O študiji: zakaj ji lahko zaupamo
Pred razlago rezultatov je pomembno razumeti, kdo stoji za to študijo in zakaj ima njena ugotovitev akademsko težo.
Erik Brynjolfsson je direktor Stanford Digital Economy Lab in eden najbolj citiranih ekonomistov sveta na temo digitalne ekonomije in AI. Danielle Li je profesorica na MIT Sloan School of Management; Lindsey R. Raymond je doktorska kandidatka na MIT. Vse tri institucije — Stanford, MIT in NBER — so med najbolj prestižnimi v ekonomiji.
NBER (National Bureau of Economic Research) ni revija v klasičnem smislu, vendar Working Paper serija velja za najpomembnejši kanal za predobjavo ekonomskih raziskav. NBER affiliates so prejeli 32 Nobelovih nagrad za ekonomijo. Acknowledgements v študiji izrecno navajajo komentarje Darona Acemoglua (MIT, Nobelov nagrajenec 2024) in Davida Autorja (MIT) — to pomeni, da je delo prešlo akademski feedback proces pred objavo.1
Kako so meritve potekale
Avtorji so dobili dostop do velikega podjetja, ki je postopno (staggered) uvajalo generativni AI conversational assistant med customer support agente. Postopno uvajanje pomeni: nekateri agenti so dobili AI orodje prej, drugi kasneje — to omogoča primerjavo "z AI" in "brez AI" znotraj istega podjetja, istih procesov in istih strank. Metodološko to ni anketa ali poskus v laboratoriju, ampak kvazi-eksperiment v dejanskem delovnem okolju.
Glavna meritev produktivnosti je bila: število rešenih primerov na uro. Sekundarne meritve so vključevale customer sentiment (zadovoljstvo strank, merjeno iz povratnih informacij), retenco zaposlenih in čas, ki ga nov delavec potrebuje, da doseže produktivnost izkušenih kolegov.
Glavne ugotovitve
1. Produktivnost zraste, ampak ne enakomerno
V povprečju je dostop do AI dvignil produktivnost za 14 %. To je samo po sebi pomemben rezultat, ampak prava zgodba je v heterogenosti: pri novih in nizko usposobljenih delavcih je dvig znašal 34 %, medtem ko je bil pri izkušenih in visoko usposobljenih praktično brez učinka.2
V slovenščini: AI razširja prakse najboljših delavcev. Avtorji to interpretirajo kot prenos tako imenovanega tacit knowledge — znanja, ki ga izkušeni delavci sicer imajo, vendar ga težko strukturirano prenesejo. AI orodje, treniran na podatkih obstoječih najboljših rešitev, dejansko deluje kot kontinuirana mentorska podpora za nove zaposlene.
2. Pospešeno učenje
Avtorji so izmerili, koliko časa nov delavec potrebuje, da doseže produktivnost izkušenega. Z AI je ta proces občutno krajši. Posledica za podjetje: krajša "ramp-up" doba, manjši stroški usposabljanja, hitrejši ROI pri novih zaposlitvah.
3. Boljši customer sentiment
Kupci so pri agentih z AI prejemali boljše odgovore — odzivi so bili strukturiranejši, vljudnejši in pogosteje pravilni. Customer sentiment (merjen iz povratnih informacij) se je izboljšal, ne pa poslabšal, kot bi morda pričakovali pri "robotskih" odzivih.
4. Višja retencija zaposlenih
Najbolj presenetljiv rezultat: delavci, ki so imeli dostop do AI, so redkeje zapuščali podjetje. To je pomembno, ker pogosta kritika AI v delovnem okolju je, da bo povzročil odpor in odhode. Študija kaže nasprotno — vsaj v tem kontekstu so delavci doživeli AI kot pomoč, ne kot grožnjo.
Zakaj imajo najbolj izkušeni delavci tako majhno korist?
To je morda najbolj kontraintuitivna ugotovitev. Po splošnem prepričanju bi pričakovali, da bo AI najboljšim delavcem dal "supermočn"i tool in jih še dodatno izstrelil. Ampak ne — vrhunski agenti so pred uvedbo AI že imeli znanje, ki ga AI predstavlja. AI jim torej ni povedal ničesar novega.
Po besedah avtorjev AI deluje kot "kompresor" produktivnostne distribucije: spodnji in srednji del ekipe se približa vrhu, medtem ko vrh ostaja kjer je. To je pomembna lekcija za vodje: če pričakujete, da bo AI v ekipi dvignil najboljše ljudi, se boste razočarali. Pričakujte, da bo dvignil povprečje.
Kaj to pomeni za slovensko malo in srednje podjetje
Trije konkretni zaključki za slovensko poslovno okolje:
1. Najvišji ROI tam, kjer je fluktuacija
Če ima vaše podjetje pogoste menjave kadra v customer support, sales support ali front-desk funkcijah (turizem, gostinstvo, kontaktni centri), je vrednost AI orodja najvišja. Vsak nov zaposleni doseže produktivnost prej, kar pomeni manjše izgube v učnem obdobju in manjšo odvisnost od ene ključne osebe.
Konkretno: če imate ekipo 5 agentov in en novi vsako leto, klasično traja 3–6 mesecev, da nov delavec doseže produktivnost izkušenih. Z AI pomočjo se ta proces po študiji občutno skrajša. Razlika v stroških je merljiva.
2. Vaši najboljši ljudje bodo brez koristi (in to je v redu)
Ko se odločate za uvedbo AI orodja, ne računajte na to, da bo vaši top performer dvignilo še višje. Bo ga pa razbremenilo rutinskih opravil. Realističen cilj: dvigniti povprečje ekipe na nivo, ki je trenutno značilen za zgornjih 30 % vaših ljudi.
3. Generičen chatbot ni isto kot prilagojeni AI asistent
Pomembno je, da je študija analizirala AI orodje, ki je bilo trenirano specifično na vsebinah tega podjetja. Ne gre za "kupi ChatGPT licenco in dej zaposlenim". Učinek 14 % oziroma 34 % je odvisen od tega, da AI pozna procese, ton, izdelke in pravila vaše organizacije. Pri Eflitte je ravno to del implementacije AI asistenta — usposabljanje na vaših internih virih, ne uporaba generičnega bota.
Konkretni izračun za slovensko MSP: če 5-članska customer support ekipa rešuje 40 vprašanj na dan na osebo (200 dnevno), bi 14 % rast pomenila dodatnih 28 rešenih vprašanj dnevno — torej kapaciteta dodatne polovične osebe brez nove zaposlitve. Pri stroških zaposlene osebe 1.500–2.500 € bruto mesečno (Slovenija 2026) je to merljiv prihranek.
Omejitve študije (in zakaj jih je pomembno omeniti)
Avtorji sami v zaključkih izpostavijo tri pomembne omejitve, ki bi jih moral upoštevati vsak, ki bere rezultate:
- Eno podjetje, en sektor. Vsi učinki so izmerjeni v eni organizaciji v customer support kontekstu. Učinki v drugih panogah (zdravstvo, inženiring, finance) niso bili merjeni in se lahko bistveno razlikujejo.
- Specifičen AI tool, ne generični. Rezultat ni "ChatGPT poveča produktivnost za 14 %", ampak "tale konkretni AI asistent, prilagojen tej organizaciji". Generaliziranje rezultatov na nekvalificirana orodja je metodološko zmotno.
- Kratko časovno okno. Študija pokrije obdobje uvajanja, ne dolgoročnih učinkov. Kaj se zgodi v 5 letih — z karierno potjo delavcev, z zahtevami strank, s tehnologijo samo — ostaja odprto vprašanje.
Naslednje raziskave
Brynjolfsson, Li in Raymond so po objavi tega papirja nadaljevali z raziskavami. Med drugim so se odprla vprašanja, ali AI vpliva na karierno mobilnost (ali bodo nizko usposobljeni delavci napredovali, ali bodo zataknjeni v svojih vlogah), kako vpliva na plačno strukturo in ali pride do dolgoročnega deskilling-a (izgube veščin) pri delavcih, ki se preveč zanašajo na AI. Te raziskave so v teku.
Drug pomemben prispevek je Eloundou, Manning, Mishkin in Rock (2023), ki ocenjujejo, da do 80 % delovne sile v ZDA ima vsaj 10 % nalog, ki jih LLM lahko bistveno olajša.3 To dopolnjuje Brynjolfssonovo študijo na makro nivoju.
Zaključek
"Generative AI at Work" je trenutno verjetno najbolj citirana empirična študija o produktivnostnem vplivu AI v dejanskem delovnem okolju. Njene tri ključne ugotovitve — 14 % povprečna rast, 34 % pri novincih, ~0 % pri izkušenih — so postale referenčna točka v akademski in industrijski razpravi o AI.
Za slovensko MSP najpomembnejši praktični zaključek je: AI orodje, prilagojeno vašim procesom, lahko bistveno skrajša učno krivuljo novih zaposlenih in dvigne povprečno produktivnost ekipe. Ne pričakujte, da bo dvignilo vaše top ljudi — pričakujte, da bo dvignilo povprečje. Pri uvedbi je ključno, da AI ni generičen, ampak treniran na vaših internih virih.