AI अधिक मानवीय काम उत्पन्न करती है, कम नहीं — और यह उन लोगों के लिए सब कुछ बदल देता है जो नेतृत्व करते हैं
एक आख्यान है जो बोर्डरूम में बड़े आराम से प्रचलित है: आर्टिफिशियल इंटेलिजेंस पदों को समाप्त कर देगी, वेतन सूची को घटाएगी और पूंजी को मुक्त करेगी। यह एक सुविधाजनक आख्यान है क्योंकि इसका रूप एक स्वच्छ वित्तीय निर्णय जैसा है। समस्या यह है कि आंकड़े इसे समर्थन नहीं देते।
जेफ बेजोस ने हाल ही में CNBC पर एक साक्षात्कार में बिना किसी लाग-लपेट के कहा: AI श्रम बाजार को खाली नहीं करेगी, बल्कि यह प्रतिभा की कमी उत्पन्न करेगी। उनकी उपमा सटीक थी। एक इंजीनियर जिसने वर्षों तक फावड़े से खाई खोदी, वह तब गायब नहीं हो जाता जब उसे एक खुदाई मशीन दी जाती है। वह अधिक खोदता है, अधिक तेजी से, उन परियोजनाओं में जो पहले व्यवहार्य नहीं थीं। काम ऊपर उठता है, विलुप्त नहीं होता।
AI अपनाने की वास्तविक अग्रिम पंक्ति पर जो हो रहा है वह इस थीसिस की पुष्टि एक ऐसे तरीके से करता है जो उन लोगों को असहज करनी चाहिए जिन्होंने विपरीत आख्यान के आधार पर कार्यबल संबंधी निर्णय लिए।
जब स्वचालन विशेषज्ञ कार्य को गुणित करता है
Every के CEO डैन शिपर ने एक विश्लेषण प्रकाशित किया जिसे ध्यान से पढ़ने योग्य है। उनकी कंपनी ने AI एजेंटों के साथ जो कुछ भी स्वचालित किया जा सकता था, उसे स्वचालित कर दिया। परिणाम यह रहा कि टीम चार से बढ़कर तीस से अधिक लोगों की हो गई। स्वचालन के बावजूद नहीं, बल्कि ठीक उसी के कारण।
इस घटना के पीछे की कार्यप्रणाली उतनी विरोधाभासी नहीं है जितनी लगती है। जब AI किसी प्रक्रिया के मानकीकृत हिस्सों को संभाल लेती है, तो वह विशेषज्ञ निर्णय की आवश्यकता को समाप्त नहीं करती: वह उसे गुणित करती है। किसी को यह परिभाषित करना होता है कि एक अच्छा परिणाम क्या माना जाए। किसी को एजेंट के आउटपुट की समीक्षा करनी होती है इससे पहले कि वह ग्राहक तक पहुंचे। किसी को यह तय करना होता है कि संगठन के व्यापक संदर्भ में उस आउटपुट के साथ क्या करना है। AI मध्य-स्तर के कार्य को संकुचित करती है। मनुष्य किनारों को संभालते हैं।
शिपर इसे एक प्रक्रिया ज्यामिति के माध्यम से वर्णित करते हैं जिसके ठोस संगठनात्मक निहितार्थ हैं: शुरुआत में, मनुष्य ढांचा तैयार करते हैं। बीच में, AI निष्पादित करती है। अंत में, मनुष्य निर्णय लेते हैं, विस्तार करते हैं और फैसला करते हैं। यह एक ऐसा चक्र नहीं है जो मानवीय भार को कम करता है। यह एक ऐसा चक्र है जो उस भार को उच्च संज्ञानात्मक घनत्व वाले निर्णयों की ओर स्थानांतरित करता है।
वास्तविक उपयोगकर्ताओं के साथ अपने मॉडलों के उपयोग पर Anthropic के डेटा इसी दिशा में इशारा करते हैं। ज्ञान-कार्य के सामान्य कार्यों में, निष्पादन समय लगभग 80% गिरता है। यह बचत कम काम में नहीं बदलती; यह अधिक पहलों की मात्रा, निर्णय चक्रों में अधिक गति और मानव समन्वय की अधिक सतह में बदल जाती है। McKinsey का अनुमान है कि AI एजेंटों को बड़े पैमाने पर अपनाने के साथ, अमेरिका में 57% कार्य घंटे तकनीकी रूप से आज उपलब्ध प्रौद्योगिकी के साथ स्वचालित किए जा सकते हैं। यदि वह आंकड़ा पूरा होता, तो अतिरिक्त संभावित आर्थिक मूल्य केवल उस बाजार में 2030 तक सालाना 2.9 ट्रिलियन डॉलर तक पहुंच सकता है। समस्या प्रौद्योगिकी की क्षमता में नहीं है। यह इस बात में है कि आउटपुट की उस नई मात्रा की निगरानी, समन्वय और एकीकरण कौन करेगा।
MIT Sloan के उस शोध ने जिसने 2010 से 2023 तक AI के प्रभाव को ट्रैक किया, कुछ ऐसा पाया जो शायद ही कभी सुर्खियों में आता है: जब AI किसी पद के केवल कुछ कार्यों को स्वचालित करती है, तो उस पद पर रोजगार बढ़ सकता है। और AI के उच्च संपर्क वाले उच्च वेतन वाले पदों में, रोजगार वृद्धि पांच वर्षों में लगभग 3% रही। यह विनाश नहीं है। यह पुनर्रचना है।
गलत आख्यान पर विश्वास करने की संगठनात्मक लागत
शिपर के विश्लेषण में जो बात मुझे दिलचस्प लगती है वह केवल प्रक्रिया की कार्यप्रणाली नहीं है। यह वह है जो वह उन बातचीतों के बारे में प्रकट करता है जिनसे कई संगठन बच रहे हैं।
जब एक कार्यकारी टीम इस धारणा के तहत AI अपनाती है कि यह विशेषज्ञ मानव प्रतिभा पर उनकी निर्भरता को कम करेगी, तो वे एक झूठी धारणा पर रणनीति बना रहे हैं। और झूठी धारणाओं पर बनी रणनीतियां एक झटके में नहीं टूटतीं। वे धीरे-धीरे सड़ती हैं। सबसे आम लक्षण उन निर्णयों का बढ़ता बैकलॉग है जो AI नहीं ले सकती, जो एक ऐसी टीम के ऊपर जमा होता है जिसे कम कर दिया गया था या जिसे नई योजना में काम करने के लिए प्रशिक्षित नहीं किया गया था।
शिपर जिसे नया संगठनात्मक बाधा बिंदु बताते हैं वह एक प्रशासन की समस्या है, प्रौद्योगिकी की नहीं। AI उस गति से उत्पादन करती है जिसे निगरानी की मानवीय संरचना हमेशा अवशोषित नहीं कर सकती। और जब उस अंतर को नाम नहीं दिया जाता, तो संगठन ऐसे आउटपुट पर काम करना शुरू कर देता है जिसकी वास्तव में किसी ने ठीक से समीक्षा नहीं की, केवल जल्दी से समीक्षा की। दोनों के बीच का अंतर ऐसे परिणाम पैदा करता है जिन्हें दिखाई देने में महीने लगते हैं और जो तब अव्याख्येय त्रुटियों के रूप में सामने आते हैं।
एक और प्रभाव है जिसे कुछ संगठन ईमानदारी से माप रहे हैं: आउटपुट का एकरूपीकरण। जब एक उद्योग में सभी लोग दस्तावेज, विश्लेषण, प्रस्तुतियां और संचार तैयार करने के लिए एक ही मॉडल का उपयोग करते हैं, तो परिणाम पठनीय औसत की ओर अभिसरण होता है। शिपर इसे बिना किसी हिचकिचाहट के कहते हैं: प्रचुरता एकरूपता उत्पन्न करती है, और एकरूपता विभेदक मूल्य को नष्ट करती है। वह वित्तीय विश्लेषण जो सभी प्रतिस्पर्धियों के विश्लेषण जैसा दिखता है, कोई लाभ नहीं देता। वह संचार रणनीति जो क्षेत्र के औसत जैसी लगती है, कोई स्थिति नहीं बनाती। उस संदर्भ में, वास्तविक कमी वह मानवीय निर्णय बन जाता है जो कुछ ऐसा उत्पन्न करता है जो AI डिफ़ॉल्ट रूप से नहीं चुनती।
Goldman Sachs Research एक अलग कोण से एक समान निष्कर्ष पर पहुंचा। उनके विश्लेषण में पाया गया कि अब तक AI के स्थानीय संपर्क और बेरोजगारी वृद्धि, छंटनी दर, वेतन या काम के घंटों के बीच कोई सांख्यिकीय रूप से महत्वपूर्ण सहसंबंध नहीं है। रोजगार विनाश की कथा के बावजूद शून्य मापने योग्य मैक्रो प्रभाव। जो वे देख रहे हैं वह पदों के भीतर कार्यों का पुनर्वितरण है, साथ में उन कौशलों की बढ़ती मांग है जिन्हें AI दोहरा नहीं सकती: जटिल समन्वय, संदर्भगत निर्णय, पारस्परिक विश्वास।
वह कार्य जो संगठन अभी तक नहीं देखता
एक प्रकार का काम है जो AI अपनाने से उत्पन्न होता है और जिसे कुछ संगठन सही ढंग से नहीं गिनते: AI एजेंटों को ठीक से काम करते रखने का काम।
शिपर की कंपनी में एक टीम है जो विशेष रूप से यह सुनिश्चित करने के लिए समर्पित है कि AI एजेंट स्वीकार्य मापदंडों के भीतर काम करें। यह कार्यान्वयन की अस्थायी लागत नहीं है। यह एक संरचनात्मक परिचालन लागत है। मॉडल कुछ संदर्भों में कमज़ोर पड़ जाते हैं, ऐसे आउटपुट उत्पन्न करते हैं जिनके लिए निरंतर अंशांकन की आवश्यकता होती है, और "पर्याप्त रूप से अच्छा" माना जाने की दहलीज समय के साथ और ग्राहक की मांग के साथ बदलती रहती है। इसके लिए इंजीनियर, निर्णय और ऐसे फैसले चाहिए जिन्हें वापस AI को नहीं सौंपा जा सकता।
Boston Consulting Group का अनुमान है कि अगले दो या तीन वर्षों में, अमेरिका में 50% से 55% पदों को AI द्वारा महत्वपूर्ण रूप से पुनर्रचित किया जाएगा। पुनर्रचित, समाप्त नहीं। यह अंतर केवल शब्दार्थिक नहीं है। इसका अर्थ है कि जो संगठन उस प्रक्रिया तक बिना अपने लोगों को निगरानी, निर्णय और आउटपुट एकीकरण की योजनाओं में काम करने के लिए तैयार किए पहुंचेगा, उसे यह मिलेगा कि उसके पास शक्तिशाली उपकरण हैं लेकिन मानवीय क्षमता उन उपकरणों की आवश्यकताओं के साथ असंरेखित है।
इस समय एक कार्यकारी टीम जो सबसे महंगी गलती कर सकती है वह प्रौद्योगिकी के साथ बहुत धीमी गति से चलना नहीं है। यह प्रौद्योगिकी की गति से चलते हुए मानव संरचना को अतीत की गति से संचालित करना है। AI उत्पादन चक्र को तेज करती है। यदि संगठन एक साथ उसी पैमाने पर निगरानी, प्रशासन और निर्णय की क्षमता नहीं बनाता, तो जो तेज होता है वह मूल्य नहीं है। यह उन आउटपुट की मात्रा है जिसे वास्तव में कोई सत्यापित नहीं कर रहा।
अगले महीनों में जो प्रश्न बनाए रखने योग्य है वह यह नहीं है कि AI कितने पदों को स्वचालित कर सकती है। यह है कि संगठन को कितने विशेषज्ञ निर्णय के पद बनाने की आवश्यकता है ताकि वह स्वचालन कुछ ऐसा उत्पन्न करे जो सार्थक हो।
शिपर इसे एक वाक्य में सारांशित करते हैं जो C-Level की बातचीत में आमतौर पर मिलने वाले ध्यान से अधिक ध्यान का हकदार है: एक बार जब कोई स्थिति पाठ में सिमट जाती है, तो वह एक कॉर्पस में बदल जाती है। और कॉर्पस एक शव है। मनुष्य को जो करना है वह ठीक वही है जो अभी तक नहीं हुआ है, जो पहले से दस्तावेज़ीकृत नहीं हो सकता, जिसे अभी, इस संदर्भ में, इस ग्राहक के साथ, इन परिस्थितियों में नाम देने की आवश्यकता है। यही वह जगह है जहां AI नहीं पहुंचती। और वहीं, विरोधाभासी रूप से, सबसे अधिक काम करना बाकी है।
