Развитие цифровых двойников позволяет компаниям обходить реальных людей для увеличения прибыли

Крупные компании отказываются от традиционных опросов и переходят к созданию с помощью искусственного интеллекта копий реальных людей. Этот сдвиг позволяет быстрее получать ценные данные, но также вызывает опасения по поводу трудоустройства и конфиденциальности данных.

Вирусное видео в TikTok может сделать бренд знаменитым за считанные часы, но многие компании по-прежнему полагаются на двенадцатинедельные циклы исследований.

К моменту получения результатов данные зачастую уже устарели.

Часто между получением обратной связи и пониманием её смысла проходит некоторое время. Из-за этого крупным компаниям бывает сложно быстро реагировать на стремительно меняющиеся тенденции.

Многие компании считают, что цифровые двойники — это решение проблемы.

Это цифровые копии реальных объектов, систем или даже людей. Компании используют их для проверки идей и оценки возможных результатов, прежде чем внедрять их в реальную жизнь.

Крупные банки и фармацевтические компании уже используют эту технологию для прогнозирования реакции людей на важные события или новые товары.

Тестирование занимает секунды, а не недели

В настоящее время эта технология набирает обороты в высокотехнологичных компаниях.

Исследователи из Университета Глазго создали систему цифровых двойников, которая использует машинное обучение для проверки компьютерных сетей.

Их новый метод позволяет измерить эффективность работы сети всего за 4,78 секунды. Старые методы требовали для выполнения той же задачи около 33 часов.

Благодаря значительно более высокой скорости, инженеры могут тестировать гораздо больше ситуаций, особенно по мере усложнения сетей.

Та же потребность в быстрой информации меняет подход к исследованию потребительского рынка.

Стартап Brox создал 60 000 цифровых копий реальных людей.

Это не просто приблизительные оценки, а очень подробные профили, основанные на обширных интервью, некоторые из которых содержат до 300 страниц материала об одном человеке.

Вместо того чтобы полагаться в основном на традиционные статистические модели, компании теперь могут запускать множество симуляций за часы, а не за месяцы.

Хэмиш Броклбэнк, руководитель компании Brox, объяснил разницу.

«Можно создать 10 000 по-настоящему синтетических цифровых двойников [с помощью LLM], но ответы все равно будут нормализоваться в очень узкое распределение, что нереалистично, когда вы спрашиваете реальных людей», — сказал он.

Поскольку у Brox уже есть эти близнецы, готовые к работе, крупная фармацевтическая компания может задавать вопросы цифровому сообществу и получать надежные результаты в течение нескольких часов, минуя этап поиска реальных людей для интервью.

Автоматизация ориентирована на высокооплачиваемых работников

Стремительное движение к автоматизации имеет и недостаток.

По словам экономиста из Массачусетского технологического института Дарона Асемоглу, многие предприятия используют автоматизацию в первую очередь для экономии средств, а не для повышения эффективности.

Согласно его исследованиям, работодатели охотнее заменяют людей, предлагая им более высокую заработную плату.

Исследование также продемонстрировало значительное влияние на неравенство доходов.

Автоматизация стала причиной 52% роста неравенства в доходах в период с 1980 по 2016 год.

Асемоглу отметил, что чем выше заработная плата работника, тем больше у корпораций стимулов автоматизировать эту должность.

Он также утверждал, что такой акцент на сокращении затрат на рабочую силу снизил многие потенциальные преимущества автоматизации.

Согласно исследованию, попытки снизить заработную плату свели на нет от 60% до 90% прироста производительности, который должна была обеспечить автоматизация, что привело к, по его словам, относительно слабому росту производительности.

Проблема конфиденциальности также становится важной.

Команда из IMDEA Networks Institute обнаружила, что известные системы искусственного интеллекта, включая ChatGPT, Claude и Perplexity AI, используют trac, разработанные Google и TikTok.

Эти программы tracмогут собирать информацию о том, о чем говорят пользователи, например, заголовки чатов и веб-адреса.

Цифровые двойники создаются с использованием сугубо личной информации, такой как детские воспоминания, поведение и отношения.

В сочетании с системами tracсторонних производителей эти технологии позволяют собирать и обрабатывать огромные объемы конфиденциальных данных.

Ожидается, что к 2030 году объем рынка моделирования с использованием искусственного интеллекта и цифровых двойников достигнет 21,33 миллиарда долларов.