-gazdaságba, amely a kreativitás, a tehetség és a tőke csúcsain koncentrálja a túlzott jutalmakat. Az MI azonban paradox ajándékot kínál: az oktatás demokratizálásával és mindenki személyes másodpilótájaként minden eddiginél több embernek adja meg az eszközöket ahhoz, hogy elérje ezeket a csúcsokat. Maguk a munkahelyek is folyamatosan fejlődnek, és minden áttörés, ami az ismeretlent számszerűsíthetővé alakítja, mém-sebességgel terjed és utánozhatóvá válik.
A szervezeteiket ezen a viharos átmeneten keresztül vezető vezetők számára mi rejlik a táblázatokon túl? Minden, ami nem fér bele egy cellába: azok a képességek, amelyek nem hajlandók számba venni, a nyitott problémák, amelyekre nincs megbízható precedens, az immateriális javak – a bizalom, az ízlés, a minőség és a tapasztalat finom dimenziói – és a meggyőződés, hogy tovább kell haladni, még akkor is, ha minden mérőszám „várakozást” jelez. Csak azt irányítsa, amit mérni tud, és feladja a legértékesebb területet azoknak a riválisoknak, akik azt ápolják, amit nem lehet számba venni. Amar Bose, a Bose Corporation alapítója, hang- és villamosmérnök bebizonyította a lényeget: míg mások a specifikációs számokat imádták, ő arra összpontosított, hogyan szól a zene az emberek számára valós szobákban – egy olyan minőségre, amelyet egyetlen létező metrika sem tudott megragadni –, és ezzel átírta az audioipar szabályait.
Irányadóan az előírás egyszerű. Támogassuk a vadkártya-tényezős fogadásokat homályos ROI-val, jutalmazzuk azokat a csapatokat, amelyek újrafogalmazzák a problémákat és belevetik magukat az ismeretlenbe, és forgassuk a tehetségeket olyan szerepekben, amelyek szembesülnek a bizonytalansággal a K+F, az új piacok és az összetett ügyfél-, partner- és politikai interakciók területén. Alakítsunk ki pihenőidőt, és szervezzünk csapatok közötti „ütközéseket” a véletlenszerűség és az ötletkombinációk szikrájának elősegítésére. Tekintsük ezeket a tervezett kétértelműségi zsebeket nem kötelezettségnek, hanem stratégiai eszköznek.
Csak azok a vezetők lesznek készen a következő váltásra, akik figyelmet fordítanak arra, ami mérhető – és ami még fontosabb, arra, ami makacsul nem az.
Forrás: https://hbr.org/2025/06/what-gets-measured-ai-will-automate