Οι εργαζόμενοι στην εξυπηρέτηση πελατών σε μια εταιρεία λογισμικού, στους οποίους δόθηκε πρόσβαση σε εργαλεία τεχνητής νοημοσύνης, έγιναν κατά μέσο όρο 14% πιο παραγωγικοί από εκείνους που δεν είχαν πρόσβαση, με τους λιγότερο ειδικευμένους εργαζόμενους να αποκομίζουν το μεγαλύτερο όφελος από τη χρήση της τεχνητής νοημοσύνης, σύμφωνα με το Bloomberg.

Αυτό προέκυψε από μια νέα μελέτη του Πανεπιστημίου του Στάνφορντ και του Ινστιτούτου Τεχνολογίας της Μασαχουσέτης, όπου εξετάστηκε ο αντίκτυπος των εργαλείων τεχνητής νοημοσύνης (TN) στην παραγωγικότητα της εταιρείας κατά τη διάρκεια ενός έτους. Στη συγκεκριμένη έρευνα μετρήθηκε για πρώτη φορά ο αντίκτυπος των εργαλείων τεχνητής νοημοσύνης σε πραγματικό χώρο εργασίας, δηλαδή όχι σε εργαστηριακές συνθήκες.

Προηγούμενες μελέτες έχουν συγκρίνει τις δυνατότητες των μεγάλων γλωσσικών μοντέλων σε τομείς όπως η νομική και η ιατρική, με το GPT-4 να αριστεύει. Άλλες έρευνες έχουν δοκιμάσει τον αντίκτυπο της χρήσης εργαλείων τεχνητής νοημοσύνης (ΤΝ) σε εργαστηριακά πειράματα μικρής κλίμακας, όπου εργαζόμενοι αξιολογήθηκαν σε μεμονωμένες εργασίες γραφής.

«Τα αποτελέσματα ορισμένων από τα παραπάνω πειράματα έδειξαν τις εκπληκτικές δυνατότητες των εργαλείων γλώσσας της ΤΝ στον εργασιακό χώρο», δήλωσε ο Έρικ Μπρίνγιολφσον, διευθυντής του Εργαστηρίου Ψηφιακής Οικονομίας στο Ινστιτούτο Ανθρωποκεντρικής Τεχνητής Νοημοσύνης του Στάνφορντ. Πρέπει όμως, σύμφωνα με τον ίδιο, τα εργαλεία αυτά να δοκιμαστούν στον πραγματικό κόσμο, αλλιώς η αξία τους παραμένει υποθετική.

«Βάζοντας τους ανθρώπους να τα χρησιμοποιούν για πάνω από ένα χρόνο σε αυτή την εταιρεία, αποκτούμε μια πολύ καλύτερη αίσθηση του πώς επηρεάζεται η παραγωγικότητά τους στον πραγματικό κόσμο», δήλωσε ο Μπρίνγιολφσον, που ήταν και ένας από τους συγγραφείς της μελέτης, σε συνέντευξή του. «Απ’ όσο γνωρίζω, αυτή είναι η πρώτη φορά που κάτι τέτοιο γίνεται σε πραγματικές συνθήκες».

Ο Μπρίνγιολφσον, μαζί με τις ερευνήτριες του ΜΙΤ Ντανιέλ Λι και Λίντσει Ρέιμοντ, παρακολούθησαν την απόδοση περισσότερων από 5.000 υπαλλήλων στον τομέα της εξυπηρέτησης πελατών, που είχαν ως βάση τους κυρίως τις Φιλιππίνες. Οι βασικές μετρήσεις που έλαβαν υπόψιν τους ήταν το πόσο γρήγορα και αποτελεσματικά ήταν οι εργαζόμενοι σε θέση να επιλύσουν τα προβλήματα των πελατών τους. Οι συμμετέχοντες χωρίστηκαν σε ομάδες: Σε ορισμένους δόθηκε πρόσβαση στα εργαλεία τεχνητής νοημοσύνης, μέσω των οποίων εκπαιδεύτηκαν έχοντας ως οδηγό ένα μεγάλο σύνολο επιτυχημένων συνομιλιών με πελάτες, ενώ σε άλλους όχι. Το όνομα της εταιρείας, η οποία ειδικεύεται στο επιχειρηματικό λογισμικό μικρών και μεσαίων επιχειρήσεων των ΗΠΑ, δεν αποκαλύφθηκε στην έκθεση.

Τα κέρδη που αποκόμισαν οι εργαζόμενοι με χαμηλή ειδίκευση

Ένα από τα ευρήματα της μελέτης ήταν ότι οι αρχάριοι εργαζόμενοι επωφελήθηκαν περισσότερο από την τεχνολογία τεχνητής νοημοσύνης. Με τη βοήθεια της τεχνητής νοημοσύνης, οι λιγότερο ειδικευμένοι εργαζόμενοι της επιχείρησης μπόρεσαν να κάνουν τη δουλειά τους 35% ταχύτερα. Η απόδοση των νέων εργαζομένων βελτιώθηκε πολύ ταχύτερα με τη βοήθεια της ΤΝ απ’ ό,τι χωρίς αυτήν: Σύμφωνα με τη μελέτη, οι εργαζόμενοι με εμπειρία δύο μηνών που βοηθήθηκαν από την ΤΝ είχαν εξίσου καλές ή και καλύτερες επιδόσεις σε πολλούς τομείς από τους εργαζόμενους με εμπειρία άνω των έξι μηνών που εργάστηκαν χωρίς την ΤΝ.

Η έρευνα υποδηλώνει ότι η αύξηση της παραγωγικότητας και της αποτελεσματικότητας των εργαζομένων χαμηλής ειδίκευσης μπορεί να προέρχεται, εν μέρει, από τον τρόπο με τον οποίο τα εργαλεία τεχνητής νοημοσύνης μπορούν να χρησιμοποιήσουν τη γνώση που κάνει τους κορυφαίους εργαζόμενους της επιχείρησης να υπερέχουν, όπως το να γνωρίζουν την καλύτερη γλώσσα που πρέπει να χρησιμοποιήσουν για να κατευνάσουν έναν εκνευρισμένο πελάτη ή ποια τεχνική τεκμηρίωση θα ήταν πιο χρήσιμο να προσφέρουν σε κάθε περίπτωση, και στη συνέχεια να διαδώσουν αυτή τη γνώση στους λιγότερο ειδικευμένους ή έμπειρους εργαζόμενους μέσω προτεινόμενων απαντήσεων που δημιουργούνται από την τεχνητή νοημοσύνη.

Τα ευρήματα αυτά έρχονται σε αντίθεση με την επικρατούσα αντίληψη ότι η αυτοματοποίηση τείνει να πλήττει περισσότερο τους εργαζόμενους με χαμηλή ειδίκευση, όπως έχει αποδειχθεί τις τελευταίες δεκαετίες της τεχνολογικής προόδου στη μεταποίηση και σε άλλους κλάδους.

Η αύξηση της παραγωγικότητας – περίπου 14% κατά μέσο όρο – ήταν λιγότερο έντονη από ό,τι σε προηγούμενα πειράματα, πιθανότατα επειδή οι πραγματικές διαδικασίες στον εργασιακό χώρο είναι πολύ πιο πολύπλοκες απ’ ότι σε εργαστηριακές συνθήκες. Παρόλα αυτά, η αύξηση της παραγωγικότητας ήταν σημαντική. «Αυτό υποδηλώνει ότι οι προηγούμενες εργαστηριακές μελέτες έδειχναν προς τη σωστή κατεύθυνση και ότι δεν ήταν απλώς οφθαλμαπάτες», δήλωσε ο Μπρίνγιολφσον.

Ερωτήματα αποζημίωσης

Οι πιο εξειδικευμένοι εργαζόμενοι είδαν ελάχιστα έως καθόλου οφέλη από την εισαγωγή της τεχνητής νοημοσύνης στην εργασία τους. Αυτοί οι κορυφαίοι εργαζόμενοι πιθανότατα έδιναν ήδη τις απαντήσεις στο ίδιο επίπεδο που συνιστούσε η τεχνητή νοημοσύνη, οπότε υπήρχαν λιγότερα περιθώρια βελτίωσης – αν μη τι άλλο, οι υποδείξεις μπορεί να ήταν ένας αντιπερισπασμός, δήλωσαν οι ερευνητές.

Αν η τεχνητή νοημοσύνη τελικά μειώσει το χάσμα μεταξύ εργαζομένων χαμηλής και υψηλής ειδίκευσης, ωστόσο, οι εταιρείες ίσως χρειαστεί να επανεξετάσουν ριζικά τη λογική που διέπει τις αποζημιώσεις.

«Οι κορυφαίοι εργαζόμενοι στην εξυπηρέτηση πελατών είχαν υπολογιστικά φύλλα του Excel όπου συγκέντρωναν φράσεις που χρησιμοποιούσαν συχνά και που λειτουργούσαν καλά», δήλωσε η ερευνήτρια Ρέιμοντ του MIT. Αν το εργαλείο τεχνητής νοημοσύνης όντως παίρνει αυτή τη σιωπηρή γνώση και τη διανέμει σε άλλους, είπε, «τότε αυτοί οι εργαζόμενοι υψηλής ειδίκευσης κάνουν την πρόσθετη υπηρεσία για την εταιρεία παρέχοντας αυτά τα παραδείγματα για την τεχνητή νοημοσύνη, αλλά δεν αποζημιώνονται γι’ αυτό». Στην πραγματικότητα, μπορεί να είναι σε χειρότερη θέση επειδή τα κίνητρά τους βασίζονταν στην απόδοση σε σχέση με τους συναδέλφους τους, γεγονός που εισάγει μια σειρά από σοβαρά ερωτήματα πολιτικής σχετικά με το πώς οι εργαζόμενοι θα πρέπει να αποζημιώνονται για την αξία των δεδομένων τους.

Οι εταιρείες που σκέφτονται προοδευτικά, θα ήταν συνετό να αναγνωρίσουν την τεχνογνωσία των ικανών εργαζομένων τους, καθώς οι σιωπηρές γνώσεις και δεξιότητές τους πιθανότατα θα αποτελέσουν τη βάση των εργαλείων τεχνητής νοημοσύνης που θα τροφοδοτήσουν τον υπόλοιπο οργανισμό, δήλωσε ο Μπρίνγιολφσον.

«Οι επιτυχημένες εταιρείες θα έχουν συστήματα κινήτρων και ανταμοιβής που θα αναγνωρίζουν ότι αυτοί οι κορυφαίοι εργαζόμενοι – είτε η απόδοσή τους με κάθε συγκεκριμένο πελάτη είναι αποδεδειγμένα καλύτερη από τους λιγότερο ειδικευμένους εργαζόμενους είτε όχι – δημιουργούν γνώση από την οποία εξαρτάται ολόκληρος ο οργανισμός», είπε. «Δεν θα ήταν παρατραβηγμένο να πριμοδοτήσουν ακόμη περισσότερο αυτούς τους ανθρώπους, διότι τώρα αυτού του είδους οι δεξιότητες ενισχύονται και πολλαπλασιάζονται σε ολόκληρο τον οργανισμό. Τώρα αυτός ο κορυφαίος εργαζόμενος μπορεί να αλλάξει ολόκληρο τον οργανισμό».

Βέβαια, ο Μπρίνγιολφσον σημείωσε ότι η μελέτη της δημιουργικής τεχνητής νοημοσύνης είναι ακόμη σε πρώιμο στάδιο και ότι αυτή η έρευνα δεν είναι η τελευταία λέξη – απομένουν πολλά ακόμη να μάθουμε.

Επανασχεδιάζοντας τον εργασιακό χώρο

Ορισμένες από τις παρατηρήσεις που προέκυψαν από το πείραμα σε πραγματικό περιβάλλον δεν καταγράφηκαν από τα δεδομένα, αλλά δείχνουν δεκάδες άλλους τρόπους με τους οποίους αυτά τα εργαλεία μπορεί σύντομα να αναδιαμορφώσουν τους χώρους εργασίας.

«Ανεπίσημα, οι διευθυντές της εταιρείας δεν ξόδευαν πλέον 20 έως 30 ώρες την εβδομάδα για την καθοδήγηση των εργαζομένων», δήλωσε η Ρέιμοντ, πιθανότατα επειδή η τεχνητή νοημοσύνη χρησίμευε ως ένα είδος υποκατάστατου. Αυτό θα μπορούσε, με τη σειρά του, να αλλάξει τη σχέση εργαζομένων-διευθυντών, καθώς οι προϊστάμενοι θα περνούσαν τότε λιγότερο χρόνο με τους άμεσους αναφερόμενους και θα αναλάμβαναν αντί αυτού μεγαλύτερες ομάδες.

Παρόλα αυτά, η ταχύτητα με την οποία η ΤΝ φαίνεται να είναι ικανή να μεταμορφώσει τους χώρους εργασίας – φαινομενικά εν μία νυκτί – είναι ιλιγγιώδης, ιδίως σε σχέση με προηγούμενες τεχνολογικές ανακαλύψεις.

«Υπάρχει πληθώρα ερευνών που δείχνουν ότι αυτές οι μετασχηματιστικές τεχνολογίες –   όπως ο ηλεκτρισμός ή η ατμομηχανή ή οι υπολογιστές – χρειάστηκαν δεκαετίες προτού μεταφραστούν πραγματικά σε αύξηση της παραγωγικότητας. Στην περίπτωση του ηλεκτρισμού, χρειάστηκαν περίπου 30 χρόνια από τη στιγμή που εισήχθη στα εργοστάσια μέχρι τη στιγμή που πραγματικά παρατηρήθηκαν σημαντικές αυξήσεις στην παραγωγικότητα», δήλωσε ο Μπρίνγιολφσον. «Έτσι, υπάρχει μια ανησυχία, ακόμη και μια προσδοκία, ότι αυτό θα διαδραματιζόταν κατά τη διάρκεια πολλών ετών ή μιας δεκαετίας ή και περισσότερο. Αλλά το γεγονός ότι το βλέπουμε ήδη τόσο γρήγορα λέει κάτι για την τεχνολογία και την ικανότητά μας να την εφαρμόζουμε και να έχουμε πρακτικά αποτελέσματα πολύ πιο γρήγορα από ό,τι στο παρελθόν».

Υπό το πρίσμα αυτών των πρώτων αποτελεσμάτων, ο Μπρίνγιολφσον έχει συμβουλές για τους εργαζόμενους και τα στελέχη των επιχειρήσεων: «Αγκαλιάστε αυτή την τεχνολογία. Αρχίστε να πειραματίζεστε με αυτήν και μάθετε τι μπορεί να κάνει. Μάθετε πού είναι πιο αποτελεσματική και πού είναι λιγότερο αποτελεσματική», δήλωσε. «Οι εταιρείες θα πρέπει να αρχίσουν να εκπαιδεύουν το εργατικό δυναμικό τους σε αυτά τα προγράμματα και να παραμένουν σε εγρήγορση».

Πηγή: newmoney.gr