AI सॉफ्टवेयर और ट्रिलियन डॉलर उत्पादकता का सवाल

यदि AI सॉफ्टवेयर लिखने में नाटकीय रूप से बेहतर हो जाए, तो व्यापारिक नेताओं को आज क्या बदलना चाहिए? मेरा उत्तर है: इस बात को मापें कि यह एक पूरी व्यापारिक प्रक्रिया को कैसे बेहतर बनाता है, जिसमें इसके आउटपुट की जाँच और रखरखाव के लिए आवश्यक काम भी शामिल है।

क्या AI वार्षिक वैश्विक आर्थिक उत्पादन में US$20 से US$30 ट्रिलियन जोड़ सकता है? एलन मस्क ने यह मोटा अनुमान आगे रखा है, साथ ही यह भविष्यवाणियाँ भी कि AI लगभग किसी भी डिजिटल कार्य को संभाल सकता है और Stockfish स्तर की कोडिंग क्षमता तक पहुँच सकता है। इन दावों ने ध्यान आकर्षित किया है क्योंकि वे ज्ञान-आधारित कार्य के अर्थशास्त्र में बड़े बदलाव का संकेत देते हैं।

ये महत्वाकांक्षी पूर्वानुमान हैं, स्थापित परिणाम नहीं। व्यापारिक नेताओं को प्रमुख उत्पादकता लाभ की संभावना और इस बात के प्रमाण के बीच अंतर करना चाहिए कि AI हर डिजिटल कार्य को विश्वसनीय रूप से पूरा कर सकता है। निवेश निर्णयों के लिए संगठन द्वारा वास्तव में किए जा रहे काम के प्रमाण की आवश्यकता होती है।

Stockfish तुलना हमें क्या बताती है

Stockfish एक ओपन सोर्स शतरंज इंजन है और दुनिया के सबसे मजबूत इंजनों में से एक। यह तुलना एक वास्तविक संभावना दिखाती है: मशीनें मांग वाले बौद्धिक कार्य में मनुष्यों से बेहतर प्रदर्शन कर सकती हैं। हालाँकि, केवल यह उपमा यह स्थापित नहीं कर सकती कि AI कब हर सॉफ्टवेयर इंजीनियर से बेहतर प्रदर्शन करेगा।

शतरंज के नियम निश्चित हैं, बोर्ड दिखाई देता है और लक्ष्य स्पष्ट है। एंटरप्राइज़ सॉफ्टवेयर में अधूरी आवश्यकताएँ, बदलती नीतियाँ, लेगसी सिस्टम और प्रतिस्पर्धी हितधारक प्राथमिकताएँ शामिल हैं। एक प्रोग्राम अपने परीक्षण पास करते हुए भी गलत व्यावसायिक समस्या हल कर सकता है।

कोड बनाना इंजीनियरिंग का एक हिस्सा है। क्या बनाना है यह तय करना, पहुँच को नियंत्रित करना, सुरक्षा जाँचना, सुरक्षित रूप से तैनात करना और उपयोगकर्ताओं का समर्थन करना परिणाम का हिस्सा बने रहते हैं। अत्यधिक सक्षम AI को भी ऐसी प्रक्रिया चाहिए जो गलतियों का पता लगा सके और जिम्मेदारी तय कर सके।

आर्थिक दावे को समझना

वार्षिक आर्थिक उत्पादन के स्तर में 20 से 30 प्रतिशत की वृद्धि हर साल 20 से 30 प्रतिशत की वृद्धि से अलग है। इस पैमाने के दावे के लिए अपनाने, विश्वसनीयता, निवेश और लाभ प्राप्त करने में लगने वाले समय के बारे में स्पष्ट धारणाओं की आवश्यकता है। उन प्रतिशतों को US$20 से US$30 ट्रिलियन के साथ जोड़ने का मतलब लगभग US$100 ट्रिलियन की शुरुआती अर्थव्यवस्था मानना है।

परिप्रेक्ष्य के लिए, Goldman Sachs ने 2023 में एक परिदृश्य प्रकाशित किया जिसमें जनरेटिव AI वैश्विक GDP को लगभग 7 प्रतिशत, या लगभग US$7 ट्रिलियन बढ़ा सकता है और दस वर्षों में उत्पादकता वृद्धि को 1.5 प्रतिशत अंकों से बढ़ा सकता है। यह एक सशर्त पूर्वानुमान था, न कि मापा गया परिणाम या भविष्य के लाभों की सीमा। यह मस्क के बड़े अनुमान को स्वतंत्र रूप से मान्य नहीं करता।

कंपनी स्तर पर, एक उपयोगी गणना सरल है: शुद्ध मूल्य बराबर अतिरिक्त उपयोगी उत्पादन और प्राप्त बचत का मूल्य, घटा AI लागत, एकीकरण, समीक्षा, पुनःकार्य और त्रुटियों से होने वाली हानियाँ। बचा हुआ समय तभी वित्तीय मूल्य बनता है जब संगठन उसका उत्पादक उपयोग कर सके।

फायदे और लागतें

गति बनाम सत्यापन। AI मसौदा तैयार करने, कोडिंग और विश्लेषण में समय कम कर सकता है। नेताओं को परिणाम बनाने में बचे समय के साथ-साथ परिणाम की जाँच के लिए आवश्यक समय भी मापना चाहिए।

कम उत्पादन लागत बनाम नई परिचालन लागत। पहला संस्करण बनाना सस्ता हो सकता है। मॉडल उपयोग, एकीकरण, निगरानी और सुधार अभी भी पैसा और कर्मचारियों का समय खर्च करते हैं।

व्यापक पहुँच बनाम निर्भरता। छोटी टीमें पहले अपने संसाधनों से बाहर का काम कर सकती हैं। एक ही प्रदाता पर निर्भरता कीमतों, उपलब्धता और मॉडल बदलावों को प्रबंधित करना कठिन बना सकती है।

अधिक क्षमता बनाम कार्यबल में बिखराव। कर्मचारी ग्राहक ज़रूरतों और कठिन निर्णयों पर अधिक समय दे सकते हैं। व्यापारों को बदलती भूमिकाओं, पुनःप्रशिक्षण और उन कनिष्ठ कर्मचारियों के विकास की भी योजना बनानी होगी जिनके नियमित सीखने के कार्य स्वचालित हो सकते हैं।

एक व्यावहारिक एंटरप्राइज़ उदाहरण

ऑर्डर ट्रैकिंग सेवा बनाने वाले एक काल्पनिक गोदाम व्यापार पर विचार करें। AI इंटरफ़ेस का मसौदा बना सकता है, डेटाबेस क्वेरी प्रस्तावित कर सकता है और टेस्ट केस बना सकता है। टीम को अभी भी यह पुष्टि करनी होगी कि कौन से ग्राहक कौन सा ऑर्डर देख सकते हैं, स्टॉक विसंगतियों से कैसे निपटा जाता है, और सेवा मौजूदा सिस्टम के साथ काम करती है या नहीं।

सार्थक तुलना स्वीकृत रिलीज़ की लागत और उपयोग में प्रदर्शन है। डिलीवरी समय, दोष, समर्थन अनुरोध और ग्राहक परिणामों को मापें। तेज़ पहला मसौदा जो अधिक उत्पादन घटनाएँ पैदा करे, समग्र मूल्य कम कर सकता है।

वही सिद्धांत ग्राहक सेवा पर भी लागू होता है। सीधे अनुरोधों को स्वचालित करना प्रतिक्रिया समय में सुधार कर सकता है। अस्पष्ट मामलों के लिए संबंधित संदर्भ संरक्षित करते हुए किसी व्यक्ति तक एक विश्वसनीय मार्ग आवश्यक है।

CEOs और CTOs को क्या करना चाहिए

CEOs को पहचान योग्य लागत और स्पष्ट ग्राहक परिणाम वाली एक प्रक्रिया चुननी चाहिए। आधार रेखा स्थापित करें, सीमित पायलट चलाएँ और पहले से ही सहमत हों कि कौन सा सुधार विस्तार को सही ठहराएगा। कार्यान्वयन लागत और कर्मचारी जिम्मेदारियों में बदलाव शामिल करें।

CTOs को अपने सिस्टम के प्रतिनिधि कार्य पर प्रस्तावित मॉडल का मूल्यांकन करना चाहिए। शुद्धता, सुरक्षा, गोपनीयता, विफलता से उबरने और मौजूदा सेवाओं के साथ संगतता की जाँच करें। बदलाव का सुझाव देने की अनुमति को उसे निष्पादित करने की अनुमति से अलग करें।

महत्वपूर्ण कार्यों के लिए, स्वीकृति स्वामी को परिभाषित करें और ऑडिट ट्रेल रखें। प्रदर्शन बिगड़ने पर परिवर्तनों को उलटने, पहुँच को सीमित करने और स्वचालन निलंबित करने की क्षमता बनाए रखें।

आपूर्तिकर्ता निर्भरता की समीक्षा करें और कर्मचारियों को आउटपुट को चुनौती देने के लिए प्रशिक्षित करें। समीक्षा और समर्थन लागत के बाद भी मापे गए लाभ सकारात्मक रहें तो तैनाती का विस्तार करें। वैश्विक आर्थिक पूर्वानुमान परिदृश्य योजना को सूचित करे, जबकि स्थानीय प्रमाण निवेश का मार्गदर्शन करे।

नेतृत्व का निर्णय

AI डिजिटल कार्य के अर्थशास्त्र को पर्याप्त रूप से बदल सकता है। पैमाना और समय अनिश्चित रहते हैं। मेरी सलाह है कि अभी इसे जिम्मेदारी से मूल्यांकन और अपनाने की क्षमता बनाएँ, फिर प्रमाण मजबूत होने पर निवेश बढ़ाएँ।

आपके संगठन में आप कौन सी प्रक्रिया पहले परखेंगे, और कौन सा प्रमाण आपको मनाएगा कि AI ने स्थायी व्यावसायिक मूल्य बनाया है?

गणितीय रूप से सोचें। बुद्धिमानी से इंजीनियर करें। रणनीतिक रूप से नेतृत्व करें। जिम्मेदारी से निर्माण करें। विश्व स्तर पर विस्तार करें। कृत्रिम बुद्धिमत्ता के माध्यम से वास्तविक व्यावसायिक मूल्य बनाएँ।

#ArtificialIntelligence #AIStrategy #EnterpriseAI #SoftwareEngineering #Productivity #BusinessLeadership

मूल रूप से केशवन थियागराजा द्वारा LinkedIn पर प्रकाशित। मूल लेख LinkedIn पर पढ़ें। [1]