Google-ന്റെ 15 ദശലക്ഷം AI-ടൂൾ ഇടപെടലുകളെക്കുറിച്ചുള്ള ആഭ്യന്തര വിശകലനം സൂചിപ്പിക്കുന്നത്, നിലവിൽ 68% ജോലികളും ഒരു AI അസിസ്റ്റന്റിനെ ആശ്രയിക്കുന്നുണ്ടെങ്കിലും, അവ യഥാർത്ഥത്തിൽ ചെയ്യുന്ന ജോലികളിൽ 21% മാത്രമാണ് ഓട്ടോമേറ്റ് ചെയ്യപ്പെടുന്നത് എന്നാണ്. കമ്പനികൾ വർക്ക്ഫ്ലോകൾ പരിഷ്കരിക്കുന്നതിനായി AI-യിൽ പന്തയം വെക്കുമ്പോഴും, ഭൂരിഭാഗം തൊഴിലാളികളും ഏതാനും കാര്യങ്ങൾക്കായി മാത്രമേ ഈ സാങ്കേതികവിദ്യയെ ആശ്രയിക്കുന്നുള്ളൂ എന്ന് ഈ വിവരങ്ങൾ സൂചിപ്പിക്കുന്നു. അതിനാൽ ഈ വ്യത്യാസം വളരെ പ്രധാനമാണ്.
എന്തുകൊണ്ടാണ് ഈ കണക്കുകൾ പ്രധാനമാകുന്നത്
ഗൂഗിളിന്റെ Gemini പ്ലാറ്റ്ഫോമിൽ നടത്തിയ ഈ പഠനം AI ഉപയോഗത്തെക്കുറിച്ച് സൂക്ഷ്മമായ ഒരു ചിത്രം നൽകുന്നു. മൂന്നിൽ രണ്ട് ഭാഗം ആളുകൾ AI ഉപയോഗിക്കുന്നു എന്നത് ശ്രദ്ധേയമാണെങ്കിലും, 21% എന്ന കുറഞ്ഞ ഓട്ടോമേഷൻ നിരക്ക് സൂചിപ്പിക്കുന്നത് അഞ്ച് ജോലികളിൽ നാലെണ്ണവും AI സഹായമില്ലാതെ തുടരുന്നു എന്നാണ്. വൻതോതിൽ AI നടപ്പിലാക്കാൻ പദ്ധതിയിടുന്ന എക്സിക്യൂട്ടീവുകൾ, ഉയർന്ന ഉപയോഗ നിരക്കും യഥാർത്ഥ ഉൽപ്പാദനക്ഷമതയും തമ്മിലുള്ള ഈ വ്യത്യാസം ശ്രദ്ധിക്കണം—ഇത് ROI പ്രതീക്ഷകൾ അമിതമായി വർദ്ധിപ്പിക്കാൻ കാരണമായേക്കാം.
നമ്മൾ എങ്ങനെ ഇവിടെ എത്തി?
മുഴുവൻ പ്രക്രിയകളും തുടക്കം മുതൽ അവസാനം വരെ നിയന്ത്രിക്കുന്ന "autonomous agents"-കളെ വാഗ്ദാനം ചെയ്തുകൊണ്ട്, തൊഴിലിടങ്ങളിലെ കാര്യക്ഷമതയുടെ അടുത്ത ഘട്ടമായി വെണ്ടർമാർ AI ടൂളുകളെ വിപണനം ചെയ്തിട്ടുണ്ട്. എന്നാൽ, ഗൂഗിളിന്റെ ഡാറ്റ പ്രകാരം മിക്ക ഉപയോക്താക്കളും ഒരു മുഴുവൻ വർക്ക്ഫ്ലോയും കൈമാറുന്നതിന് പകരം, ആശയങ്ങൾ രൂപപ്പെടുത്തുന്നതിനും (brainstorming), തന്ത്രങ്ങൾ തയ്യാറാക്കുന്നതിനും (drafting strategies), ഗവേഷണം നടത്തുന്നതിനും (gathering research) പോലുള്ള പ്രത്യേക ആവശ്യങ്ങൾക്കായി മാത്രമാണ് ഈ സാങ്കേതികവിദ്യ ഉപയോഗിക്കുന്നത്. ഓരോ Gemini ഇടപെടലുകളും, അവയുടെ ലക്ഷ്യവും അവ പിന്തുണയ്ക്കുന്ന ജോലിയുടെ തരവും ഈ പഠനം രേഖപ്പെടുത്തിയിട്ടുണ്ട്.
ഡാറ്റ വെളിപ്പെടുത്തുന്നത് എന്താണ്
- പൂർണ്ണമായ ഓട്ടോമേഷനായുള്ള പരിമിതമായ ശ്രമം. പത്തിലൊന്ന് പോലും ഇടപെടലുകൾ ഒരു ജോലി പൂർണ്ണമായും ഓട്ടോമേറ്റ് ചെയ്യുന്നതിനായി ലക്ഷ്യമിട്ടില്ല. മിക്ക ഉപയോക്താക്കളും മനുഷ്യന്റെ മേൽനോട്ടം ആവശ്യമുള്ള (human-in-the-loop) രീതിയാണ് ഇഷ്ടപ്പെടുന്നത്.
- പകരക്കാരനായല്ല, സഹകാരിയായി. ആശയങ്ങൾ രൂപപ്പെടുത്തുന്നതിനും, തന്ത്രങ്ങൾ പരിഷ്കരിക്കുന്നതിനും, പശ്ചാത്തല ഗവേഷണം നടത്തുന്നതിനുമാണ് AI കൂടുതലായും ഉപയോഗിക്കുന്നത്. ഇത് തൊഴിലാളികൾ AI-യെ ഒരു പകരക്കാരനായല്ല, മറിച്ച് ഒരു പങ്കാളിയായാണ് കാണുന്നത് എന്ന് സൂചിപ്പിക്കുന്നു.
- ആവർത്തന ജോലികൾക്ക് മുൻഗണന. AI ഓട്ടോമേറ്റ് ചെയ്യുമ്പോൾ, അത് ആവർത്തന സ്വഭാവമുള്ളതും കൃത്യമായി നിർവചിക്കപ്പെട്ടതുമായ ജോലികളാണ് ഏറ്റെടുക്കുന്നത്. എങ്കിലും, ദൈനംദിന പ്രവർത്തനങ്ങളിൽ നാലിൽ അഞ്ചിലുമേറെ ഇന്നും മാറ്റമില്ലാതെ തുടരുന്നു.
- ബൗദ്ധികവും പതിവ് അല്ലാത്തതുമായ ജോലികളിലാണ് AI ഉപയോഗം കൂടുതൽ. ഏകദേശം 65% ഇടപെടലുകളും പ്രശ്നപരിഹാരം, വിശകലനം അല്ലെങ്കിൽ സർഗ്ഗാത്മക ചിന്ത തുടങ്ങിയ മാനദണ്ഡങ്ങൾ കുറഞ്ഞ ജോലികളുമായി ബന്ധപ്പെട്ടതാണ്. മനുഷ്യന്റെ വിവേചനാധികാരം ആവശ്യമുള്ള ഇടങ്ങളിലാണ് ഉപയോക്താക്കൾ AI-യെ തേടുന്നത് എന്ന് ഇത് കാണിക്കുന്നു.
- തൊഴിൽ മേഖലകളിലെ അസമമായ സ്വാധീനം. സോഫ്റ്റ്വെയർ ഡെവലപ്മെന്റ്, ഫിനാൻഷ്യൽ അനാലിസിസ് തുടങ്ങിയ വൈറ്റ്-കോളർ ജോലികളിലാണ് AI ഉപയോഗം ഏറ്റവും കൂടുതൽ. മാനുവൽ ജോലികളിൽ ഇത് കുറവാണ്, എങ്കിലും ചില ടെക്നീഷ്യൻമാർ ഫോട്ടോകൾ ഉപയോഗിച്ച് ഉപകരണങ്ങളുടെ തകരാറുകൾ കണ്ടെത്താൻ ഇതിനകം തന്നെ AI ഉപയോഗിക്കുന്നുണ്ട്.
ബിസിനസ്സുകൾ നേരിടുന്ന വെല്ലുവിളികൾ
ഭൂരിഭാഗം ജോലികളും ഉടൻ തന്നെ സ്വയം പ്രവർത്തിക്കുന്ന (autonomous) സിസ്റ്റങ്ങൾ ഏറ്റെടുക്കുമെന്ന ധാരണയിൽ ഒരു കമ്പനി അതിന്റെ AI തന്ത്രം രൂപീകരിച്ചാൽ, ദൈനംദിന പ്രവർത്തനങ്ങളിൽ ഇപ്പോഴും പ്രധാന പങ്കുവഹിക്കുന്ന മനുഷ്യപ്രക്രിയകളിൽ അവർ കുറഞ്ഞ നിക്ഷേപം നടത്താൻ സാധ്യതയുണ്ട്. ഓട്ടോമേഷൻ വലിയ രീതിയിൽ നടക്കുമെന്ന് അമിതമായി വാഗ്ദാനം നൽകുന്നത്, പ്രതീക്ഷിച്ച കാര്യക്ഷമത ലഭിക്കാതെ വരുമ്പോൾ വിശ്വാസം നഷ്ടപ്പെടാൻ കാരണമാകും. മറുവശത്ത്, ആശയ രൂപീകരണം, വേഗത്തിലുള്ള ഗവേഷണം, പതിവ് ഡാറ്റ കൈകാര്യം ചെയ്യൽ എന്നിവിടങ്ങളിൽ AI എവിടെയാണ് മൂല്യം കൂട്ടുന്നത് എന്ന് തിരിച്ചറിയുന്നത്, പരിശീലനം, ടൂളുകൾ, ഗവേണൻസ് എന്നിവയ്ക്കായുള്ള വിഭവങ്ങൾ കൂടുതൽ ഫലപ്രദമായി ഉപയോഗിക്കാൻ കമ്പനികളെ സഹായിക്കും.
മറുവാദം
ആദ്യകാല ഉപയോഗ നിരക്കുകൾ ഒരു തുടക്കം മാത്രമാണെന്നും മോഡലുകൾ മെച്ചപ്പെടുമ്പോൾ ഓട്ടോമേഷൻ നിരക്ക് കുതിച്ചുയരുമെന്നും ചില വെണ്ടർമാർ വാദിക്കുന്നു. ലാർജ് ലാംഗ്വേജ് മോഡലുകളിലെ (LLM) ദ്രുതഗതിയിലുള്ള പുരോഗതിയും സ്പെഷ്യലൈസ്ഡ് ഏജന്റുകളുടെ വരവും 21% എന്ന നിരക്ക് താൽക്കാലികമായ കുറവാണെന്നതിന് തെളിവായി അവർ ചൂണ്ടിക്കാട്ടുന്നു. ഭാവിയിൽ പുരോഗതി ഉണ്ടാകാൻ സാധ്യതയുണ്ടെങ്കിലും, ഉപയോക്താവിന്റെ ലക്ഷ്യം പ്രധാനമാണെന്ന് ഗൂഗിൾ പഠനം അടിവരയിടുന്നു: ജോലികൾ മാറ്റിസ്ഥാപിക്കാനുള്ള വ്യക്തമായ താൽപ്പര്യമില്ലെങ്കിൽ, എത്ര മികച്ച മോഡലുകൾ ആണെങ്കിലും അവ പകരക്കാരല്ല, മറിച്ച് സഹായികൾ മാത്രമായി അവശേഷിക്കും.
അടുത്തതായി ശ്രദ്ധിക്കേണ്ടവ
- ഉപയോക്താവിന്റെ ലക്ഷ്യത്തിലെ മാറ്റം. AI-യിലുള്ള വിശ്വാസം വർദ്ധിക്കുന്നതിനനുസരിച്ച് പൂർണ്ണമായി ഓട്ടോമേറ്റ് ചെയ്ത അഭ്യർത്ഥനകളുടെ അനുപാതം വർദ്ധിക്കുമോ, അതോ സഹകരണം തന്നെ നിലനിൽക്കുമോ?
- വ്യവസായം അടിസ്ഥാനമാക്കിയുള്ള മാറ്റങ്ങൾ. നിയന്ത്രണങ്ങൾ കൂടുതലുള്ളതോ സുരക്ഷാ പ്രാധാന്യമുള്ളതോ ആയ മേഖലകളിൽ ഓട്ടോമേഷൻ സാവധാനത്തിലായേക്കാം, എന്നാൽ സാങ്കേതികവിദ്യയിൽ അധിഷ്ഠിതമായ മേഖലകളിൽ ഈ ശതമാനം ഉയരാൻ സാധ്യതയുണ്ട്.
- ടൂളുകളുടെ പരിണാമം. നിലവിലുള്ള സോഫ്റ്റ്വെയറുകളിൽ AI കൂടുതൽ ഉൾച്ചേർത്തുകൊണ്ടുള്ള പുതിയ ഫീച്ചറുകൾ ഓട്ടോമേഷൻ വർദ്ധിപ്പിച്ചേക്കാം, എന്നാൽ അവ ഉപയോക്താക്കളുടെ വർക്ക്ഫ്ലോയുമായി പൊരുത്തപ്പെട്ടാൽ മാത്രമേ ഇത് സാധ്യമാകൂ.
ടീമുകൾക്ക് സ്വീകരിക്കാവുന്ന പ്രായോഗിക നടപടി
വാർത്തകളിലെ ഉയർന്ന ഉപയോഗ നിരക്കുകൾ കണ്ട് നിങ്ങളുടെ പ്ലാനിംഗ് തീരുമാനിക്കരുത്. നിങ്ങളുടെ ടീമിനോട് തന്നെ ചോദിക്കുക: "നമ്മുടെ AI ഓട്ടോമേറ്റഡ് ജോലികളിലെ ആ 21% എന്നത് ഏതൊക്കെ പ്രത്യേക ജോലികളാണ്?" ആ ജോലികൾ കൃത്യമായി തിരിച്ചറിയുന്നത് ഓട്ടോമേഷൻ വർദ്ധിപ്പിക്കുന്നതിനും, AI ലൈസൻസുകൾക്കായി ബജറ്റ് തയ്യാറാക്കുന്നതിനും, യഥാർത്ഥ ഉൽപ്പാദനക്ഷമത അളക്കുന്നതിനും ശക്തമായ അടിത്തറ നൽകും.
ചുരുക്കത്തിൽ: AI ഇപ്പോൾ എല്ലായിടത്തും കാണപ്പെടുന്ന ഒരു സഹായിയാണ്, എങ്കിലും അത് കുറഞ്ഞ അളവിലുള്ള ജോലികൾ മാത്രമേ ചെയ്യുന്നുള്ളൂ. AI-യെ ഒരു സഹകാരിയായി കാണുകയും അത് നിലവിൽ ഏതെല്ലാം ജോലികളാണ് ഓട്ടോമേറ്റ് ചെയ്യുന്നത് എന്ന് കൃത്യമായി മനസ്സിലാക്കുകയും ചെയ്യുന്ന കമ്പനികൾക്ക്, സാങ്കേതികവിദ്യ 21% എന്ന പരിധി കടക്കുമ്പോൾ യഥാർത്ഥ കാര്യക്ഷമത കൈവരിക്കാൻ സാധിക്കും.