모두가 巨大 言語 모델
LLM•Large Language Models
이 集團의 生産性 向上에 큰 도움이 되리라는 期待했다. 맥킨지는 LLM과 다른 形態의 生成型 人工知能(AI)李 全 世界的으로 企業 收益을 年間 4兆4000億 달러까지 增加시킬 수 있다고
果敢하게 宣言했다.
닐슨
또한
職員 生産性을 66% 向上시킬 수 있다고 豪言壯談했다.
이런 展望에 힘입어 지난 한 해 동안 많은 企業이 最優先 課題로 LLM과 生成型 AI를 使用해 生産性을 높일 수 있는 方法을 찾아 나섰다. 筆者들은 新技術이 興味롭고 경이롭긴 해도 戰士的 次元에서 一括的으로 導入하기보단 愼重한 實驗 거친 다음 導入할 것을 勸奬한다.
하지만 이런 툴이 一部의 豫想처럼 會社 全體의 生産性에 革新的인 效果를 가져올 수 있을지에 對해서는 疑問이다. 천천히 接近해야 하는 理由 中 하나는 生産性 評價가 一般的으로 文書 要約, 資料 作成, 顧客 電話 應對 等 “業務 次元”에서 이뤄지기 때문이다. 또한 “
個人 次元
”의 LLM 使用 方法과 惠澤에 焦點을 맞춘다. 이 結果를 使用해 “
組織 次元
”의 成果에 對한 結論을 導出하는 것은 無理다.
LLM 인터페이스를 갖춘 머신러닝 플랫폼을 콜센터 內 채팅 및 結果 데이터에 학습시킨
生成型 AI의 影響에 對한 最新 硏究
를 살펴보자. 硏究陣은 生産性 測定을 위해 平均 채팅 完了 時間을 살펴봤다. 새로운 툴을 使用한 境遇 채팅 完了 時間이 平均 14% 改善됐다.
아티클을 끝까지 보시려면
有料 멤버십에 加入하세요.
첫 달은 無料입니다!
