职场智能化：如何引领组织应对生成式AI的挑战？ 

本文最初发表于世界经济论坛议程博客

自去年11月OpenAI发布GPT-3大型语言模型以及之后的GPT-4以来，人们对于生成式人工智能（generative AI）的快速进步对未来工作带来的影响感到十分不安。

然而，生成式人工智能的影响并不限于GPT对文本生成的影响以及对记者和作家工作的潜在影响；它还包括诸如DALL-E-2（由OpenAI开发的一款人工智能图像生成器）对图像生成的影响，CODEX（由OpenAI开发的自然语言处理模型）对代码的影响，MegaMoIBART（一款理解化学语言，可以用于生成新的分子或预测现有分子性质的语言模型）对药物研发的影响等。

生成式人工智能的能力基于三个主要元素：

• 海量内存和模式识别，能够连接不同概念或想法并进行推断
• 低/无代码要求，显著降低了对编码技能的要求
• 由于生成式人工智能基于大量的训练数据做出预测导致的逻辑缺失对其应用程序的运转产生重要大影响

美世一项近期调研显示，57%的首席执行官和首席财务官打算增加人工智能和自动化的使用；近1/3的首席执行官和首席财务官正通过重新设计工作来降低企业对员工的依赖。

美世《2022年全球人才趋势研究》显示，过去两年，认为自动化将显著改变其工作方式的员工占比已从44%飙升至71%。然而，不同于之前的自动化迭代主要影响重复性的、按部就班的工作，生成式人工智能也会影响小体量的、可变性高的工作，从而实现“创造力的大众化”，彻底颠覆许多行业的工作，例如作家、研究员、律师等。

例如，生成式人工智能可在几秒内以惊人的准确性总结一份法律文件，而律师助理可能需要几个小时才能完成此任务。

然而，生成式人工智能的真正优势在于提升——而非取代——员工的工作。

在《重塑工作岗位：将自动化应用于工作的四步法》（哈弗商业评论出版社，2018年）一书中, Jesuthasan和Boudreau论证了以工作为导向的企业比以技术为导向的企业更能够确保人力与自动化的最优结合方式。这些企业能够识别自动化在哪些领域能够恰到好处地取代高度重复、按部就班的工作；在哪些领域能够提高人类的创造性、批判性思维及同理心；在哪些领域能够创造新的人力工作。

实现人力工作和自动化最优结合的框架

任何工作主体都可能面临四种不同的结果：

• 消除错误（例如航司飞行员的一些工作），错误带来的后果十分严重，且任何可接受绩效水平的偏差都很可能给组织带来负价值'
• 最小化差异性（例如交易处理工作），当超出目标水平时，提高绩效毫无价值
• 提高生产力（例如销售人员的工作），提高绩效能相应提高组织的价值
• 实现突破：（例如数据科学等高度创造性工作），绩效的微小提升会对价值产生指数级的影响

诸如机器人流程自动化（RPA）等已投入使用的自动化能够帮助替代人力工作的付出，从而降低差异性，提升风险承受力。例如，可通过RPA降低高度重复、按部就班的财务数据分析整合工作的差异性。

人工智能长期以来一直用于提升以提高生产力或实现突破为目标的分析类工作。例如，肿瘤学家通过哪些方式利用经过大量特定数据和图片训练的机器学习，成倍提高癌症检测的准确性——人工智能并非取代技能，而是提升能力，并提高经验和专业技能的价值。然而，就消除错误而言，我们经常看到，自动化最初通过提升来减少人为错误的潜在可能性，然后通过开发特定的数据集、逻辑和新的保障措施来进行替代。

然而，生成式人工智能还处于初级阶段；由于缺乏底层逻辑，可能容易出错。当风险很高但我们的风险承受能力很低时，我们对人为错误的承受能力要高于对机器错误的承受能力，导致该问题的复杂性增大。企业领导必须明白，技术发展的哪些阶段可利用这些技术，哪些阶段不能使用这些技术，以及这些技术在人力工作中的具体作用（替代、提升或创造）。生成式人工智能的最大效用在于通过提升实现知识和创造力的大众化、降低以提高生产率为目标的各种任务通常所需技能的溢价，以及在风险承受能力较强的领域寻求突破。

了解人工智能的应用对企业人才模型的影响同样重要。由于许多职业都建立在学徒制模式上；如果人工智能淘汰下一代的创造者、领导者和管理者，您该如何抵制利用此类人工智能取代初级人才工作的诱惑？