ผู้เชี่ยวชาญ Wharton ระบุช่วงสั้นๆ นับจากนี้ คนทำงานเลิกกังวลเรื่องถูกแทนที่ด้วย Generative AI ได้แล้ว เพราะจะไม่เกิดขึ้นเร็วอย่างที่มีคนจำนวนมากคาดการณ์ พร้อมย้ำว่า AI จะยิ่งสร้างงานมากขึ้น เพราะต้องการการกํากับดูแลจากมนุษย์อย่างเข้มข้นเพื่อให้ได้ผลลัพธ์ที่เป็นประโยชน์
 
3 ผู้เชี่ยวชาญของ Wharton School of Management  คือ Valery Yakubovich ผู้อำนวยการสถาบัน Mack Institute for Innovation Management, Peter Cappelli ศาสตราจารย์ด้าน Management และ Prasanna Tambe ผู้ช่วยศาสตราจารย์แผนก Operations, Information and Decisions ร่วมกันเขียนบทความตีพิมพ์ใน The Wall Street Journal อารัมภบทว่า มีคํากล่าวอ้างใหญ่เกี่ยวกับ AI ที่ว่า หากมีบางสิ่งเป็นไปได้ทางทฤษฎี ก็จะเกิดขึ้นในทางปฏิบัติ และเป็นก้าวกระโดดครั้งใหญ่ แต่กับ AI ที่ผ่านมาทำเฉพาะสิ่งที่ถนัด คือสรุปข้อความสร้างผลลัพธ์ตามข้อมูลที่มีอยู่
 
Yakubovich คุยกับ Wharton Business Daily พร้อมเสนอข้อเท็จจริงสําคัญหลายข้อ ที่เขาหวังว่าจะช่วยบรรเทาความกลัวของผู้คนเรื่องการถูก AI แทนที่
 
1.แม้ Generative AI ก้าวหน้ารวดเร็ว แต่หนทางยังอีกยาวไกลกว่าจะทํางานได้โดยอัตโนมัติรวมถึงสามารถวิเคราะห์ ซึ่งเป็นคุณสมบัติหลักที่ทําให้เชื่อถือได้
 
2.โมเดลภาษาขนาดใหญ่ (LLM) เช่น ChatGPT สามารถประมวลผลข้อมูลจํานวนมหาศาล แต่ไม่สามารถแยกแยะหรือวิเคราะห์ได้ถูกต้อง แม่นยำ รวมถึงมีแนวโน้มที่จะทําให้เข้าใจผิดที่เรียกว่า ภาพหลอนของ AI (AI Hallucination)
 
"ถ้าคุณได้สรุปผลลัพธ์ คำถามคือแม่นยําแค่ไหน? ถ้ามีหลายๆ ผลลัพธ์ในหัวข้อเดียวกันใครจะเป็นผู้ตัดสินว่าอันไหนถูก? ต้องระลึกเสมอว่าเหมือนคุณกำลังเปิดข้อมูลจากกล่องดํา" Yakubovich  กล่าว
 
3.บริษัทไม่ชอบความเสี่ยง เพื่อให้ประสบความสําเร็จ ยิ่งจําเป็นต้องรักษาประสิทธิภาพและการควบคุมระดับสูง จึงจะไม่รีบเลิกจ้างพนักงานทั้งหมดเพื่อแลกกับเทคโนโลยีที่ยังมีข้อบกพร่องมากมายต้องแก้ไข
 
"ถ้าคิดถึง 40 หรือ 50 ปีข้างหน้า ทุกอย่างคงดีกว่านี้แน่นอน " Yakubovich กล่าว "ปัญหาที่เรากําลังพูดถึงตอนนี้คือ ธุรกิจมีความต้องการเฉพาะเจาะจงสําหรับบริษัทความเสี่ยงของการเร่งใช้ AI มีสูง พวกเขาจะไม่เคลื่อนไหวเร็วมากนัก"
 
ด้านหนึ่ง มีงานหลายอย่างถูก AI แทนที่ เช่น แม้มีข้อบกพร่อง Generative AI ก็มีความสามารถจัดการการสื่อสารในที่ทํางาน - โต้ตอบลูกค้าทางออนไลน์ ผลิตรายงาน เขียนเอกสารทางการตลาด เช่น ข่าวประชาสัมพันธ์ ใช้แชตบอทจัดการกับข้อร้องเรียนของลูกค้า เป็นต้น
 
Yakubovich กล่าวว่า มีข้อมูล 2 แบบ คือปฏิสัมพันธ์ในสํานักงาน ซึ่งส่วนใหญ่เป็นการสื่อสารไม่เป็นทางการ และความรู้ขององค์กร แม้เครื่องมือดิจิทัลจะสามารถจับช้อมูลทั้ง 2 อย่างได้มากขึ้น แต่ที่ผ่านมา ก็ไม่เคยมีบริษัทใดป้อนอีเมลลงในโมเดล AI เพราะไม่มีใครอยากเปิดทุกเรื่องสู่สาธารณะ ที่สำคัญคือเป็นเรื่องยากที่จะควบคุมว่าโมเดลภาษาขนาดใหญ่ (LLM) จะผลิตข้อมูลอะไรออกมา เพื่อใคร 
 
Yakubovich สรุปว่า ความคิดเรื่อง Data Science มีมานานหลายปีแล้ว แต่หลายบริษัทยังขาดโครงสร้างพื้นฐานที่ดีในการจัดระเบียบข้อมูลจํานวนมหาศาลโดยใช้เทคโนโลยีรวบรวม มนุษย์เป็นผู้สร้างเทคโนโลยี ขณะเดียวกันก็เป็นส่วนสําคัญในการทําความเข้าใจข้อมูลทั้งหมด ซึ่งหมายความว่างานของมนุษย์จะมีมากขึ้นด้วย
 
ที่มา   https://knowledge.wharton.upenn.edu/article/ai-cant-replace-you-at-work-heres-why/