అమెరికాలోని నిపుణులు పంపిన 8,00,000 ChatGPT సందేశాలపై OpenAI చేసిన విశ్లేషణ ప్రకారం, దాదాపు ఆరుగురిలో ఒకరు పంపే పనికి సంబంధించిన ప్రాంప్ట్‌లు (prompts), సాంప్రదాయకంగా వేరే వృత్తికి చెందిన పనులను నిర్వహించమని మోడల్‌ను కోరుతున్నట్లు తెలుస్తోంది. సాధారణ రచనలు మరియు సారాంశాలను (summarising) మినహాయించి చూస్తే, ఈ సంఖ్య 43.5%కి పెరుగుతుంది. ఈ మార్పు ఉద్యోగులు తమ రోజును గడిపే విధానాన్ని ఇప్పటికే మారుస్తోంది, మరియు ఇది చిన్న సంస్థలకు అత్యంత కీలకం, ఎందుకంటే అక్కడ ప్రతి అదనపు నైపుణ్యం నిపుణుల కోసం వేచి చూడాల్సిన వారాల సమయాన్ని తగ్గించగలదు.

ఈ గణాంకాలు ఎందుకు ముఖ్యమైనవి

కొన్ని నిర్దిష్ట విభాగాలలో వివిధ శాఖలకు సంబంధించిన అభ్యర్థనలు ఎక్కువగా ఉన్నాయని ఈ అధ్యయనం వెల్లడించింది. మార్కెటింగ్ మరియు ఇంజనీరింగ్ విభాగాల్లో ఇవి ఎక్కువగా ఉన్నాయి; ఇతర పాత్రల నుండి వచ్చే సందేశాలలో 8.9% మార్కెటింగ్ సంబంధిత ప్రశ్నలుగా ఉన్నాయి—ఇది డేటా సెట్‌లో అత్యధిక రేటు. ఒక సేల్స్‌పర్సన్, సాధారణంగా డేటా అనలిస్ట్ చేసే 'కస్టమర్-లైఫ్‌టైమ్-వాల్యూ' (customer-lifetime-value) గణాంకాలను లెక్కించమని ChatGPTని అడగవచ్చు, అలాగే ఒక మార్కెటర్ ఇంజనీర్‌ను సంప్రదించకముందే బ్రేక్ అయిన లింక్‌ను సరిచేయడం లేదా ఆన్-పేజీ SEOని మార్చడం వంటి పనులు చేయవచ్చు.

చిన్న వ్యాపార యజమానులకు ఈ ప్రభావం మరింత స్పష్టంగా కనిపిస్తుంది. యజమానులు ఇప్పుడు లీగల్ రివ్యూ నోట్స్ సిద్ధం చేయడం, త్వరిత ఆర్థిక అంచనాలు (financial forecasts) వేయడం మరియు గతంలో లాయర్ లేదా CFO అవసరమైన అడ్-హాక్ విశ్లేషణలను స్వయంగా చేస్తున్నారు. రెండు నుండి ఐదుగురు సభ్యులు ఉన్న బృందాలలో, 18.9% AI-జనరేటెడ్ పనులు ఉద్యోగి యొక్క ప్రధాన పాత్రకు వెలుపల ఉన్నాయి, అయితే వంద కంటే ఎక్కువ మంది సిబ్బంది ఉన్న సంస్థలలో ఇది 16.3% మాత్రమే. దీని వెనుక ఉన్న కారణం సరళం: పెద్ద సంస్థలు ఈ అభ్యర్థనను సంబంధిత సహోద్యోగికి పంపగలవు; కానీ చిన్న సంస్థలు ఆ సమస్యను తామే పరిష్కరించుకోవాలి.

ప్రయోజనం: వేగం మరియు మెరుగైన హ్యాండ్-ఆఫ్స్ (hand-offs)

ఒక ఉద్యోగి ప్రాథమిక విశ్లేషణ లేదా ముసాయిదా లీగల్ బ్రీఫ్‌ను సిద్ధం చేసినప్పుడు, నిపుణుడికి ఆ పనిని అప్పగించడం (hand-off) వేగంగా మరియు మరింత స్పష్టంగా జరుగుతుంది. నిపుణుడికి స్పష్టమైన సమస్య, మెరుగ్గా సిద్ధం చేయబడిన డేటా అందుతాయి, దీనివల్ల "మీకు ఏమి కావాలో వివరించండి" అనే ఇమెయిల్‌ల సంఖ్య తగ్గుతుంది. ఇది వేచి ఉండే సమయాన్ని తగ్గిస్తుంది, అంతర్గత అడ్డంకులను తగ్గిస్తుంది మరియు అభ్యర్థనల నాణ్యతను పెంచుతుంది.

ప్రమాదంలో ఉన్నవి

AI నిపుణులను పనికిరాకుండా చేస్తుంది అని ఈ అధ్యయనం చెప్పడం లేదు. బదులుగా, ఈ సాంకేతికత సమస్యను దాని మూలానికి దగ్గరగా తీసుకువచ్చే ఒక 'ఫ్రంట్-లైన్ రెస్పాండర్' (front-line responder) గా దీనిని అభివర్ణిస్తోంది.

కంపెనీలు ఎలా అనుసంధానించుకోవచ్చు

  • నిర్ణయ పాయింట్లను గుర్తించడం (Map decision points) – ఒక అభ్యర్థన ఎక్కడ ఆగిపోతుందో గుర్తించి, AI ఉపయోగకరమైన మొదటి ముసాయిదాను సిద్ధం చేయగలదో లేదో పరీక్షించండి.
  • అధికార పరిమితులను నిర్ణయించడం (Define authority limits) – ఏ అవుట్‌పుట్‌లకు అర్హత కలిగిన నిపుణుడి ఆమోదం (sign-off) అవసరమో స్పష్టంగా చెప్పండి.
  • కొత్త నైపుణ్యాల కోసం శిక్షణ ఇవ్వడం (Train for the new skill set) – ప్రాంప్టింగ్, AI సూచనలను అర్థం చేసుకోవడం మరియు తప్పులను గుర్తించడం వంటి అంశాలపై మైక్రో-లెర్నింగ్ అందించండి.
  • ప్రభావాన్ని కొలవడం (Measure impact) – హ్యాండ్-ఆఫ్స్ వల్ల ఆదా అయిన సమయాన్ని, తప్పుల రేటు లేదా తిరిగి చేయాల్సిన పనుల (rework) పెరుగుదలతో పోల్చి చూడండి.

చిన్న వర్సెస్ పెద్ద సంస్థలు: భిన్నమైన మార్గాలు

తదుపరి మజిలీ

వేగంగా అభివృద్ధి చెందుతున్న ఒక పద్ధతిని OpenAI డేటా ప్రతిబింబిస్తోంది. మోడల్స్ మరింత నమ్మదగినవిగా మరియు డొమైన్-స్పెసిఫిక్ (domain-specific) గా మారే కొద్దీ, వివిధ శాఖలకు సంబంధించిన పనుల వాటా పెరిగే అవకాశం ఉంది. AIని కేవలం ఉత్పాదకత సాధనంగా మాత్రమే చూస్తూ, వర్క్‌ఫ్లో రీడిజైన్ (workflow redesign) కోసం ఒక ఉత్ప్రేరకంగా చూడని సంస్థలు వెనుకబడిపోయే ప్రమాదం ఉంది. ఏ నిర్ణయాలు మనుషుల వద్ద ఉండాలి మరియు ఏవి AI సహాయంతో చేయవచ్చు అని నిర్ణయించుకుంటూ, ప్రక్రియలను ఇప్పుడే పునర్నిర్మించే సంస్థలు వేగవంతమైన పని చక్రాలను మరియు మరింత చురుకైన బృందాలను పొందుతాయి.

ముఖ్య అంశం (Takeaway): AI ఇప్పటికే సమస్య యొక్క మూలానికి మొదటి స్పందనను చేరుస్తోంది, ముఖ్యంగా ప్రతి అదనపు సామర్థ్యం ఆలస్యాన్ని తగ్గిస్తుంది కాబట్టి చిన్న వ్యాపారాలలో ఇది మరింత ప్రభావవంతంగా ఉంది. నిజమైన ప్రయోజనం ఉద్యోగాలకు కొత్త పేర్లు పెట్టడం వల్ల కాదు, ఎవరు ఏమి చేయాలి మరియు యంత్రం ఎక్కడ సురక్షితంగా జోక్యం చేసుకోగలదు అనే అంశాన్ని తిరిగి ఆలోచించడం ద్వారా వస్తుంది.