AI का सबसे बड़ा आर्थिक बदलाव अभी भी क्यों बाकी है

माइक्रोसॉफ्ट रिसर्च के रिसर्चर्स के एक नए नज़रिए वाले पेपर के मुताबिक, आर्टिफिशियल इंटेलिजेंस (AI) ने अभी तक वैसी बड़ी रुकावट पैदा नहीं की है जैसी कई लोगों को उम्मीद थी, क्योंकि ज़्यादातर ऑर्गनाइज़ेशन अभी भी इसका इस्तेमाल पहले के डिजिटल ज़माने के लिए बनाए गए वर्कफ़्लो को तेज़ करने के लिए कर रहे हैं।

इस पेपर का टाइटल है, ऑग्मेंटेशन से रिकंस्ट्रक्शन तक: AI रुकावट को अच्छी जगह तक ले जाना, और इसे arXiv प्रीप्रिंट के तौर पर पब्लिश किया गया है। इसमें कहा गया है कि AI का सबसे बड़ा आर्थिक और सामाजिक असर बेहतर चैटबॉट या तेज़ी से काम पूरा करने से नहीं, बल्कि मार्केट, शिक्षा, न्यूज़, कोडिंग और डेलीगेशन, मशीन-टू-मशीन इंटरैक्शन, लगातार मॉनिटरिंग और ऑडिटेबल रुकावटों के आस-पास दूसरे सिस्टम को फिर से बनाने से आएगा।

AI अभी भी ज़्यादातर पुराने वर्कफ़्लो को तेज़ कर रहा है।

यह पेपर AI को लेकर चल रही पब्लिक बहस को चुनौती देता है, जो अक्सर इस बात पर फोकस करती है कि क्या मॉडल एग्जाम पास कर सकते हैं, वेबसाइट नेविगेट कर सकते हैं या बेंचमार्क से बेहतर परफॉर्म कर सकते हैं। लेखक कहते हैं कि ऐसे उदाहरण ध्यान खींचने वाले हैं लेकिन बहुत छोटे हैं। ज़्यादा ज़रूरी सवाल यह है कि क्या AI लोगों को नई स्किल सीखने, बेहतर फैसले लेने, ज़्यादा असरदार तरीके से कोऑर्डिनेट करने और ऐसे सिस्टम बनाने में मदद कर सकता है जो ह्यूमन-सेंटर्ड वर्कफ़्लो के तहत मुमकिन नहीं थे।

अभी AI का इस्तेमाल कम ही होता है, ज़्यादातर ऑर्गनाइज़ेशन डॉक्यूमेंट्स को समराइज़ करने, ईमेल ड्राफ़्ट करने, कोड सजेशन जेनरेट करने, कस्टमर के सवालों के जवाब देने या फ़र्स्ट-पास एनालिसिस करने के लिए टेक्नोलॉजी का इस्तेमाल करते हैं। इन इस्तेमाल से समय बच सकता है, लेकिन ये आमतौर पर मौजूदा फ़ॉर्म, अप्रूवल, मीटिंग, क्यू और डिसीज़न चेन के अंदर काम करते हैं। तेज़ ड्राफ़्टिंग अभी भी धीमे रिव्यू का इंतज़ार करती है। तेज़ एनालिसिस अभी भी पुराने डिसीज़न प्रोसेस को फ़ीड करता है। वर्कफ़्लो कुछ हिस्सों में तेज़ हो जाता है, लेकिन स्ट्रक्चर ज़्यादातर वैसा ही रहता है।

इसे समझाने के लिए, लेखक AI इंटीग्रेशन के तीन स्टेज बताते हैं: ऑग्मेंटेशन, ऑटोमेशन और रिकंस्ट्रक्शन। ये स्टेज पूरी तरह से क्रोनोलॉजिकल होने के बजाय कॉन्सेप्चुअल हैं, और ऑर्गनाइज़ेशन एक साथ एक से ज़्यादा स्टेज पर हो सकते हैं। लेकिन लेखक कहते हैं कि सिर्फ़ तीसरा स्टेज ही असली स्ट्रक्चरल ट्रांसफ़ॉर्मेशन लाता है।

ऑग्मेंटेशन: AI इंसानों को मौजूदा काम करने में मदद करता है। एक वर्कर ईमेल ड्राफ़्ट करने, डॉक्यूमेंट को समराइज़ करने, कोड स्निपेट लिखने या आइडिया जेनरेट करने के लिए AI का इस्तेमाल करता है। इंसान अभी भी सीक्वेंसिंग, जजमेंट और अकाउंटेबिलिटी को मैनेज करते हैं। यह स्टेज तेज़ी से फैलता है क्योंकि इसके लिए बहुत कम ऑर्गनाइज़ेशनल रीडिज़ाइन की ज़रूरत होती है। यह असली प्रोडक्टिविटी गेन देता है, लेकिन वे गेन लोकल होते हैं। ऑटोमेशन: AI ज़्यादा रूटीन कामों को कम इंसानी ध्यान के साथ संभालता है। उदाहरण के लिए, एजुकेशन में, एक AI सिस्टम लेसन प्लान बना सकता है, असेसमेंट बना सकता है, ग्रेडिंग में मदद कर सकता है और अडैप्टिव ट्यूटरिंग दे सकता है। फिर टीचर और स्टूडेंट बड़े लर्निंग गोल और प्रोग्रेस पर ज़्यादा फोकस करते हैं। बिज़नेस ऑपरेशन में, AI अच्छी तरह से तय काम के हिस्सों को ऑटोमेट कर सकता है और कोऑर्डिनेशन ड्रैग को कम कर सकता है। लेखक कहते हैं कि यह स्टेज अक्सर प्रोडक्टिविटी में पहला बड़ा बदलाव जैसा लगता है। लेकिन ऑटोमेशन अभी भी पुराने आर्किटेक्चर के अंदर चलता है। सिस्टम ज़्यादा काम ऑटोमैटिकली कर सकता है, लेकिन यह इंसानी दौर के प्रोसेस के हिसाब से ऑर्गनाइज़्ड रहता है। लेखक इसे एक ट्रांज़िशनल स्टेज बताते हैं, फ़ाइनल डेस्टिनेशन नहीं। इससे प्रोडक्टिविटी का डेटा अलग-अलग हो सकता है क्योंकि फर्मों को पूरे फ़ायदे दिखने से पहले डेटा, इंफ्रास्ट्रक्चर, वर्कफ़्लो और ऑर्गेनाइज़ेशनल प्रोसेस में कॉम्प्लिमेंट्री इन्वेस्टमेंट करने होंगे।

रिकंस्ट्रक्शन: लेखकों के अनुसार, असली डिसरप्शन इसी स्टेज में होता है। इस पॉइंट पर, वर्कफ़्लो को AI की खास ताकतों के हिसाब से फिर से डिज़ाइन किया जाता है: स्पीड, पैरेलल प्रोसेसिंग, मेमोरी, कंटीन्यूअस मॉनिटरिंग और मशीन-टू-मशीन इंटरैक्शन। काम सिर्फ़ तेज़ या डेलीगेट नहीं किए जाते। उन्हें फिर से सीक्वेंस किया जाता है, हटाया जाता है या ऑडिटेबल कंस्ट्रेंट में बदला जाता है। इंसानी भूमिकाएं हायर-लेवल जजमेंट, गोल-सेटिंग, आर्किटेक्चर, ओवरसाइट और एक्सेप्शन हैंडलिंग की ओर शिफ्ट हो जाती हैं।

पेपर इस बदलाव की तुलना फैक्ट्रियों के शुरुआती इलेक्ट्रिफिकेशन से करता है। स्टीम इंजन को इलेक्ट्रिक मोटर से बदलने से तब तक मामूली फायदे ही हुए जब तक कि फैक्ट्रियों को बिजली की फ्लेक्सिबिलिटी के हिसाब से रीडिज़ाइन नहीं किया गया। लेखकों का तर्क है कि AI भी ऐसा ही रास्ता अपना सकता है। सबसे बड़ा फायदा तभी होगा जब ऑर्गनाइज़ेशन यह पूछना बंद कर देंगे कि AI लोगों की नकल कैसे कर सकता है और यह पूछना शुरू कर देंगे कि AI की क्षमताओं के हिसाब से क्या फिर से बनाया जा सकता है।

एजेंटिक मार्केट शॉपिंग, लर्निंग, न्यूज़ और कोडिंग को बदल सकते हैं

पेपर चार डोमेन का इस्तेमाल करके दिखाता है कि रिकंस्ट्रक्शन कैसे रोज़मर्रा की एक्टिविटी को बदल सकता है: शॉपिंग, एजुकेशन, न्यूज़ और कोडिंग। हर मामले में, यह बदलाव सिर्फ़ इंसानों के काम तेज़ी से करने से AI के उन्हीं कामों को ऑटोमैटिकली करने तक नहीं है। यह डेलीगेशन, लगातार मॉनिटरिंग और एजेंट-टू-एजेंट कोऑर्डिनेशन के आस-पास बने सिस्टम की ओर एक कदम है।

शॉपिंग में, मौजूदा डिजिटल इकॉनमी अभी भी यह मानती है कि इंसान सर्च करते हैं, ब्राउज़ करते हैं, प्रोडक्ट्स की तुलना करते हैं और इंटरफेस नेविगेट करते हैं। AI पहले से ही रिकमेंडेशन, चैटबॉट और पर्सनलाइज़ेशन को सपोर्ट करता है, लेकिन ये अभी भी इंसानी ब्राउज़िंग के ऊपर की लेयर हैं। ज़्यादा ऑटोमेटेड वर्शन में, कोई कंज्यूमर खास काम डेलीगेट कर सकता है, जैसे कि किराने का सामान दोबारा ऑर्डर करना या प्राइस लिमिट के अंदर फ्लाइट ढूंढना।

रीकंस्ट्रक्टेड वर्शन ज़्यादा रेडिकल है। पर्सनल एजेंट लगातार कंजम्प्शन मैनेज कर सकते हैं, ज़रूरतों का अंदाज़ा लगा सकते हैं, वेंडर एजेंट के साथ कोऑर्डिनेट कर सकते हैं, कीमत और शर्तों पर मोलभाव कर सकते हैं, और डायनामिक रूप से कस्टमाइज़्ड सामान बनाने में मदद कर सकते हैं। मार्केट ह्यूमन ब्राउज़िंग इंटरफ़ेस से मशीन-रीडेबल डिस्कवरी और क्वालिटी एश्योरेंस की ओर शिफ्ट हो जाएगा। फ़र्म विज़िबिलिटी पर कम और वैल्यू, रिस्पॉन्सिवनेस और ट्रस्टवर्दीनेस पर ज़्यादा कॉम्पिटिशन करेंगी, जैसा कि एजेंट इवैल्यूएट कर सकते हैं।

एजुकेशन में, ऑग्मेंटेशन का मतलब है कि स्टूडेंट AI का इस्तेमाल कॉन्सेप्ट समझाने, असाइनमेंट पूरे करने या प्रैक्टिस सवाल बनाने के लिए करते हैं, जबकि टीचर इसका इस्तेमाल लेसन प्लान या टेस्ट का ड्राफ़्ट बनाने के लिए करते हैं। ऑटोमेशन का मतलब है कि AI सिस्टम लेसन प्लान बनाते हैं, असेसमेंट बनाते हैं, ग्रेडिंग में मदद करते हैं और रियल टाइम में स्टूडेंट को ट्यूटर करते हैं। रीकंस्ट्रक्शन लगातार पर्सनलाइज़्ड लूप के आस-पास लर्निंग को रीऑर्गेनाइज़ करेगा। AI मास्टरी को ट्रैक करेगा, टेलर्ड इंस्ट्रक्शन बनाएगा, प्रोग्रेस का असेसमेंट करेगा और रिज़ल्ट को करिकुलम डिज़ाइन में वापस फ़ीड करेगा। फ़ोकस स्टैटिक असाइनमेंट और टेस्ट से डायनामिक स्किल एक्विजिशन की ओर शिफ्ट होगा।

न्यूज़ डोमेन में, AI अब आर्टिकल को समराइज़ करता है, हेडलाइन को एग्रीगेट करता है और की पॉइंट्स को हाइलाइट करता है। एक ज़्यादा ऑटोमेटेड सिस्टम सोर्स और फ़ॉर्मेट में पर्सनलाइज़्ड डेली ब्रीफ़िंग दे सकता है। रिकंस्ट्रक्शन न्यूज़ कंजम्प्शन को एक इंटरैक्टिव, लगातार अपडेट होने वाली बातचीत में बदल देगा। पर्सनल एजेंट सोर्स को मॉनिटर करेंगे, क्रेडिबिलिटी को इवैल्यूएट करेंगे, क्लेम को क्रॉस-चेक करेंगे और यूज़र के गोल के हिसाब से बदलती कहानियों को सिंथेसाइज़ करेंगे। कंजम्प्शन की यूनिट अलग-अलग आर्टिकल से अडैप्टिव अंडरस्टैंडिंग की ओर बढ़ेगी।

कोडिंग उन डोमेन में से एक है जहाँ रिकंस्ट्रक्शन के एलिमेंट पहले से ही दिखने लगे हैं। ऑग्मेंटेशन में, AI कोड स्निपेट सजेस्ट करता है, फंक्शन समझाता है और डीबगिंग में मदद करता है। ऑटोमेशन में, यह कोड जेनरेट करता है, टेस्ट करता है, रिफैक्टर करता है और अच्छी तरह से डिफाइन किए गए टास्क को डॉक्यूमेंट करता है। रिकंस्ट्रक्शन में, सॉफ्टवेयर डेवलपमेंट AI एजेंट के आस-पास बनाया जाता है जो कोड को प्लान, जेनरेट और इटरेट कर सकते हैं। इंसान प्रॉब्लम फॉर्मूलेशन, आर्किटेक्चरल गाइडेंस, एडिटिंग और क्यूरेशन की ओर बढ़ते हैं, जबकि एजेंट-टू-एजेंट कोऑर्डिनेशन एग्जीक्यूशन को तेज़ी से हैंडल करता है।

लेखकों का तर्क है कि इस तरह के रिकंस्ट्रक्शन से शॉपिंग करने, सीखने, न्यूज़ देखने या कोड करने का मतलब बदल जाता है। एक्टिविटी खुद ही नए सिरे से तय हो जाती है। इसीलिए सबसे ज़रूरी AI असर जाने-पहचाने प्रोडक्टिविटी तरीकों में तुरंत नहीं दिख सकते हैं। यह पेपर इस देरी को जनरल-पर्पस टेक्नोलॉजी से जुड़े प्रोडक्टिविटी J-कर्व से जोड़ता है, जहाँ बड़े फायदे दिखने से पहले जल्दी अपनाने के लिए बड़े इनटैन्जिबल इन्वेस्टमेंट की ज़रूरत होती है।

भविष्य भरोसे, इंफ्रास्ट्रक्चर और इंसेंटिव पर निर्भर करता है

पेपर का मानना ​​है कि AI रिकंस्ट्रक्शन अभी तक बड़े पैमाने पर नहीं पहुँचा है क्योंकि बाइंडिंग रुकावटें सिर्फ़ टेक्निकल ही नहीं, बल्कि इंस्टीट्यूशनल हैं। एजेंटिक सिस्टम को भरोसे और अकाउंटेबिलिटी, मशीन-लेजिबल डेटा, इंटरऑपरेबल इंटरफेस, रीडिज़ाइन किए गए वर्कफ़्लो और इंसेंटिव की ज़रूरत होती है जो लोकल ऑप्टिमाइज़ेशन के बजाय सिस्टम-लेवल ट्रांसफॉर्मेशन को रिवॉर्ड देते हैं।

स्टडी में इन रुकावटों की पहचान की गई है:

भरोसा: ऑर्गनाइज़ेशन एजेंट को तब तक कोई काम का अधिकार नहीं देंगे जब तक वे बिहेवियर की जांच नहीं कर सकते, नतीजों का मूल्यांकन नहीं कर सकते, ज़िम्मेदारी नहीं दे सकते और फेलियर पर रिस्पॉन्ड नहीं कर सकते। एजेंट सिस्टम को इंस्ट्रूमेंटेशन, मॉनिटरिंग, मूल्यांकन, इंसिडेंट रिस्पॉन्स और लायबिलिटी फ्रेमवर्क की ज़रूरत होती है। इन सिस्टम के बिना, फ़र्म AI को एडवाइज़री या असिस्टिव रोल में रखेंगी। डेटा और इंटरफ़ेस: भरोसेमंद एजेंटिक एग्ज़िक्यूशन के लिए साफ़, इंटरऑपरेबल डेटा और साफ़ मशीन-रीडेबल पॉलिसी की ज़रूरत होती है। कई ऑर्गनाइज़ेशन ने अपने इंटरनल ऑपरेशन को इतना पढ़ने लायक नहीं बनाया है कि मशीनें अपने आप काम कर सकें। और भी कम ऑर्गनाइज़ेशन ने ऐसे सिस्टम बनाए हैं जो बाहरी एजेंट के साथ सुरक्षित रूप से इंटरऑपरेट कर सकें। कमज़ोर इंटरफ़ेस और कमज़ोर डेटा पाइपलाइन जोखिम बढ़ाते हैं और ऑटोनॉमी को सीमित करते हैं।

ह्यूमन-सेंटर्ड वर्कफ़्लो: ज़्यादातर एंटरप्राइज़ सिस्टम यह मानते हैं कि इंसान स्क्रीन पढ़ते हैं, फ़ॉर्म भरते हैं, एक्सेप्शन को समझते हैं और इंटरैक्शन में बीच-बचाव करते हैं। एजेंट-फ़र्स्ट सिस्टम को API, प्रोटोकॉल और मशीन-रीडेबल नियमों की ज़रूरत होती है जो एजेंट को लगातार इंसानी दखल के बिना ट्रांज़ैक्शन करने, कोऑर्डिनेट करने और आगे बढ़ाने की इजाज़त देते हैं। यह कोई छोटी सॉफ़्टवेयर लेयर नहीं है। यह काम का एक स्ट्रक्चरल रीडिज़ाइन है।

इंसेंटिव: फ़र्म मौजूदा बिज़नेस मॉडल को बेहतर बनाने के लिए AI का इस्तेमाल करके शॉर्ट-टर्म वैल्यू पा सकती हैं, लेकिन सबसे बड़े फ़ायदों के लिए मार्केट और ऑर्गनाइज़ेशन को इस तरह से फिर से बनाना पड़ सकता है जो मौजूदा फ़ायदों के लिए खतरा हों। बड़ी फ़र्म के पास एजेंटिक इंफ़्रास्ट्रक्चर में इन्वेस्ट करने के लिए रिसोर्स होते हैं, लेकिन वे उन बदलावों का विरोध कर सकती हैं जो उनके मौजूदा बिज़नेस मॉडल को बिगाड़ते हैं। छोटी फ़र्म के पास बदलाव के लिए ज़्यादा मज़बूत इंसेंटिव हो सकते हैं, लेकिन ज़रूरी सिस्टम बनाने की क्षमता कम हो सकती है। लेखकों ने चेतावनी दी है कि अगर ऑर्गनाइज़ेशन ऑटोमेशन पर ही रुक जाते हैं, तो वे पुराने वर्कफ़्लो के हिसाब से ऑप्टिमाइज़ किए गए सिस्टम में लॉक होने का रिस्क उठाते हैं। इससे बड़े फ़ायदे कम हो सकते हैं और वर्कर की अनिश्चितता बढ़ सकती है। शॉर्ट टर्म में, फ़र्म नई स्किल्स में बड़े इन्वेस्टमेंट के बजाय कैपिटल डीपनिंग और पार्शियल ऑटोमेशन को पसंद कर सकती हैं, भले ही लॉन्ग टर्म मौका रीडिज़ाइन किए गए रोल्स और काम के नए तरीकों पर निर्भर हो सकता है।

एजेंटिक भविष्य पहले से तय नहीं होता है। AI खुले, कॉम्पिटिटिव सिस्टम बना सकता है जो वेलफेयर के फ़ायदों को बढ़ा सकते हैं। यह दीवारों वाले बगीचों को भी मज़बूत कर सकता है, सरप्लस को इकट्ठा कर सकता है और ज़्यादा ऑटोमेटेड रूप में टकराव को बनाए रख सकता है। प्रोप्राइटरी इकोसिस्टम के अंदर मौजूद एजेंट यूज़र्स को बंद बाज़ारों में लॉक कर सकते हैं, मौजूदा प्लेटफ़ॉर्म की सुरक्षा कर सकते हैं और एजेंट-टू-एजेंट कोऑर्डिनेशन के बड़े फ़ायदों में देरी कर सकते हैं।

लेखक लीडर्स से सिर्फ़ यह अंदाज़ा लगाने से ज़्यादा करने को कहते हैं कि AI कहाँ जा रहा है। उनका तर्क है कि ऑर्गनाइज़ेशन को लॉक-इन के इर्रिवर्सिबल होने से पहले खुले, ऑडिटेबल और ट्रांसफ़ॉर्मेटिव डिज़ाइन बनाकर AI को बेहतर नतीजे की ओर ले जाना चाहिए। इसका मतलब है कि एडवांस्ड एजेंटिक कोऑर्डिनेशन को समय के साथ डेवलप हुई एक ऑर्गनाइज़ेशनल क्षमता के रूप में देखना, न कि खरीदने के लिए एक फ़ीचर या तारीफ़ करने के लिए एक डेमो के रूप में।

ऑर्गनाइज़ेशन को मशीन-रीडेबल डेटा और इंटरफ़ेस में इन्वेस्ट करना चाहिए, वर्कफ़्लो को AI-नेटिव बनाने के लिए रीडिज़ाइन करना चाहिए, और एजेंट-ड्रिवन फ़ैसलों के लिए डेलिगेशन बाउंड्री और अकाउंटेबिलिटी स्ट्रक्चर तय करने चाहिए। ये इन्वेस्टमेंट तुरंत प्रोडक्टिविटी में फ़ायदे की तरह नहीं दिख सकते हैं, लेकिन पेपर का तर्क है कि ये सिस्टम-लेवल ट्रांसफ़ॉर्मेशन के लिए ज़रूरी हैं जिसे AI मुमकिन बनाता है।