जेनरेटिव AI उस सीमा से टकराती है जिसे कोई भी कार्यकारी देखना नहीं चाहता
लगभग हर उस बोर्डरूम में एक दांव बार-बार लगाया जाता है जो पिछले दो वर्षों से आर्टिफिशियल इंटेलिजेंस की बात कर रहा है: कि यह तकनीक किसी भी पेशेवर को किसी भी दूसरे का काम करने में सक्षम बनाएगी, और वह भी इतनी गुणवत्ता के साथ कि प्रतिभा के पुनर्गठन को उचित ठहराया जा सके। यह दांव कागज पर बड़ा आकर्षक लगता है। और नए प्रयोगात्मक साक्ष्यों के अनुसार, यह आंशिक रूप से गलत है — एक ऐसे तरीके से जिसके लोगों की रणनीति पर सीधे और गंभीर परिणाम होते हैं।
यूके की फिनटेक कंपनी IG में किए गए एक फील्ड प्रयोग में, जिसका विश्लेषण Harvard Business School, Stanford University और Stanford Digital Economy Lab के शोधकर्ताओं ने किया, ठीक इसी परिकल्पना को परखा गया। परिणामों ने एक ऐसा पैटर्न उजागर किया जिसे वे नेता नजरअंदाज नहीं कर सकते जो अपनी कार्यबल की पूर्ण प्रतिस्थापनीयता को मान चुके हैं।
वह प्रयोग जिसने अदृश्य खाई को उजागर किया
डिज़ाइन जानबूझकर सरल रखा गया था। तीन समूहों के कर्मचारियों को एक ही कार्य दिया गया: पहले, कंपनी की वेबसाइट के लिए एक लेख की अवधारणा बनाना (संरचना, कीवर्ड, मुख्य बिंदु); फिर, पूरे लेख को निष्पादित करना। ये समूह ज्ञान की दूरी के आधार पर अलग-अलग थे: वेब विश्लेषक जो सामान्यतः यह सामग्री बनाते हैं, मार्केटिंग विशेषज्ञ जो संबंधित कार्यों में काम करते हैं लेकिन लेख नहीं लिखते, और तकनीकी विशेषज्ञ (डेटा वैज्ञानिक और सॉफ्टवेयर डेवलपर) जिनका सामग्री निर्माण से कोई संबंध नहीं था। कुछ प्रतिभागियों को IG के जेनरेटिव AI टूल्स तक पहुंच मिली; अन्य को नहीं।
अवधारणा निर्माण चरण के परिणाम निर्णायक रहे। AI के बिना, वेब विश्लेषकों ने स्पष्ट रूप से अन्य दोनों समूहों को पीछे छोड़ दिया। AI के साथ, तीनों समूहों ने सांख्यिकीय रूप से अप्रभेद्य अवधारणाएं प्रस्तुत कीं। इस टूल ने सार और संरचित कार्य के लिए एक आदर्श समकारी के रूप में काम किया — वह कार्य जो एक उचित टेम्पलेट का पालन करता है जिसे एक गैर-विशेषज्ञ भी मूल्यांकन कर सकता है। इस हद तक, तकनीक का वादा पूरा हुआ।
निष्पादन चरण में, कहानी बदल गई। AI से लैस मार्केटिंग विशेषज्ञ वेब विश्लेषकों के बराबर गुणवत्ता वाले लेख तैयार करने में सफल रहे। तकनीकी विशेषज्ञ, जिनके पास बिल्कुल वही टूल्स थे, ऐसा नहीं कर सके। प्रयोग के बाद के साक्षात्कारों ने इसका तंत्र उजागर किया: तकनीकी पेशेवरों के पास जेनरेट किए गए आउटपुट की गुणवत्ता को आंकने का मानसिक मॉडल नहीं था। एक डेटा वैज्ञानिक ने कॉल टू एक्शन को हटा दिया क्योंकि उसे वे अनावश्यक लगे। दूसरे ने लेखों को SEO के लिए इष्टतम सीमा से नीचे छोटा कर दिया क्योंकि उसे संक्षिप्तता पसंद थी। एक ने दुर्लभ ईमानदारी के साथ स्वीकार किया: "मैंने यादृच्छिक रूप से चीजें जोड़ीं ताकि यह अधिक मार्केटिंग जैसा लगे।" यह तकनीकी क्षमता की कमी नहीं थी। यह डोमेन की दूरी थी।
लेखकों ने इस घटना को "जेनरेटिव AI की दीवार का प्रभाव" कहा: वह सीमा जिसके बाद टूल विशेषज्ञ और गैर-विशेषज्ञ के बीच की खाई को बंद नहीं कर सकता, चाहे वह कितना भी परिष्कृत क्यों न हो।
दीवार यह क्या बताती है कि हम ज्ञान का प्रबंधन कैसे करते हैं
सबसे असुविधाजनक खोज प्रयोग के आंकड़ों में नहीं है। यह उस निष्कर्ष में है जो संगठनात्मक वास्तुकला के लिए उनसे निकलता है: वर्षों से, कई कंपनियां तकनीकी कौशल और डोमेन ज्ञान के बीच भ्रम में रही हैं। और जेनरेटिव AI उस भ्रम को बनाए रखने में उनकी मदद कर रहा था।
प्रयोग में तकनीकी विशेषज्ञ इसलिए नहीं असफल हुए क्योंकि वे टूल्स का उपयोग नहीं जानते थे। वे इसलिए असफल हुए क्योंकि उनके पास यह मूल्यांकन करने के मापदंड नहीं थे कि आउटपुट अच्छा था या नहीं। जो व्यक्ति AI का उपयोग करके प्रभावी ढंग से मार्केटिंग सामग्री बना सकता है और जो नहीं बना सकता, उनके बीच अंतर इंटरफेस या प्रॉम्प्ट में नहीं है। अंतर यह जानने में है कि एक लेख जो रूपांतरित करता है उसका क्या अर्थ है, "बिक्री टोन" का मूल्य क्यों है, कौन सी लंबाई खोज एल्गोरिदम के लिए बेहतर प्रतिक्रिया देती है। यह ज्ञान AI क्षमता प्रशिक्षण के एक स्प्रिंट में हस्तांतरित नहीं होता।
प्रयोग जो संगठनात्मक दृष्टि से दस्तावेज करता है वह यह है कि जेनरेटिव AI उन कार्यों पर प्रभावी ढंग से काम करती है जो संरचित अमूर्तन के तर्क का पालन करते हैं: रूपरेखा बनाना, वर्गीकृत करना, व्यवस्थित करना, एक ढांचे के भीतर विकल्प उत्पन्न करना। उन कार्यों में, उपयोगकर्ता का इनपुट न्यूनतम हो सकता है क्योंकि टूल के पास काम करने के लिए पर्याप्त संरचना है। दूसरी ओर, उच्च गुणवत्ता निष्पादन के लिए वह चाहिए जिसे शोधकर्ता मौन ज्ञान कहते हैं: वे सूक्ष्म निर्णय जो एक पेशेवर स्वचालित रूप से टोन, जोर, दर्शक और रणनीतिक इरादे के बारे में करता है, और जिन्हें किसी टूल को सौंपना असंभव है यदि ऑपरेटर के पास वे आंतरिक रूप से नहीं हैं।
इसका AI निवेश पर रिटर्न के बारे में कार्यकारी टीमों की सोच पर सीधा प्रभाव पड़ता है। यदि कोई कंपनी परिष्कृत टूल्स तैनात करती है और उम्मीद करती है कि उसकी तकनीकी या प्रशासनिक कार्यबल उस काम को अवशोषित कर सकती है जो पहले मार्केटिंग, संचार या डिज़ाइन विशेषज्ञों का था, तो संभावित परिणाम दक्षता नहीं बल्कि ऐसा घटिया आउटपुट है जिसे श्रृंखला में कोई भी पहचानने में सक्षम नहीं है। यह लागत तत्काल उत्पादकता मीट्रिक में नहीं दिखती। यह छह महीने बाद दिखती है, जब सामग्री की गुणवत्ता गिर चुकी होती है, SEO खराब हो चुका होता है और कोई भी यह नहीं बता सकता कि समस्या ठीक कहां हुई।
वह प्रतिभा संबंधी त्रुटि जिसे दक्षता छुपा देती है
एक अंतर्निहित संगठनात्मक गतिशीलता है जिसे शोध स्पष्ट रूप से नाम नहीं देता, लेकिन प्रयोग सटीकता से चित्रित करता है: नेताओं की यह प्रवृत्ति कि वे प्रतिभा रणनीतियां ज्ञान दूरी के तर्क के बजाय लागत कटौती के तर्क से डिजाइन करते हैं।
जब कोई कंपनी यह तय करती है कि AI के साथ, वह एक सॉफ्टवेयर डेवलपर को मार्केटिंग सामग्री बनाने के लिए पुनः असाइन कर सकती है, तो यह निर्णय आमतौर पर इस विश्लेषण से नहीं गुजरता कि दोनों कार्यों के बीच डोमेन ज्ञान कितनी दूर है। यह एक स्प्रेडशीट से गुजरता है जो उपलब्ध घंटे दिखाती है और एक बजट जो अनुकूलन चाहता है। समस्या वित्तीय तर्क नहीं है; समस्या यह है कि वित्तीय तर्क प्रतिस्थापनीयता की ऐसी धारणाओं पर काम कर रहा है जिन्हें IG के प्रयोग ने अभी-अभी गलत साबित किया है।
अध्ययन के लेखक एक ऐसा अंतर प्रस्तुत करते हैं जो कार्यकारी टीमों के लिए उपयोगी है: AI समान ज्ञान आधार वाली आसन्न कार्यों के बीच गतिशीलता को सुविधाजनक बना सकती है, लेकिन दूर की कार्यों के बीच नहीं। एक मार्केटिंग समन्वयक जो सामग्री निर्माण की ओर जाता है, उसके पास जेनरेट किए गए आउटपुट का मूल्यांकन करने और उसे परिष्कृत करने का वैचारिक ढांचा होता है। एक सॉफ्टवेयर डेवलपर जो यही काम करता है, उसके पास नहीं होता, और उपलब्ध टूल्स उसे यह नहीं दे सकते। यह अंतर किसी भी पुनः तैनाती निर्णय का धुरा होना चाहिए, इससे पहले कि यह एक दृश्यमान समस्या बन जाए।
दूसरी, कम स्पष्ट, निहितार्थ का संबंध इससे है कि कंपनियां अपने प्रशिक्षण बजट का निवेश कहां करती हैं। प्रमुख प्रवृत्ति टीमों को AI टूल्स के उपयोग में प्रशिक्षित करने की रही है: प्रॉम्प्ट कैसे संरचित करें, कैसे पुनरावृत्त करें, आउटपुट को वर्कफ्लो में कैसे एकीकृत करें। यह आवश्यक है लेकिन अपर्याप्त है। अध्ययन सुझाव देता है कि असली बाधा टूल के साथ तकनीकी दक्षता नहीं, बल्कि डोमेन ज्ञान है जो यह निर्णय करने देता है कि आउटपुट अच्छा है या नहीं। पहले में निवेश करना, दूसरे में निवेश किए बिना, दिशा के बिना गति बनाना है।
अध्ययन एक अधिक संरचनात्मक पठन भी खोलता है: जिस हद तक AI अवधारणात्मकता और विचार-निर्माण को लोकतांत्रिक बनाती है, मूल्य का भार उच्च गुणवत्ता निष्पादन की ओर स्थानांतरित हो जाता है। और वह निष्पादन संचित ज्ञान का कार्य बना रहेगा, न कि इंटरफेस की परिष्कृतता का। जो नेता इसे पहले समझेंगे, वे उसके अनुसार अपने प्रतिभा निवेश को पुनर्गठित करेंगे। जो नहीं समझेंगे, वे AI के प्रभाव को अपनाने के मेट्रिक्स में मापते रहेंगे जबकि वास्तविक आउटपुट चुपचाप खराब होता रहेगा।
एक कार्यकारी टीम की परिपक्वता, अन्य बातों के साथ, ऐसे संगठन बनाने की उसकी क्षमता से मापी जाती है जहां ज्ञान का प्रवाह जानबूझकर होता है और जहां कोई भी महत्वपूर्ण परिणाम किसी एक व्यक्ति (या एक टूल) पर निर्भर नहीं करता। इसके लिए ईमानदारी से यह मैप करना आवश्यक है कि प्रत्येक कार्य क्या जानता है, वह दूसरों से कितनी दूर है, और उन प्रणालियों के साथ सहयोग करने के लिए कितनी तैयार है जो पहले से मौजूद चीज को बढ़ाती हैं, लेकिन जो नहीं है उसे शून्य से नहीं बना सकतीं। जो संगठन वह मैप बनाने और उस पर कार्य करने में सफल होंगे, उन्हें किसी भी विशेष कार्यकारी की आवश्यकता नहीं होगी। वे पहले से ही वह प्रणाली बना चुके होंगे जो उन्हें स्वयं ही आगे बढ़ाती है।
