MIT Sloan Management Review（MIT 斯隆管理评论）是由麻省理工学院斯隆管理学院出版的商业管理杂志。这本季刊杂志专注于分享创新的管理实践和研究，旨在为全球的学者、业界领袖和实践者提供洞察力、策略和工具，以便他们引领并改善他们组织的管理与运营。MIT Sloan Management Review 的文章通常结合了深入的研究与实践应用，旨在提供可操作的见解和解决方案，帮助管理者应对日益复杂和动态的商业环境。
近期 MIT 斯隆管理评论推出了 2023 年的年度最佳文章 Top 10 ( https://mitsloan.mit.edu/ideas-made-to-matter/top-10-mit-sloan-articles-2023 )，不出意外 10 篇里有 5 篇和数据/AI 有关。这里分享几个我觉得有意思的研究发现以及我的看法。
首先来看这篇有关 AI 给企业赋能提效的文章，研究发现能够使用会话助手的呼叫中心工作人员的效率提高了 14%，其中新手或低技能工人的收益最大。
换句话说，得益于这项技术，这些工人的技能得到了提升，而不是被替换。研究人员发现，使用生成式人工智能模型的工人每小时解决的客户聊天数量增加了 13.8%。在两个月内，他们每小时解决了 2.5 个聊天，而没有使用该模型的同事每小时解决 1.7 个聊天，他们需要八个月的时间才能达到更高的解决率。使用 AI 模型的工作人员平均每次聊天花费 35 分钟，而没有模型的同事则需要 40 分钟。生产力增益在经验最少的工人中最高，当他们使用生成式模型时，他们每小时解决的聊天数量增加了 35%。
研究最后说，对于技能和经验最丰富的工人来说，生产力基本持平。但这句话其实恰好说明了目前 AI 的局限性，经验丰富的工人可能处理的是更复杂或更特殊的案例，当前的 AI 模型可能在处理某些特殊情况或复杂交流时仍有优化空间，特别是在提供深度个性化服务或处理非常规问题方面。也可能经验丰富的工人可能对 AI 的依赖和接受程度不如新手，他们可能更习惯于依靠自己的知识和判断。
另一篇文章则介绍了 AI 如何通过优化简历帮助用户找到工作，这个研究中将某个求职网站的用户分成了 AI 组和控制组（我假设他们应该做过有关用户背景的控制，毕竟是 MIT 的研究）。结果发现使用算法辅助的求职者获得的工作机会比未受辅助的对照组多出 7.8%，并且他们在平台上的第一个月更有可能被雇佣。而且，获得辅助的求职者的薪资比对照组高出 8.4%，平均每小时赚取 18.62 美元，相比之下，未接受简历帮助的求职者平均每小时薪资为 17.17 美元。但这个过程中，也并非什么 AI 黑魔法，最核心的一个提升是避免了可能的拼写错误。相关数据说明，如果求职者简历中有 10%以上的拼写错误，那么被雇佣的概率大概就只有 3%。
另外一篇关于 AI 的研究则给出了 ChatGPT 让员工提效 40%的数据，但仔细看了下研究过程，研究中的任务是为一家鞋业公司“从构思到发布的步骤清单，创造一个营销口号，以及撰写一篇 2500 字的文章，描述开发一款鞋子的端到端过程”。这种本身就非常对口 ChatGPT 擅长的工作，也难怪能有极大幅度的效率改善。
不过这篇文章的本意是在讲于企业要建立一种应用新技术，自我学习和强化的文化，这倒是让我联想到了之前 HBR 的一个研究，是关于女性如何能够让企业的决策层效率提升的。( https://hbr.org/2023/11/research-how-women-improve-decision-making-on-boards )在谈到为什么会出现这种提升时，被访谈的高管对象提到一点就是女性高管往往在关键会议中能有不同于男性的地方，比如女性高管在承认自己不了解某些事情时并不羞怯，她们更愿意提出深入的问题，并寻求将事情摊开讨论。女性的存在似乎减少了“群体性无知”的问题——当群体中的个体低估其他人可能对其关切程度时的情况。
最后回归到一点数据的初心，在《Data literacy For Leaders（领导者的数据素养）》这篇文章中，再次宣讲了数据素养的概念。数据素养是指个人理解、处理、分析、解释、沟通和使用数据的能力。一个具备数据素养的人能够有效地与数据交互，并能将数据转化为有用的信息和知识。数据素养并不仅限于统计学家或数据科学家，它是所有人在现代社会中应具备的一项基本技能。
文章认为领导者应该去相信数据并在公司内部推广数据能力，对领导者来说信任数据可能是困难的，因为他们擅长做决策，但通常依赖于他们的直觉。要求某一个人放弃自己权力并接受来自分析的指导是很难的，特别是当数据给出的结论和决策者自己的判断违背的时候。但是把判断力和直觉与数据洞察相结合，可以使领导者变得更加强大。数据素养需要动手实践和持续的努力，这不是让老板们去参加一两次培训就可以完成。改变领导者的决策方式需要时间，但通过系统化的方法可以更快、更容易实现。最后作者给公司的决策层留下了四个数据素养的要义：
● 在被展示数据之前，想一想你期望看到什么。带着问题去看数据，而不是等着别人来告诉你，这通常会迅速突出报告中最相关的部分。这是一个值得培养的习惯，而且随着实践你会越来越擅长。
● 记住数据背后总有不确定性，包括数据能给出的对未来事件的推测，这是数据统计和分析中的基本原则，对问题不会有 100%确定的答案。
● 学会认清自己什么时候靠常识做决策，并且挑战自己的偏见。“如果你即将基于一项分析做出重要决策，尽力让另一个团队或另一组数据集进行分析，看看它是否指向同一个方向。”
● 不要混淆因果关系和相关性。“每当你查看一项分析，它表明某个因素正在推动某个结果，始终试图弄清楚其中有多少是相关性，有多少是因果性，”
