公共部门采用人工智能的案例研究（英）

工作报告|问题03/2023|2023年3月13日 采用人工智能在公共部门:一个案例研究 劳拉NURSKI 本案例研究说明了组织采用人工智能以及公共部门工人接受人工智能的驱动因素和障碍。有几个因素对于成功采用以人为本的人工智能方法至关重要，包括让工人（或最终用户）参与早期开发的快速发现阶段，以及协调人力资源、信息技术和业务流程。还专门针对和获取了补贴支助机制，以支持采用。 然而，事实证明，向员工提供人工智能支持不足以确保其在整个组织中得到广泛使用。现有工作流程和遗留IT系统的缓慢适应是该技术最佳使用的障碍。此外，技术的有用性取决于任务例行性和工人经验，因此需要重新思考技术与工人之间以及初级和高级工人之间的工作分工。 因此，在欧洲成功推出以人为本的人工智能将取决于互补的无形组织资本的可用性或对它们的投资。目前对这些投资知之甚少。 作者感谢TomSchraepen（Bruegel）的研究帮助，感谢MiaHoffmann（乔治城大学安全和新兴技术中心）对早期版本的评论，以及案例组织的联系人，他们为研究提供了合作和投入。 LauraNurski（laura.nurski@bruegel.org）是Bruegel的研究员 建议引用: Nurski，L.（2023）“公共部门的人工智能采用：案例研究”，工作文件03/2023，勃鲁盖尔 表的内容 1介绍2 1.1生产力和技术验收2 1.2在这个案例研究中组织3 1.3选择3的情况 1.4方法4 2AI采用组织5 2.1采用过程5 2.2司机和障碍采用9 3艾未未接受员工13 3.1研究算法：人工智能辅助问答13 3.2用户验收的框架和实际使用14 3.3算法的使用障碍15 4影响和支持21 4.1对分工、学习和社会关系的影响21 4.2朝着提高AI接受22 5结论和建议26 参考文献27 附件:案例研究材料表30 1介绍 1.1生产力和技术验收 人工智能（AI）是一种新的通用技术（GPT），有望带来生产力的提高，同时也会影响工作的性质和质量。以前的GPT，包括电力和计算机的引入，显示出在商品和服务生产中采用新技术与全要素生产率大规模可见增长之间的长期滞后。这种令人费解的观察结果通常被称为“生产力悖论”（Landauer，1995年），即公司对新技术的大量投资并没有伴随着国家生产力统计数据的后续增长。解释这一悖论的两个关键因素是业务流程的缓慢适应和工人对技术的利用不足（DevarajandKohli，2003）。 当组织流程和激励措施与技术使用不一致时，工人将无法在工作中完全采用新技术（Atkin等人，2017）。人工智能应用同样受到这种利用不足的影响，正如对银行业（徐和朱，2021年）、零售业（川口，2020年）和医疗保健（Jauk等人 ，2021年）行业的研究表明的那样。此外，商业模式和组织模式需要时间、金钱和意愿来适应新技术的使用。这种适应需要对人员实践或人力资源（HR）实践进行投资，包括培训、绩效评估和招聘（Bloometal，2012）。组织实践也需要投资，例如业务流程再造，权力下放或组织重新设计（Bresnahan等人，2002）。 为了分析组织采用人工智能以及工人接受人工智能的驱动因素和障碍，我们调查了本研究中的一个具体案例。该研究不是“明星案例”（展示可重复的最佳实践）或“研究案例”（旨在改进因果关系的经济理论）（BakerandGil，2013）。相反，这是一个“教学案例”，通过实际示例说明科学理论，并通过在一个案例中链接来自不同领域的理论来连接多个学科（包括IT，管理，组织行为学，心理学和经济学）。目标是确定技术采用过程中的陷阱，并为政策和业务提供一些经验教训。本案例研究是《工作与包容性增长的未来》的一部分 项目1在Bruegel，旨在确定技术对工作性质，数量和质量的影响。 1.2这个案例研究的组织 我们分析了公共组织法兰德斯投资和贸易公司（FlandersInvestmentandTrade）的人工智能采用情况，该公司得到了私营公司Radix的协助。2.请注意，在整篇论文中，我们通过方括号中显示的数字引用案例研究材料列表。附件列出了案例研究材料。 法兰德斯投资与贸易（FIT）是比利时法兰德斯地区的贸易促进组织（TPO）。TPO是通过提供信息、联系、技术咨询、营销和政策宣传来促进和刺激贸易的促进机构（Giovannucci，2004年）。它们的活动可分为四大类：产品和市场的确定和开发;贸易信息服务;专业支持服务;以及国外的宣传活动（哈拉米略，1992年）。FIT的使命是通过协助法兰德斯公司的出口努力（“贸易”）以及吸引外国公司和投资（“投资”）来实现法兰德斯经济的国际化。除了提供贸易和投资服务外，FIT还参与推广和发展活动，包括举办活动和发布市场见解。FIT在法兰德斯和布鲁塞尔设有六个区域办事处（雇用约150人） ，在国外设有100个当地办事处（雇用约180人）。 Radix是一家比利时AI解决方案提供商，成立于2018年。它拥有一支由40名工程师组成的团队，并在法兰德斯和布鲁塞尔的两个办事处负责解决方案。Radix提供一系列人工智能解决方案，以改善一系列行业的运营，包括制造业、运输业、金融服务业和公共部门。 1.3选择的情况下 该案例是通过AI开发人员（Radix）的网站发现的，该网站展示了客户的故事。Radix的几个客户故事与工作的未来相关，因此被考虑在内。其中包括人力资源和公共就业部门的两个客户：为佛兰德公共就业机构开发的人工智能支持的定向测试，以及为私营人力资源服务公司开发的人工智能驱动的工作匹配算法。人工智能可能会在将求职者与未来劳动力市场的职位空缺相匹配方面发挥重要作用。机会和 1请参阅https://www.bruegel.org/future-work/future-work-and-inclusive-growth-europe。 2请参阅https://welcome.flandersinvestmentandtrade.com/和https://radix.ai/。 目前正在广泛研究和辩论这种应用的潜在危险，特别关注劳动力市场上歧视加剧的风险。然而，在这个特殊的案例研究中，目标不是在工作匹配过程中研究人工智能，而是在生产过程本身中研究人工智能。 FIT被强调为Radix客户，在其核心业务活动之一中采用了人工智能：回答希望在国外进行贸易的佛兰芒公司与贸易相关的问题。该人工智能开发人员在生产过程中应用的其他客户案例包括：生产计划算法，可提高生产订单的准时交付，比人工计划员花费更少的时间;一种通过计数和报告菌落形成单位来改进疫苗开发的算法;以及一种算法，该算法使用主题标签自动标记新闻供应商的新文章。我们选择了 FIT的问答算法优于其他这些示例，因为它符合当前AI取代知识工作者常规认知任务的叙述。另一个原因是，开发人员在他们的FIT客户档案中注意到生产力的提高（节省了27%的时间，回答的问题增加了36%）和工作满意度的提高（专注于更复杂的案例和工作的其他部分）[8-见附件]，这符合我们研究生产力和工作质量影响的目标。 1.4方法 通过收集和分析几个数据来源对案件进行了研究。首先，对人工智能采用和接受的现有科学理论和证据进行了案头研究。这项案头研究导致发表了几篇关于这些主题的博客文章和论文（例如参见霍夫曼和努尔斯基，2021a，2021b）。第二，对有关案件的公开信息进行了案头研究，最明显的是信托基金和基数各自的网站。第三步，为几个受访者目标制定了关于技术采用和接受的主题的访谈指南。与FIT的AI主管和人力资源主管进行了访谈（见[4]，[10]，[13]），并与FIT一个特定AI应用程序的四个“最终用户”进行了访谈，也称为“案件处理者”（见[12]）。四名最终用户（两名男性和两名女性）驻扎在四个不同的办事处：法国、德国、意大利和美国。根据办公室的内部组织，一些受访者专门从事其国家的某些地区，而另一些受访者则专门从事该国的某些行业。最终数据来源包括收集的文件，包括幻灯片、屏幕截图和培训材料。案例研究材料的完整清单见附件。 2采用人工智能的组织 2.1采用过程 2.1.1时间轴 作为其数字创新战略的一部分（见第2.2.1节），FIT正在其主要服务的一系列活动中采用人工智能，即贸易和投资服务。在四年（2017年至2021年）中，FIT经历了三个AI项目周期：（1）试验概念验证（POC），（2）制定AI策略，以及（3）建立必要的数据基础设施。 表1：AI采用过程中的各个阶段摘要 一年 阶段 目标 2017-2019 人工智能概念验证 快速POC进行实验、学习和发现机会 2020 人工智能策略 评估当前的AI成熟度，并制定路线图，以实现AI采用的理想状态 2020-2021 数据基础设施 安装所需的基础结构，以集中和处理所有内部和外部数据源。 来源:Bruegel基于[4]。 2.1.2第1阶段：开发AI概念验证（2017-2019） 在第一阶段，FIT熟悉人工智能技术，以发现机会并调查进一步探索是否有用。一个外部人工智能机构（Radix）为FIT的AI线索建立了一个“快速发现研讨会”，以筛选FIT的业务流程，以寻找潜在的人工智能机会[7]。该研讨会包括人工智能开发人员和希望采用人工智能的组织之间的一系列头脑风暴练习。首先，通过收集不同利益相关者的想法，收集了一长串想法;接下来，根据其技术可行性和商业价值对想法进行分析和确定优先级;最后，对选定的机会进行了努力和价值估计[14]。 这个过程产生了五个概念验证（POC），用于使用人工智能来支持FIT的核心业务服务，即贸易和投资服务。它们的范围包括通过网络抓取收集外国公司的信息，通过社交倾听检测潜在客户，以及基于投资和交易可能性的营销预测模型[4]。此机会列表根据其业务价值和技术可行性（实施的工作量和复杂性）确定优先级（见图1）。作为“速赢”出现的POC（高价值、低价值） 复杂性）是FIT“贸易案例”的问答算法3，旨在部分自动化回答佛兰德公司关于外国市场的贸易问题的过程。该算法使用自然语言处理，在过去交易问题和答案的大型数据集上进行训练，旨在检索常见常规问题的过去答案。之所以估计“高价值”，是因为这项任务在案件处理人员的工作量中占很大份额（即占其工作量的60%至70%）。估计“低复杂性”是由于高质量的“现成”自然语言处理（NLP）模型的可用性，这些模型可以根据FIT五年来先前回答的问题（每年约10，000个）的大量历史进行训练。最后，设计了一种算法来检索常规问题的过去答案，以便FIT顾问可以将更多时间花在复杂问题上。该应用程序充当人工智能驱动的搜索引擎，不仅比较单个单词，而且解释问题的整个主体并找到最相关的过去答案。 价值 图1：用于优先考虑AI机会的价值复杂性矩阵 高价值、低复 杂性 高价值、高复 杂性 快赢了 战略行动 低价值、低 复杂性 低价值、高复 杂性 复杂性 来源:[7]。 通过将算法的建议集成到FIT现有的客户关系管理软件（CRM）MicrosoftDynamics中，“交易案例”问答POC被进一步开发为一个完整的AI产品。为了评估和提高第一个最小可行产品（MVP）的质量，开发人员在FIT的几个国际办事处进行了10次访谈，并评估了提交给AI的175个新贸易问题的结果。在每种情况下 ，该算法都提出了五个先前的答案，这意味着评估了大约875个AI建议的答案。 3“贸易案例”是佛兰芒公司关于外国市场的问题，涉及FIT的服务，例如询问当地市场的规模或习俗，潜在的外国商业伙伴，贸易法规或壁垒，补贴或市 场机会。有关业务流程和AI支持的更多详细信息，请参阅下面的第3.1节。 开发人员利用工作人员对过去案例的个人记忆，询问他们是否存在过去的更好答案，然后分析为什么算法没有检索到最相关的答案。正如工作人员学习如何随着时间的推移改进他们的答案一样，该算法根据FIT员工的更正进行了重新训练。错过过去更好答