Vad AI kan och inte kan göra: ärliga gränser

Från förra lektionen vet du att AI:s styrka är kopplad till dess data. Låt oss nu rita en ärlig karta över gränserna – vad AI verkligen kan göra, och vad som i princip ligger bortom den. Det är svaret på "när du inte ska använda AI".

Huvudregeln: ensekundstestet

Ha en enkel regel i åtanke så sparar du dig år av illusioner: om en person löser den typiska versionen av en uppgift på ungefär en sekunds tankearbete – och världen är full av exempel på det – kommer AI förmodligen att klara det. Att upptäcka en bil på ett foto, höra ett ord, skilja spam från icke-spam, känna igen ett ansikte – allt detta är "ensekunds"-uppgifter inom perception, och det finns ett hav av data för dem. AI är stark här.

Nu till baksidan: att förutsäga ett aktiepris en månad framåt baserat på tidigare priser är inte en ensekundsuppgift, och viktigare är att tidigare priser inte förutsäger framtida. Ett dubbelt misslyckande: tankearbetet tar lång tid, och det finns ändå inget mönster i datan. Regeln är grov men pålitlig: AI är en briljant specialist på omedelbar igenkänning, inte en vis person som väger konsekvenser.

Exempel: vad AI klarar och inte klarar

Låt oss kalibrera oss på två områden där det kostar att ha fel.

• En självkörande bil. Kan: räkna ut med kamera och radar var de andra bilarna på vägen befinner sig – det finns miljontals märkta exempel. Kämpar enormt: med att läsa en persons gest – en byggarbetare som vinkar åt dig att stanna, en cyklist som signalerar en sväng med armen. Det finns oändligt många sätt att gestikulera, du kan inte samla in så många exempel, och kostnaden för att göra fel är ett liv.
• Medicin. Kan: upptäcka lunginflammation på en röntgenbild när det finns tusentals bilder märkta "sjuk / frisk". Kan inte: lära sig en diagnos från ett dussin bilder i en lärobok, på samma sätt som en läkarstudent gör. En person generaliserar från några få exempel; AI behöver dem i stora mängder.

Den underskattade svagheten: dålig generalisering

Här är en gräns som nästan ingen pratar om. AI är stark på data som är lik den den såg under träningen, och bräcklig när det gäller något olikt den. Ta en modell tränad på en kliniks rena röntgenbilder, flytta den till en annan där bilderna tas från en annan vinkel med annan utrustning och mer brus, och noggrannheten sjunker märkbart. En riktig läkare anpassar sig till ett nytt sjukhus på en dag; AI kan inte.

Kom ihåg principen: AI "förstår" inte uppgiften, den anpassar ett svar till bekanta exempel – ändra exemplen och självförtroendet faller isär. Detta följer direkt från datalektionen: det som spelar roll är inte bara datans kvalitet utan hur mycket den liknar där modellen faktiskt kommer att fungera.

Varför det verkar som att AI kan göra allt

Var försiktig med nyheterna. Endast AI:s vinster skapar rubriker: slog mästaren, klarade provet, målade ett mästerverk. Misslyckandena – hundratals tysta projekt där AI aldrig tog fart – publiceras knappt. Den snedvridningen är där illusionen av allmakt kommer ifrån. En realistisk bild innebär att du också håller den andra halvan i åtanke – den halvan ingen nämner.

Fyra frågor: ska du lämna detta till AI?

Innan du ger en uppgift till maskinen, kör den genom fyra frågor:

1. Är det en "ensekunds"-uppgift, och finns det gott om exempel? Perception och generering med gott om data – grön zon.
2. Liknar datan där AI faktiskt kommer att fungera? På något olikt den är AI bräcklig.
3. Vad kostar det att ha fel, och kan jag kontrollera resultatet? Hög kostnad utan möjlighet att kontrollera – stoppa.
4. Har AI den data den behöver? Något nyligt, privat eller väldigt nischat (kom ihåg kunskapsgränsen) kan den aldrig ha sett.

Grönt ljus: en ensekunds-uppgift med gott om liknande data, låg felkostnad, ett kontrollerbart resultat. Rött: ett långsamt, konsekvensrikt beslut, obekant data, hög kostnad och ingen möjlighet att verifiera.

En övning utan verktyg – bara ditt huvud och ett papper. Skriv ner fem verkliga uppgifter från din vecka och kör var och en genom ensekundstestet och de fyra frågorna från denna lektion. Markera vilka du skulle lämna över till AI utan att oroa dig (känna igen, sammanfatta, skissa ett utkast) och vilka du skulle behålla (beslut där det kostar att ha fel, färsk data, ansvarsskyldighet, obekanta förhållanden).

Den listan är din personliga "delegera / behålla"-karta. Mekanismen och gränserna är tydliga nu – dags att ta kontrollen, vilket nästa modul är till för: först tittar vi på exempel för ditt eget arbetsområde, sedan skriver du din första riktiga prompt.