യുഎസ് പ്രൊഫഷണലുകൾ അയച്ച 800,000 ChatGPT സന്ദേശങ്ങളെക്കുറിച്ചുള്ള OpenAI-യുടെ വിശകലനം പ്രകാരം, ജോലി സംബന്ധമായ ആറ് പ്രോംപ്റ്റുകളിൽ ഒന്ന് ഇപ്പോൾ മറ്റൊരു തൊഴിൽ മേഖലയിൽ ഉൾപ്പെടുന്ന ജോലികൾ ചെയ്യാൻ മോഡലിനോട് ആവശ്യപ്പെടുന്നു. പതിവ് എഴുത്തുകളും സംഗ്രഹങ്ങളും (summarising) ഒഴിവാക്കിയാൽ ഈ കണക്ക് 43.5% ആയി ഉയരും. ഈ മാറ്റം ജീവനക്കാരുടെ ദൈനംദിന പ്രവർത്തനങ്ങളെ ഇതിനകം തന്നെ മാറ്റിമറിച്ചുകൊണ്ടിരിക്കുകയാണ്. ചെറിയ സ്ഥാപനങ്ങളെ സംബന്ധിച്ചിടത്തോളം ഇത് വളരെ പ്രധാനമാണ്; അവിടെ ഓരോ അധിക നൈപുണ്യവും ഒരു വിദഗ്ദ്ധനെ കാത്തിരിക്കുന്ന ആഴ്ചകൾ ലാഭിക്കാൻ സഹായിക്കുന്നു.

ഈ കണക്കുകൾ പ്രധാനമാകുന്നത് എന്തുകൊണ്ട്?

ചില പ്രത്യേക വിഭാഗങ്ങളിൽ ഡിപ്പാർട്ട്‌മെന്റുകൾ തമ്മിലുള്ള ആവശ്യങ്ങൾ (cross-departmental requests) കൂടുതലായി കാണപ്പെടുന്നുവെന്ന് പഠനം കണ്ടെത്തി. മാർക്കറ്റിംഗും എഞ്ചിനീയറിംഗുമാണ് ഇതിൽ മുന്നിൽ; മറ്റ് റോളുകളിൽ നിന്നുള്ള സന്ദേശങ്ങളിൽ 8.9% മാർക്കറ്റിംഗുമായി ബന്ധപ്പെട്ട ചോദ്യങ്ങളാണ്, ഇത് ഡാറ്റാസെറ്റിലെ ഏറ്റവും ഉയർന്ന നിരക്കാണ്. ഒരു ഡാറ്റാ അനലിസ്റ്റ് സാധാരണയായി കൈകാര്യം ചെയ്യുന്ന കസ്റ്റമർ-ലൈഫ്‌ടൈം-വാല്യൂ (customer-lifetime-value) കണക്കുകൾ വിശകലനം ചെയ്യാൻ ഒരു സെയിൽസ് പേഴ്സൺ ChatGPT-യോട് ആവശ്യപ്പെട്ടേക്കാം; അതുപോലെ ഒരു മാർക്കറ്റർ ഒരു എഞ്ചിനീയറുടെ സഹായം തേടുന്നതിന് മുമ്പ് തന്നെ തകരാറിലായ ലിങ്കുകൾ പരിഹരിക്കാനോ (troubleshoot) ഓൺ-പേജ് SEO ക്രമീകരിക്കാനോ ശ്രമിച്ചേക്കാം.

ചെറുകിട ബിസിനസ് ഉടമകളെ സംബന്ധിച്ചിടത്തോളം ഇതിന്റെ ആഘാതം കൂടുതൽ ശക്തമാണ്. ഉടമകൾ ഇപ്പോൾ നിയമപരമായ റിവ്യൂ കുറിപ്പുകൾ തയ്യാറാക്കുന്നു, വേഗത്തിലുള്ള സാമ്പത്തിക പ്രവചനങ്ങൾ നടത്തുന്നു, കൂടാതെ മുമ്പ് ഒരു വക്കീലിന്റെയോ CFO-യുടെയോ സഹായം ആവശ്യമായിരുന്ന അഡ്‌ഹോക്ക് (ad-hoc) വിശകലനങ്ങൾ നടത്തുന്നു. രണ്ട് മുതൽ അഞ്ച് പേരുള്ള ടീമുകളിൽ, AI ഉപയോഗിച്ച് ചെയ്യുന്ന ജോലികളിൽ 18.9% ജീവനക്കാരുടെ പ്രധാന ചുമതലകൾക്ക് പുറത്തുള്ളവയാണ്; എന്നാൽ നൂറിലധികം ജീവനക്കാരുള്ള വലിയ കമ്പനികളിൽ ഇത് 16.3% മാത്രമാണ്. കണക്ക് ലളിതമാണ്: വലിയ സ്ഥാപനങ്ങൾക്ക് ഈ ആവശ്യങ്ങൾ ബന്ധപ്പെട്ട സഹപ്രവർത്തകർക്ക് കൈമാറാം; എന്നാൽ ചെറിയ സ്ഥാപനങ്ങൾക്ക് പ്രശ്നങ്ങൾ തങ്ങൾ തന്നെ പരിഹരിക്കേണ്ടി വരുന്നു.

ഗുണങ്ങൾ: വേഗതയും കൃത്യമായ കൈമാറ്റവും

ഒരു ജീവനക്കാരൻ പ്രാഥമികമായ ഒരു വിശകലനമോ (first-pass analysis) ഏകദേശ നിയമ കുറിപ്പോ (rough legal brief) തയ്യാറാക്കുമ്പോൾ, വിദഗ്ദ്ധരിലേക്കുള്ള വിവര കൈമാറ്റം കൂടുതൽ വേഗതയുള്ളതും കൃത്യവുമാകുന്നു. വിദഗ്ദ്ധന് കൂടുതൽ വ്യക്തമായ പ്രശ്നവിവരണം, മികച്ച രീതിയിൽ തയ്യാറാക്കിയ ഡാറ്റ എന്നിവ ലഭിക്കുന്നു; കൂടാതെ "നിങ്ങൾക്ക് എന്താണ് വേണ്ടതെന്ന് വിശദീകരിക്കാമോ" എന്ന തരത്തിലുള്ള ഇമെയിലുകളുടെ എണ്ണവും കുറയുന്നു. ഇത് കാത്തിരിപ്പ് സമയം കുറയ്ക്കുകയും, ആഭ്യന്തര തടസ്സങ്ങൾ ഒഴിവാക്കുകയും, ആവശ്യങ്ങളുടെ ഗുണനിലവാരം വർദ്ധിപ്പിക്കുകയും ചെയ്യുന്നു.

എന്തൊക്കെയാണ് അപകടസാധ്യതകൾ?

AI വിദഗ്ദ്ധരെ അപ്രസക്തമാക്കുമെന്ന് ഈ പഠനം അവകാശപ്പെടുന്നില്ല. പകരം, പ്രശ്നത്തെ അതിന്റെ ഉറവിടത്തോട് അടുപ്പിക്കുന്ന ഒരു 'ഫ്രണ്ട്-ലൈൻ റെസ്പോണ്ടർ' (front-line responder) ആയിട്ടാണ് ഈ സാങ്കേതികവിദ്യയെ കാണുന്നത്.

കമ്പനികൾക്ക് എങ്ങനെ പൊരുത്തപ്പെടാം

  • തീരുമാനങ്ങൾ എടുക്കുന്ന ഘട്ടങ്ങൾ കണ്ടെത്തുക – ഒരു ആവശ്യം സാധാരണയായി എവിടെയാണ് തടസ്സപ്പെടുന്നത് എന്ന് കണ്ടെത്തുകയും, AI ഉപയോഗിച്ച് ഉപയോഗപ്രദമായ ഒരു പ്രാഥമിക ഡ്രാഫ്റ്റ് തയ്യാറാക്കാൻ കഴിയുമോ എന്ന് പരിശോധിക്കുകയും ചെയ്യുക.
  • അധികാര പരിധികൾ നിശ്ചയിക്കുക – ഏതൊക്കെ ഔട്ട്പുട്ടുകൾക്ക് യോഗ്യതയുള്ള ഒരു പ്രൊഫഷണലിന്റെ അംഗീകാരം ആവശ്യമാണെന്ന് വ്യക്തമാക്കുക.
  • പുതിയ നൈപുണ്യങ്ങൾക്കായി പരിശീലനം നൽകുക – പ്രോംപ്റ്റിംഗ് (prompting), AI നിർദ്ദേശങ്ങൾ വ്യാഖ്യാനിക്കൽ, തെറ്റുകൾ കണ്ടെത്തൽ എന്നിവയിൽ മൈക്രോ-ലേണിംഗ് (micro-learning) അവസരങ്ങൾ നൽകുക.
  • ആഘാതം അളക്കുക – വിവര കൈമാറ്റത്തിലൂടെ ലാഭിച്ച സമയം, തെറ്റുകളുടെ നിരക്കിലോ വീണ്ടും ചെയ്യേണ്ടി വരുന്ന ജോലികളിലോ (rework) വർദ്ധനവുണ്ടോ എന്നതിനോട് താരതമ്യം ചെയ്ത് നിരീക്ഷിക്കുക.

ചെറുകിട vs വലിയ സ്ഥാപനങ്ങൾ: വ്യത്യസ്ത പാതകൾ

അടുത്ത ഘട്ടം

അതിവേഗം മാറിക്കൊണ്ടിരിക്കുന്ന ഒരു രീതിയെയാണ് OpenAI-യുടെ ഡാറ്റ സൂചിപ്പിക്കുന്നത്. മോഡലുകൾ കൂടുതൽ വിശ്വസനീയവും ഓരോ മേഖലയ്ക്കും അനുയോജ്യവുമാകുമ്പോൾ, ഡിപ്പാർട്ട്‌മെന്റുകൾ തമ്മിലുള്ള ജോലികളുടെ വിഹിതം വർദ്ധിക്കാൻ സാധ്യതയുണ്ട്. AI-യെ വർക്ക്ഫ്ലോ പുനർരൂപീകരണത്തിനുള്ള ഒരു ഉപാധിയായി കാണുന്നതിന് പകരം വെറുമൊരു ഉൽപ്പാദനക്ഷമത വർദ്ധിപ്പിക്കാനുള്ള ഉപകരണം മാത്രമായി കാണുന്ന സ്ഥാപനങ്ങൾ പിന്നിലായിപ്പോകാൻ സാധ്യതയുണ്ട്. ഏത് തീരുമാനങ്ങൾ മനുഷ്യർ എടുക്കണം, ഏവയിൽ AI-യുടെ സഹായം തേടണം എന്ന് ഇപ്പോൾ തന്നെ തീരുമാനിച്ചുകൊണ്ട് പ്രക്രിയകൾ പുനർരൂപീകരിക്കുന്നവർക്ക് വേഗത്തിലുള്ള പ്രവർത്തനങ്ങളും കൂടുതൽ ചടുലതയുള്ള ടീമുകളും ലഭിക്കും.

ചുരുക്കത്തിൽ: AI ഇതിനകം തന്നെ പ്രശ്നപരിഹാരത്തിന്റെ ആദ്യ ഘട്ടം അതിന്റെ ഉറവിടത്തോട് തന്നെ എത്തിച്ചുകൊണ്ടിരിക്കുകയാണ്, പ്രത്യേകിച്ച് ഓരോ അധിക കഴിവും കാലതാമസം കുറയ്ക്കാൻ സഹായിക്കുന്ന ചെറുകിട ബിസിനസ്സുകളിൽ. യഥാർത്ഥ നേട്ടം ലഭിക്കുന്നത് ജോലികൾക്ക് പുതിയ പേരുകൾ നൽകുന്നതിലൂടെയല്ല, മറിച്ച് ആര് എന്ത് ചെയ്യണം എന്നും എവിടെയാണ് ഒരു യന്ത്രത്തിന് സുരക്ഷിതമായി ഇടപെടാൻ കഴിയുക എന്നും പുനർചിന്തിക്കുന്നതിലൂടെയുമാണ്.