最新研究发现，即使在推出最新的GPT-4模型之后，ChatGPT仍然远远不能取代普通的数据分析师。
根据麦肯锡《2022年AI现状》报告，自2017年以来，AI的采用率增长了一倍多，多达60%的组织在至少一个业务领域使用它。IDC预计全球在AI上的支出将达到154美元，2023年将达到10亿美元。然而，目前只有20%的公司在其核心业务流程中或大规模使用AI技术。
“GPT 4号有它的优势。它是一个生成性的人工智能模型，从特定的数据中学习，构建和提供新的内容，但它不是一个通用的人工智能，”数据收集公司Oxylabs的首席执行官Julius erniauskas评论道。“基于这种架构，ChatGPT主要处理文本信息，一定程度上处理视觉信息，提供文本输出。但是，你不能把有几千或几百万个数据点的Excel上传到ChatGPT，还指望它分析信息。它不能直接收集数据或与企业数据系统交互，也不是为准确和全面的业务数据分析而设计的。”
ChatGPT可以总结大量的文本信息，并提供可能对数据专业人员有帮助的一般见解或示例。这包括对KPI提出建议，解决常见的编码问题以及编写SQL代码或数学公式。然而，正如erniauskas评论的那样，聊天机器人没有考虑到特定公司周围不断变化的环境或它需要处理的数据，因为它对上下文的理解仍然有限。
现在，几乎每个人工智能系统都是基于机器学习(ML)技术的。任何ML模型的主要限制是它完全依赖于训练数据。例如，与微软Bing相比，ChatGPT不处理来自互联网的实时数据，而是运行在一个庞大但有限的数据集上，必须不断更新。因此，它可能会错过新数据或不能很好地处理它。
OpenAI聊天机器人比任何人都懂，但在处理任何不符合其预编程逻辑的事情时，它们会受到限制。正如OpenAI所承认的，最新的模型仍然会受到虚幻事实的影响，不会从经验中学习。
erniauskas总结道，“与ChatGPT聊天可能非常真实，但虚拟大脑完全接管数据收集和分析的潜力也非常有限。这可能会改变，但目前通用的和生成式的人工智能模型在细分领域的用例中准确率非常低。组织可以通过使用特定的技术来解决问题，但他们非常需要数据。问题是很少有足够的数据集达到接近人类的认知和准确度。”
