Лише третина американців використовує ШІ на роботі

Опитування AP-NORC виявляє тенденції впровадження ШІ

З 10 по 14 липня 2025 року Асоційоване прес-агентство спільно з NORC при Чиказькому університеті провели опитування серед 1,437 дорослих жителів США, щоб оцінити реальний рівень використання штучного інтелекту. Основні результати включають:

• Пошук інформації: 60% дорослих використовували чат-боти ШІ як доповнення до пошукових систем.
• Робочі завдання: Лише 37% респондентів повідомили, що використовують ШІ для виконання робочих обов’язків, таких як написання електронних листів, аналіз даних або створення презентацій.
• Генерація ідей: 62% дорослих до 30 років використовували ШІ для мозкового штурму, тоді як серед осіб старше 60 років цей показник становить лише 20%.
• Спілкування з ШІ: Загалом 16%, зростаючи до 25% серед молоді до 30 років, експериментували з розмовними помічниками, незважаючи на ризики підлабузництва та можливі наслідки для психічного здоров’я.

Технічні чинники обережного впровадження

Хоча публічні дискусії визнають ШІ революцією в продуктивності на робочому місці, опитування підкреслює розрив між очікуваннями та реальним впровадженням. Декілька технічних факторів відіграють роль:

1. Обчислення та затримка: Великі мовні моделі, такі як GPT-4, зазвичай працюють на кластерах графічних процесорів Nvidia A100 або H100, споживаючи 400–700 ватів на кожен GPU. Цільова затримка для кінцевих користувачів становить близько 150–200 мс, але для стабільної роботи підприємств може знадобитися десятки GPU та високошвидкісні з’єднання (наприклад, InfiniBand).
2. Енергетичний слід: Кожен запит до LLM може споживати 0.3–0.5 Вт·год; аналітики оцінюють, що глобальні витрати на інференцію LLM можуть досягти сотень ГВт·год на рік до 2026 року. Вартість енергії та цілі корпоративної стійкості можуть заважати широкому впровадженню.
3. Складність інтеграції: Впровадження LLM через RESTful або gRPC API в індивідуальні інструменти вимагає створення інформаційних потоків, архітектур генерації з підкріпленням (RAG), векторних баз даних (наприклад, Pinecone або FAISS) та налаштувань на місці або гібридного хмари для обробки чутливих даних.

“Багато організацій недооцінюють витрати на операції для забезпечення безпечної та низькозатримкової інференції на великих масштабах,” зазначає доктор Міра Мурати, технічний директор OpenAI. “Команди MLOps повинні забезпечити відповідність, моніторинг та стратегії аварійного відновлення, щоб підтримувати надійність інструментів ШІ для щоденних робочих процесів.”

Інтеграція на робочому місці: інструменти, бар’єри та випадки

Великі постачальники впроваджують ШІ в знайомі інтерфейси:

• Microsoft 365 Copilot: Інтегрує GPT-4 через Azure AI Studio з контролем доступу на основі ролей, пов’язаним з даними Graph API та корпоративними політиками DLP.
• Google Workspace Duet AI: Використовує Vertex AI та PaLM 2 для контекстуальних пропозицій в Docs та Sheets, враховуючи варіанти розташування даних для відповідності GDPR.
• Salesforce Einstein: Налаштований на власних даних CRM, пропонує прогностичне оцінювання потенційних клієнтів та автоматизоване створення звітів.

Проте організаційні перешкоди залишаються:

• Конфіденційність даних: HIPAA, CCPA та внутрішні регуляції часто обмежують передачу власних документів на сторонні LLM.
• Брак навичок: Лише 18% респондентів зазначили, що їхні роботодавці надають формальне навчання ШІ, залишаючи багатьох вчитися самостійно через безкоштовні пробні версії ChatGPT або Bard.
• Довіра та точність: Користувачі повідомляють про 15–20% випадків “галюцинацій” у складних запитах, що призводить до необхідності ручної перевірки та небажання покладатися лише на результати ШІ.

Випадок: Еволюція науковця з даних

Санаа Вілсон, 28-річний науковець з даних з Лос-Анджелеса, спочатку використовувала ChatGPT для шаблонного коду та чернеток електронних листів. З часом вона перейшла на інтегровані плагіни IDE (наприклад, GitHub Copilot) для налагодження в реальному часі. Однак занепокоєння щодо викидів вуглецю на запит та страхи щодо атрофії навичок письма змусили її знайти баланс між допомогою ШІ та ручним кодуванням.

Генераційний розрив і соціальні наслідки

Ставлення різних поколінь формує випадки використання:

• До 30: 74% використовують ШІ для швидкого отримання інформації, 62% – для генерації ідей, 25% – для спілкування або чат-ботів для психічного здоров’я.
• 60 і старше: Лише 45% звертаються до ШІ для пошуку, 20% – для мозкового штурму, і менше 10% коли-небудь пробували ШІ-компаньйонів.

“Я кажу ‘будь ласка’ та ‘дякую’ своєму боту для планування харчування,” каже Кортні Тейлор, 34-річний аудіолог з Де-Мойна. “Я ввічлива через те, що бачила в науковій фантастиці — ніколи не знаєш, чи запам’ятає ШІ мій тон у майбутніх оновленнях.”

Хмарна інфраструктура та питання сталого розвитку

Запуск корпоративного ШІ часто передбачає використання хмарних провайдерів гіпермасштабування:

• AWS Inferentia: Спеціалізовані чіпи, оптимізовані для низькопунктного інференсу, можуть знизити витрати на інференцію на 40% у порівнянні з універсальними GPU.
• Azure Confidential Computing: Підтримує безпечні укриття для чутливих даних під час використання кінцевих точок OpenAI.
• Google TPU v4: Пропонує до 275 тераFLOPS на пристрій у BF16, що підходить для обробки великих пакетів трансформаторних навантажень.

Компанії також впроваджують змішану точність квантизації (8-бітна або 4-бітна INT) та техніки дистиляції для зменшення обсягу пам’яті та споживання енергії.

Регуляторний ландшафт та управління даними

Уряди та органи стандартизації намагаються встановити рамки:

1. Законодавство ЄС про ШІ: Класифікує системи ШІ з високим ризиком — такі як інструменти для найму — що вимагає оцінки впливу перед впровадженням.
2. Фреймворк ШІ NIST США: Надає добровільні рекомендації щодо надійності, пояснювальності та конфіденційності в системах ШІ.
3. Корпоративні політики: Багато компаній зі списку Fortune 500 тепер вимагають {хартії використання ШІ} та регулярних аудитів для виявлення упереджень і перевірки походження даних.

Перспективи: стратегії впровадження корпоративного ШІ

Експерти рекомендують поетапний підхід:

• Пілотні програми: Розпочати з вузьких випадків використання — таких як автоматизовані підсумки зустрічей — перед масштабуванням до повних робочих процесів.
• MLOps та AIOps: Впроваджувати безперервний моніторинг, виявлення зсувів та зворотні зв’язки для перенавчання моделей у міру зміни бізнес-потреб.
• Крос-функціональні команди: Узгоджувати дії науковців з даних, IT, юридичних та бізнес-стейкхолдерів для спільного проектування безпечних і відповідних сервісів ШІ.

Хоча лише третина американців наразі використовують ШІ на роботі, швидкий прогрес у ефективності моделей, цінах на хмари та ясності регуляцій може суттєво прискорити впровадження в 2026 році і далі.