અમેરિકન નોલેજ વર્કનું ક્ષેત્ર એક શાંત છતાં ઊંડા પરિવર્તનમાંથી પસાર થઈ રહ્યું છે, કારણ કે AI એકીકરણ પ્રયોગોથી આગળ વધીને કામ સોંપવા (delegation) તરફ જઈ રહ્યું છે. એક નવા પ્રતિનિધિ સર્વેક્ષણથી ખબર પડી છે કે કામ કરતા અમેરિકન પુખ્ત વયના ૨૦ ટકા લોકોએ પહેલેથી જ ઓછામાં ઓછું એક કાર્ય AI ને સોંપ્યું છે, જે અગાઉ માનવ સહકર્મી અથવા કોન્ટ્રાક્ટર દ્વારા સંચાલિત કરવામાં આવતું હતું.

સોફ્ટવેર ડેવલપમેન્ટ અને ડેટા એનાલિસિસ આ પરિવર્તનમાં મોખરે છે

Epoch AI અને પોલિંગ ફર્મ Ipsos દ્વારા કરવામાં આવેલા એક સંયુક્ત અભ્યાસમાં, જેમાં ૧,૧૦૬ કામ કરતા અમેરિકન પુખ્ત વયના લોકોનો ઇન્ટરવ્યુ લેવામાં આવ્યો હતો, તે વિવિધ વ્યાવસાયિક કાર્યોમાં AI અપનાવવામાં એક સ્પષ્ટ શ્રેણી દર્શાવે છે. દૈનિક કામગીરીમાં જનરેટિવ AI કેવી રીતે વણાઈ રહ્યું છે તે જાણવા માટે સર્વેક્ષણમાં યુએસ ડિપાર્ટમેન્ટ ઓફ લેબરના ડેટા પર આધારિત દસ સામાન્ય કાર્યક્ષમતાનો ઉપયોગ કરવામાં આવ્યો હતો.

સોફ્ટવેર ડેવલપમેન્ટ અને કોમ્પ્યુટર સિસ્ટમ્સ ડિઝાઇન AI એકીકરણના મુખ્ય પ્રેરક તરીકે ઉભરી આવ્યા છે, જેમાં આ ક્ષેત્રના ૫૭ ટકા કામદારો AI સાધનોનો ઉપયોગ કરી રહ્યા છે. ડેટા એનાલિસિસ ૪૬ ટકા સાથે નજીકથી પાછળ છે, જ્યારે કામના દસ્તાવેજો વાંચવાના કાર્યમાં ૩૯ ટકા અપનાવવાનો દર જોવા મળ્યો છે. તેનાથી વિપરીત, રેકોર્ડ રાખવા જેવા વધુ પરંપરાગત વહીવટી કાર્યો પાછળ છે, જેમાં માત્ર ૨૫ ટકા અસરગ્રસ્ત કામદારો જ AI ના ઉપયોગ વિશે જણાવે છે.

કાર્યનું સ્થાન લેવું (Task Substitution) વિરુદ્ધ આંશિક સહાય (Partial Assistance)

રિપોર્ટમાં એક મહત્વપૂર્ણ તફાવત "AI-સહાયિત" (AI-assisted) કાર્ય અને સાચા "કાર્યના સ્થાન" (task substitution) વચ્ચેનો છે. હાલમાં, મોટાભાગના વપરાશકર્તાઓ AI ને ઓટોપાયલોટને બદલે કો-પાયલોટ તરીકે જુએ છે. AI દ્વારા કાર્યનું સંપૂર્ણ અથવા લગભગ સંપૂર્ણ પૂર્તિ હજુ પણ દુર્લભ છે, જે સોફ્ટવેર ડેવલપમેન્ટમાં માત્ર ૧૦ ટકા છે અને અન્ય તમામ સર્વેક્ષણ શ્રેણીઓ માટે ૭ ટકાથી ઓછી છે.

જોકે, કાર્યના સ્થાન લેવાની ઘટના—જ્યાં AI અગાઉ માનવો દ્વારા સંચાલિત કામ સંભાળી લે છે—તે માપી શકાય તેટલી પ્રગતિ કરી રહી છે. સીધા સ્થાન લેવાના સૌથી ઊંચા દરો અહીં જોવા મળ્યા:

  • ડેટા એનાલિસિસ: ૭.૧ ટકા પ્રતિસાદ આપનારાઓ.
  • કામના દસ્તાવેજો વાંચવા: ૫.૭ ટકા પ્રતિસાદ આપનારાઓ.
  • રેકોર્ડ રાખવો: ૫.૩ ટકા પ્રતિસાદ આપનારાઓ.

Epoch AI ભાર મૂકે છે કે આ પરિવર્તન અનિવાર્યપણે મોટા પાયે નોકરીઓ ગુમાવવાનો સંકેત નથી, પરંતુ માનવ બુદ્ધિ અને મશીન પ્રોસેસિંગ વચ્ચે શ્રમનું પુનઃવિતરણ છે.

ઉત્પાદકતા અને આઉટપુટની ગુણવત્તાનો વિરોધાભાસ

ડેટા AI ના ઉપયોગ અને સમયની કાર્યક્ષમતા વચ્ચેના જટિલ સંબંધને દર્શાવે છે. જ્યારે AI મોટાભાગનું અથવા તમામ કાર્ય સંભાળે છે, ત્યારે ૫૩ ટકા કામદારો સમય બચાવવાનો અહેવાલ આપે છે, જ્યારે AI નો ઉપયોગ માત્ર આંશિક સહાય માટે કરવામાં આવે ત્યારે આ દર ૩૭ ટકા છે. રસપ્રદ વાત એ છે કે, "કાર્યક્ષમતામાં વધારો" સાર્વત્રિક નથી; અંદાજે છમાંથી એક AI-સહાયિત કાર્ય ખરેખર પરંપરાગત મેન્યુઅલ પદ્ધતિ કરતા વધુ સમય લે છે. આ સૂચવે છે કે AI ને પ્રોમ્પ્ટ કરવા, ચકાસવા અને તેની સાથે વાતચીત કરવા માટે જરૂરી સમય કેટલાક ઝડપના ફાયદાઓને ઘટાડી શકે છે.

વધુમાં, સર્વે AI આઉટપુટમાં રહેલા "વિશ્વાસના તફાવત" (trust gap) પર પ્રકાશ પાડે છે. આશ્ચર્યજનક રીતે, ૬૬ ટકા AI-જનરેટેડ કન્ટેન્ટનો ઉપયોગ બહુ ઓછી અથવા બિલકુલ એડિટિંગ વગર કરવામાં આવે છે, જ્યારે માત્ર ૫ ટકા આઉટપુટ પર વધુ કામ કરવામાં આવે છે. જોકે આ ઊંચી ઉપયોગિતા સૂચવે છે, સંશોધકો ચેતવણી આપે છે કે ઓછું એડિટિંગ એ AI ના આઉટપુટની વાસ્તવિક ગુણવત્તા માટેનો નિર્ણાયક માપદંડ નથી.

મુખ્ય તારણો

  • હાઈ-ટેક અપનાવવું: સોફ્ટવેર ડેવલપમેન્ટ અને ડેટા એનાલિસિસ એ AI માટે અગ્રણી ક્ષેત્રો છે, જેમાં અનુક્રમે ૫૭% અને ૪૬% જેટલા ઊંચા અપનાવવાનો દર છે.
  • બદલાવને બદલે કામ સોંપવું (Delegation): જ્યારે ૨૦% કામદારો કાર્યો AI ને સોંપે છે, ત્યારે સંપૂર્ણ કાર્ય ઓટોમેશન હજુ પણ ઓછું (૧૦% થી ઓછું) છે, જે સૂચવે છે કે AI હાલમાં માનવ ભૂમિકાઓના બદલાવને બદલે એક "બહુમુખી સાધન" છે.
  • એડિટિંગનો ટ્રેન્ડ: બે-તૃતીયાંશ કામદારો લઘુત્તમ ફેરફારો સાથે AI આઉટપુટ સ્વીકારે છે, જે LLM દ્વારા જનરેટ થયેલા પરિણામોની તાત્કાલિક ઉપયોગિતા પર વધતી જતી નિર્ભરતા સૂચવે છે.

નિષ્કર્ષ (Bottom Line)

AI હવે માત્ર થોડાક ઇનોવેટર્સ માટેનો પ્રયોગ નથી; તે હવે એક એવું સાધન છે જેના પર પાંચમાંથી એક અમેરિકન કામદાર પરંપરાગત રીતે સહકર્મીઓ દ્વારા કરવામાં આવતા કાર્યોને સોંપવા માટે નિર્ભર છે. ટેકનોલોજીનો સૌથી મજબૂત પાયો સોફ્ટવેર ડેવલપમેન્ટ અને ડેટા એનાલિસિસમાં છે, જ્યાં અપનાવવાનો દર અનુક્રમે ૫૭% અને ૪૬% છે, અને કાર્યનું સંપૂર્ણ સ્થાન લેવું, જોકે હજુ પણ મર્યાદિત છે, તે વધી રહ્યું છે. જોકે ઘણા માટે ઉત્પાદકતાના ફાયદા સ્પષ્ટ છે, પરંતુ મિશ્ર કાર્યક્ષમતાના પરિણામો અને એડિટિંગનું ઓછું સ્તર સૂચવે છે કે માનવ સમીક્ષાનું ચક્ર (human review loop) આવશ્યક છે.