Dil modelleri bilimi her aşamada hızlandırmak için sunuluyor: hipotez geliştirmekten veri çözümlemeye, makale yazmaya kadar. Beklenti açık — yapay zeka sıkıcı rutin işleri üstlenirse, araştırmacının gerçekten düşünmeye daha çok vakti kalır.

Princeton, Washington Üniversitesi ve başka kurumlardan araştırmacıların kuramsal iktisat çalışması bu varsayıma itiraz ediyor. Tez şu: yapay zeka bir bilim insanının tabağından iş aldığında, o bilim insanının vakti daha değerli hâle geliyor. Mevcut bir projeye harcanan her saat, yeni bir proje başlatmaya harcanamayan bir saat. İktisatçıların "fırsat maliyeti" dediği şey ve makalenin modeli bu fikrin üzerine kurulu.

Kusursuz yapay zeka varsayımı

Çalışmanın yöntemsel tercihi dikkat çekici. Yazarlar dil modellerini bilerek idealleştiriyor: onları hata üretmeyen ve neredeyse hiç maliyeti olmayan, yalnızca zaman tasarrufu sağlayan araçlar olarak ele alıyorlar.

Bu kurgunun amacı, saf zaman tasarrufunun etkisini teknolojinin bilinen zayıflıklarından ayırmak. Yani "yapay zeka yanlış bilgi üretiyor" itirazı bu çalışmanın konusu değil. Soru daha keskin: model hiç yanılmasa bile ne olur?

Yiyecek arama kuramından uyarlanan model

Araştırmacılar, davranışsal ekolojideki optimal yiyecek arama kuramına dayanan matematiksel bir model kurdu. Bu kuram, canlıların rakip fırsatlar arasında emeği nasıl dağıttığını tarif ediyor.

Bilime uyarlandığında model, araştırmacıların işgücünü projeler arasında nasıl paylaştırını ve dil modelleri proje döngüsünün farklı aşamalarını kısalttığında ne olduğunu simüle ediyor. Modelde bir araştırma projesi iki aşamada ilerliyor:

  • Elemek — araştırmacı önce fikrin uygulanabilir olup olmadığını kontrol ediyor, sonra bırakmaya ya da devam etmeye karar veriyor.
  • Yürütmek — devam etmek zorunlu bir bölüm içeriyor (şekilleri hazırlamak, metni biçimlendirmek, göndermek) ve bir de gönüllü bölüm (ek deneyler yapmak, daha derin çözümleme, metni cilalamak).

Yazarların vurgusu ikinci maddede: zaman kıtlaştığında feda edilen şey gönüllü bölüm oluyor.

Üç senaryodan ikisi kötü

Makale, yapay zekanın süreçte nereye uygulandığına göre üç senaryo çiziyor.

Birinci senaryo: erken fikir değerlendirmesi. Yapay zeka fikirleri elemede yardım ediyor. Araştırmacılar daha seçici hâle geliyor, çünkü baştan başlamak ucuzladı; yalnızca en umut verici projeler ilerliyor. Ama ilerleyenler de daha az özenli işleniyor, çünkü kazanılan zamanı yeni bir şey başlatmaya harcamak daha kârlı. Yazarlara göre bu örüntü teknik alanlarda tipik.

İkinci senaryo: yayın aşaması. Yapay zeka yazmayı, biçimlendirmeyi ve çözümlemeyi hızlandırıyor. Makaleyi çıkarmak daha az emek gerektirdiği için, daha zayıf projeler de peşinden gitmeye değer hâle geliyor. Dolaşıma daha çok makale giriyor ama her biri daha sığ kalıyor. Bu örüntü saha çalışmasına dayanan disiplinlerde tipik.

Üçüncü senaryo: derinleşme aşaması. Kalitenin gerçekten arttığı tek durum bu. Yapay zeka gönüllü derinleşme aşamasını hızlandırdığında — ek deneyler, daha dikkatli çözümleme — araştırmacıların hep kestirdiği tam o noktayı hedeflediği için sonuç iyileşiyor.

Neden önemli

Bu çalışmanın değeri, yapay zeka verimlilik tartışmasına eksik olan değişkeni sokması: kazanılan zamanın nereye gittiği.

Verimlilik araçları hakkındaki yaygın varsayım, kazanılan zamanın aynı işin daha iyi yapılmasına gideceği. Model bunun aksini gösteriyor: rekabetin ve çıktı sayısının ödüllendirildiği bir sistemde, kazanılan zaman yeni iş başlatmaya gidiyor.

Bu bulgu bilime özgü de değil. Aynı mantık, çıktı sayısıyla ölçülen her işte geçerli — yazılım, gazetecilik, danışmanlık. Aracın nereye uygulandığı, ne kadar hızlandırdığından daha belirleyici oluyor.