生成式人工智能：它很强大。 这是可以访问的。 它有望改变我们的工作方式。 在麦肯锡人才对话播客的这一集中，人才领袖 Bryan Hancock 和 Bill Schaninger 与麦肯锡技术委员会主席 Lareina Yee 和全球编辑总监 Lucia Rahilly 讨论了在人力资源领域使用新一代人工智能的前景和陷阱——从招聘到绩效管理再到聊天机器人 -促进职业发展。 他们的讨论的编辑版本如下。
有何不同且如此具有颠覆性
Lucia Rahilly：近几个月来，关于生成式人工智能和 ChatGPT 等工具的讨论非常多。 许多人似乎在对这些工具的潜力感到惊讶和对其固有风险的恐惧之间摇摆不定。 Lareina，生成式人工智能有什么不同，其颠覆性潜力背后是什么？
Lareina Yee：生成式人工智能有几件事很突出。 2022年11月，OpenAI发布ChatGPT 3.5，五天之内，用户数量突破百万。 因此，采用的速度是前所未有的。
对我来说，那一刻最深刻的是，任何人——任何年龄、任何教育水平、任何国家——都可以进入 GPT，询问一两个问题，并找到一些实用或有趣的东西，比如一首诗或一篇文章。 那里有一种每个人都可以获得的体验。 从那时起，我们已经看到了技术的巨大进步，而这仅仅几个月的时间。
第二件超级有趣的事情是，你不需要成为一名计算机科学家就可以利用这项技术——它可以用于所有类型的工作。 OpenAI 的研究估计，80% 的工作可以将生成式 AI 技术和功能融入到当今工作中发生的活动中。 这对人才和就业产生了深远的影响，这与我们之前谈论的方式不同。
从某些方面来说，精灵已经从瓶子里出来了。 尝试将其放回去可能不是最好的策略。向前倾斜并找出如何以高效且安全的方式使用它。
Lucia Rahilly：用例的即时性感觉非常新颖且快如闪电。 解释什么是生成式人工智能，因此我们正在根据该术语的通用定义进行工作。
Lareina Yee：生成式人工智能是一项能够提示下一个最佳答案的技术。 很多人都使用 ChatGPT 来汇总信息，通过汇集大量公共数据来起草对某事的回应。 但也有令人惊叹的成像。 我可能想要歌曲、音频、视频或代码。 代码就是一个巨大的例子。 生成式人工智能在世界上可以做的事情范围之广令人惊叹，而且它才刚刚开始。
Bryan Hancock：我向 ChatGPT 询问了自己的情况，它准确地报道了我在人才方面做了很多工作。 然而，它错误地报道了我去了康奈尔大学，因为根据我的背景，它认为康奈尔大学是最合适的答案，而不是我去了的弗吉尼亚大学。 我觉得很有趣的是，你不一定会得到正确的东西，但会得到合乎逻辑的东西。
Lareina Yee：在某些方面，这模仿了我们的思维方式。 我并不是说它像人类一样思考，但在很多方面，我们使用捷径和线索来做出假设。 这就是为什么人们会说：“天哪，这感觉真的很聪明。” 但布莱恩，就你的观点而言，这并不是 100% 准确。 有一个很好的术语来形容：“幻觉”。
一代人工智能对招聘人员意味着什么。 。 。
Lucia Rahilly：我们将更多地讨论一些风险，但让我们转向这些生成式人工智能功能对人才的特殊意义。 您是否期望生成式人工智能以任何有意义的方式重塑或改变招聘流程？
布莱恩·汉考克：我认为这将以两种有意义的方式重塑招聘。 首先是帮助经理制定更好的工作要求。 生成技术实际上可以利用工作成功所需的技能。 这并不是说经理不需要检查最终产品。 他们需要成为循环中的人，以确保工作要求是好的。 但新一代人工智能可以显着提高速度和质量。
招聘中的另一个应用是候选人个性化。 现在，如果您是一个拥有数万名申请者的组织，您可能有也可能没有超级定制的方式来联系已申请的人。 借助生成式人工智能，您可以对候选人、工作以及因应聘者因原因不适合而可能提供的其他工作进行更多个性化设置。 通过生成式人工智能，所有这些事情都变得更加容易和快捷。
Bill Schaninger：新一代人工智能的最佳应用是在大型技能库中，你可以在其中尝试填补相当知名的工作。 我们需要一种更加高效的方式来浏览所有的个人资料。 让我有点焦虑的是，每当这是一份新颖的工作——一个新的角色——甚至，根据美国法律，一份变化超过 25% 或 33% 的工作。 在这些情况下，你必须返回并重新验证判断人才库内或外人员的标准。
验证的挑战是您需要一个性能标准来回归并问“有什么区别？” 在某些情况下，这意味着弄清楚如何在不侵犯其他人专有性能数据的情况下从数据湖中获取该标准。 如果你说，“好吧，我们只会作为雇主使用我们的数据”，那么你只是根据你已经雇用的人来制定标准。 为了验证这一点，你必须看看那些不是你雇佣的人。
所以这并不意味着该技术不能使用。 这只是意味着可能需要更多的前端工作来将其应用到新的工作中，并为大型技能库提供广阔的机会。
Lucia Rahilly：我们经常谈论招聘过程中对资历索引过高而对技能索引不足的问题。 生成式人工智能是否可以加速从大学学位等证书向候选人实际能够为工作场所做出贡献的技能的转变？
Lareina Yee：我对此持乐观态度。 这项技术做得非常出色的一件事是标记——为非结构化数据添加单词标记的能力。 许多企业正在考虑将其应用于电子商务和不同类型的零售体验。 但您也可以将其应用于人才获取或寻找能力。 现在您不需要寻找证书或学位。 您可以根据能力和技能寻找关键字。
看看社交媒体，人们如何谈论某些能力？ 您可能会发现有更好的词来形容那些拥有这些技能的人。 想象一下这样一个世界，您希望能够找到在工作中学习拥有丰富经验但没有博士学位或大学学位的候选人。 我乐观地认为这可以为这样的人打开更多的大门。
Bill Schaninger：这是商业世界中一个有趣的权衡，商业世界喜欢专有数据集和配置文件分组。 真正的力量可能是，“在你开始遇到付费墙之前，你能在公共领域获得多少东西？”
很久以前，当 LinkedIn 被收购时，API 仅限于职位名称，而不一定是其背后的所有规范。 这些池子里有力量——特别是在工作档案中——因为这样你就可以去查看任务和技能。 我想这里将会有一场竞赛，旨在弄清楚我们如何将这些东西拼凑在一起，形成本体云，如果你愿意的话，“这 17 件事描述了这项技能”。 因为这确实是关于技能而不是证书。
。 。 。 这对职业发展意味着什么
布莱恩·汉考克（Bryan Hancock）：您也可以将其视为不仅从雇主的角度，而且从候选人或员工的角度，帮助基于技能的过渡。 在当今世界，如果你可能拥有一些技能，但对你的职业机会可能是什么没有一个非常清晰的认识，那么你就高度依赖于经理或对你感兴趣并帮助你导航的人 你走上“非传统”的道路。
但在生成式人工智能的世界中，你可以与一个非常智能的聊天机器人进行对话，并说：“嘿，这是我的技能和经验。 哪些工作可以向我开放？” 它可能会回来说：“好吧，大多数拥有你技能的人都会做这些事情，但有些人会做 A、B、C”，其中“C”就是编码。 然后，您可以说，“告诉我编码中的这些工作是什么”，它可以提取编码员的工作描述，该描述不仅适合 IT 人员，而且可以翻译成您理解的单词。 然后你可以说：“好吧，这太棒了。 我很感兴趣。 我需要什么学习经历？” 生成式人工智能可以告诉你这些学习经历是什么。
因此，对于那些拥有天生能力但缺乏可见性的人来说，生成式人工智能可以照亮一系列职业道路，并开始帮助人们了解如何实现这一目标。
Lareina Yee：想象一下，我的职业生涯已经十年了，但我感觉有点陷入困境。 如果我有一个专业发展人工智能助手来帮助我思考诸如“我应该寻找什么类型的工作？ 我的公司内有哪些角色类型？ 我怎么看待他们？” 和“我会选什么课？” 而不是等待有人给我重新培训——这听起来很糟糕。 在职业生涯十年后，我如何主动培养技能并了解适合我能力的工作范围？ 那真是太酷了。
Bill Schaninger：根据您所处的监管环境，您不能在没有人参与的情况下做出任何选择决定。 在欧盟尤其如此。 这是一种增强人类工作但又不影响决策的好方法。 在员工方面，它应该提供更多的透明度； 你实际上可以看到你离很多事情有多近。 我喜欢它的员工体验部分。 我对选择部分感到焦虑，只是因为我们仍然不确定数据湖中有什么以及人们在推动人工智能方面有多擅长。
拉雷娜·伊：对。 很高兴为您提供一些选择，但它不是答案或推荐引擎。 你的判断很重要。
Bryan Hancock：我们看到的另一件事是 ChatGPT 以及更广泛的生成式人工智能特别擅长让新员工更快地跟上进度。
斯坦福大学的埃里克·布林约尔松 (Erik Brynjolfsson) 和麻省理工学院的其他人最近发表了一项有趣的研究，该研究着眼于呼叫中心工作人员。 他们发现，生成式人工智能功能对于最有经验的代表来说并不是那么有帮助。 这对新人来说非常有帮助，因为他们能够更快地获得机构知识。 它就在他们的指尖。 他们可以提出问题并得到答案。 因此，新员工的生产力显着提高。 生成式 AI 确实可以让您达到 80-90% 的熟练程度。
Lareina Yee：布莱恩，我喜欢这一点，我也很乐观。
绩效考核有哪些新变化
Bryan Hancock：我个人最喜欢的生成式人工智能在人员方面的用途之一实际上是用于绩效评估。 听我说完：我不希望生成式人工智能真正生成某人的绩效评估。 这需要人类的参与，需要人类的判断，需要同理心。
但让我用一个麦肯锡评估员的工作为例：我收到了 15 到 20 个人的书面反馈。 他们将其输入数字系统。 我收到了长篇反馈。 我会查看向上的反馈分数，其中包括书面评论以及基于具体数字的分数。 我会观察人们实际部署参与活动的频率。 我会研究与合规性相关的措施。 他们按时交还东西了吗？ 各种各样的事情。 对于我来说，作为一名评估员，获得初稿是一个极其艰巨的过程。 我为时间和其中的深思熟虑感到自豪。
但如果我可以按下按钮并获得草稿呢？ 当我与最了解我所评估的人的 15 个人进行每次对话时，如果我已经有了一份草稿怎么办？ 它并不能取代经历一切，但最初的综合将帮助我更快地找到我真正需要探索的人的发展和成长。
我对这个用例感到很兴奋，因为它消除了很多工作。 起初，许多人会想，“我永远不希望生成式人工智能接近绩效评估。” 但如果我们将其视为生产力的辅助工具或帮助我们变得更好的东西，那就令人兴奋了。
Lareina Yee：现在我们来谈谈他正在评估的员工。 员工得到反馈，布莱恩可能写得很清楚，并且带着同理心表达出来，所以这个人会感觉，“好吧，我有一些优势，而且我有一些发展需求。”
但是，如果我作为员工可以询问：“与我的优点和缺点相比的五种成功模式是谁，他们后来做了什么？ 我如何可视化我的职业发展？ 我怎样才能继续努力呢？” 我还可以有一个助手来帮助我规划我的职业发展。 这样，当我们一年后复查时，我确实有了进步，也增加了自己的志向。
如果比尔是我应该效仿的人怎么办？ 布莱恩不必把我介绍给比尔，生成式人工智能帮助我意识到我已经具备了比尔·沙宁格的素质。 我可以从中得到启发。 我认为有很多东西可以增强我们多年来一直努力做的事情。
Bill Schaninger：我们谈论让经理重新回到绩效管理中。 每次你和某人谈论一些好或坏的事情时，把它记录下来。 这样，到了年底，它更多的是一种聚合和综合，这对任何人来说都不足为奇。 但这需要定期输入。 因此，虽然我喜欢你所描述的内容，但做到这一点的不是技术；而是技术。 是人们致力于通用数据捕获和实现它的通用方法。
布莱恩·汉考克：你的观点很好。 然后，作为评估者，我运用我的人类判断。
Bill Schaninger：规范数据很好。 当我们获得麦肯锡的赞助和指导数据时，我们可以看到我们与特定地区的其他合作伙伴相比如何。 但是，如果你没有参考点，你怎么知道什么是“好”呢？ 当您获得规范数据时，您可以开始获得一些指导。 我喜欢这一切，而这一切都是由大量数据支持的。
如果这能够让我们对实际绩效有一个更稳健、更全面的看法，那么进行困难的绩效对话就会变得容易得多。 我们需要让经理重新回到绩效管理中。 但我们能否让管理人员变得更轻松，以便他们可以将时间花在管理上，而不是潦草制定时间表或将 15 个数据点编织在一起？
偏见和其他风险
Lucia Rahilly：让我们更多地讨论一些风险。 生成式人工智能基于历史数据进行学习，历史数据模式反映了历史偏差。 通过依赖生成人工智能驱动的工具，我们无意中传播这些遗传偏见的风险是什么？
Lareina Yee：当然，今天的生成式人工智能会放大偏见。
假设我正在招聘，我描述了一些不同的资格。 我正在寻找城市人才中心，并决定寻找篮球队长； 或者，相反，我会说长曲棍球队长是可取的。 这些都是有队长和领导力的团队运动，所以在某种程度上这是有道理的。
但如果你看一下人口统计数据，就会发现在城市打篮球的人与打长曲棍球的人有很大不同。 因此，通过强调长曲棍球，你通常会得到更多年轻的白人男性领导人，而如果你选择篮球，你可能会发现更多的非裔美国人或拉丁裔。 垒球怎么样，我们在哪里看到女性？ 相反，如果我们选择一整套运动会怎样？ 即便如此，仅仅选择体育项目作为过滤器就可能会放大提问中的偏见。 我认为这个问题的力量在于我们人类。
布莱恩·汉考克：当然还有知识产权问题。
但我也认为我们所有人都有变得不那么有趣的风险。 如果您是创意领域的人士，并且利用生成式人工智能将每周的产出从 6 篇文章增加到 12 篇，那么您在每篇文章上花费的时间就会更少。 您可能需要这样做才能及时发表，但这也意味着您不会花太多时间在淋浴、跑步或在车里思考这些文章。 你的生产力会提高，但你可能不一定有那么多时间进行创造性思维。 我们知道，最有创意的想法来自于休息时间——当你在做其他事情并让你的思绪游离时。
这种变得不那么有趣的风险很重要，而且我们可能还没有充分考虑到这一点。
拉雷娜·伊：没错。 有很多风险。 让我们也想想正在实施这项技术的领导者。 通常，人们有一个工作流程，他们会考虑技术和业务投资回报，只有在最后才会问：“我们是否应该担心任何风险？” 我强烈建议您在工作流程设计中预先考虑风险。
另一件事是我们通常所说的“变革管理”有一个真正的机会。 如果您没有仔细考虑技术如何改变工作、工作流程或协作模式，那么您不一定会将额外的时间用于更具附加值的事情。 您需要考虑它如何影响工作日和工作周的其余时间。
Bill Schaninger：在很多情况下，我们倾向于归咎于技术，而不是强调在实施技术之前所发生的糟糕的问题解决。 获得一个更好、更闪亮、更快、更广泛的工具并不能减轻你思考问题的负担。
Lareina Yee：这里要指出的更重要的事情是，我们三个人花了这段时间思考所有积极的意图以及我们如何利用它来做好事。 但可能有人正在思考这项技术并问：“我如何利用它来造成伤害？” 传统上，这就是为什么政府监管、政策和国际标准在我们的社会中发挥着基础性作用。 我认为不能完全让私营部门进行自我监管。
为不可避免的事情做好准备
Lucia Rahilly：人们最担心的是，这些工具会取代他们的工作，或者——可能更糟糕——成为他们的老板。 您认为人们现在可以做些什么来为生成人工智能带来的变化做好准备？
Bill Schaninger：我会尽力让他们更容易学习和使用它。 这比继续试图抵抗要好。 我认为我们不应该受到这些恐惧的影响。
Lucia Rahilly：假设人力资源和人才流程变得越来越自动化，领导者如何确保生成式人工智能不会妨碍布莱恩所说的“循环中的人”？
Lareina Yee：领导者可以在两个方面发挥巨大作用。 一是在职能范围内实现自身人才能力的现代化和跨越式发展。 其次，如果他们 80% 的员工正在流动，那么他们在这种情况如何发生以及它如何影响公司员工方面发挥着巨大作用。 我认为领导人在谈判桌上拥有很大的发言权。
布莱恩·汉考克：对于人力资源部门来说，这是一个巨大的机会，可以增加大量员工获得机会的机会。 这是一个让管理者能够更持续地达到人力资源领导者一直希望他们达到的绩效水平的机会，而不是从事行政任务。 我希望人力资源部能将此视为一个机会，将他们不需要做的工作常规化并摆脱掉。 然后，对于他们确实要做的工作，他们可以使用这项技术来找到一种方法，更快地获得更好的答案。
