How people actually use ChatGPT and Claude

Das Jahr ist 1956. Sie sind ein Forscher, der bei International Business Machines arbeitet, dem weltweit führenden Tabelling Machine Company, das kürzlich in das brandneue Bereich elektronischer Computer eingeteilt hat. Sie haben die Aufgabe gemacht, für welche Zwecke genau Ihre Kunden die riesigen Mainframes von IBM zu verwenden.

Die Antwort stellt sich als ziemlich einfach heraus: Computer sind für das Militär und allein für das Militär. 1955, ein Jahr zuvor, bei weitem die größte Einnahmequelle für einzelne Einnahmen für die Computerabteilung von IBM, war die SalbeiprojektEine Initiative des Verteidigungsministeriums, in der IBM mit der Schaffung eines Computersystems erstellt wird, das in den Vereinigten Staaten frühzeitig Warnungen in den USA bereitstellt, sollten nuklear bewaffnete sowjetische Bomber das Land angreifen. Das brachte 1955 47 Millionen US -Dollar ein, und andere militärische Projekte brachten 35 Millionen US -Dollar ein. Programmierbare Computer, die an Unternehmen verkauft wurden, brachten inzwischen 12 Millionen US -Dollar ein.

Sie senden Ihrem Chef ein Memo, in dem erklärt wird, dass die Auswirkungen von Computern auf die Gesellschaft in erster Linie den USA einen Vorteil auf die Sowjets im Kalten Krieg geben werden. Die Auswirkungen auf den privaten Sektor erscheint dagegen gering. Sie lehnen sich in Ihren Stuhl zurück, zünden eine Zigarette an und denken über die herrliche Zukunft des Verteidigungsindustrial-Komplexes nach.

Sie würden natürlich völlig falsch liegen – nicht nur in der fernen Zukunft, sondern in der unmittelbaren Weise. So sah die Einnahmen aus jedem der Computerabteilungen von IBM von 1952 bis 1964 aus, zusammengestellt vom Firmenveteranen Emerson Pugh in seinem Buch IBM bauen:

Nur zwei Jahre nach 1956 hatten programmierbare Computer, die an private Unternehmen verkauft wurden, zum Weisen als Einnahmequelle abgestimmt. Im Jahr danach brachte der private Sektor so viel wie das Militär als Ganzes ein. Bis 1963, nicht einmal ein Jahrzehnt nach den von Ihnen angesehenen Daten von 1955, scheint das Militär ein Rundungsfehler neben IBMs privaten Computereinnahmen von IBM zu sein, die einen Großteil der gesamten US -Einnahmen des Unternehmens ausmachen.

Was können wir aus der Art und Weise lernen, wie Menschen AI gerade verwenden?

Diese Woche beeindruckende Ökonomenteams beides bei beiden Openai Und Anthropisch Veröffentlicht große, sorgfältig gestaltete Berichte darüber, wie Menschen ihre KI -Modelle verwenden – und einer meiner ersten Gedanken war: „Ich frage mich, wie ein IBM -Bericht darüber, wie die Leute ihre ersten Computer benutzten, aussehen würden.“ (Offenlegung: Vox Media ist einer von mehreren Verlage, die Partnerschaftsvereinbarungen mit Openai unterzeichnet haben. Unsere Berichterstattung bleibt redaktionell unabhängig. Außerdem wird Future Perfect teilweise von der BEMC Foundation finanziert, deren Hauptförderer auch ein früher Anleger in anthropischem Anleger war; sie haben keine redaktionellen Input in unseren Inhalt.)

Um klar zu sein: Die Sorgfaltsniveau, die die Teams der KI -Firmen in ihre Arbeit gesteckt haben, sind viele, viele Größenordnungen größer als die von unserem fiktiven IBM -Analyst. Einnahmen sind nicht das beste Maß für das tatsächliche Kundeninteresse und die tatsächliche Nutzung. Jeder wusste auch 1955, dass sich die Computer schnell verbesserten und sich ihre Verwendung ändern würden. Die KI-Firmen haben Zugriff auf eine beeindruckende Reihe von Echtzeitdaten darüber, wie ihre Produkte verwendet werden, die das gemacht hätten Watson Familie Laufen IBM Speichelung.

Ich denke, das IBM -Beispiel ist nützlich, um zu klären, was genau wir aus dieser Art von Daten herausholen wollen.

Die Berichte der KI-Firmen sind am nützlichsten darin, uns einen Snapshot in der Zeit zu geben, und eine jüngste Geschichte über ein paar Jahre, welche Art von Fragen an Chatgpt und Claude gesendet werden. Sie könnten haben Lesen Sie meinen Kollegen Shayna Korol In Future Perfect Newsletter am Mittwoch legt die OpenAI -Erkenntnisse fest, und ich empfehle auch den Co -Autor und Harvard -Professor der Studie David Demings Zusammenfassung Beiträge. Aber einige, nicht triviale Dinge, die ich aus den beiden Berichten gelernt habe, sind:

Aber ich bin gierig. Ich möchte nicht nur die beschreibenden Fakten erster Ordnung darüber wissen, wie diese Modelle verwendet werden, auch wenn dies die Arten von Fragen dieser Artikel und die internen Daten, die OpenAI und Anthropic generell sammeln, beantworten können. Die Fragen, die ich wirklich über KI -Nutzung beantworten möchte, und ihre wirtschaftlichen Auswirkungen sind eher:

Viele Menschen stellen diese Fragen und eine beeindruckende Menge an theoretischen Arbeiten wurde bereits in der Ökonomie erledigt. Ich habe gefunden Diese Reihe von Vorlesungsfolien und Papierzitaten zu den Themen des Ökonomen Philip Trammell Sehr nützlich.

Aber dass theoretische Arbeiten größtenteils in Form von “Welche Konzepte können wir verwenden, um das zu verstehen, was passiert oder in Kürze passieren wird?” – Es ist Theorie, das ist der Punkt! – und so hinterlässt ein gieriger, ungeduldiger Mann wie ich auf die obigen Fragen ohne gute Antworten oder sogar besonders gute Vermutungen. Es ist ein Ort, an dem ich eine gute empirische Forschung möchte, um mir einen Eindruck von theoretischen Rahmenbedingungen zu geben, die der Bodenrealität entsprechen.

Meine Angst ist, dass aus Gründen, aus denen das IBM -Parabel erklärt, empirische Details darüber, wie KI jetzt verwendet wird, uns irreführen kann, wie sie in Zukunft verwendet wird, und über ihre wichtigsten Auswirkungen auf unser Leben. Wenn Sie unseren IBM -Analyst im Jahr 1956 kryogen eingefroren und heute wieder auferstehen, um die OpenAI- und Anthropic -Berichte zu analysieren, was würden sie dann über die oben spekulativeren Fragen sagen?

Sie könnten darauf hinweisen, dass die ChatGPT -Studie etwa die Hälfte aller Nachrichten einer ziemlich geringen Anzahl von „Arbeitsaktivitäten“ entspricht, die vom Arbeitsministerium verfolgt wurden, wie „Informationen zu dokumentieren/aufnehmen“ und „Entscheidungen treffen und Probleme lösen“. Das sind mit Sicherheit große Kategorien, aber die Leute müssen in ihrer Arbeit viel mehr tun, die nicht unter sie fallen. Unser IBM -Analyst könnte zu dem Schluss kommen, dass KI nur einen ziemlich kleinen Anteil an Arbeitsaufgaben automatisiert, was bedeutet, dass sich die menschliche und die KI -Arbeit in Zukunft gegenseitig ergänzen.

Andererseits konnte sich der Analyst den anthropischen Bericht ansehen, in dem festgestellt wurde, dass „Automatisierungsnutzungsfälle“ (in dem Sie Claude nur sagen sollen, dass sie etwas tun sollen, und die gesamte Aufgabe, möglicherweise mit periodischem menschlichen Feedback) bei Unternehmen unter Verwendung von Anthropics Backend, um ihre eigene spezifische Claude-fähige Routinen als “AUSGENTATIONS” -BEUTTRISCHEN UNTEN UNTEN UNTERSTÜTZEN, UMSCHUSSEREN UNTER UNTERSCHAFT UND UNTERSTÜTZEN (WO UNTER-UNTERGEBNISSE ANGEBOTEN). Die Augmentation macht immer noch einen größeren Anteil an Nutzung auf dem Claude.ai Website, aber der Automatisierungsanteil wächst auch dort. Unser Analytiker könnte dies ansehen und zu dem Schluss kommen, dass KI und menschliche Arbeit als Ersatz auftreten werden, da Claude -Benutzer sie weniger als Kumpel als Kumpel verwenden als als Agent, der selbst arbeitet.

All diese Schlussfolgerungen wären meiner Meinung nach bis zur Rücksichtslosigkeit verfrüht. Aus diesem Grund sind die Autoren der OpenAI- und Anthropic -Berichte zu ihrem Kredit sehr vorsichtig darüber, was sie tun und nicht wissen und können und können nicht aus ihrer Arbeit schließen. Sie behaupten nicht, dass diese Ergebnisse uns über die mittleren oder langfristigen Auswirkungen von KI auf die Arbeitsnachfrage oder die Verteilung des Wirtschaftswachstums oder die Berufe, die von KI am stärksten betroffen sein werden Genau das, was viele externe Beobachter tun.

Warum KI anders ist als Mais (ich verspreche, das macht Sinn)

Lassen Sie mich also beenden, indem ich mich auf etwas konzentriere, das uns die Berichte sagen, das ist, denke ich, entscheidend wichtig. Einer der ältesten Erkenntnisse in der Wirtschaftlichkeit der Innovation ist, dass neue Technologien, oft lange Zeit, durch die Wirtschaft Zeit in Anspruch nehmen.

Das klassische Papier hier ist ZVI -Griliches im Jahr 1957 bei der Ausbreitung von Hybridmais. Hybridmais war nicht ein spezifisches Produkt, sondern ein besonderer Ansatz zur optimalen Zucht von Maissamen für bestimmte Boden in bestimmten Bereichen. Nachdem einige Bauern in einem Staat Hybridmais angenommen hatten, schien die spätere Aufnahme unglaublich schnell zu sein. Schau dir diese S-Kurven an!

Obwohl die Diffusion innerhalb der einzelnen Zustände schnell war, war die Diffusion zwischen den Zuständen nicht. Warum brauchte Texas in Iowa ein Jahrzehnt nach dem Aufstieg von Hybridmais, um zu erkennen, dass dies die Erträge erheblich erhöhen könnte? Warum schien es eine viel niedrigere Decke von 60 bis 80% zu erreichen, verglichen mit der universellen Aufnahme in Iowa? Sie sehen auch solche Verzögerungen, wenn Sie Fälle wie wie Strom und in Datensätze, die eine breite Palette von Erfindungen abdecken.

Die anthropischen und offenen Daten sagt uns ziemlich deutlich, dass die Diffusionsverzögerung für AI nach historischen Maßstäben sehr kurz sind. Die Übernahme dieser Technologie war schnell, in der Tat schneller als Frühere Online -Produkte Wie Facebook oder Tiktok, geschweige denn Hybridmais.

Vergangene allgemeine Technologien wie Elektrizität oder Computer dauerten Jahre oder Jahrzehnte, um durch die Wirtschaft zu diffundieren, was ihren Nutzen für eine Zeit einschränkte, uns aber auch Zeit für die Anpassung gaben. Wir werden diese Zeit wahrscheinlich nicht in dieser Zeit bekommen.