.jpg)
その結果、同社は、退職した従業員の代わりに採用された新しい従業員のトレーニングに多くの時間を費やしました。 必要なスキルの多くは、研究者が「暗黙知」と呼んだものでした。これは、簡単に体系化することはできませんが、大規模な言語モデルがチャット ログから吸収して模倣できる経験に基づくノウハウです。 同社のボットは、技術面と社会面の両方のスキルを支援し、エージェントに関連する技術文書を紹介し、「この問題をできるだけ早く解決できるようにお手伝いします!
ボットが支援を開始した後、チームが 1 時間あたりに解決した問題の数は 14% 急増しました。 さらに、労働者が特定の月に辞める確率は 9% 低下し、従業員に対する顧客の態度も改善されました。 同社はまた、マネージャーと話をしたいという顧客が 25% 減少したことも確認しました。
しかし、研究者が結果をスキルレベル別に分類したところ、チャットボットのメリットのほとんどは、最もスキルの低い労働者にもたらされ、生産性が 35% 向上したことがわかりました。 最もスキルの高い従業員の利益は見られず、顧客満足度スコアがわずかに低下することさえありました。これは、ボットが気を散らしていた可能性があることを示唆しています。
一方、高度なスキルを必要とする作業の価値は、AI アシスタントがスキルの低い従業員に同じ技術を使用するように誘導したため、何倍にもなりました。
雇用主が自発的にその価値に報いることを疑う理由があります。 シラキュース大学の歴史学者であり、本の著者であるアーロン・ベナナフ 自動化と仕事の未来、テーラーリズムとは、19世紀後半にフレデリック・テイラーという名の機械技術者によって開発され、後にヘンリー・フォードの自動車工場で採用された生産性システムです。
ストップウォッチを使用して、テイラーは物理プロセスを構成要素に分解し、それらを完了するための最も効率的な方法を決定しました。 彼は業界で最も熟練した労働者に特別な注意を払った、と Benanav は言う。 今では、気難しいエンジニアがストップウォッチを持ち歩く代わりに、機械学習ツールが従業員のベスト プラクティスを収集して広めることができます。
テイラーの時代の一部の従業員にとって、それはそれほどうまくいきませんでした. 彼の方法は、スキルの高い労働者の収入の減少と関連するようになった.なぜなら、企業はスキルの低い従業員に同じ種類の仕事をさせるためにお金を払うことができるからだとベナナフは言う. 一部のハイパフォーマーが依然として必要であったとしても、企業は必要とするそれらの数が少なくなり、それらの間の競争が激化した.
「1930 年代に、これらすべての未熟練労働者または中程度の熟練労働者の間で組合結成のきっかけとなったのは、それがかなり大きな役割を果たしたという説明もあります」と Benanav 氏は言います。 ただし、罰則の少ないスキームがいくつか登場しました。 テイラーの支持者の 1 人である機械エンジニアのヘンリー ガントは、そうです。 チャートガイ—すべての労働者に最低賃金を支払い、追加の目標を達成した労働者にはボーナスを提供するシステムを作成しました.
たとえ雇用主がハイパフォーマーにAIシステムを教えることに対して割増金を支払うインセンティブを感じていたとしても、あるいは従業員がそれを勝ち取ったとしても、戦利品を公平に分割するのは難しいかもしれません. たとえば、データは複数の職場からプールされ、モデルを構築して個々の企業に販売する AI 企業に送信される可能性があります。