Ano ang Maaasahan sa Paggawa ng Generative AI Nang Walang Interbensyon ng Tao?

Buod ng Ehekutibo

Ang Generative Artificial Intelligence (AI) – ang teknolohiyang nagbibigay-daan sa mga makina na lumikha ng teksto, mga imahe, code, at marami pang iba – ay nakaranas ng mabilis na paglago nitong mga nakaraang taon. Ang white paper na ito ay nagbibigay ng madaling maunawaang pangkalahatang-ideya ng kung ano ang maaasahang magagawa ng generative AI ngayon nang walang interbensyon ng tao, at kung ano ang inaasahang gagawin nito sa susunod na dekada. Sinusuri namin ang paggamit nito sa pagsusulat, sining, coding, serbisyo sa customer, pangangalagang pangkalusugan, edukasyon, logistik, at pananalapi, na itinatampok kung saan ang AI ay gumagana nang awtonomiya at kung saan nananatiling mahalaga ang pangangasiwa ng tao. Kasama ang mga halimbawa sa totoong mundo upang ilarawan ang parehong tagumpay at mga limitasyon. Kabilang sa mga pangunahing natuklasan ang:

• Malawakang Pag-aampon: Sa 2024, 65% ng mga sinurbey na kumpanya ang nag-uulat na regular na gumagamit ng generative AI – halos doble ang bahagi mula sa nakaraang taon ( Ang estado ng AI noong unang bahagi ng 2024 | McKinsey ). Saklaw ng mga aplikasyon ang paglikha ng nilalaman sa marketing, mga chatbot ng suporta sa customer, pagbuo ng code, at marami pang iba.

• Mga Kasalukuyang Kakayahang Awtonomong: Ang generative AI ngayon ay maaasahang humahawak sa mga nakabalangkas at paulit-ulit na gawain nang may kaunting pangangasiwa. Kabilang sa mga halimbawa ang awtomatikong pagbuo ng mga pormulang ulat ng balita (hal. mga buod ng kita ng korporasyon) ( Philana Patterson – ONA Community Profile ), paggawa ng mga deskripsyon ng produkto at mga highlight ng review sa mga e-commerce site, at awtomatikong pagkumpleto ng code. Sa mga larangang ito, kadalasang pinapahusay ng AI ang mga manggagawang tao sa pamamagitan ng pagkuha sa mga regular na pagbuo ng nilalaman.

• Human-in-the-Loop para sa mga Komplikadong Gawain: Para sa mas kumplikado o bukas na mga gawain – tulad ng malikhaing pagsulat, detalyadong pagsusuri, o medikal na payo – karaniwang kinakailangan pa rin ang pangangasiwa ng tao upang matiyak ang katumpakan ng katotohanan, etikal na paghatol, at kalidad. Maraming pag-deploy ng AI ngayon ang gumagamit ng modelong "human-in-the-loop" kung saan ang AI ang nagbabalangkas ng nilalaman at sinusuri ito ng mga tao.

• Mga Malapit na Pagpapabuti: Sa susunod na 5-10 taon, ang generative AI ay inaasahang magiging mas maaasahan at awtonomiya . Ang mga pagsulong sa katumpakan ng modelo at mga mekanismo ng guardrail ay maaaring magpahintulot sa AI na pangasiwaan ang mas malaking bahagi ng mga malikhaing gawain at paggawa ng desisyon na may kaunting input ng tao. Halimbawa, pagdating ng 2030, hinuhulaan ng mga eksperto na hahawakan ng AI ang karamihan ng mga pakikipag-ugnayan at desisyon sa serbisyo sa customer sa totoong oras ( Upang Muling Isipin ang Paglipat sa CX, Dapat Gawin ng mga Marketer ang 2 Bagay na Ito ), at isang malaking pelikula ang maaaring magawa na may 90% na nilalamang binuo ng AI ( Mga Generative AI Use Case para sa mga Industriya at Negosyo ).

• Pagsapit ng 2035: Sa loob ng isang dekada, inaasahan natin ang mga autonomous AI agent ay magiging karaniwan sa maraming larangan. Ang mga AI tutor ay maaaring magbigay ng personalized na edukasyon nang malawakan, ang mga AI assistant ay maaaring maaasahang magbalangkas ng mga legal na kontrata o mga medikal na ulat para sa pag-apruba ng mga eksperto, at ang mga self-driving system (sa tulong ng generative simulation) ay maaaring magpatakbo ng mga operasyon sa logistik mula simula hanggang katapusan. Gayunpaman, ang ilang sensitibong lugar (hal. mga high-stakes medical diagnosis, mga pangwakas na legal na desisyon) ay malamang na mangangailangan pa rin ng paghatol ng tao para sa kaligtasan at pananagutan.

• Mga Alalahanin sa Etika at Kahusayan: Habang lumalaki ang awtonomiya ng AI, lumalaki rin ang mga alalahanin. Kabilang sa mga isyu ngayon ang halusinasyon (ang AI ay gumagawa ng mga katotohanan), pagkiling sa nabuong nilalaman, kawalan ng transparency, at potensyal na maling paggamit para sa maling impormasyon. Napakahalaga ang pagtiyak na mapagkakatiwalaan ang AI kapag gumagana nang walang pangangasiwa. May mga pag-unlad na nagagawa – halimbawa, ang mga organisasyon ay mas namumuhunan sa pagpapagaan ng panganib (pagtugon sa katumpakan, cybersecurity, mga isyu sa IP) ( The State of AI: Global survey | McKinsey ) – ngunit kailangan ang matatag na pamamahala at mga etikal na balangkas.

• Kayarian ng Papel na Ito: Magsisimula tayo sa isang pagpapakilala sa generative AI at ang konsepto ng autonomous vs. supervised na paggamit. Pagkatapos, para sa bawat pangunahing larangan (pagsulat, sining, coding, atbp.), tatalakayin natin kung ano ang magagawa ng AI nang maaasahan ngayon kumpara sa kung ano ang nasa hinaharap. Magtatapos tayo sa pamamagitan ng mga hamong kinakaharap, mga pagtataya sa hinaharap, at mga rekomendasyon para sa responsableng paggamit ng generative AI.

Sa pangkalahatan, napatunayan nang kayang humawak ng nakakagulat na hanay ng mga gawain ang generative AI nang walang patuloy na gabay ng tao. Sa pamamagitan ng pag-unawa sa kasalukuyang mga limitasyon at potensyal nito sa hinaharap, mas makapaghahanda ang mga organisasyon at publiko para sa isang panahon kung saan ang AI ay hindi lamang isang kasangkapan, kundi isang nagsasariling kolaborator sa trabaho at pagkamalikhain.

Panimula

Matagal nang kayang suriin ang datos, ngunit kamakailan lamang natuto ang mga AI system na lumikha – pagsulat ng prosa, pagbuo ng mga imahe, software sa pagprograma, at marami pang iba. Ang mga generative AI model na ito (tulad ng GPT-4 para sa teksto o DALL·E para sa mga imahe) ay sinanay sa malawak na dataset upang makagawa ng nobelang nilalaman bilang tugon sa mga prompt. Ang tagumpay na ito ay nagpakawala ng isang alon ng inobasyon sa iba't ibang industriya. Gayunpaman, isang kritikal na tanong ang lumilitaw: Ano nga ba ang maaari nating pagkatiwalaan na magagawa ng AI nang mag-isa, nang hindi sinusuri ng isang tao ang output nito?

Upang masagot ito, mahalagang makilala ang pagkakaiba sa pagitan ng pinangangasiwaang at awtonomong paggamit ng AI:

• Ang Human-supervised AI ay tumutukoy sa mga senaryo kung saan ang mga output ng AI ay sinusuri o kinukuha ng mga tao bago ito pinal. Halimbawa, maaaring gumamit ang isang mamamahayag ng isang AI writing assistant upang magbalangkas ng isang artikulo, ngunit ang isang editor ang nag-eedit at nag-aapruba nito.

• Ang Autonomous AI (AI na walang interbensyon ng tao) ay tumutukoy sa mga sistemang AI na nagsasagawa ng mga gawain o gumagawa ng nilalaman na direktang ginagamit nang may kaunti o walang pag-eedit ng tao. Ang isang halimbawa ay isang awtomatikong chatbot na sumasagot sa isang query ng customer nang walang ahente ng tao, o isang outlet ng balita na awtomatikong naglalathala ng isang buod ng iskor sa palakasan na nabuo ng AI.

Ang Generative AI ay ipinapatupad na sa parehong paraan. Noong 2023-2025, ang pag-aampon ay biglang tumaas , kung saan ang mga organisasyon ay sabik na nag-eeksperimento. Natuklasan sa isang pandaigdigang survey noong 2024 na 65% ng mga kumpanya ang regular na gumagamit ng generative AI, mula sa halos isang-katlo isang taon lamang ang nakalilipas ( Ang estado ng AI noong unang bahagi ng 2024 | McKinsey ). Ang mga indibidwal din ay yumakap sa mga tool tulad ng ChatGPT – tinatayang 79% ng mga propesyonal ay nagkaroon ng kahit kaunting pagkakalantad sa generative AI pagsapit ng kalagitnaan ng 2023 ( Ang estado ng AI noong 2023: Generative AI's breakout year | McKinsey ). Ang mabilis na paggamit na ito ay hinihimok ng pangako ng kahusayan at mga natamo sa pagkamalikhain. Gayunpaman, nananatili itong "mga unang araw," at maraming kumpanya ang bumubuo pa rin ng mga patakaran kung paano gamitin ang AI nang responsable ( Ang estado ng AI noong 2023: Generative AI's breakout year | McKinsey ).

Bakit mahalaga ang awtonomiya: Ang pagpapahintulot sa AI na gumana nang walang pangangasiwa ng tao ay maaaring mag-alis ng malalaking benepisyo sa kahusayan – ganap na pag-automate ng mga nakakapagod na gawain – ngunit pinapataas din nito ang nakataya para sa pagiging maaasahan. Ang isang autonomous na ahente ng AI ay dapat na maitama ang mga bagay (o malaman ang mga limitasyon nito) dahil maaaring walang tao sa totoong oras na makakahuli ng mga pagkakamali. Ang ilang mga gawain ay mas angkop dito kaysa sa iba. Sa pangkalahatan, ang AI ay pinakamahusay na gumaganap nang awtonomiya kapag:

• Ang gawain ay may malinaw na istruktura o padron (hal. pagbuo ng mga karaniwang ulat mula sa datos).

• Ang mga pagkakamali ay mababa ang panganib o madaling tiisin (hal. isang pagbuo ng imahe na maaaring itapon kung hindi kasiya-siya, kumpara sa isang medikal na diagnosis).

• Mayroong sapat na datos sa pagsasanay na sumasaklaw sa mga senaryo, kaya ang output ng AI ay nakabatay sa mga totoong halimbawa (nakakabawas sa panghuhula).

Sa kabaligtaran, ang mga gawaing bukas ang katapusan , may malaking pusta , o nangangailangan ng masusing paghuhusga ay hindi gaanong angkop sa walang pangangasiwa ngayon.

Sa mga sumusunod na seksyon, susuriin natin ang iba't ibang larangan upang makita kung ano ang ginagawa ngayon ng generative AI at kung ano ang susunod. Titingnan natin ang mga konkretong halimbawa – mula sa mga artikulo ng balita na isinulat ng AI at mga likhang sining na binuo ng AI, hanggang sa mga code-writing assistant at mga virtual customer service agent – ​​na itinatampok kung aling mga gawain ang maaaring gawin nang tuluyan ng AI at alin ang nangangailangan pa rin ng isang tao na naka-engage. Para sa bawat larangan, malinaw naming pinaghihiwalay ang mga kasalukuyang kakayahan (circa 2025) mula sa mga makatotohanang pagtataya kung ano ang maaaring maging maaasahan pagdating ng 2035.

Sa pamamagitan ng pagmamapa ng kasalukuyan at hinaharap ng autonomous AI sa iba't ibang larangan, layunin naming bigyan ang mga mambabasa ng balanseng pag-unawa: hindi labis na pagpapahalaga sa AI bilang mahiwagang hindi nagkakamali, ni hindi rin pagmamaliit sa tunay at lumalagong kakayahan nito. Taglay ang pundasyong ito, tatalakayin natin ang mga pangkalahatang hamon sa pagtitiwala sa AI nang walang pangangasiwa, kabilang ang mga etikal na konsiderasyon at pamamahala ng peligro, bago magtapos sa mga pangunahing punto.

Generative AI sa Pagsulat at Paglikha ng Nilalaman

Isa sa mga unang larangan kung saan sumikat ang generative AI ay ang pagbuo ng teksto. Ang malalaking modelo ng wika ay maaaring gumawa ng lahat mula sa mga artikulo ng balita at mga kopya ng marketing hanggang sa mga post sa social media at mga buod ng mga dokumento. Ngunit gaano karami sa pagsusulat na ito ang magagawa nang walang editor na tao?

Mga Kasalukuyang Kakayahan (2025): AI bilang isang Awtomatikong Manunulat ng Karaniwang Nilalaman

Sa kasalukuyan, ang generative AI ay maaasahang humahawak ng iba't ibang karaniwang gawain sa pagsusulat nang may kaunting o walang interbensyon ng tao. Ang isang pangunahing halimbawa ay sa pamamahayag: ang Associated Press ay sa loob ng maraming taon ay gumamit ng automation upang makabuo ng libu-libong ulat ng kita ng kumpanya bawat quarter nang direkta mula sa mga feed ng datos sa pananalapi ( Philana Patterson – ONA Community Profile ). Ang mga maiikling balitang ito ay sumusunod sa isang template (hal., "Ang Kumpanya X ay nag-ulat ng kita na Y, tumaas ng Z%...") at ang AI (gamit ang natural language generation software) ay maaaring punan ang mga numero at mga salita nang mas mabilis kaysa sa sinumang tao. Awtomatikong inilalathala ng sistema ng AP ang mga ulat na ito, na nagpapalawak ng kanilang saklaw nang malaki (mahigit sa 3,000 kuwento bawat quarter) nang hindi nangangailangan ng mga taong manunulat ( Automated earnings stories multiply | The Associated Press ).

Gayundin, pinahusay ang pamamahayag sa palakasan: Ang mga sistema ng AI ay maaaring kumuha ng mga istatistika ng laro sa palakasan at makabuo ng mga buod ng kwento. Dahil ang mga domain na ito ay batay sa datos at pormula, bibihira ang mga pagkakamali hangga't tama ang datos. Sa mga kasong ito, nakikita natin ang tunay na awtonomiya – ang AI ang nagsusulat at ang nilalaman ay agad na inilalathala.

Gumagamit din ang mga negosyo ng generative AI upang magbalangkas ng mga deskripsyon ng produkto, mga newsletter sa email, at iba pang nilalaman sa marketing. Halimbawa, ang higanteng e-commerce na Amazon ngayon ay gumagamit ng AI upang ibuod ang mga review ng customer para sa mga produkto. Ini-scan ng AI ang teksto ng maraming indibidwal na review at gumagawa ng isang maigsi at highlight na talata ng kung ano ang gusto o hindi gusto ng mga tao tungkol sa item, na pagkatapos ay ipinapakita sa pahina ng produkto nang walang manu-manong pag-eedit ( pinapabuti ng Amazon ang karanasan sa mga review ng customer gamit ang AI ). Nasa ibaba ang isang ilustrasyon ng feature na ito na naka-deploy sa mobile app ng Amazon, kung saan ang seksyong "Sabi ng mga Customer" ay ganap na nabuo ng AI mula sa data ng review:

( Pinapabuti ng Amazon ang karanasan sa mga review ng customer gamit ang AI ) Buod ng review na binuo ng AI sa isang pahina ng produkto ng e-commerce. Binubuod ng sistema ng Amazon ang mga karaniwang punto mula sa mga review ng user (hal., kadalian ng paggamit, performance) sa isang maikling talata, na ipinapakita sa mga mamimili bilang "AI-generated mula sa teksto ng mga review ng customer."

Ipinapakita ng mga ganitong kaso ng paggamit na kapag ang nilalaman ay sumusunod sa isang nahuhulaang padron o pinagsama-sama mula sa umiiral na datos, kadalasang kayang pangasiwaan ito ng AI nang mag-isa . Kabilang sa iba pang mga kasalukuyang halimbawa ang:

• Mga Update sa Panahon at Trapiko: Mga outlet ng media na gumagamit ng AI upang bumuo ng mga pang-araw-araw na ulat ng panahon o mga bulletin ng trapiko batay sa datos ng sensor.

• Mga Ulat sa Pananalapi: Awtomatikong bumubuo ang mga kompanya ng direktang buod sa pananalapi (mga resulta kada quarter, mga briefing sa stock market). Simula noong 2014, ginamit ng Bloomberg at iba pang mga outlet ng balita ang AI upang makatulong sa pagsulat ng mga blurb ng balita tungkol sa mga kita ng kumpanya – isang proseso na halos awtomatikong tumatakbo kapag naipasok na ang data (Ang mga 'robot journalist' ng AP ay nagsusulat na ngayon ng sarili nilang mga kuwento | The Verge ) ( Reporter sa Wyoming nahuling gumagamit ng AI upang lumikha ng mga pekeng quote at kuwento ).

• Pagsasalin at Transkripsyon: Gumagamit na ngayon ang mga serbisyo ng transkripsyon ng AI upang makagawa ng mga transkrip o caption ng pulong nang walang mga taong taga-tip. Bagama't hindi generative sa malikhaing kahulugan, ang mga gawaing ito sa wika ay tumatakbo nang awtomatiko na may mataas na katumpakan para sa malinaw na audio.

• Pagbuo ng Draft: Maraming propesyonal ang gumagamit ng mga tool tulad ng ChatGPT upang mag-draft ng mga email o mga unang bersyon ng mga dokumento, paminsan-minsan ay ipinapadala ang mga ito nang may kaunti o walang anumang pag-edit kung ang nilalaman ay mababa ang panganib.

Gayunpaman, para sa mas kumplikadong prosa, ang pangangasiwa ng tao ay nananatiling pamantayan sa 2025. Bihirang maglathala ang mga organisasyon ng balita ng mga artikulong imbestigatibo o analitikal nang direkta mula sa AI – susuriin ng mga editor ang mga draft na isinulat ng AI. Mahusay na ginagaya ng AI ang estilo at istruktura ngunit maaaring magdulot ng mga pagkakamali sa katotohanan (madalas na tinatawag na "mga halusinasyon") o mga mahirap na parirala na kailangang maintindihan ng isang tao. Halimbawa, ipinakilala ng pahayagang Aleman na Express ang isang "digital na kasamahan" ng AI na nagngangalang Klara upang tumulong sa pagsulat ng mga paunang balita. Mahusay na nakakapagsulat si Klara ng mga ulat sa palakasan at nakapagsusulat pa nga ng mga headline na nakakaakit ng mga mambabasa, na nag-aambag sa 11% ng mga artikulo ng Express – ngunit sinusuri pa rin ng mga editor na tao ang bawat piraso para sa katumpakan at integridad sa pamamahayag, lalo na sa mga kumplikadong kuwento ( 12 Paraan ng Paggamit ng mga Mamamahayag ng mga AI Tool sa Newsroom - Twipe ). Karaniwan na ngayon ang pakikipagsosyo ng tao-AI na ito: Hinahawakan ng AI ang mabibigat na gawain ng pagbuo ng teksto, at ang mga tao ang nag-cucurate at nagtatama kung kinakailangan.

Pananaw para sa 2030-2035: Tungo sa Mapagkakatiwalaang Awtonom na Pagsusulat

Sa susunod na dekada, inaasahan namin na ang generative AI ay magiging mas maaasahan sa pagbuo ng de-kalidad at wastong teksto, na magpapalawak sa saklaw ng mga gawain sa pagsusulat na kaya nitong hawakan nang mag-isa. Sinusuportahan ito ng ilang mga trend:

• Pinahusay na Katumpakan: Mabilis na binabawasan ng patuloy na pananaliksik ang tendensiya ng AI na makagawa ng mali o hindi nauugnay na impormasyon. Pagsapit ng 2030, ang mga advanced na modelo ng wika na may mas mahusay na pagsasanay (kabilang ang mga pamamaraan upang mapatunayan ang mga katotohanan laban sa mga database sa real-time) ay maaaring makamit ang pagsusuri ng katotohanan na halos nasa antas ng tao sa loob ng kumpanya. Nangangahulugan ito na maaaring awtomatikong magsulat ang isang AI ng isang buong artikulo ng balita na may mga tamang sipi at istatistika na kinuha mula sa pinagmulang materyal, na nangangailangan ng kaunting pag-edit.

• Mga AI na Tiyak sa Domain: Makakakita tayo ng mas espesyalisadong mga generative model na pinino para sa ilang partikular na larangan (legal, medikal, teknikal na pagsulat). Ang isang legal na modelo ng AI ng 2030 ay maaaring maaasahang magbalangkas ng mga karaniwang kontrata o magbubuod ng mga kaso ng batas – mga gawaing may pormula ngunit kasalukuyang nangangailangan ng oras ng abogado. Kung ang AI ay sinanay sa mga napatunayang legal na dokumento, ang mga draft nito ay maaaring sapat na mapagkakatiwalaan na ang isang abogado ay magbibigay lamang ng mabilis na pangwakas na sulyap.

• Natural na Estilo at Pagkakaugnay-ugnay: Ang mga modelo ay nagiging mas mahusay sa pagpapanatili ng konteksto sa mahahabang dokumento, na humahantong sa mas magkakaugnay at tumpak na mahahabang nilalaman. Pagsapit ng 2035, posible na ang isang AI ay maaaring mag-akda ng isang disenteng unang draft ng isang aklat na hindi kathang-isip o isang teknikal na manwal nang mag-isa, kung saan ang mga tao ay pangunahing nasa papel ng pagpapayo (upang magtakda ng mga layunin o magbigay ng espesyal na kaalaman).

Ano kaya ang magiging hitsura nito sa pagsasagawa? Ang karaniwang pamamahayag ay maaaring maging halos ganap na awtomatiko para sa ilang partikular na ritmo. Maaari nating makita ang isang ahensya ng balita sa 2030 na may isang AI system na magsusulat ng unang bersyon ng bawat ulat ng kita, balita sa palakasan, o pag-update ng resulta ng halalan, kung saan ang isang editor ay kukuha lamang ng ilan para sa katiyakan ng kalidad. Sa katunayan, hinuhulaan ng mga eksperto na ang patuloy na lumalaking bahagi ng online na nilalaman ay bubuo ng makina – isang matapang na hula ng mga analyst ng industriya ang nagmungkahi na hanggang 90% ng online na nilalaman ay maaaring mabuo ng AI pagsapit ng 2026 ( Pagsapit ng 2026, ang Online na Nilalaman na Nabuo ng mga Hindi Tao ay Higit na Mas Marami kaysa sa Nilalaman na Nabuo ng Tao — OODAloop ), bagaman pinagdedebatihan pa ang bilang na iyon. Kahit na ang isang mas konserbatibong resulta ay mangangahulugan na sa kalagitnaan ng 2030s, ang karamihan sa mga karaniwang artikulo sa web, kopya ng produkto, at marahil maging ang mga personalized na feed ng balita ay isinulat ng AI.

Sa marketing at corporate communications , malamang na ipagkakatiwala ang generative AI upang magpatakbo ng buong kampanya nang awtomatiko. Maaari itong bumuo at magpadala ng mga personalized na email sa marketing, mga post sa social media, at mga pagkakaiba-iba ng ad copy, na patuloy na inaayos ang mensahe batay sa mga reaksyon ng customer – lahat nang walang kasamang copywriter. Tinataya ng mga analyst ng Gartner na pagdating ng 2025, hindi bababa sa 30% ng mga outbound marketing message ng malalaking negosyo ay bubuuin ng AI ( Generative AI Use Cases for Industries and Enterprises ), at ang porsyentong ito ay tataas lamang pagdating ng 2030.

Gayunpaman, mahalagang tandaan na ang pagkamalikhain at pagpapasya ng tao ay gaganap pa rin ng isang papel, lalo na para sa mga nilalamang may mataas na antas ng interes . Pagsapit ng 2035, maaaring hawakan ng AI ang isang press release o blog post nang mag-isa, ngunit para sa investigative journalism na may kinalaman sa pananagutan o mga sensitibong paksa, maaaring igiit pa rin ng mga media outlet ang pangangasiwa ng tao. Malamang na magdadala ang hinaharap ng isang tiered na diskarte: Ang AI ay awtomatikong gumagawa ng karamihan ng pang-araw-araw na nilalaman, habang ang mga tao ay nakatuon sa pag-edit at paggawa ng mga estratehiko o sensitibong piraso. Sa esensya, ang linya ng kung ano ang maituturing na "routine" ay lalawak habang lumalaki ang kahusayan sa AI.

Bukod pa rito, maaaring lumitaw ang mga bagong anyo ng nilalaman tulad ng mga interactive na naratibo o mga personalized na ulat na binuo ng AI . Halimbawa, ang isang taunang ulat ng kumpanya ay maaaring mabuo sa iba't ibang istilo gamit ang AI – isang maikling ulat para sa mga ehekutibo, isang bersyon ng naratibo para sa mga empleyado, isang bersyon na mayaman sa datos para sa mga analyst – bawat isa ay awtomatikong nilikha mula sa parehong pinagbabatayan na datos. Sa edukasyon, ang mga aklat-aralin ay maaaring dynamic na isulat ng AI upang umangkop sa iba't ibang antas ng pagbasa. Ang mga aplikasyong ito ay maaaring higit na awtonomiya ngunit sinusuportahan ng na-verify na impormasyon.

Ang tilapon sa pagsusulat ay nagmumungkahi na sa kalagitnaan ng dekada 2030, ang AI ay magiging isang masaganang manunulat . Ang susi para sa tunay na nagsasariling operasyon ay ang pagtatatag ng tiwala sa mga output nito. Kung ang AI ay palaging makapagpapakita ng katumpakan ng katotohanan, kalidad ng istilo, at pagkakahanay sa mga pamantayang etikal, ang pangangailangan para sa bawat linya ng pagsusuri ng tao ay mababawasan. Ang mga seksyon ng white paper na ito mismo, pagsapit ng 2035, ay maaaring maisulat ng isang mananaliksik ng AI nang hindi nangangailangan ng isang editor – isang posibilidad na maingat nating inaasahan, basta't may mga wastong pananggalang na nakalagay.

Generative AI sa Sining Biswal at Disenyo

Ang kakayahan ng Generative AI na lumikha ng mga imahe at likhang sining ay nakabihag sa imahinasyon ng publiko, mula sa mga painting na binuo ng AI na nanalo sa mga paligsahan sa sining hanggang sa mga deepfake na video na hindi maiiba sa totoong kuha. Sa mga visual na larangan, ang mga modelo ng AI tulad ng generative adversarial networks (GANs) at mga diffusion model (hal. Stable Diffusion, Midjourney) ay maaaring makagawa ng mga orihinal na imahe batay sa mga text prompt. Kaya, maaari na bang gumana ang AI bilang isang autonomous artist o designer?

Mga Kasalukuyang Kakayahan (2025): AI bilang isang Creative Assistant

Simula noong 2025, ang mga generative model ay mahusay na sa paglikha ng mga imaheng on demand nang may kahanga-hangang katapatan. Maaaring hilingin ng mga gumagamit sa isang image AI na gumuhit ng "isang medyebal na lungsod sa paglubog ng araw sa istilo ni Van Gogh" at makatanggap ng isang nakakakumbinsing artistikong imahe sa loob lamang ng ilang segundo. Ito ay humantong sa malawakang paggamit ng AI sa graphic design, marketing, at entertainment para sa concept art, prototypes, at maging sa mga pangwakas na visual sa ilang mga kaso. Kapansin-pansin:

• Disenyo ng Grapiko at Mga Stock na Larawan: Gumagawa ang mga kumpanya ng mga graphics, ilustrasyon, o stock na larawan ng website sa pamamagitan ng AI, na binabawasan ang pangangailangang kumomisyon sa bawat piraso mula sa isang artista. Maraming marketing team ang gumagamit ng mga AI tool upang makagawa ng mga baryasyon ng mga advertisement o mga larawan ng produkto upang subukan kung ano ang nakakaakit sa mga mamimili.

• Sining at Ilustrasyon: Ang mga indibidwal na artista ay nakikipagtulungan sa AI upang mag-brainstorm ng mga ideya o punan ang mga detalye. Halimbawa, maaaring gamitin ng isang ilustrador ang AI upang makabuo ng mga tanawin sa background, na pagkatapos ay isinasama nila sa kanilang mga karakter na iginuhit ng tao. Ang ilang mga tagalikha ng komiks ay nag-eksperimento sa mga panel o pangkulay na nilikha ng AI.

• Media at Libangan: Ang sining na nilikha ng AI ay lumabas sa mga pabalat ng magasin at mga pabalat ng libro. Isang sikat na halimbawa ay ang Cosmopolitan na nagtampok ng isang astronaut – naiulat na ang unang larawan ng pabalat ng magasin na nilikha ng isang AI (OpenAI's DALL·E) ayon sa direksyon ng isang art director. Bagama't kinailangan ito ng pag-uudyok at pagpili ng tao, ang aktwal na likhang sining ay ni-render ng makina.

Mahalaga, karamihan sa mga kasalukuyang gamit na ito ay kinasasangkutan pa rin ng pag-aayos at pag-ulit ng tao . Ang AI ay maaaring maglabas ng dose-dosenang mga imahe, at ang isang tao ang pumipili ng pinakamahusay at posibleng ayusin ito. Sa ganitong diwa, ang AI ay nagtatrabaho nang mag-isa upang makagawa ng mga opsyon, ngunit ang mga tao ang gumagabay sa direksyon ng pagkamalikhain at gumagawa ng mga pangwakas na pagpili. Maaasahan ito para sa mabilis na pagbuo ng maraming nilalaman, ngunit hindi garantisadong matutugunan ang lahat ng mga kinakailangan sa unang pagsubok. Ang mga isyu tulad ng mga maling detalye (hal. Ang AI na gumuhit ng mga kamay gamit ang maling bilang ng mga daliri, isang kilalang kakaibang katangian) o mga hindi inaasahang resulta ay nangangahulugan na ang isang art director na tao ay karaniwang kailangang pangasiwaan ang kalidad ng output.

Gayunpaman, may mga larangan kung saan ang AI ay malapit nang magkaroon ng ganap na awtonomiya:

• Disenyong Henerative: Sa mga larangan tulad ng arkitektura at disenyo ng produkto, ang mga kagamitan ng AI ay maaaring lumikha ng mga prototype ng disenyo nang awtomatiko na nakakatugon sa mga tinukoy na limitasyon. Halimbawa, dahil sa nais na mga sukat at tungkulin ng isang piraso ng muwebles, ang isang generative algorithm ay maaaring maglabas ng ilang mabubuhay na disenyo (ang ilan ay medyo hindi pangkaraniwan) nang walang interbensyon ng tao na lampas sa mga paunang detalye. Ang mga disenyong ito ay maaaring direktang gamitin o pinuhin ng mga tao. Katulad nito, sa inhinyeriya, ang generative AI ay maaaring magdisenyo ng mga bahagi (halimbawa, isang bahagi ng eroplano) na na-optimize para sa bigat at lakas, na lumilikha ng mga nobelang hugis na maaaring hindi naisip ng isang tao.

• Mga Asset ng Video Game: Ang AI ay maaaring awtomatikong makabuo ng mga texture, 3D model, o kahit buong level para sa mga video game. Ginagamit ito ng mga developer upang mapabilis ang paglikha ng content. Ang ilang indie games ay nagsimula nang magsama ng mga procedurally generated artwork at maging ng diyalogo (sa pamamagitan ng mga language model) upang lumikha ng malawak at dynamic na mga mundo ng laro na may kaunting mga asset na nilikha ng tao.

• Animasyon at Video (Umuusbong): Bagama't hindi pa gaanong mature kumpara sa mga static na imahe, ang generative AI para sa video ay umuunlad. Maaari nang makabuo ng maiikling video clip o animation mula sa mga prompt, bagama't hindi pare-pareho ang kalidad. Ang teknolohiyang Deepfake – na generative – ay maaaring makagawa ng mga makatotohanang face swap o voice clone. Sa isang kontroladong setting, maaaring gamitin ng isang studio ang AI upang awtomatikong makabuo ng background scene o crowd animation.

Kapansin-pansin, hinulaan ng Gartner na pagdating ng 2030, makakakita tayo ng isang malaking blockbuster na pelikula na 90% ng nilalaman ay nalilikha ng AI (mula sa script hanggang sa visuals) ( Generative AI Use Cases for Industries and Enterprises ). Sa taong 2025, wala pa tayo roon – hindi pa kayang gumawa ng isang feature-length na pelikula ang AI nang mag-isa. Ngunit ang mga piraso ng puzzle na iyon ay umuunlad pa: pagbuo ng script (text AI), pagbuo ng karakter at eksena (imahe/video AI), pag-arte sa boses (mga voice clone ng AI), at tulong sa pag-eedit (matutulungan na ng AI ang mga pagbawas at transisyon).

Pananaw para sa 2030-2035: Media na Binuo ng AI sa Malawakang Lugar

Sa hinaharap, ang papel ng generative AI sa visual arts at disenyo ay nakatakdang lumawak nang malaki. Pagsapit ng 2035, inaasahan namin na ang AI ay magiging pangunahing tagalikha ng nilalaman sa maraming visual media, na kadalasang gumagana nang may kaunting input ng tao na lampas sa paunang gabay. Ilang inaasahan:

• Mga Pelikula at Video na Ganap na Binuo ng AI: Sa susunod na sampung taon, posible na makita natin ang mga unang pelikula o serye na karamihan ay gawa ng AI. Ang mga tao ay maaaring magbigay ng mataas na antas ng direksyon (hal. isang balangkas ng iskrip o nais na istilo) at ang AI ay magre-render ng mga eksena, lilikha ng mga wangis ng aktor, at bibigyang-buhay ang lahat. Ang mga unang eksperimento sa maiikling pelikula ay malamang sa loob ng ilang taon, na may mga pagtatangkang feature-length pagsapit ng 2030s. Ang mga pelikulang AI na ito ay maaaring magsimulang maging niche (experimental animation, atbp.) ngunit maaaring maging mainstream habang bumubuti ang kalidad. Ang hula ng Gartner tungkol sa pelikulang 90% pagsapit ng 2030 ( Generative AI Use Cases for Industries and Enterprises ), habang ambisyoso, ay nagbibigay-diin sa paniniwala ng industriya na ang paglikha ng nilalaman ng AI ay magiging sapat na sopistikado upang pasanin ang halos lahat ng pasanin sa paggawa ng pelikula.

• Awtomasyon sa Disenyo: Sa mga larangan tulad ng fashion o arkitektura, ang generative AI ay malamang na gagamitin upang awtomatikong magbalangkas ng daan-daang konsepto ng disenyo batay sa mga parameter tulad ng "gastos, materyales, istilo X", na hahayaan ang mga tao na pumili ng pangwakas na disenyo. Binabago nito ang kasalukuyang dinamiko: sa halip na ang mga taga-disenyo ay lumikha mula sa simula at marahil ay gumamit ng AI para sa inspirasyon, ang mga susunod na taga-disenyo ay maaaring kumilos bilang mga curator, na pumipili ng pinakamahusay na disenyo na binuo ng AI at marahil ay inaayos ito. Pagsapit ng 2035, maaaring ipasok ng isang arkitekto ang mga kinakailangan para sa isang gusali at makakuha ng kumpletong mga blueprint bilang mga mungkahi mula sa isang AI (lahat ay matatag sa istruktura, sa kagandahang-loob ng mga naka-embed na panuntunan sa inhinyeriya).

• Paglikha ng Personalized na Nilalaman: Maaari tayong makakita ng mga AI na lumilikha ng mga visual nang mabilisan para sa mga indibidwal na gumagamit. Isipin ang isang karanasan sa video game o virtual reality sa 2035 kung saan ang mga tanawin at karakter ay umaangkop sa mga kagustuhan ng manlalaro, na nalilikha nang real time ng AI. O mga personalized na comic strip na nalilikha batay sa araw ng isang gumagamit – isang autonomous na "daily diary comic" AI na awtomatikong ginagawang mga ilustrasyon ang iyong text journal tuwing gabi.

• Multimodal na Pagkamalikhain: Ang mga generative AI system ay lalong nagiging multimodal – ibig sabihin ay kaya nilang pangasiwaan ang teksto, mga imahe, audio, atbp. nang sama-sama. Sa pamamagitan ng pagsasama-sama ng mga ito, maaaring kumuha ang isang AI ng isang simpleng prompt tulad ng "Gawan mo ako ng isang kampanya sa marketing para sa produkto X" at makabuo hindi lamang ng nakasulat na kopya, kundi pati na rin ng mga tugmang graphics, marahil maging maiikling promotional video clip, na pawang pare-pareho ang istilo. Ang ganitong uri ng one-click content suite ay malamang na isang serbisyo pagdating ng unang bahagi ng 2030s.

ba ng AI ang mga artistang tao ? Madalas na lumalabas ang tanong na ito. Malamang na ang AI ang mamamahala sa maraming gawaing produksyon (lalo na ang paulit-ulit o mabilis na pag-ikot ng sining na kailangan para sa negosyo), ngunit ang sining ng tao ay mananatili para sa orihinalidad at inobasyon. Pagsapit ng 2035, ang isang autonomous na AI ay maaaring mapagkakatiwalaang gumuhit ng larawan sa istilo ng isang sikat na artista – ngunit ang paglikha ng isang bagong istilo o sining na may malalim na kultura ay maaaring maging isang forte pa rin ng tao (potensyal na kasama ang AI bilang isang kolaborator). Nakikita natin ang isang hinaharap kung saan ang mga artistang tao ay nakikipagtulungan sa mga autonomous na "co-artist" ng AI. Maaaring mag-utos ang isang personal na AI upang patuloy na makabuo ng sining para sa isang digital gallery sa tahanan ng isang tao, halimbawa, na nagbibigay ng patuloy na nagbabagong malikhaing kapaligiran.

Mula sa pananaw ng pagiging maaasahan, ang visual generative AI ay may mas madaling landas patungo sa awtonomiya kaysa sa teksto sa ilang mga paraan: ang isang imahe ay maaaring maging "sapat na mabuti" kahit na hindi perpekto, samantalang ang isang pagkakamali sa katotohanan sa teksto ay mas problematiko. Kaya, nakikita na natin ang medyo mababang panganib na pag-aampon – kung ang isang disenyo na nabuo ng AI ay pangit o mali, hindi mo lang ito gagamitin, ngunit hindi ito nagdudulot ng pinsala sa sarili nito. Nangangahulugan ito na pagdating ng 2030s, maaaring maging komportable ang mga kumpanya na hayaan ang AI na gumawa ng mga disenyo nang walang superbisyon at kasangkot lamang ang mga tao kapag kinakailangan ang isang bagay na talagang bago o mapanganib.

Sa buod, pagdating ng 2035, inaasahang magiging isang makapangyarihang tagalikha ng nilalaman sa mga biswal ang generative AI, na malamang na responsable para sa isang malaking bahagi ng mga imahe at media sa ating paligid. Maaasahang bubuo ito ng nilalaman para sa libangan, disenyo, at pang-araw-araw na komunikasyon. Nasa abot-tanaw na ang autonomous artist – bagama't kung ang AI ay makikita bilang malikhain o isa lamang napakatalinong kagamitan ay isang debate na magbabago habang ang mga output nito ay nagiging hindi mapag-iiba sa gawa ng tao.

Generative AI sa Pag-develop ng Software (Coding)

Ang pagbuo ng software ay maaaring mukhang isang napaka-analitikal na gawain, ngunit mayroon din itong malikhaing elemento – ang pagsulat ng code ay pangunahing paglikha ng teksto sa isang nakabalangkas na wika. Ang mga modernong generative AI, lalo na ang malalaking modelo ng wika, ay napatunayang mahusay sa pag-coding. Ang mga tool tulad ng GitHub Copilot, Amazon CodeWhisperer, at iba pa ay kumikilos bilang mga AI pair programmer, na nagmumungkahi ng mga snippet ng code o maging ng buong mga function ayon sa tipo ng mga developer. Gaano kalayo ang mararating nito tungo sa autonomous programming?

Mga Kasalukuyang Kakayahan (2025): AI bilang Coding Co-Pilot

Pagsapit ng 2025, ang mga AI code generator ay naging karaniwan na sa mga daloy ng trabaho ng maraming developer. Ang mga tool na ito ay maaaring mag-autocomplete ng mga linya ng code, bumuo ng boilerplate (tulad ng mga karaniwang function o pagsubok), at maging magsulat ng mga simpleng programa na binibigyan ng paglalarawan sa natural na wika. Gayunpaman, ang mahalaga ay gumagana ang mga ito sa ilalim ng pangangasiwa ng isang developer – sinusuri at isinasama ng developer ang mga mungkahi ng AI.

Ilang kasalukuyang katotohanan at datos:

• Mahigit kalahati ng mga propesyonal na developer ang gumamit ng mga AI coding assistant pagsapit ng huling bahagi ng 2023 ( Coding on Copilot: 2023 Data Suggests Downward Pressure on Code Quality (incl 2024 projections) - GitClear ), na nagpapahiwatig ng mabilis na paggamit. Ang GitHub Copilot, isa sa mga unang tool na malawakang magagamit, ay naiulat na bumubuo ng average na 30-40% ng code sa mga proyekto kung saan ito ginagamit ( Ang coding ay hindi na isang MOAT. 46% ng mga code sa GitHub ay ... ). Nangangahulugan ito na ang AI ay nagsusulat na ng mahahalagang bahagi ng code, bagaman isang tao ang nagmamaneho at nagva-validate nito.

• Ang mga AI tool na ito ay mahusay sa mga gawaing tulad ng pagsulat ng paulit-ulit na code (hal., mga klase ng data model, mga pamamaraan ng getter/setter), pag-convert ng isang programming language patungo sa isa pa, o paggawa ng mga direktang algorithm na kahawig ng mga halimbawa ng pagsasanay. Halimbawa, maaaring magkomento ang isang developer ng "// function upang ayusin ang listahan ng mga user ayon sa pangalan" at ang AI ay bubuo ng isang naaangkop na sorting function halos agad-agad.

• Tumutulong din ang mga ito sa pag-aayos at pagpapaliwanag ng bug : maaaring mag-paste ang mga developer ng mensahe ng error at maaaring magmungkahi ang AI ng solusyon, o magtanong ng "Ano ang ginagawa ng code na ito?" at makakuha ng paliwanag sa natural na wika. Ito ay awtonomiya sa isang paraan (kayang i-diagnose ng AI ang mga isyu nang mag-isa), ngunit ang tao ang magpapasya kung ilalapat ang solusyon.

• Mahalaga, ang mga kasalukuyang AI coding assistant ay hindi naman laging nagkakamali. Maaari silang magmungkahi ng mga hindi secure na code, o code na halos lumulutas sa problema ngunit may mga banayad na bug. Kaya, ang pinakamahusay na kasanayan ngayon ay panatilihing updated ang isang tao – sinusuri at ini-debug ng developer ang code na isinulat ng AI tulad ng ginagawa nila sa code na isinulat ng tao. Sa mga regulated na industriya o kritikal na software (tulad ng mga sistemang medikal o abyasyon), ang anumang kontribusyon ng AI ay sumasailalim sa mahigpit na pagsusuri.

Walang mainstream software system ngayon ang ganap na isinusulat ng AI mula sa simula nang walang pangangasiwa ng mga developer. Gayunpaman, may ilang autonomous o semi-autonomous na gamit na umuusbong:

• Mga awtomatikong nabuong unit test: Maaaring suriin ng AI ang code at gumawa ng mga unit test upang masakop ang iba't ibang mga kaso. Ang isang testing framework ay maaaring awtomatikong bumuo at magpatakbo ng mga AI-written test na ito upang mahuli ang mga bug, na nagpapahusay sa mga nakasulat na pagsubok ng tao.

• Mga low-code/no-code platform na may AI: Ang ilang platform ay nagpapahintulot sa mga hindi programmer na ilarawan ang gusto nila (hal. "bumuo ng webpage na may contact form at database para i-save ang mga entry") at ang system ang bubuo ng code. Bagama't nasa mga unang yugto pa lamang, ipinahihiwatig nito ang hinaharap kung saan maaaring awtomatikong lumikha ng software ang AI para sa mga karaniwang gamit.

• Pag-Script at Glue Code: Ang IT automation ay kadalasang kinabibilangan ng pagsulat ng mga script upang ikonekta ang mga system. Kadalasang awtomatikong nakakabuo ang mga AI tool ng maliliit na script na ito. Halimbawa, ang pagsulat ng script upang i-parse ang isang log file at magpadala ng email alert – ang isang AI ay maaaring gumawa ng isang gumaganang script na may kaunting o walang pag-edit.

Pananaw para sa 2030-2035: Tungo sa Software na "Kusang-Pagbuo"

Sa susunod na dekada, inaasahang mas malaki ang bahagi ng pasanin ng coding ng generative AI, papalapit sa ganap na autonomous na pagbuo ng software para sa ilang uri ng proyekto. Ilang inaasahang pag-unlad:

• Kumpletong Implementasyon ng Tampok: Pagsapit ng 2030, inaasahan namin na ang AI ay magkakaroon ng kakayahang magpatupad ng mga simpleng tampok ng aplikasyon mula simula hanggang katapusan. Maaaring ilarawan ng isang product manager ang isang tampok sa simpleng wika (“Dapat ma-reset ng mga user ang kanilang password sa pamamagitan ng email link”) at maaaring makabuo ang AI ng kinakailangang code (front-end form, back-end logic, database update, email dispatch) at isama ito sa codebase. Ang AI ay epektibong kikilos bilang isang junior developer na maaaring sumunod sa mga detalye. Ang isang human engineer ay maaaring magsagawa lamang ng pagsusuri ng code at magsagawa ng mga pagsubok. Habang bumubuti ang pagiging maaasahan ng AI, ang pagsusuri ng code ay maaaring maging isang mabilisang pag-unawa kung mayroon man.

• Pagpapanatili ng Awtonom na Kodigo: Malaking bahagi ng software engineering ang hindi lamang pagsulat ng bagong code, kundi pati na rin ang pag-update ng umiiral na code – pag-aayos ng mga bug, pagpapabuti ng performance, at pag-aangkop sa mga bagong kinakailangan. Malamang na magiging mahusay dito ang mga magiging AI developer. Dahil sa isang codebase at isang direktiba (“nagkaka-crash ang aming app kapag napakaraming user ang sabay-sabay na nagla-log in”), maaaring mahanap ng AI ang problema (tulad ng isang concurrency bug) at i-patch ito. Pagsapit ng 2035, maaaring awtomatikong hawakan ng mga AI system ang mga routine maintenance ticket sa magdamag, na magsisilbing walang kapagurang maintenance crew para sa mga software system.

• Integrasyon at Paggamit ng API: Habang parami nang parami ang mga software system at API na may kasamang dokumentasyong nababasa ng AI, maaaring malayang malaman ng isang AI agent kung paano ikonekta ang System A sa Service B sa pamamagitan ng pagsulat ng glue code. Halimbawa, kung nais ng isang kumpanya na mag-sync ang kanilang internal HR system sa isang bagong payroll API, maaari nilang atasan ang isang AI na "pag-usapan ang mga ito," at isusulat nito ang integration code pagkatapos basahin ang mga detalye ng parehong system.

• Kalidad at Pag-optimize: Ang mga modelo ng pagbuo ng code sa hinaharap ay malamang na magsasama ng mga feedback loop upang mapatunayan na gumagana ang code (hal., magpatakbo ng mga pagsubok o simulation sa isang sandbox). Nangangahulugan ito na ang isang AI ay hindi lamang makakasulat ng code kundi makakapagtama rin sa sarili nito sa pamamagitan ng pagsubok dito. Pagsapit ng 2035, maaari nating isipin ang isang AI na, kung bibigyan ng isang gawain, ay patuloy na mag-uulit sa code nito hanggang sa pumasa ang lahat ng pagsubok – isang prosesong maaaring hindi na kailangang subaybayan ng isang tao nang linya-by-linya. Malaki ang maitutulong nito upang mapataas ang tiwala sa awtomatikong nabuo na code.

Maaaring maisip ang isang senaryo pagdating ng 2035 kung saan ang isang maliit na proyekto ng software – halimbawa, isang custom na mobile app para sa isang negosyo – ay maaaring higit na mabuo ng isang AI agent na binibigyan ng mga tagubiling may mataas na antas. Ang taong "developer" sa senaryo na iyon ay mas maituturing na isang project manager o validator, na tumutukoy sa mga kinakailangan at limitasyon (seguridad, mga alituntunin sa istilo) at hinahayaan ang AI na gawin ang mabibigat na gawain ng aktwal na coding.

Gayunpaman, para sa mga kumplikado at malawakang software (mga operating system, mga advanced na algorithm ng AI mismo, atbp.), ang mga ekspertong tao ay malalim pa ring masasangkot. Ang malikhaing paglutas ng problema at disenyo ng arkitektura sa software ay malamang na mananatiling pinangungunahan ng tao sa loob ng ilang panahon. Maaaring hawakan ng AI ang maraming gawain sa coding, ngunit ang pagpapasya kung ano ang itatayo at pagdidisenyo ng pangkalahatang istraktura ay isang kakaibang hamon. Gayunpaman, habang nagsisimulang magtulungan ang generative AI – maraming ahente ng AI ang humahawak sa iba't ibang bahagi ng isang sistema – maaaring maisip na maaari silang magtulungan sa pagdidisenyo ng mga arkitektura sa ilang antas (halimbawa, ang isang AI ay nagmumungkahi ng disenyo ng sistema, ang isa naman ay pumupuna dito, at sila ay umuulit, kasama ang isang tao na nangangasiwa sa proseso).

Isang pangunahing inaasahang benepisyo ng AI sa coding ay ang pagpapalakas ng produktibidad . Hinuhulaan ng Gartner na pagdating ng 2028, ganap na 90% ng mga software engineer ang gagamit ng mga AI code assistant (mula sa wala pang 15% noong 2024) ( Nangunguna ang GitHub Copilot sa Research Report sa mga AI Code Assistant -- Visual Studio Magazine ). Ipinahihiwatig nito na ang mga outlier – iyong mga hindi gumagamit ng AI – ay magiging kakaunti. Maaari rin tayong makakita ng kakulangan ng mga human developer sa ilang mga lugar na nababawasan ng AI na pinupunan ang mga kakulangan; mahalagang ang bawat developer ay makakagawa ng higit pa gamit ang isang AI helper na maaaring awtomatikong mag-draft ng code.

Ang tiwala ay mananatiling isang pangunahing isyu. Kahit sa 2035, kakailanganing tiyakin ng mga organisasyon na ang autonomous na nabuong code ay ligtas (hindi dapat magdulot ng mga kahinaan ang AI) at naaayon sa mga legal/etikal na pamantayan (hal., hindi isinasama ng AI ang plagiarized code mula sa isang open-source library na walang wastong lisensya). Inaasahan namin ang pinahusay na mga tool sa pamamahala ng AI na maaaring mag-verify at sumubaybay sa pinagmulan ng code na isinulat ng AI upang makatulong na paganahin ang mas autonomous na coding nang walang panganib.

Sa buod, pagdating ng kalagitnaan ng dekada 2030, malamang na ang generative AI ang hahawak sa pinakamalaking bahagi ng coding para sa mga karaniwang gawain ng software at makakatulong nang malaki sa mga kumplikadong gawain. Ang lifecycle ng pagbuo ng software ay magiging mas awtomatiko – mula sa mga kinakailangan hanggang sa pag-deploy – kung saan ang AI ay maaaring awtomatikong bubuo at mag-deploy ng mga pagbabago sa code. Ang mga human developer ay mas magtutuon sa mataas na antas ng lohika, karanasan ng gumagamit, at pangangasiwa, habang ang mga AI agent ay nagpupursige sa mga detalye ng implementasyon.

Generative AI sa Serbisyo at Suporta sa Customer

Kung nakipag-ugnayan ka na sa isang online customer support chat nitong mga nakaraang panahon, malaki ang posibilidad na may AI sa kabilang linya kahit sa isang bahagi nito. Ang customer service ay isang larangan na handa na para sa AI automation: kinabibilangan ito ng pagtugon sa mga query ng user, na kayang gawin nang mahusay ng generative AI (lalo na ang mga conversational model), at kadalasan ay sumusunod ito sa mga script o mga artikulo sa knowledge base, na maaaring matutunan ng AI. Gaano ka-autonomically kayang pangasiwaan ng AI ang mga customer?

Mga Kasalukuyang Kakayahan (2025): Mga Chatbot at Virtual Agent na Nangunguna

Sa ngayon, maraming organisasyon ang gumagamit ng AI chatbots bilang unang punto ng pakikipag-ugnayan sa serbisyo sa customer. Mula ito sa mga simpleng rule-based bots (“Pindutin ang 1 para sa pagsingil, 2 para sa suporta…”) hanggang sa mga advanced generative AI chatbots na kayang bigyang-kahulugan ang mga free-form na tanong at tumugon sa paraang nakikipag-usap. Mga pangunahing punto:

• Paghawak sa mga Karaniwang Tanong: Ang mga ahente ng AI ay mahusay sa pagsagot sa mga madalas itanong, pagbibigay ng impormasyon (oras ng tindahan, mga patakaran sa pag-refund, mga hakbang sa pag-troubleshoot para sa mga kilalang isyu), at paggabay sa mga gumagamit sa mga karaniwang pamamaraan. Halimbawa, ang isang AI chatbot para sa isang bangko ay maaaring awtomatikong tumulong sa isang gumagamit na suriin ang balanse ng kanilang account, i-reset ang isang password, o ipaliwanag kung paano mag-apply para sa isang pautang, nang walang tulong ng tao.

• Pag-unawa sa Likas na Wika: Ang mga modernong generative model ay nagbibigay-daan para sa mas tuluy-tuloy at "parang-tao" na interaksyon. Maaaring mag-type ang mga customer ng tanong sa sarili nilang mga salita at karaniwang mauunawaan ng AI ang layunin. Iniulat ng mga kumpanya na ang mga AI agent ngayon ay mas kasiya-siya sa mga customer kaysa sa mga clunky bot ilang taon na ang nakalilipas – halos kalahati ng mga customer ngayon ay naniniwala na ang mga AI agent ay maaaring maging maawain at epektibo kapag tinutugunan ang mga alalahanin ( 59 na istatistika ng serbisyo sa customer ng AI para sa 2025 ), na nagpapakita ng lumalaking tiwala sa serbisyong pinapagana ng AI.

• Suporta sa Maraming Channel: Hindi lang sa chat ang AI. Nagsisimula nang humawak ng mga tawag ang mga voice assistant (tulad ng mga phone IVR system na may AI sa likod), at maaari ring magsulat ng mga tugon sa email ang AI sa mga katanungan ng customer na maaaring awtomatikong lumabas kung maituturing na tumpak.

• Kapag Nakialam ang mga Tao: Kadalasan, kung nalilito ang AI o masyadong kumplikado ang tanong, ipapasa ito sa isang ahente ng tao. Mahusay ang mga kasalukuyang sistema sa pag-alam sa kanilang mga limitasyon sa maraming pagkakataon. Halimbawa, kung ang isang customer ay nagtanong ng isang bagay na hindi karaniwan o nagpapakita ng pagkadismaya (“Ito ang ikatlong beses na kinokontak kita at labis akong nagagalit…”), maaaring i-flag ito ng AI para sa isang tao na pumalit. Ang limitasyon para sa paglilipat ay itinatakda ng mga kumpanya upang balansehin ang kahusayan sa kasiyahan ng customer.

Maraming kumpanya ang nag-ulat ng mahahalagang bahagi ng mga interaksyon na nareresolba lamang ng AI. Ayon sa mga survey sa industriya, humigit-kumulang 70-80% ng mga regular na katanungan ng customer ang maaaring hawakan ng mga AI chatbot ngayon, at humigit-kumulang 40% ng mga interaksyon ng mga kumpanya sa customer sa iba't ibang channel ay awtomatiko na o tinutulungan ng AI ( 52 AI Customer Service Statistics na Dapat Mong Malaman - Plivo ). Ipinahiwatig ng Global AI Adoption Index (2022) ng IBM na 80% ng mga kumpanya ang gumagamit o nagpaplanong gumamit ng AI chatbot para sa serbisyo sa customer pagsapit ng 2025.

Isang kawili-wiling pag-unlad ang AI na hindi lamang tumutugon sa mga customer, kundi aktibong tumutulong din sa mga human agent sa totoong oras. Halimbawa, sa isang live chat o tawag, maaaring makinig ang isang AI at agad na magbigay sa human agent ng mga mungkahing sagot o kaugnay na impormasyon. Pinalalabo nito ang linya ng awtonomiya – hindi lamang hinaharap ng AI ang customer nang mag-isa, kundi aktibo itong kasangkot nang walang tahasang tanong ng tao. Epektibo itong gumaganap bilang isang autonomous na tagapayo sa ahente.

Pananaw para sa 2030-2035: Mga Interaksyon ng Customer na Pangunahing Pinapatakbo ng AI

Pagsapit ng 2030, inaasahang karamihan sa mga pakikipag-ugnayan sa serbisyo sa customer ay may kinalaman sa AI, kung saan marami sa kanila ang ganap na hahawakan ng AI mula simula hanggang katapusan. Mga hula at trend na sumusuporta rito:

• Mga Tanong na Mas Mataas ang Komplikasyon, Nalutas: Habang isinasama ng mga modelo ng AI ang malawak na kaalaman at pinapabuti ang pangangatwiran, magagawa nilang pangasiwaan ang mas kumplikadong mga kahilingan ng customer. Sa halip na sagutin lamang ang "Paano ko ibabalik ang isang item?", maaaring hawakan ng mga AI sa hinaharap ang mga isyung may maraming hakbang tulad ng, "Nasira ang internet ko, sinubukan ko nang mag-reboot, maaari ka bang tumulong?" sa pamamagitan ng pag-diagnose ng isyu sa pamamagitan ng diyalogo, paggabay sa customer sa pamamagitan ng advanced na pag-troubleshoot, at kung sakaling mabigo ang lahat ng iba pang paraan sa pag-iiskedyul ng isang technician – mga gawaing malamang na mangangailangan ngayon ng isang human support tech. Sa customer service sa pangangalagang pangkalusugan, maaaring hawakan ng isang AI ang pag-iiskedyul ng appointment ng pasyente o mga tanong sa insurance mula simula hanggang katapusan.

• Resolusyon sa Serbisyong Pang-dulo: Maaari nating makita ang AI na hindi lamang nagsasabi sa customer kung ano ang gagawin, kundi aktwal na ginagawa ito sa ngalan ng customer sa loob ng mga backend system. Halimbawa, kung sasabihin ng isang customer na "Gusto kong baguhin ang aking flight sa susunod na Lunes at magdagdag ng isa pang bag," ang isang ahente ng AI sa 2030 ay maaaring direktang makipag-ugnayan sa sistema ng reserbasyon ng airline, isagawa ang pagbabago, iproseso ang pagbabayad para sa bag, at kumpirmahin sa customer – lahat nang awtomatiko. Ang AI ay nagiging isang ahente ng full service, hindi lamang isang mapagkukunan ng impormasyon.

• Mga Ahente ng AI na Nasa Lahat ng Dako: Malamang na ilalapat ng mga kumpanya ang AI sa lahat ng mga punto ng pakikipag-ugnayan ng customer – telepono, chat, email, social media. Maraming mga customer ang maaaring hindi namamalayan kung AI o tao ang kanilang kinakausap, lalo na't nagiging mas natural ang mga boses ng AI at mas nauunawaan ang konteksto ng mga tugon sa chat. Pagsapit ng 2035, ang pakikipag-ugnayan sa customer service ay kadalasang nangangahulugan ng pakikipag-ugnayan sa isang matalinong AI na nakakaalala sa iyong mga nakaraang pakikipag-ugnayan, nakakaintindi sa iyong mga kagustuhan, at umaangkop sa iyong tono – mahalagang isang personalized na virtual agent para sa bawat customer.

• Paggawa ng Desisyon gamit ang AI sa mga Interaksyon: Higit pa sa pagsagot sa mga tanong, magsisimulang gumawa ang AI ng mga desisyon na kasalukuyang nangangailangan ng pag-apruba ng tagapamahala. Halimbawa, ngayon, maaaring kailanganin ng isang ahente ng tao ang pag-apruba ng isang superbisor upang mag-alok ng refund o espesyal na diskwento upang mapawi ang isang galit na customer. Sa hinaharap, maaaring ipagkatiwala sa isang AI ang mga desisyong iyon, sa loob ng mga tinukoy na limitasyon, batay sa kinakalkulang halaga ng buhay ng customer at pagsusuri ng sentimento. Tinataya ng isang pag-aaral ng Futurum/IBM na pagsapit ng 2030, humigit-kumulang 69% ng mga desisyong ginawa sa panahon ng mga real-time na pakikipag-ugnayan sa customer ay gagawin ng mga matalinong makina ( Upang Muling Isipin ang Paglipat sa CX, Dapat Gawin ng mga Marketer ang 2 Bagay na Ito ) – epektibong pagpapasya ng AI sa pinakamahusay na aksyon sa isang interaksyon.

• 100% Pakikilahok ng AI: Isang ulat ang nagmumungkahi na ang AI ay gaganap ng papel sa bawat pakikipag-ugnayan sa customer ( 59 na istatistika ng serbisyo sa customer ng AI para sa 2025 ), maging ito man ay harapan o harapan. Maaaring mangahulugan ito na kahit na ang isang tao ay nakikipag-ugnayan sa isang customer, tutulungan sila ng AI (pagbibigay ng mga mungkahi, pagkuha ng impormasyon). Bilang kahalili, ang interpretasyon ay walang tanong ng customer na hindi nasasagot anumang oras – kung ang mga tao ay offline, ang AI ay laging naroon.

Pagsapit ng 2035, maaaring matuklasan natin na ang mga ahente ng serbisyo sa customer na pantao ay naging dalubhasa na lamang para sa mga pinakasensitibo o madalas na pakikipag-ugnayang mga sitwasyon (hal., mga VIP client o kumplikadong paglutas ng mga reklamo na nangangailangan ng empatiya ng tao). Ang mga regular na query – mula sa pagbabangko hanggang sa retail hanggang sa tech support – ay maaaring serbisyuhan ng isang fleet ng mga ahente ng AI na nagtatrabaho 24/7, na patuloy na natututo mula sa bawat interaksyon. Ang pagbabagong ito ay maaaring gawing mas pare-pareho at agaran ang serbisyo sa customer, dahil hindi pinapanatili ng AI ang mga tao na naghihintay at sa teorya ay maaaring mag-multitask upang hawakan ang walang limitasyong mga customer nang sabay-sabay.

May mga hamong kailangang malampasan para sa pangitaing ito: Ang AI ay dapat na maging matatag upang harapin ang hindi mahuhulaan ng mga customer na tao. Dapat nitong kayanin ang slang, galit, kalituhan, at ang walang katapusang iba't ibang paraan ng pakikipag-usap ng mga tao. Kailangan din nito ng napapanahong kaalaman (walang saysay kung luma na ang impormasyon ng AI). Sa pamamagitan ng pamumuhunan sa integrasyon sa pagitan ng AI at mga database ng kumpanya (para sa real-time na impormasyon sa mga order, pagkawala ng kuryente, atbp.), maaaring matugunan ang mga balakid na ito.

Sa etikal na aspeto, kailangang magdesisyon ang mga kumpanya kung kailan isisiwalat ang "nakikipag-usap ka sa isang AI" at tiyakin ang pagiging patas (hindi naiiba ang pakikitungo ng AI sa ilang partikular na customer sa negatibong paraan dahil sa may kinikilingang pagsasanay). Kung sakaling mapamahalaan ang mga ito, matibay ang business case: Ang serbisyo sa customer ng AI ay maaaring lubos na makabawas sa mga gastos at oras ng paghihintay. Ang merkado para sa AI sa serbisyo sa customer ay inaasahang lalago sa sampu-sampung bilyong dolyar pagsapit ng 2030 ( AI in Customer Service Market Report 2025-2030: Case ) ( How Generative AI is Boosting Logistics | Ryder ) habang namumuhunan ang mga organisasyon sa mga kakayahang ito.

Sa buod, asahan ang isang hinaharap kung saan ang autonomous AI customer service ang pamantayan . Ang paghingi ng tulong ay kadalasang mangangahulugan ng pakikipag-ugnayan sa isang matalinong makina na maaaring mabilis na malutas ang iyong isyu. Ang mga tao ay patuloy pa ring magiging alerto sa pangangasiwa at paghawak ng mga edge cases, ngunit higit pa bilang mga superbisor ng AI workforce. Ang resulta ay maaaring mas mabilis at mas personalized na serbisyo para sa mga mamimili – hangga't ang AI ay wastong sinanay at minomonitor upang maiwasan ang mga pagkadismaya na dulot ng mga karanasan sa "robot hotline" noon.

Generative AI sa Pangangalagang Pangkalusugan at Medisina

Ang pangangalagang pangkalusugan ay isang larangan kung saan mataas ang nakataya. Ang ideya ng pagpapatakbo ng AI nang walang pangangasiwa ng tao sa medisina ay nagbubunsod ng parehong kasabikan (para sa kahusayan at abot) at pag-iingat (para sa mga kadahilanang pangkaligtasan at empatiya). Ang generative AI ay nagsimula nang gumawa ng mga hakbang sa mga larangan tulad ng pagsusuri ng medical imaging, klinikal na dokumentasyon, at maging ang pagtuklas ng gamot. Ano ang magagawa nito nang responsable nang mag-isa?

Mga Kasalukuyang Kakayahan (2025): Pagtulong sa mga Clinician, Hindi Pagpapalit sa Kanila

Sa kasalukuyan, ang generative AI sa pangangalagang pangkalusugan ay pangunahing nagsisilbing isang makapangyarihang katulong sa mga propesyonal sa medisina, sa halip na isang nagsasariling tagagawa ng desisyon. Halimbawa:

• Dokumentasyong Medikal: Isa sa mga pinakamatagumpay na pag-deploy ng AI sa pangangalagang pangkalusugan ay ang pagtulong sa mga doktor sa mga papeles. Ang mga modelo ng natural na wika ay maaaring mag-transcribe ng mga pagbisita ng pasyente at makabuo ng mga klinikal na tala o mga buod ng paglabas. Ang mga kumpanya ay may mga "AI scribe" na nakikinig habang nagsasagawa ng pagsusuri (sa pamamagitan ng mikropono) at awtomatikong gumagawa ng draft ng mga tala ng engkwentro para marepaso ng doktor. Nakakatipid ito ng oras ng mga doktor sa pagta-type. Ang ilang mga sistema ay awtomatikong naglalagay pa nga ng mga bahagi ng mga elektronikong tala ng kalusugan. Magagawa ito nang may kaunting interbensyon – itinatama lang ng doktor ang anumang maliliit na error sa draft, ibig sabihin ang pagsulat ng tala ay halos awtonomiya.

• Radiology at Imaging: Ang AI, kabilang ang mga generative model, ay maaaring mag-analisa ng mga X-ray, MRI, at CT scan upang matukoy ang mga anomalya (tulad ng mga tumor o bali). Noong 2018, inaprubahan ng FDA ang isang AI system para sa autonomous detection ng diabetic retinopathy (isang kondisyon sa mata) sa mga retinal image – kapansin-pansin, awtorisado itong gawin ang desisyon nang walang pagsusuri ng isang espesyalista sa partikular na konteksto ng screening na iyon. Ang sistemang iyon ay hindi generative AI, ngunit ipinapakita nito na pinapayagan ng mga regulator ang autonomous AI diagnosis sa limitadong mga kaso. Ginagamit ang mga generative model para sa paglikha ng mga komprehensibong ulat. Halimbawa, maaaring suriin ng isang AI ang isang chest X-ray at mag-draft ng ulat ng radiologist na nagsasabing "Walang acute findings. Malinis ang mga baga. Normal ang laki ng puso." Pagkatapos ay kinukumpirma at pinipirmahan lamang ng radiologist. Sa ilang mga karaniwang kaso, ang mga ulat na ito ay maaaring lumabas nang walang mga pag-edit kung ang radiologist ay nagtitiwala sa AI at gagawa lamang ng isang mabilis na pagsusuri.

• Mga Tagasuri ng Sintomas at mga Virtual Nurse: Ginagamit ang mga generative AI chatbot bilang mga frontline symptom checker. Maaaring ilagay ng mga pasyente ang kanilang mga sintomas at makatanggap ng payo (hal., "Maaaring sipon lang ito; pahinga at mga likido, ngunit magpatingin sa doktor kung may X o Y na lumitaw."). Ang mga app tulad ng Babylon Health ay gumagamit ng AI upang magbigay ng mga rekomendasyon. Sa kasalukuyan, ang mga ito ay karaniwang inilalarawan bilang mga impormasyon, hindi tiyak na medikal na payo, at hinihikayat nila ang follow-up sa isang clinician na tao para sa mga seryosong isyu.

• Pagtuklas ng Gamot (Generative Chemistry): Ang mga modelo ng Generative AI ay maaaring magmungkahi ng mga bagong istrukturang molekular para sa mga gamot. Ito ay higit pa sa larangan ng pananaliksik kaysa sa pangangalaga sa pasyente. Ang mga AI na ito ay gumagana nang mag-isa upang magmungkahi ng libu-libong kandidatong compound na may ninanais na mga katangian, na susuriin at susubukan ng mga chemist ng tao sa laboratoryo. Ang mga kumpanyang tulad ng Insilico Medicine ay gumamit ng AI upang makabuo ng mga bagong kandidatong gamot sa mas maikling oras. Bagama't hindi ito direktang nakikipag-ugnayan sa mga pasyente, ito ay isang halimbawa ng AI na nag-iisang lumilikha ng mga solusyon (mga disenyo ng molekula) na mas matagal sana bago matuklasan ng mga tao.

• Mga Operasyon sa Pangangalagang Pangkalusugan: Nakakatulong ang AI na ma-optimize ang pag-iiskedyul, pamamahala ng suplay, at iba pang logistik sa mga ospital. Halimbawa, maaaring gayahin ng isang generative model ang daloy ng pasyente at magmungkahi ng mga pagsasaayos sa pag-iiskedyul upang mabawasan ang oras ng paghihintay. Bagama't hindi gaanong nakikita, ang mga ito ay mga desisyong magagawa ng isang AI na may kaunting manu-manong pagbabago.

Mahalagang sabihin na simula noong 2025, wala nang ospital na nagpapahintulot sa AI na gumawa ng mga pangunahing desisyon o paggamot sa medisina nang nakapag-iisa nang walang pahintulot ng tao. Ang diagnosis at pagpaplano ng paggamot ay nananatiling matatag sa mga kamay ng tao, kung saan ang AI ang nagbibigay ng input. Ang tiwala na kinakailangan para sa isang AI na ganap na mag-isang magsabi sa isang pasyente na "May kanser ka" o magreseta ng gamot ay wala pa, at hindi rin dapat mangyari ito nang walang malawak na pagpapatunay. Ginagamit ng mga medikal na propesyonal ang AI bilang pangalawang pares ng mata o bilang isang tool na nakakatipid ng oras, ngunit bineberipika nila ang mga kritikal na output.

Pananaw para sa 2030-2035: AI bilang Kasamahan ng Doktor (at marahil isang Nars o Parmasyutiko)

Sa darating na dekada, inaasahan namin na ang generative AI ay gagawa ng mas karaniwang mga klinikal na gawain nang mag-isa at mapapahusay ang abot ng mga serbisyong pangkalusugan:

• Mga Awtomatikong Paunang Pagsusuri: Pagsapit ng 2030, maaasahan nang kayang pangasiwaan ng AI ang paunang pagsusuri para sa maraming karaniwang kondisyon. Isipin ang isang AI system sa isang klinika na nagbabasa ng mga sintomas, medikal na kasaysayan, maging ang kanilang tono at mga pahiwatig ng mukha ng isang pasyente gamit ang camera, at nagbibigay ng mungkahi sa pagsusuri at mga inirerekomendang pagsusuri – lahat bago pa man makita ng doktor ang pasyente. Pagkatapos ay maaaring tumuon ang doktor sa pagkumpirma at pagtalakay sa diagnosis. Sa telemedicine, maaaring makipag-usap muna ang isang pasyente sa isang AI na nagpapaliit sa isyu (hal., posibleng impeksyon sa sinus kumpara sa isang bagay na mas malala) at pagkatapos ay ikinokonekta sila sa isang clinician kung kinakailangan. Maaaring payagan ng mga regulator ang AI na opisyal mag-diagnose ng ilang maliliit na kondisyon nang walang pangangasiwa ng tao kung mapapatunayang lubos na tumpak – halimbawa, maaaring posible ang isang AI na nag-diagnose ng direktang impeksyon sa tainga mula sa isang imahe ng otoscope.

• Mga Personal na Monitor sa Kalusugan: Dahil sa paglaganap ng mga wearable (mga smartwatch, health sensor), patuloy na susubaybayan ng AI ang mga pasyente at awtomatiko itong magbabala tungkol sa mga isyu. Halimbawa, pagsapit ng 2035, maaaring matukoy ng AI ng iyong wearable ang abnormal na ritmo ng puso at awtomatiko kang iiskedyul para sa isang agarang virtual na konsultasyon o tumawag pa ng ambulansya kung makakakita ito ng mga palatandaan ng atake sa puso o stroke. Ito ay tumatawid sa awtonomikong teritoryo ng pagpapasya – ang pagpapasya na ang isang sitwasyon ay isang emergency at pagkilos – na isang malamang at nakapagliligtas-buhay na paggamit ng AI.

• Mga Rekomendasyon sa Paggamot: Ang generative AI na sinanay batay sa mga medikal na literatura at datos ng pasyente ay maaaring magmungkahi ng mga personalized na plano sa paggamot. Pagsapit ng 2030, para sa mga kumplikadong sakit tulad ng kanser, maaaring suriin ng mga AI tumor board ang genetic makeup at medical history ng isang pasyente at awtomatikong bumuo ng isang inirerekomendang regimen sa paggamot (chemo plan, pagpili ng gamot). Susuriin ito ng mga doktor na tao, ngunit sa paglipas ng panahon habang lumalaki ang kumpiyansa, maaari nilang simulan ang pagtanggap ng mga planong binuo ng AI lalo na para sa mga karaniwang kaso, na inaayos lamang kung kinakailangan.

• Mga Virtual na Nars at Pangangalaga sa Bahay: Ang isang AI na maaaring makipag-usap at magbigay ng medikal na gabay ay maaaring humawak ng maraming follow-up at pagsubaybay sa talamak na pangangalaga. Halimbawa, ang mga pasyente sa bahay na may mga malalang sakit ay maaaring mag-ulat ng mga pang-araw-araw na sukatan sa isang AI nurse assistant na magbibigay ng payo ("Medyo mataas ang iyong asukal sa dugo, isaalang-alang ang pagsasaayos ng iyong meryenda sa gabi") at iikot lamang ang isang taong nars kapag ang mga pagbasa ay wala sa saklaw o may mga isyung lumitaw. Ang AI na ito ay maaaring gumana nang higit sa lahat nang awtonomiya sa ilalim ng malayuang pangangasiwa ng isang manggagamot.

• Medical Imaging at Pagsusuri sa Laboratoryo – Ganap na Awtomatikong mga Pipeline: Pagsapit ng 2035, ang pagbabasa ng mga medical scan ay maaaring pangunahing ginagawa gamit ang AI sa ilang larangan. Ang mga radiologist ang mamamahala sa mga sistema ng AI at hahawak sa mga kumplikadong kaso, ngunit ang karamihan sa mga normal na scan (na talagang normal) ay maaaring "basahin" at direktang pirmahan ng isang AI. Katulad nito, ang pagsusuri ng mga pathology slide (halimbawa, ang pagtukoy sa mga selula ng kanser sa isang biopsy) ay maaaring gawin nang mag-isa para sa paunang screening, na lubos na magpapabilis sa mga resulta ng laboratoryo.

• Pagtuklas ng Gamot at mga Klinikal na Pagsubok: Malamang na hindi lamang magdidisenyo ang AI ng mga molekula ng gamot kundi bubuo rin ng sintetikong datos ng pasyente para sa mga pagsubok o hahanap ng mga pinakamainam na kandidato sa pagsubok. Maaari itong awtomatikong magpatakbo ng mga virtual na pagsubok (ginagaya kung paano magre-react ang mga pasyente) upang paliitin ang mga opsyon bago ang mga totoong pagsubok. Maaari nitong mas mabilis na mailabas ang mga gamot sa merkado nang may mas kaunting mga eksperimentong hinimok ng tao.

Malayo pa rin ang pananaw ng isang doktor na may AI kasamahan ng mga doktor sa halip na kapalit ng ugali ng tao. Ang kumplikadong pagsusuri ay kadalasang nangangailangan ng intuwisyon, etika, at mga pag-uusap upang maunawaan ang konteksto ng pasyente – mga larangan kung saan mahusay ang mga doktor na tao. Gayunpaman, maaaring hawakan ng isang AI, halimbawa, ang 80% ng karaniwang gawain: mga papeles, mga simpleng kaso, pagsubaybay, atbp., na nagpapahintulot sa mga clinician na tao na tumuon sa mahirap na 20% at sa mga relasyon sa pasyente.

May mga mahahalagang balakid: mahigpit ang pag-apruba ng mga regulasyon para sa autonomous AI sa pangangalagang pangkalusugan (naaangkop naman). Mangangailangan ang mga sistema ng AI ng malawakang klinikal na pagpapatunay. Maaari tayong makakita ng unti-unting pagtanggap – halimbawa, pinahihintulutan ang AI na mag-autonomous na mag-diagnose o gumamot sa mga lugar na kulang sa serbisyo kung saan walang mga doktor na magagamit, bilang isang paraan upang mapalawak ang access sa pangangalagang pangkalusugan (isipin ang isang "AI clinic" sa isang liblib na nayon pagsapit ng 2030 na nagpapatakbo nang may pana-panahong tele-superbisyon mula sa isang doktor sa lungsod).

Malaki ang mga etikal na konsiderasyon. Ang pananagutan (kung ang isang autonomous AI ay magkamali sa diagnosis, sino ang mananagot?), may kaalamang pahintulot (kailangang malaman ng mga pasyente kung ang AI ay kasangkot sa kanilang pangangalaga), at pagtiyak ng pagkakapantay-pantay (ang AI ay gumagana nang maayos para sa lahat ng populasyon, na iniiwasan ang bias) ay mga hamong kailangang harapin. Kung sakaling matugunan ang mga ito, sa kalagitnaan ng 2030s, ang generative AI ay maaaring maihabi sa tela ng paghahatid ng pangangalagang pangkalusugan, na gumaganap ng maraming gawain na nagpapalaya sa mga tagapagbigay ng serbisyong pantao at posibleng maabot ang mga pasyente na kasalukuyang may limitadong access.

Sa buod, pagdating ng 2035, malamang na malalim na maisasama ng pangangalagang pangkalusugan ang AI ngunit kadalasan ay sa ilalim ng hood o sa mga tungkuling sumusuporta. Magtitiwala tayo sa AI na marami itong magagawa nang mag-isa – magbasa ng mga scan, magbabantay sa mga vital signs, magbalangkas ng mga plano – ngunit may seguridad pa rin ng pangangasiwa ng tao para sa mga kritikal na desisyon. Ang resulta ay maaaring isang mas mahusay at tumutugong sistema ng pangangalagang pangkalusugan, kung saan ang AI ang hahawak sa mabibigat na gawain at ang mga tao ang magbibigay ng empatiya at pangwakas na paghatol.

Generative AI sa Edukasyon

Ang edukasyon ay isa pang larangan kung saan umuusbong ang generative AI, mula sa mga AI-powered tutoring bot hanggang sa automated grading at paglikha ng nilalaman. Ang pagtuturo at pagkatuto ay kinabibilangan ng komunikasyon at pagkamalikhain, na mga kalakasan ng mga generative model. Ngunit mapagkakatiwalaan ba ang AI sa pagtuturo nang walang pangangasiwa ng isang guro?

Mga Kasalukuyang Kakayahan (2025): Mga Tutor at Tagabuo ng Nilalaman na Nakatali

Sa ngayon, ang AI ay ginagamit sa edukasyon pangunahin bilang isang pantulong na kagamitan sa halip na isang nag-iisang guro. Mga halimbawa ng kasalukuyang paggamit:

• Mga AI Tutoring Assistant: Ang mga tool tulad ng "Khanmigo" ng Khan Academy (pinapagana ng GPT-4) o iba't ibang app sa pag-aaral ng wika ay gumagamit ng AI upang gayahin ang isang one-on-one tutor o kapareha sa pakikipag-usap. Maaaring magtanong ang mga mag-aaral sa natural na wika at makakuha ng mga sagot o paliwanag. Ang AI ay maaaring magbigay ng mga pahiwatig para sa mga problema sa takdang-aralin, magpaliwanag ng mga konsepto sa iba't ibang paraan, o kahit na mag-role-play bilang isang makasaysayang pigura para sa isang interactive na aralin sa kasaysayan. Gayunpaman, ang mga AI tutor na ito ay karaniwang ginagamit nang may pangangasiwa; ang mga guro o ang mga tagapangalaga ng app ay madalas na sinusubaybayan ang mga diyalogo o nagtatakda ng mga limitasyon sa kung ano ang maaaring talakayin ng AI (upang maiwasan ang maling impormasyon o hindi naaangkop na nilalaman).

• Paglikha ng Nilalaman para sa mga Guro: Tinutulungan ng Generative AI ang mga guro sa pamamagitan ng paglikha ng mga tanong sa pagsusulit, buod ng mga babasahin, balangkas ng plano ng aralin, at iba pa. Maaaring tanungin ng isang guro ang isang AI ng, "Bumuo ng 5 problema sa pagsasanay sa mga quadratic equation na may mga sagot," na nakakatipid ng oras sa paghahanda. Ito ay autonomous na pagbuo ng nilalaman, ngunit karaniwang sinusuri ng isang guro ang output para sa katumpakan at pagkakahanay sa kurikulum. Kaya ito ay mas isang aparato na nakakatipid ng paggawa kaysa sa ganap na independiyente.

• Pagmamarka at Feedback: Awtomatikong kayang bigyan ng AI ng grado ang mga multiple-choice na pagsusulit (walang bago roon) at lalong nakakapagsuri ng mga maikling sagot o sanaysay. Gumagamit ang ilang sistema ng paaralan ng AI upang magbigay ng grado sa mga nakasulat na tugon at magbigay ng feedback sa mga mag-aaral (hal., mga pagwawasto sa gramatika, mga mungkahi upang palawakin ang isang argumento). Bagama't hindi isang gawaing pangkabuuan mismo, ang mga bagong AI ay maaari pang bumuo ng isang personalized na ulat ng feedback para sa isang mag-aaral batay sa kanilang pagganap, na nagbibigay-diin sa mga lugar na dapat pagbutihin. Madalas na sinusuri ng mga guro ang mga sanaysay na may gradong AI sa yugtong ito dahil sa mga alalahanin tungkol sa mga nuances.

• Mga Adaptive Learning Systems: Ito ay mga plataporma na nag-aayos ng kahirapan o istilo ng materyal batay sa pagganap ng isang mag-aaral. Pinahuhusay ito ng Generative AI sa pamamagitan ng paglikha ng mga bagong problema o halimbawa nang mabilisan na iniayon sa mga pangangailangan ng mag-aaral. Halimbawa, kung ang isang mag-aaral ay nahihirapan sa isang konsepto, maaaring bumuo ang AI ng isa pang analohiya o tanong na pang-praktis na nakatuon sa konseptong iyon. Ito ay medyo awtonomiya, ngunit sa loob ng isang sistemang idinisenyo ng mga tagapagturo.

• Gamit ng Mag-aaral para sa Pagkatuto: Ang mga mag-aaral mismo ay gumagamit ng mga kagamitan tulad ng ChatGPT upang makatulong sa pagkatuto – paghingi ng mga paglilinaw, pagsasalin, o kahit paggamit ng AI upang makakuha ng feedback sa isang burador ng sanaysay (“pahusayin ang aking introduksyon na talata”). Ito ay self-directed at maaaring mangyari nang walang kaalaman ng guro. Ang AI sa sitwasyong ito ay gumaganap bilang isang on-demand na tutor o proofreader. Ang hamon ay ang pagtiyak na gagamitin ito ng mga mag-aaral para sa pagkatuto sa halip na lamang makakuha ng mga sagot (integridad sa akademya).

Malinaw na simula noong 2025, ang AI sa edukasyon ay makapangyarihan ngunit kadalasan ay gumagana na kasama ang isang tagapagturo na siyang nangangasiwa sa mga kontribusyon ng AI. May mauunawaang pag-iingat: ayaw nating magtiwala sa isang AI na magtuturo ng maling impormasyon o hahawakan ang sensitibong interaksyon ng mga mag-aaral nang walang pahintulot. Itinuturing ng mga guro ang mga AI tutor bilang mga kapaki-pakinabang na katulong na maaaring magbigay sa mga mag-aaral ng mas maraming pagsasanay at agarang mga sagot sa mga karaniwang tanong, na nagbibigay-daan sa mga guro na magtuon sa mas malalim na pagtuturo.

Pananaw para sa 2030-2035: Mga Personalized na AI Tutor at Mga Awtomatikong Katulong sa Pagtuturo

Sa susunod na dekada, inaasahan namin na ang generative AI ay magbibigay-daan sa mas personalized at autonomous na mga karanasan sa pag-aaral , habang ang mga tungkulin ng mga guro ay nagbabago:

• Mga AI Personal na Tutor para sa Bawat Estudyante: Pagsapit ng 2030, ang pangitain (na ibinahagi ng mga eksperto tulad ni Sal Khan ng Khan Academy) ay ang bawat estudyante ay maaaring magkaroon ng access sa isang AI tutor na kasing epektibo ng isang tutor na tao sa maraming aspeto ( Ang AI tutor na ito ay maaaring gawing mas matalino ang mga tao nang 10 beses, sabi ng lumikha nito ). Ang mga AI tutor na ito ay magiging available 24/7, malalaman nang mabuti ang kasaysayan ng pagkatuto ng estudyante, at iakma ang kanilang istilo ng pagtuturo nang naaayon. Halimbawa, kung ang isang estudyante ay isang visual learner na nahihirapan sa isang konsepto ng algebra, ang AI ay maaaring dynamic na lumikha ng isang visual na paliwanag o interactive na simulation upang makatulong. Dahil masusubaybayan ng AI ang pag-unlad ng estudyante sa paglipas ng panahon, maaari itong magdesisyon nang awtomatiko kung anong paksa ang susunod na rerepasuhin o kung kailan susulong sa isang bagong kasanayan – epektibong pamamahala sa plano ng aralin para sa estudyanteng iyon sa isang maliit na kahulugan.

• Nabawasang Trabaho ng Guro sa mga Karaniwang Gawain: Pagmamarka, paggawa ng mga worksheet, pagbalangkas ng mga materyales sa aralin – ang mga gawaing ito ay maaaring halos ganap na ilipat sa AI pagsapit ng 2030s. Ang isang AI ay maaaring makabuo ng isang linggong customized na takdang-aralin para sa isang klase, mamarkahan ang lahat ng mga takdang-aralin noong nakaraang linggo (kahit na ang mga bukas ang dulo) na may feedback, at i-highlight sa guro kung aling mga mag-aaral ang maaaring mangailangan ng karagdagang tulong sa kung aling mga paksa. Maaaring mangyari ito nang may kaunting input ng guro, marahil isang mabilis na sulyap lamang upang matiyak na ang mga marka ng AI ay tila patas.

• Mga Autonomous Adaptive Learning Platform: Maaari tayong makakita ng mga kursong ganap na pinapagana ng AI para sa ilang partikular na asignatura. Isipin ang isang online na kurso na walang instruktor na tao kung saan ang isang ahente ng AI ay nagpapakilala ng materyal, nagbibigay ng mga halimbawa, sumasagot sa mga tanong, at inaayos ang bilis batay sa mag-aaral. Ang karanasan ng mag-aaral ay maaaring natatangi sa kanila, na nalilikha sa real-time. Ang ilang pagsasanay sa korporasyon at pag-aaral para sa mga nasa hustong gulang ay maaaring lumipat sa modelong ito nang mas maaga, kung saan pagsapit ng 2035, maaaring sabihin ng isang empleyado na "Gusto kong matuto ng mga advanced na Excel macro" at tuturuan sila ng isang AI tutor sa pamamagitan ng isang personalized na kurikulum, kabilang ang pagbuo ng mga ehersisyo at pagsusuri ng kanilang mga solusyon, nang walang isang tagapagsanay na tao.

• Mga Katulong sa AI sa Silid-aralan: Sa mga pisikal o virtual na silid-aralan, maaaring makinig ang AI sa mga talakayan sa klase at tulungan ang guro nang mabilisan (hal., pagbulong ng mga mungkahi sa pamamagitan ng earpiece: "Maraming estudyante ang mukhang nalilito tungkol sa konseptong iyan, marahil ay magbigay ng isa pang halimbawa"). Maaari rin nitong i-moderate ang mga online class forum, sagutin ang mga direktang tanong ng mga estudyante ("Kailan ang takdang-aralin?" o kahit na linawin ang isang punto sa lecture) upang ang guro ay hindi mapuno ng mga email. Pagsapit ng 2035, ang pagkakaroon ng isang AI co-teacher sa silid, habang ang gurong tao ay nakatuon sa mas mataas na antas ng gabay at mga aspeto ng motibasyon, ay maaaring maging pamantayan.

• Pandaigdigang Pag-access sa Edukasyon: Ang mga autonomous AI tutor ay maaaring makatulong sa pagtuturo sa mga mag-aaral sa mga lugar na may kakulangan ng guro. Ang isang tablet na may AI tutor ay maaaring magsilbing pangunahing instruktor para sa mga mag-aaral na limitado ang pag-aaral, na sumasaklaw sa pangunahing literasiya at matematika. Pagsapit ng 2035, maaaring ito na ang isa sa mga pinakamabisang gamit – ang AI na nagtutugma sa mga puwang kung saan walang mga gurong tao na magagamit. Gayunpaman, ang pagtiyak sa kalidad at kaangkupan sa kultura ng edukasyon ng AI sa iba't ibang konteksto ay magiging mahalaga.

Papalitan ba ng AI ang mga guro? Malamang na hindi lubusan. Ang pagtuturo ay higit pa sa paghahatid ng nilalaman – ito ay paggabay, inspirasyon, suportang panlipunan-emosyonal. Mahirap gayahin ng AI ang mga elementong pantao na iyon. Ngunit ang AI ay maaaring maging pangalawang guro sa silid-aralan o maging unang guro para sa paglilipat ng kaalaman, na nag-iiwan sa mga tagapagturo na tao na magtuon sa kung ano ang pinakamahusay na nagagawa ng mga tao: makiramay, mag-udyok, at magsulong ng kritikal na pag-iisip.

May mga alalahaning dapat pangasiwaan: ang pagtiyak na ang AI ay nagbibigay ng tumpak na impormasyon (walang mga halusinasyon sa edukasyon na dulot ng mga maling katotohanan), pag-iwas sa bias sa nilalamang pang-edukasyon, pagpapanatili ng privacy ng datos ng mga mag-aaral, at pagpapanatiling aktibo ang mga mag-aaral (kailangang maging motibado ang AI, hindi lang tama). Malamang na makakakita tayo ng akreditasyon o sertipikasyon ng mga sistemang pang-edukasyon ng AI – katulad ng mga aklat-aralin na inaprubahan – upang matiyak na natutugunan nila ang mga pamantayan.

Isa pang hamon ay ang labis na pag-asa: kung ang isang AI tutor ay masyadong madaling magbigay ng mga sagot, maaaring hindi matutunan ng mga estudyante ang pagtitiyaga o paglutas ng problema. Upang mabawasan ito, ang mga magiging AI tutor ay maaaring idinisenyo upang minsan ay hayaan ang mga estudyante na magsumikap (tulad ng maaaring gawin ng isang taong tutor) o hikayatin silang lutasin ang mga problema gamit ang mga pahiwatig sa halip na magbigay ng mga solusyon.

Pagsapit ng 2035, maaaring mabago ang silid-aralan: bawat mag-aaral ay may aparatong konektado sa AI na gagabay sa kanila sa sarili nilang bilis, habang ang guro ang nag-oorganisa ng mga aktibidad ng grupo at nagbibigay ng pananaw na pantao. Ang edukasyon ay maaaring maging mas mahusay at iniayon. Ang pangako ay ang bawat mag-aaral ay makakakuha ng tulong na kailangan nila kapag kailangan nila ito – isang tunay na karanasan sa "personal na tagapagturo" sa malawakang saklaw. Ang panganib ay ang pagkawala ng ilang ugnayan ng tao o maling paggamit ng AI (tulad ng mga mag-aaral na nandadaya sa pamamagitan ng AI). Ngunit sa pangkalahatan, kung maayos na mapamamahalaan, ang generative AI ay nakatayo upang gawing demokrasya at mapahusay ang pagkatuto sa pamamagitan ng pagiging isang laging magagamit at may kaalamang kasama sa paglalakbay sa edukasyon ng isang mag-aaral.

Generative AI sa Logistics at Supply Chain

Ang Logistics – ang sining at agham ng paglipat ng mga produkto at pamamahala ng mga supply chain – ay maaaring hindi mukhang tradisyonal na larangan para sa "generative" na AI, ngunit ang malikhaing paglutas ng problema at pagpaplano ay susi sa larangang ito. Ang generative AI ay makakatulong sa pamamagitan ng paggaya ng mga senaryo, pag-optimize ng mga plano, at maging ang pagkontrol sa mga robotic system. Ang layunin sa logistics ay ang kahusayan at pagtitipid sa gastos, na naaayon sa mga kalakasan ng AI sa pagsusuri ng data at pagmumungkahi ng mga solusyon. Kaya gaano kaya ka-autonomous ang AI sa pagpapatakbo ng mga supply chain at mga operasyon sa logistics?

Mga Kasalukuyang Kakayahan (2025): Pag-optimize at Pagpapadali Gamit ang Pangangasiwa ng Tao

Sa kasalukuyan, ang AI (kabilang ang ilang mga pamamaraang generative) ay inilalapat sa logistik pangunahin bilang isang kasangkapan sa pagsuporta sa desisyon :

• Pag-optimize ng Ruta: Ang mga kumpanyang tulad ng UPS at FedEx ay gumagamit na ng mga algorithm ng AI upang ma-optimize ang mga ruta ng paghahatid – tinitiyak na ang mga drayber ay tatahak sa pinakaepektibong landas. Dati, ang mga ito ay mga algorithm ng pananaliksik sa operasyon, ngunit ngayon ang mga generative na pamamaraan ay makakatulong na tuklasin ang mga alternatibong estratehiya sa pagruruta sa ilalim ng iba't ibang mga kondisyon (trapiko, panahon). Bagama't nagmumungkahi ang AI ng mga ruta, ang mga dispatcher o manager na tao ang nagtatakda ng mga parameter (hal., mga prayoridad) at maaaring mag-override kung kinakailangan.

• Pagpaplano ng Karga at Espasyo: Para sa mga trak ng pag-iimpake o mga lalagyan ng pagpapadala, ang AI ay maaaring makabuo ng mga pinakamainam na plano sa paglo-load (kung saan napupunta ang kahon). Ang isang generative AI ay maaaring makagawa ng maraming configuration ng pag-iimpake upang ma-maximize ang paggamit ng espasyo, na mahalagang "lumilikha" ng mga solusyon na maaaring pagpilian ng mga tao. Ito ay itinampok ng isang pag-aaral na nagsabing ang mga trak ay kadalasang tumatakbo ng 30% na walang laman sa US, at ang mas mahusay na pagpaplano – sa tulong ng AI – ay maaaring mabawasan ang basurang iyon (Mga Nangungunang Generative AI Use Cases in Logistics ). Ang mga plano ng paglo-load na binuo ng AI ay naglalayong bawasan ang mga gastos sa gasolina at emisyon, at sa ilang bodega ay isinasagawa ang mga ito nang may kaunting manu-manong pagbabago.

• Pagtataya ng Demand at Pamamahala ng Imbentaryo: Maaaring hulaan ng mga modelo ng AI ang demand ng produkto at makabuo ng mga plano sa pag-restock. Maaaring gayahin ng isang generative model ang iba't ibang senaryo ng demand (halimbawa, "iniisip" ng isang AI ang isang pagtaas ng demand dahil sa isang paparating na holiday) at planuhin ang imbentaryo nang naaayon. Nakakatulong ito sa mga tagapamahala ng supply chain na maghanda. Sa kasalukuyan, ang AI ay nagbibigay ng mga pagtataya at mungkahi, ngunit karaniwang ang mga tao ang gumagawa ng pangwakas na desisyon sa mga antas ng produksyon o pag-order.

• Pagtatasa ng Panganib: Ang pandaigdigang supply chain ay nahaharap sa mga pagkaantala (mga natural na sakuna, pagkaantala sa daungan, mga isyung pampulitika). Sinusuri na ngayon ng mga AI system ang mga balita at datos upang matukoy ang mga panganib na paparating. Halimbawa, isang logistics firm ang gumagamit ng gen AI upang i-scan ang internet at markahan ang mga mapanganib na koridor ng transportasyon (mga lugar na malamang na magkaroon ng problema dahil sa, halimbawa, isang paparating na bagyo o kaguluhan) ( Mga Nangungunang Generative AI Use Cases sa Logistics ). Gamit ang impormasyong iyon, maaaring awtomatikong ilipat ng mga tagaplano ang mga kargamento sa mga lugar na may problema. Sa ilang mga kaso, maaaring awtomatikong irekomenda ng AI ang mga pagbabago sa ruta o mga pagbabago sa paraan ng transportasyon, na pagkatapos ay inaprubahan ng mga tao.

• Awtomasyon sa Bodega: Maraming bodega ang semi-automated na may mga robot para sa pagpili at pag-iimpake. Ang Generative AI ay maaaring magtalaga ng mga gawain sa mga robot at tao nang dynamic para sa pinakamainam na daloy. Halimbawa, maaaring bumuo ang isang AI ng pila ng trabaho para sa mga robotic picker tuwing umaga batay sa mga order. Kadalasan, ito ay ganap na awtonomiya sa pagpapatupad, kung saan ang mga manager ay sinusubaybayan lamang ang mga KPI – kung ang mga order ay hindi inaasahang tumaas, ang AI ay kusang inaayos ang mga operasyon.

• Pamamahala ng Fleet: Nakakatulong ang AI sa pag-iiskedyul ng maintenance para sa mga sasakyan sa pamamagitan ng pagsusuri ng mga pattern at pagbuo ng mga pinakamainam na iskedyul ng maintenance na nagpapaliit sa downtime. Maaari rin nitong pangkatin ang mga kargamento upang mabawasan ang mga biyahe. Ang mga desisyong ito ay maaaring awtomatikong gawin ng AI software hangga't natutugunan nito ang mga kinakailangan sa serbisyo.

Sa pangkalahatan, noong 2025, ang mga tao ang nagtakda ng mga layunin (hal., "bawasan ang gastos ngunit tiyakin ang 2-araw na paghahatid") at ang AI ay gumagawa ng mga solusyon o iskedyul upang makamit iyon. Ang mga sistema ay maaaring tumakbo araw-araw nang walang interbensyon hanggang sa may mangyari na hindi pangkaraniwang bagay. Maraming logistik ang kinasasangkutan ng mga paulit-ulit na desisyon (kailan dapat umalis ang kargamento na ito? saang bodega tutuparin ang order na ito?), na maaaring matutunan ng AI na gawin nang palagian. Unti-unting nagtitiwala ang mga kumpanya sa AI na hahawak sa mga maliliit na desisyong ito at inaalerto lamang ang mga tagapamahala kapag may mga eksepsiyon.

Pananaw para sa 2030-2035: Mga Self-Driving Supply Chain

Sa susunod na dekada, maaari nating maisip ang mas malayang koordinasyon sa logistik na pinapagana ng AI:

• Mga Autonomous na Sasakyan at Drone: Ang mga self-driving na trak at delivery drone, bagama't mas malawak na paksa ng AI/robotics, ay direktang nakakaapekto sa logistik. Pagsapit ng 2030, kung malalampasan ang mga hamong pang-regulasyon at teknikal, maaaring magkaroon na tayo ng AI na regular na magmaneho ng mga trak sa mga highway o mga drone na humahawak ng huling paghahatid sa mga lungsod. Ang mga AI na ito ay gagawa ng mga real-time na desisyon (pagbabago ng ruta, pag-iwas sa balakid) nang walang mga taong nagmamaneho. Ang generative angle ay nasa kung paano natututo ang mga AI ng sasakyan na ito mula sa malawak na data at mga simulation, na epektibong "nagsasanay" sa hindi mabilang na mga senaryo. Ang isang ganap na autonomous na fleet ay maaaring gumana nang 24/7, kung saan ang mga tao ay nagmomonitor lamang nang malayuan. Inaalis nito ang isang malaking elemento ng tao (mga driver) mula sa mga operasyon ng logistik, na lubhang nagpapataas ng awtonomiya.

• Mga Supply Chain na Nagpapagaling sa Sarili: Malamang na gagamitin ang Generative AI upang patuloy na gayahin ang mga senaryo ng supply chain at maghanda ng mga contingency plan. Pagsapit ng 2035, maaaring awtomatikong matukoy ng isang AI kapag nagsara ang isang pabrika ng supplier (sa pamamagitan ng mga balita o data feed) at agad na ilipat ang sourcing sa mga alternatibong supplier na nasuri na nito sa simulation. Nangangahulugan ito na "pinagaling" ng supply chain ang sarili nito mula sa mga pagkagambala sa pamamagitan ng AI na magkusa. Ang mga human manager ay mabibigyan ng kaalaman tungkol sa ginawa ng AI, sa halip na ang mga nagsisimula ng workaround.

• End-to-End na Pag-optimize ng Imbentaryo: Maaaring awtomatikong pamahalaan ng AI ang imbentaryo sa isang buong network ng mga bodega at tindahan. Ito ang magpapasya kung kailan at saan ililipat ang stock (marahil gamit ang mga robot o automated na sasakyan para gawin ito), na pinapanatili ang sapat na imbentaryo sa bawat lokasyon. Ang AI ay karaniwang nagpapatakbo ng supply chain control tower: nakikita ang lahat ng daloy at gumagawa ng mga pagsasaayos nang real-time. Pagsapit ng 2035, ang ideya ng isang "self-driving" na supply chain ay maaaring mangahulugan na ang sistema ay gagawa ng pinakamahusay na plano sa pamamahagi bawat araw, mag-oorder ng mga produkto, mag-iiskedyul ng mga operasyon sa pabrika, at mag-aayos ng transportasyon nang mag-isa. Ang mga tao ang mamamahala sa pangkalahatang diskarte at hahawakan ang mga eksepsiyon na lampas sa kasalukuyang pag-unawa ng AI.

• Disenyong Pangkabuuang Pangkabuuang Pang-Logistika: Maaari nating makita ang AI na nagdidisenyo ng mga bagong network ng supply chain. Ipagpalagay na ang isang kumpanya ay lumawak sa isang bagong rehiyon; ang isang AI ay maaaring makabuo ng pinakamainam na lokasyon ng bodega, mga link sa transportasyon, at mga patakaran sa imbentaryo para sa rehiyong iyon batay sa datos – isang bagay na ginagawa ng mga consultant at analyst ngayon. Pagsapit ng 2030, maaaring umasa ang mga kumpanya sa mga rekomendasyon ng AI para sa mga pagpipilian sa disenyo ng supply chain, na nagtitiwala na mas mabilis nitong matimbang ang mga salik at marahil ay makahanap ng mga malikhaing solusyon (tulad ng mga hindi halatang distribution hub) na hindi napapansin ng mga tao.

• Integrasyon sa Paggawa (Industriya 4.0): Ang Logistik ay hindi nag-iisa; ito ay nakatali sa produksyon. Ang mga pabrika sa hinaharap ay maaaring magkaroon ng generative AI na nag-iiskedyul ng mga operasyon ng produksyon, nag-oorder ng mga hilaw na materyales sa tamang oras, at pagkatapos ay nag-uutos sa logistics network na magpadala agad ng mga produkto. Ang pinagsamang AI na ito ay maaaring mangahulugan ng mas kaunting pagpaplano ng tao sa pangkalahatan – isang tuluy-tuloy na kadena mula sa paggawa hanggang sa paghahatid na hinihimok ng mga algorithm na nag-o-optimize para sa gastos, bilis, at pagpapanatili. Pagsapit ng 2025, ang mga high-performing supply chain ay data-driven na; pagsapit ng 2035, maaaring higit na AI-driven na ang mga ito.

• Dinamikong Serbisyo sa Customer sa Logistik: Batay sa customer service AI, ang mga supply chain AI ay maaaring direktang makipag-ugnayan sa mga customer o kliyente. Halimbawa, kung nais ng isang malaking kliyente na baguhin ang kanilang bulk order sa huling minuto, maaaring makipag-ayos ang isang AI agent sa mga posibleng alternatibo (tulad ng "Maaari naming ihatid ang kalahati ngayon, kalahati sa susunod na linggo dahil sa mga limitasyon") nang hindi naghihintay ng isang human manager. Kabilang dito ang generative AI na pag-unawa sa magkabilang panig (pangangailangan ng customer vs. kapasidad sa pagpapatakbo) at paggawa ng mga desisyon na nagpapanatili sa mga operasyon na maayos habang nasisiyahan ang mga kliyente.

Ang inaasahang benepisyo ay isang mas mahusay, matatag, at tumutugong sistema ng logistik. Nakikita ng mga kumpanya ang malaking matitipid – tinantya ng McKinsey na ang mga pag-optimize ng supply chain na hinimok ng AI ay maaaring makabuluhang makabawas sa mga gastos at mapabuti ang mga antas ng serbisyo, na maaaring magdagdag ng mga trilyong halaga sa iba't ibang industriya ( Ang estado ng AI noong 2023: Ang breakout year ng Generative AI | McKinsey ).

Gayunpaman, ang pagbibigay ng higit na kontrol sa AI ay may kaakibat ding mga panganib, tulad ng mga sunud-sunod na error kung ang lohika ng AI ay may depekto (halimbawa, ang kilalang-kilalang senaryo ng isang supply chain ng AI na hindi sinasadyang nag-ubusan ng stock ang isang kumpanya dahil sa isang error sa pagmomodelo). Ang mga pananggalang tulad ng "human-in-the-loop para sa malalaking desisyon" o kahit man lang mga dashboard na nagpapahintulot sa mabilis na pag-override ng tao ay malamang na mananatili hanggang 2035. Sa paglipas ng panahon, habang napapatunayan ang mga desisyon sa AI, magiging mas komportable ang mga tao na umatras.

Kapansin-pansin, sa pamamagitan ng pag-optimize para sa kahusayan, ang AI ay maaaring minsan gumawa ng mga pagpili na sumasalungat sa mga kagustuhan ng tao o mga tradisyonal na kasanayan. Halimbawa, ang purong pag-optimize ay maaaring humantong sa napakaliit na imbentaryo, na mahusay ngunit maaaring magmukhang mapanganib. Ang mga propesyonal sa supply chain sa 2030 ay maaaring kailangang ayusin ang kanilang mga intuwisyon dahil ang AI, na kumukuha ng napakalaking data, ay maaaring magpakita na ang hindi pangkaraniwang diskarte nito ay talagang mas mahusay na gumagana.

Panghuli, dapat nating isaalang-alang na ang mga pisikal na limitasyon (imprastraktura, bilis ng pisikal na proseso) ay naglilimita kung gaano kabilis magbago ang logistik, kaya ang rebolusyon dito ay tungkol sa mas matalinong pagpaplano at paggamit ng mga asset sa halip na isang ganap na bagong pisikal na realidad. Ngunit kahit na sa loob ng mga limitasyong iyon, ang mga malikhaing solusyon ng generative AI at walang humpay na pag-optimize ay maaaring lubos na mapabuti kung paano gumagalaw ang mga produkto sa buong mundo nang may kaunting manu-manong pagpaplano.

Sa buod, ang logistik pagdating ng 2035 ay maaaring gumana na katulad ng isang mahusay na na-optimize na automated na makinarya: mahusay na dumadaloy ang mga kalakal, ang mga ruta ay umaangkop sa real time sa mga pagkagambala, ang mga bodega ay namamahala sa kanilang sarili gamit ang mga robot, at ang buong sistema ay patuloy na natututo at nagpapabuti mula sa data – lahat ay pinangangasiwaan ng generative AI na nagsisilbing utak ng operasyon.

Generative AI sa Pananalapi at Negosyo

Ang industriya ng pananalapi ay labis na nakikibahagi sa impormasyon – mga ulat, pagsusuri, komunikasyon sa customer – kaya naman ito ay matabang lupa para sa generative AI. Mula sa pagbabangko hanggang sa pamamahala ng pamumuhunan at seguro, sinasaliksik ng mga organisasyon ang AI para sa automation at pagbuo ng insight. Ang tanong ay, anong mga gawaing pinansyal ang kayang hawakan ng AI nang maaasahan nang walang pangangasiwa ng tao, dahil sa kahalagahan ng katumpakan at tiwala sa larangang ito?

Mga Kasalukuyang Kakayahan (2025): Mga Awtomatikong Ulat at Suporta sa Desisyon

Sa ngayon, ang generative AI ay nakakatulong sa pananalapi sa iba't ibang paraan, kadalasan sa ilalim ng pangangasiwa ng isang tao:

• Pagbuo ng Ulat: Ang mga bangko at kompanya sa pananalapi ay gumagawa ng maraming ulat – mga buod ng kita, komentaryo sa merkado, pagsusuri ng portfolio, atbp. Ginagamit na ang AI upang isulat ang mga ito. Halimbawa, binuo ng Bloomberg ang BloombergGPT , isang malaking modelo ng wika na sinanay sa datos sa pananalapi, upang tumulong sa mga gawain tulad ng pag-uuri ng balita at Q&A para sa kanilang mga terminal user ( Ang Generative AI ay darating sa pananalapi ). Bagama't ang pangunahing gamit nito ay ang pagtulong sa mga tao na makahanap ng impormasyon, ipinapakita nito ang lumalaking papel ng AI. Ang Automated Insights (ang kompanyang nakatrabaho ng AP) ay nakabuo rin ng mga artikulo sa pananalapi. Maraming newsletter sa pamumuhunan ang gumagamit ng AI upang buod ng mga pang-araw-araw na galaw sa merkado o mga tagapagpahiwatig ng ekonomiya. Karaniwan, sinusuri ng mga tao ang mga ito bago ipadala sa mga kliyente, ngunit ito ay isang mabilis na pag-edit sa halip na magsulat mula sa simula.

• Komunikasyon sa Customer: Sa retail banking, hinahawakan ng mga AI chatbot ang mga tanong ng customer tungkol sa mga balanse ng account, transaksyon, o impormasyon ng produkto (kasama ang larangan ng serbisyo sa customer). Gayundin, maaaring makabuo ang AI ng mga personalized na liham o nudge para sa payo sa pananalapi. Halimbawa, maaaring matukoy ng isang AI na maaaring makatipid ang isang customer sa mga bayarin at awtomatikong magsulat ng mensahe na nagmumungkahi na lumipat sila sa ibang uri ng account, na pagkatapos ay ilalabas nang may kaunting interbensyon ng tao. Ang ganitong uri ng personalized na komunikasyon sa malawakang saklaw ay isang kasalukuyang paggamit ng AI sa pananalapi.

• Pagtuklas at mga Alerto sa Pandaraya: Makakatulong ang Generative AI sa paglikha ng mga naratibo o paliwanag para sa mga anomalya na natukoy ng mga sistema ng pandaraya. Halimbawa, kung may na-flag na kahina-hinalang aktibidad, maaaring bumuo ang isang AI ng mensahe ng paliwanag para sa customer (“Napansin namin ang isang pag-login mula sa isang bagong device…”) o isang ulat para sa mga analyst. Awtomatiko ang pagtukoy (gamit ang pagtukoy ng anomalya ng AI/ML), at lalong nagiging awtomatiko ang komunikasyon, bagama't ang mga pangwakas na aksyon (pag-block ng isang account) ay kadalasang may pagsusuri ng tao.

• Pagpapayo sa Pananalapi (limitado): Ang ilang robo-advisor (mga automated investment platform) ay gumagamit ng mga algorithm (hindi kinakailangang generative AI) upang pamahalaan ang mga portfolio nang walang mga tagapayo na tao. Ang Generative AI ay pumapasok sa pamamagitan ng, halimbawa, pagbuo ng komentaryo kung bakit ginawa ang ilang partikular na kalakalan o isang buod ng pagganap ng portfolio na iniayon sa kliyente. Gayunpaman, ang purong payong pinansyal (tulad ng kumplikadong pagpaplano sa pananalapi) ay karamihan pa ring pantao o nakabatay sa mga tuntunin na algorithm; ang malayang-anyong generative na payong walang pangangasiwa ay mapanganib dahil sa pananagutan kung ito ay mali.

• Mga Pagtatasa ng Panganib at Underwriting: Sinusubukan ng mga kompanya ng seguro ang AI upang awtomatikong magsulat ng mga ulat sa pagtatasa ng panganib o maging ang mga dokumento ng patakaran. Halimbawa, kung may datos tungkol sa isang ari-arian, maaaring makabuo ang isang AI ng isang draft na patakaran sa seguro o ulat ng isang underwriter na naglalarawan sa mga salik ng panganib. Kasalukuyang sinusuri ng mga tao ang mga output na ito dahil ang anumang pagkakamali sa isang kontrata ay maaaring magastos.

• Pagsusuri ng Datos at mga Pananaw: Maaaring suriin ng AI ang mga pahayag sa pananalapi o balita at makabuo ng mga buod. Gumagamit ang mga analyst ng mga tool na maaaring agad na ibuod ang isang 100-pahinang taunang ulat sa mga pangunahing punto, o kunin ang mga pangunahing aral mula sa transcript ng isang earnings call. Ang mga buod na ito ay nakakatipid ng oras at maaaring direktang gamitin sa paggawa ng desisyon o maipasa, ngunit ang mga maingat na analyst ay dobleng sinusuri ang mahahalagang detalye.

Sa esensya, ang kasalukuyang AI sa pananalapi ay gumaganap bilang isang walang sawang analyst/manunulat , na bumubuo ng nilalamang pinahuhusay ng mga tao. Ang ganap na awtonomong paggamit ay kadalasang sa mga mahusay na natukoy na larangan tulad ng mga balitang nakabatay sa datos (hindi kailangan ng subhetibong paghatol) o mga tugon sa serbisyo sa customer. Ang direktang pagtitiwala sa AI sa mga desisyon tungkol sa pera (tulad ng paglipat ng mga pondo, pagsasagawa ng mga kalakalan na lampas sa mga paunang itinakdang algorithm) ay bibihira dahil sa mataas na nakataya at masusing pagsisiyasat ng mga regulasyon.

Pananaw para sa 2030-2035: Mga Analista ng AI at Mga Operasyong Awtonomong Pananalapi

Sa hinaharap, pagsapit ng 2035, ang generative AI ay maaaring lubos na maisama sa mga operasyong pinansyal, na posibleng humawak ng maraming gawain nang mag-isa:

• Mga Analistang Pinansyal ng AI: Maaari tayong makakita ng mga sistemang AI na maaaring magsuri ng mga kumpanya at merkado at makagawa ng mga rekomendasyon o ulat sa antas ng isang analistang pananaliksik sa equity ng tao. Pagsapit ng 2030, maiisip na ng isang AI na basahin ang lahat ng mga filing sa pananalapi ng isang kumpanya, ihambing sa datos ng industriya, at makagawa ng ulat ng rekomendasyon sa pamumuhunan ("Buy/Sell" nang may pangangatwiran) nang mag-isa. Ang ilang mga hedge fund ay gumagamit na ng AI upang makabuo ng mga signal ng pangangalakal; pagsapit ng 2030s, maaaring maging karaniwan ang mga ulat sa pananaliksik ng AI. Ang mga tagapamahala ng portfolio ng tao ay maaaring magsimulang magtiwala sa pagsusuring binuo ng AI bilang isang input bukod sa iba pa. May potensyal pa nga para sa AI na awtomatikong pamahalaan ang mga portfolio: patuloy na pagsubaybay at muling pagbabalanse ng mga pamumuhunan ayon sa isang paunang natukoy na diskarte. Sa katunayan, ang algorithmic trading ay lubos nang awtomatiko – maaaring gawing mas adaptibo ng generative AI ang mga diskarte sa pamamagitan ng pagbuo at pagsubok ng mga bagong modelo ng pangangalakal mismo.

• Awtomatikong Pagpaplano sa Pananalapi: Maaaring pangasiwaan ng mga tagapayo ng AI na nakaharap sa mga mamimili ang regular na pagpaplano sa pananalapi para sa mga indibidwal. Pagsapit ng 2030, maaari mong sabihin sa isang AI ang iyong mga layunin (pagbili ng bahay, pag-iipon para sa kolehiyo) at maaari itong bumuo ng isang kumpletong plano sa pananalapi (badyet, mga alokasyon ng pamumuhunan, mga mungkahi sa insurance) na iniayon sa iyo. Sa una ay maaaring suriin ito ng isang tagaplano sa pananalapi na tao, ngunit habang lumalaki ang kumpiyansa, ang naturang payo ay maaaring ibigay nang direkta sa mga mamimili, na may naaangkop na mga disclaimer. Ang susi ay ang pagtiyak na ang payo ng AI ay sumusunod sa mga regulasyon at nasa pinakamahusay na interes ng kliyente. Kung malulutas, maaaring gawing mas madaling ma-access ng AI ang mga pangunahing payo sa pananalapi sa mababang halaga.

• Awtomatikong Pag-automate ng Back-Office: Maaaring awtomatikong pangasiwaan ng Generative AI ang maraming dokumento ng back-office – mga aplikasyon sa pautang, mga ulat sa pagsunod, mga buod ng audit. Halimbawa, maaaring kunin ng isang AI ang lahat ng datos ng transaksyon at bumuo ng isang ulat sa audit na nagfa-flag ng anumang mga alalahanin. Maaaring gumugol ng mas maraming oras ang mga auditor sa 2035 sa pagsusuri ng mga eksepsiyon na may flag na AI kaysa sa pagsusuri mismo ng lahat. Katulad nito, para sa pagsunod, maaaring makabuo ang AI ng mga ulat ng kahina-hinalang aktibidad (mga ulat ng kahina-hinalang aktibidad o mga SAR) para sa mga regulator nang walang analyst na sumusulat ng mga ito mula sa simula. Ang awtomatikong pagbuo ng mga karaniwang dokumentong ito, na may pangangasiwa ng tao na lumilipat sa isang batayan ng eksepsiyon, ay maaaring maging pamantayan.

• Mga Claim at Underwriting ng Seguro: Maaaring iproseso ng isang AI ang isang claim sa seguro (na may ebidensyang may larawan, atbp.), matukoy ang saklaw, at awtomatikong makabuo ng payout decision letter. Maaari tayong umabot sa punto kung saan ang mga direktang claim (tulad ng mga aksidente sa sasakyan na may malinaw na datos) ay ganap na nareresolba ng AI sa loob ng ilang minuto pagkatapos isumite. Ang mga bagong polisiya sa underwriting ay maaaring magkatulad: Tinatasa ng AI ang panganib at binubuo ang mga tuntunin ng polisiya. Pagsapit ng 2035, marahil ang mga kumplikado o halos mga kaso na lamang ang maipapasa sa mga underwriter na tao.

• Pandaraya at Seguridad: Malamang na mas magiging kritikal ang AI sa pagtukoy at pagtugon sa mga pandaraya o mga banta sa cyber sa pananalapi. Maaaring subaybayan ng mga autonomous na ahente ng AI ang mga transaksyon sa real-time at gumawa ng mga agarang aksyon (harangan ang mga account, i-freeze ang mga transaksyon) kapag naabot ang ilang partikular na pamantayan, pagkatapos ay magbigay ng katwiran. Mahalaga ang bilis dito, kaya minimal lang ang pakikilahok ng tao. Ang generative na bahagi ay maaaring dumating sa pagpapabatid ng mga aksyong ito sa mga customer o regulator sa isang malinaw na paraan.

• Suporta sa Ehekutibo: Isipin ang isang "chief of staff" ng AI na kayang bumuo ng mga ulat sa negosyo para sa mga ehekutibo nang walang kahirap-hirap. Itanong, "Kumusta ang performance ng aming European division ngayong quarter at ano ang mga pangunahing nagtulak kumpara noong nakaraang taon?" at ang AI ay gagawa ng isang maigsi na ulat na may mga tsart, lahat ay tumpak, na hango sa datos. Ang ganitong uri ng dynamic, autonomous na pag-uulat at pagsusuri ay maaaring maging kasingdali ng isang pag-uusap. Pagsapit ng 2030, ang pagtatanong sa AI para sa business intelligence at pagtitiwala dito na magbibigay ng mga tamang sagot ay maaaring higit na pumalit sa mga static na ulat at marahil maging sa ilang tungkulin ng analyst.

Isang kawili-wiling pagtataya: pagdating ng dekada 2030, ang karamihan sa nilalamang pinansyal (balita, ulat, atbp.) ay maaaring likha ng AI . Gumagamit na ngayon ng automation ang mga outlet tulad ng Dow Jones at Reuters para sa ilang mga balita. Kung magpapatuloy ang trend na iyon, at dahil sa pagsabog ng datos pinansyal, maaaring ang AI ang responsable sa pagsala at pagpapabatid ng karamihan dito.

Gayunpaman, ang tiwala at beripikasyon ang magiging sentro. Ang industriya ng pananalapi ay mahigpit na kinokontrol at ang anumang AI na awtomatikong nagpapatakbo ay kailangang matugunan ang mahigpit na mga pamantayan:

• Pagtiyak na walang halusinasyon (hindi ka maaaring magpaimbento ng isang AI analyst ng isang sukatang pinansyal na hindi totoo – na maaaring magligaw sa mga merkado).

• Pag-iwas sa pagkiling o mga ilegal na gawain (tulad ng hindi sinasadyang pagbabawas ng halaga sa mga desisyon sa pagpapautang dahil sa may kinikilingang datos sa pagsasanay).

• Kakayahang Ma-awdit: malamang na hihilingin ng mga regulator na ang mga desisyon sa AI ay maipaliwanag. Kung ang isang AI ay tumanggi sa isang pautang o gumawa ng isang desisyon sa pangangalakal, dapat mayroong isang makatwirang paliwanag na maaaring suriin. Ang mga generative model ay maaaring maging medyo mahirap unawain, kaya asahan ang pag-unlad ng mga maipapaliwanag na pamamaraan ng AI upang maging malinaw ang kanilang mga desisyon.

Ang susunod na 10 taon ay malamang na mangangailangan ng malapit na pakikipagtulungan sa pagitan ng AI at mga propesyonal sa pananalapi, na unti-unting magpapabago sa linya ng awtonomiya habang lumalaki ang kumpiyansa. Ang mga maagang tagumpay ay darating sa low-risk automation (tulad ng pagbuo ng ulat). Mas mahirap ang mga pangunahing paghatol tulad ng mga desisyon sa kredito o mga pagpili sa pamumuhunan, ngunit kahit na doon, habang lumalago ang track record ng AI, maaaring bigyan ito ng mga kumpanya ng higit na awtonomiya. Halimbawa, marahil ang isang pondo ng AI ay tatakbo kasama ang isang tagapangasiwa ng tao na makikialam lamang kung ang pagganap ay lumihis o kung ang AI ay nagpapahiwatig ng kawalan ng katiyakan.

Sa aspetong pang-ekonomiya, tinantya ng McKinsey na ang AI (lalo na ang gen AI) ay maaaring magdagdag ng humigit-kumulang 200-340 bilyong dolyar na halaga sa pagbabangko taun-taon at katulad na malalaking epekto sa mga pamilihan ng seguro at kapital ( Ang kalagayan ng AI noong 2023: Taon ng pagsisimula ng Generative AI | McKinsey ) ( Ano ang kinabukasan ng Generative AI? | McKinsey ). Ito ay sa pamamagitan ng kahusayan at mas mahusay na mga resulta ng desisyon. Upang makuha ang halagang iyon, maraming regular na pagsusuri at komunikasyon sa pananalapi ang malamang na ibibigay sa mga sistema ng AI.

Sa buod, pagdating ng 2035, ang generative AI ay maaaring maging parang isang hukbo ng mga junior analyst, advisor, at clerk na nagtatrabaho sa sektor ng pananalapi, na gumagawa ng halos lahat ng trabahong walang tigil at ilang sopistikadong pagsusuri nang mag-isa. Magtatakda pa rin ang mga tao ng mga layunin at hahawak sa mataas na antas ng estratehiya, mga relasyon sa kliyente, at pangangasiwa. Ang mundo ng pananalapi, bilang maingat, ay unti-unting magpapalawak ng awtonomiya – ngunit malinaw ang direksyon na parami nang parami sa pagproseso ng impormasyon at maging sa mga rekomendasyon sa desisyon ay magmumula sa AI. Sa isip, hahantong ito sa mas mabilis na serbisyo (mga agarang pautang, 24/7 na payo), mas mababang gastos, at potensyal na mas objectivity (mga desisyon batay sa mga pattern ng data). Ngunit ang pagpapanatili ng tiwala ay magiging mahalaga; ang isang solong high-profile na error sa AI sa pananalapi ay maaaring magdulot ng napakalaking pinsala (isipin ang isang flash crash na dulot ng AI o isang maling itinanggi na benepisyo sa libu-libong tao). Samakatuwid, ang mga guardrail at human check ay malamang na magpapatuloy lalo na para sa mga aksyon na nakaharap sa mga mamimili, kahit na ang mga proseso ng back-office ay nagiging lubos na awtonomiya.

Mga Hamon at Etikal na Pagsasaalang-alang

Sa lahat ng mga larangang ito, habang ang generative AI ay tumatanggap ng mas autonomous na mga responsibilidad, isang hanay ng mga karaniwang hamon at etikal na tanong ang lumilitaw. Ang pagtiyak na ang AI ay isang maaasahan at kapaki-pakinabang na autonomous na ahente ay hindi lamang isang teknikal na gawain, kundi isang gawaing panlipunan. Dito namin binabalangkas ang mga pangunahing alalahanin at kung paano tinutugunan ang mga ito (o kakailanganing tugunan):

Kahusayan at Katumpakan

Ang Problema sa Halusinasyon: Ang mga generative AI model ay maaaring makagawa ng mga mali o ganap na gawa-gawang output na mukhang may kumpiyansa. Ito ay lalong mapanganib kapag walang taong nakakaalam kung paano mahuhuli ang mga pagkakamali. Ang isang chatbot ay maaaring magbigay ng maling mga tagubilin sa isang customer, o ang isang ulat na isinulat ng AI ay maaaring maglaman ng isang gawa-gawang istatistika. Simula 2025, ang kamalian ay kinikilala bilang ang nangungunang panganib ng generative AI ng mga organisasyon ( Ang estado ng AI noong 2023: Ang breakout year ng Generative AI | McKinsey ) ( Ang Estado ng AI: Global survey | McKinsey ). Sa mga susunod na panahon, ang mga pamamaraan tulad ng fact-checking laban sa mga database, mga pagpapabuti sa arkitektura ng modelo, at reinforcement learning na may feedback ay ginagamit upang mabawasan ang mga halusinasyon. Ang mga autonomous AI system ay malamang na mangangailangan ng mahigpit na pagsubok at marahil pormal na beripikasyon para sa mga kritikal na gawain (tulad ng pagbuo ng code na maaaring magdulot ng mga bug/flag sa seguridad kung mali).

Pagkakapare-pareho: Kailangang gumana nang maaasahan ang mga sistema ng AI sa paglipas ng panahon at sa iba't ibang sitwasyon. Halimbawa, maaaring gumana nang maayos ang isang AI sa mga karaniwang tanong ngunit natatalo sa mga edge case. Ang pagtiyak ng pare-parehong pagganap ay mangangailangan ng malawak na datos ng pagsasanay na sumasaklaw sa iba't ibang sitwasyon at patuloy na pagsubaybay. Maraming organisasyon ang nagpaplanong magkaroon ng mga hybrid na pamamaraan – gumagana ang AI, ngunit ang mga random na sample ay ino-audit ng mga tao – upang masukat ang patuloy na mga rate ng katumpakan.

Mga Fail-Safe: Kapag ang AI ay autonomous, napakahalaga na makilala nito ang sarili nitong kawalan ng katiyakan. Dapat idisenyo ang sistema upang "malaman kung kailan hindi nito alam." Halimbawa, kung ang isang doktor ng AI ay hindi sigurado sa isang diagnosis, dapat itong i-flag para sa pagsusuri ng tao sa halip na magbigay ng isang random na hula. Ang pagbuo ng pagtatantya ng kawalan ng katiyakan sa mga output ng AI (at pagkakaroon ng mga threshold para sa awtomatikong paglilipat ng tao) ay isang aktibong larangan ng pag-unlad.

Pagkiling at Pagkamakatarungan

Natututo ang generative AI mula sa mga datos mula sa nakaraan na maaaring maglaman ng mga bias (lahi, kasarian, atbp.). Ang isang autonomous AI ay maaaring magpatuloy o magpalala pa ng mga bias na iyon:

• Sa pagkuha o pagtanggap ng mga empleyado, maaaring hindi patas na magdiskrimina ang isang tagagawa ng desisyon sa AI kung may pagkiling ang datos ng pagsasanay nito.

• Sa serbisyo sa customer, maaaring iba ang tugon ng isang AI sa mga gumagamit batay sa diyalekto o iba pang mga salik maliban kung maingat na susuriin.

• Sa mga larangan ng pagkamalikhain, maaaring hindi maipakita ng AI ang ilang partikular na kultura o istilo kung hindi balanse ang hanay ng pagsasanay.

Ang pagtugon dito ay nangangailangan ng maingat na pagpili ng dataset, pagsubok ng bias, at marahil ay mga pagsasaayos ng algorithm upang matiyak ang pagiging patas. Mahalaga ang transparency: kakailanganin ng mga kumpanya na ibunyag ang mga pamantayan sa pagpapasya sa AI, lalo na kung ang isang autonomous na AI ay nakakaapekto sa mga oportunidad o karapatan ng isang tao (tulad ng pagkuha ng pautang o trabaho). Nagbibigay-pansin na ang mga regulator; halimbawa, ang AI Act ng EU (na ginagawa pa lamang noong kalagitnaan ng 2020s) ay malamang na mangangailangan ng mga pagtatasa ng bias para sa mga high-risk na AI system.

Pananagutan at Legal na Pananagutan

Kapag ang isang sistemang AI na awtomatikong gumagana ay nagdudulot ng pinsala o nagkakamali, sino ang mananagot? Nauulit na ang mga legal na balangkas:

• Ang mga kompanyang gumagamit ng AI ay malamang na mananagot, katulad ng pagiging responsable sa mga aksyon ng isang empleyado. Halimbawa, kung ang isang AI ay nagbigay ng masamang payo sa pananalapi na nagresulta sa pagkalugi, maaaring kailanganin ng kompanya na bayaran ang kliyente.

• May debate tungkol sa "pagkatao" ng AI o kung ang advanced AI ay maaaring bahagyang may pananagutan, ngunit mas teoretikal na iyon ngayon. Sa praktikal na aspeto, ang sisi ay maaaring mabalik sa mga developer o operator.

• Maaaring lumitaw ang mga bagong produkto ng seguro para sa mga pagkabigo ng AI. Kung ang isang self-driving truck ay magdulot ng aksidente, maaaring sakupin ito ng seguro ng gumawa, katulad ng pananagutan ng produkto.

• Mahalaga ang dokumentasyon at pag-log ng mga desisyon sa AI para sa mga post-mortem. Kung may magkamali, kailangan nating i-audit ang decision trail ng AI upang matuto mula rito at magtalaga ng responsibilidad. Maaaring i-utos ng mga regulator ang pag-log para sa mga autonomous na aksyon ng AI para mismo sa kadahilanang ito.

Transparency at Pagpapaliwanag

Ang autonomous AI ay dapat na maipaliwanag ang pangangatwiran nito sa mga terminong madaling maunawaan ng tao, lalo na sa mga mahahalagang larangan (pananalapi, pangangalagang pangkalusugan, sistema ng hustisya). Ang explainable AI ay isang larangan na nagsusumikap na buksan ang black box:

• Para sa pagtanggi sa utang ng isang AI, maaaring kailanganin ng mga regulasyon (tulad ng sa US, ECOA) na bigyan ang aplikante ng dahilan. Kaya dapat maglabas ang AI ng mga salik (hal., "mataas na debt-to-income ratio") bilang paliwanag.

• Ang mga gumagamit na nakikipag-ugnayan sa AI (tulad ng mga estudyanteng may AI tutor o mga pasyenteng may AI health app) ay nararapat na malaman kung paano ito nagiging payo. May mga pagsisikap na gawing mas masusubaybayan ang pangangatwiran ng AI, alinman sa pamamagitan ng pagpapasimple ng mga modelo o sa pamamagitan ng pagkakaroon ng mga parallel na paliwanag na modelo.

• Ang transparency ay nangangahulugan din na dapat malaman ng mga user kung kailan sila nakikitungo sa AI kumpara sa isang tao. Ang mga etikal na alituntunin (at malamang na ilang batas) ay nakatuon sa paghingi ng pagsisiwalat kung ang isang customer ay nakikipag-usap sa isang bot. Pinipigilan nito ang panlilinlang at nagbibigay-daan sa pahintulot ng user. Ang ilang mga kumpanya ngayon ay tahasang nagtatala ng nilalamang isinulat ng AI (tulad ng "Ang artikulong ito ay binuo ng AI") upang mapanatili ang tiwala.

Pagkapribado at Proteksyon ng Datos

Kadalasang nangangailangan ang generative AI ng datos – kabilang ang mga potensyal na sensitibong personal na datos – upang gumana o matuto. Dapat igalang ng mga awtonomong operasyon ang privacy:

• Ia-access ng isang ahente ng serbisyo sa customer ng AI ang impormasyon ng account upang matulungan ang isang customer; na ang data na iyon ay dapat protektahan at gamitin lamang para sa gawain.

• Kung may access ang mga AI tutor sa mga profile ng estudyante, may mga konsiderasyon sa ilalim ng mga batas tulad ng FERPA (sa US) upang matiyak ang privacy ng datos pang-edukasyon.

• Hindi sinasadyang matandaan ng malalaking modelo ang mga detalye mula sa kanilang datos sa pagsasanay (hal., pag-uulit ng address ng isang tao na nakita habang nagsasanay). Mahalaga ang mga pamamaraan tulad ng differential privacy at data anonymization sa pagsasanay upang maiwasan ang pagtagas ng personal na impormasyon sa mga nabuong output.

• Ang mga regulasyon tulad ng GDPR ay nagbibigay sa mga indibidwal ng mga karapatan sa mga awtomatikong desisyon na nakakaapekto sa kanila. Maaaring humiling ang mga tao na huwag lamang i-automate ang pagsusuri ng tao o mga desisyon kung malaki ang epekto nito sa mga ito. Pagsapit ng 2030, maaaring magbago ang mga regulasyong ito habang nagiging mas laganap ang AI, posibleng magpakilala ng mga karapatan sa pagpapaliwanag o pag-opt out sa pagproseso ng AI.

Seguridad at Pang-aabuso

Ang mga autonomous AI system ay maaaring maging target ng pag-hack o maaaring pagsamantalahan upang gumawa ng mga malisyosong bagay:

• Maaaring gamitin nang mali ang isang AI content generator upang lumikha ng disinformation nang malawakan (mga deepfake na video, mga pekeng artikulo ng balita), na isang panganib sa lipunan. Mainit na pinagdedebatihan ang etika ng paglalabas ng napakalakas na generative model (halimbawa, noong una ay maingat ang OpenAI sa mga kakayahan ng imahe ng GPT-4). Kabilang sa mga solusyon ang paglalagay ng watermark sa AI-generated content upang makatulong sa pagtukoy ng mga pekeng impormasyon, at paggamit ng AI upang labanan ang AI (tulad ng mga algorithm ng pagtukoy para sa mga deepfake).

• Kung ang isang AI ay kumokontrol sa mga pisikal na proseso (mga drone, kotse, kontrol sa industriya), ang pag-secure nito laban sa mga cyberattack ay mahalaga. Ang isang na-hack na autonomous system ay maaaring magdulot ng pinsala sa totoong mundo. Nangangahulugan ito ng matibay na encryption, mga fail-safe, at ang kakayahang i-override o i-shutdown ng tao kung may tila nakompromiso.

• Nariyan din ang pag-aalala na ang AI ay lumalagpas sa nilalayong mga hangganan (ang senaryo ng "rogue AI"). Bagama't ang mga kasalukuyang AI ay walang ahensya o intensyon, kung ang mga autonomous system sa hinaharap ay mas agresibo, kinakailangan ang mahigpit na mga paghihigpit at pagsubaybay upang matiyak na hindi sila, halimbawa, nagsasagawa ng mga hindi awtorisadong kalakalan o lumalabag sa mga batas dahil sa isang maling tinukoy na layunin.

Etikal na Paggamit at Epekto sa Tao

Panghuli, mas malawak na etikal na konsiderasyon:

• Paglipat ng Trabaho: Kung kayang gawin ng AI ang mga gawain nang walang interbensyon ng tao, ano ang mangyayari sa mga trabahong iyon? Sa kasaysayan, awtomatiko ang teknolohiya sa ilang trabaho ngunit lumilikha ng iba. Ang transisyon ay maaaring maging masakit para sa mga manggagawa na ang mga kasanayan ay nasa mga gawaing nagiging awtomatiko. Kakailanganin ng lipunan na pamahalaan ito sa pamamagitan ng muling pagsasanay, edukasyon, at posibleng pag-iisip muli ng suporta sa ekonomiya (ang ilan ay nagmumungkahi na ang AI ay maaaring mangailangan ng mga ideya tulad ng universal basic income kung maraming trabaho ang awtomatiko). Nagpapakita na ang mga survey ng magkahalong damdamin – natuklasan sa isang pag-aaral na ang isang-katlo ng mga manggagawa ay nag-aalala tungkol sa pagpapalit ng AI sa mga trabaho, habang ang iba ay nakikita ito bilang pag-aalis ng nakakapagod na gawain.

• Pagguho ng Kasanayang Pantao: Kung ang mga AI tutor ang magtuturo at ang AI autopilot ang magdadrive at ang AI ang magsusulat ng code, mawawala ba ang mga kasanayang ito sa mga tao? Ang labis na pag-asa sa AI ay maaaring, sa pinakamasamang kaso, makabawas sa kadalubhasaan; ito ay isang bagay na kailangang isaayos ng mga programa sa edukasyon at pagsasanay, na tinitiyak na natututo pa rin ang mga tao ng mga pangunahing kaalaman kahit na nakakatulong ang AI.

• Paggawa ng Etikal na Desisyon: Kulang ang AI sa moral na pagpapasya ng tao. Sa pangangalagang pangkalusugan o batas, ang mga desisyong puro batay sa datos ay maaaring sumalungat sa pakikiramay o hustisya sa mga indibidwal na kaso. Maaaring kailanganin nating isama ang mga etikal na balangkas sa AI (isang larangan ng pananaliksik sa etika ng AI, halimbawa, ang pag-ayon ng mga desisyon ng AI sa mga pinahahalagahan ng tao). Sa pinakamababa, ipinapayong ipaalam sa mga tao ang mga desisyong may kinalaman sa etika.

• Pagiging inklusibo: Ang pagtiyak na ang mga benepisyo ng AI ay malawakang ipinamamahagi ay isang etikal na layunin. Kung ang malalaking kumpanya lamang ang makakabili ng advanced AI, maaaring maiwan ang mas maliliit na negosyo o mas mahihirap na rehiyon. Ang mga open-source na pagsisikap at abot-kayang mga solusyon sa AI ay makakatulong na gawing demokrasya ang access. Gayundin, dapat idisenyo ang mga interface upang ang sinuman ay makagamit ng mga tool ng AI (iba't ibang wika, accessibility para sa mga may kapansanan, atbp.), kung hindi ay lumikha tayo ng isang bagong digital divide ng "kung sino ang may AI assistant at kung sino ang wala."

Kasalukuyang Pagpapagaan ng Panganib: Sa positibong panig, habang inilulunsad ng mga kumpanya ang gen AI, lumalaki ang kamalayan at aksyon sa mga isyung ito. Sa huling bahagi ng 2023, halos kalahati ng mga kumpanyang gumagamit ng AI ay aktibong nagsusumikap upang mabawasan ang mga panganib tulad ng kamalian ( Ang estado ng AI noong 2023: Ang breakout year ng Generative AI | McKinsey ) ( Ang Estado ng AI: Global survey | McKinsey ), at ang bilang na iyon ay tumataas. Ang mga kumpanya ng teknolohiya ay nagtatag ng mga AI ethics board; ang mga gobyerno ay bumubuo ng mga regulasyon. Ang susi ay isama ang etika sa pagbuo ng AI mula sa simula ("Etika ayon sa disenyo"), sa halip na mag-react sa ibang pagkakataon.

Bilang konklusyon sa mga hamon: ang pagbibigay ng higit na awtonomiya sa AI ay isang tabak na may dalawang talim. Maaari itong magbunga ng kahusayan at inobasyon, ngunit nangangailangan ito ng mataas na antas ng responsibilidad. Ang mga darating na taon ay malamang na makakakita ng pinaghalong mga solusyon sa teknolohiya (upang mapabuti ang pag-uugali ng AI), mga solusyon sa proseso (mga balangkas ng patakaran at pangangasiwa), at marahil mga bagong pamantayan o sertipikasyon (ang mga sistema ng AI ay maaaring i-audit at sertipikado tulad ng mga makina o elektroniko ngayon). Ang matagumpay na pag-navigate sa mga hamong ito ay magtatakda kung gaano kahusay nating maisasama ang autonomous na AI sa lipunan sa paraang nagpapahusay sa kapakanan at tiwala ng tao.

Konklusyon

Mabilis na umunlad ang generative AI mula sa isang nobelang eksperimento patungo sa isang transformative general-purpose technology na nakakaapekto sa bawat sulok ng ating buhay. Sinuri ng white paper na ito kung paano, pagsapit ng 2025, ang mga AI system ay nagsusulat na ng mga artikulo, nagdidisenyo ng mga graphics, nagko-code ng software, nakikipag-chat sa mga customer, nagbubuod ng mga medikal na tala, nagtuturo sa mga estudyante, nag-o-optimize ng mga supply chain, at bumubuo ng mga ulat sa pananalapi. Mahalaga, sa marami sa mga gawaing ito, ang AI ay maaaring gumana nang halos walang interbensyon ng tao , lalo na para sa mga mahusay na tinukoy at mauulit na trabaho. Ang mga kumpanya at indibidwal ay nagsisimulang magtiwala sa AI na isasagawa ang mga tungkuling ito nang mag-isa, na umaani ng mga benepisyo sa bilis at lawak.

Sa pag-abot sa 2035, nasa bingit na tayo ng isang panahon kung saan ang AI ay magiging isang mas malawak na kolaborator – kadalasan ay isang hindi nakikitang digital workforce na hahawak sa gawain upang ang mga tao ay makapagtuon sa mga natatangi. Inaasahan namin na ang generative AI ay maaasahang magmaneho ng mga kotse at trak sa ating mga kalsada, mamamahala ng imbentaryo sa mga bodega sa magdamag, sasagot sa ating mga tanong bilang mga bihasang personal assistant, magbibigay ng one-on-one na pagtuturo sa mga mag-aaral sa buong mundo, at makakatulong pa nga sa pagtuklas ng mga bagong lunas sa medisina – lahat nang may lalong kaunting direktang pangangasiwa. Ang linya sa pagitan ng tool at agent ay lalabo habang ang AI ay lumilipat mula sa pasibong pagsunod sa mga tagubilin patungo sa proaktibong pagbuo ng mga solusyon.

Gayunpaman, ang paglalakbay tungo sa kinabukasan ng autonomous AI ay dapat na maingat na tahakin. Gaya ng aming binalangkas, ang bawat larangan ay may kanya-kanyang limitasyon at responsibilidad:

• Pagsusuri sa Katotohanan Ngayon: Ang AI ay hindi naman walang pagkakamali. Mahusay ito sa pagkilala ng mga pattern at pagbuo ng nilalaman ngunit kulang sa tunay na pag-unawa at sentido komun sa pananaw ng tao. Kaya, sa ngayon, ang pangangasiwa ng tao ang nananatiling pananggalang. Napakahalaga ang pagkilala kung saan handa ang AI na lumipad nang mag-isa (at kung saan hindi). Maraming tagumpay ngayon ang nagmumula sa ng pangkat ng tao-AI , at ang hybrid na pamamaraang ito ay patuloy na magiging mahalaga kung saan ang ganap na awtonomiya ay hindi pa maingat.

• Pangako ng Kinabukasan: Sa pamamagitan ng mga pagsulong sa mga arkitektura ng modelo, mga pamamaraan sa pagsasanay, at mga mekanismo ng pangangasiwa, ang mga kakayahan ng AI ay patuloy na lalawak. Ang susunod na dekada ng R&D ay maaaring malutas ang maraming kasalukuyang problema (pagbabawas ng mga halusinasyon, pagpapabuti ng kakayahang bigyang-kahulugan, pag-ayon ng AI sa mga pinahahalagahan ng tao). Kung gayon, ang mga sistema ng AI pagdating ng 2035 ay maaaring maging sapat na matatag upang pagkatiwalaan ng mas malawak na awtonomiya. Ang mga pagtataya sa papel na ito – mula sa mga guro ng AI hanggang sa mga negosyong halos sarili ang nagpapatakbo – ay maaaring maging ating realidad, o malampasan pa ng mga inobasyon na mahirap isipin ngayon.

• Papel at Adaptasyon ng Tao: Sa halip na tuluyang palitan ng AI ang mga tao, nakikita namin ang mga tungkuling magbabago. Ang mga propesyonal sa bawat larangan ay malamang na kailangang maging mahusay sa paggamit ng AI – paggabay dito, pagpapatunay nito, at pagtuon sa mga aspeto ng trabaho na nangangailangan ng natatanging mga kalakasan ng tao tulad ng empatiya, madiskarteng pag-iisip, at kumplikadong paglutas ng problema. Ang edukasyon at pagsasanay sa mga manggagawa ay dapat na umikot upang bigyang-diin ang mga natatanging kasanayang ito ng tao, pati na rin ang literasi sa AI para sa lahat. Ang mga tagagawa ng patakaran at mga pinuno ng negosyo ay dapat magplano para sa mga transisyon sa merkado ng paggawa at tiyakin ang mga sistema ng suporta para sa mga apektado ng automation.

• Etika at Pamamahala: Marahil ang pinakamahalaga, ang isang balangkas ng etikal na paggamit at pamamahala ng AI ay dapat na magpalakas sa paglago ng teknolohiyang ito. Ang tiwala ang siyang pinagmumulan ng pag-aampon – hahayaan lamang ng mga tao ang AI na magmaneho ng kotse o tumulong sa operasyon kung naniniwala silang ligtas ito. Ang pagbuo ng tiwalang iyon ay kinabibilangan ng mahigpit na pagsusuri, transparency, pakikipag-ugnayan ng mga stakeholder (hal., paglahok ng mga doktor sa pagdidisenyo ng mga medikal na AI, mga guro sa mga kagamitan sa edukasyon ng AI), at naaangkop na regulasyon. Ang internasyonal na pakikipagtulungan ay maaaring kailanganin upang harapin ang mga hamong tulad ng mga deepfake o AI sa digmaan, na tinitiyak ang mga pandaigdigang pamantayan para sa responsableng paggamit.

Bilang konklusyon, ang generative AI ay nagsisilbing isang makapangyarihang makina ng pag-unlad. Kung gagamitin nang matalino, maaari nitong maibsan ang mga tao mula sa nakakapagod na gawain, mabuksan ang pagkamalikhain, mai-personalize ang mga serbisyo, at matugunan ang mga kakulangan (na nagdadala ng kadalubhasaan kung saan kakaunti ang mga eksperto). Ang susi ay gamitin ito sa paraang magpapalakas sa potensyal ng tao sa halip na isaisantabi ito . Sa agarang panahon, nangangahulugan ito ng pagpapanatili sa mga tao sa loop upang gabayan ang AI. Sa mas mahabang panahon, nangangahulugan ito ng pag-encode ng mga humanistic values ​​sa core ng mga AI system upang kahit na kumilos sila nang nakapag-iisa, kumikilos sila para sa ating kolektibong pinakamahusay na interes.

Domain	Maaasahang Awtonomiya Ngayon (2025)	Inaasahang Maaasahang Awtonomiya pagsapit ng 2035
Pagsusulat at Nilalaman	- Mga karaniwang balita (isports, kita) na awtomatikong nabubuo. - Mga review ng produkto na ibinuod ng AI. - Mga draft ng artikulo o email para sa pag-eedit ng tao. ( Philana Patterson – ONA Community Profile ) ( Pinapabuti ng Amazon ang karanasan sa mga review ng customer gamit ang AI )	- Karamihan sa mga nilalaman ng balita at marketing ay awtomatikong isinusulat nang may katumpakan ng mga katotohanan. - Ang AI ay nakakagawa ng mga kumpletong artikulo at press release na may kaunting pangangasiwa. - Ang lubos na isinapersonal na nilalaman ay nabubuo kapag hiniling.
Sining Biswal at Disenyo	- Ang AI ay bumubuo ng mga imahe mula sa mga prompt (ang tao ang pumipili ng pinakamahusay). - Ang konsepto ng sining at mga baryasyon ng disenyo ay nalilikha nang mag-isa.	- Ang AI ay nakakagawa ng mga buong eksena ng video/pelikula at mga kumplikadong grapiko. - Malikhaing disenyo ng mga produkto/arkitektura na nakakatugon sa mga espesipikasyon. - Personalized na media (mga imahe, video) na nilikha kapag hiniling.
Pag-coding ng Software	- Awtomatikong kinukumpleto ng AI ang code at nagsusulat ng mga simpleng function (sinuri ng developer).- Awtomatikong pagbuo ng pagsubok at mga mungkahi sa bug. ( Coding sa Copilot: Ang Datos ng 2023 ay Nagmumungkahi ng Pababang Presyon sa Kalidad ng Code (kasama ang mga projection ng 2024) - GitClear ) ( Nangunguna ang GitHub Copilot sa Ulat sa Pananaliksik sa mga AI Code Assistant -- Visual Studio Magazine )	- Maaasahang ipinapatupad ng AI ang buong features mula sa mga detalye. - Awtonom na pag-debug at pagpapanatili ng code para sa mga kilalang pattern. - Paglikha ng low-code app na may kaunting input ng tao.
Serbisyo sa Kustomer	- Sinasagot ng mga chatbot ang mga FAQ, nilulutas ang mga simpleng isyu (mga kumplikadong kaso ng handoff). - Hinahawakan ng AI ang ~70% ng mga regular na katanungan sa ilang mga channel. ( 59 na istatistika ng serbisyo sa customer ng AI para sa 2025 ) ( Pagsapit ng 2030, 69% ng mga desisyon sa panahon ng pakikipag-ugnayan sa customer ay magiging ... )	- Hinahawakan ng AI ang karamihan sa mga pakikipag-ugnayan sa customer mula simula hanggang katapusan, kabilang ang mga kumplikadong query. - Real-time na paggawa ng desisyon sa AI para sa mga konsesyon sa serbisyo (mga refund, pag-upgrade). - Mga ahente ng tao lamang para sa mga escalation o mga espesyal na kaso.
Pangangalagang pangkalusugan	- Gumagawa ang AI ng mga medikal na tala; nagmumungkahi ng mga diagnosis na pinapatunayan ng mga doktor. - Binabasa ng AI ang ilang scan (radiology) nang may pangangasiwa; sinusuri ang mga simpleng kaso. ( Maaaring Tumaas nang Limang Beses ang mga Produkto ng AI Medical Imaging pagdating ng 2035 )	- Maaasahang sinusuri ng AI ang mga karaniwang karamdaman at binibigyang-kahulugan ang karamihan sa mga medikal na imahe. - Sinusubaybayan ng AI ang mga pasyente at sinisimulan ang pangangalaga (hal., mga paalala ng gamot, mga alerto sa emerhensya). - Ang mga virtual na "nars" ng AI ang humahawak sa mga regular na follow-up; ang mga doktor ay nakatuon sa kumplikadong pangangalaga.
Edukasyon	- Sinasagot ng mga AI tutor ang mga tanong ng mga estudyante, bumubuo ng mga problema sa pagsasanay (sinusubaybayan ng guro).- Tinutulungan ng AI ang pagmamarka (kasama ang pagsusuri ng guro). ([Generative AI para sa edukasyong K-12]	Ulat sa Pananaliksik ni Applify]( https://www.applify.co/research-report/gen-ai-for-k12#:~:text=AI%20tutors%3A%20Virtual%20AI,individual%20learning%20styles%20and%20paces ))
Logistika	- Ino-optimize ng AI ang mga ruta ng paghahatid at pag-iimpake (nagtatakda ang mga tao ng mga layunin). - Binabandera ng AI ang mga panganib sa supply chain at nagmumungkahi ng mga pagpapagaan. ( Mga Nangungunang Generative AI Use Cases sa Logistics )	- Karamihan sa mga self-driving na paghahatid (mga trak, drone) ay pinangangasiwaan ng mga AI controller. - Awtomatikong inililipat ng AI ang mga kargamento sa paligid ng mga pagkaantala at inaayos ang imbentaryo. - End-to-end na koordinasyon ng supply chain (pag-order, pamamahagi) na pinamamahalaan ng AI.
Pananalapi	- Bumubuo ang AI ng mga ulat pinansyal/buod ng balita (sinusuri ng tao). - Pinamamahalaan ng mga Robo-advisor ang mga simpleng portfolio; ang AI chat ang humahawak sa mga tanong ng customer. ( Darating ang Generative AI para sa pananalapi )	- Ang mga AI analyst ay gumagawa ng mga rekomendasyon sa pamumuhunan at mga ulat sa panganib nang may mataas na katumpakan. - Autonomous na pangangalakal at muling pagbabalanse ng portfolio sa loob ng mga itinakdang limitasyon. - Awtomatikong inaaprubahan ng AI ang mga karaniwang pautang/claim; ang mga tao ang humahawak sa mga eksepsiyon.

Mga Sanggunian:

1. Patterson, Philana. Dumarami ang mga awtomatikong kuwento ng kita . The Associated Press (2015) – Inilalarawan ang awtomatikong pagbuo ng libu-libong ulat ng kita ng AP nang walang taong manunulat ( Dumarami ang mga awtomatikong kuwento ng kita | The Associated Press ).

2. McKinsey & Company. Ang kalagayan ng AI sa unang bahagi ng 2024: Tumaas ang paggamit ng Gen AI at nagsisimulang makabuo ng halaga . (2024) – Iniulat ang 65% ng mga organisasyon na regular na gumagamit ng generative AI, halos doble mula sa 2023 ( Ang kalagayan ng AI sa unang bahagi ng 2024 | McKinsey ), at tinatalakay ang mga pagsisikap sa pagpapagaan ng panganib ( Ang Kalagayan ng AI: Pandaigdigang survey | McKinsey ).

3. Gartner. Higit Pa sa ChatGPT: Ang Kinabukasan ng Generative AI para sa mga Negosyo . (2023) – Hinuhulaan na pagsapit ng 2030, 90% ng isang blockbuster na pelikula ay maaaring mabuo gamit ang AI ( Generative AI Use Cases for Industries and Enterprises ) at itinatampok ang mga generative AI use case tulad ng disenyo ng gamot ( Generative AI Use Cases for Industries and Enterprises ).

4. Twipe. 12 Paraan ng Paggamit ng mga Mamamahayag ng AI Tools sa Newsroom . (2024) – Halimbawa ng “Klara” AI sa isang news outlet na sumusulat ng 11% ng mga artikulo, kung saan sinusuri ng mga editor na tao ang lahat ng nilalaman ng AI ( 12 Paraan ng Paggamit ng mga Mamamahayag ng AI Tools sa Newsroom - Twipe ).

5. Balita sa Amazon.com. Pinapabuti ng Amazon ang karanasan sa mga review ng customer gamit ang AI . (2023) – Nag-aanunsyo ng mga buod ng review na binuo ng AI sa mga pahina ng produkto upang matulungan ang mga mamimili ( Pinapabuti ng Amazon ang karanasan sa mga review ng customer gamit ang AI ).

6. Zendesk. 59 na istatistika ng serbisyo sa customer ng AI para sa 2025. (2023) – Ipinapahiwatig na mahigit dalawang-katlo ng mga organisasyon ng CX ang nag-iisip na ang generative AI ay magdaragdag ng "init" sa serbisyo ( 59 na istatistika ng serbisyo sa customer ng AI para sa 2025 ) at hinuhulaan ang AI sa 100% ng mga pakikipag-ugnayan sa customer kalaunan ( 59 na istatistika ng serbisyo sa customer ng AI para sa 2025 ).

7. Futurum Research & SAS. Experience 2030: Ang Kinabukasan ng Karanasan ng Customer . (2019) – Natuklasan sa survey na inaasahan ng mga brand na ~69% ng mga desisyon sa pakikipag-ugnayan sa customer ay gagawin ng mga smart machine pagsapit ng 2030 ( Upang Muling Maisip ang Paglipat sa CX, Dapat Gawin ng mga Marketer ang 2 Bagay na Ito ).

8. Dataiku. Mga Nangungunang Generative AI Use Cases sa Logistics . (2023) – Inilalarawan kung paano ino-optimize ng GenAI ang pagkarga (binabawasan ang ~30% na bakanteng espasyo sa trak) ( Mga Nangungunang Generative AI Use Cases sa Logistics ) at minamarkahan ang mga panganib sa supply chain sa pamamagitan ng pag-scan ng balita.

9. Visual Studio Magazine. Nangunguna ang GitHub Copilot sa Ulat sa Pananaliksik sa mga AI Code Assistant . (2024) – Mga pagpapalagay sa estratehikong pagpaplano ng Gartner: pagdating ng 2028, 90% ng mga enterprise developer ay gagamit ng mga AI code assistant (mula sa 14% noong 2024) ( Nangunguna ang GitHub Copilot sa Ulat sa Pananaliksik sa mga AI Code Assistant -- Visual Studio Magazine ).

10. Bloomberg News. Ipinakikilala ang BloombergGPT . (2023) – Mga detalye ng 50B-parameter model ng Bloomberg na naglalayong sa mga gawaing pinansyal, na nakapaloob sa Terminal para sa suporta sa Q&A at pagsusuri ( darating ang Generative AI para sa pananalapi ).

Mga artikulong maaaring gusto mong basahin pagkatapos nito:

🔗 Mga Trabahong Hindi Kayang Palitan ng AI – At Anong mga Trabaho ang Papalitan ng AI?
Isang pandaigdigang pananaw sa nagbabagong tanawin ng trabaho, na sinusuri kung aling mga tungkulin ang ligtas mula sa pagkagambala ng AI at alin ang pinaka-nanganganib.

🔗 Kaya bang Hulaan ng AI ang Stock Market?
Isang malalim na pagsisiyasat sa mga kakayahan, limitasyon, at etikal na konsiderasyon sa paggamit ng AI para sa pagtataya ng stock market.

🔗 Paano Magagamit ang Generative AI sa Cybersecurity?
Alamin kung paano inilalapat ang generative AI upang ipagtanggol ang sarili laban sa mga banta sa cyber, mula sa pagtukoy ng anomalya hanggang sa pagmomodelo ng mga banta.