OpenAI દ્વારા 8,00,000 થી વધુ કામ સંબંધિત ChatGPT ક્વેરીઝના વિશ્લેષણ પરથી જાણવા મળ્યું છે કે 43.5% સ્પેશિયાલિસ્ટ-સ્તરની વિનંતીઓ તેમના મુખ્ય વ્યવસાયિક ભૂમિકા બહારના વપરાશકર્તાઓ દ્વારા સંભાળવામાં આવી રહી છે, આ એક એવી પ્રવૃત્તિ છે જેને કંપની “task crossover” કહે છે. આ શોધ મહત્વની છે કારણ કે તે વ્યવસાયો કેવી રીતે નિષ્ણાતોની નિમણૂક કરે છે અને વ્યક્તિઓ તેમની વ્યાવસાયિક ક્ષમતાઓ કેવી રીતે વ્યાખ્યાયિત કરે છે તેનું ઝડપી પુનઃનિર્માણ સૂચવે છે.

“task crossover” પાછળનો ડેટા

OpenAI એ U.S. વ્યવસાયિક ડેટાબેઝ O*NET નો ઉપયોગ કરીને દરેક ક્વેરીને પ્રમાણભૂત વ્યવસાય સાથે જોડી હતી. ઈમેલ ડ્રાફ્ટિંગ અથવા શેડ્યુલિંગ જેવી સામાન્ય પ્રવૃત્તિઓને દૂર કર્યા પછી, અભ્યાસે એવા ઉચ્ચ-સ્તરની ક્ષમતાઓ પર ધ્યાન કેન્દ્રિત કર્યું જે સામાન્ય રીતે ડોમેન-વિશિષ્ટ તાલીમની જરૂરિયાત ધરાવે છે. બાકીની ક્વેરીઝમાંથી, લગભગ અડધીમાં ChatGPT ને એવી ફરજો બજાવવા માટે કહેવામાં આવ્યું હતું જે વપરાશકર્તાની પોતાની વ્યાવસાયિક શ્રેણી કરતા અલગ હતી.

આ પરિવર્તન ક્યાં થઈ રહ્યું છે

માર્કેટિંગ અને એન્જિનિયરિંગમાં આ ક્રોસઓવર ઝડપથી વધી રહ્યું છે.

  • માર્કેટિંગ વ્યાવસાયિકો ટેકનિકલ ટ્રબલશૂટિંગ અને ડેટા એનાલિસિસ માટે ChatGPT નો ઉપયોગ કરે છે—જે કાર્યો સામાન્ય રીતે એન્જિનિયરો અથવા ડેટા સાયન્ટિસ્ટ સંભાળતા હોય છે.
  • એન્જિનિયરો મોડેલને કોન્ટ્રાક્ટ્સની સમીક્ષા કરવા અને વેબસાઇટની સમસ્યાઓ ઉકેલવા માટે કહે છે, જે ભૂમિકાઓ પરંપરાગત રીતે લીગલ અથવા ફ્રન્ટ-એન્ડ ટીમો દ્વારા ભરાવવામાં આવતી હતી.

નાના વ્યવસાયો આ પેટર્નને વધુ વધારે છે. સ્પેશિયાલિસ્ટ માટે મર્યાદિત બજેટ હોવાને કારણે, એક જ કર્મચારી ChatGPT ને “force multiplier” તરીકે ઉપયોગ કરી શકે છે, જે અનેક કાર્યોનું પોર્ટફોલિયો સંભાળી શકે છે જેના માટે અન્યથા અનેક કર્મચારીઓની જરૂર પડત.

કામ અને AI માટે આ ક્રોસઓવર શા માટે મહત્વનું છે

ડેટા “specialist” થી “augmented generalist” તરફના પ્રયાણ તરફ નિર્દેશ કરે છે. જેમ જેમ prompt-crafting એક સ્વતંત્ર કૌશલ્ય બની રહ્યું છે, તેમ ઊંડું વિશિષ્ટ જ્ઞાન (siloed knowledge) AI-સંચાલિત બહુમુખી પ્રતિભા (versatility) માટે જગ્યા આપી શકે છે. સ્થાપકો અને ડેવલપર્સ હવે લાર્જ લેંગ્વેજ મોડેલ્સને માત્ર ટેક્સ્ટ જનરેશનથી આગળ વધારવા અને કાયદો, નાણાં અથવા એન્જિનિયરિંગમાં ઉચ્ચ-ગુણવત્તાવાળું તર્ક (reasoning) આપવા માટે દબાણ અનુભવી રહ્યા છે. ટેકનિકલ કાર્યો માટેના અવરોધો ઘટાડવાથી ભરતી, તાલીમ અને જોબ ટાઇટલ પણ બદલાઈ શકે છે.

જોખમો અને વિરોધ પક્ષના તર્ક

દરેક વ્યક્તિ આ પરિવર્તનને સ્વીકારતી નથી. ટીકાકારો ચેતવણી આપે છે કે સ્પેશિયાલિસ્ટ કામ AI ને સોંપવાથી નિપુણતા ઘટી શકે છે, છુપાયેલી ભૂલો આવી શકે છે અને સંસ્થાઓને અનુપાલન (compliance) જોખમોનો સામનો કરવો પડી શકે છે. આ અભ્યાસ એ ટ્રેક કરતો નથી કે AI દ્વારા જનરેટ થયેલ આઉટપુટ કેટલી વાર ચકાસવામાં આવે છે, કે કોન્ટ્રાક્ટ લો અથવા એન્જિનિયરિંગ ડિઝાઇન જેવા ઉચ્ચ-જોખમ ધરાવતા ક્ષેત્રોમાં ભૂલોની સંભવિત કિંમતનું પ્રમાણ પણ નથી દર્શાવતો. આ ચિંતાઓ સૂચવે છે કે જ્યારે AI ક્ષમતા વધારી શકે છે, ત્યારે તે ક્ષમતાનો ખોટો અહેસાસ પણ કરાવી શકે છે.

આગળ શું જોવું

  • ટૂલ ડેવલપમેન્ટ: ભવિષ્યના LLM અપગ્રેડ્સમાં task crossover ની માંગને પહોંચી વળવા માટે ડોમેન-વિશિષ્ટ તર્ક અને ભૂલ-તપાસમાં સુધારો કરવો આવશ્યક છે.
  • સંસ્થાકીય નીતિઓ: કંપનીઓ AI-સહાયિત કામ માટે નવી આંતરિક માર્ગદર્શિકા તૈયાર કરી શકે છે, ખાસ કરીને નિયંત્રિત ક્ષેત્રોમાં.
  • લેબર માર્કેટના સંકેતો: ભરતી કરનારાઓ “AI-augmented generalist” ને એક ક્ષમતા તરીકે સૂચિબદ્ધ કરવાનું શરૂ કરી શકે છે, અને તાલીમ કાર્યક્રમો prompt-engineering કૌશલ્યો તરફ વળી શકે છે.

મુખ્ય મુદ્દાઓ

  • Task crossover સ્પેશિયાલિસ્ટ ક્વેરીઝના 43.5% હિસ્સો ધરાવે છે, જે વ્યાવસાયિક કાર્યોના નોંધપાત્ર ઓવરલેપ સૂચવે છે.
  • માર્કેટિંગ અને એન્જિનિયરિંગ આ પરિવર્તનમાં અગ્રેસર છે, જે અન્ય વિશિષ્ટતાઓના કાર્યો માટે AI નો ઉપયોગ કરે છે.
  • નાના વ્યવસાયો ટેલેન્ટ ગેપ ભરવા માટે AI પર આધાર રાખે છે, જે અસરકારક રીતે એક જ કર્મચારીને મલ્ટી-ડિસિપ્લિનરી ઓપરેટર બનાવે છે.
  • આ પ્રવૃત્તિ તક અને જોખમ બંને ઊભા કરે છે, જે મજબૂત AI વેરિફિકેશન અને નવા કાર્યસ્થળના ધોરણો માટેના આહ્વાન કરે છે.