Evaluación del impacto de la modelización de grandes lenguajes (LLM) en los trabajadores del conocimiento

Original: https://www.hbs.edu/ris/PublicationFiles/24-013_d9b45b68-9e74-42d6-a1c6-c72fb70c7282.pdf

El objetivo de este trabajo es explorar el impacto de la inteligencia artificial en la productividad y la calidad de los trabajadores del conocimiento, extrayendo conclusiones de experimentos de campo. El equipo de investigación incluye expertos de la Harvard Business School, la Wharton School de la Universidad de Pensilvania, la Sloan School of Management del MIT y otras instituciones. Los resultados del estudio ayudarán a comprender la aplicación de la IA en escenarios laborales.

El lanzamiento del Large Language Model (LLM) ha llamado la atención sobre el impacto de la inteligencia artificial en la productividad y la calidad de los trabajadores del conocimiento.El LLM tiene un impacto significativo en el rendimiento de los trabajadores del conocimiento, especialmente en tareas de innovación, análisis y escritura. Los experimentos controlados aleatorizados preinscritos permiten evaluar el impacto del LLM en profesionales con un alto capital humano.El LLM mejora significativamente la productividad y la calidad en toda una serie de competencias.

El LLM reduce el índice de corrección fuera de las capacidades del LLM. Los usuarios adoptaron dos modos diferentes de uso del LLM, "Centauro" y "Cyborg", y el LLM creó un "límite técnico irregular" con diferentes impactos en el trabajo dependiendo de la tarea. El LLM crea una "frontera técnica irregular" con diferentes impactos en el trabajo dependiendo de la tarea.

Los usuarios tendrán que juzgar si las tareas están dentro de las capacidades de los LLM y cómo colaborar eficazmente con ellos. Las organizaciones tienen que replantearse la colaboración entre humanos y ordenadores, los nuevos roles, las partes interesadas, etc., para aprovechar todo el potencial de los LLM, que tendrán un profundo impacto en el trabajo del conocimiento, y los usuarios y las organizaciones tendrán que adaptarse a este impacto. Adoptar el modelo del "centauro", es decir, dividir el trabajo entre LLM y humanos en función de sus respectivos puntos fuertes, es el uso más eficaz de la IA que se ha demostrado en los experimentos actuales dentro y fuera de las capacidades de los LLM.

Impacto de la IA en el rendimiento de tareas realistas, complejas y que requieren muchos conocimientos

Las capacidades de la Inteligencia Artificial (IA) han creado una "frontera tecnológica robusta" en la que algunas tareas pueden ser realizadas fácilmente por la IA, mientras que otras están más allá de las capacidades de la IA actual. En las tareas situadas dentro de la frontera de la capacidad de la IA, los asesores que la utilizan son mucho más productivos, mientras que en las tareas situadas fuera de ella, los resultados de la IA son imprecisos, menos útiles y reducen el rendimiento humano. Es difícil para los profesionales saber exactamente cuáles pueden ser los límites de esta frontera en un momento dado. Los profesionales expertos en navegar por esta frontera obtienen importantes beneficios de productividad cuando trabajan con IA. La utilidad de la IA puede fluctuar a lo largo del flujo de trabajo de un profesional, con algunas tareas situadas dentro de la frontera y otras fuera de ella. En el caso de las tareas situadas dentro de la frontera, la IA mejora significativamente el rendimiento y la calidad de cada especificación del modelo. La IA parece equilibrar las diferencias de rendimiento entre los distintos niveles de capacidad y mejorar la calidad de las tareas situadas en la frontera. El hecho de que el uso de la IA pueda provocar una reducción de la diversidad de ideas puede suponer un reto para las organizaciones. La IA parece prometer un impacto significativo en las capacidades cognitivas y de resolución de problemas del ser humano. El potencial transformador de la IA y ofrece ideas sobre cómo aprovechar sus capacidades para lograr resultados óptimos. Optimismo sobre las capacidades de la IA en tareas de conocimiento de alto nivel, como la generación rápida de ideas, la redacción, la persuasión, el análisis estratégico y la innovación creativa de productos. Las fronteras de la IA siguen siendo un reto y es necesario recalibrar la comprensión de las mismas. La IA puede desempeñar un papel similar en la reducción de los costes asociados al pensamiento y el razonamiento humanos, con un impacto potencialmente transformador y de gran alcance.

El impacto de la IA en el rendimiento de los asesores

El tratamiento GPT+Overview tuvo un efecto positivo más pronunciado que el tratamiento GPT únicamente. La visión general aumentó la "retención" y se asoció a un mejor rendimiento. Factores como el sexo, el dominio de la lengua materna, la antigüedad, la ubicación y la apertura a la tecnología influyeron en los resultados. Los sujetos con niveles de destreza más bajos son los que más se benefician del uso de la IA. la GPT-4 ayuda a generar contenidos de mayor calidad, pero también puede dar lugar a resultados más homogéneos. la IA puede aportar ventajas de rendimiento en tareas que requieren una interacción humana intensiva. El grupo tratado con IA mostró una disminución significativa del rendimiento en tareas situadas fuera de la frontera. el tratamiento con IA tuvo un impacto negativo significativo en la corrección en tareas experimentales situadas fuera de la frontera. el tratamiento con IA redujo el tiempo necesario para que los sujetos completaran las tareas en tareas experimentales situadas fuera de la frontera. Los sujetos que utilizan IA proporcionan consejos de mayor calidad en las tareas experimentales situadas fuera de la frontera. En el flujo de trabajo de profesionales altamente cualificados, la IA puede influir en el rendimiento de varias maneras. En las tareas situadas en la frontera, la IA puede mejorar el rendimiento humano. En las tareas situadas fuera de la frontera, la dependencia excesiva de la IA puede dar lugar a errores. el uso de la IA puede mejorar las tasas de finalización de tareas. el uso de la IA puede dar lugar a una menor diversidad en la generación de contenidos. el uso de la IA puede dar lugar a un ahorro de tiempo, pero también puede afectar a la calidad del trabajo.

El impacto de la IA en los trabajadores del conocimiento

La investigación ha descubierto que la IA tiene efectos tanto positivos como negativos en los trabajadores del conocimiento.

Los impactos positivos incluyen:

Aumento de la productividad: los trabajadores del conocimiento que utilizan IA son capaces de completar las tareas más rápidamente, con un aumento medio de la velocidad del 25,11 TP3T.

Mejora de la calidad de las tareas: el uso de la IA no sólo agiliza el trabajo, sino que también conlleva una mejora significativa de la calidad del mismo, con una mejora media de las valoraciones de más de 401 TP3T.

Especialmente para los trabajadores del conocimiento menos capacitados, la ayuda de la IA puede mejorar enormemente su rendimiento, con ganancias de rendimiento de hasta 43%.

El uso de la IA puede reducir las tareas repetitivas y de cálculo intensivo en el flujo de trabajo, dando así a los trabajadores del conocimiento más tiempo y energía para centrarse en tareas que requieren más de las capacidades únicas de los humanos.

Los impactos negativos incluyen:

En algunas tareas, en cambio, el uso de la IA reduce el rendimiento, como en el caso de una reducción de 19 puntos porcentuales en la tasa de corrección de los asesores que utilizan IA en tareas fuera de las capacidades de la IA.

Una dependencia excesiva de la IA podría llevar a los trabajadores del conocimiento a abandonar su propio criterio, lo que es especialmente peligroso en tareas que requieren un criterio y una creatividad humanos únicos.

El uso de la IA puede reducir la diversidad creativa, lo que supone un problema potencial para los campos que requieren una creatividad diversa.

El mal uso o abuso de la IA puede tener implicaciones éticas y jurídicas que requieren especial atención por parte de las organizaciones y los empleados.

En general, el impacto de la IA en los trabajadores del conocimiento es doble: puede utilizarse como una poderosa herramienta para mejorar la productividad y la calidad de las tareas, pero también puede provocar una degradación del rendimiento en algunos casos. Por lo tanto, las organizaciones y los empleados tienen que aprender a utilizar la IA de forma eficaz, siendo conscientes al mismo tiempo de sus limitaciones y evitando depender excesivamente de ella para tareas para las que no es buena.

Evaluar el impacto de la IA en la productividad y la calidad de los trabajadores del conocimiento

El impacto de la IA en la productividad y la calidad de los trabajadores del conocimiento se evaluó mediante dos experimentos controlados aleatorios. Los sujetos fueron 758 consultores colaboradores individuales del Boston Consulting Group (BCG). Estos consultores fueron asignados aleatoriamente a un grupo de control o experimental y se les pidió que completaran 18 tareas de consultoría auténticas en cinco horas. Las tareas abarcaban toda la gama de capacidades de la IA e incluían tareas analíticas, creativas, repetitivas y de cálculo intensivo.

En el experimento, se pidió a los asesores del grupo de control que utilizaran herramientas de asesoramiento tradicionales y motores de búsqueda para completar las tareas, mientras que a los asesores del grupo experimental se les permitió utilizar la GPT-4 para ayudarles en su trabajo. Los investigadores evaluaron el impacto de la IA comparando la realización de tareas entre los dos grupos. Midieron el número de tareas completadas por cada participante, el tiempo de realización y la calidad de las tareas. La calidad de las tareas fue evaluada por expertos externos que no sabían si cada tarea se había completado manualmente o con ayuda de la IA.

Los resultados del estudio mostraron que los trabajadores del conocimiento que utilizaron IA completaron una media de 12,21 TP3T más tareas que el grupo de control que no utilizó IA, y la velocidad de finalización de tareas aumentó en 25,11 TP3T.Además, los consultores que utilizaron IA produjeron tareas con puntuaciones de calidad que mejoraron en una media de más de 401 TP3T.En particular, para los consultores que eran menos competentes, el rendimiento de los consultores que utilizaron IA aumentó en 431 TP3T. Estos resultados sugieren que la IA puede mejorar significativamente la productividad y la calidad de las tareas de los trabajadores del conocimiento.

Sin embargo, el estudio también descubrió que los asesores que utilizaban IA obtenían peores resultados que un grupo de control que no la utilizaba en determinadas tareas que quedaban fuera del alcance de las capacidades de la IA. Esto sugiere que el impacto de la IA es doble: puede utilizarse como una poderosa herramienta para mejorar la productividad y la calidad de las tareas, pero también puede conducir a una disminución del rendimiento en algunos casos. Por tanto, las organizaciones y los empleados deben aprender a utilizar la IA de forma eficaz, siendo conscientes al mismo tiempo de sus limitaciones.

Integrar eficazmente la IA y el trabajo humano para mejorar la eficacia y la calidad del trabajo

Entre las estrategias para integrar eficazmente la IA y el trabajo humano con el fin de mejorar la productividad y la calidad se incluyen:

Estrategia de asignación de tareas: asignar racionalmente las tareas según las áreas de especialización de la IA y los humanos. Por ejemplo, dejar que la IA se encargue de tareas que requieran un procesamiento y análisis exhaustivo de datos, mientras que los humanos se centran en tareas que requieran creatividad, inteligencia emocional e interacciones interpersonales complejas.

Centauros: esta estrategia implica que los trabajadores humanos utilicen la IA junto con tareas que aprovechen al máximo los puntos fuertes de la IA en áreas como el procesamiento de la información y la generación de lenguaje, al tiempo que se mantiene el dominio humano en la toma de decisiones estratégicas y el pensamiento innovador. Los trabajadores humanos necesitan la capacidad de juzgar cuándo y cómo utilizar mejor la IA.

Estrategia Cyborg (Cyborgs): esta estrategia hace hincapié en la estrecha integración de los humanos y la IA, con trabajadores humanos que interactúan continuamente con la IA durante el proceso de la tarea, optimizando los resultados de la IA a través de la experimentación constante y la retroalimentación, mejorando así la eficiencia y la calidad.

Formación y educación: Para integrar eficazmente la IA, tanto las organizaciones como los empleados deben recibir la formación y educación adecuadas para comprender mejor las capacidades y limitaciones de la IA y cómo hacer el uso más eficaz de ella.

Seguimiento y evaluación: las organizaciones deben supervisar el uso de la IA y evaluar periódicamente su impacto en la productividad y la calidad. Esto ayuda a identificar posibles problemas con la IA y a tomar medidas en consecuencia.

Consideraciones éticas y jurídicas: al integrar la IA, las organizaciones deben tener en cuenta las cuestiones éticas y jurídicas para garantizar que su uso no vulnera la privacidad de los clientes, los derechos de propiedad intelectual u otras leyes y normativas.

Flujos de trabajo innovadores: rediseñar los flujos de trabajo para adaptarlos a las capacidades de la IA. Esto puede implicar la revisión de los flujos de trabajo existentes para maximizar el potencial de la IA.

Mantener la diversidad creativa: aunque la IA destaca en determinadas tareas, los trabajadores humanos deben mantener la diversidad creativa para evitar que una dependencia excesiva de la IA provoque un agotamiento creativo.

Con estas estrategias, las organizaciones pueden aprovechar mejor las ventajas de la IA y evitar al mismo tiempo sus posibles efectos negativos, lo que redunda tanto en la productividad como en la calidad de las tareas.

Puntos y conclusiones importantes del documento

Entre los puntos y conclusiones importantes del documento figuran los siguientes:

Impacto de la IA en el trabajo del conocimiento: la IA puede mejorar significativamente la productividad y la calidad de las tareas de los trabajadores del conocimiento. Por ejemplo, en el experimento, los consultores que utilizaron IA completaron una media de 12,21 TP3T más tareas de consultoría que el grupo de control sin IA, y la velocidad de finalización de las tareas aumentó en 25,11 TP3T, con puntuaciones de calidad significativamente más altas.

Estrategias de uso de la IA: El estudio se refiere a los "centauros" (estrategias centauro) y los "ciborgs" (estrategias ciborg) como dos estrategias diferentes de uso de la IA. La primera se refiere a los asesores que son capaces de distribuir eficazmente la IA y las tareas humanas, mientras que la segunda se refiere a los asesores que integran la IA en su flujo de trabajo e interactúan frecuentemente con ella.

La IA en tareas creativas: la IA está funcionando especialmente bien en tareas creativas, lo que podría tener implicaciones para la forma en que se organice la innovación en el futuro. Al mismo tiempo, sin embargo, la IA puede conducir a una reducción de la diversidad creativa, lo que obliga a las organizaciones a ser prudentes en su uso de la IA y a plantearse cómo mantener la diversidad creativa.

Limitaciones de la IA: El estudio también reveló que los asesores que utilizaron IA obtuvieron peores resultados que el grupo de control que no la utilizó en determinadas tareas que quedaban fuera del alcance de las capacidades de la IA. Esto demuestra las limitaciones de la IA y los problemas que pueden derivarse de una dependencia excesiva de la IA.

Impacto de la IA en el marketing: la IA puede ayudar a generar estrategias de marketing, incluida la segmentación del mercado, la selección de mercados objetivo y el desarrollo de eslóganes de marketing. Sin embargo, también hay que prestar atención a las posibles deficiencias de la IA en términos de diversidad creativa.

Papel de la IA en el desarrollo de productos: la IA puede ayudar en el desarrollo de productos, desde la idea inicial hasta el lanzamiento final al mercado. Por ejemplo, la IA puede aportar ideas de productos, ayudar a seleccionar el mejor producto, diseñar prototipos de productos, realizar segmentaciones de mercado y desarrollar estrategias de marketing.

Impacto de la IA en la toma de decisiones: el uso de la IA puede afectar al proceso de toma de decisiones de los trabajadores humanos, incluida una mayor dependencia de la IA y la posibilidad de que la IA haga que los responsables de la toma de decisiones abandonen su propio juicio en algunos casos.

Posibles ventajas competitivas de la IA en el mercado: la IA puede ayudar a las empresas a predecir las tendencias del mercado, optimizar el diseño de los productos y mejorar la eficiencia de la producción, con lo que obtendrán una ventaja en la competencia del mercado.

Impacto potencial de la IA en los flujos de trabajo: aunque la IA puede transformar los flujos de trabajo y aumentar la eficiencia, también requiere una formación y educación adecuadas de los empleados para que puedan utilizar la IA con eficacia.

Potencial de la IA en las industrias: el estudio destaca el potencial de la IA para ser utilizada en diversas industrias, especialmente en aquellas tareas que requieren grandes cantidades de procesamiento y análisis de datos.

Estas ideas y conclusiones no sólo se basan en los análisis del investigador, sino que también se apoyan en datos experimentales concretos y estudios de casos. Por ejemplo, los experimentos controlados aleatorios mencionados en el estudio, el análisis de la actuación de los consultores del Boston Consulting Group y las descripciones específicas del papel de la IA en el desarrollo de productos y el marketing aportan apoyo empírico a estas ideas.

Limitaciones de la IA

Entre las limitaciones de la IA se incluyen:

Propensión de la IA al error: los modelos de IA tienen tendencia a producir resultados erróneos, entre los que se incluyen "alucinaciones" o "confabulaciones", así como problemas con las matemáticas y a la hora de proporcionar citas. Entre ellos se incluyen "alucinaciones" o "confabulaciones", así como problemas con las matemáticas y a la hora de proporcionar citas. Por ejemplo, en el experimento, los asesores que utilizaron IA tenían menos probabilidades de acertar en algunas tareas que el grupo de control que no la utilizó, lo que supone un descenso de 19 puntos porcentuales.

Gama de capacidades de la IA: las capacidades de la IA no están distribuidas uniformemente; tiene una "frontera tecnológica irregular". Esto significa que la IA es muy buena en algunas tareas, pero mala en otras aparentemente similares. Esto puede dificultar la búsqueda de áreas en las que la IA rinde significativamente peor que los trabajadores humanos a la hora de diseñar tareas.

Impacto de la IA en el juicio humano: el estudio descubrió que los trabajadores humanos pueden confiar demasiado en los resultados de la IA e incluso abandonar su propio juicio cuando la utilizan. Por ejemplo, en el experimento, los trabajadores humanos puntuaron más alto las respuestas incorrectas generadas por la IA, lo que sugiere que los resultados de la IA pueden influir en el juicio de los trabajadores humanos.

Posibles deficiencias de la IA en la diversidad creativa: aunque la IA destaca en tareas creativas, puede provocar una reducción de la diversidad creativa. Este es un problema potencial para los campos que requieren una creatividad diversa.

La importancia de los consejos de alta calidad

La idea de que "los altos niveles de retención pueden venir de la participación con indicaciones de alta calidad" sugiere que los trabajadores del conocimiento que utilizan asistentes de IA como ChatGPT pueden ser capaces de mejorar la productividad y la calidad de la tarea proporcionando indicaciones de alta calidad para guiar a la IA a generar contenido más útil. Este comportamiento de alta calidad puede incluir ayudar a la IA a mejorar iterativamente sus respuestas hasta que alcance un estado de perfección antes de incorporar gran parte de su contenido a sus propias respuestas.

En la documentación facilitada, los investigadores observaron experimentalmente que algunos participantes tendían a confiar mucho en la producción de la IA, es decir, a "retener" grandes cantidades de contenidos generados por la IA. Es posible que estos participantes guiaran a la IA para que produjera contenidos de alta calidad mediante indicaciones bien diseñadas basadas en la comprensión de las capacidades y limitaciones de la IA. Este comportamiento de orientación puede ser un factor importante que conduzca a una alta retención, ya que permite un uso eficaz de las capacidades de la IA al tiempo que garantiza que el resultado final sea preciso y útil.

Por ejemplo, el documento menciona que en el experimento de resolución creativa de problemas se pidió a los participantes que conceptualizaran nuevas ideas de productos a través de una serie de preguntas. Los investigadores descubrieron que los participantes que supieron utilizar la IA de forma eficaz no sólo incluyeron más contenido generado por la IA en sus respuestas, sino que además la calidad de este contenido fue valorada muy positivamente por expertos externos. Esto sugiere que guiar a la IA con indicaciones de alta calidad puede mejorar significativamente la productividad de las tareas creativas y la calidad de los resultados.

Sin embargo, los investigadores también señalan que el análisis actual del estudio no ha podido distinguir si la alta retención se debe a comportamientos de señalización de alta calidad o a un exceso de confianza en la IA. Por lo tanto, esta observación, aunque ofrece una posible explicación, debe ser confirmada por nuevas investigaciones. Al mismo tiempo, sugiere que, en la práctica, deberíamos centrarnos en la formación y educación adecuadas de los empleados para que puedan comprender y utilizar mejor las capacidades de la IA, evitando al mismo tiempo depender excesivamente de ella.

Todos los puntos mencionados en el documento

He aquí una lista de todas las ideas mencionadas en el documento:

1. Impacto de la IA en los trabajadores del conocimiento: la IA puede mejorar significativamente la productividad y la calidad de las tareas de los trabajadores del conocimiento.
2. Estrategias de uso de la IA: Los "Centauros" y los "Cyborgs" mencionados en el estudio son dos estrategias diferentes de uso de la IA.
3. La IA en tareas creativas: la IA es especialmente fuerte en tareas creativas, lo que podría tener implicaciones en la forma de organizar la innovación en el futuro.
4. Limitaciones de la IA: El estudio también reveló que los asesores que utilizaban IA obtenían peores resultados que un grupo de control que no la utilizaba en determinadas tareas que quedaban fuera del alcance de las capacidades de la IA.
5. Impacto de la IA en el marketing: la IA puede ayudar a generar estrategias de marketing, incluida la segmentación del mercado, la selección de mercados objetivo y el desarrollo de eslóganes de marketing.
6. Papel de la IA en el desarrollo de productos: la IA puede ayudar en el desarrollo de productos desde la idea inicial hasta el lanzamiento final al mercado.
7. Impacto de la IA en la toma de decisiones: el uso de la IA puede afectar a los procesos de toma de decisiones de los trabajadores humanos, incluida una mayor dependencia de la IA.
8. Posibles ventajas competitivas de la IA en el mercado: la IA puede ayudar a las empresas a predecir las tendencias del mercado, optimizar el diseño de productos y mejorar la productividad.
9. Impacto potencial de la IA en los flujos de trabajo: la IA puede cambiar los flujos de trabajo y aumentar la eficiencia, pero al mismo tiempo requiere una formación y educación adecuadas de los empleados.
10. Potencial de las aplicaciones de IA en las industrias: El estudio destacó el potencial de las aplicaciones de IA en diversas industrias, especialmente en aquellas tareas que requieren grandes cantidades de procesamiento y análisis de datos.
11. Propensión al error de la IA: los modelos de IA tienen tendencia a producir resultados erróneos, incluidas "alucinaciones" o "confabulaciones".
12. Gama de capacidades de IA: las capacidades de IA no están distribuidas uniformemente; existe una "frontera tecnológica irregular".
13. Impacto de la IA en el juicio humano: los estudios han descubierto que los trabajadores humanos pueden llegar a depender excesivamente de los resultados de la IA e incluso abandonar su propio juicio cuando la utilizan.
14. Posibles deficiencias de la IA en la diversidad creativa: Aunque la IA destaca en tareas creativas, puede dar lugar a una menor diversidad creativa.
15. Importancia de las instrucciones de alta calidad: los trabajadores del conocimiento mejoran la productividad y la calidad de las tareas proporcionando instrucciones de alta calidad que guíen a la IA para generar contenidos más útiles.
16. Factores que influyen en la retención: Los investigadores observaron que algunos participantes tendían a confiar mucho en los resultados de la IA, es decir, a "retener" grandes cantidades de contenidos generados por la IA.
17. Papel de la IA en la resolución creativa de problemas: la IA puede ayudar a generar estrategias de marketing, incluida la segmentación del mercado, la selección de mercados objetivo y el desarrollo de eslóganes de marketing.
18. Papel de la IA en el desarrollo de productos: la IA puede ayudar en el desarrollo de productos desde la idea inicial hasta el lanzamiento final al mercado.
19. Impacto de la IA en el marketing: la IA puede ayudar a generar estrategias de marketing, incluida la segmentación del mercado, la selección de mercados objetivo y el desarrollo de eslóganes de marketing.
20. Papel de la IA en el desarrollo de productos: la IA puede ayudar en el desarrollo de productos desde la idea inicial hasta el lanzamiento final al mercado.
21. Impacto de la IA en la toma de decisiones: el uso de la IA puede afectar a los procesos de toma de decisiones de los trabajadores humanos, incluida una mayor dependencia de la IA.
22. Posibles ventajas competitivas de la IA en el mercado: la IA puede ayudar a las empresas a predecir las tendencias del mercado, optimizar el diseño de productos y mejorar la productividad.
23. Impacto potencial de la IA en los flujos de trabajo: la IA puede cambiar los flujos de trabajo y aumentar la eficiencia, pero al mismo tiempo requiere una formación y educación adecuadas de los empleados.
24. Potencial de las aplicaciones de la IA en las industrias: El estudio destacó el potencial de las aplicaciones de la IA en diversas industrias, especialmente en aquellas tareas que requieren grandes cantidades de procesamiento y análisis de datos.
25. Propensión al error de la IA: los modelos de IA tienen tendencia a producir resultados erróneos, incluidas "alucinaciones" o "confabulaciones".
26. Gama de capacidades de IA: las capacidades de IA no están distribuidas uniformemente; existe una "frontera tecnológica irregular".
27. Impacto de la IA en el juicio humano: los estudios han descubierto que los trabajadores humanos pueden llegar a depender excesivamente de los resultados de la IA e incluso abandonar su propio juicio cuando la utilizan.
28. Posibles deficiencias de la IA en la diversidad creativa: Aunque la IA destaca en tareas creativas, puede dar lugar a una menor diversidad creativa.
29. Importancia de las instrucciones de alta calidad: los trabajadores del conocimiento mejoran la productividad y la calidad de las tareas proporcionando instrucciones de alta calidad para guiar a la IA a generar contenidos más útiles.
30. Factores que influyen en la retención: Los investigadores observaron que algunos participantes tendían a confiar mucho en los resultados de la IA, es decir, a "retener" grandes cantidades de contenidos generados por la IA.

Estas perspectivas abarcan el impacto potencial de la IA en los trabajadores del conocimiento, el marketing, el desarrollo de productos y muchas otras áreas, así como las limitaciones y estrategias que hay que tener en cuenta cuando se utiliza la IA.

Liberación e impacto del LLM

El lanzamiento del LLM (Large Language Model) ha llamado la atención sobre el impacto de la inteligencia artificial en la productividad y la calidad de los trabajadores del conocimiento. El LLM tiene un impacto significativo en el rendimiento de los trabajadores del conocimiento, especialmente en tareas de innovación, análisis y escritura. Para evaluar el impacto del LLM en los profesionales con alto capital humano, los investigadores llevaron a cabo un experimento controlado aleatorizado previamente registrado. Los resultados del experimento mostraron que el LLM aumentaba significativamente la productividad y la calidad dentro del rango de competencias, pero disminuía la corrección fuera del rango de competencias.

Los usuarios adoptan dos modos distintos de utilizar el LLM, "Centauro" y "Cyborg", lo que crea una "frontera tecnológica irregular" que afecta de forma diferente al trabajo en función de la tarea. El LLM crea una "frontera tecnológica irregular" que afecta al trabajo de forma diferente según la tarea. Los usuarios deben juzgar si una tarea está dentro de las capacidades del LLM y cómo colaborar eficazmente con él. Las organizaciones deben replantearse la colaboración persona-ordenador, los nuevos roles, las partes interesadas, etc. para aprovechar todo el potencial del LLM.

El LLM tendrá un profundo impacto en el trabajo del conocimiento, y los usuarios y las organizaciones tendrán que adaptarse. Adoptar el modelo "centauro", en el que el trabajo se divide entre LLM y humanos en función de sus respectivos puntos fuertes, es el uso más eficaz de la IA que se ha demostrado en los experimentos actuales dentro y fuera de las capacidades de LLM.

Métodos experimentales controlados aleatorios

El estudio utilizó un enfoque de ensayo controlado aleatorizado previamente registrado para evaluar el impacto del LLM en los profesionales de alto capital humano. En el experimento participaron 758 consultores del Boston Consulting Group a los que se pidió que completaran 18 tareas de consultoría auténticas. Al grupo experimental se le permitió utilizar el LLM como ayuda para completar las tareas, mientras que el grupo de control utilizó métodos tradicionales. Los investigadores evaluaron el impacto del LLM comparando la realización de tareas entre los dos grupos.

Los resultados mostraron que los trabajadores del conocimiento que utilizaron LLM completaron una media de 12,21 TP3T más tareas que el grupo de control que no utilizó LLM, y la velocidad de finalización de tareas aumentó en 25,11 TP3T.Además, los consultores que utilizaron LLM produjeron tareas con una mejora media en las valoraciones de calidad de más de 401 TP3T.En particular, para los consultores con competencias más bajas, el rendimiento de los consultores que utilizaron LLM aumentó en 431 TP3T.

Sin embargo, el estudio también descubrió que los consultores que utilizaban LLM obtenían resultados bastante inferiores a los del grupo de control que no utilizaba LLM en determinadas tareas que quedaban fuera del alcance de las capacidades de LLM. Esto sugiere que el impacto del LLM es doble: puede utilizarse como una poderosa herramienta para mejorar la productividad y la calidad de las tareas, pero también puede provocar un descenso del rendimiento en algunos casos. Por tanto, las organizaciones y los empleados deben aprender a utilizar el LLM de forma eficaz, siendo conscientes al mismo tiempo de sus limitaciones.

Cómo integrar eficazmente la IA y el trabajo humano

Para integrar eficazmente la IA y el trabajo humano con el fin de mejorar la productividad y la calidad, pueden adoptarse las siguientes estrategias:

1. Estrategia de asignación de tareas: asignar racionalmente las tareas según las áreas de especialización de la IA y los humanos. Por ejemplo, dejar que la IA se encargue de aquellas tareas que requieren grandes cantidades de procesamiento y análisis de datos, mientras que los humanos se centran en tareas que requieren creatividad, inteligencia emocional e interacciones interpersonales complejas.
2. Centauros: esta estrategia implica que los trabajadores humanos utilicen la IA junto con tareas que aprovechen al máximo los puntos fuertes de la IA en áreas como el procesamiento de la información y la generación de lenguaje, al tiempo que se mantiene el dominio humano en la toma de decisiones estratégicas y el pensamiento innovador. Los trabajadores humanos necesitan la capacidad de juzgar cuándo y cómo utilizar mejor la IA.
3. Estrategia Cyborg (Ciborgs): Esta estrategia hace hincapié en la estrecha integración de los seres humanos y la IA, con trabajadores humanos que interactúan continuamente con la IA durante el proceso de la tarea y optimizan los resultados de la IA a través de la experimentación continua y la retroalimentación, mejorando así la eficiencia y la calidad.
4. Formación y educación: Para integrar la IA con eficacia, tanto las organizaciones como los empleados deben recibir la formación y educación adecuadas para comprender mejor las capacidades y limitaciones de la IA y cómo hacer el uso más eficaz de ella.
5. Control y evaluación: las organizaciones deben controlar el uso de la IA y evaluar periódicamente su impacto en la productividad y la calidad. Esto ayuda a identificar posibles problemas con la IA y a tomar medidas en consecuencia.
6. Consideraciones éticas y legales: al integrar la IA, las organizaciones deben tener en cuenta las cuestiones éticas y legales para garantizar que su uso no vulnera la privacidad de los clientes, los derechos de propiedad intelectual u otras leyes y normativas.
7. Flujos de trabajo innovadores: rediseñar los flujos de trabajo para adaptarlos a las capacidades de la IA. Esto puede implicar la revisión de los flujos de trabajo existentes para maximizar el potencial de la IA.
8. Mantener la diversidad creativa: aunque la IA destaca en determinadas tareas, los trabajadores humanos deben mantener la diversidad creativa para evitar que una dependencia excesiva de la IA provoque un agotamiento creativo.

Con estas estrategias, las organizaciones pueden aprovechar mejor las ventajas de la IA y evitar al mismo tiempo sus posibles efectos negativos, lo que redunda tanto en la productividad como en la calidad de las tareas.

llegar a un veredicto

El lanzamiento del LLM ha aportado ganancias de productividad y calidad a los trabajadores del conocimiento, pero existen limitaciones y riesgos. Para hacer un mejor uso del LLM, los usuarios y las organizaciones deben adoptar estrategias adecuadas, como replantearse la colaboración entre humanos y ordenadores, los nuevos roles, las partes interesadas, etc., así como aprender a trabajar eficazmente con el LLM. También es necesario centrarse en los aspectos éticos y jurídicos de la IA para evitar las repercusiones negativas de su uso. Sólo si se comprenden y afrontan plenamente los riesgos potenciales de la IA podrán aprovecharse mejor sus ventajas para lograr eficiencia y calidad.