אריה עמית | יועץ אסטרטגי, חבר נשיאות הלשכה
בינה מלאכותית חלחלה לחיינו בהדרגה, דרך כל דבר, החל מהטכנולוגיה המניעה את הסמארטפונים שלנו המשך ליכולות נהיגה אוטונומית במכוניות ועד לכלים שהקמעונאים משתמשים בהם כדי להפתיע את הצרכנים.
כתוצאה מכך, ההתקדמות שלה הייתה כמעט בלתי מורגשת . אבני דרך ברורות, כמו כאשר AlphaGo, תוכנית מבוססת בינה מלאכותית שפותחה על ידי DeepMind , ניצחה את אלוף העולםמב GO ב-2016, זכתה לכותרות אך מאז נמוגה במהירות מתודעת הציבור.
יישומי בינה מלאכותית גנרטיבית כגון ChatGPT, GitHub Copilot, Stable Diffusion ואחרים כבשו את דמיונם של אנשים ברחבי העולם באופן ש-AlphaGo לא כבש, הודות לשימושיות הרחבה שלהם - כמעט כל אחד יכול להשתמש בהם כדי לתקשר וליצור - והיכולת הבלתי טבעית, לנהל שיחה עם משתמש.
יישומי הבינה המלאכותית הגנרטיבית העדכניים ביותר יכולים לבצע מגוון משימות שגרתיות, כגון ארגון מחדש וסיווג הנתונים. אבל היכולת שלהם לכתוב טקסט, להלחין מוזיקה וליצור אמנות דיגיטלית היא שגרפה כותרות ושכנעה צרכנים ומשקי בית להתנסות בעצמם. כתוצאה מכך, קבוצה רחבה יותר של בעלי עניין מתמודדת עם ההשפעה של בינה מלאכותית על העסק והחברה.
המהירות שבה מתפתחת טכנולוגיית AI גנרטיבית לא הופכת את המשימה הזו לקלה יותר. ChatGPT שוחרר בנובמבר 2022. ארבעה חודשים לאחר מכן, OpenAI הוציאה מודל שפה גדול חדש, או LLM, בשם GPT-4 עם יכולות משופרות באופן ניכר. ובמאי 2023, גוגל הכריזה על מספר תכונות חדשות המופעלות על ידי AI גנרטיבי, כולל Search Generative Experience ו-LLM חדש בשם PaLM 2 שיפעיל את ה-Bard Chatbot שלה, בין יתר מוצרי Google.
כדי לתפוס את מה שעומד לפנינו נדרשת הבנה של פריצות הדרך שאפשרו את עליית הבינה המלאכותית הגנרטיבית, שהיתה בהתהוות עשרות שנים. למטרות הדוח, מקנזי מגדירה בינה מלאכותית גנרטיבית כיישומים הנבנים בדרך כלל באמצעות מודלים המכילים רשתות עצבים מלאכותיות נרחבות בהשראת מיליארדי הנוירונים המחוברים במוח האנושי. מודלים אלה הם חלק ממה שנקרא למידה עמוקה, מונח שמרמז על הרבדים העמוקים הרבים בתוך רשתות עצביות. למידה עמוקה הניעה רבות מההתקדמות האחרונות בתחום הבינה המלאכותית, אבל המודלים הבסיסיים המניעים יישומי בינה מלאכותית הם התפתחות של שינוי משמעותי בתוך למידה עמוקה. בניגוד למודלים קודמים של למידה עמוקה, הם יכולים לעבד סטים גדולים ומגוונים ביותר של נתונים לא מובנים ולבצע יותר ממשימה אחת.
מודלים אלו אפשרו יכולות חדשות ושיפרו רבות את הקיימות במגוון רחב של אופנים, כולל תמונות, וידאו, אודיו וקוד מחשב . בינה מלאכותית מאומנת על דגמים אלה יכולה לבצע מספר פונקציות; היא יכולה לסווג, לערוך, לסכם, לענות על שאלות ולנסח תוכן חדש, בין שאר המשימות.
כולנו נמצאים בתחילתו של מסע להבנת הכוח, טווח ההגעה והיכולות של AI גנרטיבי. המחקר מנסה להעריך את ההשפעה של עידן חדש זה של. AI ומצביע על כך שבינה מלאכותית גנרטיבית מוכנה לשנות תפקידים ולהגביר את הביצועים בפונקציות כמו מכירות ושיווק, תפעול לקוחות ופיתוח תוכנה. בתהליך זה, ניתן לפתח ערך של טריליוני דולרים במגזרים, החל מבנקאות ועד למדעי החיים.
תובנות מפתח
ההשפעה של AI גנרטיבי על הפריון עשויה להוסיף ערך של טריליוני דולרים לכלכלה העולמית.
המחקר מעריך שבינה מלאכותית גנרטיבית יכולה להוסיף שווה ערך של 2.6 טריליון דולר ל-4.4 טריליון דולר בשנה על פני 63 מקרי השימוש שנותחו - לשם השוואה, התמ"ג המלא של בריטניה בשנת 2021 היה 3.1 טריליון דולר. זה יגדיל את ההשפעה של כל הבינה המלאכותית ב-15 עד 40 אחוזים. אומדן זה יוכפל בערך אם נכלול את ההשפעה של הטמעת AI גנרטיבי בתוכנה המשמשת כיום למשימות אחרות מעבר למקרי שימוש אלו.
כ-75 אחוז מהערך שמקרי שימוש בינה מלאכותית יכולים לספק נופל על פני ארבעה תחומים: תפעול לקוחות, שיווק ומכירות, הנדסת תוכנה ומו"פ.
על פני 16 פונקציות עסקיות, נבדקו 63 מקרי שימוש שבהם הטכנולוגיה יכולה להתמודד עם אתגרים עסקיים ספציפיים בדרכים שמייצרות תוצאה אחת או יותר מדידה. דוגמאות כוללות את היכולת של AI גנרטיבי לתמוך באינטראקציות עם לקוחות, ליצור תוכן יצירתי לשיווק ומכירות, ולנסח קוד מחשב על סמך הנחיות בשפה טבעית, בין משימות רבות אחרות.
בינה מלאכותית גנרטיבית תהיה בעלת השפעה משמעותית בכל מגזרי התעשייה.
בנקאות, היי-טק ומדעי החיים הם בין התעשיות שיכולות לראות את ההשפעה הגדולה ביותר כאחוז מההכנסות שלהן מבינה מלאכותית. ברחבי תעשיית הבנקאות, למשל, הטכנולוגיה תוכל לספק ערך השווה ל-200 עד 340 מיליארד דולר נוספים בשנה אם מקרי השימוש יושמו במלואם. במוצרים ארוזים קמעונאיים וצרכניים, ההשפעה הפוטנציאלית היא גם משמעותית בהיקף של 400 עד 660 מיליארד דולר בשנה.
ל- AI גנרטיבי יש פוטנציאל לשנות את האנטומיה של העבודה, להגביר את היכולות של עובדים בודדים על ידי אוטומציה של חלק מהפעילויות האישיות שלהם.
בינה מלאכותית נוכחית וטכנולוגיות אחרות בעלות פוטנציאל להפוך פעילויות עבודה לאוטומטיות שסופגות 60 עד 70 אחוז מזמנם של העובדים כיום. לעומת זאת, הערכנו בעבר שלטכנולוגיה יש פוטנציאל להפוך מחצית מהזמן שהעובדים מבלים בעבודה. האצה בפוטנציאל לאוטומציה טכנית נובעת בעיקר מהיכולת המוגברת של AI גנרטיבי להבין שפה טבעית, הנדרשת לפעילויות עבודה המהוות 25 אחוז מזמן העבודה הכולל. לפיכך AI גנרטיבי משפיע יותר על עבודת ידע הקשורה למקצועות שיש להם שכר ודרישות השכלה גבוהות יותר מאשר על סוגים אחרים של עבודה.
קצב השינוי בכוח העבודה צפוי להאיץ, לאור עלייה בפוטנציאל לאוטומציה טכנית.
תרחישי האימוץ המעודכנים של המחקר, כולל פיתוח טכנולוגי, היתכנות כלכלית ולוחות זמנים של דיפוזיה, מובילים להערכות שמחצית מפעילויות העבודה של היום עשויות להיות אוטומטיות בין 2030 ל-2060, עם נקודת אמצע ב-2045, או בערך עשור מוקדם יותר מההערכות הקודמות שלנו.
בינה מלאכותית גנרטיבית יכולה להגדיל באופן משמעותי את פריון העבודה בכל המשק, אבל זה ידרוש השקעות כדי לתמוך בעובדים בזמן שהם משנים פעילויות עבודה או מחליפים מקום עבודה.
בינה מלאכותית גנרטיבית יכולה לאפשר צמיחה בפריון העבודה של 0.1 עד 0.6 אחוזים מדי שנה עד 2040, בהתאם לקצב אימוץ הטכנולוגיה והפריסה מחדש של זמן העובדים לפעילויות אחרות. שילוב של AI גנרטיבי עם כל הטכנולוגיות האחרות, אוטומציה של עבודה יכולה להוסיף 0.2 עד 3.3 נקודות אחוז בשנה לצמיחה בפריון. עם זאת, עובדים יזדקקו לתמיכה בלימוד מיומנויות חדשות, וחלקם יחליפו עיסוק. אם ניתן לנהל מעברי עובדים וסיכונים אחרים, בינה מלאכותית גנרטיבית יכולה לתרום באופן מהותי לצמיחה כלכלית ולתמוך בעולם בר-קיימא ומכיל יותר.
עידן הבינה המלאכותית הגנרטיבית רק מתחילה.
ההתרגשות מהטכנולוגיה הזו מורגשת, והמשתמשים המוקדמים משכנעים. אבל מימוש מלא של יתרונות הטכנולוגיה ייקח זמן, ולמנהלים בעסקים ובחברה עדיין יש אתגרים לא מבוטלים להתמודד. אלה כוללים ניהול הסיכונים הטמונים בבינה מלאכותית גנרטיבית, קביעה לאילו מיומנויות ויכולות חדשות יזדקק לכוח העבודה וחשיבה מחודשת על תהליכי ליבה עסקיים כגון הסבה מחדש ופיתוח מיומנויות חדשות.
