AI把教育差距缩小了75% — 随机对照实验颠覆常识

让本科员工和高中学历员工做同样的商业任务,通常本科那边做得更好。这个被视为理所当然的差距,仅靠一个AI就缩到了原来的四分之一。这是NBER发表的随机对照实验(RCT)结果。

这是什么?

阿根廷和英国的研究团队(Cruces、Galiani等)以1,174名25~45岁成年人为对象,做了一次在线随机对照实验。参与者的学历跨度很广(从高中到研究生),他们要完成实际职场中可能遇到的商业问题解决任务。

一半参与者拿到了生成式AI助手,另一半则要在没有AI的条件下完成同样的任务。关键发现是这样的:

在没有AI的情况下,高学历参与者比低学历参与者高出0.548个标准差的业绩。而使用AI后,这个差距缩小到了0.139个标准差。教育水平带来的生产力差距消失了75%。¹

重要的是,这个结果和以往企业内部的研究不太一样。过去的研究大多是在同一家公司、同一个岗位内比较高绩效和低绩效者。但这项研究比较的是学历背景根本就不同的人,所以结论更有说服力。它不是在企业已经用招聘筛子挑出一批相似的人之后才做的比较,而是针对真正背景多样的人群做的实验。

还有一点值得注意。研究团队让参与者用完AI之后再独立完成一次任务,结果教育差距又回来了。这说明AI并不是改变了底层能力,而是缓冲了能力差异的影响。AI不是老师,更像是一个均衡器。

有什么不同?

只有这一项研究的话,或许只是巧合。但指向同一方向的研究一直在出现。

宝洁(P&G)进行的Cybernetic Teammate(控制论队友)实验尤其让人印象深刻。776名研发和市场营销专业人士完成实际的产品创新任务,结果使用AI的个人做出了与没有AI的2人团队相同的业绩。更惊人的是专业边界被打破了 — 研发专家用AI也能拿出营销视角的方案,营销专家也能给出技术层面的解决办法。

在BCG顾问实验中,即便是精英中的精英群体,差距缩小效应也得到了验证。后50%顾问的业绩在AI加持下提升了43%,前50%仅提升17%。这意味着AI是一种拉高下限的工具。

这些研究的共同规律,一句话概括就是:

AI提升所有人的业绩,但给得少的人更多。

上手指南:如何应用到你的组织

1. 重新审视招聘标准 — “学历=业绩”的公式正在松动
   如果AI能把教育差距缩小75%,那把四年制学位作为硬门槛还是否合理,值得重新思考。特别是那些大量使用AI工具的岗位,比起学历,评估AI使用能力和解决问题的思路可能更划算。
2. 改变培训投入的着眼点 — 教AI使用法胜过知识灌输
   如果过去的培训是“我来帮你补充这个领域的知识”,那现在教“如何用AI快速摸透任何领域”的ROI会更高。在BCG的实验里,接受了提示词训练的小组比没接受的小组产出了更高质量的结果。
3. 重新设计团队构成 — 专家搭配的逻辑变了
   在宝洁的实验中,使用AI的个人拿出了和没有AI的2人团队相同的业绩。这意味着原本“需要2个专家”的工作,“1个用AI的人”就能搞定。不妨试试用少数人加AI的组合替代扩大团队。不过,前10%水平的顶级产出依然出自人+AI团队的组合。
4. 在绩效评估中纳入“用AI前后”维度
   AI缩小差距是好事,但底层能力并没有随之改变。一旦把AI拿走,差距又会重新出现。所以需要一套双重框架,既评估“和AI一起做出的业绩”,也评估“不依赖AI时的判断力”。特别是在管理岗位上,能挑出AI产出错误的能力依然很关键。

深入了解

Does Generative AI Narrow Education-Based Productivity Gaps? — NBER Cruces等人的原文。1,174人RCT设计、按学历比较业绩、AI使用后差距缩减75%的统计依据,都能在这里看到详细论述。 nber.org

The Cybernetic Teammate — Ethan Mollick Mollick教授亲自梳理宝洁776人现场实验的核心结果。AI如何改变团队协作、专业性甚至情绪的过程讲得很清楚。 oneusefulthing.org

What is the impact of AI on productivity? — Alex Imas 芝加哥大学经济学教授整理的一份动态综述,系统归纳了AI生产力研究的微观与宏观证据。想把一个个单独的研究放进大局里理解时,这篇很合适。 aleximas.substack.com