Każda krzywa wykładnicza w końcu spotyka rzeczywistość
Każda krzywa wykładnicza w końcu spotyka rzeczywistość
Mam sporą nieufność do wykresów, które pokazują wzrost tak, jakby miał trwać bez końca. Zwłaszcza wtedy, gdy kilka dobrych lat traktujemy jak dowód na to, co wydarzy się dalej.
Widać to dziś w rozmowach o AI. Skoro modele zrobiły ogromny postęp, łatwo uwierzyć w prosty scenariusz: dorzucimy więcej danych, więcej mocy obliczeniowej, zbudujemy większe modele - i dostaniemy kolejne przełomy.
Problem w tym, że realne systemy rzadko działają jak slajdy.
Dobrze ilustruje to stary żart o dziecku, które podwoiło wagę w pierwszym miesiącu życia. Gdyby ten trend się utrzymał, jako dorosły człowiek ważyłoby tysiące ton. Tak właśnie wygląda naiwna ekstrapolacja: bierzemy fragment krzywej i udajemy, że reszta świata nie istnieje.
Patrz na system, nie na krzywą
I tu przydaje się myślenie systemowe (systems thinking) - patrzenie nie tylko na sam wzrost, ale na cały system, który ten wzrost umożliwia albo ogranicza. Nie wystarczy śledzić jednej krzywej. Trzeba zobaczyć, co ten wzrost napędza, co go hamuje, gdzie pojawiają się opóźnienia i w którym momencie skala zaczyna generować własne koszty.
A w przypadku AI te ograniczenia widać już dziś. Dane okazują się niespójne. Automatyzacja wymaga kontroli. Modele trzeba wdrożyć w stare procesy. Dochodzą regulacje, bezpieczeństwo, audyty, monitoring i odpowiedzialność za błędy.
To nie są przeszkody obok systemu. To jest system.
Dlatego nie przekonuje mnie teza, że AI będzie po prostu rosło wykładniczo.
Rozwój będzie nierówny, nie wykładniczy
Nie znaczy to, że AI się zatrzyma. Spodziewam się raczej rozwoju bardzo nierównego.
Tam, gdzie wynik łatwo zweryfikować - w kodzie, testach, analizie dokumentów czy automatyzacji konkretnych zadań - postęp będzie błyskawiczny. Pętla feedbacku jest krótka: generujesz wynik, sprawdzasz, poprawiasz, powtarzasz.
Ale są obszary, gdzie świat jest mniej przewidywalny: strategia firmy, decyzje prawne, relacje z klientami, bezpieczeństwo, systemy produkcyjne i realna odpowiedzialność. Tam nie wystarczy, że model brzmi przekonująco. Trzeba jeszcze wiedzieć, czy wynik jest prawdziwy, bezpieczny i czy można na nim oprzeć decyzję.
Dlatego nie chodzi tylko o większy model. Chodzi o cały system wokół modelu: dane, workflowy, walidację, testy, monitoring, reguły bezpieczeństwa i człowieka w pętli tam, gdzie ryzyko jest zbyt duże.
Pytanie na dziś
Pytanie nie brzmi więc "czy AI będzie rosło", tylko: gdzie AI naprawdę przyspieszy pracę, a gdzie zacznie grzęznąć - w kosztach, danych, odpowiedzialności i organizacjach, które nie potrafią zmienić sposobu działania?
Bo każda krzywa, która przez chwilę wygląda wykładniczo, prędzej czy później spotyka rzeczywistość.
Poniższy wykres nie jest prognozą daty granicznej. To raczej ilustracja napięcia: rozmiary danych treningowych rosły bardzo szybko, ale publiczny tekst wysokiej jakości jest skończonym zasobem. Sama krzywa nie wystarcza, jeśli nie patrzymy na system, który ją karmi.
Nie znaczy to, że AI się zatrzyma. Bardziej spodziewam się nierównego rozwoju.
Tam, gdzie łatwo sprawdzić wynik - w kodzie, testach, analizie dokumentów czy automatyzacji konkretnych zadań - postęp może być bardzo szybki. Jest krótki feedback: można wygenerować wynik, sprawdzić go, poprawić i powtórzyć.
Ale są obszary, gdzie świat jest mniej przewidywalny: strategia firmy, decyzje prawne, relacje z klientami, bezpieczeństwo, systemy produkcyjne i realna odpowiedzialność.
Tam nie wystarczy, że model brzmi przekonująco. Trzeba jeszcze wiedzieć, czy wynik jest prawdziwy, bezpieczny i czy można na nim oprzeć decyzję.
Dlatego nie chodzi tylko o większy model. Chodzi o cały system wokół modelu jak dane, workflowy, walidację, testy, monitoring, reguły bezpieczeństwa i człowieka w pętli tam, gdzie ryzyko jest zbyt duże.
Pytanie na dziś brzmi gdzie AI naprawdę przyspieszy pracę, a gdzie zacznie grzęznąć w kosztach, danych, odpowiedzialności i firmach, które nie potrafią zmienić sposobu działania?
Bo każda krzywa, która przez chwilę wygląda wykładniczo, prędzej czy później spotyka rzeczywistość.