Prije dvije i pol godine, na prvom kolegiju iz strojnog učenja na Bostonskom sveučilištu, pitala sam profesora što je ključno ako zbilja želim napredovati u tom području. Profesor, Iranac s laganim naglaskom i strpljenjem nekoga tko je čuo ovo pitanje stotinu puta, pogledao me i bez oklijevanja rekao: naučite Python.

Tada sam koristila R, statistički programski jezik koji sam poznavala kao pet prstiju, no nije bilo mnogo izbora. Svi kolegiji zahtijevali su Python, pa nije bilo druge – morala sam se baciti na učenje. Od tada su prošle dvije i pol godine, pri sam kraju studija, i upravo kod tog istog profesora polažem kolegij iz naprednih neuronskih mreža, onih istih koje su u pozadini ChatGPT-ja i Claudea, a koje postoje zahvaljujući nekoliko biblioteka u Pythonu.

U godinu dana – drastična transformacija

Da sam prije dvije i pol godine polagala taj kolegij, morala bih se osloniti samo u vlastitu sposobnost kodiranja. AI alati su tada jedva mogli proizvesti nekoliko linija korisnog koda odjednom. No još prošlog proljeća svi koji su se koristili AI alatima za kodiranje mogli su primijetiti da su AI proizvodi u stanju proizvesti dio po dio koda, a da te dijelove zatim treba ispravljati, testirati i na kraju usklađivati u cjelinu.

Međutim, negdje krajem prošle godine, AI modeli su dosegli razinu na kojoj oni mogu samostalno napisati čitav kod, od prve do zadnje linije, zatim ga sami pokrenuti, provjeriti radi li točno onako kako treba i ispraviti eventualne greške – sve to bez ikakvog ljudskog posredovanja – te vam ga predati tek kada je u potpunosti funkcionalan.

Dubinsko znanje Pythona, koje mi je profesor preporučio kao ključ napretka, za samo dvije i pol godine postalo je skoro pa nepotrebno. Kodiranje će, zbog svega navedenog, za koju godinu vrlo vjerojatno postati ono što je danas vađenje drugog korijena iz nekog broja. Jednom smo to učili u školi, razumijevanja radi, no rijetko tko bi se danas sjetio postupka jer strojevi to rade umjesto nas.

Ni u AI-u nisu svi jednaki

No priča poput moje nije iznimka, već učestala pojava koju su uočili svi oni koji se bave intelektualnim radom. Ona je možda samo posebno vidljiv primjer brzine razvoja sposobnosti AI modela da rade ono što su donedavno mogli raditi samo ljudi, a što će zasigurno imati posljedice u mnogim područjima života, možda posebice u obrazovanju i na tržištu rada.

No istraživanja koja su posljednjih godina dolazila s vodećih sveučilišta i istraživačkih institucija sugeriraju da AI neće jednako djelovati na sve koji se bave intelektualnim radom. Nekima će AI povećati radne sposobnosti, odnosno učiniti njihove vještine vrjednijima, boljima i bržima. Druge će AI jednostavno automatizirati, odnosno zamijeniti. Pravo pitanje stoga nije hoće li AI promijeniti tržište rada, jer sasvim sigurno hoće, već ono glasi: kako će izgledati ta transformacija, kako se postaviti da bismo kroz nju brodili na što je moguće uspješniji način te kome će donijeti prednost, a koga će ostaviti iza sebe?

Više od pola posla moguće je automatizirati

Koliko je ta promjena zapravo velika, pokazuje istraživanje McKinsey Global Institutea, objavljeno ovog svibnja. Analizirajući deset europskih gospodarstava, istraživači su utvrdili da je 58 posto svih radnih sati u Europi danas tehnički moguće automatizirati postojećim tehnologijama. Taj podatak lako izazove paniku, no McKinsey odmah upozorava: ovo nije nužno prognoza masovnog gubitka radnih mjesta, već opis preoblikovanja.

Tri četvrtine vještina koje europski poslodavci danas traže, uključujući rješavanje problema, pisanje i istraživanje, koriste se i u poslovima podložnim automatizaciji i u onima koji to nisu. Te vještine ne nestaju; mijenja se kontekst u kojemu su potrebne. Kao potvrdu tog trenda, McKinsey bilježi da je potražnja za AI pismenošću od 2023. godine petostruko porasla. Nova pismenost stoga ne zamjenjuje staru, ona se nadograđuje na nju, ali samo ako ta stara pismenost (odnosno ekspertiza, znanje i razumijevanje) uopće postoji.

Možemo outsourceati razmišljanje, ali ne i razumijevanje

I upravo tu leži problem. Još su prve studije o učinku uvođenja AI alata na radna mjesta nudile ohrabrujuću sliku. Istraživanje Stanforda i MIT-a iz 2023. godine pokazalo je da su AI alati koje su koristili zaposlenici u korisničkoj podršci povećali produktivnost početnika za 34 posto, a iskusni radnici gotovo nisu osjetili razliku. Izgledalo je kao da se radi o tehnologiji koja izjednačuje i demokratizira. No novija istraživanja, okrenuta složenijim zadacima, upućuju na drastično drugačiji zaključak.

Jedno od njih, istraživanje s MIT-a, sugerira da je korištenje AI alata gotovo udvostručilo produktivnost vrhunskih znanstvenika, a na donju trećinu istraživača nije imalo gotovo nikakav mjerljiv učinak. Drugo istraživanje otkrilo je da su uspješniji kenijski poduzetnici koji su koristili AI asistenta povećali svoj profit za više od 15 posto dok su se manje uspješnim poduzetnicima profiti smanjili.

Razlika nije bila u tome jesu li poduzetnici imali pristup AI modelima nego u tome kako su ih koristili: manje uspješni su slijedili generičke savjete, a uspješniji su koristili AI za rješavanje konkretnih problema u svojem poslovanju. Drugim riječima, tko ima znanje, prosudbu i iskustvo da filtrira, vrednuje i postavi pravo pitanje AI modelima, višestruko dobiva. Tko to nema, ne dobiva ništa ili čak gubi.

Ukusi i prosudbe kao nove valute

Nije stoga veliko iznenađenje to da su ukusi i prosudbe (engl. tastes and judgements) dvije riječi koje osnivači i programeri AI kompanija često spominju kao ključne. Sam Altman, izvršni direktor OpenAI-a, u veljači ove godine, uoči objave novog kruga financiranja od 110 milijardi dolara, napisao je da vjeruje kako se 'najbolji timovi grade kroz kontekst, ukus i pravi osjećaj za to kamo se neko područje kreće'.

Ukusi i prosudbe u ovom kontekstu predstavljaju sposobnost da znate što tražite od AI alata, prepoznate je li ono što vam je dao dobro, odbacite sve što nije vrijedno i nadogradite što jest. A sve to zahtijeva duboko razumijevanje domene u kojoj radite, donekle i poznavanje AI alata koje koristite. No bez već ranije spomenutog internaliziranog znanja, uslijed pretjeranog oslanjanja na AI modele, ne stignemo razvijati ni intuiciju ni tu vrstu ukusa i prosudbi koja nam omogućuje učinkovito i sigurno korištenje AI alata.

No što se događa kada baš zbog istih tih AI alata učenici i studenti outsourceaju svoje zadaće ChatGPT-ju i sličnima, a isto naprave i poslodavci s poslovima koje su prije odrađivali diplomanti na početničkim poslovima? Nažalost, sudeći po trenutno dostupnim podacima, čini se da ne događa ništa dobrog jer upravo u trenutku u kojem tehnologija postaje dovoljno dobra da obavi velik dio kognitivnog rada umjesto nas, ona počinje erodirati onu vrstu znanja i razumijevanja koja jedina jamči da ćemo je s vremenom znati koristiti na ispravan i siguran način.

Čini li nas AI glupljima?

Evo prvog primjera za tu tezu. Profesori matematike i prirodnih znanosti na Sveučilištu Kalifornija javno su prošli tjedan upozorili da gotovo trećina studenata koji upisuju STEM studije dolazi s toliko ozbiljnim prazninama u predznanju matematike da predavači moraju iznova podučavati gradivo razine srednje škole. Istovremeno, tek nešto malo elitnija sveučilišta, poput MIT-a, Harvarda i Yalea, nedavno su obnovila obavezne prijamne ispite, dijelom kao odgovor na inflaciju ocjena koja je eksplodirala masovnim usvajanjem AI alata, a koja ne korespondira sa stvarnom razinom znanja.

Nedavni rad iz područja neuroznanosti objašnjava zašto korištenje AI alata ne dovodi do znanja i razumijevanja. Problem je u tome što se znanje koje stalno tražimo izvana ne pretvara nužno u unutarnje mentalne obrasce te često ostaje samo kao pokazivač prema mjestu na kojemu bismo nešto mogli pronaći. Znati gdje se informacija nalazi nije isto kao i nešto doista znati, a kamoli to isto dubinski razumjeti.

Istovremeno, istraživanje Microsoftova istraživačkog tima, provedeno među zaposlenicima koji se bave intelektualnim radom, sugerira da oni koji imaju više povjerenja u AI manje kritički propituju njegove rezultate, a oni koji više vjeruju u vlastito znanje češće provjeravaju, ispravljaju i kontekstualiziraju ono što im AI nudi. Drugim riječima, što je oskudnije vaše znanje i razumijevanje te što je tanja vaša ekspertiza u kojoj god intelektualnoj domeni se nalazite, veća je mogućnost da vas korištenje AI alata neće učiniti pametnijim, učinkovitijim i uspješnijim. Dapače, umjesto da budete augmentirani, vrlo vjerojatno ćete biti automatizirani.

Studirajte Platona, a ne Python

Upravo zbog činjenice da za učinkovito korištenje AI modela treba imati dubinsko razumijevanje domene kojom se bavite, a istovremeno je jednostavnije poslove iz bilo koje intelektualne domene prilično jednostavno automatizirati, AI revolucija za sada najveći negativni učinak (barem u Americi) ima na stopu zapošljavanja mladih ljudi koji su nedavno diplomirali.

Nedavno istraživanje sa Stanforda pokazalo je da je zaposlenost mladih radnika u zanimanjima najizloženijima AI-u pala za 16 posto u odnosu na manje izložena zanimanja. The Economist je nedavno u vlastitoj analizi američkog tržišta rada utvrdio da su diplomanti u petini programa najmanje izloženih AI-u, poput obrazovanja, psihologije i građevinarstva, zabilježili najmanji pad stope zapošljavanja.

Oni koji su diplomirali filozofiju zabilježili su čak rast stope zapošljavanja i tako zapravo prkose negativnim trendovima u zapošljavanju mladih diplomanata. Oni u petini najizloženijih programa, poput računarstva i informatike, zabilježili su pak uvjerljivo najveći pad. Istovremeno je stopa punog zaposlenja u najizloženijim područjima pala s gotovo 70 na 55 posto u samo tri godine, točno onim trima godinama koje su uslijedile nakon lansiranja ChatGPT-ja.

Problem nije samo u tome što se zanimanja vezana za kodiranje automatiziraju te AI modeli kodiraju bolje od ljudi. Problem je i u tome što poslodavci za ulazna radna mjesta sve češće traže iskustvo koje se nekad stjecalo upravo na tim ulaznim radnim mjestima, što diplomanti nemaju, a početničke poslove koje su nekada radili diplomanti sada radi AI.

The Economist je taj paradoks sažeo u preporuci koja zvuči pomalo kao provokacija: 'Studiraj Platona, a ne Phyton.' No nije to provokacija, već zapravo dubok uvid u ono što probabilistički AI modeli mogu i u ono što ne mogu. Oni možda mogu misliti, što je u njihovom slučaju posljedica kombiniranja goleme količine podataka i računalne snage, relativno jednostavne matematike te izabrane arhitekture neutralne mreže, no ne mogu misliti o tome kako misliti, a još manje dubinski razumjeti i biti istinski kreativni.

Kako uspješno preživjeti AI revoluciju?

Kako se u ovakvim uvjetima orijentirati i što je činiti svima onima koji se bave intelektualnim radom? Ako je ikako moguće, uložite vrijeme i energiju u dubinsko razumijevanje domene u kojoj radite ili u kojoj želite raditi. Ne u površno poznavanje koncepata i alata, nego u ono duboko, internalizirano znanje koje gradi intuiciju, osjećaj za pogrešku i sposobnost prosudbe, upravo ono što Altman i društvo nazivaju ukusom i prosudbom.

Ukusi i prosudbe se pri tome ne stječu korištenjem ChatGPT-ja ili Claudea. Stječu se godinama pažljivog rada, čitanja i propitivanja u konkretnom području. Uz to, jednako su važne otvorenost prema učenju, znatiželja i sklonost eksperimentiranju. Tehnologija se mijenja brže nego ikad, a oni koji ostaju relevantni nisu oni koji su jednom naučili pravi alat, nego oni koji su razvili naviku prilagodbe i kontinuiranog učenja.

U takvoj kombinaciji duboke ekspertize i aktivne znatiželje AI postaje ono što McKinsey naziva partnerstvom: tehnologija koja pojačava vaše vještine i poboljšava vaše ishode. No ako je vaš posao pretežno rutinski, predvidljiv i intelektualno zamjenjiv, scenarij automatizacije nije apokaliptična fantazija. On je, kako za sada pokazuju podaci, nažalost već u tijeku.

AI nije demokratična tehnologija koja diže sve brodove. On je plima koja podiže one koji su već naučili plivati i koja će, kako stvari sada stoje, biti prilično nemilosrdna prema svima onima koji nisu. A o tome kako osigurati da ta oluja u koju polako ulazimo ne dovede do dodatnog društvenog raslojavanja više u nekoj budućoj kolumni.