優秀な従業員から得たデータから、全員の生産性を向上させる AI ヘルパーが作成できる可能性がありますが、公正な賃金に関する新たな懸念も生じます。
写真：ゲッティイメージズ
2020年、主にフィリピンを拠点とする5,000人のカスタマーサービスエージェントが、2023年までには緊急性を帯びるであろう疑問を検証する実験のモルモットになった。OpenAIのテキスト生成技術に基づくAIアシスタントは、労働者の生産性を向上させることができるか？
この自動ヘルパーは、技術サポートを求める中小企業の経営者に対し、エージェントに回答例を提示しました。このボットは過去の顧客とのチャットでトレーニングされており、特に優秀な顧客からの回答に重点を置いていました。そして、MITとスタンフォード大学の研究者が結果を分析したところ、このAIツールによってサポートチームの生産性が14%向上したことが明らかになりました。
非営利団体である全米経済研究所が4月下旬にこれらの研究結果を発表すると、ChatGPT型ボットがまさに仕事のやり方を変えるという確証として、たちまち注目を集めました。しかし、研究を実施した研究者たちにとって、この結果は新たな挑発的な疑問を提起しました。ボットの訓練に関わったチャットの優秀な従業員に報酬を与えるべきなのでしょうか？
「例えば、あなたが私に問題を抱えて電話をかけてきて、私がそれを解決したと想像してみてください」と、MITスローン経営大学院の経済学者ダニエル・リー氏は言う。彼女はMITの博士課程の学生リンジー・レイモンド氏、そしてスタンフォード大学デジタルエコノミーラボ所長のエリック・ブリニョルフソン氏と共同でこの研究を執筆した。AIチャットボットのない世界では、これは経済学者が生産性と呼ぶものを生み出すだろう。しかし、ChatGPTの時代では、それは貴重なデータも生み出す。「今ではそのデータは他の人の問題を解決するために使えるので、同じ答えからより多くの成果が生み出されるのです」とリー氏は言う。「そして、それを測定し、補償する方法を見つけることが非常に重要だと思います。」
レイモンド氏は、生産性向上につながるAIシステムの構築を可能にするデータを提供する従業員に報いる方法を見つけることは、雇用主にとって利益になると主張している。結局のところ、雇用主は、優秀な人材が留まり、モデルに継続的にデータを提供し続けることを必要とするだろう。「新たな問題が全く発生しないビジネス状況はほとんどありません。ですから、優秀な人材には、将来に向けてベストプラクティスを生み出し続けることが必要なのです。」
MITとスタンフォード大学の研究は、生成AIツールを導入している企業内、さらには従業員間でも同様の緊張が生じる可能性があることを示している。カスタマーサービス担当者は、研究者が社名を明かすことを許されなかったフォーチュン500企業向けソフトウェア企業に勤務していた。従業員は、給与計算や税金といった事務的な問題を抱える米国の中小企業に対し、チャットベースのサポートを提供していた。この業務はストレスが多く、苛立った顧客との頻繁なやり取りを伴い、サポートチームの離職率を高めていた。
その結果、同社は退職者の代わりとして採用した新入社員の研修に多大な時間を費やした。必要なスキルの多くは、研究者が「暗黙知」と呼ぶものだった。これは経験に基づくノウハウであり、簡単には体系化できないものの、大規模な言語モデルがチャットログから吸収し、模倣することができる。同社のボットは、技術スキルと社会的なスキルの両方を支援し、エージェントに関連する技術文書を紹介したり、「喜んでお手伝いいたします。できるだけ早く解決いたします！」といった、怒り狂った顧客を落ち着かせるための明るい言葉を提案したりした。
ボットの導入後、チームが1時間あたりに解決できる問題数は14%増加しました。さらに、ある月における従業員の退職率は9%低下し、顧客の従業員に対する態度も改善しました。また、マネージャーとの面談を希望する顧客も25%減少しました。
しかし、研究者が結果をスキルレベル別に分析したところ、チャットボットの恩恵の大部分は最もスキルの低い労働者にもたらされ、生産性が35%向上したことがわかりました。一方、最もスキルの高い労働者には効果はなく、顧客満足度スコアがわずかに低下したという結果も出ています。これは、ボットが作業の妨げになっている可能性を示唆しています。
一方、AIアシスタントが低スキルの労働者に同じ技術を使うよう誘導したため、高スキルの仕事の価値は増大した。
雇用主が自発的にその価値に報いるかどうかは疑問だ。シラキュース大学の歴史家で『 オートメーションと仕事の未来』の著者であるアーロン・ベナナフ氏は、 19世紀後半にフレデリック・テイラーという機械工学者によって開発され、後にヘンリー・フォードの自動車工場で採用された生産性システムであるテイラー主義に歴史的な類似点を見出している。
テイラーはストップウォッチを使って物理的なプロセスを構成要素に分解し、それらを最も効率的に完了する方法を決定しました。ベナナフ氏によると、テイラーは特定の職業において最も熟練した労働者に特に注目し、「より熟練度の低い労働者にも同じ方法で作業してもらうため」だと語っています。今では、ストップウォッチを持ち歩く几帳面なエンジニアの代わりに、機械学習ツールが労働者のベストプラクティスを収集し、共有することができます。
テイラー時代の従業員の中には、それがうまくいかなかった人もいました。彼の手法は、企業が同じ仕事をする低スキルの従業員に給料を払えるようになったため、高スキル労働者の収入減少につながるとベナナブ氏は言います。たとえ優秀な人材が依然として必要だったとしても、企業が必要とする人材は減少し、彼らの間の競争は激化しました。
「ある説によると、これは1930年代に低技能または中技能労働者の間で労働組合結成を促す上で大きな役割を果たした」とベナナフは言う。しかし、より懲罰的でない制度もいくつか登場した。テイラーの信奉者の一人、機械工学者のヘンリー・ガント（そう、あのチャートの男だ）は、全労働者に最低賃金を支払う一方で、さらに高い目標を達成した労働者にはボーナスを支給する制度を考案した。
たとえ雇用主が優秀な従業員にAIシステムの教育を行うインセンティブを感じ、あるいは従業員が自らその報酬を獲得したとしても、その成果を公平に分配するのは難しいかもしれない。例えば、複数の職場からデータが集められ、AI企業に送られ、AI企業がモデルを構築して個々の企業に販売するといったケースも考えられる。
しかし、この試みを試みる企業は、ゲーム理論における「シャプレー値」という概念に頼ることができると、バージニア工科大学の電気工学者で、この値に関する研究論文の共著者でもあるルオシ・ジア氏は述べている。この値は、複数のプレイヤーがグループの成果に対して異なる金額を貢献した場合に、公平な利益分配を決定するために活用でき、異なる価値を持つ医療データを研究者と共有した患者への報酬として利用されてきた。
しかし、シャプレー値の計算には膨大な計算コストがかかるとジア氏は言う。そのため、この手法はChatGPTのようなボットを支える複雑な機械学習システムのような大規模な言語モデルにはまだ適用されていない。また、機械学習のコンテキストに適用する場合、ある程度のランダム性も含まれる。
MITとスタンフォード大学の研究でテストされたようなチャットボットが普及すれば、一部の労働者は自らの力で新たな報酬体系を求めるようになるかもしれない。ベナナフ氏は、ドイツやスウェーデンなど、団体交渉に寛容な国の企業は、米国企業よりも従業員への投資が多い傾向があると指摘する。調査によると、スウェーデン国民はロボットに仕事を奪われることへの不安が少ない。これは、企業が新しい技術を導入する際に、従業員のスキル向上に費用を投じることが多いためだ。「従業員のスキルアップを図れば、より多くの報酬を得ることになります」とベナナフ氏は言う。「それはより持続可能で持続可能なプロセスなのです。」
MITとスタンフォード大学の研究で紹介されたチャットボットは、エージェントと顧客間のやり取りを改善することで、一部の従業員にとって職場環境のストレスを軽減したように見えました。しかし、同じ技術がアルゴリズム管理、つまり自動化システムを用いて従業員を監視・管理する慣行の一形態となる可能性も考えられます。コールセンターのエージェントは既にこうした技術にさらされており、給与と仕事への満足度を低下させていることが指摘されています。
研究者たちは、AIツールの影響について引き続き研究する予定です。彼らが関心を寄せているのは、従業員がチャットボットから学ぶのか、それとも依存するのかという点です。「Googleマップなしで運転できるようなものです」とリー氏は言います。たとえ答えが「ノー」だとしても、必ずしも悲惨な結果になるわけではないと彼女は言います。経済学者としての仕事では、統計分析ソフトウェアが手作業による計算スキルの一部を代替しています。「それは必ずしも悪いことではありません。なぜなら、そのテクノロジーを利用できるからです。そして、新しいスキルセットを身につけることも考えられます。」
ケイトリン・ハリントンは、WIREDの元スタッフライターです。WIREDの研究員として赴任する前は、サンフランシスコ・マガジンの編集フェローを務め、放射線腫瘍学の認定線量測定士も務めていました。ボストン大学で英文学の学士号を取得し、現在は…続きを読む
