Внедрение генеративного ИИ в деятельность финансовой компании: ожидания, эффективность, обучение персонала
DOI:
https://doi.org/10.52944/PORT.2024.59.4.007Keywords:
генеративный искусственный интеллект, экономическая эффективность, производительность сотрудников, финансовый сектор, реальный сектор экономики, технологическая безработица, ChatGPTAbstract
Введение . Компании реального сектора активно ищут новые технологии, которые могут минимизировать рутинные задачи и поддерживать процесс принятия управленческих решений. Генеративный искусственный интеллект (ГИИ) становится перспективным инструментом для решения этих задач и получения количественного экономического эффекта. Тем больший интерес представляют компании реального сектора, которые уже внедрили эти технологии и получили ощутимый экономический эффект. Цель исследования — оценить количественный экономический эффект от обучения сотрудников финансовой компании использованию технологий ГИИ и их интеграции в профессиональную деятельность. Методы . В ходе исследования анализировались результаты опроса сотрудников АО «Финам» до и после обучения технологиям ГИИ. Для анализа данных применялись стандартные статистические методы. Результаты . Статистически обоснованные результаты исследования позволили определить и конкретизировать практические задачи, для решения которых может быть использован генеративный ИИ, подтвердить гипотезу о наличии количественного экономического эффекта от его применения, а также спрогнозировать последствия его широкого использования в финансовой компании. Научная новизна исследования заключается в эмпирическом подтверждении экономической выгоды от использования технологиям ГИИ в рамках конкретной компании. В исследовании приводятся данные о влиянии обучения ГИИ на производительность сотрудников в условиях российских реалий, что является актуальным и малоизученным аспектом в отечественной практике. Практическая значимость. Полученные результаты могут быть использованы для разработки практических рекомендаций по внедрению ГИИ в деятельность компаний финансового сектора.References
Абдурахманов К. Х. Трансформация рынка труда в условиях внедрения искусственного интеллекта // Экономика труда. 2023. № 2. Т. 10. С. 227–246. http://doi.org/10.18334/et.10.2.117364 2. Арифуллин А., Маркин В. Перспективы применения генеративного искусственного интеллекта в нефтегазовой отрасли // Энергетическая политика. 2024. № 5. С. 50–59. https://doi.org/10.46920/2409- 5516_2024_5196_50 3. Жданов Д. А. Влияние генеративного искусственного интеллекта на функционирование компании // Экономическая наука современной России. 2024. № 1. С. 89–102. https://doi.org/10.33293/1609-1442-2024- 1(104)-89-102 4. Зарипов С. С. Использование генеративного искусственного интеллекта и суперкомпьютеров для исследования недр нефтегазовых месторождений в России // Вестник науки. 2024. № 7. С. 760–766. 5. Минаков А. В., Эриашвили Н. Д. Внедрение технологий искусственного интеллекта в реальном секторе экономики // Аудиторские ведомости. 2024. № 2. С. 223–230. https://doi.org/10.24412/1727-8058-2024-2-223-230 6. Павлова Е. В., Кулакова Ю. В. Перспективы развития нейросетевых технологий в условиях цифровизации экономики // Экономика и качество систем связи. 2024. № 1. С. 10–16 7. Паскова А. А. Возможности интеграции технологий генеративного искусственного интеллекта в процессы формирующего оценивания в высшем образовании // Вестник Майкопского государственного технологического университета. 2024. Т. 16. № 2. С. 98–109. https://doi. org/10.47370/2078-1024-2024-16-2-98-109 8. Соколова М. Е. ChatGPT и промпт-инжиниринг: о перспективах внедрения генеративных нейросетей в науке // Науковедческие исследования. 2024. № 1. С. 92–109. https://doi.org/10.31249/scis/2024.01.07 9. Терехова Е. С., Пучкова Н. Н., Новикова Л. В. Анализ востребованности использования нейросетей для решения учебных задач // Концепт. 2024 № 08. С. 1–17. https://doi.org/10.24412/2304-120X-2024-11123 10. Трегубов В. Н. Перспективные направления исследований использования генеративного искусственного интеллекта в маркетинге // International journal of open information technologies. 2024. Т. 12. № 5. С. 23–32. 11. Acemoglu D., Restrepo P. The race between man and machine: Implications of technology for growth, factor shares and employment // American economic review. 2018. Vol. 108/6, P. 1488–1542. http://dx.doi.org/10.1257/aer.20160696 12. Autor D. H. Work of the Past, Work of the Future // AEA Papers and Proceedings. 2019. Vol. 109. P. 1–32. https://doi.org/10.1257/pandp.20191110 13. Терехова E., Li D, Raymond L. R. Generative AI at work // NBER working paper series. 2023, No. 31161. https://doi.org/10.3386/w31161 14. Cazzaniga M., Jaumotte F., Li L., Melina G., Panton A. J., Pizzinelli C., Rockall E., Tavares M. M. Gen-AI: Artificial intelligence and the future of work // Staff discussion note. SDN/2024/001. International Monetary Fund, Washington, DC. https://www.imf.org/en/Publications/Staff-DiscussionNotes/Issues/2024/01/14/Gen-AI-Artificial-Intelligence-and-the-Future-ofWork-542379 15. Cheng L., Li X., Bing L. Is GPT-4 a Good Data Analyst? // Findings of the Association for Computational Linguistics: EMNLP. 2023. P. 9496–9514. https://doi.org/10.18653/v1/2023.findings-emnlp.637 16. Choi J. H., Schwarz D. B. AI assistance in legal analysis: an empirical study // SSRN Electronic Journal. 2023. http://dx.doi.org/10.2139/ssrn.4539836 17. Dell’Acqua F. Falling asleep at the wheel: Human/AI collaboration in a field experiment on HR recruiters. Working paper. https://www.almendron. com/tribuna/wp-content/uploads/2023/09/falling-asleep-at-the-whee.pdf 18. Dell’Acqua F., McFowland E., Mollick E. R., Lifshitz-Assaf H., Kellogg K., Rajendran S., Krayer L., Candelon F., Lakhani K. R. Navigating the jagged technological frontier: Field experimental evidence of the effects of AI on knowledge worker productivity and quality // Harvard Business School technology and operations Mgt. Unit working paper. 2023. No. 24-013. https:// doi.org/10.2139/ssrn.4573321 19. Edelman B. G., Donald N., Peng S. Measuring the impact of AI on information worker productivity // SSRN electronic journal. 2023, November 29. https://doi.org/10.2139/ssrn.4648686 20. Haslberger M., Gingrich J., Bhatia J. No great equalizer: Experimental evidence on AI in the UK labor market // SSRN electronic journal. 2024, August 07. http://dx.doi.org/10.2139/ssrn.4594466 21. Nakavachara V., Tanapong P., Thanee Ch. Experimenting with Generative AI: Does ChatGPT really increase everyone’s productivity? // SSRN electronic journal. 2024, February 29. https://doi.org/10.2139/ssrn.4746770 22. Noy S., Zhang W. Experimental evidence on the productivity effects of generative artificial intelligence // SSRN electronic journal. 2023, March 1. https://doi.org/10.2139/ssrn.4375283 23. Peng S., Kalliamvakou E., Cihon P., Demirer M. The impact of AI on developer productivity: Evidence from GitHub Copilot (Version 1) // arXiv. 2023. https://doi.org/10.48550/ARXIV.2302.06590