以下是关于 AI 帮助人事提高效率的相关内容：
在金融服务业中，生成式 AI 有望使从多个位置获取数据、理解非结构化的个性化情境和非结构化的合规法律等劳动密集型功能效率提高 1000 倍，但目前仍存在消费者信息分散于多个数据库、金融服务决策复杂且难以自动化、行业高度受监管等问题。
在招聘方面，人工智能虽能简化流程和提高效率，但也带来风险。公司需采取更新人力资源程序、进行尽职调查、修改隐私声明、审查训练数据、保障信息透明度、提供便利措施、定期评估等应对策略。
关于人类和 AI 协作效率，研究发现使用 AI 可显著改善工作效率，如被测试者完成任务量增多、速度加快、质量提高。同时，类似 GPT-4 有能力边界，使用 AI 时能力差的被测试者提升更大，过于依赖则可能适得其反。人类和 AI 协作有“半人马”和“机械人”两种方式，前者强调人类主导、合理调配资源，后者注重人机高度融合、循环迭代优化。
综上所述，AI 在人事领域有提高效率的潜力，但也需注意应对相关风险和问题，合理选择协作方式。
在一个[充斥着](https://www.imdb.com/title/tt2294677/)生成式AI工具的银行世界里，Sally应该持续得到信贷审批，以便在她决定购房时，她已经获得了预先批准的抵押贷款。不幸的是，这样的世界尚未存在，主要有三个原因：首先，消费者信息存在于多个不同的数据库中。这使得交叉销售和预测消费者需求变得极具挑战性。其次，金融服务被认为是情感购买，通常具有复杂且难以自动化的决策树。这意味着银行必须聘请大型客户服务团队，根据客户的个人情况回答客户关于哪种金融产品最适合他们的许多问题。第三，金融服务是高度受监管的。这意味着像贷款员和处理员这样的人类员工必须参与每一个可用的产品（例如，抵押贷款）的流程，以确保符合复杂但非结构化的法律。生成式AI将使从多个位置获取数据、理解非结构化的个性化情境和非结构化的合规法律的劳动密集型功能效率提高1000倍。例如：
面对这些挑战，公司需要采取战略性的应对措施，如：更新人力资源程序，以限制潜在的不同影响；对人力资源技术提供商进行尽职调查；修改当前的人力资源隐私声明，以符合国家隐私或AI相关法规；对AI的训练数据进行审查,确保其质量并无偏差;告知申请人有关数据收集和AI筛选流程的细节,保障其信息透明度;提供合理的便利措施,确保残障申请人和其他少数群体不会被排除在外;定期评估AI筛选结果,发现任何潜在的歧视并及时优化。[heading4]建议[content]人工智能在简化招聘流程和提高效率方面具有巨大潜力，但也带来了不少风险。企业在采用AI辅助招聘工具时，必须考虑法律风险和道德责任，确保公平、无偏见的招聘环境，同时遵守相关的法律法规。通过综合策略和审慎的方法，企业可以有效利用AI的优势，同时规避潜在的风险。
今天哈佛商学院的一篇论文给出了一些参考，他们研究发现：在工作中使用AI可以带来工作效率的显着的改善。使用AI的被测试者比没有使用AI的被测试者平均多完成了12.2%的任务，完成任务的速度提高了25.1%，并且产生的结果质量提高了40%。同时他们还发现了一些其他的有趣结论：类似GPT-4这样的模型是有一个能力的边界的，在边界内的任务他们可以处理的很好，边界外的任务则会搞得一塌糊涂但是没有人知道这类AI具体的能力边界。他们分了三组一组不使用AI另一组使用AI，第三组使用AI的同时给与一定的培训，使用AI的两组任务完成效率和质量都远高于没有使用AI的组。AI对工作能力越差的被测试者的提升越大，能力越强提高越小。所以高级人才和低级人才的差距会被快速拉平。过于依赖AI可能会适得其反，反倒降低工作效率和质量，因为这些人无法区分AI的能力边界。他们还为人类和AI协作的两种方式起了名字：半人马：强调人与AI紧密结合,但是各司其职,人类主导整个流程,根据任务的性质合理调配人类和AI资源。。这种模式充分利用了人类的智慧与判断力以及AI的计算与生成能力。机械人：人与AI的高度融合,在细节上形成循环迭代的优化过程,最终实现人机一体化。这种模式充分发挥了人类的灵活性和AI的生成能力。我感觉这两种方式更像是现在人类跟AI合作的两个阶段：第一种大概知道AI的能力边界，可以简单的使用和复用AI输出的结果提升自己的工作能力。第二种机械人可以熟练的使用AI深入探索AI能力更加精细化的更AI协作和AI一起创作内容。