Workslop ή αλλιώς όταν το AI κάνει τελικά τη δουλειά πιο δύσκολη

Η ραγδαία εξάπλωση της τεχνητής νοημοσύνης στην καθημερινότητα των γραφείων έχει φέρει μαζί της ένα νέο φαινόμενο, που περιγράφεται με τον όρο workslop. Με απλά λόγια, πρόκειται για δουλειά που παράγεται γρήγορα με τη βοήθεια AI και δείχνει στην αρχή προσεγμένη, αλλά στην πράξη είναι γεμάτη λάθη ή ασάφειες και χρειάζεται σημαντική διόρθωση.

Αυτό που προκύπτει είναι μια ενδιαφέρουσα αντίφαση: ενώ πολλές διοικήσεις εταιρειών υποστηρίζουν ότι η τεχνητή νοημοσύνη αυξάνει την παραγωγικότητα, αρκετοί εργαζόμενοι βιώνουν το αντίθετο. Αντί να εξοικονομούν χρόνο, καταλήγουν να αφιερώνουν περισσότερες ώρες διορθώνοντας περιεχόμενο που δημιουργήθηκε από AI εργαλεία.

Το ζήτημα δεν φαίνεται να σχετίζεται μόνο με τον τρόπο που χρησιμοποιείται η τεχνολογία, αλλά και με το πώς έχει ενσωματωθεί στις επιχειρήσεις. Πολλές εταιρείες έχουν επενδύσει μεγάλα ποσά στη τεχνητή νοημοσύνη και ταυτόχρονα έχουν μειώσει προσωπικό, θεωρώντας ότι τα νέα εργαλεία μπορούν να καλύψουν τα κενά. Στην πράξη όμως, οι εργαζόμενοι καλούνται να κάνουν περισσότερα, συχνά χωρίς επαρκή καθοδήγηση ή εκπαίδευση.

Το αποτέλεσμα είναι ότι παράγεται μεγαλύτερος όγκος δουλειάς, αλλά όχι απαραίτητα καλύτερης ποιότητας. Έτσι, ένα μέρος του χρόνου που θεωρητικά κερδίζεται από την αυτοματοποίηση, χάνεται τελικά σε διορθώσεις και επεξεργασία.

Το φαινόμενο αυτό έχει ήδη αρχίσει να εμφανίζεται σε πολλούς διαφορετικούς κλάδους. Από δημιουργικές εργασίες μέχρι πιο τεχνικά επαγγέλματα, δεν είναι ασυνήθιστο να κυκλοφορούν κείμενα ή απαντήσεις που έχουν δημιουργηθεί απευθείας από AI χωρίς επαρκή έλεγχο. Αυτό μπορεί να οδηγήσει σε παρεξηγήσεις, λάθη ή απλώς χαμηλότερη ποιότητα επικοινωνίας.

Παράλληλα, η πίεση για αυξημένη παραγωγικότητα και η αβεβαιότητα στην αγορά εργασίας ωθούν αρκετούς εργαζόμενους να βασίζονται περισσότερο στην τεχνητή νοημοσύνη, ακόμη και όταν δεν είναι η καλύτερη λύση. Έτσι δημιουργείται ένας κύκλος όπου η ταχύτητα προτεραιοποιείται εις βάρος της ποιότητας.

Η Kelly Cashin, ανεξάρτητη product designer, ανέφερε στον Guardian ότι έρχεται συχνά αντιμέτωπη με το φαινόμενο του workslop. Όπως εξηγεί, «είναι πλέον αρκετά συνηθισμένο να αντιγράφονται και να επικολλώνται απευθείας απαντήσεις από chatbots σε μηνύματα ή emails, χωρίς περαιτέρω επεξεργασία ή έλεγχο». Σε κάποιες περιπτώσεις, όταν η ίδια δυσκολεύεται να καταλάβει ένα μήνυμα που έχει λάβει από συνάδελφο, εκείνος απαντά ότι «δεν είναι σίγουρος τι εννοούσε το AI», ουσιαστικά μεταφέροντας την κρίση και την ευθύνη κατανόησης στο ίδιο το εργαλείο τεχνητής νοημοσύνης.

Η Cashin παραδέχεται ότι, παρότι αυτή η πρακτική είναι προσωπικά εκνευριστική, μπορεί να καταλάβει γιατί συμβαίνει. Όπως σημειώνει, υπάρχει έντονη πίεση για αύξηση της παραγωγικότητας, η οποία εντείνεται ακόμη περισσότερο από την αβεβαιότητα που επικρατεί στην αγορά εργασίας.

Ο Philip Barrison, φοιτητής MD-PhD στο University of Michigan, ο οποίος πραγματοποίησε έρευνα σε προσωπικό υγείας μέσα σε κλινικές πρωτοβάθμιας φροντίδας, εντόπισε παρόμοια φαινόμενα workslop και στον ιατρικό χώρο. Συγκεκριμένα, εργαζόμενοι είχαν ενθαρρυνθεί να χρησιμοποιούν εργαλεία τεχνητής νοημοσύνης για τη δημιουργία απαντήσεων μέσω email σε ερωτήσεις ασθενών, με στόχο την εξοικονόμηση χρόνου για τους γιατρούς και τους κλινικούς.

Ωστόσο, όπως σημειώνει ο Barrison, «στην πράξη αυτός ο στόχος δεν επιτυγχάνεται». Με βάση τόσο τις καταγραφές όσο και τις προσωπικές του παρατηρήσεις, η χρήση της AI δεν μειώνει τον φόρτο εργασίας. Αντίθετα, πολλοί εργαζόμενοι περιγράφουν ότι καταλήγουν να αφιερώνουν αρκετό χρόνο σε επιμέλεια των κειμένων, να αντιμετωπίζουν εκνευρισμό, αλλά και να ανησυχούν για ζητήματα ασφάλειας δεδομένων και για το ενδεχόμενο οι ασθενείς να λαμβάνουν απαντήσεις με λάθη.

Επιπλέον, επειδή η χρήση των εργαλείων δεν είναι υποχρεωτική, πολλοί εργαζόμενοι, μόλις περάσει το αρχικό στάδιο ενθουσιασμού, σταδιακά τα εγκαταλείπουν και επιστρέφουν σε πιο παραδοσιακές μεθόδους εργασίας.

Ένας ακόμη λόγος που ενισχύει το πρόβλημα είναι ότι η AI συχνά παρουσιάζεται ως ένα εργαλείο που μπορεί να τα κάνει όλα. Στην πραγματικότητα όμως, χρειάζεται σωστή χρήση, ξεκάθαρους στόχους και ανθρώπινη κρίση για να αποδώσει. Χωρίς αυτά, τα αποτελέσματα μπορεί να είναι περισσότερο επιβαρυντικά παρά βοηθητικά.

Παρά τις υψηλές προσδοκίες, πολλές επιχειρήσεις δεν έχουν ακόμη δει ουσιαστική απόδοση από τις επενδύσεις τους στην τεχνητή νοημοσύνη. Υπάρχει η ελπίδα ότι τα οφέλη θα φανούν στο μέλλον, αλλά προς το παρόν η εικόνα είναι πιο σύνθετη.

Δεν είναι τυχαίο ότι το θέμα αρχίζει να συζητείται και σε επίπεδο εργασιακών σχέσεων, με εργαζομένους να ζητούν πιο ξεκάθαρους κανόνες και μεγαλύτερη συμμετοχή στον τρόπο που χρησιμοποιούνται αυτά τα εργαλεία.

Συνολικά, το workslop δείχνει ότι η τεχνητή νοημοσύνη μπορεί να είναι χρήσιμη, αλλά δεν αποτελεί από μόνη της λύση. Χωρίς σωστή οργάνωση και καθοδήγηση, υπάρχει ο κίνδυνος να κάνει τη δουλειά πιο περίπλοκη αντί για πιο εύκολη.

ΣΧΕΤΙΚΟ ΘΕΜΑ