AI свива разликата в производителността с три четвърти

13.08

време за четене: 3 мин.

Обичайното опасение е, че генеративните инструменти ще увеличат разстоянието между подготвените и останалите. Експеримент с произволни 1174 души показва обратното при конкретна работна задача. Въпросът обаче не е дали разликата се свива, а какво остава от свиването, когато инструментът бъде отнет.

Робот опъва мерителна лента между двама служители пред общо работно табло и разстоянието между тях е почти изчезнало, а по-опитният недоверчиво проверява лентата с пръст

Какво измерва експериментът

Изследването е дело на екип от университетите в Сан Андрес, Мериленд, Нотингам и Торкуато ди Тела и е публикувано и като работен доклад на Националното бюро за икономически изследвания в САЩ. Проведено е онлайн в Аржентина между септември и ноември 2025 година с 1174 участници на възраст между 25 и 45 години, от които 520 с по-ниско и 654 с по-високо образование.

Задачата наподобява работен ден. Участникът получава писмо от ръководител с описан проблем и приложен отчет, съдържащ текст, графика и таблица, и отговаря на три въпроса: каква е причината и какво предлага да се направи. Случаите са три - кафене, услуга за доставка на храна и магазин за домакински уреди. Част от участниците работят с достъп до генеративен модел, останалите - без. Оценяването е по рубрика, а надеждността му е проверена срещу ръчна оценка на 117 отговора от двама независими оценители.

Защо разликата в производителността се свива толкова

Без достъп до модел по-образованите участници се представят с 0,548 стандартни отклонения по-добре. С достъп разликата пада до 0,139 стандартни отклонения, тоест затварят се около три четвърти от първоначалното разстояние.

Механизмът личи в самите числа за двете групи поотделно. Инструментът дава на по-малко образованите 1,242 стандартни отклонения подобрение, а на по-образованите - 0,834. И двете групи печелят, но по-слабо подготвената печели повече, защото започва от по-ниска база и попълва по-голяма част от липсващото. Записите от разговорите показват допълнителна разлика в поведението: по-образованите ползват модела по-целенасочено, докато по-малко образованите получават съществена помощ по същината на задачата.

Уместно е и едно ограничение. Остатъчната разлика от 0,139 стандартни отклонения е на границата на статистическата значимост, а извадката е аржентинска и е решавала една конкретна задача с един конкретен модел. Пренасянето на извода върху български офис е разумна работна хипотеза, не установен факт, и заслужава собствена проверка на място.

Стандартното отклонение тук е мярка за разсейването на резултатите в групата. Разликата в производителността от половин стандартно отклонение приблизително отговаря на разстоянието между среден и осезаемо по-добър отговор при една и съща задача.

Какво остава, когато инструментът бъде отнет

Тази част от изследването е по-важна от заглавната цифра. Веднага след задачата участниците решават втора, вече без никаква помощ.

Резултатът е двоен. Работилите с модел не се представят по-зле от контролната група, тоест опасението, че помощта отслабва самостоятелното изпълнение, не се потвърждава. При по-малко образованите остава подобрение от 0,171 стандартни отклонения. Но разликата по образование се появява отново и е значима.

Тоест изравняването е реално, докато инструментът е в ръцете, и до голяма степен изчезва, когато той липсва. Достъпът дава изравнен резултат, но не изравнена подготовка, а това са две различни неща с различна трайност.

Какво следва за обучението и преквалификацията

Практическият извод е за реда на инвестициите. Даването на достъп до инструмент е бърза и евтина мярка, която веднага вдига резултата на по-слабо подготвените. Изграждането на умение е бавната мярка, която задържа резултата, когато инструментът се смени, поскъпне или отпадне.

Второ, скорошен анализ от Оксфордския интернет институт върху 2,4 милиона работници и над 16 хиляди умения сочи в същата посока от друг ъгъл: работниците с по-широк набор от умения при равна дълбочина по-често усвояват нови умения и по-често преминават към роли с по-ниска изложеност на автоматизация. Широчината, а не тясната специализация, се оказва защитата.

Заключение

Генеративният модел е добър изравнител на резултата и слаб изравнител на способността. Който разчита само на първото, ще открие разликата обратно в мига, в който инструментът не е под ръка.

Помагаме на български организации и на хора в смяна на кариера да превърнат достъпа до AI инструменти в трайно умение, а не в еднократен резултат. Услугите ни покриват одит, оценка на готовност, обучение на екипи и имплементация на специализирани AI автоматизации за всяка организация. Препоръчваме консултация при планиране на вътрешно обучение и при подбор на процеси, в които екипът тепърва започва да ползва генеративни модели. [Свържете се с нас за консултация: academy@razvivai.se]