AI उत्पादकता समझौता: तेज़ काम, कमजोर कौशल

मैंने इस समझौते को सबसे छोटी जगह पर नोटिस करना शुरू किया: मेरे इनबॉक्स में। AI सारांश साफ-सुथरा था, सुझाया गया जवाब विनम्र था, और वे छोटी-छोटी निर्णय प्रक्रियाएँ, जो आम तौर पर सुबह को धीरे-धीरे खा जाती हैं, गायब हो गईं। दोपहर के भोजन तक, मैं तेज़ी से आगे बढ़ चुका था, लेकिन मुझे कम याद था। AI-सहायता वाले ज्ञान कार्य का अजीब सौदा यह नहीं है कि वह असफल होता है। बल्कि यह है कि वह अक्सर इतना अच्छा काम कर देता है कि हम भूल जाते हैं कि काम के कौन से हिस्से हमें तेज़ बनाए रख रहे थे। हम उत्पादकता को एक ही संख्या की तरह मानते रहते हैं, जैसे एक पूरा किया गया ईमेल, एक संक्षेपित रिपोर्ट, और एक बचाव योग्य निर्णय—सब एक ही बाल्टी में आते हों। ऐसा नहीं है। कुछ काम केवल घर्षण हैं, और मानवीय बात यही है कि उन्हें स्वचालित कर दिया जाए। दूसरे काम ऐसे घर्षण हैं जिनके अंदर एक पाठ्यक्रम छिपा होता है।

साफ-सुथरे इनबॉक्स के भीतर छिपा सौदा

Business Science Daily इस समझौते को उपयोगी स्पष्टता के साथ बताता है। काम में AI पर शोध के उसके सारांश के अनुसार, AI उत्पादकता को 12.2% और गुणवत्ता को 40%+ बढ़ाता है, जबकि सटीकता को 19 प्रतिशत अंक घटाता है। यह संयोजन केवल तभी विरोधाभासी लगता है जब हम मान लें कि गुणवत्ता और सटीकता एक ही चीज़ हैं। वे नहीं हैं। कोई दस्तावेज़ पढ़ने में बेहतर हो सकता है और फिर भी उसमें कोई गलत तथ्य हो सकता है। कोई निर्णय ज्ञापन अधिक पूरा दिख सकता है, जबकि चुपचाप किसी खराब मान्यता को विरासत में ले रहा हो।

AI काम की सतह को चिकना बनाने में बहुत अच्छा है, इसलिए वह उस क्षण में प्रगति जैसा महसूस होता है। असुविधाजनक सवाल यह है कि टीमें वास्तव में किस चीज़ को अनुकूलित कर रही हैं। अगर काम पहला मसौदा, नियमित सारांश, या दोहराव वाला संचार चक्र है, तो गति एक उपहार है। अगर काम निर्णय, व्याख्या, या जवाबदेही है, तो गति छद्मावरण बन सकती है। उपकरण दिखाई देने वाला संघर्ष हटा सकता है, लेकिन साथ ही वह अभ्यास भी हटा सकता है जो विशेषज्ञता बनाता है।

सहायक हमेशा शिक्षक नहीं होता

मानव-AI सहयोग पर Lex localis का अध्ययन इस समस्या को अधिक व्यावहारिक रूप देता है। लेखन, सारांश बनाने, निर्णय समर्थन, और समस्या-समाधान कार्यों में, उसने पाया कि AI सहायता ने कार्य पूरा करने की गति 32 से 39% तक बढ़ाई, और संरचित कार्यों में शुरुआती लोगों को सबसे अधिक लाभ हुआ। लेकिन उसी अध्ययन ने पाया कि उच्च-जटिलता वाले कार्यों में त्रुटियों में 15 से 25% की वृद्धि हुई।

यह अंतर हर AI rollout मीटिंग की दीवार पर छपा होना चाहिए। शुरुआती लोग AI के साथ तेज़ चल सकते हैं, खासकर जब कार्य का एक स्पष्ट टेम्पलेट हो। लेकिन जब कार्य जटिल होता है, तो जोखिम केवल यह नहीं है कि AI गलतियाँ करता है। जोखिम यह है कि मानव अब यह नोटिस नहीं करता कि कौन-सी गलतियाँ मायने रखती हैं।

Lex localis ने बार-बार आने वाली त्रुटियों को गढ़े हुए तथ्यों, तर्क की समस्याओं, मनगढ़ंत उद्धरणों, छूटों, और पक्षपाती मान्यताओं के रूप में वर्गीकृत किया। ध्यान दीजिए कि इनमें से कितनी चीज़ों को पकड़ने के लिए सक्रिय मानव मन की ज़रूरत होती है। Spellcheck टाइपो पकड़ सकता है। वह आपको यह नहीं बता सकता कि तर्क विनम्रता से खाई के किनारे से नीचे उतर गया है।

इसीलिए काम पर AI के लिए बेहतर रूपक replacement या जादू नहीं है। यह powered उपकरणों वाला gym है। सही ढंग से इस्तेमाल किया जाए, तो यह लोगों को कठिन lifts आज़माने देता है। निष्क्रिय रूप से इस्तेमाल किया जाए, तो यह मशीन को motion करने देता है, जबकि व्यक्ति movement को strength समझने की भूल करता है।

कार्यस्थल चुन रहा है कि वह क्या मापना चाहता है

MIT Technology Review AI अपनाने को एक ऐसे व्यावसायिक निर्णय के रूप में प्रस्तुत करता है जो संदेह और छूट जाने के डर के बीच फँसा है, जहाँ निवेश का पैसा बह रहा है और नेता आर्थिक प्रमाण खोज रहे हैं। यह panic या hype से अधिक समझदार frame है। मुद्दा यह नहीं है कि knowledge workers को AI का उपयोग करना चाहिए या नहीं। वे पहले से कर रहे हैं, और कई लोगों को करना भी चाहिए। असली design प्रश्न यह है कि मानव को कहाँ धीमा बने रहना है।

टीमें AI को प्रशासनिक बोझ हटाने, विकल्प उत्पन्न करने, मसौदों की तुलना करने, और स्पष्टता के लिए मजबूर करने तक सीमित रख सकती हैं। वे दावों, स्रोतों, निर्णयों, और नीति, hiring, research, finance, या public communication को आकार देने वाली किसी भी चीज़ के लिए human checks भी अनिवार्य कर सकती हैं।

सांस्कृतिक जाल यह दिखावा करना है कि हर काम आसान हो जाना चाहिए। कुछ को होना चाहिए। कोई भी व्यक्ति हज़ारवीं बार meeting notes को manually format करके अधिक बुद्धिमान नहीं बनता। लेकिन लोग ambiguity से जूझकर, कोई claim बनाकर, उसका बचाव करके, और evidence से सामना होने के बाद उसे revise करके अधिक तेज़ होते हैं।

इसलिए सबसे परिपक्व AI टीमें शायद वे नहीं होंगी जिनकी automation rate सबसे अधिक है। वे शायद वे होंगी जिनके पास मिटाने लायक घर्षण और बनाए रखने लायक घर्षण के बीच सबसे स्पष्ट सीमाएँ होंगी। अगला productivity metric केवल यह नहीं पूछना चाहिए कि कितना काम पूरा हुआ। उसे यह भी पूछना चाहिए कि worker ने उसे करते समय क्या सीखा।

पाठकों के लिए उपयोगी कदम छोटा और तुरंत किया जा सकने वाला है: एक workflow का audit करें। उन हिस्सों को mark करें जहाँ AI attention बचाता है, फिर उन हिस्सों को mark करें जहाँ attention ही मुख्य बात है। knowledge work का भविष्य इस बात से तय नहीं होगा कि हम assistants का उपयोग करते हैं या नहीं। यह इस बात से तय होगा कि क्या हम अभी भी उस judgment का अभ्यास करते हैं जिसकी सेवा इन assistants को करनी चाहिए।