Mit mért a Generative AI at Work
Erik Brynjolfsson, Danielle Li és Lindsey Raymond kutatása az első nagy terepkísérletek egyike volt a generatív AI munkahelyi hatásáról. Több ezer ügyfélszolgálati munkatárs munkáját vizsgálták, akik egy nyelvi modellre épülő asszisztenst kaptak a napi munkájukhoz. Az eredmény átlagosan nagyjából 14 százalékos termelékenységnövekedés volt az óránként lezárt ügyek számában mérve. Az igazán tanulságos rész viszont az eloszlás. A nyereség a kezdő és kevésbé tapasztalt munkatársaknál volt messze a legnagyobb, a legtapasztaltabbaknál pedig alig volt mérhető.
A magyarázat az, hogy az AI a szervezet legjobbjainak tudásmintáit tanulta meg, és ezt adta oda mindenkinek. A kezdő így a tapasztaltak fogásait kapta készen, a tapasztalt viszont kevés újat kapott a saját tudásához képest. Az AI ebben a kísérletben nem a csúcsot emelte, hanem az alapszintet, és ezzel összenyomta a teljesítménykülönbségeket.
Mit jelent ez a te szervezetedben
Az eredménynek három közvetlen következménye van. Először, a legnagyobb és leggyorsabban learatható érték ott van, ahol sok az új vagy betanulás alatt álló munkatárs, magas a fluktuáció, vagy hosszú a betanulási idő. Másodszor, a legjobb embereid tudása hirtelen sokszorozható vagyontárgy lett, ezért érdemes tudatosan beépíteni a rendszereidbe, a példatárakba és a leírásokba. Harmadszor, a tapasztalt kollégáknál az érvelés nem az lesz, hogy gyorsabban dolgoznak majd, hanem az, hogy a rutinrész eltűnik, és az ítélőképességet igénylő munkára jut több idő.
Tíz, húsz, hetven. A Boston Consulting Group elve szerint az AI értékteremtés tíz százaléka az algoritmus, húsz százaléka a technológia és az adat, hetven százaléka pedig az ember és a folyamat. A befektetéseid arányának nagyjából ezt kellene tükröznie. A legtöbb cégnél pont fordított az arány.
Feladat vagy folyamat
A termelékenységi adatokból könnyű rossz következtetést levonni. Ha az AI a feladatok egy részét gyorsítja, a kísértés az, hogy feladatonként vezessük be, ki-ki a maga asztalán. Ez ad egy gyors, de alacsony plafonú nyereséget. A nagyobb érték abból jön, amit az előző leckékben láttunk a villamosítás és a J görbe kapcsán, vagyis a folyamat újratervezéséből. Nem az a kérdés, hogy a jelenlegi nyolc lépés közül melyiket gyorsítja a gép, hanem az, hogy a nyolc lépésből mennyi kell egyáltalán, ha a munka egy részét ágensek viszik.
A gyakorlatban a kettőt egymás után érdemes csinálni. Először feladatszintű gyorsítás, mert az ad gyors győzelmet és tanulást. Utána folyamatszintű újratervezés ott, ahol a feladatszintű eredmények már megmutatták, hol a legnagyobb a potenciál.
Források és további olvasnivaló
Erik Brynjolfsson, Danielle Li és Lindsey Raymond, Generative AI at Work, NBER Working Paper 31161, később a Quarterly Journal of Economics hasábjain. Boston Consulting Group, a 10-20-70 elv. A megtérülés méréséről az AI ügynök megtérülési ideje cikkemben és az AI megtérülés kurzusban írtam.
Workshop
AI Transformation Day
Egésznapos, vezetőknek szóló program. Feltérképezzük, hol tart a szervezet, mi az első reális lépés, és milyen belső feltételek szükségesek a sikerhez. A nap végén konkrét, priorizált cselekvési lista.
Érdekel a program →