Monideepa Tarafdar de UMass Amherst explique comment l'utilisation de l'IA à un niveau critique peut améliorer la précision et aboutir à un travail plus solide.
Les travailleurs du savoir tels que les scientifiques, les enseignants, les avocats et les chefs d'entreprise sont recourir de plus en plus à l’intelligence artificielle générative applications pour des tâches qui exigent de l'imagination, de la créativité et de la résolution de problèmes. Ironiquement, peut-être, recherches récentes montre que les personnes qui interagissent avec l’IA générative pour des tâches professionnelles peuvent finir par ne pas avoir un esprit critique. Ils peuvent se rendre à Les réponses rapides et sûres de l’IA, qui peuvent conduire à des solutions rapides mais de mauvaise qualité.
Les chercheurs appellent ce problème de plus en plus répandu déchargement cognitif. Et ils montrent que c'est possible éroder les compétences mêmes qui rendent les travailleurs du savoir précieux.
Mes recherches à l’intersection de l’intelligence artificielle et du travail de la connaissance, on voit cependant un point de vue différent. Dans une étudemes collègues et moi avons interviewé 45 travailleurs du savoir dans une université publique américaine. Ils utilisaient tous des applications d’IA générative dans leurs tâches principales : générer de nouvelles idées, résoudre des problèmes complexes et concevoir de nouvelles solutions. Nous avons également analysé les invites et les résultats de leurs discussions itératives avec l'IA.
Nous avons constaté que lorsque les travailleurs du savoir utilisent intentionnellement l’IA pour remettre en question leurs idées et générer des frictions, ils peuvent améliorer considérablement leurs performances. Recherches antérieures sur la collaboration homme-IA pour les évaluations de prêts a donné des résultats similaires.
Comment créer des frictions
Utiliser l’IA pour trouver des informations qui contredisent les vôtres peut révéler des perspectives improbables qui perturbent votre logique familière et suscitent de nouvelles perspectives. Ceci est particulièrement important car les modèles d'IA se familiarisent rapidement avec la manière dont un utilisateur commande le modèle et interprète ses résultats, et le modèle présente des informations selon ces modèles.
Par exemple, un professionnel du marketing participant à notre étude a demandé à l’IA de créer des clients virtuels dotés de personnalités qui les amèneraient à ne pas aimer un produit en cours de développement, à savoir un programme de certificat comptable. Les commentaires contraires du modèle d'IA ont révélé des préférences des clients que le professionnel comptable qui a conçu le programme n'avait pas prises en compte, comme l'utilisation de plusieurs cas provenant de différents secteurs pour illustrer un principe, plutôt que des cas provenant du même secteur.
Un avocat a utilisé l’IA pour découvrir d’obscures failles juridiques et réfléchir à la manière dont les entreprises pourraient les exploiter. Cela a révélé des scénarios surprenants mais réalistes de comportements contraires à l’éthique difficiles à détecter chez les employés.
Explorer les idées improbables et opposées présentées par l’IA peut sembler désorientant. Pour aider, les travailleurs du savoir doivent s’appuyer sur leur propre expertise pour remettre en question les informations surprenantes qu’un système d’IA pourrait fournir.
Un scientifique en recherche opérationnelle qui travaille avec des chaînes d'approvisionnement a décrit avoir adapté des programmes informatiques inconnus provenant d'autres domaines suggérés par l'IA, tels que le traitement du signal et la communication sans fil, ce qui l'a aidé à créer son propre programme plus solide. Même si les programmes étaient nouveaux pour lui, sa solide compréhension de la modélisation des réseaux d’approvisionnement l’a aidé à voir comment il pouvait les appliquer.
Une étude à laquelle je n'ai pas participé a révélé que les rédacteurs créatifs produisent de meilleurs textes lorsqu'ils utiliser l’IA comme caisse de résonance plutôt que d'écrire des fantômes.
Les travailleurs du savoir peuvent également utiliser les résultats de l’IA pour examiner des sujets sous plusieurs points de vue, approfondissant ainsi leurs connaissances.
Un chercheur de notre étude a testé un système d’IA pour les articles de revues qui utilisaient un concept qu’il utilisait, mais dans des contextes contrastés, ce qui l’a aidé à comprendre le concept sous différents angles. Un avocat a suivi les citations juridiques suggérées par un modèle d’IA en demandant différents types de cas illustratifs. Cela l’a aidée à bien comprendre le cas initial et à rédiger un mémoire juridique solide.
Aider les travailleurs du savoir à s’aider eux-mêmes
Les dirigeants des organisations peuvent encourager les travailleurs du savoir à développer des requêtes génératrices de frictions sur les modèles d’IA.
Une approche simple consiste à utiliser des invites qui remettre en question plutôt que d'être d'accord avec la pensée d'une personne. Les gens peuvent également s’appuyer sur leurs propres connaissances, expériences professionnelles et éthique professionnelle pour examiner les résultats de l’IA. Parfois, les gens se rendent compte qu’une réponse manque d’originalité, même si elle est factuellement correcte.
Les dirigeants d’organisation peuvent également créer des programmes permettant aux travailleurs du savoir de partager leurs expériences et leurs idées. Des sessions régulières, dirigées par des groupes de travail interfonctionnels sur l’IA ou des champions de l’IA, peuvent également aider les travailleurs du savoir à suivre l’évolution rapide des outils d’IA.
Il est également important de fournir des ressources aux travailleurs du savoir. Les bootcamps et ateliers internes sur l’IA animés par des experts en IA ou des utilisateurs expérimentés peuvent aider les travailleurs à comprendre ce que les outils d’IA peuvent et ne peuvent pas faire.
Une professeure à la tête d’une initiative sur l’utilisation de l’IA dans l’enseignement a décrit comment elle a développé des concours internes avec des prix pour les professeurs qui ont terminé avec succès les camps d’entraînement sur l’IA. Les organisations peuvent également offrir Bacs à sable IAdes environnements sécurisés et privés où les employés peuvent expérimenter et apprendre à utiliser les outils d'IA.
Dans ces efforts visant à soutenir les travailleurs du savoir, un détail important est de souligner que l’ajout de frictions peut sembler faire en sorte qu’un système d’IA joue contre vous, mais, comme le montre de nouvelles recherches, cela l’aide en réalité à fonctionner pour vous.
Par Monideepa Tarafdar
Monideepa Tarafdar est professeur de systèmes d'information à UMass Amherst. Dans le vaste domaine de l'impact des technologies et des systèmes de l'information sur les individus et les organisations, ses intérêts de recherche spécifiques comprennent les ajustements individuels et organisationnels nécessaires à une utilisation efficace des technologies de l'information, les utilisations inadaptées des technologies de l'information, l'innovation commerciale et la stratégie commerciale basées sur la technologie, l'impact de la technologie dans des contextes sociaux économiquement sous-développés et l'impact de la gestion de l'information et de l'utilisation de l'informatique sur les processus de la chaîne d'approvisionnement des produits et services.
