अमेरिकेतील ज्ञानकार्याच्या (knowledge work) क्षेत्रात एक शांत पण खोलवर बदल होत आहे, कारण AI चे एकत्रीकरण आता केवळ प्रयोगाकडून कामाच्या सोपवण्याकडे (delegation) वळत आहे. एका नवीन सर्वेक्षणानुसार, अमेरिकेतील नोकरी करणाऱ्या २० टक्के प्रौढांनी आधी मानवी सहकारी किंवा कंत्राटदाराद्वारे हाताळले जाणारे किमान एक काम आधीच AI कडे सोपवले आहे.

सॉफ्टवेअर डेव्हलपमेंट आणि डेटा विश्लेषण या बदलाचे नेतृत्व करत आहेत

Epoch AI आणि पोलिंग फर्म Ipsos यांनी केलेल्या एका संयुक्त अभ्यासात, ज्यामध्ये १,१०६ अमेरिकन नोकरी करणाऱ्या प्रौढांच्या मुलाखती घेण्यात आल्या, विविध व्यावसायिक कार्यांमध्ये AI स्वीकारण्याच्या प्रक्रियेत एक स्पष्ट श्रेणी दिसून आली आहे. दैनंदिन कामकाजात जनरेटिव्ह AI (generative AI) कशा प्रकारे समाविष्ट केले जात आहे, हे तपासण्यासाठी अमेरिकेच्या कामगार विभागाच्या (US Department of Labor) डेटावर आधारित दहा सामान्य कामांचा वापर या सर्वेक्षणात करण्यात आला.

सॉफ्टवेअर डेव्हलपमेंट आणि कॉम्प्युटर सिस्टम डिझाइन हे AI एकत्रीकरणाचे मुख्य चालक म्हणून समोर आले आहेत, या क्षेत्रातील ५७ टक्के कर्मचारी AI टूल्सचा वापर करत आहेत. डेटा विश्लेषण (Data analysis) ४६ टक्क्यांसह जवळून पाठलाग करत आहे, तर कामाची कागदपत्रे वाचण्याच्या कामाचा अवलंब दर ३९ टक्के आहे. याउलट, रेकॉर्ड-कीपिंगसारखी पारंपारिक प्रशासकीय कामे मागे आहेत, जिथे केवळ २५ टक्के कर्मचारी AI च्या वापराचा अहवाल देतात.

कार्य प्रतिस्थापन (Task Substitution) विरुद्ध अंशतः मदत (Partial Assistance)

या अहवालातील एक महत्त्वाचा फरक म्हणजे "AI-assisted" काम आणि खरे "task substitution" (कामाची जागा घेणे) यातील फरक. सध्या, बहुतेक वापरकर्ते AI कडे ऑटोपायलटपेक्षा को-पायलट (co-pilot) म्हणून पाहतात. AI द्वारे काम पूर्णपणे किंवा जवळजवळ पूर्णपणे पूर्ण होणे अजूनही दुर्मिळ आहे; सॉफ्टवेअर डेव्हलपमेंटमध्ये हे प्रमाण केवळ १० टक्के आहे आणि इतर सर्व सर्वेक्षणांतर्गत आलेल्या श्रेणींसाठी ते ७ टक्क्यांपेक्षा कमी आहे.

तथापि, कार्य प्रतिस्थापनाची (task substitution) घटना—जिथे AI मानवाकडून पूर्वी हाताळले जाणारे काम स्वीकारते—ती मोजण्यायोग्य प्रमाणात वाढत आहे. थेट प्रतिस्थापनाचे सर्वोच्च दर खालीलप्रमाणे आढळले:

  • डेटा विश्लेषण (Data Analysis): ७.१ टक्के प्रतिसादकर्ते.
  • कामाची कागदपत्रे वाचणे: ५.७ टक्के प्रतिसादकर्ते.
  • रेकॉर्ड-कीपिंग (Record-keeping): ५.३ टक्के प्रतिसादकर्ते.

Epoch AI ने यावर भर दिला आहे की, हा बदल म्हणजे केवळ मोठ्या प्रमाणावर नोकऱ्या जाण्याचे संकेत नाहीत, तर मानवी बुद्धिमत्ता आणि मशीन प्रोसेसिंग यांच्यातील श्रमांचे पुनर्वितरण आहे.

उत्पादकता आणि आउटपुट गुणवत्तेचा विरोधाभास

डेटा AI चा वापर आणि वेळेची कार्यक्षमता यांच्यातील एक जटिल संबंध दर्शवतो. जेव्हा AI एखादे काम बहुतेक किंवा पूर्णपणे हाताळते, तेव्हा ५३ टक्के कर्मचारी वेळ वाचल्याचे सांगतात, तर AI चा वापर केवळ अंशतः मदतीसाठी केल्यास हे प्रमाण ३७ टक्के आहे. मनोरंजक म्हणजे, ही "कार्यक्षमता वाढ" सर्वत्र लागू होत नाही; अंदाजे सहापैकी एक AI-सहाय्यित काम पार पाडण्यासाठी पारंपारिक मॅन्युअल पद्धतीपेक्षा जास्त वेळ लागतो. यावरून असे सूचित होते की, AI ला प्रॉम्प्ट देणे, पडताळणी करणे आणि संवाद साधण्यासाठी लागणारा वेळ काही वेगाच्या फायद्यांना कमी करू शकतो.

शिवाय, हे सर्वेक्षण AI आउटपुटमधील "विश्वासातील तफावत" (trust gap) वर प्रकाश टाकते. ६६ टक्के AI-निर्मित मजकूर फार कमी किंवा अजिबात संपादनाशिवाय वापरला जातो, तर केवळ ५ टक्के आउटपुटवर मोठ्या प्रमाणावर काम केले जाते. जरी हे उच्च उपयुक्तता दर्शवत असले, तरी संशोधक सावध करतात की कमी संपादनाचा प्रयत्न म्हणजे AI च्या आउटपुटची प्रत्यक्ष गुणवत्ता मोजण्याचे निश्चित निकष नाही.

मुख्य निष्कर्ष

  • हाय-टेक अवलंबन: सॉफ्टवेअर डेव्हलपमेंट आणि डेटा विश्लेषण ही AI साठी आघाडीची क्षेत्रे आहेत, जिथे अवलंबनाचा दर अनुक्रमे ५७% आणि ४६% इतका उच्च आहे.
  • प्रतिस्थापनापेक्षा काम सोपवणे (Delegation): जरी २०% कर्मचारी AI कडे कामे सोपवत असले, तरी पूर्ण कार्य स्वयंचलन (automation) अजूनही कमी (१०% पेक्षा कमी) आहे, ज्याचा अर्थ असा की AI सध्या मानवी भूमिकांची जागा घेण्याऐवजी एक "बहुआयामी साधन" (versatile tool) आहे.
  • एडिटिंगचा कल: दोन तृतीयांश कर्मचारी किमान बदलांसह AI आउटपुट स्वीकारतात, जे LLM-निर्मित निकालांच्या तात्काळ उपयुक्ततेवरील वाढत्या अवलंबनाचे संकेत देते.

सारांश

AI आता काही मोजक्या नवोपचारकांसाठी (innovators) केवळ एक किरकोळ प्रयोग उरलेला नाही; ते आता असे साधन बनले आहे ज्यावर पाचपैकी एक अमेरिकन कर्मचारी सहकाऱ्यांकडून पारंपारिकपणे केली जाणारी कामे सोपवण्यासाठी अवलंबून आहे. या तंत्रज्ञानाचा सर्वात मजबूत आधार सॉफ्टवेअर डेव्हलपमेंट आणि डेटा विश्लेषणमध्ये आहे, जिथे अवलंबन अनुक्रमे ५७% आणि ४६% आहे, आणि पूर्ण कार्य प्रतिस्थापन, जरी अजूनही मर्यादित असले, तरी वाढत आहे. जरी अनेकांसाठी उत्पादकतेचे फायदे स्पष्ट दिसत असले, तरी मिश्र कार्यक्षमता निकाल आणि संपादनाचा कमी स्तर हे सूचित करतात की मानवी पुनरावलोकन (human review) अजूनही आवश्यक आहे.