Данный текст является обзором на статью
Brynjolfsson, E., Li, D., & Raymond, L. R. (2023). Generative AI at Work
Понятно, что новые инструменты ИИ имеют потенциал изменить способ работы и обучения сотрудников. Однако еще мало известно о их влиянии на рабочую деятельность. И вот одной из новых работ в этой теме стало исследование Brynjolfsson, E., Li, D., & Raymond, L. R. (2023). В данной статье авторы изучают поэтапное внедрение генеративного ИИ на основе разговорного помощника. А именно, авторы изучают влияние генеративного ИИ на производительность и опыт работников в секторе обслуживания клиентов - отрасли с одним из самых высоких показателей внедрения ИИ на текущий момент. Авторы исследуют поэтапное внедрение чат-помощника, используя данные 5000 агентов, работающих в софтверной фирме (фирме, которая предоставляет ПО для бизнес-процессов) из списка Fortune 500. Исследуемая технология ИИ построена на последней версии семейства больших языковых моделей Generative Pre-trained Transformer (GPT), разработанного компанией OpenAI. Он отслеживает чаты клиентов и предоставляет работникам (агентам) советы в режиме реального времени по тому, как лучше ответить клиенту в чате.
В целом, появление генеративного искусственного интеллекта привлекло значительное внимание, но немногие исследования изучили ее экономическое влияние. В то время как различные инструменты генеративного ИИ хорошо зарекомендовали себя в лабораторных условиях, восторг по поводу их потенциала был умерен опасениями, что эти инструменты могут быть менее эффективными в реальных условиях, где они могут столкнуться с незнакомыми проблемами, сопротивлением организаций или предоставлять вводящую в заблуждение информацию.
Но следует учитывать, что алгоритмы машинного обучения (ML) работают иначе, чем традиционные компьютерные программы: вместо того, чтобы требовать явные инструкции для функционирования, эти системы выводят инструкции самостоятельно из примеров, которые были им даны для обучения. Например, при наличии обучающего набора изображений системы ML могут научиться распознавать конкретных людей, даже если невозможно полностью объяснить, какие физические особенности характеризуют личность данного человека. Эта способность подчеркивает ключевой, отличительный аспект систем ML: они могут научиться выполнять задачи даже при отсутствии инструкций, включая задачи, требующие неявного знания, которое ранее могло быть приобретено только благодаря жизненному опыту.
Что касается сферы общения с клиентами, то системы ML, разрабатываемые в качестве помощников для этой сферы, часто обучаются на данных, полученных от людей-работников, которые, естественно, отличаются по своим способностям. Наблюдая за множеством примеров того, как задачи — подготовка рекламных материалов, вождение грузовика или диагностика пациента — выполняются хорошо или плохо, эти модели могут косвенно узнать, какие конкретные модели поведения и характеристики отличают высокоэффективных работников от их менее эффективных коллег. То есть генеративные модели искусственного интеллекта не только способны выполнять сложные задачи, им возможно, также удастся овладеть навыками, которыми отличаются работники высшего звена. Таким образом, использование инструментов ML может познакомить работников с более низкой квалификацией с новыми навыками и привести к значительным изменениям в продуктивности труда. Эту гипотезу подтверждают авторы анализируемой работы, делая сразу несколько выводов.
В работе Brynjolfsson, E., Li, D., & Raymond, L. R. (2023) на основе данных сделан вывод, что поддержка искусственного интеллекта повышает производительность труда сотрудников сферы обслуживания клиентов (общение с клиентами в чате), измеренную количеством решенных проблем в час, в среднем на 14%. Это увеличение отражает изменения в трех компонентах производительности: сокращение времени, затрачиваемого агентом на обработку индивидуального чата, увеличение количество чатов, обрабатываемых агентом в час (агенты могут обрабатывать несколько чатов одновременно), и небольшое увеличение доли успешно разрешенных чатов.
Но здесь следует обратить внимание на то, что влияние помощи ИИ на производительность весьма неравномерно. Выяснилось, что менее квалифицированные и опытные работники показывают более высокие результаты по всем рассматриваемым нами показателям производительности, включая увеличение на 34% количества задач, которые они могут решать в час. Доступ к инструменту искусственного интеллекта также помогает новым агентам быстрее продвигаться по карьерной лестнице: агенты, которые используют чат-помощника и со стажем работы два месяца работают так же хорошо, как агенты без него и со стажем работы более шести месяцев. С другой стороны, авторы обнаружили минимальное влияние на производительность более опытных или квалифицированных работников. Наоборот, авторы находят доказательства того, что помощь искусственного интеллекта для высококвалифицированных и опытных агентов может даже снизить качество их разговоров.
Другими словами, авторы исследования предоставляют предварительные доказательства того, что модель ИИ в большей степени помогает новичкам повысить производительность, так как распространяет лучшие практики более опытных работников, но на производительность работы опытных работников генеративные ИИ мало влияют, или влияют даже отрицательно.
Второй важный вывод, который сделали авторы исследования, лежит в обучаемости работников, пользующихся ИИ. Выяснилось, что агенты, которые более внимательно следуют рекомендациям ИИ, видят у себя больший прирост производительности и, как следствие, стараются учиться у этих рекомендаций. Так, используя данные о сбоях в работе ИИ — периодах, в течение которых программное обеспечение ИИ переставало предоставлять какие-либо предложения сотрудникам, - работники показывали более высокий уровень производительности по сравнению с их базовым уровнем до ИИ, даже когда рекомендации ИИ были для них недоступны. Вдобавок, авторами статьи анализируется текст чатов агентов и приводятся убедительные доказательства того, что доступ к ИИ способствует сближению моделей общения новичков и опытных работников: агенты с низкой квалификацией начинают общаться близко к тому, как общаются высококвалифицированные агенты.
Таким образом, делаем вывод, что доступ к генеративному ИИ может повысить производительность в сфере обслуживания/общения с клиентами. Однако авторы статьи подчеркивают, что выводы статьи не распространяются на совокупное влияние инструментов генеративного ИИ на занятость или заработную плату во всех сферах. Исследование касалось конкретного генеративного ИИ в конкретной сфере.
