OpenAI ਦੇ ਅਮਰੀਕੀ ਪੇਸ਼ੇਵਰਾਂ ਦੁਆਰਾ ਭੇਜੇ ਗਏ 8,00,000 ChatGPT ਸੁਨੇਹਿਆਂ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਤੋਂ ਪਤਾ ਲੱਗਦਾ ਹੈ ਕਿ ਲਗਭਗ ਹਰ ਛੇ ਵਿੱਚੋਂ ਇੱਕ ਕੰਮ-ਸੰਬੰਧੀ ਪ੍ਰੋਂਪਟ (prompt) ਹੁਣ ਮਾਡਲ ਨੂੰ ਅਜਿਹੇ ਕੰਮਾਂ ਨੂੰ ਸੰਭਾਲਣ ਲਈ ਕਹਿੰਦਾ ਹੈ ਜੋ ਰਵਾਇਤੀ ਤੌਰ 'ਤੇ ਕਿਸੇ ਹੋਰ ਕਿੱਤੇ ਨਾਲ ਸਬੰਧਤ ਹੁੰਦੇ ਹਨ। ਜੇਕਰ ਰੁਟੀਨ ਲਿਖਣ ਅਤੇ ਸਾਰ (summarising) ਕੱਢ ਦਿੱਤਾ ਜਾਵੇ, ਤਾਂ ਇਹ ਅੰਕੜਾ 43.5% ਤੱਕ ਵਧ ਜਾਂਦਾ ਹੈ। ਇਹ ਤਬਦੀਲੀ ਪਹਿਲਾਂ ਹੀ ਕਰਮਚਾਰੀਆਂ ਦੇ ਦਿਨ ਬਿਤਾਉਣ ਦੇ ਤਰੀਕੇ ਨੂੰ ਬਦਲ ਰਹੀ ਹੈ, ਅਤੇ ਇਹ ਸਭ ਤੋਂ ਛੋਟੀਆਂ ਫਰਮਾਂ ਲਈ ਸਭ ਤੋਂ ਵੱਧ ਮਹੱਤਵਪੂਰਨ ਹੈ, ਜਿੱਥੇ ਹਰ ਵਾਧੂ ਹੁਨਰ ਕਿਸੇ ਮਾਹਰ ਦੀ ਉਡੀਕ ਵਿੱਚ ਲੱਗਣ ਵਾਲੇ ਹਫ਼ਤਿਆਂ ਨੂੰ ਘਟਾ ਸਕਦਾ ਹੈ।

ਇਹ ਅੰਕੜੇ ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹਨ

ਅਧਿਐਨ ਵਿੱਚ ਪਾਇਆ ਗਿਆ ਕਿ ਵੱਖ-ਵੱਖ ਵਿਭਾਗਾਂ ਦੀਆਂ ਬੇਨਤੀਆਂ ਕੁਝ ਖਾਸ ਕਾਰਜਾਂ ਵਿੱਚ ਕੇਂਦਰਿਤ ਹਨ। Marketing ਅਤੇ engineering ਇਸ ਵਿੱਚ ਸਭ ਤੋਂ ਅੱਗੇ ਹਨ, ਜਿੱਥੇ ਹੋਰ ਭੂਮਿਕਾਵਾਂ ਤੋਂ ਆਏ ਸੁਨੇਹਿਆਂ ਵਿੱਚੋਂ 8.9% ਵਿੱਚ marketing-ਸਬੰਧਤ ਸਵਾਲ ਹੁੰਦੇ ਹਨ—ਜੋ ਕਿ ਡੇਟਾ ਸੈੱਟ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਧ ਦਰ ਹੈ। ਇੱਕ ਸੇਲਜ਼ਪਰ ChatGPT ਨੂੰ customer-lifetime-value ਦੇ ਅੰਕੜੇ ਕੱਢਣ ਲਈ ਕਹਿ ਸਕਦਾ ਹੈ ਜੋ ਆਮ ਤੌਰ 'ਤੇ ਇੱਕ data analyst ਸੰਭਾਲਦਾ ਹੈ, ਜਦੋਂ ਕਿ ਇੱਕ marketer ਇੰਜੀਨੀਅਰ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਹੀ ਟੁੱਟੇ ਹੋਏ ਲਿੰਕ ਨੂੰ ਠੀਕ ਕਰ ਸਕਦਾ ਹੈ ਜਾਂ on-page SEO ਵਿੱਚ ਸੁਧਾਰ ਕਰ ਸਕਦਾ ਹੈ।

ਛੋਟੇ ਕਾਰੋਬਾਰ ਦੇ ਮਾਲਕਾਂ ਲਈ, ਇਸਦਾ ਪ੍ਰਭਾਵ ਹੋਰ ਵੀ ਗੂੜ੍ਹਾ ਹੈ। ਮਾਲਕ ਹੁਣ ਕਾਨੂੰਨੀ ਸਮੀਖਿਆ ਨੋਟ (legal review notes) ਤਿਆਰ ਕਰਦੇ ਹਨ, ਤੇਜ਼ ਵਿੱਤੀ ਅਨੁਮਾਨ ਲਗਾਉਂਦੇ ਹਨ, ਅਤੇ ਅਚਾਨਕ ਲੋੜ ਅਨੁਸਾਰ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦੇ ਹਨ ਜਿਸ ਲਈ ਪਹਿਲਾਂ ਵਕੀਲ ਜਾਂ CFO ਦੀ ਲੋੜ ਹੁੰਦੀ ਸੀ। ਦੋ ਤੋਂ ਪੰਜ ਲੋਕਾਂ ਦੀਆਂ ਟੀਮਾਂ ਵਿੱਚ, 18.9% AI-ਨਿਰਮਿਤ ਕੰਮ ਕਰਮਚਾਰੀ ਦੀ ਮੁੱਖ ਭੂਮਿਕਾ ਤੋਂ ਬਾਹਰ ਹੁੰਦੇ ਹਨ, ਜਦੋਂ ਕਿ ਸੌ ਤੋਂ ਵੱਧ ਸਟਾਫ ਵਾਲੀਆਂ ਕੰਪਨੀਆਂ ਵਿੱਚ ਇਹ ਅੰਕੜਾ 16.3% ਹੈ। ਗਣਿਤ ਸਰਲ ਹੈ: ਵੱਡੀਆਂ ਫਰਮਾਂ ਬੇਨਤੀ ਨੂੰ ਇੱਕ ਸਮਰਪਿਤ ਸਾਥੀ ਨੂੰ ਭੇਜ ਸਕਦੀਆਂ ਹਨ; ਛੋਟੀਆਂ ਸੰਸਥਾਵਾਂ ਨੂੰ ਸਮੱਸਿਆ ਨੂੰ ਖੁਦ ਹੀ ਹੱਲ ਕਰਨਾ ਪੈਂਦਾ ਹੈ।

ਫਾਇਦਾ: ਰਫ਼ਤਾਰ ਅਤੇ ਬਿਹਤਰ ਤਰੀਕੇ ਨਾਲ ਕੰਮ ਸੌਂਪਣਾ

ਜਦੋਂ ਕੋਈ ਕਰਮਚਾਰੀ ਪਹਿਲੀ ਪਾਸ (first-pass) ਵਿਸ਼ਲੇਸ਼ਣ ਜਾਂ ਇੱਕ ਰਫ ਕਾਨੂੰਨੀ ਬ੍ਰੀਫ ਤਿਆਰ ਕਰਦਾ ਹੈ, ਤਾਂ ਮਾਹਰ ਨੂੰ ਕੰਮ ਸੌਂਪਣਾ ਤੇਜ਼ ਅਤੇ ਵਧੇਰੇ ਕੇਂਦਰਿਤ ਹੋ ਜਾਂਦਾ ਹੈ। ਮਾਹਰ ਨੂੰ ਇੱਕ ਸਪੱਸ਼ਟ ਸਮੱਸਿਆ ਬਿਆਨ, ਬਿਹਤਰ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਡੇਟਾ, ਅਤੇ 'ਕਿਰਪਾ ਕਰਕੇ ਦੱਸੋ ਕਿ ਤੁਹਾਨੂੰ ਕੀ ਚਾਹੀਦਾ ਹੈ' ਵਾਲੇ ਘੱਟ ਈਮੇਲ ਮਿਲਦੇ ਹਨ। ਇਸ ਨਾਲ ਉਡੀਕ ਦਾ ਸਮਾਂ ਘਟਦਾ ਹੈ, ਅੰਦਰੂਨੀ ਰੁਕਾਵਟਾਂ ਘਟਦੀਆਂ ਹਨ, ਅਤੇ ਬੇਨਤੀ ਦੀ ਗੁਣਵੱਤਾ ਵਧਦੀ ਹੈ।

ਕੀ ਖ਼ਤਰੇ ਵਿੱਚ ਹੈ

ਅਧਿਐਨ ਇਹ ਦਾਅਵਾ ਨਹੀਂ ਕਰਦਾ ਕਿ AI ਮਾਹਰਾਂ ਨੂੰ ਬੇਕਾਰ ਕਰ ਦੇਵੇਗਾ। ਇਹ ਤਕਨਾਲੋਜੀ ਨੂੰ ਇੱਕ front-line responder ਵਜੋਂ ਪੇਸ਼ ਕਰਦਾ ਹੈ ਜੋ ਸਮੱਸਿਆ ਨੂੰ ਉਸਦੇ ਸਰੋਤ ਦੇ ਨੇੜੇ ਲਿਆਉਂਦੀ ਹੈ।

ਕੰਪਨੀਆਂ ਕਿਵੇਂ ਅਨੁਕੂਲ ਹੋ ਸਕਦੀਆਂ ਹਨ

  • ਫੈਸਲੇ ਲੈਣ ਵਾਲੇ ਬਿੰਦੂਆਂ ਦੀ ਨਕਸ਼ੇਬੰਦੀ ਕਰੋ – ਇਹ ਪਛਾਣੋ ਕਿ ਬੇਨਤੀ ਆਮ ਤੌਰ 'ਤੇ ਕਿੱਥੇ ਰੁਕ ਜਾਂਦੀ ਹੈ ਅਤੇ ਟੈਸਟ ਕਰੋ ਕਿ ਕੀ AI ਇੱਕ ਵਰਤੋਂ ਯੋਗ ਪਹਿਲਾ ਡਰਾਫਟ ਤਿਆਰ ਕਰ ਸਕਦਾ ਹੈ।
  • ਅਧਿਕਾਰ ਦੀਆਂ ਸੀਮਾਵਾਂ ਨਿਰਧਾਰਤ ਕਰੋ – ਦੱਸੋ ਕਿ ਕਿਹੜੇ ਆਊਟਪੁੱਟ ਲਈ ਯੋਗ ਪੇਸ਼ੇਵਰ ਦੀ ਮਨਜ਼ੂਰੀ ਦੀ ਲੋੜ ਹੈ।
  • ਨਵੇਂ ਹੁਨਰ ਸੈੱਟ ਲਈ ਸਿਖਲਾਈ ਦਿਓ – prompting, AI ਸੁਝਾਵਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਅਤੇ ਸੰਭਾਵੀ ਗਲਤੀਆਂ ਦੀ ਪਛਾਣ ਕਰਨ ਬਾਰੇ micro-learning ਪ੍ਰਦਾਨ ਕਰੋ।
  • ਪ੍ਰਭਾਵ ਨੂੰ ਮਾਪੋ – ਗਲਤੀਆਂ ਦੀ ਦਰ ਜਾਂ rework ਵਿੱਚ ਕਿਸੇ ਵੀ ਵਾਧੇ ਦੇ ਮੁਕਾਬਲੇ ਕੰਮ ਸੌਂਪਣੇ (hand-offs) ਵਿੱਚ ਬਚੇ ਹੋਏ ਸਮੇਂ ਨੂੰ ਟ੍ਰੈਕ ਕਰੋ।

ਛੋਟੀਆਂ ਬਨਾਮ ਵੱਡੀਆਂ ਸੰਸਥਾਵਾਂ: ਵੱਖਰੇ ਰਾਹ

ਅਗਲੀ ਸਰਹੱਦ

OpenAI ਦਾ ਡੇਟਾ ਇੱਕ ਅਜਿਹੀ ਪ੍ਰਥਾ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਜੋ ਤੇਜ਼ੀ ਨਾਲ ਵਿਕਸਤ ਹੋ ਰਹੀ ਹੈ। ਜਿਵੇਂ-ਜਿਵੇਂ ਮਾਡਲ ਵਧੇਰੇ ਭਰੋਸੇਯੋਗ ਅਤੇ domain-specific ਬਣਦੇ ਹਨ, ਵੱਖ-ਵੱਖ ਵਿਭਾਗਾਂ ਦੇ ਕੰਮਾਂ ਦਾ ਹਿੱਸਾ ਵਧਣ ਦੀ ਸੰਭਾਵਨਾ ਹੈ। ਉਹ ਸੰਸਥਾਵਾਂ ਜੋ AI ਨੂੰ workflow redesign ਦੇ ਉਤਪ੍ਰੇਰਕ ਦੀ ਬਜਾਏ ਸਿਰਫ਼ ਇੱਕ ਉਤਪਾਦਕਤਾ ਸਾਧਨ ਵਜੋਂ ਮੰਨਦੀਆਂ ਹਨ, ਉਹ ਪਛੜ ਜਾਣ ਦਾ ਖ਼ਤਰਾ ਲਿਆ ਰਹੀਆਂ ਹਨ। ਉਹ ਜੋ ਹੁਣੇ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਮੁੜ ਡਿਜ਼ਾਈਨ ਕਰ ਰਹੇ ਹਨ—ਇਹ ਫੈਸਲਾ ਕਰਦੇ ਹੋਏ ਕਿ ਕਿਹੜੇ ਫੈਸਲੇ ਇਨਸਾਨਾਂ ਕੋਲ ਰਹਿਣਗੇ ਅਤੇ ਕਿਹੜੇ AI-ਸਹਾਇਤਾ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹਨ—ਉਹ ਤੇਜ਼ ਚੱਕਰ ਅਤੇ ਵਧੇਰੇ ਚੁਸਤ ਟੀਮਾਂ ਦਾ ਲਾਭ ਉਠਾਉਣਗੇ।

ਮੁੱਖ ਨੁਕਤਾ (Takeaway): AI ਪਹਿਲਾਂ ਹੀ ਸਮੱਸਿਆ ਦੇ ਮੂਲ ਸਥਾਨ 'ਤੇ ਪਹਿਲਾ ਜਵਾਬ ਪਹੁੰਚਾ ਰਿਹਾ ਹੈ, ਖਾਸ ਕਰਕੇ ਛੋਟੇ ਕਾਰੋਬਾਰਾਂ ਵਿੱਚ ਜਿੱਥੇ ਹਰ ਵਾਧੂ ਸਮਰੱਥਾ ਦੇਰੀ ਨੂੰ ਘਟਾਉਂਦੀ ਹੈ। ਅਸਲ ਫਾਇਦਾ ਨੌਕਰੀਆਂ ਦੇ ਨਾਮ ਬਦਲਣ ਤੋਂ ਨਹੀਂ, ਸਗੋਂ ਇਸ ਬਾਰੇ ਮੁੜ ਵਿਚਾਰ ਕਰਨ ਤੋਂ ਮਿਲਦਾ ਹੈ ਕਿ ਕੌਣ ਕੀ ਕਰਦਾ ਹੈ, ਅਤੇ ਕਿੱਥੇ ਇੱਕ ਮਸ਼ੀਨ ਸੁਰੱਖਿਅਤ ਤੌਰ 'ਤੇ ਦਖਲ ਦੇ ਸਕਦੀ ਹੈ।