Η Οικονομική Έκθεση της Anthropic αποκαλύπτει πώς χρησιμοποιούνται τα μεγάλα γλωσσικά μοντέλα
Η πρόσφατη έκθεση της Anthropic προσφέρει μια ματιά στο πώς οι οργανισμοί και τα άτομα αξιοποιούν πραγματικά τα μεγάλα γλωσσικά μοντέλα. Η ανάλυση της εταιρείας βασίζεται σε ένα εκατομμύριο καταναλωτικές αλληλεπιδράσεις στην πλατφόρμα Claude.ai και σε ένα εκατομμύριο κλήσεις API από επιχειρήσεις, όλες από τον Νοέμβριο του 2025. Η έκθεση επισημαίνει ότι τα στοιχεία της βασίζονται σε παρατηρήσεις και όχι, για παράδειγμα, σε δείγμα επιχειρηματικών αποφασιστών ή γενικές έρευνες.
Περιορισμένες περιπτώσεις χρήσης κυριαρχούν στις εφαρμογές
Η χρήση της τεχνητής νοημοσύνης της Anthropic συγκεντρώνεται γύρω από έναν σχετικά μικρό αριθμό εργασιών. Οι δέκα πιο συχνά εκτελούμενες εργασίες αντιπροσωπεύουν σχεδόν το ένα τέταρτο των καταναλωτικών αλληλεπιδράσεων και σχεδόν το ένα τρίτο της κυκλοφορίας API των επιχειρήσεων. Υπάρχει έντονη εστίαση στη χρήση του Claude για τη δημιουργία και την τροποποίηση κώδικα, όπως θα ανέμεναν οι αναγνώστες. Αυτή η συγκέντρωση της χρήσης της τεχνητής νοημοσύνης ως εργαλείο ανάπτυξης λογισμικού παραμένει σχετικά σταθερή με την πάροδο του χρόνου, υποδηλώνοντας ότι η αξία του μοντέλου βασίζεται κυρίως σε αυτούς τους τύπους εργασιών, χωρίς να εμφανίζονται νέες χρήσεις του Claude με σημαντική εμπειρική σημασία. Αυτό υποδηλώνει ότι οι γενικές, ευρείες εφαρμογές της τεχνητής νοημοσύνης είναι λιγότερο πιθανό να είναι επιτυχείς από εκείνες που επικεντρώνονται σε εργασίες όπου τα μεγάλα γλωσσικά μοντέλα έχουν αποδειχθεί αποτελεσματικά.
Η ενίσχυση υπερτερεί της αυτοματοποίησης
Στις καταναλωτικές πλατφόρμες, η συνεργατική χρήση – όπου οι χρήστες επαναλαμβάνουν ερωτήματα προς την τεχνητή νοημοσύνη κατά τη διάρκεια μιας εικονικής συνομιλίας – είναι πιο συχνή από τη χρήση της τεχνητής νοημοσύνης για την παραγωγή αυτοματοποιημένων ροών εργασίας. Η χρήση API από επιχειρήσεις δείχνει το αντίθετο, καθώς οι επιχειρήσεις προσπαθούν να επιτύχουν εξοικονόμηση μέσω της αυτοματοποίησης εργασιών. Ωστόσο, ενώ το Claude επιτυγχάνει σε μικρότερες εργασίες, η παρατηρούμενη ποιότητα των αποτελεσμάτων μειώνεται όσο πιο σύνθετη είναι η εργασία (ή η σειρά εργασιών) και όσο μεγαλύτερος είναι ο απαιτούμενος χρόνος “σκέψης”. Αυτό υποδηλώνει ότι η αυτοματοποίηση είναι πιο αποτελεσματική για ρουτίνες, καλά ορισμένες εργασίες που είναι απλούστερες, απαιτούν λιγότερα λογικά βήματα και όπου οι απαντήσεις στα ερωτήματα μπορούν να είναι γρήγορες. Εργασίες που εκτιμάται ότι χρειάζονται αρκετές ώρες για να ολοκληρωθούν από ανθρώπους δείχνουν σημαντικά χαμηλότερα ποσοστά ολοκλήρωσης από τις μικρότερες εργασίες. Για την επιτυχία των μεγαλύτερων εργασιών, οι χρήστες πρέπει να επαναλαμβάνουν και να διορθώνουν τα αποτελέσματα. Οι χρήστες που διασπούν μεγάλες εργασίες σε διαχειρίσιμα βήματα και τα θέτουν ξεχωριστά (είτε διαδραστικά είτε μέσω API) έχουν βελτιωμένα ποσοστά επιτυχίας.
Παρατηρήσεις για τις χρήσεις της τεχνητής νοημοσύνης
Οι παρατηρήσεις της εταιρείας δείχνουν ότι τα περισσότερα ερωτήματα προς τα μεγάλα γλωσσικά μοντέλα σχετίζονται με ρόλους γραφείου (αν και οι φτωχότερες χώρες τείνουν να χρησιμοποιούν το Claude πιο συχνά σε ακαδημαϊκά περιβάλλοντα από, για παράδειγμα, τις Ηνωμένες Πολιτείες). Για παράδειγμα, οι ταξιδιωτικοί πράκτορες μπορούν να αναθέσουν σύνθετες εργασίες σχεδιασμού στο μεγάλο γλωσσικό μοντέλο και να διατηρήσουν στοιχεία της πιο συναλλακτικής εργασίας τους, ενώ ορισμένοι ρόλοι, όπως οι διαχειριστές ακινήτων, δείχνουν το αντίθετο: οι ρουτίνες διοικητικές εργασίες μπορούν να διεκπεραιωθούν από την τεχνητή νοημοσύνη, και οι εργασίες που απαιτούν υψηλότερη κρίση παραμένουν στον ανθρώπινο επαγγελματία.
Μειωμένα κέρδη παραγωγικότητας λόγω αξιοπιστίας
Η έκθεση σημειώνει ότι οι ισχυρισμοί ότι η τεχνητή νοημοσύνη αυξάνει την ετήσια παραγωγικότητα της εργασίας κατά 1,8% (σε μια δεκαετία) είναι πιθανό να πρέπει να μειωθούν στο 1-1,2%, λόγω της ανάγκης να ληφθούν υπόψη επιπλέον εργασία και κόστη. Ενώ μια αύξηση 1% στην αποδοτικότητα σε μια δεκαετία είναι ακόμα οικονομικά σημαντική, η ανάγκη για δραστηριότητες όπως η επικύρωση, η διαχείριση σφαλμάτων και η επανεπεξεργασία θα μειώσει τα ποσοστά επιτυχίας και επομένως θα πρέπει να υπάρχει μια παρόμοια προσαρμογή στη σκέψη των αποφασιστών μιας επιχείρησης. Οι πιθανές αποδοχές μιας οργάνωσης που υιοθετεί την τεχνητή νοημοσύνη εξαρτώνται επίσης από το αν οι εργασίες που ανατίθενται στο μεγάλο γλωσσικό μοντέλο συμπληρώνουν ή αντικαθιστούν την εργασία. Στη δεύτερη περίπτωση, η επιτυχία της αντικατάστασης μιας τεχνητής νοημοσύνης για εργασίες που συνήθως εκτελούνται από έναν άνθρωπο εξαρτάται από το πόσο σύνθετη είναι η εργασία.
Συμπεράσματα για τους ηγέτες
Η εφαρμογή της τεχνητής νοημοσύνης προσφέρει αξία πιο γρήγορα σε συγκεκριμένους, καλά ορισμένους τομείς. Τα συμπληρωματικά συστήματα (τεχνητή νοημοσύνη + άνθρωπος) υπερτερούν της πλήρους αυτοματοποίησης για σύνθετη εργασία. Η αξιοπιστία και η αναγκαία επιπλέον εργασία “γύρω” από την τεχνητή νοημοσύνη μειώνουν τα προβλεπόμενα κέρδη παραγωγικότητας. Οι αλλαγές στη σύνθεση του εργατικού δυναμικού εξαρτώνται από το μείγμα των εργασιών και την πολυπλοκότητά τους, όχι από συγκεκριμένους ρόλους εργασίας.
