2024年12月21日至22日，首届ADEFT-XueShuo冬季学术研讨会“社科人工智能与人工智能经济学”在线上成功举办。
此次会议由清华大学孵化的学说平台主办，康奈尔大学商学院金融科技中心和斯坦福金融科技高阶实验室等全球多个研究机构和研究中心提供学术支持。
研讨会联席组委由康奈尔大学约翰逊商学院Rudd家族管理学讲席教授、金融学教授及《Management Science》金融主编叢林（丛林），与斯坦福大学管理科学与工程系终身教授Markus Pelger组成。
来自麻省理工学院的Danielle Li教授进行了关于“生成式AI如何改变工作：大规模实证研究的启示”的精彩分享。
Danielle Li
麻省理工学院斯隆管理学院
麻省理工学院斯隆管理学院教授，David Sarnoff技术管理教授, 美国国家经济研究局教授研究员。论文发表在《Quarterly Journal of Economics》、《Science》和《Management Science》等多个领域的顶级学术期刊。此外，她的研究经常被《经济学人》、《纽约时报》和《华尔街日报》等媒体报道。
研究领域：创新经济学和劳动经济学，重点关注组织如何评估想法、项目和人员。最近研究了生成式人工智能如何影响创新和工作。
生成式AI如何改变工作：
大规模实证研究的启示
在2024“社科人工智能与人工智能经济学”冬季学术研讨会上，Danielle Li教授介绍了其与斯坦福大学Erik Brynjolfsson和MIT Lindsey Raymond合作的关于生成式AI在工作场所应用的开创性研究。该研究通过分析一家财富500强软件公司的客服部门数据，首次系统地展示了生成式AI如何重塑工作模式和技能差距。
Li教授首先指出，机器学习技术与传统计算机技术有着根本区别。传统计算机需要明确的指令才能运行，这限制了其在需要判断力、灵活性和常识的任务中的应用。相比之下，机器学习通过示例来学习，能够克服波兰尼悖论（“我们知道的比我们能说出来的更多”）。这一特性使其能够通过学习优秀员工的行为模式来掌握那些难以明确表述的隐性技能。
研究团队选择分析了约300万次客服对话和3000名客服人员在2020年1月至2021年6月期间的数据。所研究的AI系统基于GPT-3构建，并经过专门的客服领域数据微调。客服行业之所以成为理想的研究对象，是因为每次对话都自然产生了标记数据，包括对话内容、处理时间、解决率和客户满意度等，这为AI训练和效果评估提供了理想的基础。
研究发现，AI辅助工具平均提升了14%的问题解决效率，不仅缩短了单次对话时间，还提高了每小时可处理的对话数量。更值得注意的是，这种提升呈现出显著的异质性：对新手和低技能员工的帮助最大，带来了高达30%的效率提升。数据显示，使用AI辅助的新员工仅需两个月就能达到传统模式下需要10个月才能达到的效率水平。这一发现挑战了传统技术偏向高技能劳动力的观点。
研究还发现AI工具在不同类型问题上的效果存在差异。对于最常见的问题（如账户访问和工资税收，约占总量50%），AI带来的收益相对较小，因为员工已经较为熟练。对于最罕见的问题，由于AI训练数据不足，效果也不够理想。AI工具在处理中等罕见程度的问题时发挥了最大价值，因为这类问题既有足够的训练数据支持AI做出合理建议，又不至于太常见导致员工已经非常熟练。
通过分析系统偶尔发生的停机期间的表现，研究团队发现经常采纳AI建议的员工即便在没有AI辅助时也表现更好，这说明员工确实在学习而非简单依赖AI。文本分析进一步证实，随着时间推移，低技能员工的沟通方式逐渐向高技能员工靠拢。这种效果在工作体验上也得到了印证：客户谩骂和要求转接主管的情况显著减少，员工离职率也随之下降，这些改善在新手员工群体中尤为明显。
Li教授指出，这项研究揭示了生成式AI的独特价值：它能够通过学习和传播高技能员工的最佳实践，帮助缩小技能差距。然而，这也带来了新的问题：尽管高技能员工的经验被用于训练AI并使整个组织受益，但他们本人并未从中获得直接的经济回报。这提出了如何在AI时代合理分配技能溢出效应收益的问题。此外，随着AI技术的持续进步，客服工作的未来也面临着两种可能的发展方向：要么被完全自动化取代，要么因服务质量的提升而催生更多的需求和新的工作岗位。这些问题都值得进一步研究和探讨。
疯狂暗示↓↓↓↓↓↓↓↓↓↓↓
