人工智能的生产力悖论：为什么没有更多的员工使用 ChatGPT？
神译局是36氪旗下编译团队，关注科技、商业、职场、生活等领域，重点介绍国外的新技术、新观点、新风向。
编者按：别看AI应用在网上炒得很火，但在工作当中的应用却没你想象的那么多。为什么会出现这样的生产力悖论呢？原因不在于技术的复杂性。文章来自编译。
尽管ChatGPT等工具有变革性的潜力，但我接触的大多数知识工作者根本都不用。就算用的那些，也主要局限在一些基本任务上，比如摘要什么的。目前，只有不到5%的ChatGPT用户（这只是潜在专业用户的一小部分）为Plus服务付费，这表明利用AI进行复杂高价值工作的“高阶用户”少之又少。
我在Google Brain、 Shopify Ads等公司从事AI产品开发超过了十年，亲身见证了这个领域的发展。随着ChatGPT的崛起，AI从一种可有可无的增强工具（如照片整理器）发展成为所有知识工作者的重要生产力推动器。
大多数高管都明白，今天的这股AI浪潮已经不仅仅是炒作——他们迫切希望让自己的公司走在AI前沿，因为今日之AI已经比以往任何时候都更强大、更易于使用。可是，尽管AI潜力巨大且获得了广泛关注，但普及度依然滞后。真正的障碍在于企业如何对待工作本身。系统性的问题阻碍了这些工具成为我们日常工作的组成部分。
最终，高管需要问的问题不是“我们该怎么利用AI更快地完成任务？或者这个功能是不是可以用AI来开发？”，而是“我们该如何利用AI创造更多的价值？有哪些我们应该提出但没有提出的问题？”
实际影响
最近，我用大语言模型（LLM）来完成一个复杂的数据结构化和分析任务，以往这样的任务通常需要一个跨职能的数据分析师和内容设计师团队花费一个月甚至更长的时间来完成。
以下是我用Google AI Studio的一天之内完成的工作：
将成千上万行非结构化数据转换为结构化、标记化的数据集。
用AI识别出新的结构化数据里面的关键用户群体。
基于这些模式，开发出一种新的分类法，为终端用户提供更优质、更个性化的体验。
值得注意的是，这些不是按个按钮就让AI做完所有工作这么简单。
这个过程需要高度专注、指令详细并多次迭代。我用了数小时来精心设计出精准的提示词，要提供反馈（像对待实习生那样，但更直接），并在AI偏离方向时让它重回轨道。
从某种意义上说，我是把一个月的工作量压缩到了一天，所以是非常的劳神费力的。
但最终结果不仅仅是过程变快——而是得到了一个从根本上更好且不一样的成果。LLM发现了隐藏在非结构化数据当中的微妙模式以及边缘案例，从而得出了传统分析结构化数据所无法发现的洞见。
反直觉的真相
关键在于要理解AI生产力悖论：我之所以能成功利用AI，关键是有领导支持，可以专注一整天来重新思考数据流程，并把AI当作我的思考伙伴。
这种支持使得深层次、战略性的思考成为可能——探索原本需要几周才能发掘的联系和可能性。
这种注重质量的工作经常会在赶工的时候被牺牲掉，可是正是这样的工作才促进了突破性的创新。但矛盾的是，大多数人都没时间去思考如何去节省时间。
对于项目经理而言，有专门的探索时间是一种奢侈。在持续交付即时成果的压力下，大多数项目经理甚至很难挤出一小时来做战略性工作——要想开展这种探索，很多人唯一能找到时间的办法就是“装病”。他们被管理层的指令与客户的紧急需求压得喘不过气，完全失去了对战略方向的掌控。此外，最近的裁员等削减措施有加重了工作负担，许多项目经理每天工作12小时才能完成基本任务。
这种持续的压力也阻碍了AI在提升执行效率方面的应用。制定可靠的测试计划或主动识别AI潜在问题被视为一种奢侈，而非必需品。这导致了适得其反的局面：如果改正会导致发布延迟的话，为什么还要用AI去识别文档存在的问题？如果方向已由上层设定好的话，为什么还要进行额外的用户研究和问题分析？
制定新路线——要投资到人才身上
光给员工时间去“弄明白AI”是不够的；大多数人需要一些培训才能学会如何让ChatGPT做更多的事情，而不仅仅是总结。不过，实际所需的培训通常远少于人们预期。
市场充斥着专家讲授的AI培训课程。虽然有些课程可能是“骗术”，但很多讲师都是有名声的专家。只不过，这些课程通常并不适合大多数人作为起点。那种课程既耗时、又过于技术化，并且很少针对特定工作领域量身定制。
对我而言，最好是花10到15分钟跟个别员工坐下来，审视他们当前的工作流程，找出可以用LLM更快完成的地方。你不需要理解标记预测背后的数学原理就能写出有效的提示词。
不要相信“AI只适合有技术背景、40岁以下的人”这种偏见。根据我的经验，关注细节，有尽量做好工作的热忱才是成功的关键。尽量放下偏见——你会对谁能成为下一个AI明显感到惊讶的。
我的父亲，一位60多岁的律师，仅用五分钟便理解了LLM的使用方法。关键在于将例子量身定制到他的领域。我们设定了一个稍显复杂的法律灰色地带，让Claude将其解释给一名一年级法学生，并举出边缘案例。他看过回答后，立即明白了如何将这项技术应用于十多个不同的项目。二十分钟后，他本打算要写几个月的法律评论文章便已完成了一半。
很可能，你的公司已经有了一些AI爱好者——那些主动探索LLM应用的秘密“宝石”。这些“LLM传声筒”可能是任何人：工程师、市场人员、数据科学家、产品经理或客户服务经理。启动一项寻找这些创新者的活动，充分利用他们的专业知识。
一旦识别出这些内部专家，邀请他们进行一到两小时的“AI审计”，评审团队当前的工作流程并找出改进空间。他们还可以帮助为特定用例创建初步提示词，分享他们的AI工作流程，并提供未来如何排查和评估的建议。
除了节省外部顾问费用外，这些专家更了解你公司的系统和目标，因此能更有效地发现实际且相关的机会。那些对AI持保留态度的人，在看到同事使用这些技术时，往往愿意主动尝试，而非依赖所谓的“AI专家”。
除了确保员工有学习的空间，还要确保他们在理解AI能力后，能有时间在自己的领域进行探索和试验。一家公司不能一边要求员工“用AI创新”，一边又要求他们在周五下午5点前交付下个月的功能。确保你的团队每个月都能有几个小时可以进行探索。
克服了这一AI应用的首要障碍后，团队应该能识别出最有潜力的投资领域。此时，你就能更加精准地评估是否需要进行任何其他、更专业的培训。
结论
AI生产力悖论并不在于技术的复杂性，而在于组织如何看待工作和创新。利用AI的力量比“AI网红”推销的最新认证所描述的要简单得多——通常只需要几分钟的定向培训即可。然而，这却需要领导层在思维方式的根本转变。高管们不应再只关注短期交付成果，而应为探索、深入且具有目标导向的开放性工作创造空间。真正的挑战不在于教员工如何使用AI，而是给他们时间和自由去重新定义自己的工作方式。
译者：boxi。
