The Impact of Generative AI to the Productivity of Consultants: Case Study
Patosalmi, Paavo (2024-10-28)
The Impact of Generative AI to the Productivity of Consultants: Case Study
(28.10.2024)
Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.
suljettu
Julkaisun pysyvä osoite on:
https://urn.fi/URN:NBN:fi-fe2024110188562
https://urn.fi/URN:NBN:fi-fe2024110188562
Tiivistelmä
The launch of ChatGPT in November 2022 made generative artificial intelligence (GenAI) the next big technology buzzword. As ChatGPT could create human-like text-content and keep up conversational discussions, it quickly became clear that it could also have a significant impact on human work. Generative AI can now for example be used in creating new content, transforming complex information to more simple words, or summarising long documents within seconds. For this reason, organisations in various industries have also started investing in generative AI solutions, as they are predicted to bring cost savings and competitive benefits.
The study focuses on knowledge worker’s utilisation of generative AI in the context of management consulting. The study aims to understand how generative AI tools affect the consultants' productivity, by exploring the specific generative AI capabilities they utilise currently, and what do they find as limitations for the usage. To research the impact of generative AI to the performance of workers, the study utilises the Technology-to-Performance Chain (TPC) model introduced by Goodhue and Thompson (1995). The TPC model describes how does the task-to-technology fit, and the utilisation impact the perceived performance impacts of the system.
This case research conducted a qualitative interview study on the consultants, to identify their patterns of utilisation for generative AI tools, and how did they see the technology to fit to their tasks and bring performance benefits. By using thematic analysis, the research identified key themes behind the performance impact, including utilisation, perceived benefits, and challenges and limitations. The research identifies key themes related to the fit and utilisation of GenAI to consulting tasks, the quality and reliability of content generated with AI, and the organisational and individual challenges faced when integrating these tools into daily work.
The findings suggest that generative AI has the potential to enhance productivity in consulting by automating routine tasks and providing new insights. The research results state that all participants were utilising generative AI and had perceived performance benefits on the system. All participants found generative AI as something that supports their daily work tasks. However, generative AI was seen as an assistive tool, and it was not thought to be capable of revolutionising the participants' work or managing large entities alone. The reason for this is the challenges associated with generative AI, such as content quality issues, the risk of AI hallucinations, confidentiality issues, and the limitations of existing technology, especially in the industry demanding high quality. ChatGPT:n lanseeraus marraskuussa 2022 toi generatiivisen tekoälyn (GenAI) mahdollisuudet yleiseen tietoisuuteen. Koska ChatGPT pystyi luomaan ihmismäistä tekstisisältöä nopeasti ja keskustelemaan luonnollisesti, sen vaikutus tietotyöhön kävi nopeasti selväksi. Generatiivista tekoälyä voidaankin nykyisin hyödyntää esimerkiksi uuden sisällön luomisessa, monimutkaisen tiedon muuntamisessa yksinkertaisemmaksi tai pitkien asiakirjojen tiivistämisessä. Tästä johtuen myös useat organisaatiot eri aloilla investoivat vahvasti generatiivisen tekoälyyn, sillä sen ennustetaan tuovan kustannussäästöjä ja kilpailuhyötyjä.
Tämä tutkimus keskittyy tietotyöntekijän generatiivisen tekoälyn hyödyntämiseen liikkeenjohdon konsultoinnin kontekstissa. Tutkimuksen tavoitteena on ymmärtää, miten generatiivinen tekoäly vaikuttaa konsulttien tuottavuuteen tutkimalla heidän havaitsemiaan tehokkuusvaikutusta parantavia tai rajoittavia tekijöitä. Teknologian tehokkuusvaikutuksien viitekehyksenä
tutkimuksessa hyödynnetään Goodhuen ja Thompsonin (1995) esittelemää TPC (Technology-toPerformance Chain) -mallia. TPC-malli kuvaa, miten tietojärjestelmän sopiminen työtehtäviin ja sen hyödyntäminen työssä vaikuttaa järjestelmän tehokkuusvaikutuksiin.
Tutkimus toteutettiin case-tutkimuksena, jossa liikkeenjohdon konsulteille suoritettiin laadullinen haastattelututkimus. Haastatteluissa selvitettiin heidän generatiivisten tekoälytyökalujen hyödyntämistä, sekä sitä, miten he näkivät teknologian sopivan heidän työtehtäviinsä ja tuovan tehokkuushyötyjä. Tutkimuksessa tunnistettiin aineiston temaattisella analyysillä erilaisia keskeisiä teemoja. Teemat liittyivät generatiivisen tekoälyn soveltuvuuteen ja hyödyntämiseen konsultointitehtävissä, tekoälystä saataviin hyötyihin, sekä erilaisiin organisaatio- ja yksilötason haasteisiin, jotka vaikuttavat negatiivisesti tehokkuushyötyihin.
Tutkimuksen tulokset viittaavat siihen, että generatiivisella tekoälyllä on potentiaalia parantaa työn tuottavuutta alalla automatisoimalla rutiinitehtäviä ja tarjoamalla uusia oivalluksia. Kaikki tutkimukseen osallistuneet kertoivat käyttävänsä generatiivista tekoälyä saavuttaen sen avulla tehokkuushyötyjä. Generatiivinen tekoäly nähtiin kuitenkin tutkimusryhmässä vain yhtenä työkaluna muiden joukossa, eikä sen ajateltu olevan kyvykäs mullistamaan osallistujien työtä tai hallitsemaan suuria kokonaisuuksia yksin. Syynä siihen on generatiiviseen tekoälyn tunnistetut haasteet, kuten sisällön laatuun liittyvät kysymykset, hallusinaatioiden riski, luottamusongelmat sekä olemassa olevan teknologian rajoitukset.
The study focuses on knowledge worker’s utilisation of generative AI in the context of management consulting. The study aims to understand how generative AI tools affect the consultants' productivity, by exploring the specific generative AI capabilities they utilise currently, and what do they find as limitations for the usage. To research the impact of generative AI to the performance of workers, the study utilises the Technology-to-Performance Chain (TPC) model introduced by Goodhue and Thompson (1995). The TPC model describes how does the task-to-technology fit, and the utilisation impact the perceived performance impacts of the system.
This case research conducted a qualitative interview study on the consultants, to identify their patterns of utilisation for generative AI tools, and how did they see the technology to fit to their tasks and bring performance benefits. By using thematic analysis, the research identified key themes behind the performance impact, including utilisation, perceived benefits, and challenges and limitations. The research identifies key themes related to the fit and utilisation of GenAI to consulting tasks, the quality and reliability of content generated with AI, and the organisational and individual challenges faced when integrating these tools into daily work.
The findings suggest that generative AI has the potential to enhance productivity in consulting by automating routine tasks and providing new insights. The research results state that all participants were utilising generative AI and had perceived performance benefits on the system. All participants found generative AI as something that supports their daily work tasks. However, generative AI was seen as an assistive tool, and it was not thought to be capable of revolutionising the participants' work or managing large entities alone. The reason for this is the challenges associated with generative AI, such as content quality issues, the risk of AI hallucinations, confidentiality issues, and the limitations of existing technology, especially in the industry demanding high quality.
Tämä tutkimus keskittyy tietotyöntekijän generatiivisen tekoälyn hyödyntämiseen liikkeenjohdon konsultoinnin kontekstissa. Tutkimuksen tavoitteena on ymmärtää, miten generatiivinen tekoäly vaikuttaa konsulttien tuottavuuteen tutkimalla heidän havaitsemiaan tehokkuusvaikutusta parantavia tai rajoittavia tekijöitä. Teknologian tehokkuusvaikutuksien viitekehyksenä
tutkimuksessa hyödynnetään Goodhuen ja Thompsonin (1995) esittelemää TPC (Technology-toPerformance Chain) -mallia. TPC-malli kuvaa, miten tietojärjestelmän sopiminen työtehtäviin ja sen hyödyntäminen työssä vaikuttaa järjestelmän tehokkuusvaikutuksiin.
Tutkimus toteutettiin case-tutkimuksena, jossa liikkeenjohdon konsulteille suoritettiin laadullinen haastattelututkimus. Haastatteluissa selvitettiin heidän generatiivisten tekoälytyökalujen hyödyntämistä, sekä sitä, miten he näkivät teknologian sopivan heidän työtehtäviinsä ja tuovan tehokkuushyötyjä. Tutkimuksessa tunnistettiin aineiston temaattisella analyysillä erilaisia keskeisiä teemoja. Teemat liittyivät generatiivisen tekoälyn soveltuvuuteen ja hyödyntämiseen konsultointitehtävissä, tekoälystä saataviin hyötyihin, sekä erilaisiin organisaatio- ja yksilötason haasteisiin, jotka vaikuttavat negatiivisesti tehokkuushyötyihin.
Tutkimuksen tulokset viittaavat siihen, että generatiivisella tekoälyllä on potentiaalia parantaa työn tuottavuutta alalla automatisoimalla rutiinitehtäviä ja tarjoamalla uusia oivalluksia. Kaikki tutkimukseen osallistuneet kertoivat käyttävänsä generatiivista tekoälyä saavuttaen sen avulla tehokkuushyötyjä. Generatiivinen tekoäly nähtiin kuitenkin tutkimusryhmässä vain yhtenä työkaluna muiden joukossa, eikä sen ajateltu olevan kyvykäs mullistamaan osallistujien työtä tai hallitsemaan suuria kokonaisuuksia yksin. Syynä siihen on generatiiviseen tekoälyn tunnistetut haasteet, kuten sisällön laatuun liittyvät kysymykset, hallusinaatioiden riski, luottamusongelmat sekä olemassa olevan teknologian rajoitukset.