تاثیر هوش مصنوعی بر صرفه جویی در هزینه، بهره وری و مشاغل

در حالی که شرکت های کوته فکر ممکن است برای کاهش مشاغل و هزینه ها به هوش مصنوعی نگاه کنند، شرکت های هوشمند از هوش مصنوعی برای افزایش بهره وری و چابکی استفاده خواهند کرد. درست همانطور که با منبع باز و ابر انجام دادند.

برای شرکت‌هایی که در نظر دارند چگونه از هوش مصنوعی برای حذف مشاغل و کاهش هزینه‌ها استفاده کنند، آیا می‌توانم صریح باشم؟ شما این کار را اشتباه انجام می دهید.

اخیراً گلدمن ساکس گزارش که نشان می دهد ممکن است تا ۳۰۰ میلیون شغل در پی هوش مصنوعی کاهش یابد و نشان می دهد که [R] تقریباً دو سوم از مشاغل فعلی در معرض درجاتی از اتوماسیون هوش مصنوعی قرار دارند و… هوش مصنوعی مولد می تواند تا یک چهارم کار فعلی را جایگزین کند. مطمئن. شاید. این کاملاً ممکن است که اسکروج های کوته فکر در مجموعه اجرایی به دنبال راه هایی برای کاهش مشاغل باشند تا در هزینه خود صرفه جویی کنند.

اما این پول هوشمند نصیب شرکت‌هایی می‌شود که با استفاده از هوش مصنوعی (GenAI) و سایر ابزارهای مبتنی بر هوش مصنوعی، راه‌هایی برای بهره‌وری بیشتر کارکنان خود پیدا می‌کنند. همانطور که جرمی دووال (Jeremy Duvall) از InfoWorld جزئیات را بیان کرده است، ما آن را با توسعه نرم افزار می بینیم. اما این فقط توسعه دهندگان نیستند. برای طیف گسترده ای از عملکردها، هوش مصنوعی از قبل آماده است تا افرادی را که استخدام می کنید، افزایش دهد. بنابراین به جای کاهش هزینه ها به نصف، چرا بهره وری را دو برابر نکنید؟

صرفه جویی در پول بد نیست. این فقط یک راه بسیار محدود برای فکر کردن در مورد فناوری است. بسیاری از مهم ترین روندهای فناوری در ۳۰ سال گذشته (متن باز، ابر و غیره) در ابتدا به عنوان راهی برای صرفه جویی در هزینه به بازار عرضه شدند، اما به سرعت تکامل یافتند و بسیار بیشتر شدند. برای مثال، در سال ۲۰۰۸، دو سال پس از راه اندازی AWS، وب سایت این شرکت با افتخار گفت که AWS “مقرون به صرفه ترین راه برای ارائه برنامه شما به مشتریان است.” با این حال، تا سال ۲۰۱۵، اندی جاسی، مدیر عامل AWS گفت که، بله، ابر هزینه کمتری دارد، “اما آنچه [مشتریان] واقعاً به آن اهمیت می دهند چابکی است.”

این پیام چابکی همچنان در جلو و مرکز قرار دارد، حتی به تعداد سوال این ادعا که ابر ارزان تر است. برای مشتریان ابر باهوش، این چابکی سود بسیار بیشتری نسبت به به جیب زدن چند دلار بیشتر دارد.

در میان چیزهای دیگر، ابر، منبع باز و اکنون هوش مصنوعی همگی قول می‌دهند که اصطکاک را از زندگی توسعه‌دهندگان حذف کنند. بله، منبع باز برای دانلود رایگان است، اما هزینه واحد آن نکته مهمی نیست. در عوض، این واقعیت که توسعه دهندگان می توانند به راحتی به نرم افزار دسترسی داشته باشند و بدون گذراندن فرآیندهای خرید دست و پاگیر، از آن استفاده کنند، اهمیت بسیار بیشتری دارد. بله، این کمک می کند که عرضه گسترده نرم افزار منبع باز از کیفیت فوق العاده بالایی برخوردار باشد، اما همیشه اینطور نبود. در حالی که اولین پذیرندگان ممکن است به آزادی نرم‌افزار اهمیت می‌دادند، اکثریت جریان اصلی برای دستیابی به چابکی بیشتر، متن باز را خریداری کردند.

این مهم است زیرا توسعه دهندگان اهمیت دارند. زمان آنها مهم است. همانطور که من نوشته ام، “سخت افزار (یا نرم افزار) یک کالا است – مردم ارزشمند هستند.” برای شرکت‌هایی که در یافتن راه‌های بهتر برای دستیابی، تعامل و خدمات رسانی به مشتریان (بخوانید: همه شرکت‌ها) به چالش کشیده می‌شوند، بهره‌وری توسعه‌دهنده ضروری است. همچنین این انحصاری برای توسعه دهندگان نیست. افرادی که در شرکت شما استخدام می شوند بزرگترین دارایی شما هستند. از بازاریابی گرفته تا فروش و پشتیبانی و توسعه و تامین مالی، باید تاثیری که هر کارمند می تواند داشته باشد را به حداکثر برسانید. بنابراین، وظیفه شما در درجه اول یافتن راه هایی برای کاهش هزینه ها نیست، بلکه افزایش بهره وری است.

که ما را به هوش مصنوعی می‌برد.

AI پاسخ است. سوال چیست؟

توسعه دهندگانی مانند Simon Willison نشان داده اند که ابزارهای کدنویسی GenAI مانند GitHub Copilot چقدر می توانند در بهبود تجربه توسعه نرم افزار موثر باشند. در عین حال، چنین ابزارهایی به سادگی نمی توانند جایگزین توسعه دهندگان شوند، زیرا، همانطور که مارتین هلر می نویسد، “[Y]شما هرگز نمی توانید فرض کنید که کد تولید شده توسط هوش مصنوعی از هر نوعی صحیح یا کارآمد است، یا حتی این که کامپایل و اجرا شود.» به این ترتیب، “شما همیشه باید کدهای تولید شده توسط هوش مصنوعی را مانند یک درخواست کششی از یک برنامه نویس ناشناس در نظر بگیرید، به این معنی که قبل از اینکه بخشی از برنامه خود کنید، آن را بررسی کنید، آزمایش کنید و اشکال زدایی کنید.”

به این فکر کنید: ابزارهای GenAI می‌توانند ۸۰ درصد از کار را انجام دهند و به توسعه‌دهندگان اجازه می‌دهند تا برای ۲۰ درصد آخر وقت صرف کنند.

در رشته‌های دیگر، تقریباً همین‌طور است. برای مثال، دفتر ملی تحقیقات اقتصادی پیدا کرد که خدمات مشتری عواملی که از هوش مصنوعی استفاده می کردند ۱۴ درصد بیشتر از آنهایی که از این ابزار استفاده نمی کردند بهره وری داشتند، زیرا می توانستند مشکلات پشتیبانی بیشتری را حل کنند. برخی از افرادی که این را می خوانند ممکن است فکر کنند، “وای. اکنون می توانم ۱۴ درصد از نمایندگان خدمات مشتری خود را اخراج کنم!» اما باز هم این موضوع را از دست می دهد. این به این معنا نیست که به همان میزان کار را با افراد کمتر انجام دهید، بلکه به این معناست که تعداد یکسانی از افراد را قادر به انجام کارهای بسیار بهتر می کند.

این «کار بهتر» صرفاً به معنای تولید بیشتر نیست. من در مورد اینکه چگونه تثبیت بر افزایش سرعت توسعه می‌تواند شرکت‌ها را نسبت به اهمیت بیشتر ارائه پروژه‌های کمتر اما تاثیرگذارتر کور کند، صحبت کرده‌ام. در این مثال، هوش مصنوعی می‌تواند به حفظ سطح بالایی از خروجی کمک کند و در عین حال اطمینان حاصل شود که توسعه‌دهندگان (یا پشتیبانی فنی، ویرایشگرهای کپی و غیره) زمان بیشتری برای بررسی چه چیزی باید ایجاد کنند، داشته باشند. هوش مصنوعی آن زمان آنها را می خرد.

برای کارفرمایان، واضح است که هوش مصنوعی به طور فزاینده ای برای افزایش بهره وری نیروی کار ضروری است. برای کارمندان، به همان اندازه واضح است که، هر شغلی که باشد، باید نحوه ترکیب هوش مصنوعی را بیابید تا خروجی بیشتری و بهتر ارائه دهید. اگر آزمایش ChatGPT، Stable Diffusion، GitHub Copilot یا دیگر ابزارهای هوش مصنوعی را شروع نکرده‌اید، هیچ زمانی بهتر از همین الان نیست.