అమెరికన్ నాలెడ్జ్ వర్క్ రంగం నిశ్శబ్దంగా కానీ లోతైన మార్పుకు లోనవుతోంది, ఎందుకంటే AI అనుసంధానం ప్రయోగ దశ నుండి పనులను అప్పగించే (delegation) దశకు మారుతోంది. ఒక కొత్త సర్వే ప్రకారం, అమెరికాలో ఉద్యోగం చేసే వయోజనులలో 20 శాతం మంది, గతంలో మానవ సహోద్యోగి లేదా కాంట్రాక్టర్ నిర్వహించే కనీసం ఒక పనిని ఇప్పటికే AIకి అప్పగించారు.

సాఫ్ట్‌వేర్ డెవలప్‌మెంట్ మరియు డేటా అనాలిసిస్ ఈ మార్పుకు నాయకత్వం వహిస్తున్నాయి

Epoch AI మరియు పోలింగ్ సంస్థ Ipsos కలిసి నిర్వహించిన ఉమ్మడి అధ్యయనంలో 1,106 మంది అమెరికన్ ఉద్యోగులను ఇంటర్వ్యూ చేశారు. వివిధ వృత్తిపరమైన విభాగాలలో AI వినియోగంలో స్పష్టమైన క్రమానుగత శ్రేణిని (hierarchy) ఇది తెలియజేస్తోంది. జనరేటివ్ AI రోజువారీ కార్యకలాపాల్లో ఎలా కలిసిపోతుందో ట్రాక్ చేయడానికి, ఈ సర్వేలో US డిపార్ట్‌మెంట్ ఆఫ్ లేబర్ డేటా ఆధారంగా పది సాధారణ పని పనులను ఉపయోగించారు.

సాఫ్ట్‌వేర్ డెవలప్‌మెంట్ మరియు కంప్యూటర్ సిస్టమ్స్ డిజైన్ రంగాల్లో AI అనుసంధానం ప్రధానంగా కనిపిస్తోంది, ఈ రంగంలోని 57 శాతం మంది కార్మికులు AI సాధనాలను ఉపయోగిస్తున్నారు. డేటా అనాలిసిస్ 46 శాతంతో దాని వెనుకే ఉంది, అలాగే పనికి సంబంధించిన పత్రాలను (documents) చదవడం అనే పనిలో 39 శాతం వినియోగం నమోదైంది. దీనికి విరుద్ధంగా, రికార్డ్-కీపింగ్ వంటి సాంప్రదాయ అడ్మినిస్ట్రేటివ్ పనులు వెనుకబడి ఉన్నాయి, ఇక్కడ కేవలం 25 శాతం మంది మాత్రమే AIని ఉపయోగిస్తున్నట్లు తెలిపారు.

టాస్క్ సబ్‌స్టిట్యూషన్ వర్సెస్ పార్షియల్ అసిస్టెన్స్

ఈ నివేదికలో ఒక ముఖ్యమైన తేడా ఏమిటంటే, "AI-అసిస్టెడ్" (AI సహాయంతో చేసే) పనికి మరియు నిజమైన "టాస్క్ సబ్‌స్టిట్యూషన్" (పనిని పూర్తిగా భర్తీ చేయడం) కి మధ్య ఉన్న వ్యత్యాసం. ప్రస్తుతం, చాలా మంది వినియోగదారులు AIని ఆటోపైలట్‌గా కాకుండా, ఒక కో-పైలట్‌గా చూస్తున్నారు. AI ద్వారా పనిని పూర్తిగా లేదా దాదాపు పూర్తిగా పూర్తి చేయడం అనేది ఇంకా అరుదుగానే ఉంది; సాఫ్ట్‌వేర్ డెవలప్‌మెంట్‌లో ఇది కేవలం 10 శాతంగా ఉంది మరియు మిగిలిన అన్ని విభాగాల్లో 7 శాతానికి తక్కువగా ఉంది.

అయితే, మానవులు గతంలో నిర్వహించిన పనిని AI తీసుకునే "టాస్క్ సబ్‌స్టిట్యూషన్" ప్రక్రియ క్రమంగా పెరుగుతోంది. ప్రత్యక్ష భర్తీ రేట్లు ఎక్కువగా ఈ క్రింది వాటిలో ఉన్నాయి:

  • డేటా అనాలిసిస్: 7.1 శాతం మంది ప్రతినిధులు.
  • పని పత్రాలను చదవడం: 5.7 శాతం మంది ప్రతినిధులు.
  • రికార్డ్-కీపింగ్: 5.3 శాతం మంది ప్రతినిధులు.

ఈ మార్పు అంటే ఖచ్చితంగా భారీ స్థాయిలో ఉద్యోగాల కోత అని అర్థం కాదని, బదులుగా మానవ మేధస్సు మరియు మెషిన్ ప్రాసెసింగ్ మధ్య శ్రమ పునఃపంపిణీ (redistribution of labor) జరుగుతోందని Epoch AI నొక్కి చెబుతోంది.

ఉత్పాదకత మరియు అవుట్‌పుట్ నాణ్యత మధ్య ఉన్న వైరుధ్యం

AI వినియోగం మరియు సమయ సామర్థ్యం (time efficiency) మధ్య ఒక సంక్లిష్టమైన సంబంధం ఉందని డేటా వెల్లడిస్తోంది. AI ఒక పనిని ఎక్కువగా లేదా పూర్తిగా నిర్వహించినప్పుడు, 53 శాతం మంది కార్మికులు సమయం ఆదా అవుతున్నట్లు తెలిపారు, కానీ AIని కేవలం పాక్షిక సహాయం కోసం ఉపయోగించినప్పుడు ఇది 37 శాతంగా ఉంది. ఆసక్తికరమైన విషయం ఏమిటంటే, ఈ "సామర్థ్య పెరుగుదల" అందరికీ వర్తించడం లేదు; సుమారు ఆరు AI-అసిస్టెడ్ పనులలో ఒకటి సాంప్రదాయ మాన్యువల్ పద్ధతి కంటే ఎక్కువ సమయం తీసుకుంటోంది. అంటే, AIకి ప్రాంప్ట్ ఇవ్వడానికి, దానిని వెరిఫై చేయడానికి మరియు దానితో ఇంటరాక్ట్ అవ్వడానికి పట్టే సమయం, దాని వల్ల కలిగే వేగ ప్రయోజనాలను తగ్గించవచ్చు.

అంతేకాకుండా, AI అవుట్‌పుట్‌ల విషయంలో ఉన్న "ట్రస్ట్ గ్యాప్" (నమ్మకంలో అంతరం) గురించి కూడా ఈ సర్వే వెలుగుచూపింది. AI సృష్టించిన కంటెంట్‌లో ఏకంగా 66 శాతం ఎటువంటి ఎడిటింగ్ లేకుండానే ఉపయోగించబడుతోంది, కేవలం 5 శాతం అవుట్‌పుట్‌ను మాత్రమే భారీగా సవరించారు. ఇది AI యొక్క ఉపయోగకత ఎక్కువగా ఉందని సూచించినప్పటికీ, తక్కువ ఎడిటింగ్ చేయడం అనేది AI అవుట్‌పుట్ యొక్క అసలు నాణ్యతకు కొలమానం కాదని పరిశోధకులు హెచ్చరిస్తున్నారు.

ముఖ్య అంశాలు

  • హై-టెక్ అడాప్షన్: సాఫ్ట్‌వేర్ డెవలప్‌మెంట్ మరియు డేటా అనాలిసిస్ రంగాల్లో AI వినియోగం అత్యధికంగా, వరుసగా 57% మరియు 46% గా ఉంది.
  • భర్తీ కంటే డెలిగేషన్: 20% మంది కార్మికులు పనులను AIకి అప్పగిస్తున్నప్పటికీ, పూర్తి స్థాయి ఆటోమేషన్ ఇంకా తక్కువగానే (10% కంటే తక్కువ) ఉంది. దీనిని బట్టి AI ప్రస్తుతం మానవ పాత్రలకు ప్రత్యామ్నాయం కాదని, ఒక "బహుముఖ సాధనం" (versatile tool) అని అర్థమవుతోంది.
  • ఎడిటింగ్ ట్రెండ్: మూడింట రెండు వంతుల మంది కార్మికులు AI అవుట్‌పుట్‌ను కనిష్ట మార్పులతోనే అంగీకరిస్తున్నారు, ఇది LLM-జనరేటెడ్ ఫలితాల తక్షణ ఉపయోగంపై పెరుగుతున్న ఆధారితాన్ని సూచిస్తోంది.

ముగింపు

AI అనేది ఇప్పుడు కొద్దిమంది ఆవిష్కర్తల కోసం చేసే ప్రయోగం మాత్రమే కాదు; అమెరికాలోని ప్రతి ఐదుగురు కార్మికులలో ఒకరు తమ సహోద్యోగులు చేసే పనులను అప్పగించడానికి ఉపయోగించే సాధనంగా మారింది. ఈ సాంకేతికత సాఫ్ట్‌వేర్ డెవలప్‌మెంట్ మరియు డేటా అనాలిసిస్ రంగాల్లో బలంగా పాతుకుపోయింది (వరుసగా 57% మరియు 46% వినియోగం), మరియు పూర్తి స్థాయి టాస్క్ సబ్‌స్టిట్యూషన్ ఇంకా తక్కువగా ఉన్నప్పటికీ, అది పెరుగుతోంది. చాలా మందికి ఉత్పాదకత ప్రయోజనాలు స్పష్టంగా కనిపిస్తున్నప్పటికీ, మిశ్రమ సామర్థ్య ఫలితాలు మరియు తక్కువ ఎడిటింగ్ స్థాయిలను బట్టి చూస్తే, మానవ సమీక్ష (human review) అనేది ఇప్పటికీ అత్యవసరమని తెలుస్తోంది.