Non si tratta di cosa l’AI possa fare per noi, ma di cosa noi possiamo fare per l’AI

La maggior parte delle persone vede l’intelligenza artificiale (AI) attraverso una lente unidirezionale. La tecnologia esiste solo per servire gli esseri umani e raggiungere nuovi livelli di efficienza, precisione e produttività. Ma cosa succede se stiamo perdendo metà dell’equazione? E cosa succede se, facendo così, stiamo solo amplificando i difetti della tecnologia?

L’AI è ancora nella sua infanzia e affronta ancora limitazioni significative nella ragione, nella qualità dei dati e nella comprensione di concetti come la fiducia, il valore e gli incentivi. La divisione tra le capacità attuali e la vera “intelligenza” è sostanziale. La buona notizia? Possiamo cambiare questo diventando collaboratori attivi piuttosto che consumatori passivi di AI.

Gli esseri umani detengono la chiave dell’evoluzione intelligente fornendo migliori quadri di ragionamento, alimentando dati di qualità e colmando il divario di fiducia. Di conseguenza, l’uomo e la macchina possono lavorare fianco a fianco per una vincita reciproca – con una migliore collaborazione che genera migliori dati e migliori risultati.

Consideriamo cosa potrebbe assomigliare una relazione più simbiotica e come, come partner, una collaborazione significativa possa beneficiare entrambi i lati dell’equazione AI.

La relazione richiesta tra uomo e macchina

L’AI è senza dubbio grande nell’analizzare vasti set di dati e nell’automatizzare compiti complessi. Tuttavia, la tecnologia rimane fondamentalmente limitata nel pensare come noi. In primo luogo, questi modelli e piattaforme lottano con la ragione al di là dei loro dati di formazione. Il riconoscimento di pattern e la previsione statistica non rappresentano un problema, ma il giudizio contestuale e i quadri logici che diamo per scontati sono più difficili da replicare. Questo divario di ragionamento significa che l’AI spesso esita quando si confronta con scenari sfumati o giudizi etici.

In secondo luogo, c’è il problema della “spazzatura dentro, spazzatura fuori” della qualità dei dati. I modelli attuali sono formati su vasti archivi di informazioni con e senza consenso. Le informazioni non verificate o distorte vengono utilizzate indipendentemente dalla corretta attribuzione o autorizzazione, risultando in AI non verificata o distorta. La “dieta dei dati” dei modelli è quindi discutibile al meglio e casuale al peggio. È utile pensare a questo impatto in termini nutrizionali. Se gli esseri umani mangiano solo cibo spazzatura, sono lenti e pigri. Se gli agenti consumano solo materiale protetto da copyright e di seconda mano, le loro prestazioni sono simili, con output inesatto, inaffidabile e generico piuttosto che specifico. Questo è ancora lontano dal decision-making autonomo e proattivo promesso nella prossima ondata di agenti.

Criticamente, l’AI è ancora cieca a chi e a cosa sta interagendo. Non può distinguere tra utenti allineati e non allineati, lotta per verificare le relazioni e non riesce a comprendere concetti come la fiducia, lo scambio di valore e gli incentivi degli stakeholder – elementi chiave che governano le interazioni umane.

I problemi dell’AI con soluzioni umane

Dobbiamo pensare alle piattaforme, agli strumenti e agli agenti AI non più come servitori, ma come assistenti che possiamo aiutare a formare. Per iniziare, guardiamo alla ragione. Possiamo introdurre nuovi quadri logici, linee guida etiche e pensiero strategico che i sistemi AI non possono sviluppare da soli. Attraverso un attento prompting e una supervisione attenta, possiamo complementare la forza statistica dell’AI con la saggezza umana – insegnando loro a riconoscere pattern e comprendere i contesti che rendono quei pattern significativi.

Allo stesso modo, invece di permettere all’AI di formarsi su qualsiasi informazione possa raschiare da Internet, gli esseri umani possono curare set di dati di qualità superiore che sono verificati, diversificati e eticamente sorgenti.

Ciò significa sviluppare migliori sistemi di attribuzione in cui i creatori di contenuti vengono riconosciuti e compensati per i loro contributi alla formazione.

Le cornici emergenti rendono ciò possibile. Unendo le identità online sotto un’unica bandiera e decidendo se e cosa sono disposti a condividere, gli utenti possono dotare i modelli di informazioni di zero-party che rispettano la privacy, il consenso e le norme. Meglio ancora, tracciando queste informazioni sulla blockchain, gli utenti e i creatori di modelli possono vedere da dove provengono le informazioni e compensare adeguatamente i creatori per aver fornito questo “nuovo petrolio”. Questo è il modo in cui riconosciamo gli utenti per i loro dati e li coinvolgiamo nella rivoluzione dell’informazione.

Infine, colmare il divario di fiducia significa dotare i modelli di valori e atteggiamenti umani. Ciò significa progettare meccanismi che riconoscano gli stakeholder, verifichino le relazioni e differenzino tra utenti allineati e non allineati. Di conseguenza, aiutiamo l’AI a comprendere il suo contesto operativo – chi trae beneficio dalle sue azioni, cosa contribuisce al suo sviluppo e come il valore fluisce attraverso i sistemi in cui partecipa.

Ad esempio, gli agenti supportati da infrastrutture blockchain sono abbastanza bravi in questo. Possono riconoscere e dare priorità agli utenti con dimostrato impegno nell’ecosistema attraverso la reputazione, l’influenza sociale o la proprietà di token. Ciò consente all’AI di allineare gli incentivi dando più peso agli stakeholder con pelle nel gioco, creando sistemi di governance in cui i sostenitori verificati partecipano alle decisioni in base al loro livello di impegno. Di conseguenza, l’AI comprende più profondamente il suo ecosistema e può prendere decisioni informate da relazioni di stakeholder genuine.

Non perdere di vista l’elemento umano nell’AI

Molto è stato detto sulla crescita di questa tecnologia e su come minaccia di sovvertire settori e cancellare posti di lavoro. Tuttavia, incorporare delle garanzie può assicurare che l’AI potenzi piuttosto che sostituire l’esperienza umana. Ad esempio, le implementazioni di AI più di successo non sostituiscono gli esseri umani, ma estendono ciò che possiamo realizzare insieme. Quando l’AI gestisce l’analisi di routine e gli esseri umani forniscono direzione creativa e supervisione etica, entrambi i lati contribuiscono con le loro forze uniche.

Quando fatto correttamente, l’AI promette di migliorare la qualità e l’efficienza di innumerevoli processi umani. Ma quando fatto male, è limitata da fonti di dati discutibili e solo mimica l’intelligenza piuttosto che mostrarla realmente. Spetta a noi, il lato umano dell’equazione, rendere questi modelli più intelligenti e assicurare che i nostri valori, il nostro giudizio e la nostra etica rimangano al loro cuore.

La fiducia è imprescindibile perché questa tecnologia diventi mainstream. Quando gli utenti possono verificare dove vanno i loro dati, vedere come vengono utilizzati e partecipare al valore che creano, diventano partner disposti piuttosto che soggetti riluttanti. Allo stesso modo, quando i sistemi AI possono sfruttare stakeholder allineati e pipeline di dati trasparenti, diventano più affidabili. A loro volta, sono più propensi a guadagnare accesso ai nostri spazi privati e professionali più importanti, creando una ruota di miglior accesso ai dati e migliori risultati.

Quindi, entrando in questa prossima fase di AI, concentriamoci sul collegare l’uomo e la macchina con relazioni verificabili, fonti di dati di qualità e sistemi precisi. Dovremmo chiederci non cosa l’AI possa fare per noi, ma cosa noi possiamo fare per l’AI.