Працівники з меншим досвідом отримують найбільше користі від генеративного ШІ
Згідно з новим дослідженням, працівники з найменшим досвідом можуть швидко покращити свою роботу за допомогою генеративного штучного інтелекту.
Генеративний штучний інтелект може допомогти скласти адвокатський іспит або допомогти керівникам компаній написати промову. Але ці результати були отримані в контрольованому середовищі і з відносно невеликим ризиком.
У реальному світі компанії стикаються з одвічним питанням технологічних інновацій: Як генеративний ШІ вплине на працівників, особливо з обмеженим досвідом?
Згідно з новою статтею доцента Массачусетського технологічного інституту Даніель Лі, аспіранта Ліндсі Реймонда та професора Стенфордського університету Еріка Бріньольфссона, доктора філософії 91-го року, недосвідчені працівники насправді отримують найбільшу користь від генеративного ШІ.
Співавтори виявили, що агенти контакт-центрів, які отримали доступ до розмовного асистента, підвищили продуктивність на 14%, причому найбільше виграли нові або низькокваліфіковані працівники. Іншими словами, завдяки технології працівники підвищили кваліфікацію, а не були замінені.
“Генеративний ШІ, схоже, здатен зменшити нерівність у продуктивності, суттєво допомагаючи низькокваліфікованим працівникам, але мало впливаючи на висококваліфікованих”, – сказав Лі. “Без доступу до інструментів ШІ менш досвідчені працівники повільно покращували б свою роботу. Тепер вони можуть вдосконалюватися швидше”.
Інший вид впливу
Генеративний штучний інтелект – це найновіша технологія, що змінює робочі місця. Комп’ютери, які можуть виконувати введення даних, ведення бухгалтерії та базові завдання на конвеєрі, замінювали або доповнювали працівників протягом десятиліть. Зовсім недавно комп’ютеризація спростила дослідження та аналіз, допомагаючи працівникам робити більше за менший час.
За словами Лі, багато з цих технологій працюють, коли їм надаються чіткі інструкції: якщо ви надаєте правильні вхідні дані, комп’ютер дасть вам правильний результат. Однак підмножина генеративного ШІ, відома як великі мовні моделі, відрізняється тим, що може робити висновки про взаємозв’язок між входами і виходами. (“Мова” – це трохи неправильний термін, оскільки моделі також можуть аналізувати аудіо- та відеофайли, комп’ютерний код, послідовності білків і багато інших джерел даних).
“Якщо ви дасте великій мовній моделі достатньо фотографій вашої матері і фотографій жінок, які не є вашою матір’ю, вона зможе з’ясувати, чи є одна з них вашою матір’ю”, – каже Лі. “Яке значення має технологія, яка може це зробити?”
Можливості для вдосконалення
Щоб вивчити вплив великих мовних моделей, дослідники звернулися до контакт-центру компанії зі списку Fortune 500, яка продає програмне забезпечення малому бізнесу в США. 83% агентів знаходилися за межами США.
Середні контакт-центри мають багато можливостей для вдосконалення, пишуть дослідники. Керівники можуть витрачати до 20 годин щотижня на навчання працівників з низькими показниками. Вдосконалення приходить з досвідом, що часто означає роботу зі стресовими клієнтами. Це може призвести до вигорання працівників і надзвичайно високої плинності кадрів; щороку звільняється до 60% працівників контакт-центрів, а компанії витрачають до $20 000 на заміну кожного працівника.
“Висококваліфіковані працівники добре відчувають розчарування клієнтів – а до цього на них можуть кричати півроку”, – каже Лі.
Велика кількість даних – ще одна причина, чому контакт-центри є гарним полігоном для тестування генеративного ШІ. Кожен, хто телефонував на гарячу лінію, знає, що розмови між операторами та клієнтами регулярно записуються з метою забезпечення якості.
Це дає моделям генеративного ШІ доступ до великого набору навчальних даних, які можна використовувати для надання агентам рекомендованих відповідей на типові запитання клієнтів або посилань на відповідну документацію про продукт.
Лі та її співавтори підкреслили, що модель генеративного ШІ була призначена для доповнення, а не повної заміни працівників контакт-центру. Модель пропонувала рекомендації лише тоді, коли була “достатньо впевнена” у своїх відповідях, що зменшувало кількість неправильних відповідей. Крім того, працівники не були зобов’язані користуватися рекомендаціями. За словами Лі, вони дотримувалися їх у 38% випадків, що відповідає середньому показнику в галузі для генеративних інструментів ШІ.
Підвищення ефективності та покращення настрою клієнтів
Дослідники виявили, що працівники, які використовували модель генеративного ШІ, збільшили кількість вирішених клієнтських чатів за годину на 13,8%. Протягом двох місяців вони вирішували 2,5 чатів на годину порівняно з 1,7 у колег, які не використовували модель, і яким знадобилося вісім місяців, щоб досягти цього показника. Крім того, працівники, які використовували модель штучного інтелекту, витрачали в середньому 35 хвилин на кожен чат, порівняно з 40 хвилинами у їхніх колег, які не використовували модель. (Ці цифри також враховують той факт, що працівники часто ведуть більше одного чату одночасно).
Як уже зазначалося, приріст продуктивності був найвищим серед працівників з найменшим досвідом, які вирішували на 35% більше чатів на годину, коли використовували генеративну модель. Продуктивність працівників з найбільшим досвідом і навичками залишилася на тому ж рівні, що й у працівників з найбільшим досвідом.
Використання генеративної моделі ШІ також призвело до покращення настроїв клієнтів. Кількість запитів на розмову з менеджером зменшилася на 25%, а перенаправлення до інших відділів, як правило, відбувалися на більш ранніх етапах розмови, що свідчить про те, що модель штучного інтелекту допомогла працівникам краще співвіднести проблему клієнта з потрібним бізнес-підрозділом для її вирішення.
“Значний вплив на низькокваліфікованих працівників багато говорить нам про те, як ми змінюємо те, що говорять працівники, – каже Лі. “Це не просто рекомендація, якої вони завжди дотримуються. Це не просто автоматичне заповнення. Здається, що змінюється модель [того, як вони реагують], і клієнт думає, що ситуацію вирішено”.
Важливі висновки, невизначені наслідки
Результати дослідження демонструють очевидну перевагу використання генеративного ШІ в контексті контакт-центру. Але вони також ставлять багато запитань, каже Лі.
По-перше, незрозуміло, хто отримує вигоду від підвищення продуктивності. Чи отримують агенти контакт-центру більшу зарплату, коли їхня робота покращується, чи розробники моделі штучного інтелекту отримують бонус? Якщо працівники можуть вирішувати більше чатів на годину, чи наймає компанія менше агентів? Чи збільшаться обсяги роботи контакт-центру, коли клієнти почнуть усвідомлювати, що їхній досвід кращий, ніж був раніше?
Варто також дослідити, чи вчаться працівники на рекомендаціях ШІ-моделі, чи просто виконують інструкції. Чи стають вони тими, кого Лі назвав “шептунами для власників малого бізнесу”, навчаючись діагностувати конкретні проблеми клієнтів? Чи вони більше схожі на програмістів, які копіюють фрагменти коду з GitHub, або водіїв, які швидше добираються до місця призначення за допомогою Waze, використовуючи надані рекомендації для покращення своєї роботи, не замислюючись над тим, як вирішити більшу проблему.
“Якщо ви просто друкуєте рекомендації, ви не обов’язково навчаєтесь. Ви більш продуктивні, але джерело вашої продуктивності знаходиться в технології”, – каже Лі.
З іншого боку, якщо компанії приділяють час навчанню працівників тому, як технології можуть покращити їхню роботу, “працівники починають вчитися швидше”, – каже Лі. “А швидкість навчання має велике значення”.
Джерело: mitsloan.mit.edu
