जनरेटिव AI कार्यभार बढ़ाता है, समय नहीं बचाता

जनरेटिव AI की दोधारी तलवार

जनरेटिव आर्टिफिशियल इंटेलिजेंस (AI) टूल्स को अक्सर समय बचाने वाले और उत्पादकता बढ़ाने वाले के रूप में प्रचारित किया जाता है। वे निश्चित रूप से कोड चलाने या रिपोर्ट जनरेट करने में मदद कर सकते हैं, लेकिन इसमें एक पकड़ है। बड़े भाषा मॉडल (LLMs) को विकसित और बनाए रखने के लिए आवश्यक पृष्ठभूमि कार्य वास्तव में शुरुआती समय बचत से अधिक मानव प्रयास की मांग कर सकते हैं। इसके अलावा, कई कार्यों को सरल ऑटोमेशन तरीकों से कुशलता से संभाला जा सकता है, बिना AI की भारी तोपखाने की आवश्यकता के।

पेंसिल्वेनिया विश्वविद्यालय के व्हार्टन स्कूल के प्रबंधन प्रोफेसर पीटर कैपेली ने हाल ही में MIT के एक कार्यक्रम में ये अंतर्दृष्टि साझा की। उनका तर्क है कि व्यापक पैमाने पर, जनरेटिव AI और LLMs वे काम जितना कम करते हैं, उससे अधिक काम पैदा कर सकते हैं। इन मॉडलों को लागू करना जटिल है, और कैपेली ने बताया, "यह पता चला है कि जनरेटिव AI कई ऐसी चीजें कर सकता है जिनकी हमें वास्तव में आवश्यकता नहीं है।"

AI का हाइप बनाम वास्तविकता

जबकि AI को अक्सर क्रांतिकारी प्रौद्योगिकी के रूप में मनाया जाता है, कैपेली चेतावनी देते हैं कि टेक उद्योग के पूर्वानुमान अत्यधिक आशावादी हो सकते हैं। उन्होंने कहा, "वास्तव में, समय के साथ काम के बारे में अधिकांश प्रौद्योगिकी पूर्वानुमान गलत साबित हुए हैं।" उन्होंने ड्राइवरलेस ट्रकों और कारों का उदाहरण दिया, जिन्हें 2018 तक व्यापक रूप से फैलना था, लेकिन अभी तक पूरी तरह से सामने नहीं आए हैं।

टेक-ड्रिवन परिवर्तन के भव्य दृष्टिकोण अक्सर व्यावहारिक चुनौतियों पर ठोकर खाते हैं। स्वायत्त वाहनों के समर्थकों ने इन वाहनों के क्या कर सकते हैं पर ध्यान केंद्रित किया, बजाय आवश्यक नियामक अनुमतियों, बीमा मुद्दों और सॉफ्टवेयर की जटिलताओं को संबोधित करने के। कैपेली ने यह भी ध्यान दिया कि ट्रक ड्राइवर केवल ड्राइविंग से परे कई कार्य करते हैं, जो स्वायत्त वाहनों में संक्रमण को जटिल बनाता है।

सॉफ्टवेयर विकास और व्यवसाय में जनरेटिव AI

जनरेटिव AI को सॉफ्टवेयर विकास और व्यवसाय संचालन में लागू करने पर भी इसी तरह की जटिलता उत्पन्न होती है। कैपेली ने बताया कि प्रोग्रामर अपना बहुत समय कोडिंग के अलावा अन्य गतिविधियों जैसे संचार और बजट वार्ता में बिताते हैं। उन्होंने कहा, "यहां तक कि प्रोग्रामिंग की तरफ भी, सब कुछ प्रोग्रामिंग नहीं होता।"

AI-ड्रिवन नवाचार का वादा रोमांचक है, लेकिन इसके कार्यान्वयन में अक्सर वास्तविक दुनिया की चुनौतियां आती हैं। जनरेटिव AI के श्रम-बचत और उत्पादकता लाभ LLMs और एल्गोरिदम का समर्थन करने के लिए आवश्यक व्यापक पृष्ठभूमि कार्य से छाया हो सकते हैं।

AI द्वारा उत्पन्न नया काम

कैपेली के अनुसार, जनरेटिव और ऑपरेशनल AI दोनों नए कार्य पेश करते हैं। उन्होंने कहा, "लोगों को डेटाबेस का प्रबंधन करना होगा, उन्हें सामग्री को व्यवस्थित करना होगा, उन्हें इन रिपोर्टों के टकराव, वैधता और ऐसी ही चीजों की समस्याओं को हल करना होगा। यह बहुत सारे नए कार्य पैदा करने वाला है, किसी को उन्हें करना होगा।"

यहां तक कि ऑपरेशनल AI, जो कुछ समय से मौजूद है, विकसित होना जारी रखता है। कैपेली ने ध्यान दिया कि संख्यात्मक डेटा के साथ मशीन लर्निंग का उपयोग कम किया गया है, आंशिक रूप से डेटाबेस प्रबंधन की चुनौतियों के कारण। उन्होंने कहा, "डेटा को एक साथ रखने में ही बहुत प्रयास लगता है ताकि आप उसे विश्लेषण कर सकें। डेटा अक्सर विभिन्न संगठनों में अलग-अलग साइलो में होता है, जो राजनीतिक रूप से कठिन और तकनीकी रूप से एक साथ रखना मुश्किल होता है।"

जनरेटिव AI और LLMs को अपनाने में चुनौतियाँ

कैपेली ने जनरेटिव AI और LLMs को अपनाने में कई बाधाओं की पहचान की:

• कई कार्यों के लिए अत्यधिक उपयोग: उन्होंने कहा, "बड़े भाषा मॉडल कई ऐसी चीजें कर सकते हैं जिनकी शायद आवश्यकता नहीं है।" उदाहरण के लिए, जबकि व्यावसायिक पत्राचार एक संभावित उपयोग का मामला है, इसका बहुत कुछ पहले से ही फॉर्म पत्रों और बुनियादी ऑटोमेशन द्वारा संभाला जाता है। "एक फॉर्म पत्र पहले से ही वकीलों द्वारा स्वीकृत हो चुका है, और बड़े भाषा मॉडल द्वारा लिखी गई किसी भी चीज को शायद एक वकील द्वारा देखा जाना चाहिए। और यह किसी भी तरह से समय बचाने वाला नहीं होगा।"
• बढ़ती लागत: कैपेली ने चेतावनी दी कि रोट ऑटोमेशन को AI से बदलना अधिक महंगा हो सकता है। उन्होंने कहा, "यह स्पष्ट नहीं है कि बड़े भाषा मॉडल उतने ही सस्ते रहेंगे जितने वे अभी हैं। जैसे-जैसे अधिक लोग उनका उपयोग करते हैं, कंप्यूटर स्पेस को बढ़ना होगा, बिजली की मांग अकेले बड़ी है। किसी को इसके लिए भुगतान करना होगा।"
• वैधता की आवश्यकता: जनरेटिव AI के आउटपुट ईमेल जैसे सरल कार्यों के लिए उपयुक्त हो सकते हैं, लेकिन अधिक जटिल रिपोर्टों के लिए वैधता महत्वपूर्ण है। उन्होंने कहा, "यदि आप इसका उपयोग किसी महत्वपूर्ण चीज के लिए करने जा रहे हैं, तो आपको यह सुनिश्चित करना चाहिए कि यह सही है। और आप कैसे जानेंगे कि यह सही है? खैर, एक विशेषज्ञ की मदद लेना मददगार होता है; कोई ऐसा जो स्वतंत्र रूप से वैधता कर सके और विषय के बारे में कुछ जानता हो। हॉलुसिनेशन या अजीब परिणामों की तलाश करने के लिए, और यह अद्यतित है।"
• सूचना की अधिकता: रिपोर्ट और आउटपुट जनरेट करने की आसानी से सूचना की अधिकता हो सकती है, कभी-कभी विरोधाभासी। कैपेली ने कहा, "क्योंकि रिपोर्ट और आउटपुट जनरेट करना काफी आसान है, आपको अधिक प्रतिक्रियाएं मिलेंगी।" उन्होंने यह भी ध्यान दिया कि LLMs एक ही प्रॉम्प्ट के लिए अलग-अलग प्रतिक्रियाएं दे सकते हैं, जो विश्वसनीयता की चिंताओं को बढ़ाता है। "यह एक विश्वसनीयता का मुद्दा है - आप अपनी रिपोर्ट के साथ क्या करेंगे? आप एक ऐसी रिपोर्ट जनरेट करते हैं जो आपके विभाग को बेहतर दिखाती है, और आप उसे बॉस को देते हैं।"
• मानव निर्णय लेना: लोग अक्सर अपने आंतरिक भावनाओं या व्यक्तिगत प्राथमिकताओं के आधार पर निर्णय लेना पसंद करते हैं, जो मशीनों के लिए प्रभावित करना चुनौतीपूर्ण हो सकता है। कैपेली ने बताया कि भले ही AI निर्णय लेने में मदद कर सकता है, जैसे कि भर्ती में, लोग अपनी प्रवृत्तियों का अनुसरण करते हैं। उन्होंने कहा, "मशीन लर्निंग पहले ही हमारे लिए यह कर सकता है। यदि आप मॉडल बनाते हैं, तो आप पाएंगे कि आपके लाइन मैनेजर जो पहले से ही निर्णय ले रहे हैं, वे इसका उपयोग नहीं करना चाहते।"

संभावित निकट-अवधि के अनुप्रयोग

इन चुनौतियों के बावजूद, कैपेली डेटा के माध्यम से छानबीन करने और निर्णय लेने की प्रक्रियाओं का समर्थन करने के लिए जनरेटिव AI का उपयोग करने में संभावना देखते हैं। उन्होंने कहा, "हम ऐसा डेटा धो रहे हैं जिसे हम खुद विश्लेषण नहीं कर पाए हैं।" "यह हमसे बेहतर करेगा।" इसके साथ ही, डेटाबेस का प्रबंधन करना और डेटा प्रदूषण के मुद्दों को संबोधित करना महत्वपूर्ण कार्य बने रहेंगे।