生成式人工智能也许能够通过律师考试或帮助首席执行官撰写演讲稿。但这些结果是在受控环境下产生的，而且风险相对较小。
在现实世界中，企业面临着技术创新的古老问题：生成式人工智能将如何影响工人，特别是那些经验有限的工人？
根据麻省理工学院斯隆管理学院副教授的 一篇新论文麻省理工学院斯隆管理学院博士候选人Lindsey Raymond和斯坦福大学教授Erik Brynjolfsson（91 届博士）认为，缺乏经验的工人实际上可以从生成式 AI 中受益最多。
合著者发现，使用对话助理的联络中心座席的生产力提高了 14%，其中新员工或低技能员工的收益最大。换句话说，由于技术的进步，工人的技能得到了提高，而不是被取代。
“生成式人工智能似乎能够减少生产力的不平等，显着帮助低技能工人，但对高技能工人影响不大，”李说。“如果没有人工智能工具，经验不足的工人会慢慢地把工作做得更好。现在他们可以更快地好起来。”
另一种颠覆
生成式人工智能是颠覆工作场所的一系列技术中的最新技术。几十年来，能够完成数据输入、簿记和基本装配线任务的计算机一直在取代或增强工人。最近，计算机化简化了研究和分析，帮助工人在更短的时间内完成更多工作。
李说，这些技术中的许多技术都需要明确的指令才能发挥作用：如果你提供正确的输入，计算机就会给你正确的输出。不过，生成式人工智能的子集（称为大语言模型）有所不同，因为它可以推断输入和输出之间的关系。（“语言”有点用词不当，因为模型还可以分析音频和视频文件、计算机代码、蛋白质序列和许多其他数据源。）
“如果你给一个大语言模型足够多的你母亲的照片和不是你母亲的女性的照片，它就能判断出一张照片是否是你的母亲，”李说。“能够做到这一点的技术会产生什么影响？”
联络中心的改进空间
为了研究大型语言模型的影响，研究人员考察了一家向美国小型企业销售软件的财富 500 强公司的客户联络中心，其中 83% 的代理位于美国境外
使用人工智能助手的联络中心座席的工作效率提高了 14%，其中低技能员工的提高幅度最大。
研究人员写道，平均联络中心还有很大的改进空间。主管每周最多可以花费 20 个小时来培训表现不佳的员工。改进来自于经验，这通常意味着与压力重重的客户打交道。这可能会导致员工倦怠和极高的流动率；每年，多达 60% 的联络中心员工离职，公司花费高达 20,000 美元来替换每位员工。
“高技能工人善于解读顾客的挫败感——这可能需要被骂六个月，”李说。
大量数据是联络中心成为生成式人工智能良好试验场的另一个原因。拨打过帮助热线的人都知道，出于质量保证的目的，客服人员和客户之间的对话通常会被记录。
这使得生成式人工智能模型能够访问大型训练数据集，这些数据集可用于向代理提供对常见客户问题的建议回答或相关产品文档的链接。
李和她的合著者强调，生成式人工智能模型旨在增强而不是彻底取代联络中心员工。该模型仅在对其答案“足够有信心”时才提供建议，这减少了错误答案的数量。此外，工人不需要使用这些建议。Li 表示，他们的关注率为 38%，这与生成式 AI 工具的行业平均水平一致。
提高效率和客户情绪
研究人员发现，使用生成式人工智能模型的工作人员每小时解决的客户聊天数量增加了 13.8%。在两个月内，他们每小时解决 2.5 次聊天，而未使用该模型的同事每小时解决 1.7 次聊天，他们需要八个月才能达到更高的阈值。此外，使用 AI 模型的员工每次聊天平均花费 35 分钟，而缺乏模型的同事每次聊天的时间为 40 分钟。（这些数字也说明了这样一个事实：工作人员经常同时管理多个聊天。）
如前所述，经验最少的员工的生产力提升最高，使用生成模型时，他们每小时解决的聊天问题增加了 35%。对于拥有最多技能和经验的工人来说，生产率基本上持平。
使用生成式人工智能模型还可以改善客户情绪。与经理交谈的请求下降了 25%，并且转移到其他部门往往发生在对话的早期，这表明人工智能模型能够帮助员工更好地将客户的问题与正确的业务部门匹配以找到解决方案。
“对低技能工人的巨大影响告诉我们很多关于我们如何改变工人言论的信息，”李说。“这不仅仅是他们始终遵循的建议。这不仅仅是自动完成。似乎模型正在改变[他们的反应方式]，让客户认为情况已经解决了。”
重要的发现，不确定的影响
该论文的研究结果表明，在联络中心环境中使用生成式人工智能具有明显的好处。李说，他们还提出了很多问题。
相关文章
首先，尚不清楚谁会从生产率的提高中受益。联络中心座席的绩效提高后，他们会获得更多报酬，还是人工智能模型的开发人员会获得奖金？如果员工每小时可以解决更多的聊天，公司会雇用更少的客服人员吗？当客户开始意识到体验比以前更好时，联络中心的业务量是否会增加？
还值得探讨的是，工作人员是根据人工智能模型的建议进行学习，还是只是简单地遵循指示。他们是否正在成为李所描述的“小企业主耳语者”，学习如何诊断客户的具体问题？或者他们更像是从 GitHub 复制代码片段的程序员，或者使用位智更快到达目的地的司机——使用提供的建议来增强他们的工作，而不考虑如何解决更大的问题。
“如果您只是输入建议，那么您可能不一定在学习。你的生产力更高了，但你的生产力的源泉在于技术，”李说。
另一方面，如果公司花时间教员工如何利用技术来增强他们的工作能力，“员工就会开始学得更快，”李说。“更快的学习速度将会带来很大的改变。”
（谷歌翻译：Workers with less experience gain the most from generative AI）
