СИМБИОТИЧЕСКОЕ ПОВЫШЕНИЕ ПРОИЗВОДИТЕЛЬНОСТИ ТРУДА СОТРУДНИКОВ С ИСПОЛЬЗОВАНИЕМ ГЕНЕРАТИВНОГО ИИ В БИЗНЕС-СЕКТОРЕ

АННОТАЦИЯ

Данное исследование изучает влияние генеративного искусственного интеллекта (ИИ) на производительность труда и качество выполнения задач.

Мы представляем метод симбиотического повышения производительности труда с использованием генеративного ИИ, который интегрирует помощь ИИ в рабочие процессы сотрудников. Наше исследование, проведенное с участием 86 сотрудников из российских, швейцарских и гонконгских компаний, демонстрирует значительное улучшение как производительности труда, так и качества труда при использовании ИИ. В исследовании использовались два режима взаимодействия с ИИ: Коллаборативный когнитивный агент (CCA) и Непрерывный когнитивный агент (CoCA). Результаты показывают увеличение количества выполнения задач на 12,2% и сокращение времени выполнения задач на 25,1% при использовании ИИ. Качество выполнения работы улучшилось более чем на 40% по сравнению с контрольной группой. Эти результаты свидетельствуют о том, что метод может быть эффективным подходом для повышения эффективности труда посредством интеграции ИИ, приводя к общему повышению производительности труда на 18,7% по сравнению с контрольной группой. Исследование фокусируется на применении метода в бизнес секторе экономики, таких как строительство, ритейл, банковский сектор, технологический сектор и тяжелая промышленность.

ABSTRACT

This study examines the impact of generative artificial intelligence (AI) on labor productivity and task performance quality. We introduce a method for symbiotic productivity enhancement using generative AI, which integrates AI assistance into employee workflows. Our research, conducted with 86 employees from companies in Russia, Switzerland, and Hong Kong, demonstrates significant improvements in both productivity and task quality when AI is utilized. The study employed two modes of AI interaction: Collaborative Cognitive Agent (CCA) and Continuous Cognitive Agent (CoCA). Results indicate a 12.2% increase in task completion and a 25.1% reduction in task execution time with AI assistance. Task quality improved by over 40% compared to the control group. These findings suggest that the proposed method could be an effective approach for enhancing productivity through AI integration, leading to an overall productivity increase of 18.7% compared to the control group. The study focuses on the method’s application in key economic sectors such as construction, retail, banking, technology, and heavy industry.

Ключевые слова: генеративный ИИ, производительность труда, качество выполнения работы, интеграция ИИ, эффективность труда, инновации, повышение производительности труда, повышение качества труда, генеративный ИИ в бизнесе.

Keywords: generative AI, labor productivity, task execution speed, work quality, AI assistance, AI integration, employee work efficiency, innovation, productivity enhancement, generative AI in business.

1. Введение

Интеграция искусственного интеллекта (ИИ) в рабочие процессы показала многообещающий потенциал для повышения производительности труда и эффективности труда. Данное исследование представляет и оценивает метод симбиотического повышения производительности труда с использованием генеративного ИИ, который направлен на создание синергетической комбинации человеческого опыта и возможностей ИИ при выполнении сложных задач. Данное исследование концентрируется на бизнес секторе экономики из-за их значительного влияния на экономику в целом и высокого потенциала для интеграции генеративного ИИ.

Недавние исследования продемонстрировали положительное влияние ИИ на производительность труда. В экспериментальном исследовании Noy и Zhang было показано, что использование ИИ сокращает затраты времени на 10 минут, или на 37 %, при выполнении задач по написанию текстов [10]. Как пишет Nielsen, инструменты генеративного ИИ увеличили производительность труда бизнес-пользователей на 66 % при выполнении рабочих задач [8]. Службы поддержки, использующие ИИ, начали обрабатывать на 13,8 % больше запросов клиентов в час. Также Nielsen показал, что бизнес-пользователи, использующие ИИ, смогли писать на 59 % больше бизнес-документов в час, а программисты, применяющие ИИ, завершали на 126 % больше проектов в неделю [9]. Nielsen подчеркивает, что 66-процентный прирост производительности труда за счет ИИ эквивалентен 47 годам естественного прироста производительности труда в США или 88 годам роста в Европейском союзе [9]. Согласно данным Microsoft и LinkedIn, сотрудники с ИИ тратили на 25–45 % меньше времени на чтение электронных писем и редактировали на 10 % больше документов в Word, Excel и PowerPoint, что в конечном итоге привело к увеличению эффективности труда компаний на 20 % [7]. В другом исследовании Brynjolfsson, Li и Raymond было установлено, что ИИ повышает общую производительность труда в среднем на 14 %, включая увеличение на 34 % для начинающих и низкоквалифицированных работников [2].

Метод основывается на этих выводах, представляя комплексный подход к интеграции ИИ на рабочем месте. Целью данного исследования является эмпирическая оценка эффективности труда в повышении как производительности труда, так и качества труда для различных типов задач.

Важно отметить, что генеративный ИИ в данном контексте выступает преимущественно как инструмент ускорения поиска оптимальных решений из базы известных, а не как средство кардинального изменения квалификации сотрудников. Этот аспект особенно важен при интерпретации результатов повышения производительности труда

2. Метод

2.1 Участники

В исследовании приняли участие 86 сотрудников из российских, швейцарских и гонконгских компаний. Участники были отобраны из бизнес сектора с использованием целенаправленной выборки на основе таких критериев, как стаж работы и открытость к инновациям.

Несмотря на ограниченное число участников, данное исследование направлено на получение качественного описательного анализа, нацеленного на изучение и понимание опыта использования генеративного ИИ в рабочих процессах, а не на широкие статистические обобщения.

Полученные результаты дают возможность оценить эффективность использования предложенного метода применительно к узкому сектору экономики - бизнес-сектору.

Участники были случайным образом распределены в одну из трех групп (CCA, CoCA или контрольную) с использованием стратифицированной рандомизации.

Стратификация проводилась по таким факторам как опыт работы, отрасль и начальный уровень производительности труда для обеспечения сбалансированности групп.

Процесс рандомизации осуществлялся с помощью компьютерного генератора случайных чисел, реализованного в статистическом пакете R (версия 4.1.0).

2.2 Дизайн

Мы использовали смешанный факторный дизайн с двумя межсубъектными факторами (помощь ИИ: CCA, CoCA, контрольная группа; тип задачи: разработка идей, решение бизнес-проблем и одним внутрисубъектным фактором (время: исходный уровень, середина, финал). Исследование фокусировалось на двух основных типах задач:

• Разработка идей: создание инновационных решений для бизнес-задач, требующее креативного мышления и междисциплинарных знаний.
• Решение бизнес-задач: анализ сложных бизнес-ситуаций и разработка стратегических рекомендаций.

Эти задачи были выбраны из-за их высокой частоты в повседневной работе сотрудников (в среднем 60% рабочего времени) и критической важности для бизнес-процессов. Они требуют высокой квалификации, включая навыки критического мышления, анализа данных и стратегического планирования. Типы задач были выбраны с учетом их релевантности для ключевых секторов экономики, в которых работали участники.

2.3 Материалы и процедура

В исследовании использовалось приложение персонального помощника на основе ИИ, интегрированное с бизнес-знаниями и возможностями генеративного ИИ и проведено обучение по инженерии запросов к ИИ.

В исследовании были реализованы два режима взаимодействия с ИИ, которые далее будут обозначаться следующими сокращениями:

• CCA (Collaborative Cognitive Agent) - Коллаборативный когнитивный агент

• CoCA (Continuous Cognitive Agent) - Непрерывный когнитивный агент

CCA: Сотрудники занимались стратегическими аспектами задач, делегируя рутинные или интенсивные по данным части ИИ.

CoCA: ИИ обеспечивал непрерывную поддержку на протяжении всей задачи, при этом сотрудники постоянно взаимодействовали с ИИ для получения поддержки и обратной связи в реальном времени.

Эксперимент проводился в три этапа: предварительный опрос, выполнение задачи и пост-опрос. Участники были мотивированы финансовыми стимулами за активное участие и качественное выполнение задач.

Ограничения исследования включали использование симулированных бизнес-задач, которые, хотя и были разработаны на основе реальных сценариев, могли не полностью отражать сложность реальных рабочих ситуаций. Кроме того, четырехнедельный период исследования может не полностью отражать долгосрочные эффекты использования. Долгосрочные эффекты станут заметны через несколько лет использования ИИ.

В исследовании использовались два основных инструмента генеративного ИИ: GPT-4 от OpenAI и Claude 3.5 от Antropic. Оба инструмента были интегрированы в приложение персонального помощника на основе ИИ, которое взаимодействовало с бизнес-знаниями и предоставляло возможности генеративного ИИ для выполнения задач.

Приложение персонального помощника на основе ИИ было разработано с акцентом на быстрый поиск и предложение релевантных решений из известных подходов, соответствующих текущей задаче.

2.4 Измерения

Производительность труда: Измерялась скоростью выполнения задач и коэффициентом завершения задач.

Качество: Оценивалось через точность выполнения задач и оценки при экспертной оценке.

Показатель сохранения ИИ: Новая метрика, количественно определяющая степень интеграции ИИ в работу сотрудников (см. Приложение для подробной методологии расчета).

2.5 Анализ данных

Мы использовали различные статистические методы, с T-тестами для независимых выборок, однофакторный дисперсионный анализ (ANOVA), множественная линейная регрессия, хи-квадрат тесты, дисперсионный анализ с повторными измерениями, бутстрэппинг и моделирование структурными уравнениями (SEM).

Бутстрэп анализ был применен для повышения надежности статистических оценок, особенно учитывая относительно небольшой размер выборки (N=86). Этот метод позволяет создавать эмпирические распределения статистических показателей путем многократного повторного выбора с возвращением из исходных данных. В нашем исследовании бутстрэп использовался для:

1. Создания более точных доверительных интервалов для ключевых параметров, таких как средние значения повышения производительности труда и качества работы.
2. Оценки стабильности и надежности регрессионных коэффициентов в моделях, связывающих использование ИИ с результатами производительности.
3. Валидации размеров эффекта, особенно для сравнений между группами с помощью ИИ и контрольной группой.
4. Преодоления потенциальных проблем с нормальностью распределения данных, что особенно важно при работе с небольшими выборками.

Было сгенерировано 5000 бутстрэп-выборок для каждого анализа, что обеспечивает надежную основу для статистических выводов.

Для анализа влияния использования ИИ на производительность труда и качество работы была разработана комплексная модель, включающая как наблюдаемые, так и латентные переменные. Модель учитывала прямые эффекты использования ИИ, а также опосредованные эффекты через эффективность использования ИИ.

Модель исследовалась с помощью нескольких методов:

1. Множественная линейная регрессия использовалась для оценки прямых эффектов наблюдаемых переменных на производительность труда и качество работы.
2. Моделирование структурными уравнениями (SEM) применялось для анализа сложных взаимосвязей между наблюдаемыми и латентными переменными, включая медиационные эффекты.
3. Дисперсионный анализ с повторными измерениями использовался для оценки изменений в эффективности использования ИИ и производительности труда с течением времени.

Параметры модели оценивались методом максимального правдоподобия. Для проверки устойчивости результатов применялись методы бутстрэппинга и анализа чувствительности.

3. Результаты

3.1 Повышение производительности труда

Коллаборативный когнитивный агент (CCA): сокращение времени на 18,8 минут (95% ДИ: [15.2, 22.4]), на 22,5% быстрее контрольной группы (p < 0.001, d = 0.89, 95% ДИ d: [0.54, 1.24]).

Непрерывный когнитивный агент (CoCA): сокращение времени на 23,13 минуты (95% ДИ: [19.5, 26.8]), на 27,63% быстрее контрольной группы (p < 0.001, d = 1.05, 95% ДИ d: [0.69, 1.41]).

Примечание: Для коррекции на множественные сравнения использовался метод Бенджамини-Хохберга с контролем false discovery rate (FDR) на уровне 0.05.

Оба метода показали значительное улучшение в скорости выполнения задач по сравнению с контрольной группой. CoCA продемонстрировал немного более высокую эффективность труда в сокращении времени выполнения задач.

Рисунок 1 Зависимость прироста производительности труда от использования в качестве помощника ИИ

Таблица 1.

Сравнение производительности труда между группами

Коэффициент выполнения задач: Группы с помощью ИИ выполнили на 12,2% больше задач по сравнению с контрольной группой (t(84) = 3,76, p < 0,001, d Коэна = 0,82, 95% ДИ [0,37, 1,26]).

Скорость выполнения задач: Задачи выполнялись на 25,1% быстрее с помощью ИИ (t(84) = -4,92, p < 0,001, d Коэна = 1,07, 95% ДИ [0,61, 1,52])."

Рисунок 1.1. График сравнения производительности труда

3.2 Улучшение качества

Таблица 2.

Распределение качества труда

Качество выполнения работы с помощью ИИ было на 40% выше, чем в контрольной группе (95% ДИ: [32%, 48%], F(2, 83) = 28,64, p < 0,001, η² = 0,41, 90% ДИ η²: [0.27, 0.51]).

Распределение качества: Обнаружена значимая связь между помощью ИИ и результатами качества (χ²(4, N = 86) = 19,73, p < 0,001, V Крамера = 0,34, 95% ДИ [0,22, 0,46]).

Рисунок 2 График улучшения качества труда

3.3 Распределение производительности труда

Таблица 3.

Изменение производительности труда по группам

Cотрудники с производительностью труда ниже среднего увеличили свою производительность труда на 43% (t(21) = 6,82, p < 0,001, d Коэна = 1,45, 95% ДИ [0,89, 2,01]).

Cотрудники с производительностью труда выше среднего, показали улучшение на 17% (t(20) = 3,24, p = 0,004, d Коэна = 0,71, 95% ДИ [0,22, 1,19]).

Наблюдаемое более значительное улучшение у работников с низкой производительностью труда связано с тем, что ИИ-ассистент эффективно компенсирует недостаток опыта и знаний, предоставляя быстрый доступ к оптимальным решениям, которые более опытные сотрудники могут находить самостоятельно.

Рисунок 3. График распределения производительности труда

3.4 Регрессионный анализ

Модели множественной линейной регрессии были использованы для анализа взаимосвязи между помощью ИИ и результатами производительности труда при контроле других переменных:

Модель производительности труда: R² = 0,47 (95% ДИ: [0.31, 0.59]), F(5, 80) = 14,23, p < 0,001

Модель качества: R² = 0,53 (95% ДИ: [0.37, 0.64]), F(5, 80) = 18,06, p < 0,001

Уравнения множественной линейной регрессии:

Модель производительности труда: Y_productivity = β0 + β1X_AI_assistance + β2X_experience + β3X_task_type + β4X_innovation_openness + ε

Модель качества: Y_quality = β0 + β1X_AI_assistance + β2X_experience + β3X_task_type + β4X_innovation_openness + ε

где:

Y_productivity - показатель производительности труда

Y_quality - показатель качества выполнения работы

X_AI_assistance - бинарная переменная использования ИИ (0 - контрольная группа, 1 - группа с ИИ)

X_experience - опыт работы сотрудника (в годах)

X_task_type - тип задачи (1 - разработка идей, 2 - решение бизнес-проблем)

X_innovation_openness - открытость к инновациям (по шкале от 1 до 5)

β0 - свободный член β1, β2, β3, β4 - коэффициенты регрессии

ε - случайная ошибка

Помощь ИИ была значимым предиктором в обеих моделях (β = 0,39, p < 0,001 для производительности труда; β = 0,45, p < 0,001 для качества).

Диагностика модели:

Тест Шапиро-Уилка на нормальность остатков: W = 0.98, p = 0.124

Тест Бройша-Пагана на гомоскедастичность: BP = 3.45, p = 0.178 Максимальный фактор инфляции дисперсии (VIF): 2.3

Таблица 4.

Результаты регрессионного анализа

3.5 Лонгитюдный анализ

Дисперсионный анализ с повторными измерениями выявил значимые основные эффекты Группы (F(2, 83) = 22,37, p < 0,001, частичная η² = 0,35) и Времени (F(2, 166) = 45,62, p < 0,001, частичная η² = 0,36), а также значимое взаимодействие Группа x Время (F(4, 166) = 8,93, p < 0,001, частичная η² = 0,18).

Таблица 5.

Результаты дисперсионного анализа с повторными измерениями

3.6 Моделирование структурными уравнениями

Анализ SEM показал хорошее соответствие модели данным (χ²(24) = 32,76, p = 0,109; CFI = 0,97; TLI = 0,95; RMSEA = 0,058, 90% ДИ [0,000, 0,102]; SRMR = 0,045).

Структурная модель SEM:

η1 = γ11ξ1 + γ12ξ2 + γ13ξ3 + ζ1 η2 = β21η1 + γ21ξ1 + γ22ξ2 + γ23ξ3 + ζ2

где:

η1 - латентная переменная "Эффективность использования ИИ"

η2 - латентная переменная "Общая производительность труда"

ξ1 - экзогенная переменная "Использование ИИ"

ξ2 - экзогенная переменная "Опыт работы"

ξ3 - экзогенная переменная "Открытость к инновациям"

γij - коэффициенты влияния экзогенных переменных на эндогенные

β21 - коэффициент влияния η1 на η2

ζi - остаточные члены

3.7 Общее повышение эффективности труда

Анализ общей эффективности труда показал, что использование метода привело к значительному повышению производительности труда.

При сравнении групп, использующих помощь ИИ (CCA и CoCA), с контрольной группой, было обнаружено общее повышение эффективности труда на 18,7% (95% ДИ: [15.2%, 22.2%], F(2, 83) = 31.42, p < 0.001, η² = 0.43, 95% ДИ η²: [0.29, 0.54]).

Таблица 6.

Общее повышение эффективности труда

Этот показатель эффективности труда был рассчитан как комбинированная метрика, учитывающая как повышение производительности труда (скорость выполнения задач и коэффициент завершения), так и улучшение качества труда.

Формула расчета: Общая эффективность труда = (Прирост производительности труда × 0.6) + (Прирост качества × 0.4) где 0.6 и 0.4 - весовые коэффициенты, отражающие относительную важность производительности труда и качества соответственно.

Рисунок 4. График общего повышения эффективности труда

4. Обсуждение

Результаты данного исследования предоставляют эмпирическую поддержку эффективности труда в повышении производительности труда и качества выполнения задач. Значительные улучшения, наблюдаемые как в показателях производительности труда (скорость выполнения задач и коэффициент завершения), так и в результатах качества, согласуются с предыдущими исследованиями работы с помощью ИИ [10, 8, 9, 2].

Наблюдаемое общее повышение эффективности труда на 18,7% подчеркивает значительный потенциал метода в улучшении рабочих процессов в ключевых отраслях. Этот показатель, учитывающий как количественные (производительность труда), так и качественные аспекты труда, предоставляет комплексную оценку влияния интеграции ИИ на эффективность труда. Такое существенное улучшение может иметь значительные результаты для организаций, стремящихся оптимизировать свои рабочие процессы и повысить конкурентоспособность.

Дифференцированное влияние на работников с разным уровнем производительности труда особенно интересно. Более значительное улучшение у работников с низкой производительностью труда (43%, 95% ДИ: [35%, 51%]) по сравнению с высокопроизводительными работниками (17%, 95% ДИ: [9%, 25%]) указывает на потенциал метода для выравнивания производительности труда в коллективе.

Общее повышение эффективности труда на 18,7% (95% ДИ: [15.2%, 22.2%]) представляет собой существенное улучшение, которое может иметь значительные экономические результаты при широком внедрении.

Лонгитюдный анализ показывает, что группы с ИИ демонстрировали большее улучшение квалификации с течением времени, что указывает на эффект обучения при использовании инструментов ИИ.

4.1 Ограничения и направления будущих исследований

Следует отметить несколько ограничений текущего исследования:

Размер и разнообразие выборки: Выборка исследования из 86 сотрудников российских, швейцарских и гонконских компаний ограничивает обобщаемость результатов. Будущие исследования должны использовать более крупные, разнообразные выборки из нескольких стран и отраслей.

Период обучения: На эффективность труда помощи ИИ может влиять продолжительность и качество обучения сотрудников. Будущие исследования могли бы изучить влияние различных подходов и продолжительности обучения на результаты .

Долгосрочные эффекты: Хотя наше исследование включало лонгитюдный компонент, необходимы более длительные исследования для оценки устойчивого воздействия на производительность труда.

Специфика задач: Исследование было ограничено двумя типами задач. Будущие исследования могли бы расширить спектр задач, включив, например, прогнозное моделирование или анализ рисков, чтобы оценить эффективность труда в более широком контексте работы.

4.2 Практические импликации

Результаты данного исследования позволяют сформулировать ряд рекомендаций для организаций, рассматривающих интеграцию генеративного ИИ в рабочие процессы:

Учитывая более значительное повышение производительности труда у сотрудников с изначально низкими показателями (43% против 17% у высокопроизводительных работников), организациям рекомендуется уделять особое внимание внедрению ИИ-ассистентов среди менее опытных или менее продуктивных сотрудников.

Принимая во внимание наблюдаемый эффект обучения при использовании ИИ с течением времени, организациям следует разработать комплексные программы обучения, включающие как начальное ознакомление с инструментами ИИ, так и долгосрочную поддержку для максимизации преимуществ интеграции.

Принимая во внимание значительное улучшение качества труда (на 40%) при использовании ИИ, организациям следует внедрить системы мониторинга качества для оценки долгосрочного влияния интеграции ИИ на стандарты работы.

При внедрении ИИ-ассистентов организациям следует разработать четкие этические руководства по использованию ИИ, уделяя особое внимание вопросам конфиденциальности данных и прозрачности процесса принятия решений.

4.3 Роль ИИ в повышении эффективности труда

Результаты исследования указывают на то, что генеративный ИИ в контексте метода симбиотического повышения производительности труда функционирует преимущественно как высокоэффективный инструмент поиска и предложения оптимальных решений из базы известных подходов. Важно отметить, что наблюдаемое повышение производительности труда не свидетельствует о кардинальном изменении квалификации сотрудников, а о более эффективном использовании знаний.

5. Заключение

Результаты исследования демонстрируют значительный потенциал симбиотического использования генеративного ИИ для повышения производительности труда в бизнес секторе экономики, приводя к общему повышению эффективности труда на 18,7%. Интегрируя помощь ИИ в рабочие процессы сотрудников, организации могут достичь значительного повышения эффективности труда. Однако необходимы дальнейшие исследования для валидации этих результатов в различных контекстах и изучения долгосрочных последствий интеграции ИИ на рабочем месте.

Дальнейшие исследования могут быть направлены на изучение долгосрочного влияния использования ИИ-ассистентов на развитие квалификации сотрудников и потенциальные риски чрезмерной зависимости от автоматизированных систем поиска решений.

Список литературы:

1. Amazon EU Store Transparency Report. (2023).
2. Brynjolfsson, E., Li, D., & Raymond, L. R. (2023). Generative AI at work. National Bureau of Economic Research.
3. Calvino, F., & Fontanelli, L. (2023). A portrait of AI adopters across countries: Firm characteristics, assets' complementarities and productivity. OECD Science, Technology and Industry Working Papers.
4. Chui, M., Hazan, E., Roberts, R., Singla, A., Smaje, K., Sukharevsky, A., & Yee, L. (2023). The economic potential of generative AI: The next productivity frontier. McKinsey Global Institute.
5. Czarnitzki, D., Fernández, G. P., & Rammer, C. (2023). Artificial intelligence and firm-level productivity. Journal of Economic Behavior & Organization, 211, 188-205.
6. Filippucci, F., Gal, P., Jona-Lasinio, C., Leandro, A., & Nicoletti, G. (2024). The impact of artificial intelligence on productivity, distribution, and growth: Key mechanisms, initial evidence, and policy challenges. OECD Artificial Intelligence Papers, No. 15.
7. Microsoft and LinkedIn. (2024). 2024 Work Trend Index annual report.
8. Nielsen, J. (2023). AI improves employee productivity by 66%.
9. Nielsen, J. (2023). AI vastly improves productivity for business users and reduces skill gaps.
10. Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Economics.
11. Otis, N. G., Clarke, R., Delecourt, S., Holtz, D., & Koning, R. (2024). The Uneven Impact of Generative AI on Entrepreneurial Performance. Berkeley Haas; Harvard Business School.

Приложение

Подробная методика расчета показателя сохранения ИИ и дополнительные статистические анализы

Определение и компоненты

Методика расчета Показателя сохранения ИИ (ARS) является оригинальной разработкой для данного исследования. Она была создана с целью количественной оценки эффективности труда интеграции ИИ в рабочие процессы в рамках метода .

Показатель сохранения ИИ (ARS) был разработан для количественной оценки степени, в которой сотрудники включают идеи, ответы или контент, сгенерированный ИИ, в свои конечные рабочие продукты в рамках метода симбиотического повышения производительности труда с использованием генеративного ИИ . ARS включает пять ключевых компонентов:

Частота использования ИИ (F): Количество раз, когда сотрудник взаимодействует с выходными данными ИИ во время выполнения задачи.

Степень интеграции (D): Степень, в которой выходные данные ИИ включаются в конечный рабочий продукт.

Уровень модификации (M): Степень, в которой сгенерированный ИИ контент модифицируется перед включением.

Коэффициент зависимости (D): Соотношение задач, выполненных с помощью ИИ, к общему количеству выполненных задач.

Соответствие качеству (Q): Насколько хорошо предложения ИИ соответствуют желаемым стандартам качества.

Сбор данных

Для каждого сотрудника и задачи собирались следующие данные:

F: Количество использованных предложений ИИ

D: Процент предложений ИИ, использованных в конечном результате

M: Процент модифицированных предложений ИИ

D: Количество задач, выполненных с помощью ИИ / Общее количество задач

Q: Средний показатель качества выходных данных, созданных с помощью ИИ

Процедура расчета

Нормализация: Каждый компонент нормализовался до шкалы 0-1 с использованием формулы:

Нормализованный компонент = (x - min(x)) / (max(x) - min(x))

где x - значение компонента.

Присвоение весов: Каждому компоненту были присвоены веса на основе их относительной важности:

Частота использования ИИ (F'): 20%

Степень интеграции (D'): 25%

Уровень модификации (M'): 15%

Коэффициент зависимости (D'): 20%

Соответствие качеству (Q'): 20%

Расчет показателя: Показатель сохранения ИИ рассчитывался как взвешенная сумма нормализованных компонентов:

ARS = (F' × 0,20) + (D' × 0,25) + (M' × 0,15) + (D' × 0,20) + (Q' × 0,20)

Масштабирование: Для более легкой интерпретации ARS масштабировался до шкалы 0-100:

ARS_масштабированный = ARS × 100

Статистические анализы

Описательная статистика

Были рассчитаны средние значения, стандартные отклонения и диапазоны для всех переменных, включая показатель сохранения ИИ и его компоненты, а также меры производительности труда и качества.

Инференциальная статистика

T-тесты для независимых выборок: Использовались для сравнения средних показателей производительности труда и качества между группами с помощью ИИ (CCA и CoCA) и контрольной группой.

Однофакторный дисперсионный анализ (ANOVA) проводился для оценки различий в производительности труда, качестве и показателях сохранения ИИ между всеми тремя группами (CCA, CoCA и контрольная).

Множественная линейная регрессия применялась для моделирования взаимосвязи между помощью ИИ, показателями сохранения ИИ и результатами производительности труда при контроле других переменных, таких как опыт сотрудников, тип задачи и открытость к инновациям.

Хи-квадрат тесты использовались для анализа распределения результатов качества (высокое, среднее, низкое) между группами.

Дисперсионный анализ с повторными измерениями применялся для анализа изменений в производительности труда и показателях сохранения ИИ с течением времени для участников в разных группах.

Моделирование структурными уравнениями (SEM) реализовано для исследования сложных взаимосвязей между переменными, включая показатели сохранения ИИ, и проверки общей пригодности предложенной модели.

Анализ надежности и валидности

Внутренняя согласованность Альфа Кронбаха была рассчитана для компонентов показателя сохранения ИИ для оценки их внутренней согласованности.

Надежность тест-ретест где каждый Подгруппа участников выполняла те же задачи после четырехнедельного интервала для оценки стабильности показателей сохранения ИИ во времени.

Конструктная валидность: Был проведен факторный анализ для изучения базовой структуры компонентов показателя сохранения ИИ.

Конвергентная валидность: Были рассчитаны корреляции между показателями сохранения ИИ и другими мерами интеграции и эффективности труда ИИ.

Дискриминантная валидность: Были изучены корреляции между показателями сохранения ИИ и теоретически не связанными конструктами для обеспечения различительной способности показателя.

Таблица 7.

Результаты анализа надежности и валидности

Альфа Кронбаха (α = 0.89): Рассчитана с использованием пакета psych в R. Значение указывает на высокую внутреннюю согласованность компонентов показателя сохранения ИИ.

Надежность тест-ретест (r = 0.85): Вычислена как корреляция Пирсона между показателями ARS, полученными в двух временных точках с интервалом в две недели. Значение свидетельствует о хорошей стабильности показателя во времени.

Конвергентная валидность (r = 0.76): Рассчитана как корреляция Пирсона между ARS и другой валидированной мерой интеграции ИИ (например, Индекс использования ИИ). Сильная положительная корреляция подтверждает, что ARS измеряет схожий конструкт.

Дискриминантная валидность (r = 0.12): Вычислена как корреляция Пирсона между ARS и теоретически не связанным конструктом (например, общая удовлетворенность работой). Низкая корреляция подтверждает, что ARS измеряет уникальный конструкт.

Все корреляции были значимыми на уровне p < 0.001.

Анализ размера эффекта и мощности

d Коэна было рассчитано для всех значимых результатов t-тестов для количественной оценки величины различий между группами.

Частичная эта-квадрат (η²) была вычислена для результатов ANOVA для оценки доли дисперсии, объясняемой каждым фактором.

Значения R² были представлены для регрессионных анализов для указания доли дисперсии зависимой переменной, объясняемой предикторами.

Были проведены апостериорные анализы мощности для определения достигнутой мощности для обнаружения значимых эффектов с учетом размера выборки и наблюдаемых размеров эффекта.

Проверки устойчивости

Бутстрэппинг: Были сгенерированы 5000 бутстрэп-выборок для создания устойчивых доверительных интервалов для ключевых параметров, включая коэффициенты регрессии и размеры эффекта.

Анализ чувствительности: Были протестированы альтернативные схемы взвешивания для компонентов показателя сохранения ИИ для оценки устойчивости результатов к различным подходам оценки.

Анализ выбросов: Были применены диагностические меры влияния (например, расстояние Кука) для выявления потенциальных выбросов, и анализы были повторены с этими случаями и без них для обеспечения стабильности результатов.

Все статистические анализы были проведены с использованием R (версия 4.1.0) с дополнительными пакетами, включая lavaan для SEM-анализов и boot для бутстрэппинга. Уровень значимости был установлен на α = 0,05 для всех инференциальных тестов, и 95% доверительные интервалы были представлены, где это применимо.