IA : transformer les performeurs C- en A+
3 min
IA : transformer les performeurs C- en A+
Une société de service à la clientèle a mené une expérience d’IA dans ses centres d’appels. Conséquence : un gain de productivité significatif de 15 % en moyenne. Les clients et les employés ont également signalé des niveaux de satisfaction plus élevés et les responsables ont observé moins d’escalades des demandes vers la hiérarchie. Mais derrière cette moyenne se cache un autre récit : l’IA pourrait-elle aider à combler le fossé entre les compétences et l’expérience ?
Erik Brynjolfsson, du MIT, dirige les efforts pour comprendre l’impact économique des nouvelles technologies numériques, comme l’IA. Avec Danielle Li et Lindsey Raymond, il a récemment publié un article intitulé « L’IA générative au travail ». L’étude offre plusieurs informations sur l’impact que ces nouveaux outils pourraient avoir sur le lieu de travail. https://academic.oup.com/qje/article/140/2/889/7990658?login=false
Setup
Les chercheurs ont uni leurs forces avec une entreprise du classement Fortune 500 spécialisée dans les logiciels de processus métier pour les petites et moyennes entreprises aux États-Unis. Le système d’IA qu’ils ont étudié a été conçu pour identifier les modèles de conversation qui prédisent une résolution efficace des appels. Le système s’appuie sur GPT-3 et est affiné sur un grand ensemble de données de conversations client-agent étiquetées avec divers résultats, tels que la réussite de la résolution des appels et le temps de traitement. Au total, les chercheurs ont observé le texte de conversation et les résultats associés à 3 millions de conversations de plus de 5.000 agents. Conséquence : les agents utilisant l’IA travaillent plus rapidement avec les outils (post-IA) qu’avant (pré-IA). Ils obtiennent plus de résolutions par heure, mènent plus de chats et ont un temps de traitement plus court par demande. La qualité de leur travail semble également s’améliorer : leur taux de résolution plus élevé s’accompagne d’un Net Promoter Score plus élevé.
Combler le manque de compétences
Les chercheurs ont ensuite étudié l’hétérogénéité potentielle en réponse à l’introduction de l’outil d’IA.
Ils ont mesuré les compétences d’un employé à l’aide d’un indice intégrant 3 indicateurs clés de performance : la vitesse de traitement des appels, les taux de résolution des problèmes et la satisfaction des clients. Les employés ont été classés sur chaque dimension dans l’ensemble de l’entreprise. Les chercheurs ont ensuite moyenné les trois classements pour obtenir un indice de performance.
Les graphiques ci-dessous montrent comment ceux qui se trouvent dans le quintile le plus bas (Q1) ont le plus bénéficié de l’introduction de l’outil. Dans toutes les dimensions, les quintiles inférieurs ont affiché les gains les plus importants. En fait, ceux qui se trouvent dans les deux quintiles les plus élevés ont constaté des baisses du taux de résolution et du score NPS.
Combler l’écart d’expérience ?
Il est intéressant de noter que les employés qui ont bénéficié du soutien de l’IA ont maintenu leurs performances augmentées par l’IA tout au long de la période d’échantillonnage. Les preuves suggèrent que cette amélioration des performances restera stable même après cette période. Les auteurs concluent que ces gains de productivité reflètent en partie l’apprentissage durable des travailleurs plutôt que la simple dépendance aux suggestions de l’IA.
Cependant, il convient de noter que cet effet d’apprentissage peut être très spécifique à la tâche.
Une autre étude académique récente a étudié l’impact de l’assistance par l’IA sur la rédaction d’essais. Les chercheurs du MIT ont utilisé l’électroencéphalographie (EEG) pour évaluer la charge cognitive pendant la rédaction des essais, et ont analysé les essais à l’aide de la PNL, ainsi que des essais de notation avec l’aide d’enseignants humains et d’un juge de l’IA. Les utilisateurs de grands modèles linguistiques (LLM) présentaient la connectivité la plus faible, et l’activité cognitive diminuait en réalité par rapport à l’utilisation d’outils externes. Dans le groupe LLM également, 83 % des utilisateurs n’ont pas réussi à se rappeler d’une seule phrase de leur travail par la suite.
Les auteurs appellent convenablement ce phénomène « dette cognitive », le résultat d’une compréhension réelle de la vitesse d’exécution. Pourrait-il s’agir d’une première étape pour reconfigurer notre compréhension du rôle du travailleur de la connaissance à l’ère de l’IA ?