Περίληψη άρθρου:
Η γεννητική τεχνητή νοημοσύνη μπορεί να ωφελήσει εργαζόμενους με περιορισμένη εμπειρία, σύμφωνα με μελέτη του MIT Sloan και του Πανεπιστημίου του Στάνφορντ. Οι πράκτορες του κέντρου επαφής που χρησιμοποίησαν έναν βοηθό συνομιλίας είδαν αύξηση της παραγωγικότητας κατά 14%, με τον μεγαλύτερο αντίκτυπο στους νέους ή χαμηλής ειδίκευσης εργαζόμενους. Αντί να αντικατασταθούν, οι εργαζόμενοι αυτοί αναβαθμίστηκαν χάρη στην τεχνολογία. Η γεννητική τεχνητή νοημοσύνη έχει τη δυνατότητα να μειώσει την ανισότητα στην παραγωγικότητα και να βοηθήσει τους εργαζόμενους με χαμηλότερη εξειδίκευση να βελτιωθούν με ταχύτερο ρυθμό. Η μελέτη υπογραμμίζει τις δυνατότητες της γεννητικής τεχνητής νοημοσύνης να βελτιώσει την αποδοτικότητα και το αίσθημα των πελατών στον εργασιακό χώρο.

Κύρια σημεία του άρθρου:

• Οι εργαζόμενοι με λιγότερη εμπειρία επωφελούνται περισσότερο από τη δημιουργική τεχνητή νοημοσύνη, σύμφωνα με μια μελέτη.
• Η γεννητική τεχνητή νοημοσύνη μπορεί να μειώσει την ανισότητα στην παραγωγικότητα, βοηθώντας τους εργαζόμενους με χαμηλότερη εξειδίκευση να βελτιώνονται ταχύτερα στη δουλειά τους.
• Η αύξηση της παραγωγικότητας ήταν υψηλότερη μεταξύ των εργαζομένων με λιγότερη εμπειρία, ενώ η παραγωγικότητα ήταν ουσιαστικά σταθερή για τους εργαζόμενους με περισσότερες δεξιότητες και εμπειρία.
• Παραμένουν ερωτήματα σχετικά με το ποιος επωφελείται από τα κέρδη παραγωγικότητας και αν οι εργαζόμενοι μαθαίνουν πραγματικά από τις συστάσεις του μοντέλου ΤΝ ή απλώς ακολουθούν οδηγίες.

Αναλυτικά το άρθρο:
Οι εργαζόμενοι με τη λιγότερη εμπειρία μπορούν να βελτιωθούν γρήγορα στη δουλειά τους με τη βοήθεια της γεννητικής τεχνητής νοημοσύνης, σύμφωνα με μια νέα μελέτη.

Η γεννητική τεχνητή νοημοσύνη μπορεί να είναι σε θέση να περάσει τις εξετάσεις του δικηγορικού συλλόγου ή να βοηθήσει τους διευθύνοντες συμβούλους να γράψουν ομιλίες. Αλλά αυτά τα αποτελέσματα έχουν παραχθεί σε ένα ελεγχόμενο περιβάλλον και με σχετικά μικρό διακύβευμα.

Στον πραγματικό κόσμο, οι επιχειρήσεις αντιμετωπίζουν το προαιώνιο ερώτημα της τεχνολογικής καινοτομίας: Πώς θα επηρεάσει η γεννητική τεχνητή νοημοσύνη τους εργαζόμενους, ιδίως εκείνους με περιορισμένη εμπειρία;

Σύμφωνα με μια νέα εργασία της αναπληρώτριας καθηγήτριας του MIT Sloan Danielle Li, της υποψήφιας διδάκτορος του MIT Sloan Lindsey Raymond και του καθηγητή του Πανεπιστημίου Stanford Erik Brynjolfsson, PhD '91, οι άπειροι εργαζόμενοι θα επωφεληθούν περισσότερο από τη γεννητική τεχνητή νοημοσύνη.

Οι συν-συγγραφείς διαπίστωσαν ότι οι πράκτορες του κέντρου επαφών με πρόσβαση σε έναν διαλογικό βοηθό είδαν μια αύξηση της παραγωγικότητας κατά 14%, με τα μεγαλύτερα κέρδη να επηρεάζουν τους νέους ή χαμηλής ειδίκευσης εργαζόμενους. Με άλλα λόγια, οι εργαζόμενοι αναβαθμίστηκαν, όχι αντικαταστάθηκαν, χάρη στην τεχνολογία.

"Η γεννητική τεχνητή νοημοσύνη φαίνεται να είναι σε θέση να μειώσει την ανισότητα στην παραγωγικότητα, βοηθώντας σημαντικά τους εργαζόμενους με χαμηλότερη εξειδίκευση, αλλά με μικρή επίδραση στους εργαζόμενους με υψηλή εξειδίκευση", δήλωσε ο Li. "Χωρίς πρόσβαση σε ένα εργαλείο τεχνητής νοημοσύνης, οι λιγότερο έμπειροι εργαζόμενοι θα γίνονταν σιγά-σιγά καλύτεροι στη δουλειά τους. Τώρα μπορούν να γίνουν καλύτεροι ταχύτερα".

Ένα διαφορετικό είδος αναστάτωσης

Η γεννητική τεχνητή νοημοσύνη είναι η τελευταία από μια σειρά τεχνολογιών που διαταράσσουν τον εργασιακό χώρο. Οι υπολογιστές που μπορούν να ολοκληρώσουν την εισαγωγή δεδομένων, την τήρηση βιβλίων και τις βασικές εργασίες γραμμής συναρμολόγησης αντικαθιστούν ή συμπληρώνουν τους εργαζόμενους εδώ και δεκαετίες. Πιο πρόσφατα, η μηχανοργάνωση έχει εξορθολογήσει την έρευνα και την ανάλυση, βοηθώντας τους εργαζόμενους να κάνουν περισσότερα σε λιγότερο χρόνο.

Πολλές από αυτές τις τεχνολογίες λειτουργούν όταν παρέχονται σαφείς οδηγίες, δήλωσε ο Li: Αν δώσετε τη σωστή είσοδο, ο υπολογιστής θα σας δώσει τη σωστή έξοδο. Το υποσύνολο της δημιουργικής ΤΝ, γνωστό ως μεγάλα γλωσσικά μοντέλα, είναι όμως διαφορετικό, καθώς μπορεί να συμπεράνει τις σχέσεις μεταξύ των εισόδων και των εξόδων. ("Γλώσσα" είναι λίγο λανθασμένη ονομασία, καθώς τα μοντέλα μπορούν επίσης να αναλύουν αρχεία ήχου και εικόνας, κώδικα υπολογιστή, αλληλουχίες πρωτεϊνών και πολλές άλλες πηγές δεδομένων).

"Αν δώσετε σε ένα μεγάλο γλωσσικό μοντέλο αρκετές φωτογραφίες της μητέρας σας και φωτογραφίες γυναικών που δεν είναι η μητέρα σας, θα μπορέσει να καταλάβει αν μια μεμονωμένη φωτογραφία είναι η μητέρα σας", δήλωσε ο Li. "Ποιος είναι ο αντίκτυπος μιας τεχνολογίας που μπορεί να το κάνει αυτό;"

Περιθώρια βελτίωσης στο κέντρο επαφών

Για να μελετήσουν τον αντίκτυπο των μεγάλων γλωσσικών μοντέλων, οι ερευνητές εξέτασαν ένα κέντρο επικοινωνίας πελατών σε μια εταιρεία Fortune 500 που πουλάει λογισμικό σε μικρές επιχειρήσεις στις Η.Π.Α. Το 83% των πρακτόρων ήταν εγκατεστημένοι εκτός των Η.Π.Α.

Τα μέσα κέντρα επαφής έχουν πολλά περιθώρια βελτίωσης, γράφουν οι ερευνητές. Οι προϊστάμενοι μπορούν να ξοδεύουν έως και 20 ώρες κάθε εβδομάδα για την εκπαίδευση των ατόμων με χαμηλές επιδόσεις. Η βελτίωση προέρχεται από την εμπειρία, η οποία συχνά σημαίνει την αντιμετώπιση αγχωμένων πελατών. Αυτό μπορεί να οδηγήσει στην εξουθένωση των εργαζομένων και σε εξαιρετικά υψηλό κύκλο εργασιών- ετησίως, έως και το 60% των εργαζομένων στα κέντρα επαφής φεύγουν και οι εταιρείες δαπανούν έως και 20.000 δολάρια για την αντικατάσταση κάθε εργαζομένου.

"Οι υψηλά καταρτισμένοι εργαζόμενοι είναι καλοί στο να διαβάζουν την απογοήτευση των πελατών - και αυτό μπορεί να σημαίνει ότι πρέπει να τους φωνάζουν για έξι μήνες", δήλωσε ο Li.

Η αφθονία δεδομένων είναι ένας άλλος λόγος που τα κέντρα επαφής αποτελούν καλό πεδίο δοκιμών για τη γενεσιουργό τεχνητή νοημοσύνη. Όπως γνωρίζει όποιος έχει καλέσει μια γραμμή βοήθειας, οι συνομιλίες μεταξύ πρακτόρων και πελατών καταγράφονται συνήθως για λόγους διασφάλισης ποιότητας.

Αυτό δίνει στα μοντέλα γεννητικής τεχνητής νοημοσύνης πρόσβαση σε ένα μεγάλο σύνολο δεδομένων εκπαίδευσης, το οποίο μπορεί να χρησιμοποιηθεί για να παρέχει στους πράκτορες συνιστώμενες απαντήσεις σε συνήθεις ερωτήσεις πελατών ή συνδέσμους σε σχετική τεκμηρίωση προϊόντων.

Η Li και οι συν-συγγραφείς της υπογράμμισαν ότι το παραγωγικό μοντέλο ΤΝ προοριζόταν να ενισχύσει και όχι να αντικαταστήσει πλήρως τους υπαλλήλους του κέντρου επαφής. Το μοντέλο προσέφερε συστάσεις μόνο εάν ήταν "επαρκώς σίγουρο" για τις απαντήσεις του, γεγονός που μείωσε τον αριθμό των λανθασμένων απαντήσεων.Επιπλέον, οι εργαζόμενοι δεν ήταν υποχρεωμένοι να χρησιμοποιούν τις συστάσεις. Τις ακολουθούσαν στο 38% των περιπτώσεων, γεγονός που συνάδει με τον μέσο όρο του κλάδου για τα εργαλεία δημιουργικής τεχνητής νοημοσύνης, δήλωσε ο Li.

Κέρδη στην αποδοτικότητα και το αίσθημα των πελατών

Οι εργαζόμενοι που χρησιμοποίησαν το παραγωγικό μοντέλο AI αύξησαν τον αριθμό των συνομιλιών πελατών που επιλύθηκαν ανά ώρα κατά 13,8%, διαπίστωσαν οι ερευνητές. Μέσα σε δύο μήνες, έλυναν 2,5 συνομιλίες ανά ώρα, σε σύγκριση με 1,7 για τους συναδέλφους που δεν χρησιμοποιούσαν το μοντέλο, οι οποίοι χρειάστηκαν οκτώ μήνες για να φτάσουν στο υψηλότερο όριο. Επιπλέον, οι εργαζόμενοι που χρησιμοποιούσαν το μοντέλο τεχνητής νοημοσύνης αφιέρωναν κατά μέσο όρο 35 λεπτά σε κάθε συνομιλία, σε σύγκριση με 40 λεπτά για τους συναδέλφους τους που δεν είχαν μοντέλο. (Οι αριθμοί αυτοί λαμβάνουν επίσης υπόψη το γεγονός ότι οι εργαζόμενοι συχνά διαχειρίζονται περισσότερες από μία συνομιλίες ταυτόχρονα).

Όπως σημειώνεται, η αύξηση της παραγωγικότητας ήταν μεγαλύτερη μεταξύ των εργαζομένων με τη μικρότερη εμπειρία, οι οποίοι έλυσαν 35% περισσότερες συνομιλίες ανά ώρα όταν χρησιμοποίησαν το παραγωγικό μοντέλο. Η παραγωγικότητα παρέμεινε ουσιαστικά αμετάβλητη για τους εργαζόμενους με τις περισσότερες δεξιότητες και εμπειρία.

Η χρήση του παραγωγικού μοντέλου ΤΝ οδήγησε επίσης σε βελτίωση του κλίματος των πελατών. Τα αιτήματα να μιλήσουν με έναν διευθυντή μειώθηκαν κατά 25% και οι μεταφορές σε άλλα τμήματα έτειναν να γίνονται νωρίτερα στη συζήτηση, γεγονός που υποδηλώνει ότι το μοντέλο ΤΝ ήταν σε θέση να βοηθήσει τους εργαζόμενους να αντιστοιχίσουν καλύτερα το πρόβλημα ενός πελάτη στη σωστή επιχειρησιακή μονάδα για λύση.

"Τα μεγάλα αποτελέσματα στους εργαζόμενους με χαμηλότερη εξειδίκευση μας λένε πολλά για το πώς αλλάζουμε τα λεγόμενα των εργαζομένων", δήλωσε ο Li. "Δεν είναι απλώς μια σύσταση που ακολουθούν πάντα. Δεν είναι απλώς αυτόματη συμπλήρωση. Φαίνεται ότι το μοντέλο άλλαζε [τον τρόπο με τον οποίο απαντούσαν], αφήνοντας τον πελάτη να πιστεύει ότι η κατάσταση έχει επιλυθεί".

Σημαντικά ευρήματα, αβέβαιες συνέπειες

Τα ευρήματα του εγγράφου δείχνουν ένα σαφές όφελος από τη χρήση της δημιουργικής τεχνητής νοημοσύνης στο πλαίσιο του κέντρου επαφών. Θέτουν επίσης πολλά ερωτήματα, δήλωσε ο Li.

Πρώτον, δεν είναι σαφές ποιος επωφελείται από την αύξηση της παραγωγικότητας. Πληρώνονται οι πράκτορες του κέντρου επαφών περισσότερο όταν βελτιώνεται η απόδοσή τους ή οι προγραμματιστές του μοντέλου ΤΝ λαμβάνουν μπόνους; Εάν οι εργαζόμενοι μπορούν να επιλύουν περισσότερες συνομιλίες ανά ώρα, η εταιρεία προσλαμβάνει λιγότερους πράκτορες; Θα αυξηθεί ο όγκος του κέντρου επαφής καθώς οι πελάτες θα αρχίσουν να συνειδητοποιούν ότι η εμπειρία είναι καλύτερη από ό,τι παλαιότερα;

Αξίζει επίσης να διερευνηθεί αν οι εργαζόμενοι μαθαίνουν από τις συστάσεις του μοντέλου ΤΝ ή απλώς ακολουθούν οδηγίες. Μήπως γίνονται αυτό που ο Li περιέγραψε ως "ψιθυριστής των ιδιοκτητών μικρών επιχειρήσεων", μαθαίνοντας πώς να διαγιγνώσκουν τα συγκεκριμένα προβλήματα των πελατών; Ή μήπως μοιάζουν περισσότερο με τους προγραμματιστές που αντιγράφουν αποσπάσματα κώδικα από το GitHub ή με τους οδηγούς που φτάνουν γρηγορότερα στον προορισμό τους χρησιμοποιώντας το Waze - χρησιμοποιώντας τις παρεχόμενες συστάσεις για να ενισχύσουν την εργασία τους χωρίς να σκέφτονται πώς να λύσουν το ευρύτερο πρόβλημα.

"Αν απλά πληκτρολογείτε τις συστάσεις, τότε μπορεί να μην μαθαίνετε απαραίτητα. Είσαι πιο παραγωγικός, αλλά η πηγή της παραγωγικότητάς σου βρίσκεται στην τεχνολογία", δήλωσε ο Li.

Από την άλλη πλευρά, αν οι εταιρείες αφιερώσουν χρόνο για να διδάξουν στους εργαζομένους πώς η τεχνολογία μπορεί να ενισχύσει αυτό που κάνουν, "οι εργαζόμενοι αρχίζουν να μαθαίνουν πιο γρήγορα", δήλωσε ο Li. "Και το να μαθαίνουν γρηγορότερα θα κάνει μεγάλη διαφορά".

Πηγή: Workers with less experience gain the most from generative AI