AI jako doradca, a nie decydent
Będę to pewnie podkreślać jeszcze wiele razy, ale generatywna sztuczna inteligencja to nie jest “baza danych informacji”, a raczej system generowania “impresji” powiązanych z informacjami. Innymi słowy, nie należy się spodziewać 100% zgodności z faktami. Natomiast, dzięki temu, że materiały treningowe dotyczyły każdego aspektu zwerbalizowanej wiedzy ludzkiej, możemy z tych impresji skorzystać na wiele twórczych sposobów.
Weźmy na warsztat klasyczny wykład Charliego Mungera (znanego inwestora i współpracownika Warrena Buffetta) “The Psychology of Human Misjudgement”, w którym Munger omawia typowe błędy poznawcze w biznesie. Przykładem takiego błędu może być tzw. efekt kotwiczenia - to tendencja do opierania decyzji na pierwszej dostępnej informacji (na przykład początkowa wycena), nawet jeśli jest ona nieistotna.
Błędy poznawcze nie są złem samym w sobie - wywodzą się z doświadczenia, (często wielu pokoleń) i są heurystykami, które w wielu sytuacjach działają i pozwalają nam odciążyć procesy myślowe. Natomiast od czasu do czasu warto sprawdzić, czy przypadkiem podczas prowadzenia biznesu nie polegamy na tych heurystykach w sposób, który szkodzi efektywności naszej firmy.
Niestety, często nie jesteśmy w stanie przeprowadzić tego procesu samodzielnie, bo wymaga on spojrzenia z zewnątrz i zadania pytań, na które byśmy nie wpadli. Można zatrudnić zewnętrznego konsultanta. Albo można użyć modeli językowych, które przeczytały więcej książek biznesowych niż człowiek dałby radę w ciągu całego życia, i zobaczyć efekt.
Duch Charliego Mungera
Poniżej instrukcja dla modelu językowego, której możecie użyć jako inspiracji dla własnych eksperymentów:
Twoim celem jest analiza sytuacji firmy pod kątem błędów poznawczych. Inspiracją dla analizy jest wykład Mungera “The Psychology of Human Misjudgment”.
Kroki:
0. Dopytaj użytkownika o dodatkowe informacje. Poszerz kontekst, użytkownik nie wie, co wie. Dostarczone informacje to tylko wycinek.
1. Zdefiniuj błędy poznawcze: Przed rozpoczęciem analizy zdefiniuj kluczowe błędy poznawcze opisane przez Mungera, takie jak efekt kotwiczenia, efekt halo, przekonanie o własnej nieomylności, itp. Użyj tej listy jako ram odniesienia.
2. Zbierz dane: Zgromadź informacje o firmie lub branży, której dotyczy analiza, włączając dane finansowe, komentarze liderów branży, aktualności rynkowe oraz dostępne raporty analityczne. Jeśli masz wątpliwości zapytaj użytkownika. Jeśli chcesz użyć danych zewnętrznych (np. informacji nt. branży w danym kraju), użyj przeglądarki internetowej.
3. Identyfikuj błędy poznawcze: Korzystając z zebranych danych, zidentyfikuj momenty, gdzie mogły pojawić się błędy poznawcze. Na przykład, sprawdź czy w decyzjach inwestycyjnych nie dominowały początkowe wartości (efekt kotwiczenia), czy nie szukano jedynie informacji potwierdzających wcześniejsze przekonania (efekt potwierdzenia), czy liderzy nie wykazywali nieuzasadnionej pewności co do swoich przewidywań rynkowych (nadmierna pewność siebie).
4. Analizuj konsekwencje: Zbadaj, jak zidentyfikowane błędy poznawcze wpłynęły na wyniki firmy oraz jej decyzje strategiczne, operacyjne i finansowe.
5. Formułuj rekomendacje i wnioski: Na podstawie przeprowadzonej analizy sformułuj rekomendacje, jak można unikać podobnych błędów w przyszłości. Proponuj szkolenia dla kadry kierowniczej, wprowadzanie mechanizmów kontroli decyzji, oraz zastosowanie bardziej rygorystycznych metod analizy danych.
6. Przygotuj raport: Stwórz szczegółowy raport przedstawiający przeprowadzoną analizę, wnioski i rekomendacje. Zapewnij, aby był on strukturalny i jasny, umożliwiając łatwe zrozumienie wyników i wprowadzenie zmian przez odpowiednie osoby.
Dla wygody, zapisałem tę instrukcję jako GPT: “Błędy poznawcze a la Charlie Munger” (wymaga subskrypcji ChatGPT Plus lub wyższej). Pamiętajcie, że jako twórca takiego GPT nie mam wglądu w Wasze konwersacje - jedynym podmiotem, który ma to oczywiście OpenAI.
Ale wróćmy jeszcze na moment do instrukcji.
Po pierwsze, pierwszy szkic instrukcji wygenerował model GPT-4. Moje pierwsze polecenie brzmiało: “Napisz instrukcję dla GPT, która będzie analizować bieżącą sytuację biznesową pod kątem błędów poznawczych a la Charlie Munger. Bezpośrednią inspiracją ma być wykład Mungera The Psychology of Human Misjudgment.” Więcej na temat “autopromptowania” napisałem w mailu o prostych zastosowaniach GenAI w firmach.
Po drugie, szkic został uzupełniony o polecenie, żeby model przed rozpoczęciem analizy zadał dodatkowe pytania użytkownikowi. Szalenie ważny dodatek, bo dane, które podajemy modelowi zazwyczaj są niekompletne. Dodaję takie polecenie do prawie każdego GPT, który dla siebie tworzę.
Po trzecie dodałem polecenie, że jeśli ma to sens, warto skorzystać z wyszukiwarki internetowej do ściągnięcia informacji przydatnych w analizie. GPT nie korzysta z tej opcji dość chętnie, ale po zwróceniu raportu można zadać dodatkowe pytanie w stylu: “Czy są zewnętrzne dane (wyszukaj w internecie), które potwierdziłyby lub zaprzeczyłyby tezom z tej analizy?”
Polecam poeksperymentować na bazie tego podejścia z analizami biznesowymi w innych obszarach (np. analiza komunikacji).
Czy to lepsze? Zależy dla kogo i w jakiej sytuacji
Kiedy opowiadam o tego rodzaju podejściach czasem słyszę pytanie, czy raport zwrócony przez model językowy jest lepszy niż doświadczony konsultant? Moja odpowiedź jest prosta:
dla firm, które już uzupełniają wiedzę ekspercką przy pomocy zewnętrznych konsultantów, odpowiedź brzmi “raczej nie”,
dla firm, które i tak nie zatrudnią zewnętrznych konsultantów na przykład ze względu na cenę takich usług, odpowiedź brzmi “nie ma znaczenia”
Znikoma inwestycja ($20 miesięcznie za ChatGPT Plus) daje dostęp do takiego feedbacku na temat swojego biznesu, który na pewno będzie zawierał elementy, o których nie pomyśleliście w pierwszej chwili. Czy będzie z tego pożytek? To, niestety, zależy od Was i to w sposób, który Wam się nie spodoba ;)
Badanie, które przeprowadzono w Kenii pokazało, że GenAI zatrudniony jako doradca biznesowy podniósł dochody o 15%, ale… tylko u firm, które radziły sobie nieźle (tj. prowadzący te firmy posiadali kompetencje biznesowe na dobrym poziomie).
Im jesteś lepszy/lepsza w biznesie, tym bardziej skorzystasz na interakcji z AI. Szok i niedowierzanie :)
Ciekawe niusy
Znajomi zza Atlantyku często śmieją się z sytuacji europejskich startupów w obszarze AI, które swoje strategie biznesowe muszą korygować w oparciu o wchodzące regulacje (np. przegłosowany ostatnio EU AI Act). Miny im zrzedły, kiedy prace nad ustawą 1047 w Kalifornii mocno przyspieszyły - a jest to ustawa podobna w intencjach do rozwiązań europejskich. Nie jest to pierwszy przypadek, kiedy Unia Europejska “eksportuje” do Stanów Zjednoczonych swoje regulacje (GDPR/RODO też już jest w Stanach).
Trwa bardzo gorąca dyskusja nt. kształtu ostatecznych rozwiązań, ale jedno wydaje się pewne - legislatorzy nie zostawią tematu sztucznej inteligencji. Warto co jakiś czas weryfikować aspekty prawne tego obszaru (m.in. nieuregulowany jeszcze temat praw autorskich), bo sytuacja, jak widać, jest prawie tak dynamiczna, jak w przypadku samej technologii.