মার্কিন পেশাদারদের পাঠানো ৮,০০,০০০ ChatGPT বার্তার OpenAI-এর বিশ্লেষণ থেকে দেখা গেছে যে, কাজের সাথে সম্পর্কিত প্রতি ছয়টি প্রম্পটের মধ্যে প্রায় একটিতে মডেলটিকে এমন কাজ করার নির্দেশ দেওয়া হচ্ছে যা ঐতিহ্যগতভাবে অন্য কোনো পেশার অন্তর্ভুক্ত। রুটিনমাফিক লেখা এবং সারসংক্ষেপ তৈরির কাজগুলো বাদ দিলে এই সংখ্যাটি লাফিয়ে বেড়ে দাঁড়ায় ৪৩.৫%-এ। এই পরিবর্তনটি ইতিমধ্যে কর্মচারীদের দৈনন্দিন কাজের ধরন বদলে দিচ্ছে, এবং এটি ক্ষুদ্রতম প্রতিষ্ঠানগুলোর জন্য সবচেয়ে বেশি গুরুত্বপূর্ণ, যেখানে প্রতিটি অতিরিক্ত দক্ষতা একজন বিশেষজ্ঞের জন্য অপেক্ষার সময় কয়েক সপ্তাহ কমিয়ে দিতে পারে।

কেন এই সংখ্যাগুলো গুরুত্বপূর্ণ

গবেষণায় দেখা গেছে যে, আন্তঃবিভাগীয় অনুরোধগুলো নির্দিষ্ট কিছু কার্যক্রমে বেশি দেখা যায়। মার্কেটিং এবং ইঞ্জিনিয়ারিং এক্ষেত্রে শীর্ষে রয়েছে; অন্যান্য পদের মেসেজের ৮.৯% ক্ষেত্রে মার্কেটিং সংক্রান্ত জিজ্ঞাসা দেখা গেছে—যা এই ডেটাসেটের মধ্যে সর্বোচ্চ হার। একজন বিক্রয়কর্মী ChatGPT-কে কাস্টমার-লাইফটাইম-ভ্যালু (customer-lifetime-value) সংক্রান্ত হিসাব করার নির্দেশ দিতে পারেন যা সাধারণত একজন ডেটা অ্যানালিস্ট করেন, আবার একজন মার্কেটার কোনো ইঞ্জিনিয়ারকে যুক্ত করার আগেই একটি ভাঙা লিঙ্ক ঠিক করতে পারেন বা অন-পেজ SEO পরিবর্তন করতে পারেন।

ক্ষুদ্র ব্যবসায়ীদের জন্য এর প্রভাব আরও বেশি স্পষ্ট। মালিকরা এখন আইনি পর্যালোচনার নোট তৈরি করছেন, দ্রুত আর্থিক পূর্বাভাস দিচ্ছেন এবং অ্যাড-হক (ad-hoc) বিশ্লেষণ করছেন যা করার জন্য আগে একজন আইনজীবী বা CFO-এর প্রয়োজন হতো। দুই থেকে পাঁচ জনের টিমে AI-জেনারেটেড কাজের ১৮.৯% কর্মচারীর মূল ভূমিকার বাইরে থাকে, যেখানে ১০০ জনের বেশি কর্মী বিশিষ্ট বড় প্রতিষ্ঠানগুলোতে এই হার ১৬.৩%। হিসাবটি সহজ: বড় প্রতিষ্ঠানগুলো অনুরোধটি একজন নির্দিষ্ট সহকর্মীর কাছে পাঠিয়ে দিতে পারে; কিন্তু ক্ষুদ্র প্রতিষ্ঠানগুলোকে নিজেরাই সমস্যার সমাধান করতে হয়।

ইতিবাচক দিক: গতি এবং আরও নিখুঁত হস্তান্তর

যখন একজন কর্মচারী প্রাথমিক বিশ্লেষণ বা একটি খসড়া আইনি ব্রিফ তৈরি করেন, তখন বিশেষজ্ঞের কাছে কাজের হস্তান্তর আরও দ্রুত এবং সুনির্দিষ্ট হয়। বিশেষজ্ঞ একটি স্পষ্ট সমস্যা বিবৃতি, আরও ভালোভাবে প্রস্তুতকৃত ডেটা এবং "আপনার কী প্রয়োজন তা ব্যাখ্যা করুন" ধরণের কম ইমেল পান। এটি অপেক্ষার সময় কমায়, অভ্যন্তরীণ জটিলতা হ্রাস করে এবং অনুরোধের গুণমান বৃদ্ধি করে।

ঝুঁকির বিষয়গুলো

গবেষণাটি দাবি করে না যে AI বিশেষজ্ঞদের অপ্রয়োজনীয় করে তুলবে। বরং এটি প্রযুক্তিটিকে একটি ফ্রন্ট-লাইন রেসপন্ডার হিসেবে দেখে যা সমস্যাটিকে তার উৎসের আরও কাছাকাছি নিয়ে আসে।

কোম্পানিগুলো কীভাবে মানিয়ে নিতে পারে

  • সিদ্ধান্ত গ্রহণের ধাপগুলো চিহ্নিত করা – অনুরোধগুলো সাধারণত কোথায় আটকে যায় তা শনাক্ত করুন এবং AI একটি ব্যবহারযোগ্য খসড়া তৈরি করতে পারে কিনা তা পরীক্ষা করুন।
  • কর্তৃত্বের সীমা নির্ধারণ করা – কোন আউটপুটগুলোর জন্য একজন যোগ্য পেশাদারের অনুমোদন প্রয়োজন তা উল্লেখ করুন।
  • নতুন দক্ষতা অর্জনে প্রশিক্ষণ দেওয়া – প্রম্পটিং, AI-এর পরামর্শ ব্যাখ্যা করা এবং সম্ভাব্য ভুল শনাক্ত করার বিষয়ে মাইক্রো-লার্নিং বা ক্ষুদ্র প্রশিক্ষণের ব্যবস্থা করুন।
  • প্রভাব পরিমাপ করা – কাজের হস্তান্তরের ক্ষেত্রে সাশ্রয় হওয়া সময়ের সাথে ত্রুটির হার বা পুনরায় কাজ করার (rework) হার বৃদ্ধির তুলনা করে তা ট্র্যাক করুন।

ক্ষুদ্র বনাম বড় প্রতিষ্ঠান: ভিন্নমুখী পথ

পরবর্তী দিগন্ত

OpenAI-এর তথ্য এমন একটি চর্চাকে তুলে ধরে যা দ্রুত বিবর্তিত হচ্ছে। মডেলগুলো যত বেশি নির্ভরযোগ্য এবং নির্দিষ্ট বিষয়ের উপযোগী (domain-specific) হবে, আন্তঃবিভাগীয় কাজের অনুপাত সম্ভবত আরও বাড়বে। যে প্রতিষ্ঠানগুলো AI-কে কাজের ধারা পুনর্গঠনের অনুঘটক হিসেবে না দেখে কেবল একটি উৎপাদনশীলতা বৃদ্ধির সরঞ্জাম হিসেবে বিবেচনা করে, তাদের পিছিয়ে পড়ার ঝুঁকি রয়েছে। যারা এখন থেকেই প্রক্রিয়াগুলো পুনর্গঠন করছে—অর্থাৎ কোন সিদ্ধান্তগুলো মানুষের হাতে থাকবে এবং কোনগুলো AI-এর সাহায্যে সম্পন্ন করা যেতে পারে তা ঠিক করছে—তারা দ্রুততর কাজের চক্র এবং আরও চটপটে টিম গঠন করতে পারবে।

মূল কথা: AI ইতিমধ্যেই সমস্যার উৎসের কাছেই প্রাথমিক সমাধান পৌঁছে দিচ্ছে, বিশেষ করে ক্ষুদ্র ব্যবসায় যেখানে প্রতিটি অতিরিক্ত সক্ষমতা বিলম্ব কমিয়ে দেয়। প্রকৃত সুবিধা কাজের নাম পরিবর্তন করা থেকে আসে না, বরং কে কী কাজ করবে এবং কোথায় একটি মেশিন নিরাপদে হস্তক্ষেপ করতে পারে তা নতুন করে ভাবার মাধ্যমে আসে।