OpenAI ने ८,००,००० पेक्षा जास्त कामाशी संबंधित ChatGPT क्वेरीजचे विश्लेषण केले असून, त्यातून असे दिसून येते की ४३.५% तज्ज्ञ-स्तरीय (specialist-level) विनंत्या त्यांच्या मुख्य कामाच्या भूमिकेबाहेरील वापरकर्त्यांकडून हाताळल्या जात आहेत; या प्रवृत्तीला कंपनीने “task crossover” असे म्हटले आहे. हा निष्कर्ष महत्त्वाचा आहे कारण तो व्यवसाय तज्ज्ञता कशी नियुक्त करतात आणि व्यक्ती त्यांच्या व्यावसायिक क्षमता कशा परिभाषित करतात, यामध्ये वेगाने होणाऱ्या बदलाचे संकेत देतो.

“task crossover”मागचा डेटा

OpenAI ने अमेरिकन व्यावसायिक डेटाबेस O*NET चा वापर करून प्रत्येक क्वेरी एका मानक व्यवसायाशी जोडली. ईमेल मसुदा तयार करणे किंवा वेळापत्रक बनवणे यांसारख्या सामान्य क्रिया वगळल्यानंतर, या अभ्यासाने अशा उच्च-स्तरीय क्षमतांवर लक्ष केंद्रित केले ज्यासाठी सामान्यतः क्षेत्र-विशिष्ट (domain-specific) प्रशिक्षणाची आवश्यकता असते. उर्वरित क्वेरीजपैकी, जवळपास अर्ध्यामध्ये वापरकर्त्यांनी ChatGPT ला त्यांच्या स्वतःच्या व्यावसायिक श्रेणीपेक्षा वेगळ्या श्रेणीतील कर्तव्ये पार पाडण्यास सांगितले होते.

हा बदल कोठे होत आहे

मार्केटिंग आणि इंजिनिअरिंगमध्ये हा क्रॉसओव्हर वेगाने वाढत आहे.

  • मार्केटिंग व्यावसायिक तांत्रिक समस्या निवारण (troubleshooting) आणि डेटा विश्लेषण—जी कामे सामान्यतः इंजिनिअर्स किंवा डेटा सायंटिस्ट हाताळतात—त्यासाठी ChatGPT कडे वळत आहेत.
  • इंजिनिअर्स या मॉडेलला करार तपासण्यासाठी आणि वेबसाइटमधील समस्या सोडवण्यासाठी विचारत आहेत, ही भूमिका पारंपारिकपणे कायदेशीर (legal) किंवा फ्रंट-एंड टीम्सद्वारे पार पाडली जाते.

लहान व्यवसाय या पद्धतीला अधिक विस्तारत आहेत. तज्ज्ञांसाठी मर्यादित बजेट असल्याने, एकच कर्मचारी ChatGPT चा वापर “force multiplier” म्हणून करू शकतो, ज्यामुळे तो अशा अनेक कार्यांची जबाबदारी घेऊ शकतो ज्यासाठी अन्यथा अनेक नवीन नियुक्त्या कराव्या लागल्या असत्या.

काम आणि AI साठी हा क्रॉसओव्हर का महत्त्वाचा आहे

हा डेटा “specialist” कडून “augmented generalist” कडे होणाऱ्या बदलाकडे निर्देश करतो. जसा प्रॉम्प्ट-क्राफ्टिंग (prompt-crafting) हा स्वतःमध्ये एक कौशल्य बनत आहे, तसे खोलवर असलेले विशिष्ट ज्ञान आता AI-संवर्धित अष्टपैलुत्वासाठी (AI-augmented versatility) जागा देऊ शकते. संस्थापकांना आणि डेव्हलपर्सना आता लार्ज लँग्वेज मॉडेल्सना (LLMs) केवळ मजकूर निर्मितीपलीकडे नेऊन कायदा, वित्त किंवा इंजिनिअरिंगमध्ये उच्च-स्तरीय तर्कक्षमता (high-fidelity reasoning) प्रदान करण्यासाठी दबाव जाणवत आहे. तांत्रिक कामांमधील अडथळे कमी केल्यामुळे भरती प्रक्रिया, प्रशिक्षण आणि अगदी जॉब टायटल्समध्येही बदल होऊ शकतो.

धोके आणि प्रतिवाद

प्रत्येकजण या बदलाचे स्वागत करत नाही. टीकाकारांचा असा इशारा आहे की तज्ज्ञांचे काम AI कडे सोपवल्यामुळे तज्ज्ञतेचा दर्जा कमी होऊ शकतो, छुपे दोष निर्माण होऊ शकतात आणि संस्थांना अनुपालन (compliance) जोखमींचा सामना करावा लागू शकतो. हा अभ्यास AI द्वारे तयार केलेले आउटपुट किती वेळा तपासले जाते याचा मागोवा घेत नाही, तसेच करार कायदा किंवा इंजिनिअरिंग डिझाइन यांसारख्या अत्यंत महत्त्वाच्या क्षेत्रांमधील चुकांचा संभाव्य खर्च मोजत नाही. या चिंता असे सुचवतात की, AI क्षमता वाढवू शकत असले तरी, ते सक्षमतेची चुकीची भावना देखील निर्माण करू शकते.

पुढे काय पाहावे

  • साधनांचा विकास (Tool development): टास्क क्रॉसओव्हरच्या गरजा पूर्ण करण्यासाठी भविष्यातील LLM अपग्रेड्सना क्षेत्र-विशिष्ट तर्कक्षमता आणि त्रुटी तपासणीमध्ये सुधारणा करणे आवश्यक आहे.
  • संस्थात्मक धोरणे (Organizational policies): कंपन्या, विशेषतः नियंत्रित क्षेत्रांमध्ये, AI-सहाय्यित कामासाठी नवीन अंतर्गत मार्गदर्शक तत्त्वे तयार करू शकतात.
  • कामगार बाजारपेठेतील संकेत (Labor market signals): रिक्रूटर्स “AI-augmented generalist” हे एक कौशल्य म्हणून सूचीबद्ध करण्यास सुरुवात करू शकतात आणि प्रशिक्षण कार्यक्रम प्रॉम्प्ट-इंजिनिअरिंग कौशल्यांकडे वळू शकतात.

मुख्य निष्कर्ष

  • टास्क क्रॉसओव्हर तज्ज्ञ क्वेरीजच्या ४३.५% आहे, जे व्यावसायिक कार्यांच्या मोठ्या ओव्हरलॅपचे संकेत देते.
  • मार्केटिंग आणि इंजिनिअरिंग या बदलाचे नेतृत्व करत आहेत, जे पारंपारिकपणे इतर विशेष क्षेत्रांशी संबंधित असलेल्या कामांसाठी AI चा वापर करत आहेत.
  • लहान व्यवसाय टॅलेंटमधील तफावत भरून काढण्यासाठी AI वर अवलंबून आहेत, ज्यामुळे एक कर्मचारी प्रभावीपणे बहुविद्याशाखीय (multi-disciplinary) ऑपरेटर बनत आहे.
  • ही प्रवृत्ती संधी आणि जोखीम दोन्ही वाढवते, ज्यामुळे अधिक मजबूत AI प्रमाणीकरण (validation) आणि नवीन कार्यस्थळ मानकांची मागणी होत आहे.