华文视线

最近一次真实世界实验中，参与创造性问题解决任务的团队，大多数情况下都从AI的帮助中适当获益，但也有一些团队表现不佳。领导力开发公司GeoLab的CEO、本研究的作者之一基安·戈哈尔（Kian Gohar）说，不要怪罪于技术。关于生成式AI、问题解决和创造性过程的普遍误解，会导致员工及管理者不正确地使用这些工具，有时会比没有AI更糟糕。

戈哈尔和核心研究员、斯坦福大学的杰里米·阿特利（Jeremy Utley）与四家公司合作：两家在欧洲，两家在美国，每家公司最多有60名员工需要在小团队中，解决公司面临的业务问题，例如，开发内部培训资源，或者扩大特定产品的B2B销售。每家公司中，一些团队（对照组）在完全没有AI帮助的情况下解决这个问题，而其他人（实验组）则有开源版本的 ChatGPT。所有团队都观看了关于任务问题的简短演示，并在信息表中得到了相关细节。

团队有90分钟的时间按照研究人员规定的结构生成潜在的解决方案。员工首先单独工作，然后在头脑风暴环节与队友分享想法。实验组可以在两个构思阶段使用ChatGPT，并通过输入信息表中的内容训练工具。结束时，每个团队都提交了自己的想法。

每个问题的“所有者”——每个组织中负责实施最终解决方案的人——在不知道哪些答案由人机协作产生的情况下，对想法给出评价，从A（“极具说服力”）到D（“不值得深究”）分配等级。戈哈尔表示，结果颠覆了研究人员的预期。他和同事们本认为，利用ChatGPT的团队会产生更多更好的想法，但这些团队平均只比对照组的团队多8%的想法。他们得到的D少了7%，但也得到了8%多的B（“有趣但有待发展”）和大致相同比例的C（“需要重大改进”）。最令人惊讶的是，他们得到的A少了2%。戈哈尔说：“生成式AI会帮助员工避免糟糕想法，但也导致了更普通的想法。”实验前后进行的调查显示，使用AI的团队比其他团队更有信心解决问题——这里相差21%，但是他们得到的分数表明，大部分信心是错误的。

当然，AI在解决问题方面具有真实潜力，戈哈尔说。以下是将其最大化的几个步骤。

问题要具体。支撑生成式AI聊天机器人的大型语言模型旨在给出“平均”回答；它们的算法已经被训练成识别连续单词的最高概率。如果输入“我像个……一样吠”，并要求机器人完成这个想法，它几乎肯定会给出“狗”这个词。但如果团队正在寻找跳脱的解决方案，平均回答就没有太大用处。

因此，管理者应该教导团队，在使用工具前编写高度具体的问题陈述，包括尽可能多细节。例如，不要问：“我们如何提高客户满意度？”可以说：“我们的客户旅程包括以下步骤……入职步骤的哪些变化将提高10%的保留率？”戈哈尔评论说：“人们期望AI成为一个预言机：输入问题，就能得到解决方案。”简单用广义术语陈述问题，并要求ChatGPT解决它的团队，得到的结果平平。

找时间在没有机器人时，进行独立的头脑风暴。在团队成员与AI互动之前，给他们一些时间，比如15分钟到半小时，来单独提出想法。这将有助于保证他们在团队会议和部署AI时，不受群体思维或工具建议的影响。这一步对于收集多样和创造性的想法至关重要，并最大限度增加了小组讨论中出现独特想法的数量。

严格训练AI。生成式AI系统缺乏人们在组织和行业工作数月或数年获得的环境理解。在将ChatGPT或类似工具集成到构思过程中前，需要帮它赶上进度。尽可能多地输入与具体问题相关的数据，可以包括客户群体的思维方式、之前的成功和失败举措，以及行业基准。

把AI当作持续的对话伙伴，而不是指示。这项研究中的团队在多次与ChatGPT相互交流时，会产生更好的想法。戈哈尔说：“大多数问题解决过程都需要对话。你会和同事讨论，想出一个更好的解决方案，其中一个同事ChatGPT时，也是如此。”

实验中许多团队只是接受了ChatGPT的第一个建议。戈哈尔将其归因于“定势效应”（einstellung effect）：这是一种认知偏见，人们倾向于早期、熟悉的解决方案，而不是更广泛地探索可能性。这可能导致AI辅助团队产生B级想法的高比率。戈哈尔说，无论工具最初的建议看起来有多好，团队都应该跟进更多更具体的问题。这样可以让模型完善自己的回答，让用户最终有更多的方案选择。戈哈尔强调：“获得A的团队，是那些与机器人进行互动对话的团队。”

让团队外的人协助做出最终决定。在团队聚在一起分享可能的解决方案时，指定一名成员整合建议。然后让AI分析它们是否符合你的目标，提出批评，挑战假设，并提出更多替代方案。这一步也是一种训练机制，可以提高模型的未来表现。戈哈尔说，可以招募外部加速者——一位不参与狩猎的人，最好精通AI构思——来指导过程，帮助确定想法的优先级，并计划下一步。

“与生成式AI进行头脑风暴，需要重新构思工作流程并学习新技能，”戈哈尔总结道，“但是，如果把它当作一次结构化、持续的对话，你就能获得惊人能力，更快开发出更好、更有创意的想法。”