00:00:00 Kurzfassung der Forschungsarbeit von Harvard
00:00:32 ChatGPT-4-Studie mit BCG-Beratern
00:01:31 Erforschung der Auswirkungen von KI auf die Produktivität
00:02:31 Potenzial und Kritik der KI-Verdrängung
00:03:47 Breitere Auswirkungen von KI auf die Beschäftigung
Zusammenfassung
Conor Doherty von Lokad untersucht eine Harvard-Studie über die Auswirkungen von KI auf Bürojobs und enthüllt nuancierte Effekte. Die Forschung mit 758 Beratern bewertet die Rolle von KI bei der Steigerung der Produktivität, insbesondere im Supply Chain Management. Es stellt fest, dass KI die Leistung bei bestimmten Aufgaben verbessert, insbesondere mit Training, aber in komplexen Szenarien scheitern kann. Doherty kritisiert die enge Sichtweise der Studie auf KI als Ergänzung zur menschlichen Arbeit und argumentiert für ihr Potenzial, Aufgaben vollständig zu automatisieren und so die Produktivität zu revolutionieren und Büroarbeit neu zu definieren. Er warnt vor übermäßigem Vertrauen in die Arbeitsplatzsicherheit, da die volle Leistungsfähigkeit von KI die Beschäftigungslandschaft dramatisch verändern könnte.
Vollständiges Transkript
Conor Doherty: Bei der Navigation an der zerklüfteten technologischen Grenze zielt eine von der Harvard Business School veröffentlichte Forschungsarbeit darauf ab, Einblicke in die Auswirkungen von KI auf Produktivität und letztendlich Beschäftigung zu geben.
Heute werde ich drei Dinge betrachten: Erstens die Hypothese und Methoden der Arbeit; Zweitens die wichtigsten Ergebnisse und Schlussfolgerungen der Arbeit; und drittens die Sichtweise von Lokad. Fangen wir an.
Die Arbeit untersucht die Auswirkungen von KI auf komplexe, realistische und wissensintensive Aufgaben. Die KI war ChatGPT-4, ein großes Sprachmodell.
Die implizite Hypothese war, dass die Einführung von KI in die Workflows hochqualifizierter Fachleute zu Produktivitätssteigerungen führen wird. Die 758 beteiligten Personen waren Berater der Boston Consulting Group (BCG).
Die Forscher teilten die Teilnehmer in zwei Gruppen ein, wobei jede Gruppe eine einzigartige Aufgabe erhielt. Eine Aufgabe konzentrierte sich auf analytische Fähigkeiten, kreatives Schreiben, Überzeugungskraft und Schreibfähigkeiten, während sich die andere auf die Problemlösung durch die Kombination von quantitativen und qualitativen Daten konzentrierte.
Alle Teilnehmer absolvierten zunächst eine Baseline-Aufgabe ohne KI. Anschließend wurden die Teilnehmer in drei Gruppen unterteilt: eine Kontrollgruppe ohne KI, eine Gruppe mit KI und eine dritte Gruppe mit sowohl KI als auch Schulung, wie sie am besten genutzt werden kann.
Die Teilnehmer hatten zwischen 30 und 90 Minuten Zeit, um ihre Aufgaben zu erledigen, die darauf ausgelegt waren, solche in Beratungsunternehmen auf höchstem Niveau nachzuahmen.
Obwohl die Aufgaben so konzipiert waren, dass sie eine ähnliche Schwierigkeit aufwiesen, waren die Auswirkungen von KI recht unterschiedlich, was zu dem führte, was die Forscher als eine zerklüftete technologische Grenze bezeichneten.
Dies bezieht sich auf die Fähigkeit der KI, die menschliche Leistung bei einigen Aufgaben, die sich innerhalb der Grenze befinden, signifikant zu verbessern, aber die menschliche Leistung bei anderen Aufgaben, die sich außerhalb der Grenze befinden, zu beeinträchtigen.
Bei Aufgaben innerhalb der Grenze führte KI zu erheblichen Produktivitätssteigerungen. Beide KI-Gruppen schnitten besser ab als die Kontrollgruppe, und die Gruppe, die zusätzliches KI-Training erhielt, schnitt insgesamt am besten ab.
Der Produktivitätsschub war besonders wirksam für Personen, die in der unteren Hälfte der anfänglichen Baseline-Aufgabe punkteten, was darauf hindeutet, dass KI möglicherweise besonders vorteilhaft für gering qualifizierte Arbeitnehmer ist.
Für Aufgaben außerhalb der Grenze, wie die Kombination von quantitativer und qualitativer Analyse, schnitt die Gruppe, die sowohl KI als auch Training erhielt, am schlechtesten ab. Tatsächlich schnitt die Kontrollgruppe besser ab als beide KI-Gruppen, wobei ein signifikanter Unterschied zwischen der Kontrollgruppe und der Gruppe, die sowohl KI als auch Training erhielt, festgestellt wurde.
Die Autoren legen nahe, dass KI für Aufgaben innerhalb der Grenze sowohl die Produktivität als auch die Qualität dramatisch verbessern und möglicherweise sogar Menschen verdrängen kann. Für Aufgaben außerhalb der Grenze kann KI jedoch viel weniger effektiv sein.
Obwohl der Artikel sehr verständlich geschrieben ist, beruht er auf einem sehr schwerwiegenden methodischen Fehler. Es wurde nicht untersucht, welche Produktivität durch KI-Automatisierung erreicht werden kann. Stattdessen wurde KI als eine Art Co-Pilot behandelt, der von Menschen geführt wird.
Dies ist äußerst fehlerhaft, da es KI-Fähigkeiten künstlich einschränkt, insbesondere in Kombination mit anderen Techniken wie der retrieval-augmented generation.
KI kann automatisch Anfragen mit allen erforderlichen Informationen aus einer Datenbank erstellen, wie sie in Beratungsunternehmen auf höchstem Niveau verwendet werden. Dies würde die Leistung einer einzelnen Person bei weitem übertreffen und bei großem Maßstab weitaus profitabler sein.
Selbst wenn die Qualität der Antworten nur so gut wäre wie die der Kontrollgruppe, wären sie aufgrund der sehr geringen Kosten großer Sprachmodelle im Vergleich zum sechsstelligen Gehalt eines einzelnen Harvard-Absolventen immer noch dramatisch günstiger.
Dies ist die eigentliche Auswirkung von KI auf die Supply Chain und Beschäftigung: die beispiellosen Produktivitätssteigerungen durch Automatisierung sowohl bei quantitativen als auch bei qualitativen Aufgaben im großen Maßstab. Dies würde höchstwahrscheinlich die menschliche Leistung in Bezug auf Qualität übertreffen und sicherlich in Bezug auf die Investitionsrendite.
Indem sie diesen offensichtlichen Anwendungsfall ignoriert, vermittelt die Studie Menschen, die bereits besorgt über die potenziellen Auswirkungen von KI auf die Supply Chain und andere analytische Berufe sind, ein falsches und möglicherweise gefährliches Sicherheitsgefühl.
