Gdy odpowiedzi tanieją, drożeją hipotezy. Jak AI zmienia źródła przewagi poznawczej

„Naukę tworzy się z faktów, tak jak dom z kamieni; ale nagromadzenie faktów nie jest bardziej nauką niż stos kamieni domem” – Henri Poincaré napisał te słowa w 1902 roku. Nie znał komputerów, internetu ani sztucznej inteligencji. Nie potrzebował ich jednak, aby zdiagnozować błąd, który współczesne organizacje popełniają na skalę przemysłową: mylenie agregacji materiału z jego zrozumieniem.

Sztuczna inteligencja drastycznie obniża cenę odpowiedzi. Jak w każdej gospodarce, gdy jeden zasób staje się powszechny, rośnie wartość jego dobra komplementarnego. W erze AI tym dobrem nie są dane ani modele. Są nim hipotezy.

Hipoteza to jawne, możliwe do obalenia twierdzenie o mechanizmach rządzących wycinkiem świata: co na co wpływa, w jakich warunkach i z jakim skutkiem. To ona wskazuje, które dane mają znaczenie, jakie pytanie warto zadać i co zrobić z uzyskaną odpowiedzią. Rzadkie jest jednak nie samo jej sformułowanie, lecz zdolność wyboru tych hipotez, które warto sprawdzić, oraz przetestowania ich w rzeczywistości. Organizacja, która posiada wszystkie dane, ale nie ma żadnej hipotezy, przypomina firmę dysponującą pełnym składem materiałów budowlanych, która nie posiada projektu architektonicznego.

Klasyczna hierarchia Russella Ackoffa układa strukturę poznawczą w szereg: dane, informacja, wiedza, rozumienie, mądrość. Opisuje ona, co robimy z faktami. Nie wyjaśnia jednak, skąd bierze się impuls, który każe te fakty selekcjonować i układać. Strukturę, która ten sens wytwarza, nazywamy architekturą znaczenia. Tę zmianę źródła wartości nazywamy ekonomią hipotezy.

Kiedy odpowiedzi prawie nic nie kosztują

W 2008 roku Chris Anderson ogłosił na łamach Wired koniec teorii. Przy dostatecznej ilości danych – przekonywał – liczby mówią same za siebie, a model naukowy staje się zbędny. Ta prowokacyjna teza doskonale rezonowała ze swoją epoką. Ironia losu sprawiła jednak, że ten sam rok przyniósł globalny kryzys finansowy. Pokazał on, co dzieje się z modelami skalibrowanymi na latach stabilności, gdy nagle zmienia się reżim rynkowy.

Anderson miał rację w jednej kwestii: korelacje stały się niemal darmowe. Pomylił się w drugiej: teoria nie zniknęła, lecz przesunęła się wyżej w łańcuchu wartości. Gdy każdy może wykupić w abonamencie analizę o dowolnej głębokości, sama analiza przestaje być źródłem przewagi konkurencyjnej.

Ekonomiści opisali ten mechanizm na długo przed rewolucją generatywnego AI. Ajay Agrawal, Joshua Gans i Avi Goldfarb wykazali w Prediction Machines, że gdy tanieje predykcja, rośnie wartość tego, co ją uzupełnia: ludzkiego osądu oraz decyzji o tym, co i po co chcemy przewidywać. Z kolei Herbert Simon już w 1971 roku zauważył, że nadmiar informacji rodzi niedobór uwagi. Obie te obserwacje opisują identyczne przesunięcie: punkt niedoboru wędruje w górę – od faktów ku sensom.

Od kamienia do projektu: cztery poziomy rozumienia rzeczywistości

Aby zrozumieć, dlaczego gigantyczne zbiory danych paraliżują współczesne procesy strategiczne, musimy przyjrzeć się temu, jak umysł oraz algorytmy operują informacją. Budując mapę dojrzałości poznawczej organizacji, możemy wyróżnić cztery poziomy operowania na danych. Każdy kolejny poziom nie oznacza po prostu dysponowania większą ilością informacji. Stanowi on zmianę sposobu interpretacji rzeczywistości – ewolucję od pasywnego rejestrowania faktów do aktywnego projektowania przyszłości.

Poziom 1. Big Data: liczenie kamieni

To faza czystej obserwacji i agregacji faktów. Odpowiada na pytanie: Co się wydarzyło? Systemy notują transakcje, sensory rejestrują ruch, a narzędzia analityczne zliczają kliknięcia. To surowiec, ale wciąż wyłącznie stos kamieni. Na tym poziomie wiemy dokładnie ile, ale nie rozumiemy dlaczego. Koszt pozyskania tych danych spadł do poziomu, który dawniej uchodził za niemożliwy.

Poziom 2. Machine Learning: układanie powtarzalnych wzorów

To domena korelacji i statystyki. Odpowiada na pytanie: Co najprawdopodobniej wydarzy się ponownie? Algorytmy przeszukują zwały kamieni i identyfikują powtarzalne sekwencje: jeśli zachodzi zdarzenie A, nastąpi zdarzenie B. Maszyny świetnie trouvent te powiązania. Nie potrzebują rozumieć świata – wystarcza im, że matematyczny wzorzec wykazuje stabilność w czasie. Cena tej odpowiedzi również szybko maleje.

Poziom 3. Przyczynowość: wznoszenie ścian

W tym miejscu kończą się możliwości klasycznego, statystycznego uczenia maszynowego, a zaczyna się domena modeli przyczynowo-skutkowych i ludzkiego osądu. Ten poziom odpowiada na pytanie: Dlaczego to się wydarzyło? Korelacja wskazuje, co występuje razem; przyczynowość określa, co wywołuje co – a więc co się stanie, jeśli świadomie zainterweniujemy w układ. To ściany konstrukcyjne, które niosą ciężar budynku. Tu spadek cen się zatrzymuje, ponieważ wnioskowanie przyczynowe wymaga czynnika, którego dane same z siebie nie dostarczą: strukturalnego założenia o mechanizmie. Judea Pearl, za Nancy Cartwright, przypomina, że bez założeń przyczynowych nie ma wniosków przyczynowych. Tutaj organizacja przestaje być zakładnikiem własnej historii:

Poziom 4. Profaktyczność: architektura projektu

To najwyższy stopień dojrzałości poznawczej. Odpowiada na pytanie: Co może wydarzyć się po raz pierwszy? Profaktyczność nie jest zaprzeczeniem analityki, lecz jej zwieńczeniem. Dane opisują wyłącznie przeszłość. Modele predykcyjne przewidują najbardziej prawdopodobną przyszłość bazującą na tej przeszłości. Profaktyczność zajmuje się scenariuszami, które nie są jeszcze widoczne w danych, ale mogą stać się rzeczywistością rynkową wskutek naszych suwerennych decyzji. To kompletny projekt budynku, zanim na placu budowy pojawi się pierwszy kamień. To pytanie najdroższe, ponieważ nie istnieje dla niego żadna historia, na której można by się oprzeć.

Ten układ pięter nie stanowi jednak harmonogramu działań. Przełomowe sukcesy biznesowe często wyprzedzają dowód empiryczny. Apple wprowadziło na rynek iPhone’a w 2007 roku, kiedy w jego bazach danych nie istniała historia klientów kupujących smartfony pozbawione fizycznej klawiatury, oparte w całości na ekranie pojemnościowym. Istniały dane o rynku telekomunikacyjnym, ale nie było historycznego odpowiednika dla nowej kategorii urządzeń. Decyzja strategiczna wyprzedziła dowód empiryczny. Te zdolności poznawcze muszą współistnieć, a organizacja powinna uruchamiać je w proporcjach zależnych od wielkości stawki, jaką kładzie na szali.

(Uwaga o mechanice. Drabina przyczynowości Judei Pearla składa się z trzech szczebli: obserwacji, interwencji i myślenia kontrafaktycznego. Czterema powyższymi pytaniami upraszczamy ją na użytek strategiczny. Profaktyczność stanowi rozszerzenie trzeciego szczebla Pearla o myślenie profaktyczne, dotyczące światów, które fizycznie jeszcze nie istnieją).

Dlaczego dane milczą

Wiara w to, że z odpowiednio wielkiego zbioru danych da się wyczytać każdą odpowiedź, opiera się na błędnym założeniu, że wszystko, czego szukamy, już się kiedyś wydarzyło.

Aby na podstawie historii ocenić skutek konkretnego działania, dane muszą zawierać odpowiednią zmienność – przypadki, w których to działanie podjęto, oraz takie, w których go zaniechano (warunek pozytywności). Dziesięć miliardów obserwacji świata bez nowej usługi nie mówi nic o świecie, w którym ta usługa zacznie działać. Skala poprawia precyzję odpowiedzi na pytania, na które odpowiedzi już istnieją. Nie potrafi ich jednak wygenerować tam, gdzie panuje strukturalna pustka.

Ten sam mechanizm ujawnia się w osi czasu. Robert Lucas wykazał w 1976 roku, że zależności oszacowane w jednym reżimie rynkowym przestającknować w kolejnym, ponieważ uczestnicy gry modyfikują swoje zachowania wraz ze zmianą reguł gry (krytyka Lucasa). Model wyuczony na przeszłości staje się wtedy pułapką. Korelacja jest najbardziej przekonująca wtedy, gdy jest najmniej potrzebna, i zawodzi wtedy, gdy staje się krytyczna. W momencie nagłej zmiany paradygmatu okazuje się, że organizacja zamiast schronienia ma wokół siebie jedynie gruzowisko luźnych faktów.

Hipoteza uzupełnia tę próżnię. Wnosi strukturę: logiczne założenie o mechanizmach, które zadziałają w świecie, którego jeszcze nie zbudowano. Ta struktura wskazuje, co należy zmierzyć i jaki mikroeksperyment przeprowadzić. Dopiero eksperyment wytwarza brakującą zmienność rynkową. Kolejność lansowana przez doktrynę Big Data zostaje odwrócona: najpierw hipoteza, potem dane.

Iluzja poinformowania i wyzwanie agentowe

Tanie odpowiedzi niosą ze sobą ryzyko operacyjne: iluzję poinformowania. Menedżer, który w pięć sekund otrzymuje wygenerowany przez AI obszerny raport, doświadcza stanu psychologicznego, który dawniej towarzyszył głębokiemu zrozumieniu problemu. Poznawcza płynność dostępu do tekstu bywa błędnie utożsamiana z jego prawdziwością. Poczucie kontroli rośnie, podczas gdy liczba zadawanych pytań krytycznych spada. Organizacja uwięziona w tej iluzji perfekcyjnie kataloguje zachowania obecnych klientów – jednocześnie przegapiając moment, w którym cała jej kategoria produktowa przestaje istnieć.

Tak było z Kodakiem, który skonstruował pierwszy aparat cyfrowy już w 1975 roku, ale traktował cyfrę głównie jako zagrożenie dla zyskownego filmu. Firma doskonaliła układ kamieni w budynku, który od dawna stał na osuwisku.

W świecie agentów AI koszt odpowiedzi będzie dążył do zera jeszcze szybciej niż dziś. Gdy każdy człowiek i każda organizacja otrzyma własny system zdolny analizować, rekomendować i negocjować, przewaga konkurencyjna nie będzie wynikała z dostępu do odpowiedzi. Będzie wynikała z jakości pytań, hipotez i celów, które tym agentom zostaną powierzone.

Sztuczna inteligencja generuje hipotezy bez trudu, co przesuwa deficyt jeszcze wyżej. Hipotezę łatwo wyprodukować; trudno ją zweryfikować. Koszt ich walidacji – mierzony czasem, ryzykiem regulacyjnym i kapitałem – spada znacznie wolniej, ponieważ test musi zderzyć się z twardym oporem rzeczywistości. Maszyna wygeneruje tysiąc hipotez w minutę. Ktoś musi jednak podjąć decyzję, którą z nich przetestować na żywym organizmie rynkowym i kto weźmie na siebie odpowiedzialność za koszt porażki. Ponoszenie realnych konsekwencji nie jest funkcją obliczeniową.

Towar i aktywo

Surową hipotezę można traktować jak towar. Prawdziwym aktywem staje się jednak dopiero hipoteza zweryfikowana oraz organizacyjna zdolność trafnego wyboru tego, co warto testować. W ekonomii hipotezy podstawowym zasobem organizacji nie są dane, lecz zdolność formułowania, selekcji i walidacji hipotez szybciej niż konkurencja.

Towar kupuje się na rynku, zużywa i zastępuje kolejnym. Aktywem trzeba zarządzać: wycenia się je, regularnie aktualizuje, a gdy traci przydatność – spisuje w straty. Hipoteza, która przeszła test, posiada dokładnie te cechy. Powstaje z wysiłku ludzkiego intelektu, traci na wartości, gdy zmienia się otoczenie, i przynosi wysoką stopę zwrotu temu, kto zweryfikował ją jako pierwszy.

Organizacje, które zrozumieją tę zmianę paradygmatu, przestaną traktować dane jako gotowy drogowskaz. Zaczną zarządzać swoimi hipotezami z taką samą precyzją, z jaką dziś zarządza się portfelami tradycyjnych aktywów finansowych. Architektura znaczenia składa się więc z trzech elementów: hipotez prowadzonych jak rejestr; procedury wyboru tych, które warto poddać próbie; oraz osoby, która odpowiada za wynik tej próby. Dane i modele są jej materiałem. Nie są jej konstrukcją.

Ostatnia linia tego bilansu leży poza granicami czystej ekonomii. Hipoteza podpowiada, co zadziała. Nie rozstrzyga jednak, czego tak naprawdę chcemy. Pytanie o cel – o to, po co w ogóle budujemy ten dom i dla kogo ma on istnieć – pozostaje ludzkim zadaniem.

Dane mówią, co było.

Modele podpowiadają, co może się powtórzyć.

Hipotezy wskazują, co warto sprawdzić.

Cele określają, jaki świat chcemy stworzyć.

W gospodarce industrialnej przewagę dawał kapitał.

W gospodarce informacyjnej dane.

W gospodarce AI przewagę będzie dawała zdolność nadawania znaczenia.

Odpowiedzi stają się coraz tańsze. Dlatego najcenniejszym zasobem przyszłości nie będzie informacja. Będzie nim człowiek, który potrafi zaprojektować pytanie, zanim rzeczywistość dostarczy odpowiedzi.

Witold Fidos, dyrektor w PKO Bank Polski

Wybrane źródła:

• Ackoff, R.L. (1989). From Data to Wisdom. Journal of Applied Systems Analysis, 16.
• Agrawal, A., Gans, J., Goldfarb, A. (2018). Prediction Machines: The Simple Economics of Artificial Intelligence. Harvard Business Review Press.
• Anderson, C. (2008). The End of Theory: The Data Deluge Makes the Scientific Method Obsolete. Wired Magazine.
• Cartwright, N. (1989). Nature’s Capacities and Their Measurement. Oxford: Clarendon Press.
• Lucas, R.E. (1976). Econometric Policy Evaluation: A Critique. Carnegie-Rochester Conference Series on Public Policy, 1.
• Pearl, J., Mackenzie, D. (2018). The Book of Why: The New Science of Cause and Effect. Basic Books.
• Poincaré, H. (1902). La Science et l’Hypothèse. Paris: Ernest Flammarion.
• Simon, H.A. (1971). Designing Organizations for an Information-Rich World. W: Greenberger, M. (red.), Computers, Communications, and the Public Interest. Johns Hopkins Press.