Aatomiku laulust tuntud sõnad „ … olen ise väike, kuid mu jõud on suur“, näitavad hästi tehisaru olemust ja tulemist – nähtamatu nähtus liigutab majandus- ja sotsiaalelu tugevasti ning mitmes suunas. Tehisaru iseloomustab, et see püüab jäljendada ning täiustada paljusid inimlikke omadusi ja võimeid, avades tee uuenduslikeks rakendusteks, mis võivad ületada inimvõimeid.
Tehisaru kui tehnoloogia annab masinatele võime lahendada ülesandeid, mida tavaliselt sooritavad inimesed. Tehisaru saab määratleda kui inimmõtlemisega sarnanevaid automatiseeritud tegevusi ning see hõlmab otsuste tegemist, probleemide lahendamist ja õppimist.1 Termini „tehisintellekt“ võttis kasutusele John McCarthy 1956. aastal Dartmouthi seminaril ja see tähistas pöördelist punkti tehisaru uurimisel ja rakendusvõimaluste otsimisel. Tehisaru eluloo viimane kümnend on viinud olukorrani, kus ettevõtted ja asutused ei saa sellest enam mööda vaadata ja peavad mõtlema, millist rolli ja kuidas mängib uus nähtus nende töös.
Tehisaru tähtsus majanduskasvu ja ettevõtete tegevustulemuste tegurina. Paljude majandusteadlaste (näiteks Erik Brynjolfsson jt 20212) üldine seisukoht on, et tehisaru võib lugeda murranguliseks võtmetehnoloogiaks (ingl general purpose technology, GPT) ehk laialdaste (potentsiaalsete) mõjudega tehnoloogiaks. See vastab tunnustatud autorite Timothy Bresnahani ja Manuel Trajtenbergi 1995. aastal esitatud3 kolmele võtmetehnoloogia kriteeriumile:
1) tehnoloogia saavutab aja jooksul väga laialdase leviku üle eri valdkondade ja sektorite;
2) tehnoloogiana areneb aja jooksul tugevalt edasi;
3) arengu käigus toob kaasa täiendavaid, antud tehnoloogiaga sünergias olevaid edasisi uuendusi, mis on vajalikud suurte püsivate mõjude saavutamiseks majanduses ja ühiskonnas.
Murrangulised võtmetehnoloogiad võivad pärast oma leviku kiirenemist tugevalt mõjutada pikaajalist majandusarengut. Siin saab näiteks tuua ajaloolised eelkäijad elektrifitseerimise ja personaalarvutid.4 Varasemate võtmetehnoloogiate mõju on ajaloos ilmnenud küllalt pika viitajaga ja eeldanud tehnoloogia väga laia levikut.
Siiski, generatiivse tehisintellekti puhul oodatakse kiiremat levikut ning see toidab omakorda (üli)suuri ootusi ka tootlikkuse kasvu ja majanduskasvu kiirenemise osas.5 Näiteks Goldman Sachsi eelmise aasta aruandes eeldatakse järgmisel kümnendil tehisintellekti tugevat mõju, hinnates, et maailma kogutoodang (SKT) kasvab tehisaru rakenduste mõjul 7% võrra.6 Ka McKinsey konsultatsioonifirma toob välja, et generatiivse tehisintellekti mõju koos kõigi teiste [uute] tehnoloogiatega võiks tänu töö automatiseerimisele kuni 2040. aastani lisada tootlikkuse kasvule igal aastal 0,5–3,4 protsenti.7
Kuigi tehisaru majanduslike mõjude osas on valdav vaade tehnooptimism, leidub pessimistlikumaid autoreid, kes rõhutavad ühiskonnale ja ettevõtetele selle ebavõrdset mõju, mis omakorda suurendab erinevusi tippude ja mahajääjate vahel ning piirab positiivset mõju. Üks tuntumaid uute tehnoloogiate ja majanduskasvu uurijaid maailmas, Massachusettsi tehnoloogiainstituudi professor Daron Acemoğlu rõhutab 2024. aasta mais ilmunud artiklis: „Tehisintellektil on mõju makromajandusele, tootlikkusele, palkadele ja ebavõrdsusele, kuid kõiki neid on väga raske ennustada.“8
Endiselt on lahtine, mil määral kõrged ootused teostuvad. Näiteks nähakse piiratud mõju juhul, kui tehisaru panus seisneb peamiselt seniste inimtööjõu tööülesannete pelgas asendamises, mitte täiesti uute ja tööjõuga sünergias olevate tööülesannete ja töökohtade loomises.9 Positiivset mõju võivad kahandada ka uute võimalustega kaasnevad ohud – manipulatsioonid, pettused (sh süvavõltsingute levik), eksitav info, privaatsuse riive jpm. Pikaajalise tugeva positiivse mõju saavutamise vajalikuks eelduseks peetakse ka tehisaru arengut suunas, kus luuakse senistest (nt ChatGPT 4.0 tüüpi) märksa usaldusväärsemad lahendused.8
Tehisaru rakendamine ja kasutusviisid. Hiljutine uuring „Fortune 500“ IT-ettevõttes näitab, et IT-tugiteenuste valdkonnas saavutati üldine tootlikkuse kasv 14%.10 Tehisaru on kaasatud tootmisse, aga suur potentsiaal on sel ka organisatsioonide teiste funktsioonide täitmisel. Tehisaru on innovatsiooni vaatenurgast võimendaja, sest toetab nii ideede genereerimist, praktiliste lahenduste loomist kui ka suunab organisatsiooni vajalike muudatuste tegemisele. Turunduses nähakse suurt võimalust mitmetahuliste ja keerukate kliendisuhete juhtimises, sest tehisaru võimaldab kliente paremini kaasata, laialdaselt rakendada analüüsivõtteid, optimeerida isikupärastamist, profiilide koostamist ja strateegilist planeerimist.11 Yong Suk Lee jt12 loetlevad hulganisti valdkondi, milles ettevõtte funktsioneerimine ja sooritus võivad tehisaru rakendamisel pareneda: töö tõhusus, kasumlikkus, konkurentsivõime, teadmised, protsesside juhtimine, töötajate heaolu, organisatsiooni struktuur ja kultuur.
Tehisaru võib ettevõtete pikaajalist tootlikkuse kasvu ja töötajate tööd ettevõtetes mõjutada mitmel moel. Esiteks, ja kõige tüüpilisema oodatud ja samal ajal ka n-ö madalama tasandi efektina, automatiseerida teatud tööülesanded, võimaldades organisatsioonil asendada tööjõud algoritmiga ja säästa tööjõukulusid. Teiseks võib tehisaru rakendamine pikaajalises perspektiivis luua töötajatele hoopis uusi tööülesandeid ja töökohti, mis on kõrgema lisandväärtusega. Kolmandaks, tehisaru võib toetada organisatsioonides uuendustegevusi ja suurendada töötajate tootlikkust koostoimes paljude teiste teguritega.
Tehisaru rakenduste positiivse mõju tugevaks avaldumiseks ettevõttes vajab tehnoloogia komplementaarseid tegureid, mis loovad soodsa keskkonna uue tehnoloogia efektiivseks kasutamiseks ja aitavad uue tehnoloogia toimet võimendada. Üheks peamiseks sellist sünergiat loovaks teguriks on organisatsioonilised uuendused.13 Tehisaru lihtsustab organisatsiooni struktuuri, ajendab looma uut laadi töögruppe, vähendab rutiinset tööd ja sekkub organisatsioonikultuuri dünaamikasse, sest toob välja selle ebatõhusad osad.12 Tehisaru rakendamise efektiivsus sõltub ka ettevõtte andmetaristust ning võimest koguda ja analüüsida suuri andmehulkasid. Andmete kogumine ja analüüsimine on esmatähtis, kuna tehisaru algoritmid vajavad pidevat õppeprotsessi ja kõrge kvaliteediga treeningandmeid. Lisaks viitavad teadustööde tulemused sellele, et ettevõtte investeeringud teadus- ja arendustegevusse arendavad ettevõtte võimet tehisaru edukalt integreerida ja kohandada, tugevdades seeläbi ettevõtte konkurentsivõimet.
Inimesed ja nende oskused tehisaru rakendamisel. Tehisaru rakendamise põhjused ja tõukejõud on majanduslikud (sh kulud ja tootlikkus jne), tehnoloogilised (sh suured andmemassiivid ja digitaalsed platvormid jne) ning sotsiaalsed (nt jätkusuutlikkus, ringmajanduse juhtimine jne).14 Nende rikkalike võimaluste ajel saab küsida, kus ja mil määral võtab tehisaru majandustegevuses inimese rolli üle. Küsimusele vastamiseks on vaja määratleda inimaru ja tehisaru omavaheline suhe. Naomi Haefner jt15 toovad välja, et tehisaru rakendamisel on kolm faasi – kasutamine, kasutuse laiendamine ja uurimine (ingl exploiting, expanding, exploring), kusjuures tehisaru autonoomsuse tase suureneb pidevalt. Sellega ületatakse teabega seotud innovatsiooni barjääre, aidatakse tootmisettevõtteid juurdunud harjumuste uuendamisel. Üldjoontes eristatakse inimeste koostegevuse sisu alusel kaht tüüpi suhteid,16 mida uurimuse autorid nimetavad kentauri- ja küborgilaadseks. Esimene tegutseb nagu müütiline poolhobune ja teine teeb tehisaruga loomupärast koostööd.
Kentauri tüüpi suhte puhul kasutab inimene tehisaru ja inimaru tugevusi vaheldumisi. Käitumuslikult iseloomustab seda, et inimene esitab küsimuse ja teema lahendamiseks vajaliku informatsiooni ning laseb oma loodud sisu viimistleda. Küborgi tüüpi suhtes käsitletakse tehisaru partnerina kogu töövoo jooksul, rakendades seda lahenduste otsimisel, vahel seades pakutu kahtluse alla ja katsetades. Siin laseb inimene tehisarul ülesanded osadeks jaotada, nõuab loogilisi selgitusi ja üksikasju, lükkab pakutud lahendusi tagasi, lisab oma andmeid ning laseb luua uusi lahendusi. Hiljutine Eestis tehtud uuring näitab, et inimese rahulolu tehisaruga suhtlemisest on suurem siis, kui sellele antakse suurem roll,17 see tähendab, pigem küborgi tüüpi suhte korral. Teisalt piirab hiljutise uurimistöö18 põhjal tehisaru rolli suuremat rakendamist inimeste piiratud usaldus selle abil loodud ideede ja lahenduste vastu.
Huvitava aspektina ilmneb, et generatiivne tehisaru aitab paljude (kuid kindlasti mitte kõigi) tööülesannete puhul kõige enam neid, kelle ametiülesannete täitmise võimekus on algusfaasis ja valdkonnakogemused vähesed. Näiteks, USAs IT-tugiteenuste ettevõtetes tehtud uuringu põhjal jõuti tulemuseni, et tehisaru poolt toetatud kahekuulise kogemusega töötajad oskasid oma tööd teha sama hästi kui ilma tehisaruta kuus kuud töötanud.4
Kõlab paradoksaalselt, kuid tehisaru ei parendanud kogenumate ja oskuslikumate töötajate sooritust. Samalaadne tulemus, mis näitas, et tehisaru rakendamisel kahanes erinevus parimate ja seni neist maha jäänud töötajate soorituse tasemes, saadi hiljuti, kui uuriti tekstirobotit abilisena kasutanud konsultantide tööd.16 Generatiivse tehisintellekti rakendamine abilisena tõstis varem alla keskmise sooritusega töötajate sooritusnäitajaid 43%, kuid üle keskmise sooritusega töötajate puhul oli kasv märksa väiksem, 17%. Sida Pengi jt19 programmeerijate tehtava töö uuring näitab lähedast tulemust – GitHubi ja OpenAI välja töötatud koodi lõpetamise tööriistast said abi just vähem kogenud ning ka ealt vanemad programmeerijad. See näitab, et osa valdkondade ja tööülesannete puhul on tehisaru rakendamisel suur potentsiaal uute või vähekogenud töötajate ning ehk ka karjääri vahetanud töötajate väljaõppes ja organisatsiooni parimate tasemele järeleaitamises.
Seega võib oletada, et tehisaru edendab organisatsiooni sooritust, tõstes tegevustulemuste minimaalset taset. Metafooriliselt öeldes, kui kasutada nn tünni seadust, mille järgi üldise soorituse taseme määrab kõige madalam element, siis näeme, et tehisaru panustab just selle osa arengusse ja need muutused on suhteliselt püsivad. See erineb automatiseerimise mõju kujunemisloogikast, mille järgi organisatsioonis võidavad pigem kõrge kvalifikatsiooniga võimekad töötajad. Sama seaduspära tehisaru kui kogemuse asendaja rollist tuleb välja ka Taani hiljutisest statistikast tehisaru rakendanud töötajaskonnast, kelle hulgas on seda kiiremini asunud kasutama nooremad, vähem kogenud, ja ühe täiendava aspektina – eriti meestöötajad. Sellisele järeldusele jõuti, kui küsitleti 100 000 töötajat üheteistkümnest tehisaru poolt n-ö ohustatud ametialalt.20 Polnud üllatav, et ChatGPT on laialt levinud ja koguni pool uuritud valimi töötajatest on seda kasutanud, kuid vähem kogenute suurem kasutamissagedus oli uudne tulemus.
Mitte kõik tekstirobotite kasutajad ei suuda generatiivse tehisintellekti rakendustest märkimisväärset majanduskasu lõigata. Näiteks Nicholas G. Otise jt21 uuring näitab Keenia mikroettevõtete andmete põhjal generatiivse tehisintellekti rakendusvõimalusi mitmetahuliste ülesannete, nt ettevõtlusalaste personaliseeritud konsultatsioonide korral. Uuringust ilmnes, et koostöö tehisaruga ja nõuannete elluviimine oli tulemuslik ainult varasemalt keskmisest kõrgema sooritustasemega ettevõtjatel, kusjuures varasema madalama sooritustasemega ettevõtjate puhul leiti koguni negatiivne mõju. Uurimuse läbiviijad seletavad seda nii, et viimase grupi puhul olid küsimused tehisarule tihtipeale koostatud kriitikameeleta, oskamatult ja ebarealistlikult kõrgete ootustega. Selgub, et vähene kompetents toob kaasa tehisaru madalama kasutusefektiivsuse.
Ka Helen Vaht11 näitab oma hiljutises Eestis tehtud eksperimentaalses uuringus generatiivse tehisintellekti rakendamise piiranguid. ChatGPT 4.0 juturoboti abil loodud turundussõnumite ja turundusspetsialistide loodud turundussõnumite võrdluse puhul hinnatakse inimeste loodud sisu siiski kõrgemalt. ChatGPT 4.0 oli turundussisu loomisel abiks, kuid sellel jäi puudu inimese koostatud sisu detailirikkus, autentsus, ka varieeruvus.
Ettevõtted, kes investeerivad oma töötajate oskuste arendamisse ja pakuvad tehisaru kasutamise koolitusi, saavutavad sageli märkimisväärselt paremaid tulemusi võrreldes ülejäänutega. Konkreetse oskuse väärtus ilmneb tavaliselt kombinatsioonis indiviidi muude oskuste ja võimetega. Nii on ka tehisaru rakendamise ja arendamisega seotud oskuste puhul. Fabian Stephany ja Ole Teutloff 22 tõstavad oma töövahendusplatvormi andmete põhises hiljutises uurimistöös esile, et tehisaru rakendamise ja arendamisega seotud töötajate oskused mõjutavad palka eriti tänu kaudsele efektile, tänu selliste oskuste sünergiale väga suure hulga mitmesuguste muude tööturul väärtuslike oskustega. Täiendusefekt tagas nende uuritud platvormil tehisaru valdkonna oskustega töötajatele ülejäänutega võrreldes 21% kõrgema palga.
Konkreetsemalt on tähtsad sellised kõrgema tasandi oskused nagu sotsiaalsed ja probleemilahendusoskused, mis võimaldavad töötajatel paremini kohaneda tehisaru pakutavate võimalustega, saavutada sünergiat tehisaruga ja seega ettevõttel tehnoloogiast rohkem kasu saada. Anastasiia Pustovalova ja Priit Vahter23 on demonstreerinud nende oskuste tähtsust tehnoloogilisi uuendusi sisse viinud Eesti ettevõtete töötajate puhul, kus töötajate sotsiaalsed ja probleemilahenduse oskused leiti olevat selges seoses kõrgema palgaga. Sotsiaalsete oskuste all on siinkohal mõeldud mh koordineerimise, meeskonnatöö ja juhendamise oskusi.
Artikli materjali ette valmistamist on toetanud ETAgi rühmagrant PRG 791.
Mõjud Eestis
Ehkki uut tüüpi suhete kujunemine uue tehnoloogiaga on alles algusjärgus, saab paari aasta taguste varase tehisaru kasutuse andmete põhjal öelda, et need ettevõtted, kus rakendati toonase (mittegeneratiivse) tehisaru võimalusi, saavutasid juba uue tehnoloogia esmakordse rakendamise aastal keskmiselt 7,4% kõrgema tootlikkuse kui neile muude näitajate osas sarnased ettevõtted, kus seda ei tehtud.1 See kiiresti avaldunud tulemus on märkimisväärne, sest tehisaru rakendamine oli siis veel algjärgus, tegu on perioodiga enne ChatGPT 4.0 jt analoogsete generatiivse tehisintellekti rakenduste levikut, ning ettevõtete ülesed uute tehnoloogiatega seotud sünergiaefektid alles kujunemas. See näitaja on ka mujal maailmas tehtud esinduslike uuringute tulemustega võrreldes pigem kõrgemate seas. OECD ülevaateartiklis2 tuuakse näiteks välja, et mittegeneratiivse tehisintellekti panus tootlikkusse on ettevõtetes (olenevalt uuringust) keskmiselt u 0–10% kõrgem tootlikkustase.
Tugevat mõju on takistanud tehisaru senine piiratud rakendamine Eesti ettevõtetes, eriti väikestes ja keskmise suurusega ettevõtetes. Eesti statistikaameti viimase ettevõtete IT-uuringu andmete põhjal kasutas 2023. aasta esimeses kvartalis vaid 5,1% ettevõtetest mõnda tehisintellekti tehnoloogiat, jäädes alla Euroopa keskmisele ning eriti alla selle tehnoloogia ettevõtete leviku poolest juhtivatele Taanile ja Soomele. Tehisaru potentsiaal Eesti majanduskasvu panustada on suur, kuid selle märksa laialdasem levik ettevõtetes on potentsiaali realiseerimiseks hädavajalik.
Tehisarul on murrangulise võtmetehnoloogia tunnused, kuid endiselt on lahtine, mil määral ja moel võimalikud positiivsed mõjud majandustegevuses teostuvad. Selleks et elu areneks paremuse poole, peaksid tehisaru rakendused looma inimtööjõuga sünergia ning kasutama seda uute tööviiside ja -kohtade kujundamiseks. Eeldusel, et kõik õpivad ja katsetavad.
1 Eesti konkurentsivõime nõukoja raport 2024. Tartu Ülikooli töörühma ökonomeetriline analüüs.
2 Francesco Filippucci et al., The impact of Artificial Intelligence on productivity, distribution and growth: Key mechanisms, initial evidence and policy challenges. OECD Artificial Intelligence Papers 2024, No. 15.
1 Eesti konkurentsivõime nõukoja raport 2024. Tartu Ülikooli töörühma ökonomeetriline analüüs.
2 Francesco Filippucci et al., The impact of Artificial Intelligence on productivity, distribution and growth: Key mechanisms, initial evidence and policy challenges. OECD Artificial Intelligence Papers 2024, No. 15.
1 Richard Bellman, An Introduction to Artificial Intelligence: Can Computers Think? Boyd & Fraser Publishing Company 1978.
Haroon Sheikh, Corien Prins, Erik Schrijvers, Artificial Intelligence: Definition and Background. In Haroon Sheikh, Corien Prins, Erik Schrijvers (toim), Mission AI: The New System. Springer International Publishing 2023.
2 Erik Brynjolfsson, Daniel Rock, Chad Syverson, The Productivity J-Curve: How Intangibles Complement General Purpose Technologies. – American Economic Journal: Macroeconomics 2021, 13 (1).
3 Timothy F. Bresnahan, Manuel Trajtenberg, General purpose technologies ‘Engines of growth’? – Journal of Econometrics 1995, 65(1).
4 Philippe Aghion, Benjamin F. Jones, Charles I. Jones, Artificial intelligence and economic growth. Cambridge, USA, National Bureau of Economic Research 2017, 23928.
Erik Brynjolfsson, Daniel Rock, Chad Syverson, Artificial intelligence and the modern productivity paradox. – The economics of artificial intelligence: An agenda 2019, 23.
Iain M. Cockburn, Rebecca Henderson, Scott Stern, The impact of artificial intelligence on innovation. Cambridge, USA, National Bureau Of Economic Research 2018, 24449.
5 Ray Perrault and Jack Clark, Artificial Intelligence Index Report 2024.
6 Jan Hatzius, Joseph Briggs, Devesh Kodnani, Giovanni Pierdomenico, The Potentially Large Effects of Artificial Intelligence on Economic Growth (Briggs/Kodnani). Goldman Sachs 26. III 2023.
7 Michael Chui et al., The economic potential of generative AI: The next productivity frontier. McKinsey 14. VI 2023.
8 Daren Acemoğlu, The Simple Macroeconomics of AI. Cambridge, USA, National Bureau of Economic Research Working Paper 2024, No. w32487.
9 Valerio Capraro et al., The impact of generative artificial intelligence on socioeconomic inequalities and policy making. – arXiv preprint 16. XII 2023.
10 Erik Brynjolfsson, Danielle Li, indsey R. Raymond, Generative AI at work. Cambridge, USA, National Bureau of Economic Research 2023, No. w31161.
11 Helena Vaht, Assessing AI’s potential in marketing content creation. University of Tartu, School of Economics and Business Administration 2024.
12 Yong Suk Lee, Taekyun Kim, Sukwoong Choi Keough, Wonjoon Kim, When does AI pay off? AI-adoption intensity, complementary investments, and R&D strategy. – Technovation 2022, 118.
13 Gérard Ballot, Fathi Fakhfakh, Fabrice Galia, Ammon Salter, The fateful triangle: Complementarities in performance between product, process and organizational innovation in France and the UK. – Research Policy 2015, 44(1).
Priit Vahter, Maaja Vadi, The Relationship of Technological and Organizational Innovation with Firm Performance: Opening the Black Box of Dynamic Complementarities. Ilmumas, Technological Forecasting and Social Change 2024.
14 Marcello M. Mariani, Isa Machado, Vittoria Magrelli, Yogesh K. Dwivedi, Artificial intelligence in innovation research: A systematic review, conceptual framework, and future research directions. – Techovation 2023, 1222.
15 Naomi Haefner, Joakim Wincent, Vinit Parida, Oliver Gassmann, Artificial intelligence and innovation management: A review, framework, and research agenda. – Technological Forecasting and Social Change 2021, 162(C).
16 DellʼAcqua, Fabrizio et al., Navigating the jagged technological frontier: Field experimental evidence of the effects of AI on knowledge worker productivity and quality. – Harvard Business School Technology & Operations Mgt. Unit Working Paper 24-013 2023.
17 G. Samadova, O. Najiyev, Exploring human-AI communication in academic settings: integrating communication theory elements to increase efficiency of communication. University of Tartu, School of Economics and Business Administration 2024.
18 L. Schmallenbach, B. & Wirthmann, The Evaluation of Ideas Generated by Artificial Intelligence. DRUID24 conference paper, 13–15. VI 2024.
19 Sida Peng, Eirini Kalliamvakou, Peter Cihon, Mert Demirer, The impact of AI on developer productivity: Evidence from GitHub Copilot. arXiv preprint 13. II 2023.
20 Anders Humlum, Emilie Vestergaard, The Adoption of ChatGPT. University of Chicago, Becker Friedman Institute for Economics Working Paper No. 2024-50.
21 Nicholas G. Otis, Rowan Clarke, Solène Delecourt, David Holtz, Rembrand Koning, The Uneven Impact of Generative AI on Entrepreneurial Performance. DRUID24 conference paper, 13–15. VI 2024.
22 Fabian Stephany, Ole Teutloff, What is the price of a skill? The value of complementarity. Research Policy 2024, 53(1).
23 Anastasiia Pustovalova, Priit Vahter, Automation-skill complementarity: the changing returns to soft skills in different stages of technology adoption. University of Tartu School of Economics and Business Administration 2024, 146.
