അമേരിക്കയിലെ അറിവ് അടിസ്ഥാനമാക്കിയുള്ള തൊഴിൽ മേഖലയിൽ (knowledge work) നിശബ്ദവും എന്നാൽ ആഴത്തിലുള്ളതുമായ ഒരു മാറ്റം സംഭവിച്ചുകൊണ്ടിരിക്കുകയാണ്. AI സംയോജനം പരീക്ഷണ ഘട്ടത്തിൽ നിന്ന് ചുമതലപ്പെടുത്തുന്ന (delegation) ഘട്ടത്തിലേക്ക് മാറിക്കൊണ്ടിരിക്കുന്നു. പുതിയൊരു സർവേ പ്രകാരം, അമേരിക്കയിലെ ജോലി ചെയ്യുന്ന മുതിർന്നവരിൽ 20 ശതമാനം ആളുകളും മുമ്പ് ഒരു സഹപ്രവർത്തകനോ കരാറുകാരനോ ചെയ്തിരുന്ന ചുരുങ്ങിയത് ഒരു ജോലി എങ്കിലും ഇപ്പോൾ AI-ക്ക് കൈമാറിക്കഴിഞ്ഞു.

സോഫ്റ്റ്‌വെയർ ഡെവലപ്‌മെന്റും ഡാറ്റാ അനാലിസിസും മാറ്റത്തിന് നേതൃത്വം നൽകുന്നു

Epoch AI-യും പോളിംഗ് സ്ഥാപനമായ Ipsos-ഉം ചേർന്ന് നടത്തിയ പഠനം, വിവിധ തൊഴിൽ മേഖലകളിൽ AI സ്വീകരിക്കുന്നതിലെ വ്യക്തമായ വ്യത്യാസങ്ങൾ ചൂണ്ടിക്കാണിക്കുന്നു. 1,106 അമേരിക്കൻ ജീവനക്കാരെ അഭിമുഖീകരിച്ച ഈ പഠനത്തിൽ, ജനറേറ്റീവ് AI ദൈനംദിന പ്രവർത്തനങ്ങളിൽ എങ്ങനെ ഉൾക്കൊള്ളപ്പെടുന്നു എന്ന് മനസ്സിലാക്കാൻ യുഎസ് ഡിപ്പാർട്ട്‌മെന്റ് ഓഫ് ലേബർ ഡാറ്റയെ അടിസ്ഥാനമാക്കിയുള്ള പത്ത് സാധാരണ ജോലികൾ ഉപയോഗിച്ചു.

സോഫ്റ്റ്‌വെയർ ഡെവലപ്‌മെന്റും കമ്പ്യൂട്ടർ സിസ്റ്റം ഡിസൈനും ആണ് AI സംയോജനത്തിന് പ്രധാന ചാലകശക്തികളായി മാറിയത്; ഈ മേഖലയിലെ 57 ശതമാനം തൊഴിലാളികളും AI ടൂളുകൾ ഉപയോഗിക്കുന്നു. ഡാറ്റാ അനാലിസിസ് 46 ശതമാനവുമായി തൊട്ടുപിന്നിലുണ്ട്, ജോലി സംബന്ധമായ രേഖകൾ വായിക്കുന്ന ജോലിയിൽ 39 ശതമാനം ആളുകളും AI ഉപയോഗിക്കുന്നു. നേരെമറിച്ച്, റെക്കോർഡ് കീപ്പിംഗ് പോലുള്ള പരമ്പരാഗത ഭരണപരമായ ജോലികളിൽ AI ഉപയോഗം വെറും 25 ശതമാനം മാത്രമാണ്.

ജോലി മാറ്റിവെക്കലും ഭാഗികമായ സഹായവും (Task Substitution vs. Partial Assistance)

റിപ്പോർട്ടിലെ ഒരു പ്രധാന വ്യത്യാസം "AI-അസിസ്റ്റഡ്" ജോലികളും യഥാർത്ഥ "ടാസ്ക് സബ്സ്റ്റിറ്റ്യൂഷനും" (task substitution) തമ്മിലുള്ളതാണ്. നിലവിൽ, ഭൂരിഭാഗം ഉപഭോക്താക്കളും AI-യെ ഒരു ഓട്ടോപൈലറ്റിനേക്കാൾ ഉപരിയായി ഒരു കോ-പൈലറ്റായാണ് കാണുന്നത്. AI ഒരു ജോലി പൂർണ്ണമായോ അല്ലെങ്കിൽ പൂർണ്ണതയ്ക്ക് അടുത്തോ ചെയ്തുതീർക്കുന്നത് ഇപ്പോഴും അപൂർവ്വമാണ്; സോഫ്റ്റ്‌വെയർ ഡെവലപ്‌മെന്റിൽ ഇത് 10 ശതമാനവും മറ്റ് വിഭാഗങ്ങളിൽ 7 ശതമാനത്തിൽ താഴെയുമാണ്.

എങ്കിലും, മനുഷ്യർ ചെയ്തിരുന്ന ജോലികൾ AI ഏറ്റെടുക്കുന്ന 'ടാസ്ക് സബ്സ്റ്റിറ്റ്യൂഷൻ' എന്ന പ്രതിഭാസം അളക്കാവുന്ന രീതിയിൽ വളർന്നുവരുന്നു. നേരിട്ടുള്ള സബ്സ്റ്റിറ്റ്യൂഷൻ ഏറ്റവും കൂടുതൽ കണ്ടത് ഇവയിലാണ്:

  • ഡാറ്റാ അനാലിസിസ്: 7.1 ശതമാനം പ്രതികരിച്ചവർ.
  • ജോലി സംബന്ധമായ രേഖകൾ വായിക്കുക: 5.7 ശതമാനം പ്രതികരിച്ചവർ.
  • റെക്കോർഡ് കീപ്പിംഗ്: 5.3 ശതമാനം പ്രതികരിച്ചവർ.

ഈ മാറ്റം വൻതോതിലുള്ള തൊഴിൽ നഷ്ടത്തെ സൂചിപ്പിക്കുന്നില്ലെന്നും, മറിച്ച് മനുഷ്യബുദ്ധിയും മെഷീൻ പ്രോസസ്സിംഗും തമ്മിലുള്ള തൊഴിൽ വിതരണത്തിന്റെ പുനർക്രമീകരണമാണെന്നും Epoch AI ഊന്നിപ്പറയുന്നു.

ഉൽപ്പാദനക്ഷമതയും ഔട്ട്‌പുട്ടിന്റെ ഗുണനിലവാരവും തമ്മിലുള്ള വൈരുദ്ധ്യം

AI ഉപയോഗവും സമയ കാര്യക്ഷമതയും തമ്മിലുള്ള സങ്കീർണ്ണമായ ബന്ധം ഈ ഡാറ്റ വെളിപ്പെടുത്തുന്നു. AI ഒരു ജോലിയുടെ ഭൂരിഭാഗമോ അല്ലെങ്കിൽ മുഴുവനായോ ചെയ്യുമ്പോൾ, 53 ശതമാനം തൊഴിലാളികളും സമയം ലാഭിക്കുന്നതായി റിപ്പോർട്ട് ചെയ്യുന്നു. എന്നാൽ AI ഭാഗികമായി മാത്രം സഹായിക്കുമ്പോൾ ഇത് 37 ശതമാനമാണ്. രസകരമായ കാര്യം, ഈ "കാര്യക്ഷമത വർദ്ധനവ്" എല്ലാവർക്കും ഒരുപോലെയല്ല എന്നതാണ്; ആറ് AI-അസിസ്റ്റഡ് ജോലികളിൽ ഒന്ന് പരമ്പരാഗത രീതിയേക്കാൾ കൂടുതൽ സമയം എടുക്കുന്നു. AI-ക്ക് നിർദ്ദേശങ്ങൾ (prompt) നൽകാനും, അവ പരിശോധിക്കാനും, ആശയവിനിമയം നടത്താനും എടുക്കുന്ന സമയം ചില വേഗത ഗുണങ്ങളെ ഇല്ലാതാക്കിയേക്കാം എന്ന് ഇത് സൂചിപ്പിക്കുന്നു.

കൂടാതെ, AI ഔട്ട്‌പുട്ടുകളിലുള്ള "വിശ്വാസ്യതയിലെ വിടവിനെ" (trust gap) കുറിച്ചും സർവേ വെളിച്ചം വീശുന്നു. AI നിർമ്മിച്ച ഉള്ളടക്കത്തിന്റെ ഞെട്ടിക്കുന്ന 66 ശതമാനവും വളരെ കുറഞ്ഞ എഡിറ്റിംഗോടെയാണ് ഉപയോഗിക്കുന്നത്, എന്നാൽ വെറും 5 ശതമാനം ഔട്ട്‌പുട്ടുകൾ മാത്രമാണ് കാര്യമായി മാറ്റം വരുത്തി ഉപയോഗിക്കുന്നത്. ഇത് AI-യുടെ ഉപയോഗക്ഷമതയെ സൂചിപ്പിക്കുന്നുണ്ടെങ്കിലും, കുറഞ്ഞ എഡിറ്റിംഗ് ശ്രമം AI ഔട്ട്‌പുട്ടിന്റെ യഥാർത്ഥ ഗുണനിലവാരത്തിന്റെ അളവുകോലല്ലെന്ന് ഗവേഷകർ മുന്നറിയിപ്പ് നൽകുന്നു.

പ്രധാന കാര്യങ്ങൾ

  • ഹൈ-ടെക് സ്വീകരണം: സോഫ്റ്റ്‌വെയർ ഡെവലപ്‌മെന്റും ഡാറ്റാ അനാലിസിസും AI ഉപയോഗത്തിൽ മുന്നിലാണ്, ഇവയുടെ സ്വീകാര്യത യഥാക്രമം 57%, 46% എന്നിങ്ങനെയാണ്.
  • മാറ്റുന്നതിനേക്കാൾ ചുമതലപ്പെടുത്തൽ: 20% തൊഴിലാളികൾ ജോലികൾ AI-ക്ക് കൈമാറുമ്പോഴും, പൂർണ്ണമായ ഓട്ടോമേഷൻ 10 ശതമാനത്തിൽ താഴെ മാത്രമാണ്. ഇത് സൂചിപ്പിക്കുന്നത് AI നിലവിൽ മനുഷ്യരുടെ പകരക്കാരനായല്ല, മറിച്ച് ഒരു "ബഹുമുഖ ഉപകരണം" (versatile tool) ആയിട്ടാണ് പ്രവർത്തിക്കുന്നത് എന്നാണ്.
  • എഡിറ്റിംഗ് രീതി: മൂന്നിൽ രണ്ട് ഭാഗം തൊഴിലാളികളും AI ഔട്ട്‌പുട്ട് minimal മാറ്റങ്ങളോടെ സ്വീകരിക്കുന്നു, ഇത് LLM നിർമ്മിക്കുന്ന ഫലങ്ങളുടെ പെട്ടെന്നുള്ള ഉപയോഗക്ഷമതയിലുള്ള വർദ്ധിച്ചുവരുന്ന ആശ്രയത്തെ സൂചിപ്പിക്കുന്നു.

ചുരുക്കത്തിൽ

AI എന്നത് ഇനി ഏതാനും വ്യക്തികൾ മാത്രം നടത്തുന്ന പരീക്ഷണമല്ല; അമേരിക്കയിലെ അഞ്ചിൽ ഒരാൾ തന്റെ സഹപ്രവർത്തകർ ചെയ്തിരുന്ന ജോലികൾ കൈമാറാൻ ഉപയോഗിക്കുന്ന ഒരു ഉപകരണമായി ഇത് മാറിയിരിക്കുന്നു. സോഫ്റ്റ്‌വെയർ ഡെവലപ്‌മെന്റിലും ഡാറ്റാ അനാലിസിസിലുമാണ് ഇതിന്റെ സ്വാധീനം ഏറ്റവും കൂടുതൽ (ക്രമമായി 57%, 46%). പൂർണ്ണമായ ജോലി മാറ്റിവെക്കൽ (task substitution) ഇപ്പോഴും കുറവാണെങ്കിലും അത് വളർന്നുവരികയാണ്. പലർക്കും ഉൽപ്പാദനക്ഷമത ഗുണങ്ങൾ ലഭിക്കുന്നുണ്ടെങ്കിലും, കാര്യക്ഷമതയിലെ വ്യതിയാനങ്ങളും കുറഞ്ഞ എഡിറ്റിംഗ് രീതികളും സൂചിപ്പിക്കുന്നത് മനുഷ്യന്റെ പരിശോധന അനിവാര്യമായി തുടരുന്നു എന്നാണ്.