Studie: 42 procent arbetar mer sedan de började använda AI-verktyg

När AI-verkligheten inte matchar förväntningarna

Artificiell intelligens skulle göra våra arbetsliv enklare och mer effektiva. Men verkligheten visar sig mer komplex än så. Flera nya studier pekar på bestående problem som utmanar vår förståelse av vad AI verkligen kan leverera.

En undersökning från Artificial Lawyer bland 240 yrkesverksamma, främst jurister, visar en överraskande trend: 42 procent arbetar mer sedan de började använda AI-verktyg, medan endast 7 procent arbetar mindre. Resterande 50 procent arbetar ungefär lika mycket som tidigare.

Förklaringen ligger i AI:ns dubbla effekt. Visserligen automatiseras rutinuppgifter, men den ökade effektiviteten skapar paradoxalt nog mer arbete totalt sett. När varje del av verksamheten blir mer kapabel kan fler ärenden hanteras, vilket driver upp den totala arbetsbelastningen. Samtidigt kräver AI-genererat innehåll omfattande kvalitetskontroll från erfarna medarbetare.

Hallucinationer – ett ihållande tekniskt problem

Parallellt med praktiska utmaningar pågår intensiv forskning för att lösa AI:ns grundläggande tekniska begränsningar. Hallucinationer – när AI skapar felaktig eller orealistisk information – är ett av de mest kritiska problemen.

Ny forskning från arXiv förklarar varför vissa bildgenereringsmodeller är mer benägna att hallucinera. Studien visar att deterministiska DDIM-modeller fastnar oftare mellan olika datamönster jämfört med stokastiska DDPM-modeller. Det slumpmässiga elementet i DDPM hjälper modellen att undvika dessa "fällor" och därmed minska felaktiga resultat.

Problemet är särskilt påtagligt inom så kallade Vision-Language Models som kombinerar bild- och textanalys. Dessa modeller förlitar sig ofta för mycket på språkliga fördomar istället för vad som faktiskt syns i bilderna, vilket leder till beskrivningar av saker som inte existerar.

Lyckligtvis finns lovande lösningar på gång. Forskare har utvecklat metoden Positive-and-Negative Decoding (PND) som arbetar direkt i avkodningsprocessen utan att kräva omträning av befintliga modeller. Metoden skapar två parallella vägar – en som förstärker visuella bevis och en som motverkar språkdominerad generering.

Säkerhetsutmaningar i realtidssystem

Utöver hallucinationer visar ny forskning på sårbarheter i strömmande AI-system som lär sig kontinuerligt från realtidsdata. Till skillnad från traditionella system som tränas offline är dessa särskilt utsatta för fientliga attacker.

Studier av Fuzzy ARTMAP-arkitekturer visar att attackmetoder som WB-Softmax kan lura systemen i 89-100 procent av fallen. Ännu mer oroande är att traditionella försvarsmetoder som fungerar mot enklare attacker kan misslyckas totalt mot sofistikerade angrepp.

Teoretiska genombrott ger hopp

Trots utmaningarna sker betydande framsteg inom den teoretiska förståelsen. Forskare har utvecklat ett enhetligt ramverk som visar att tre viktiga typer av generativa AI-modeller – diffusionsmodeller, poängbaserade modeller och flödesanpassning – egentligen bygger på samma matematiska grund.

Denna förståelse kan förenkla framtida utveckling genom att klargöra skillnader mellan metodernas samplingsstrategier, stabilitetsegenskaper och beräkningskomplexitet.