અમેરિકાના વ્યાવસાયિકો દ્વારા મોકલવામાં આવેલા 8,00,000 ChatGPT મેસેજ પરના OpenAI ના વિશ્લેષણ પરથી જાણવા મળે છે કે, લગભગ છમાંથી એક કામ સંબંધિત પ્રોમ્પ્ટ હવે મોડેલને એવા કાર્યો કરવા માટે કહે છે જે પરંપરાગત રીતે અન્ય વ્યવસાય સાથે જોડાયેલા હોય છે. જો રૂટિન લેખન અને સારાંશ (summarising) ને બાકાત રાખવામાં આવે, તો આ આંકડો વધીને 43.5% થઈ જાય છે. આ પરિવર્તન કર્મચારીઓ તેમનો દિવસ કેવી રીતે વિતાવે છે તેને પહેલેથી જ નવો આકાર આપી રહ્યું છે, અને તે સૌથી નાની કંપનીઓ માટે સૌથી વધુ મહત્વનું છે, જ્યાં દરેક વધારાનું કૌશલ્ય નિષ્ણાતની રાહ જોવામાંથી અઠવાડિયાનો સમય બચાવી શકે છે.

આ આંકડાઓ શા માટે મહત્વના છે

અભ્યાસમાં જાણવા મળ્યું છે કે વિવિધ વિભાગો વચ્ચેની વિનંતીઓ અમુક ચોક્કસ કાર્યોમાં કેન્દ્રિત છે. માર્કેટિંગ અને એન્જિનિયરિંગ આમાં મોખરે છે, જેમાં અન્ય ભૂમિકાઓના 8.9% મેસેજમાં માર્કેટિંગ સંબંધિત પ્રશ્નો જોવા મળે છે—જે ડેટા સેટમાં સૌથી ઊંચો દર છે. એક સેલ્સપર્સન ChatGPT ને customer-lifetime-value ના આંકડાઓ ગણવા માટે કહી શકે છે જે સામાન્ય રીતે ડેટા એનાલિસ્ટ સંભાળતા હોય, જ્યારે એક માર્કેટર એન્જિનિયરને સામેલ કર્યા વિના જ તૂટેલી લિંકનું નિરાકરણ લાવી શકે છે અથવા ઓન-પેજ SEO માં સુધારો કરી શકે છે.

નાના વ્યવસાયના માલિકો માટે, આ અસર વધુ સ્પષ્ટ છે. માલિકો હવે કાનૂની સમીક્ષા નોંધો (legal review notes) તૈયાર કરે છે, ઝડપી નાણાકીય અનુમાન (financial forecasts) કરે છે, અને એડ-હોક વિશ્લેષણ કરે છે જેના માટે પહેલા વકીલ અથવા CFO ની જરૂર પડતી હતી. બે થી પાંચ લોકોની ટીમોમાં, 18.9% AI-જનરેટેડ કાર્યો કર્મચારીની મુખ્ય ભૂમિકાની બહારના હોય છે, જ્યારે સો કરતાં વધુ સ્ટાફ ધરાવતી મોટી કંપનીઓમાં આ આંકડો 16.3% છે. ગણિત સરળ છે: મોટી કંપનીઓ આ વિનંતી સમર્પિત સહકર્મીને સોંપી શકે છે; જ્યારે નાની સંસ્થાઓએ સમસ્યા પોતે જ ઉકેલવી પડે છે.

ફાયદો: ઝડપ અને વધુ સચોટ હેન્ડ-ઓફ (hand-offs)

જ્યારે કોઈ કર્મચારી પ્રાથમિક વિશ્લેષણ અથવા કાચો કાનૂની બ્રીફ તૈયાર કરે છે, ત્યારે નિષ્ણાતને કામ સોંપવું વધુ ઝડપી અને વધુ કેન્દ્રિત બને છે. નિષ્ણાતને વધુ સ્પષ્ટ સમસ્યાનું નિવેદન, વધુ સારી રીતે તૈયાર કરેલ ડેટા અને "કૃપા કરીને સમજાવો કે તમારે શું જોઈએ છે" એવા ઓછા ઈમેલ મળે છે. આનાથી રાહ જોવાનો સમય ઘટે છે, આંતરિક અવરોધો ઘટે છે અને વિનંતીની ગુણવત્તા વધે છે.

શું જોખમમાં છે

અભ્યાસ એવો દાવો નથી કરતો કે AI નિષ્ણાતોને બિનજરૂરી બનાવશે. તે ટેકનોલોજીને એક ફ્રન્ટ-લાઇન રિસ્પોન્ડર તરીકે રજૂ કરે છે જે સમસ્યાને તેના સ્ત્રોતની વધુ નજીક લાવે છે.

કંપનીઓ કેવી રીતે અનુકૂલન સાધી શકે છે

  • નિર્ણયના મુદ્દાઓ નક્કી કરો – વિનંતી સામાન્ય રીતે ક્યાં અટકી જાય છે તે શોધો અને શું AI ઉપયોગી પ્રથમ ડ્રાફ્ટ તૈયાર કરી શકે છે તેની ચકાસણી કરો.
  • અધિકારની મર્યાદાઓ નક્કી કરો – કયા આઉટપુટ માટે લાયક વ્યાવસાયિકની મંજૂરીની જરૂર છે તે સ્પષ્ટ કરો.
  • નવા કૌશલ્ય સેટ માટે તાલીમ આપો – પ્રોમ્પ્ટિંગ, AI સૂચનોનું અર્થઘટન અને સંભવિત ભૂલો શોધવા માટે માઇક્રો-લર્નિંગ ઓફર કરો.
  • અસર માપો – ભૂલના દર અથવા ફરીથી કામ કરવાના વધારાની સરખામણીમાં હેન્ડ-ઓફ પર બચાવેલા સમયને ટ્રેક કરો.

નાની વિરુદ્ધ મોટી સંસ્થાઓ: અલગ માર્ગો

આગામી ક્ષિતિજ

OpenAI નો ડેટા એક એવી પ્રથાને દર્શાવે છે જે ઝડપથી વિકસી રહી છે. જેમ જેમ મોડેલ્સ વધુ વિશ્વસનીય અને ડોમેન-સ્પેસિફિક બનશે, તેમ તેમ વિવિધ વિભાગો વચ્ચેના કાર્યોનો હિસ્સો વધવાની શક્યતા છે. જે સંસ્થાઓ AI ને વર્કફ્લો રિડિઝાઇન કરવા માટેના ઉદ્દીપકને બદલે માત્ર ઉત્પાદકતાના સાધન તરીકે જુએ છે, તેઓ પાછળ રહી જવાનું જોખમ ઉઠાવે છે. જેઓ અત્યારે પ્રક્રિયાઓને ફરીથી ડિઝાઇન કરે છે—કયા નિર્ણયો માનવીય રહેશે અને કયા AI-સહાયિત હોઈ શકે છે તે નક્કી કરીને—તેઓ ઝડપી સાયકલ અને વધુ ચપળ ટીમોનો લાભ મેળવશે.

મુખ્ય વાત: AI પહેલેથી જ સમસ્યાના મૂળ સ્ત્રોત સુધી પ્રથમ પ્રતિસાદ પહોંચાડી રહ્યું છે, ખાસ કરીને નાના વ્યવસાયોમાં જ્યાં દરેક વધારાની ક્ષમતા વિલંબ ઘટાડે છે. સાચો ફાયદો નોકરીઓના નામ બદલવાથી નહીં, પરંતુ કોણ શું કરે છે અને મશીન ક્યાં સુરક્ષિત રીતે કામમાં આવી શકે છે તે વિશે ફરીથી વિચારવાથી મળે છે.