OpenAI च्या विश्लेषणानुसार, अमेरिकेतील व्यावसायिकांनी पाठवलेल्या ८,००,००० ChatGPT संदेशांमध्ये, कामाशी संबंधित प्रत्येक सहापैकी जवळपास एक प्रॉम्प्ट (prompt) आता मॉडेलला अशा कामांसाठी सांगत आहे जी पारंपारिकपणे दुसऱ्या एखाद्या व्यवसायाशी संबंधित असतात. जर नियमित लेखन आणि सारांश काढणे (summarising) वगळले, तर हा आकडा ४३.५% पर्यंत वाढतो. हा बदल कर्मचाऱ्यांचा दिवस कसा जातो याचे स्वरूप आधीच बदलत आहे आणि याचा सर्वाधिक परिणाम लहान कंपन्यांवर होत आहे, जिथे प्रत्येक अतिरिक्त कौशल्य तज्ज्ञाच्या प्रतीक्षेत लागणारे अनेक आठवडे वाचवू शकते.

हे आकडे का महत्त्वाचे आहेत

या अभ्यासात असे दिसून आले आहे की, विविध विभागांमधील विनंत्या (cross-departmental requests) काही विशिष्ट कार्यांमध्ये केंद्रित आहेत. मार्केटिंग आणि इंजिनिअरिंग आघाडीवर आहेत, ज्यामध्ये इतर भूमिकांमधून येणाऱ्या ८.९% संदेशांमध्ये मार्केटिंगशी संबंधित प्रश्न आढळले आहेत—जो या डेटा सेटमधील सर्वोच्च दर आहे. एखादा सेल्समन ChatGPT ला 'customer-lifetime-value' मधील आकडेमोड करण्यास सांगू शकतो जी सामान्यतः डेटा ॲनलिस्ट करतो, तर एखादा मार्केटर इंजिनिअरला सामील करण्यापूर्वीच तुटलेली लिंक शोधू शकतो किंवा ऑन-पेज SEO मध्ये सुधारणा करू शकतो.

लहान व्यवसाय मालकांसाठी याचा परिणाम अधिक तीव्र आहे. मालक आता कायदेशीर पुनरावलोकन नोट्स (legal review notes) तयार करतात, जलद आर्थिक अंदाज (financial forecasts) लावतात आणि अशा तात्पुरत्या विश्लेषणांची (ad-hoc analysis) कामे करतात ज्यासाठी पूर्वी वकील किंवा CFO ची गरज भासायची. दोन ते पाच लोकांच्या टीममध्ये, १८.९% AI-जनरेटेड कामे कर्मचाऱ्याच्या मुख्य भूमिकेच्या बाहेरची असतात, तर शंभरहून अधिक कर्मचारी असलेल्या मोठ्या कंपन्यांमध्ये हा आकडा १६.३% आहे. गणित सोपे आहे: मोठ्या कंपन्या ही विनंती समर्पित सहकाऱ्याकडे सोपवू शकतात; मात्र अतिशय लहान संस्थांना ती समस्या स्वतःच सोडवावी लागते.

फायदा: वेग आणि अधिक अचूक हस्तांतरण (hand-offs)

जेव्हा एखादा कर्मचारी प्राथमिक विश्लेषण किंवा कच्चा कायदेशीर मसुदा (rough legal brief) तयार करतो, तेव्हा तज्ज्ञांकडे त्याचे हस्तांतरण अधिक वेगाने आणि केंद्रित होते. तज्ज्ञांना अधिक स्पष्ट समस्या विधान (problem statement), अधिक चांगल्या प्रकारे तयार केलेला डेटा आणि "तुम्हाला नक्की काय हवे आहे ते कृपया स्पष्ट करा" असे कमी ईमेल मिळतात. यामुळे प्रतीक्षा वेळ कमी होतो, अंतर्गत अडथळे कमी होतात आणि विनंतीचा दर्जा सुधारतो.

काय धोक्यात आहे

हा अभ्यास असा दावा करत नाही की AI तज्ज्ञांना कालबाह्य करेल. त्याऐवजी, हे तंत्रज्ञान एक 'front-line responder' म्हणून मांडले आहे जे समस्येला तिच्या मूळ स्रोताच्या जवळ आणते.

कंपन्या स्वतःला कसे जुळवून घेऊ शकतात

  • निर्णय बिंदूंचे मॅपिंग करा – विनंती सहसा कुठे थांबते ते ओळखा आणि AI वापरण्यायोग्य पहिला मसुदा तयार करू शकते का ते तपासा.
  • अधिकार मर्यादा निश्चित करा – कोणते आउटपुट पात्र व्यावसायिकाच्या मान्यतेची (sign-off) गरज आहे ते स्पष्ट करा.
  • नवीन कौशल्य संचासाठी प्रशिक्षण द्या – प्रॉम्प्टिंग (prompting), AI च्या सूचनांचा अर्थ लावणे आणि संभाव्य चुका ओळखणे यावर मायक्रो-लर्निंग (micro-learning) उपलब्ध करून द्या.
  • परिणामांचे मोजमाप करा – त्रुटींचे प्रमाण किंवा पुन्हा काम करण्याची गरज (rework) वाढल्याच्या तुलनेत हस्तांतरणामध्ये वाचलेल्या वेळेचा मागोवा घ्या.

लहान विरुद्ध मोठ्या संस्था: भिन्न मार्ग

पुढील सीमा

OpenAI चा डेटा एका वेगाने विकसित होणाऱ्या पद्धतीचे दर्शन घडवतो. जसजसे मॉडेल्स अधिक विश्वसनीय आणि विशिष्ट क्षेत्रासाठी (domain-specific) तयार होतील, तसतसे क्रॉस-डिपार्टमेंटल कामांचे प्रमाण वाढण्याची शक्यता आहे. जे संगठन AI ला केवळ उत्पादकता वाढवण्याचे साधन मानतात, त्याऐवजी वर्कफ्लो पुनर्रचनेसाठी (workflow redesign) उत्प्रेरक म्हणून वापरत नाहीत, त्यांना मागे पडण्याचा धोका आहे. जे आता प्रक्रियांची पुनर्रचना करतील—कोणते निर्णय मानवाकडे राहतील आणि कोणते AI-संवर्धित (AI-augmented) असू शकतात हे ठरवतील—त्यांना जलद कार्यप्रणाली आणि अधिक चपळ (agile) टीम्सचा फायदा मिळेल.

निष्कर्ष: AI आधीच समस्येच्या मूळ स्रोतापर्यंत पहिली प्रतिक्रिया पोहोचवत आहे, विशेषतः लहान व्यवसायांमध्ये जिथे प्रत्येक अतिरिक्त क्षमता विलंब कमी करते. खरा फायदा नोकऱ्यांची नावे बदलण्यातून नाही, तर कोण काय करते आणि मशीन कुठे सुरक्षितपणे हस्तक्षेप करू शकते, याचा पुनर्विचार करण्यातून मिळतो.