Umetna inteligenca lahko pomembno poveča produktivnost – to že vemo. A zadnji pregled raziskav, ki ga je objavil AI Weekly, kaže precej bolj zapleteno sliko: učinki niso enakomerni, niso vedno intuitivni in niso nujno največji tam, kjer bi jih podjetja najprej pričakovala.
Največji preskok se pogosto zgodi pri manj izkušenih uporabnikih, pri jasno zamejenih nalogah in tam, kjer lahko človek hitro preveri, ali je rezultat pravilen. Precej manj zanesljivi pa so učinki pri izkušenih strokovnjakih, ki opravljajo zahtevno delo v okolju, ki ga že zelo dobro poznajo, ali pri podjetjih, ki AI uvajajo zgolj kot pilotni projekt brez spremembe delovnih procesov.
Tako smo priča paradoksu: umetna inteligenca najbolj pomaga prav tistim, ki jih lahko najhitreje nadomesti – zaposlenim na začetnih delovnih mestih.
Največ pridobijo manj izkušeni uporabniki
Ena najbolj citiranih raziskav o uporabi generativne umetne inteligence pri delu je raziskava avtorjev Erika Brynjolfssona, Danielle Li in Lindsey R. Raymond, objavljena pri National Bureau of Economic Research. Raziskava je spremljala 5.179 agentov v podpori uporabnikom in ugotovila, da je dostop do AI asistenta v povprečju povečal produktivnost za 14 %.
A bolj zanimiv kot povprečni rezultat je razkorak med uporabniki. Pri manj izkušenih in manj usposobljenih zaposlenih je produktivnost zrasla za 34 %, medtem ko je bil učinek pri najbolj izkušenih zaposlenih minimalen.
Razlaga je precej logična: AI je v takšnem okolju pomagal prenesti znanje najboljših agentov na tiste, ki so se dela šele učili. Namesto da bi začetniki mesece postopoma gradili občutek za pravilne odgovore, ton komunikacije in ustrezne postopke, jim je AI pomagal hitreje priti do dobrih praks.
To ne pomeni, da AI »nadomesti« izkušnje. Pomeni pa, da lahko močno skrajša učno krivuljo pri nalogah, kjer obstaja dovolj ponovljivih primerov, jasnih pravil in preverljivih odgovorov.
AI ni enako dober pri vseh nalogah
Podobno sliko pokaže tudi raziskava Harvard Business School in Boston Consulting Group, ki je preučevala uporabo GPT-4 pri delu svetovalcev. Pri nalogah, ki so bile znotraj zmožnosti AI modela, so svetovalci z njegovo pomočjo opravili več nalog, delali hitreje in dosegli višjo kakovost rezultatov.
A ista raziskava opozarja na zelo pomemben koncept: t. i. »jagged technological frontier«, kar bi lahko prevedli kot nazobčana meja tehnoloških zmogljivosti. Gre za idejo, da AI ni linearno dober ali slab. Pri eni nalogi lahko deluje izjemno, pri zelo podobni nalogi pa odpove, ker zahteva presojo, kontekst ali razumevanje, ki ga model nima.
V raziskavi so svetovalci pri nalogah znotraj te meje dosegli zelo dobre rezultate. Ko pa so nalogo namenoma postavili zunaj zmožnosti AI modela, so bili uporabniki AI manj uspešni kot tisti brez njega. Težava je v tem, da AI tudi takrat odgovarja samozavestno, tekoče in prepričljivo, zato uporabnik težko začuti, kdaj je prešel mejo zanesljive uporabe.
Za podjetja je to ena ključnih lekcij: AI ni rešitev, ki jo preprosto dodamo v vsak proces. Najprej moramo razumeti, katere naloge so dovolj jasno opredeljene, kateri rezultati so preverljivi in kje je tveganje napačne samozavesti preveliko.
Izkušeni strokovnjaki niso vedno hitrejši z AI
Zelo zanimiv kontrast prinaša raziskava organizacije METR, ki je spremljala izkušene odprtokodne razvijalce pri delu na resničnih nalogah v repozitorijih, ki jih zelo dobro poznajo. Razvijalci so pričakovali, da jih bodo AI orodja pospešila. Po koncu dela so bili še vedno prepričani, da so z AI delali hitreje.
Dejanski rezultat pa je bil nasproten: z dovoljenimi AI orodji so naloge opravili 19 % počasneje.
To ne pomeni, da AI ne pomaga pri programiranju. Pomeni pa, da moramo biti zelo previdni pri posploševanju. Pri izkušenih razvijalcih, ki delajo na kompleksni, znani kodi z visokimi standardi kakovosti, lahko preverjanje, popravljanje in usmerjanje AI predlogov traja dlje, kot če bi nalogo opravili sami.
Najbolj problematičen del ugotovitve je razkorak med občutkom in dejanskim učinkom. Uporabniki so bili prepričani, da so hitrejši, podatki pa so pokazali nasprotno. Zato samoocena v slogu »z AI sem desetkrat hitrejši« ni dovolj. Če podjetje želi razumeti učinek AI, mora meriti dejanski čas, kakovost, stroške, napake in poslovni učinek.
Pilotni projekt še ni uvedba AI
Drugi velik razkorak se pokaže na ravni podjetij. Fortune je povzel poročilo MIT NANDA z naslovom The GenAI Divide, ki ugotavlja, da le približno 5 % analiziranih generativnih AI pilotov doseže hitro rast prihodkov oziroma jasen finančni učinek. Velika večina pilotnih projektov se ustavi brez merljivega vpliva na poslovni rezultat.
Pomembno je, da raziskava vzroka ne vidi predvsem v kakovosti modelov. Težava je v načinu uvajanja. Podjetja pogosto kupijo orodje, ga dodajo obstoječemu procesu in pričakujejo učinek, ne da bi spremenila način dela, odgovornosti, podatkovne tokove ali merila uspeha.
Zato je razlika med »uporabljamo AI« in »AI nam ustvarja vrednost« ogromna.
Po poročanju Fortune so uspešnejši tisti projekti, kjer podjetja izberejo jasno opredeljeno bolečo točko, sodelujejo s specializiranimi ponudniki, rešitev globlje vključijo v delovni proces in omogočijo, da se orodje prilagaja realnemu delu. Posebej zanimiva je tudi ugotovitev, da se največja donosnost pogosto pokaže v manj glamuroznih zalednih procesih, ne nujno v najbolj vidnih prodajnih ali marketinških primerih.
Produktivnost ima tudi skrite stroške
Članek opozarja še na manj vidne stroške produktivnosti. Prvi so finančni. Poročanje 404 Media na primer kaže, da podjetja že iščejo načine, kako omejiti hitro rast stroškov uporabe AI orodij, predvsem pri porabi žetonov oziroma računski porabi modelov. Če uporaba ni vodena, se lahko stroški hitro povečajo tudi pri nalogah, ki nimajo velike poslovne vrednosti.
Drugi strošek je človeški. TechCrunch je poročal o delu DAIR Institute in TU Berlin, ki opozarja na pogosto skrito delo podatkovnih označevalcev, moderatorjev in drugih delavcev, brez katerih številni AI sistemi ne bi delovali. Velik del »avtomatizirane« izkušnje je v ozadju še vedno odvisen od človeškega dela, pogosto v slabše plačanih in manj vidnih delovnih okoljih.
Tretji strošek je organizacijski. Ko AI prihrani čas, ta čas pogosto ni namenjen razbremenitvi zaposlenih, temveč hitrejšim rokom, večjemu obsegu dela in višjim pričakovanjem. Produktivnost se tako lahko spremeni v pritisk, če podjetje ne razmisli, kaj bo z ustvarjenim prihrankom dejansko naredilo.
Največja priložnost je hkrati največje tveganje
Najbolj občutljiv del razprave je vpliv AI na začetne vloge. Stanford Digital Economy Lab spremlja zaposlitvene trende glede na izpostavljenost poklicev umetni inteligenci. Pri zgodnjih kariernih skupinah, zlasti pri zaposlenih med 22. in 25. letom, se v najbolj AI-izpostavljenih poklicih kažejo opazni upadi zaposlenosti, medtem ko manj izpostavljeni poklici rastejo.
Pomembno je poudariti, da Stanford te podatke predstavlja kot zgodnji signal in korelacijo, ne kot dokončen dokaz vzročnosti. A vzorec je vseeno pomemben za razmislek.
Če AI najbolj pomaga začetnikom, ker jim omogoči hitrejše opravljanje rutinskih nalog, lahko podjetje hitro pride do sklepa, da teh začetnih vlog potrebuje manj. Toda prav te vloge so bile tradicionalno stopnica, prek katere so zaposleni postopoma postali strokovnjaki.
To odpira pomembno vprašanje za prihodnost dela: če avtomatiziramo začetno učenje, kako bomo razvijali naslednjo generacijo strokovnjakov?
Kaj to pomeni za podjetja?
Glavno sporočilo raziskav ni, da AI ne deluje. Ravno nasprotno: AI lahko deluje zelo dobro. Toda deluje pod določenimi pogoji.
Najbolj smiselno ga je uvajati tam, kjer je naloga jasno omejena, rezultat hitro preverljiv, proces dovolj ponovljiv in kjer človek razume, kaj mora nadzorovati. To so lahko podpora uporabnikom, priprava prvih osnutkov, povzemanje dokumentov, klasifikacija zahtevkov, notranje iskanje po znanju, priprava poročil, analiza podatkov ali avtomatizacija zalednih postopkov.
Precej več previdnosti pa zahtevajo naloge, kjer je ključno odprto presojanje, strateško odločanje, poglobljeno strokovno znanje ali delo v okolju, kjer je kontekst zelo specifičen in rezultat težko preverljiv.
Za podjetja to pomeni nekaj zelo konkretnih usmeritev:
- Ne merite občutka produktivnosti, ampak dejanske rezultate.
- Ne uvajajte AI samo kot dodatka k obstoječemu procesu, temveč premislite proces na novo.
- Začnite z nalogami, kjer je rezultat preverljiv in poslovna vrednost jasna.
- Ne predpostavljajte, da bodo največ pridobili najbolj izkušeni zaposleni.
- Ne zanemarite učenja začetnikov, tudi če AI del nalog opravi hitreje.
- Uporabite AI kot podporo odločanju, ne kot nadomestek presoje.
Pravo vprašanje ni »ali AI poveča produktivnost«, temveč »kje jo poveča«
Razprava o AI produktivnosti postaja zrelejša. Prvi val navdušenja je pogosto temeljil na občutku hitrosti, impresivnih demonstracijah in obljubah o avtomatizaciji. Zdaj pa imamo vedno več podatkov, ki kažejo bolj uporabno sliko.
AI ni čarobna rešitev za vse procese. Je pa izjemno močno orodje tam, kjer podjetje dobro razume nalogo, podatke, uporabnika, tveganja in merila uspeha.
V AI HUB-u nas zato zanima predvsem praktična stran uvajanja umetne inteligence: kako izbrati pravi primer uporabe, kako oceniti primernost rešitve, kako povezati podjetje z ustreznim izvajalcem in kako poskrbeti, da projekt ne ostane zgolj zanimiv pilot, temveč se razvije v rešitev z merljivim učinkom.
Vir: AI Weekly, »AI Productivity: it works best for the people losing their jobs«
Viri in nadaljnje branje:
- AI Weekly: https://aiweekly.co/issues/ai-productivity-it-works-best-for-the-people-losing-their
- NBER: Generative AI at Work: https://www.nber.org/papers/w31161
- SSRN: Navigating the Jagged Technological Frontier: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4573321
- METR / arXiv: Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity: https://arxiv.org/abs/2507.09089
- Fortune / MIT NANDA: MIT report: 95% of generative AI pilots at companies are failing: https://fortune.com/2025/08/18/mit-report-95-percent-generative-ai-pilots-at-companies-failing-cfo/
- Stanford Digital Economy Lab: Canaries Dashboard: https://digitaleconomy.stanford.edu/project/indicators/canaries-dashboard/
- 404 Media: The Tokenpocalypse Is Here: https://www.404media.co/the-tokenpocalypse-is-here-companies-are-scrambling-to-stop-spending-so-much-on-ai/
- TechCrunch: Data workers detail exploitation by tech industry in DAIR report: https://techcrunch.com/2024/07/08/data-workers-detail-exploitation-by-tech-industry-in-dair-report/
