释放生产力：根据斯坦福大学和麻省理工学院的研究人员，了解人工智能如何将客户服务团队的生产力提高 14%

当生成式 AI 遇上职场会发生什么？ 在本期特辑中，我们深入研究了一项开创性的研究，因为人工智能辅助人类重新定义了生产力的界限。

生成式人工智能可能已经引起了公众的广泛关注，但截至目前，其对现实世界经济的影响在很大程度上仍未得到探索。 尽管在测试场景中出现了有希望的信号，但从商业角度来看，任何直接的好处似乎都遥不可及，直到现在。

斯坦福大学和麻省理工学院的研究人员进行了为期一年的研究，以衡量生成人工智能对一家财富 500 强软件公司的 5000 多名客户服务代理的现实影响，结果已经公布。客户服务人员的工作效率提高了 14%平均水平，在最新或表现最差的员工中跳升了惊人的 35%。

人工智能系统将 OpenAI 的 GPT 语言学习模型与机器学习算法相结合，分析了高绩效者之间的对话，并将其与低绩效者的对话进行了比较。 然后生成有关如何响应客户的实时建议，最终减少了聊天处理时间、提高了聊天解决率并提高了客户满意度。 事实上，在 AI 的帮助下，新聘用的客户服务代理可以像没有 AI 的情况下有六个月工作经验的代理一样表现出色。

在今天的节目中，我们有机会与麻省理工学院博士进行了交谈。 候选人 Lindsey Raymond，这项开创性研究背后的研究人员之一，讲述了他们的工作以及 AI 在工作场所的变革性影响。

时间紧吗？ 以下是一些要点：

• 生成式 AI 依靠丰富的数据而蓬勃发展，这使得客户支持及其丰富的文本数据成为 AI 工具开发的主要部门。
• 表现最好和表现最差的支持代理之间的生产力差距，以及对联络中心的日益依赖，是客户服务行业改进的主要驱动力。
• 低技能工人从人工智能工具中受益最多，因为它帮助他们采用了他们自己还没有想出的最佳实践。
• 人工智能带来的显着生产力提升，例如改进的问题解决能力和客户满意度，甚至可以支持每周工作四天的兴起。

如果您喜欢讨论，请查看我们播客的更多剧集。 您可以关注 Apple 播客、Spotify、YouTube 或在您选择的播放器中获取 RSS 提要。 以下是该剧集经过轻微编辑的文字记录。

在客户支持方面掀起波澜

Liam Geraghty：您好，欢迎来到 Inside Intercom。 我是利亚姆·格拉格蒂。 认为 Open AI 的 ChatGPT 几个月前才推出有点疯狂。 人工智能成为我们生活一部分的速度是任何人都无法预料的。 它已经开始改变客户服务和支持空间。

“人加机器优于机器，而机器又优于人类。 我认为这就是我在这个支持世界中看到的”

Intercom 联合创始人 Des Traynor 在我们播客的最近一集中谈到了他如何相信 CS 的未来是自动化和人类、机器人和大脑一起工作。

Des Traynor：人加机器比机器好，而机器又比人好。 我认为这就是我在这个支持世界中看到的。 我认为你会让人类最终控制人工智能工作的智能。

Liam Geraghty：许多客户支持负责人已经投身于 AI 并在它的生成水域中游来游去。 但其他人虽然很兴奋，但只是试探一下，感到有点畏缩。

好吧，对于你们中的任何一个脚趾勺，您可能有兴趣听听斯坦福大学和麻省理工学院的研究人员进行的一项新研究，所有这些都是关于工作中的生成人工智能，以及一些非常有趣的发现。 该研究由 Eric Brynjolfsson、Danielle Li 和 Lindsey Raymond 进行。

工作场所中生成人工智能的见解

林赛·雷蒙德：我是林赛·雷蒙德。 我是麻省理工学院的研究生。

Liam Geraghty： Lindsey 和她的同事研究了生成式 AI 工具对一家财富 500 强公司生产力的影响。 这是第一次在实验室环境之外测量这些工具对工作的影响。

Lindsey Raymond：生成式 AI 本身的想法很新。 就人们所研究的内容而言，已经有一些关于这些工具如何在律师考试等方面发挥作用的工作。

Liam Geraghty： AI 击败了律师考试。

Lindsey Raymond：或者编码考试，非常基于实验室的能力考试。 我们是第一个说明当您研究这些工具在真实工作场所和长期过程中可以做什么时会发生什么的，因为我们的研究是在一年中进行的。

Liam Geraghty：那么这项研究到底是关于什么的？

Lindsey Raymond：我们研究了一种基于 AI 的生成工具，该工具旨在帮助技术支持人员解决人们的技术支持问题。

Liam Geraghty：听起来很熟悉！

Lindey Raymond：告诉他们该说什么，如何解决特定的技术支持问题，以及如何与客户沟通的指导。

“生成式人工智能需要大量数据才能真正发挥作用。 如果你看一个相对于其他地方渗透率高的经济部门，客户支持就是那个领域”

我们进行了差异分析——随着时间的推移，这个工具在人们中的推广非常缓慢，这样我们就可以尝试了解该工具的因果效应。 我们正在寻找为一家财富 500 强公司提供技术支持的员工，该公司主要为美国的小型企业提供小型企业和会计软件。

Liam Geraghty：他们研究了很多不同的结果，比如人们解决电话的速度有多快、他们能够解决多少问题、客户满意度，以及一些更像是组织变革的事情。

Lindsey Raymond：这对员工流动率有何影响？ 这对他们彼此或与经理交谈的频率有何影响？

Liam Geraghty：你可能想知道为什么在生成人工智能的所有潜在领域中，Lindsey 和她的同事选择了客户支持作为重点。

“表现最好的客户服务代理和表现最差的客户服务代理之间存在相当大的生产力差异”

Lindsey Raymond：生成式 AI 需要大量数据才能真正发挥作用。 如果你看一个经济部门，那里的渗透率相对于其他任何地方都很高，那么客户支持就是那个领域。 这些工具的实际推出和开发活动数量惊人。 那是因为该区域中的数据非常多，尤其是文本数据。

其中很多只是自动与结果相关联——该员工解决该问题的速度有多快？ 而且还有很大的改进空间。 众所周知，表现最好的客户服务代理和表现最差的客户服务代理之间存在巨大的生产力差异。 在过去的几年里，这也是一个巨大的转变，通过联络中心做更多的事情。 因此，这是一个大企业需要在这方面做得更好的领域。

从零到英雄

Liam Geraghty：因此，在一年的时间里，他们使用来自 5,179 名客户支持代理的数据研究了所有这些。 他们的发现很有趣。

Lindsey Raymond：标题数字是，平均而言，使用 AI 将生产力提高了 14%，但这隐藏了很多异质性。 对于经验最少和技能最低的工人，它实际上提高了 35%。 最有经验和生产力的工人几乎看不到任何效果。

Liam Geraghty：因此，收益不成比例地累积给了经验不足和技能较低的工人。 为什么会这样？

Lindsey Raymond：我认为这可能是这项研究中最有趣的部分。 任何基于机器学习的工具都使用训练数据集并在数据中寻找模式。 所以你，作为一个程序员，不要说，“好吧，我知道这句话很管用，所以这样做，我知道这是这个问题的通用解决方案，这是那个问题的通用解决方案，”并且你把这些信息放在你的程序中。 ML 不是这样工作的。

“真正从这些建议中受益的是新员工或生产力排名垫底的员工，因为这些是他们还没有弄清楚如何去做的事情”

具体来说，在我们的设置中，该工具会查看高绩效者的对话，并将其与低绩效者的对话进行比较。 它寻找高绩效者和低绩效者所做的与成功结果相关的差异。 他们问候顾客的方式是什么？ 他们提出的解决方案是什么？ 他们如何开始提出诊断性问题？ 然后，它将所有这些东西转化为它为每个人生成的建议。 高技能工人正在为 AI 提供内容——这些大部分是他们已经在做的事情，因为 AI 一直在从那里学习。 当你有一个工具建议你做你已经在做的事情时，你可能不会因为使用该工具而看到巨大的生产力影响。 真正从这些建议中受益的是新员工或生产力排名垫底的员工，因为这些是他们还没有弄清楚如何去做的事情。 是低技能工人发生了很大变化，开始更接近于像高技能工人一样进行交流。

我们认为正在发生的是 AI 支持的最佳实践的传播。 这就是为什么我们看到低技能和缺乏经验的工人的生产率真正大幅提高，而高技能工人却没有那么多。 我们认为，这只是机器学习工作方式的一个功能。

“在任何一项研究中，如果你看到生产力提高了 35%，这都非常令人震惊。 你可以想象在这些影响下每周工作四天”

Liam Geraghty：你对结果感到惊讶吗？

林赛雷蒙德：这是一个很好的问题。 在您看到 35% 的生产力提高的任何研究中，这都非常令人震惊。 你可以想象在这些影响下每周工作四天。 我认为这非常令人惊讶。 事实上，我们不仅在工作人员处理电话的速度上看到了效果，而且还提高了他们解决的问题的份额，这更多是基于知识的结果，使他们能够解决他们没有解决的问题之前能够解决。 然后，我们看到客户满意度有了相当大的提高。 我认为，这些都令人惊讶。

Liam Geraghty：你认为 AI 能够介入并进行这些类型的研究吗？

Lindsey Raymond：可能是的。 我敢肯定，有生成式 AI 可以写出比我写得更好的经济论文。

Liam Geraghty： Lindsey，非常感谢你今天接受我的采访。

林赛雷蒙德：是的，当然。 很高兴。