Mitä, kun kaikki käyttävät tekoälyä — mikä meissä enää erottaa toisistaan?

Viime vuodet olemme opetelleet käyttämään tekoälyä. Olemme kirjoittaneet parempia prompteja, vertailleet malleja, rakentaneet omia GPT:itä, automatisoineet työtä ja miettineet, mitä kaikkea tällä teknologialla voisi tehdä.

Kaikki tämä on johtanut minut kysymään: onko varsinainen kilpailuetu enää siinä, kuka osaa käyttää sitä teknisesti parhaiten?

Tekoälyosaamisesta on pian tulossa perustaito.

Kun lähes kaikilla on käytössään riittävän hyvä tekoäly, kiinnostava kysymys on toinen: mitä sinulla itselläsi on tuotavana yhteistyöhön sen kanssa?

Tätä ajatusta tukee elokuussa julkaistu tutkimus AI as Equalizer or Amplifier, jossa tarkasteltiin asiantuntijuuden merkitystä tekoälyn kanssa tehtävässä työssä.

Tutkijat jakoivat ihmisen panoksen kolmeen osaan: ongelman määrittelyyn, tuotoksen laadun arviointiin ja sen iteratiiviseen kehittämiseen.

Monimutkaisemmissa tehtävissä ratkaisevaksi ei noussutkaan prompt engineering -osaaminen vaan domain expertise — kuinka hyvin ihminen oikeasti ymmärtää sen asian, jonka kanssa hän työskentelee.

Tutkimuksen mukaan tekoäly voi yksinkertaisissa ja hyvin määritellyissä tehtävissä tasata aloittelijan ja asiantuntijan välistä eroa. Kun tehtävä muuttuu monimutkaisemmaksi ja vaatii syvempää harkintaa, kontekstin ymmärtämistä ja arviointikykyä, tekoäly voi tehdä päinvastoin: vahvistaa jo olemassa olevia osaamiseroja.

Tämä on aika iso ero siihen keskusteluun, jota tekoälyn ympärillä olemme viime vuodet käyneet. Olemme puhuneet paljon siitä, miten prompt engineering toimii. Olisiko seuraava aihe puhua enemmän siitä, kuinka paljon tekoälyn käyttäjän täytyy itse tietää?

Jos pyydän tekoälyä analysoimaan palveluprosessia, se voi tehdä ensimmäisen analyysin sekunneissa. Se osaa löytää pullonkauloja, ehdottaa mittareita, ryhmitellä ongelmia ja verrata vaihtoehtoja.

Mutta jos tunnen kyseisen toiminnan — ihmiset, järjestelmät, historian, asiakkaat ja ne pienet arjen poikkeukset eli sen hiljaisen tiedon, jota ei ole kirjoitettu mihinkään prosessikuvaukseen — katson samaa vastausta aivan eri tavalla.

Tiedän ehkä, että yksi sen ehdottamista ratkaisuista näyttää paperilla erinomaiselta mutta ei tulisi koskaan toimimaan käytännössä. Huomaan oletuksen, joka ei pidä meidän ympäristössämme paikkaansa. Osaan kysyä seuraavan kysymyksen, jota ihminen ilman tätä taustaa ei välttämättä edes tiedä kysyä.

Tekoäly ei voi käyttää tällaista kokemusta puolestani, jos en tuo sitä keskusteluun.

Niinpä tekoälyn aikakausi ei vähennä kokemuksen merkitystä sillä tavalla kuin välillä annetaan ymmärtää. Mielestäni se tekee kokemuksesta arvokkaampaa.

Hyvältä näyttävästä tulee halpaa

Toinen muutos liittyy tekoälyn tuottaman työn laatuun.

Tekoäly on tehnyt keskinkertaisen hyvän työn tuottamisesta hämmästyttävän helppoa. Tekstistä saa sujuvan. PowerPointista saa upean näköisen. Strategiapaperiin saa oikeat termit. Analyysi voidaan kirjoittaa sellaisella varmuudella, että se näyttää nopeasti luettuna täysin asiantuntevalta.

TIME käsitteli elokuussa Villanova Universityn tutkimusta, jossa tekoälyn tuottamat lyhyet tarinat arvioitiin keskimäärin ihmisten kirjoittamia tarinoita laadukkaammiksi ja mukaansatempaavammiksi. Ihmisillä oli myös vaikeuksia tunnistaa, mitkä tekstit olivat tekoälyn kirjoittamia.

Tutkijat nostivat esille kiinnostavan mahdollisen selityksen. Mallien tuotoksia optimoidaan jatkuvasti sen perusteella, mistä ihmiset pitävät. Lopputulos voi siksi olla selkeä, helposti prosessoitava ja mahdollisimman laajasti miellyttävä.

Samassa jutussa Stony Brook Universityn Cameron Jones kuvasi ihmisten kirjoittamista tavalla, josta pidin paljon: ihmiset ovat omituisia ja idiosynkraattisia. Olemme erilaisia. Emme kirjoita samalla tavalla emmekä pidä samoista asioista.

Juuri siksi ihmisen tekemä sisältö voi joskus olla vaikeampaa. Mutta se voi myös olla jotain poikkeuksellista, mitä mahdollisimman yleisesti miellyttävä malli ei olisi koskaan valinnut.

Minusta tässä on kyse paljon kirjoittamista suuremmasta asiasta.

Jos tekoäly osaa tuottaa loputtoman määrän hyvää, turvallista ja järkevää, arvo alkaa siirtyä siihen, kuka osaa päättää, mikä on kiinnostavaa.

Kuka tunnistaa eron sujuvan ja merkityksellisen välillä? Kuka katsoo kymmentä hyvää vaihtoehtoa ja huomaa, ettei yksikään niistä vielä riitä?

Forbesin Andy Molinsky kirjoitti elokuussa viidestä ihmisen ominaisuudesta, joiden merkitys hänen mukaansa kasvaa tekoälyn rinnalla: harkinta, mielikuvitus, korkeat laatustandardit, empatia ja laatutaju.

Laatutaju ei tarkoita esteettistä silmää tai henkilökohtaista tyyliä. Se tarkoittaa kokemuksen myötä muodostunutta käsitystä siitä, miltä hyvä näyttää omalla alalla.

Kykyä huomata, että tekstissä ei ole mitään vikaa, mutta se ei silti kerro mitään. Että konsepti toimii teoriassa mutta tuntuu väärältä. Että ensimmäinen ratkaisu täyttää tehtävänannon, mutta parhaaseen lopputulokseen on vielä pitkä matka.

Tällaista osaamista on vaikea puristaa yhdeksi promptiksi, koska suuri osa siitä on rakentunut vuosien aikana.

Vakuuttava vastaus ei ole sama asia kuin oikea vastaus

Tässä tulee vastaan myös tekoälyn käytön vaikeampi puoli. Mitä paremmiksi järjestelmät tulevat, sitä helpompi niihin on luottaa.

Elokuussa Computers in Human Behavior: Artificial Humans -julkaisussa ilmestyneessä tutkimuksessa havaittiin, että mitä enemmän päätöksentekoa automatisoitiin, sitä enemmän vastuuta siirtyi käyttäjän kokemuksessa pois ihmiseltä kohti AI-järjestelmää. Korkeaksi koettu järjestelmän luotettavuus vähensi lisäksi ihmisten omaa tiedonkäsittelyä.

Toinen elokuussa Decision Support Systems -julkaisussa ilmestynyt tutkimus tarkasteli ihmisen kokemaa vastuuta generatiivisen tekoälyn kanssa tehtävässä työssä. Siinä suurempi koettu vastuu oli yhteydessä vähäisempään virhemäärään AI-avusteisessa työssä.

Mikä on tärkeää nyt?

Tekoälyn käyttämisessä ei ole kyse vain siitä, kuinka paljon sillä voidaan tehdä. Yhtä kiinnostavaa on se, mitä ei kannata lakata tekemästä itse.

Jos luovun vähitellen ongelman määrittelystä, lähteiden tarkistamisesta, omasta ensimmäisestä ajatuksesta, laadun arvioinnista ja lopullisesta päätöksestä, minulle voi kyllä jäädä erittäin tehokas työprosessi.

Mutta samalla olen saattanut ulkoistaa juuri niitä kohtia, joissa oma asiantuntijuuteni kehittyy.

Ihminen ja tekoäly eivät ole vastustajia

Tässä keskustelussa mennään helposti toiseen ääripäähän ja aletaan puolustaa ihmistä teknologiaa vastaan.

Sekään ei minusta ole kovin kiinnostava asetelma.

Cambridge University Pressin julkaisemassa Proceedings of the Design Society -tutkimuksessa verrattiin tekoälyn, ihmisasiantuntijoiden ja näiden yhdistelmän tekemiä konseptiarvioita.

AI-arvioinnit olivat keskenään melko yhdenmukaisia. Lähimmäksi ihmisasiantuntijoiden arvioita päästiin kuitenkin hybridimallissa, jossa tekoälyn tuottama arvio yhdistettiin asiantuntijan tulkintaan. Tutkijoiden johtopäätös oli, että tekoälyn arviointikyvystä on hyötyä, mutta ihmisen osallistuminen säilyi olennaisena.

Minusta juuri siinä on seuraavan vaiheen kiinnostavin mahdollisuus: mitä tapahtuu, kun molemmat tekevät sitä osaa työstä, jossa ovat vahvoja.

Tekoälyn valtava etu on mittakaava. Se pystyy käymään läpi enemmän tietoa kuin minä, tuottamaan enemmän vaihtoehtoja kuin minä, etsimään yhteyksiä asioiden väliltä ja haastamaan ensimmäistä ajatustani väsymättä.

Minä tuon mukaan kokemuksen, jota tekoälyllä ei ole. Tunnen ympäristön, jossa ratkaisu toteutetaan. Ymmärrän ihmiset, joihin se vaikuttaa. Huomaan, mitä aineistosta puuttuu. Kyseenalaistan vastauksen silloin, kun oma kokemus sanoo, ettei paperilla tehokkaalta näyttävä ratkaisu ole paras.

Lopuksi täytyy kantaa vastuu siitä, mitä tehdään.

Ehkä olemme siis kysyneet tekoälystä vähän väärää kysymystä. On edelleen tärkeää opetella käyttämään uusia malleja ja ymmärtää, mitä niillä pystyy tekemään. Tekoälyosaaminen tulee varmasti olemaan työelämän perustaitoja.

Mutta juuri siksi se ei ehkä enää yksinään ole kovin kiinnostava erottautumistekijä.

Kun lähes kaikilla on käytössään hyvä tekoäly, huomio siirtyy väistämättä takaisin käyttäjään.