Τα πρώτα βήματα στην επαγγελματική ζωή συχνά χαρακτηρίζονται από μια αίσθηση συνεχούς υπερφόρτωσης.

Σε εργασίες με γρήγορους ρυθμούς, όπως ο τομέας της φιλοξενίας ή η δημοσιογραφία, είναι συνηθισμένο να χειρίζεται κανείς πολλές εργασίες ταυτόχρονα, ενώ προσπαθεί να διατηρήσει τον έλεγχο των λεπτομερειών.

Στον τομέα των υπηρεσιών, αυτό μπορεί να σημαίνει να τρέχει κανείς από τραπέζι σε τραπέζι, να παρακολουθεί παραγγελίες και, κατά καιρούς, να χάνει από τα μάτια του τι πρέπει ακόμα να παραδοθεί.

Σε ρόλους που βασίζονται στη γνώση, η αντίστοιχη πρόκληση έρχεται με τη μορφή υπερφόρτωσης έρευνας, ατελείωτων καρτελών και της πίεσης να συγκεντρωθούν περισσότερες πληροφορίες από όσες μπορούν ρεαλιστικά να επεξεργαστούν.

Με την πάροδο του χρόνου, οι εργαζόμενοι συνήθως αναπτύσσουν καλύτερα συστήματα για τη διαχείριση αυτής της πίεσης.

Οι λίστες υποχρεώσεων, οι προθεσμίες και η εμπειρία βοηθούν στη βελτίωση της κρίσης και της συγκέντρωσης.

Η ικανότητα να δίνεται προτεραιότητα και να ολοκληρώνονται εργασίες γίνεται πιο σταθερή με τον καιρό, αντικαθιστώντας το χάος των αρχών της καριέρας με πιο δομημένη σκέψη.

Ωστόσο, αυτή η βελτίωση στην εστίαση και την ιεράρχηση των προτεραιοτήτων αμφισβητείται πλέον από την ταχεία υιοθέτηση της τεχνητής νοημοσύνης στον χώρο εργασίας, σύμφωνα με ένα άρθρο των Financial Times.

Η υπόσχεση της AI: Περισσότερη παραγωγή, ταχύτερη εργασία

Η τεχνητή νοημοσύνη έχει εισαχθεί ευρέως ως εργαλείο για την αύξηση της παραγωγικότητας, επιτρέποντας στους εργαζόμενους να αναθέτουν σε τρίτους επαναλαμβανόμενες εργασίες και να επιταχύνουν τις πολύπλοκες.

Τα συστήματα τεχνητής νοημοσύνης μπορούν να δημιουργήσουν περιλήψεις ερευνών, ιδέες μάρκετινγκ, κώδικα και γραπτό περιεχόμενο σε λίγα δευτερόλεπτα.

Κατ’ αρχήν, αυτό θα έπρεπε να μειώσει την πίεση του φόρτου εργασίας και να απελευθερώσει χρόνο για σκέψη υψηλότερου επιπέδου.

Αντί να συγκεντρώνουν δεδομένα χειροκίνητα ή να συντάσσουν έγγραφα από το μηδέν, οι εργαζόμενοι μπορούν πλέον να παράγουν πολλαπλές εκδοχές αποτελεσμάτων σχεδόν αμέσως.

Αυτό δημιουργεί ένα εργασιακό περιβάλλον που δεν καθορίζεται από την έλλειψη ιδεών, αλλά από την αφθονία.

Ο περιοριστικός παράγοντας δεν είναι πλέον η ταχύτητα παραγωγής, αλλά η ικανότητα αξιολόγησης, φιλτραρίσματος και διαχείρισης του παραγόμενου υλικού.

Η εμφάνιση του «AI Brain Fry»

Παρά την υπόσχεση για παραγωγικότητα, η τεχνητή νοημοσύνη συμβάλλει επίσης σε μια νέα μορφή γνωστικής καταπόνησης.

Ερευνητές της Boston Consulting Group έχουν επινοήσει τον όρο «AI Brain Fry», ο οποίος ερμηνεύεται ως «νοητική κόπωση από την υπερβολική χρήση ή την εποπτεία εργαλείων τεχνητής νοημοσύνης πέρα από τη γνωστική ικανότητα του ατόμου».

Η έρευνά τους, βασισμένη σε συνεντεύξεις με 1.488 εργαζόμενους, εντόπισε ένα αυξανόμενο μοτίβο πνευματικής υπερφόρτωσης, διαφορετικό από το παραδοσιακό burnout.

Αυτή η κατάσταση περιγράφεται ως μια αίσθηση «βουητού» στον εγκέφαλο, δυσκολία συγκέντρωσης, βραδύτερη λήψη αποφάσεων, αυξημένα λάθη και ακόμη ισχυρότερη πρόθεση να παραιτηθεί κανείς.

Αυτή η μορφή πίεσης φαίνεται να αναδύεται όταν τα εργαλεία τεχνητής νοημοσύνης αυξάνουν τον αριθμό των εργασιών που ένας εργαζόμενος είναι υπεύθυνος να εποπτεύει, αντί να εξαλείφουν εντελώς την πνευματική προσπάθεια.

Το γνωστικό χάσμα μεταξύ ανθρώπων και τεχνητής νοημοσύνης

Η Julie Bedard, συν-συγγραφέας της μελέτης της Boston Consulting Group, εξήγησε ότι το φαινόμενο έγινε ορατό κατά τη διερεύνηση του γιατί τα οφέλη της τεχνητής νοημοσύνης στην παραγωγικότητα δεν υλοποιούνταν πάντα στην πράξη.

Σύμφωνα με την Bedard, υπάρχει ένα διευρυνόμενο χάσμα μεταξύ του τι είναι ικανά να παράγουν τα συστήματα τεχνητής νοημοσύνης και του τι είναι γνωστικά ικανοί να διαχειριστούν οι άνθρωποι.

Σημείωσε ότι, ενώ τα οργανωτικά συστήματα και οι ροές εργασίας παίζουν ρόλο, το ζήτημα συνδέεται επίσης θεμελιωδώς με τα γνωστικά όρια του ανθρώπου.

«Υπάρχει μια ολόκληρη σειρά οργανωτικών ορίων, ζητημάτων και ροών εργασίας, αλλά ένιωσα επίσης ότι ήταν απλώς ο εγκέφαλός μας [που] δεν ξέρει πώς να κάνει ξαφνικά 10 επιπλέον πράγματα», είπε.

Η έρευνα της Bedard διαπίστωσε ότι οι εργαζόμενοι συχνά βιώνουν γνωστική υπερφόρτωση όταν προσπαθούν να χειριστούν ταυτόχρονα πολλαπλές εργασίες με τη βοήθεια της τεχνητής νοημοσύνης.

Αν και αυτό μπορεί να μοιάζει με την παραδοσιακή υπερφόρτωση που προκαλείται από τα email ή το multitasking, η τεχνητή νοημοσύνη εισάγει μια ξεχωριστή δυναμική: αυξάνει τον όγκο της παραγωγής, αφήνοντας όμως την κρίση και την αξιολόγηση εξ ολοκλήρου στον άνθρωπο.

Αυτό σημαίνει ότι τα πιο απαιτητικά γνωστικά μέρη της εργασίας —η λήψη αποφάσεων, το φιλτράρισμα και ο ποιοτικός έλεγχος— παραμένουν σταθερά ανθρώπινες ευθύνες, ακόμη και καθώς η παραγωγή αυτοματοποιείται.

Μάρκετινγκ, λογισμικό και κίνδυνος

Η μελέτη διαπίστωσε ότι ορισμένοι κλάδοι είναι ιδιαίτερα επιρρεπείς σε αυτόν τον τύπο υπερφόρτωσης. Η μηχανική λογισμικού είναι ένας από τους πιο επηρεαζόμενους τομείς λόγω της εξαιρετικά επαναληπτικής φύσης της και της εξάρτησής της από τη συνεχή επίλυση προβλημάτων.

Το μάρκετινγκ επισημάνθηκε επίσης, με το 26% των εργαζομένων να αναφέρουν συμπτώματα γνωστικής καταπόνησης που σχετίζονται με την τεχνητή νοημοσύνη.

Σύμφωνα με τον Bedard, αυτό οφείλεται εν μέρει στο γεγονός ότι οι ρόλοι μάρκετινγκ είναι «δημιουργικοί χωρίς σαφή ορισμό του τι θεωρείται ολοκληρωμένο». Τα εργαλεία τεχνητής νοημοσύνης εντείνουν αυτό το φαινόμενο, καθιστώντας εύκολη τη δημιουργία πολλαπλών εκδοχών καμπανιών, την ανάλυση μεγάλων συνόλων δεδομένων και την εξατομίκευση περιεχομένου σε μεγάλη κλίμακα.

Αυτό αυξάνει τον φόρτο εργασίας όχι μόνο επιταχύνοντας την παραγωγή, αλλά και διευρύνοντας τον αριθμό των πιθανών κατευθύνσεων που μπορεί να πάρει μια εργασία. Το αποτέλεσμα είναι συχνά περισσότερη εργασία προς έλεγχο, αντί για λιγότερη εργασία προς ολοκλήρωση.

Γιατί οι ροές εργασίας AI μπορεί να φαίνονται πιο εξαντλητικές από τις χειροκίνητες

Ο Bedard το επεξήγησε αυτό με το παράδειγμα της δημιουργίας ενός marketing brief. Σε μια παραδοσιακή ροή εργασίας, ένας υπάλληλος θα συγκέντρωνε δεδομένα, θα κατανοούσε τις πηγές και θα ανέπτυσσε ένα ενιαίο, συνεκτικό αποτέλεσμα. Η διαδικασία είναι γραμμική και σχετικά περιορισμένη.

Με τα εργαλεία τεχνητής νοημοσύνης, ωστόσο, η ίδια εργασία μπορεί να παράγει ταυτόχρονα πολλαπλές λεπτομερείς εκθέσεις.

Ενώ αυτό αυξάνει την ποιότητα και την ποικιλία των αποτελεσμάτων, δημιουργεί επίσης μια νέα πρόκληση: ο εργαζόμενος πρέπει τώρα να ερμηνεύσει, να συγκρίνει, να επαληθεύσει και να ενοποιήσει πολλαπλές εκδόσεις που έχουν δημιουργηθεί από την τεχνητή νοημοσύνη σε μία τελική απόφαση.

Το φαινόμενο «παιδί σε ζαχαροπλαστείο» και ο γνωστικός κατακερματισμός

Ο Bedard περιέγραψε έναν άλλο παράγοντα που οδηγεί στο «AI Brain Fry» ως το φαινόμενο «παιδί σε ζαχαροπλαστείο».

Οι εργαζόμενοι συχνά ενθουσιάζονται με τη δυνατότητα να δημιουργούν γρήγορα πολλαπλές ιδέες και αρχίζουν να αναλαμβάνουν πολυάριθμες παράλληλες εργασίες.

Ωστόσο, αυτή η αφθονία ευκαιριών μπορεί να οδηγήσει σε κατακερματισμό. Αντί να επικεντρώνονται στην ολοκλήρωση μιας εργασίας κάθε φορά, οι εργαζόμενοι καταλήγουν να διαχειρίζονται πολλά ημιτελή θέματα.

Όπως το έθεσε ο Bedard, «Οι άνθρωποι ξεκινούσαν τόσα πολλά θέματα που περνούσαν περισσότερο χρόνο διαχειριζόμενοι την εργασία παρά [κάνοντας] την εργασία».

Αυτό δημιουργεί ένα παράδοξο, στο οποίο τα εργαλεία αυξημένης παραγωγικότητας μειώνουν στην πραγματικότητα την αποτελεσματική απόδοση, καθώς η προσοχή διασκορπίζεται σε πάρα πολλές ανταγωνιστικές προτεραιότητες.

Διαχείριση της υπερφόρτωσης και επιβράδυνση

Παρά αυτές τις προκλήσεις, υπάρχουν στρατηγικές που μπορεί να βοηθήσουν στη μείωση της γνωστικής καταπόνησης που προκαλεί η τεχνητή νοημοσύνη. Μια προσέγγιση είναι η σκόπιμη επιβράδυνση της ροής εργασίας, εστιάζοντας σε μία εργασία κάθε φορά αντί για πολλαπλά παράλληλα νήματα.

Μια άλλη είναι ο σαφέστερος ορισμός του τι σημαίνει «ολοκληρωμένο», ιδιαίτερα σε δημιουργικούς ή ασαφείς ρόλους.

Χωρίς σαφή τελικά σημεία, τα συστήματα τεχνητής νοημοσύνης τείνουν να ενθαρρύνουν ατελείωτες επαναλήψεις, κάτι που αυξάνει την κόπωση.

Η μείωση του αριθμού των ταυτόχρονων αποτελεσμάτων που παράγονται από την τεχνητή νοημοσύνη μπορεί επίσης να βοηθήσει στην αποκατάσταση της συγκέντρωσης, διασφαλίζοντας ότι η προσοχή κατευθύνεται προς την ολοκλήρωση της εργασίας αντί για τη συνεχή παραγωγή εναλλακτικών λύσεων.

Επανεξέταση της παραγωγικότητας και της ανθρώπινης συγκέντρωσης

Ορισμένοι προγραμματιστές και ερευνητές υποστηρίζουν ότι τα εμπόδια στην παραγωγικότητα δεν είναι πλέον κυρίως τεχνολογικά, αλλά ανθρώπινα.

Τα συστήματα τεχνητής νοημοσύνης είναι ήδη ικανά να παράγουν μεγάλους όγκους εργασίας, αλλά η πρόκληση έγκειται στην ανθρώπινη ικανότητα να την κατευθύνει, να την ερμηνεύει και να την ολοκληρώνει.

O δημιουργός και προγραμματιστής AI, Francesco Bonacci έχει προτείνει ένα πιθανό μελλοντικό μοντέλο στο οποίο οι πράκτορες τεχνητής νοημοσύνης προτρέπουν ενεργά τους ανθρώπους, παρουσιάζοντας αποφάσεις την κατάλληλη στιγμή και βοηθώντας στη διατήρηση της συγκέντρωσης.

Ωστόσο, αυτό εγείρει ανησυχίες σχετικά με το αν τέτοια συστήματα θα μπορούσαν να μειώσουν την αυτονομία ή να αποδυναμώσουν την ανάπτυξη δεξιοτήτων με την πάροδο του χρόνου.

Υπάρχει επίσης η ανησυχία ότι οι εργαζόμενοι που βρίσκονται στην αρχή της καριέρας τους ενδέχεται να επηρεαστούν ιδιαίτερα.

Χωρίς βασική εμπειρία στην εκτέλεση της υποκείμενης χειροκίνητης εργασίας, ενδέχεται να δυσκολευτούν να αναπτύξουν την κρίση που απαιτείται για την αποτελεσματική καθοδήγηση των εργαλείων τεχνητής

Ειδήσεις Σήμερα: