Human-Computer Interaction

Leadership coaching develops managers but is expensive and difficult to scale. AI may be able to help scale access, but “answering machine” like AI coaching agents invite cognitive offloading and weaken learning. We instantiated a human coaching protocol, supported across prior cycles, as a text-based AI coach built to prompt reflective questioning. In the fourth cycle of a design-based research program at a global consulting firm, eight managers received the same protocol from a human coach and the AI coach, applied each session in an observed onboarding activity, and reflected on both in interviews. All eight welcomed the probing questions and preferred the human coach. Notably, they resisted the same protocol of questioning from the AI coach and wanted answers from it instead. This study’s theoretical contribution is the Reflection Penalty, the cost an AI coach pays for asking a user to do the reflective work that makes human coaching effective. Its practical contribution is a jobs-to-be-done map for AI coaching, assembled from proposals participants raised on their own. It divides coaching into distinct jobs and assigns each to the human or the AI best suited to it. Both contributions are offered to those designing AI tools that aim to support reflection

مربیگری رهبری به توسعهٔ مدیران کمک می‌کند اما پرهزینه و دشوار برای مقیاس‌پذیری است. هوش مصنوعی ممکن است بتواند دسترسی را مقیاس‌پذیر کند، اما عامل‌های مربیگری مبتنی بر هوش مصنوعی که شبیه «دستگاه پاسخگو» عمل می‌کنند، منجر به واگذاری شناختی و تضعیف یادگیری می‌شوند. ما یک پروتکل مربیگری انسانی را که در چرخه‌های قبلی پشتیبانی شده بود، به‌صورت یک مربی مبتنی بر متن با هدف پرسشگری تأملی به‌عنوان مربی هوش مصنوعی پیاده‌سازی کردیم. در چهارمین چرخهٔ یک برنامهٔ پژوهش مبتنی بر طراحی در یک شرکت مشاورهٔ جهانی، هشت مدیر همان پروتکل را از یک مربی انسانی و مربی هوش مصنوعی دریافت کردند، هر جلسه را در یک فعالیت مشاهده‌شدهٔ آشنایی به کار بردند و در مصاحبه‌ها دربارهٔ هر دو تأمل کردند. هر هشت نفر پرسش‌های عمیق را پذیرفتند و مربی انسانی را ترجیح دادند. به طور قابل توجهی، آن‌ها در برابر همان پروتکل پرسشگری از سوی مربی هوش مصنوعی مقاومت کردند و به جای آن خواهان دریافت پاسخ از آن بودند. سهم نظری این مطالعه «جریمهٔ تأمل» است؛ هزینه‌ای که یک مربی هوش مصنوعی برای واداشتن کاربر به انجام کار تأملی که مربیگری انسانی را مؤثر می‌کند، می‌پردازد. سهم عملی آن نقشه‌ای از وظایف قابل انجام برای مربیگری هوش مصنوعی است که از پیشنهادهای مطرح‌شده توسط شرکت‌کنندگان گردآوری شده است. این نقشه مربیگری را به وظایف متمایز تقسیم می‌کند و هر یک را به انسان یا هوش مصنوعی که برای آن مناسب‌تر است، اختصاص می‌دهد. هر دو سهم به طراحان ابزارهای هوش مصنوعی که هدف آن‌ها حمایت از تأمل است، ارائه می‌شود.