Kako lahko GenAI podpre delavce?

Ljubljana, 19. november 2024 — Uporaba generativne umetne inteligence (GenAI) na delovnem mestu bistveno spreminja način, kako delavci pristopajo k opravljanju delovnih nalog. Nova raziskava, ki jo je izvedel inštitut BCG Henderson v sodelovanju z bostonsko univerzo in ekipo OpenAI Economic Impacts izpostavlja, da delavci s pomočjo orodij GenAI uspešno opravljajo naloge, ki presegajo njihove obstoječe veščine in zmožnost, kar spodbuja preobrazbo delovne sile in omogoča zaposlenim, da prevzemajo bolj zahtevne in kompleksne naloge.

Kako lahko GenAI podpre delavce?
V eksperimentu je 480 BCG svetovalcev opravilo dve od treh krajših nalog, ki so posnemale vsakodnevne aktivnosti podatkovnega znanstvenika: pisanje kode v Pythonu za združevanje in čiščenje podatkovnih nizov, izdelavo napovednega modela in preverjanje statističnih analiz, ki jih je ustvaril ChatGPT. Te naloge so bile zasnovane tako, da so predstavljale velik izziv za vsakega svetovalca in jih GenAI orodje (Enterprise ChatGPT z GPT-4 in naprednimi funkcijami analize podatkov) ni mogel v celoti avtomatizirati. Za oceno uspešnosti udeležencev so njihove rezultate primerjali z rezultati 44 podatkovnih znanstvenikov pri BCG, ki so delali brez pomoči GenAI.

Najbolj opazni rezultati so bili doseženi pri nalogi, ki je vključevala čiščenje podatkov preko Python kode, pri čemer so udeleženci, ki so uporabljali GenAI, dosegli 86-% uspešnost v primerjavi s standardom podatkovnih znanstvenikov, kar pomeni kar 49-odstotno izboljšanje v primerjavi s podatkovni znanstveniki, ki niso uporabljali umetne inteligence. Poleg tega so udeleženci eksperimenta naloge s pomočjo GenAI opravili približno 10 % hitreje. Pomembno je poudariti, da so udeleženci že bili seznanjeni z osnovami čiščenja podatkov. Čeprav niso imeli izkušenj s programiranjem v Pythonu, so uspeli prepoznati pravilne rezultate, kar izpostavlja ključno vlogo zadostnega znanja pri nadzoru nad izidi, ki jih ustvari GenAI, saj morajo zaposleni prepoznati morebitne napake in zagotoviti točnost rezultatov.

GenAI kot podporni partner pri analitičnih nalogah
Čeprav se je GenAI izkazal kot zelo učinkovit pri programiranju, je raziskava poudarila tudi njegovo vrednost pri bolj kompleksnih in nejasnih nalogah – na primer pri razvoju napovednega modela na podlagi zgodovinskih podatkov o mednarodnih nogometnih tekmah za oblikovanje investicijske strategije. Za razliko od drugih nalog, kjer je GenAI lahko neposredno pomagal, je napovedna analitika zahtevala globlje sodelovanje udeležencev. GenAI sam naloge ni mogel rešiti, saj bi brez natančne razdelitve naloge na manjše korake in jasnih ciljev tvegal napačno interpretacijo končnega rezultata.

Udeleženci so združili svoje znanje z vpogledi, ki jih je omogočila umetna inteligenca, kar jim je omogočilo raziskovanje novih modelirnih tehnik in prepoznavanje pravih korakov za uspešno reševanje izzivov. Tisti, ki so uporabljali GenAI, so imeli za 13 odstotnih točk večjo verjetnost, da bodo pravilno izbrali in uporabili metode strojnega učenja v primerjavi s tistimi, ki niso imeli podpore umetne inteligence. To poudarja potencial te tehnologije, da zaposlenim pomaga pri soočanju z neznanimi nalogami in deluje kot zanesljiv partner pri reševanju problemov, tudi kadar naloge presegajo trenutne zmogljivosti umetne inteligence.

Uporaba GenAI ne pomeni nujno učenja novih veščin
Ugotovitve raziskave kažejo, da ima GenAI velik potencial za širitev nabora talentov, saj posameznikom omogoča izvajanje nalog, ki so običajno rezervirane za strokovnjake. Kljub temu pa to ne pomeni, da so delavci s tem samodejno "prekvalificirani." Čeprav so udeleženci eksperimenta uspešno izvedli dodeljene naloge s pomočjo GenAI, to ni nujno vodilo do pridobivanja novih znanj ali veščin, saj umetna inteligenca deluje kot podpora, ne pa kot orodje za neposredno učenje.

Čeprav sta bili vsakemu udeležencu v eksperimentu dodeljeni le dve od treh nalog, so vsi prejeli končno oceno, ki je vključevala vprašanja o vseh treh nalogah, da bi preverili, koliko so se dejansko naučili. Vsi so morali odgovoriti na vprašanje o sintaksi programiranja, čeprav nekateri udeleženci niso izvajali naloge programiranja. Presenetljivo so tisti, ki so opravili programersko nalogo, dosegli enake rezultate kot tisti, ki je niso, kar kaže, da izvajanje nalog s področja podatkovne znanosti ni prispevalo k povečanju njihovega znanja. Pomembno je poudariti, da udeleženci niso bili obveščeni, da bodo ocenjeni, zato je verjetno, da bi se njihovo znanje ob ponavljanju nalog in z namenom učenja povečalo.

Poleg tega so udeleženci, ki so uporabljali GenAI in imeli srednjo raven izkušenj s programiranjem, dosegli 10 do 20 odstotnih točk boljše rezultate pri vseh treh nalogah v primerjavi s tistimi, ki so se opredelili kot začetniki – tudi v primerih, ko naloge niso zahtevale programiranja. Udeleženci s srednje razvitimi programerskimi veščinami so pri dveh od treh nalog dosegli rezultate, primerljive s podatkovnimi znanstveniki, pri čemer ena izmed teh nalog sploh ni vključevala programiranja.

„GenAI ponuja izjemne priložnosti za povečanje produktivnosti in doseganje boljših rezultatov, vendar je ključno, da se zavedamo tveganj pretiranega zanašanja nanj,“ opozarja Melanie Seier Larsen, izvršna direktorica in partnerica pri BCG. „Na umetno inteligenco je treba gledati kot na močno orodje, ki dopolnjuje človeško strokovno znanje, ne pa kot nadomestek za kritično razmišljanje. Ob uvajanju teh tehnologij moramo še naprej krepiti lastno znanje in hkrati združevati prednosti umetne inteligence s človeško presojo. Vodje morajo poskrbeti, da njihove ekipe ostanejo pozorne, po potrebi kritično presojajo rezultate umetne inteligence ter se nenehno izobražujejo, da sledijo novim izzivom in zahtevam“, je dodala Seier Larsen.