Dlaczego wykładniczy wzrost sztucznej inteligencji ma ogromny martwy punkt

Dyskusja na temat sztucznej inteligencji i przyszłości pracybudzi powszechne obawy, że sztuczna inteligencja wkrótce zastąpi programistów, konsultantów i menedżerów. Jednak bliższe przyjrzenie się naukowym podstawom dużych modeli językowych (LJM) (doskonale opisanym niedawno w tej analizie wideo włoskiego badacza technologii) ujawnia ogromną lukę w machinie marketingowej.

Ludzie widzą wykładniczy wzrost możliwości sztucznej inteligencji i zakładają, że ludzkość wkrótce przestanie być generowana.

Ta panika jest podsycana przez viralowe doniesienia. Być może widzieliście post programisty Matta Schumera, który twierdził, że skoro sztuczna inteligencja pisze teraz cały jego kod, wkrótce przejmie ona prawo, financeprzewiduje nieograniczony wzrost gospodarczy eseju „Era inteligencji”, a łatwo poczuć się przytłoczonym.

Ale rzeczywistość postępu w dziedzinie sztucznej inteligencji jest o wiele bardziej złożona. Ostatnie skoki w wydajności są tym, co naukowcy nazywają „podejrzanie szczegółowymi”.

Iluzja punktu odniesienia

Jeśli spojrzeć na współczesne testy porównawcze sztucznej inteligencji (AI), wykresy wydajności idą prosto w górę. Test METR, cenione narzędzie ewaluacyjne, pokazał niedawno, że modele AI osiągają imponujące kamienie milowe w zadaniach, które normalnie zajęłyby ekspertowi ludzkiemu od 8 do 14 godzin.

Ale jeśli przeczytasz drobny druk, sytuacja się zmienia. Te kamienie milowe są osiągane tylko w około 50% przypadków. Co ważniejsze, mierzone zadania ograniczają się niemal wyłącznie do inżynierii oprogramowania, uczenia maszynowego i cyberbezpieczeństwa. Kiedy badacze próbują ocenić te modele w całościowych, niealgorytmicznych zadaniach, wydajność znacząco spada.

Ten spadek niezawodności poza ściśle kontrolowanymi środowiskami to dokładnie to ryzyko strukturalne, które opisałem w książce „The AI ​​Exodus: Why the Builders Don't Trust the Building” (Exodus sztucznej inteligencji: Dlaczego budowniczowie nie ufają budynkom). Kiedy sztuczna inteligencja napotyka lukę w swojej wiedzy w złożonym, krytycznym scenariuszu, wskaźnik halucynacji gwałtownie rośnie – co dowodzi, że wysokie wyniki testów porównawczych nie przekładają się automatycznie na bezpieczeństwo przedsiębiorstwa.

Tajny Silnik: RLVR

Ogromne postępy w modelach pod koniec 2025 r. i na początku 2026 r. wynikają ze specjalnej techniki szkoleniowej zwanej Reinforcement Learning from Verifiable Rewards (RLVR).

RLVR działa fenomenalnie, gdy problem ma ścisłą, weryfikowalną odpowiedź. Matematyka, kodowanie i łamigłówki logiczne idealnie do tego pasują. Można generować miliardy testów syntetycznych, a maszyna może natychmiast sprawdzić, czy podała poprawną, czy błędną odpowiedź. Automatycznie wzmacnia prawidłowe ścieżki rozumowania i odrzuca błędne. W najnowszych publikacjach naukowych toczą się zażarte dyskusje, czy RLVR faktycznie uczy modele nowych umiejętności rozumowania, czy po prostu usprawnia ich znajdowanie ścieżek, które już znają. Niezależnie od mechanizmu, rezultat jest ten sam: maszyna doskonale radzi sobie z weryfikowalną logiką.

Prawdziwy świat jest chaotyczny

Pomyśl o realnym problemie biznesowym. Czy powinieneś wprowadzić nową strategię cenową? Jak poprowadzić delikatne negocjacje z dostawcą? Jak zarządzać złożoną integracją magazynów w różnych kulturach korporacyjnych?

W tych sytuacjach brakuje jednej, weryfikowalnej, poprawnej odpowiedzi. Nie da się automatycznie wygenerować miliona syntetycznych scenariuszy, aby wytrenować model ludzkiej empatii lub strategicznego kompromisu. Rzeczywiste problemy wymagają ciągłego uczenia się, generalizacji dziedzin i osądu społecznego.

Dokładnie tę dynamikę zgłębiłem w książce „ When Software Writes Itself: The Illusion of the Homebrew ERP”. Zdolność sztucznej inteligencji do idealnego generowania kodu za pomocą RLVR to zupełnie co innego niż zaprojektowanie zgodnego z przepisami, odpowiedzialnego systemu biznesowego. Oprogramowanie korporacyjne wymaga dogłębnego zrozumienia lokalnych przepisów i sprzecznych reguł biznesowych – obszarów, w których sztuczna inteligencja wciąż zasadniczo nie rozumie kontekstu.

Nawet czołowi badacze sztucznej inteligencji dostrzegają tę lukę. Podczas gdy Dario Amodei z Anthropic ma nadzieję, że RLVR w końcu zniweluje tę przepaść i doprowadzi do powstania ogólnej inteligencji, Demis Hassabis z Google DeepMind wyraźnie stwierdza, że ​​same duże modele językowe nie wystarczą. Potrzebujemy systemów zdolnych do ciągłego uczenia się i budowania rzeczywistych modeli świata fizycznego.

Zwrot akcji IBM

Świat korporacji już dostrzega te ograniczenia. Spójrzmy, co wydarzyło się na początku lutego 2026 roku. IBM ogłosił ambitny plan potrojenia zatrudnienia na stanowiskach początkowych w Stanach Zjednoczonych.

Dlaczego gigant technologiczny miałby zatrudniać więcej młodszych pracowników, skoro rzekomo przejmuje je sztuczna inteligencja? IBM zdał sobie sprawę, że choć sztuczna inteligencja radzi sobie z rutynowym kodowaniem i zapytaniami administracyjnymi, to nie jest w stanie poradzić sobie z ludzkimi aspektami pracy. Firma całkowicie przeprojektowała stanowiska dla początkujących programistów. Teraz młodsi programiści poświęcają mniej czasu na pisanie szablonowego kodu, a więcej na współpracę z klientami. Dział HR koncentruje się na doradzaniu menedżerom i audytowaniu systemów sztucznej inteligencji, zamiast odpowiadać na powtarzające się pytania.

Dyrektor ds. Zasobów Ludzkich IBM, Nickle LaMoreaux, jasno to wyjaśnił. Bez solidnego dopływu młodych talentów, którzy uczą się biznesu już dziś, firmy będą jutro borykać się z ogromnym niedoborem doświadczonych liderów średniego szczebla. Nasze role ewoluują, stając się bardziej strategiczne.

Praktyczne spostrzeżenia

Jak więc zabezpieczyć swoją karierę na przyszłość w tym zmieniającym się otoczeniu?

1. Podwójna stawka na „nieuporządkowane” umiejętności: Skoncentruj się na umiejętnościach, których algorytm nie jest w stanie automatycznie zweryfikować. Negocjacje, strategiczne rozwiązywanie problemów i generalizacja międzydomenowa to Twoje największe atuty.
2. Zostań koordynatorem AI: Tak jak nowi pracownicy IBM, naucz się współpracować ze sztuczną inteligencją. Wykorzystaj ją do obsługi weryfikowalnych, rutynowych zadań, aby móc poświęcić swoją energię na wartościowe interakcje z klientami.
3. Zachowaj ciekawość: Podstawowym składnikiem wszystkich moich doświadczeń zawsze była ciekawość. Głęboko wierzę, że jeśli kiedykolwiek przestaniemy szukać nowej wiedzy, ryzykujemy, że staniemy się przestarzałi. Uaktualniaj swoje modele mentalne.

Narracja, że ​​sztuczna inteligencja po prostu zastąpi ludzi, jest niekompletna. Technologia ta jest niezaprzeczalnie potężna w określonych, wysoce ustrukturyzowanych dziedzinach. Jednak w nieustrukturyzowanej, chaotycznej rzeczywistości biznesu i interakcji międzyludzkich, nasza praca odchodzi od powtarzalnych działań na rzecz budowania relacji i złożonego rozumowania. Przyszłość należy do tych, którzy się adaptują.

Napisane przez Andreę Guaccio 

4 marca 2026 r