AI सॉफ्टवेअर आणि ट्रिलियन डॉलर उत्पादकतेचा प्रश्न

AI सॉफ्टवेअर लिहिण्यात लक्षणीयरीत्या सुधारला तर व्यावसायिक नेत्यांनी आज काय बदलावे? माझे उत्तर: त्याचे आउटपुट तपासण्यासाठी आणि राखण्यासाठी आवश्यक कामासह, संपूर्ण व्यावसायिक प्रक्रिया ते कशी सुधारते हे मोजा.

AI वार्षिक जागतिक आर्थिक उत्पादनात US$20 ते US$30 ट्रिलियन जोडू शकते का? एलॉन मस्क यांनी हा अंदाज मांडला आहे, सोबत भविष्यवाणी की AI जवळजवळ कोणतेही डिजिटल काम हाताळू शकते आणि Stockfish पातळीची कोडिंग क्षमता मिळवू शकते. या दाव्यांनी लक्ष वेधले कारण ते ज्ञान-आधारित कामाच्या अर्थशास्त्रात मोठा बदल सूचित करतात.

ह्या महत्त्वाकांक्षी अंदाज आहेत, स्थापित परिणाम नाहीत. मोठ्या उत्पादकता फायद्यांची शक्यता आणि AI विश्वासार्हतेने प्रत्येक डिजिटल काम करू शकते याच्या पुराव्यामध्ये व्यावसायिक नेत्यांनी फरक करावा. गुंतवणूक निर्णयांना संस्था प्रत्यक्षात करत असलेल्या कामाचा पुरावा लागतो.

Stockfish तुलना आपल्याला काय सांगते

Stockfish हे ओपन सोर्स बुद्धिबळ इंजिन आहे आणि जगातील सर्वात बलवानांपैकी एक आहे. ही तुलना खरी शक्यता दाखवते: मागणी असलेल्या बौद्धिक कामात यंत्रे मानवांना मागे टाकू शकतात. तथापि, हे उपमा एकटी AI कधी प्रत्येक सॉफ्टवेअर अभियंत्याला मागे टाकेल हे सिद्ध करू शकत नाही.

बुद्धिबळाला निश्चित नियम, दृश्यमान फळा आणि स्पष्ट उद्दिष्ट आहे. एंटरप्राइझ सॉफ्टवेअरमध्ये अपूर्ण आवश्यकता, बदलते धोरणे, लेगसी प्रणाली आणि स्पर्धात्मक भागधारक प्राधान्ये असतात. प्रोग्राम चुकीची व्यावसायिक समस्या सोडवतही चाचण्या उत्तीर्ण होऊ शकतो.

कोड तयार करणे अभियांत्रिकीचा एक भाग आहे. काय बांधायचे ते ठरवणे, प्रवेश नियंत्रित करणे, सुरक्षा तपासणे, सुरक्षितपणे तैनात करणे आणि वापरकर्त्यांना आधार देणे परिणामाचा भाग राहतात. अत्यंत सक्षम AI ला देखील चुका शोधू शकणारी आणि जबाबदारी निर्धारित करू शकणारी प्रक्रिया लागते.

आर्थिक दावा समजून घेणे

वार्षिक आर्थिक उत्पादनाच्या स्तरात २० ते ३० टक्के वाढ म्हणजे दरवर्षी २० ते ३० टक्के वाढ नव्हे. या प्रमाणातील दाव्याला स्वीकृती, विश्वासार्हता, गुंतवणूक आणि फायदे मिळण्यासाठी लागणाऱ्या वेळेबद्दल स्पष्ट गृहितके लागतात. त्या टक्केवाऱ्या US$20 ते US$30 ट्रिलियनशी जोडल्याने सुमारे US$100 ट्रिलियनची सुरुवातीची अर्थव्यवस्था धारणा येते.

तुलनेसाठी, Goldman Sachs ने २०२३ मध्ये एक परिस्थिती प्रकाशित केली जिथे जनरेटिव्ह AI जागतिक GDP सुमारे ७ टक्के किंवा जवळजवळ US$7 ट्रिलियनने वाढवू शकते आणि दहा वर्षांत उत्पादकता वाढ १.५ टक्के गुणांनी वाढवू शकते. ती सशर्त अंदाज होती, मोजलेला परिणाम किंवा भविष्यातील फायद्यांची मर्यादा नव्हती. ती मस्कच्या मोठ्या अंदाजाला स्वतंत्रपणे मान्य करत नाही.

कंपनी स्तरावर, उपयुक्त गणना सोपी आहे: निव्वळ मूल्य = अतिरिक्त उपयुक्त उत्पादन आणि मिळालेल्या बचतीचे मूल्य, वजा AI खर्च, एकत्रीकरण, पुनरावलोकन, पुनःकार्य आणि चुकांमुळे होणारे नुकसान. वाचलेला वेळ तेव्हाच आर्थिक मूल्य बनतो जेव्हा संस्था त्याचा उत्पादकपणे वापर करू शकते.

फायदे आणि खर्च

वेग विरुद्ध पडताळणी. AI मसुदा, कोडिंग आणि विश्लेषण कमी करू शकते. परिणाम तयार करण्यात वाचलेल्या वेळेबरोबरच परिणाम तपासण्यासाठी लागणारा वेळही नेत्यांनी मोजला पाहिजे.

कमी उत्पादन खर्च विरुद्ध नवीन परिचालन खर्च. पहिली आवृत्ती तयार करणे स्वस्त होऊ शकते. मॉडेल वापर, एकत्रीकरण, निरीक्षण आणि दुरुस्ती अजूनही पैसा आणि कर्मचाऱ्यांचा वेळ घेतात.

विस्तृत प्रवेश विरुद्ध अवलंबित्व. छोट्या टीम आधी त्यांच्या संसाधनांपलीकडची कामे घेऊ शकतात. एकाच पुरवठादारावरील अवलंबित्व किंमती, उपलब्धता आणि मॉडेल बदल व्यवस्थापित करणे कठीण करू शकते.

अधिक क्षमता विरुद्ध कामगार बाधा. कर्मचारी ग्राहक गरजा आणि कठीण निर्णयांवर अधिक वेळ देऊ शकतात. व्यवसायांना बदलत्या भूमिका, पुनःप्रशिक्षण आणि ज्यांची नियमित शिकण्याची कामे स्वयंचलित होऊ शकतात अशा कनिष्ठ कर्मचाऱ्यांच्या विकासाचीही योजना करावी लागेल.

व्यावहारिक एंटरप्राइझ उदाहरण

ऑर्डर ट्रॅकिंग सेवा बांधणारा काल्पनिक गोदाम व्यवसाय विचारात घ्या. AI इंटरफेसचा मसुदा करू शकते, डेटाबेस क्वेरी सुचवू शकते आणि चाचणी प्रकरणे तयार करू शकते. कोणते ग्राहक कोणती ऑर्डर पाहू शकतात, स्टॉक विसंगती कशी हाताळली जाते आणि सेवा विद्यमान प्रणालींसोबत कार्य करते का हे टीमला अजून निश्चित करावे लागेल.

अर्थपूर्ण तुलना म्हणजे स्वीकृत प्रकाशनाचा खर्च आणि वापरातील कार्यक्षमता. वितरण वेळ, दोष, आधार विनंत्या आणि ग्राहक परिणाम मोजा. अधिक उत्पादन घटना घडवणारा जलद पहिला मसुदा एकूण मूल्य कमी करू शकतो.

तेच तत्त्व ग्राहक सेवेसही लागू होते. सरळ विनंत्या स्वयंचलित करणे प्रतिसाद वेळ सुधारू शकते. अस्पष्ट प्रकरणांना संबंधित संदर्भ जपून, एखाद्या व्यक्तीकडे विश्वासार्ह मार्ग हवा.

CEO आणि CTO यांनी काय करावे

CEO यांनी ओळखता येणारा खर्च आणि स्पष्ट ग्राहक परिणाम असलेली एक प्रक्रिया निवडावी. तळरेषा स्थापित करा, मर्यादित पायलट चालवा आणि कोणता सुधारणा विस्ताराला समर्थन करेल हे आधीच ठरवा. अंमलबजावणी खर्च आणि कर्मचारी जबाबदाऱ्यांमधील बदल समाविष्ट करा.

CTO यांनी त्यांच्या स्वतःच्या प्रणालींमधील प्रतिनिधी कामावर प्रस्तावित मॉडेलचे मूल्यमापन करावे. बरोबरी, सुरक्षा, गोपनीयता, अपयशातून सावरणे आणि विद्यमान सेवांशी सुसंगती तपासा. बदल सुचवण्याची परवानगी ते अंमलात आणण्याच्या परवानगीपासून वेगळी करा.

परिणामकारक कृतींसाठी, मंजुरी मालकाची व्याख्या करा आणि ऑडिट ट्रेल ठेवा. कार्यक्षमता खालावल्यास बदल उलटवण्याची, प्रवेश मर्यादित करण्याची आणि स्वयंचलन थांबवण्याची क्षमता राखा.

पुरवठादार अवलंबित्वाचे पुनरावलोकन करा आणि आउटपुटला आव्हान देण्यासाठी कर्मचाऱ्यांना प्रशिक्षित करा. पुनरावलोकन आणि आधार खर्चानंतरही मोजलेले फायदे सकारात्मक राहिल्यास तैनाती विस्तारा. जागतिक आर्थिक अंदाज परिस्थिती नियोजनाला माहिती द्यावा, तर स्थानिक पुरावा गुंतवणुकीला मार्गदर्शन करावा.

नेतृत्वाचा निर्णय

AI डिजिटल कामाचे अर्थशास्त्र लक्षणीयरीत्या बदलू शकते. प्रमाण आणि वेळ अनिश्चित आहेत. माझा सल्ला: आत्ताच जबाबदारीने मूल्यमापन आणि स्वीकारण्याची क्षमता बांधा, नंतर पुरावा मजबूत झाल्यावर गुंतवणूक वाढवा.

तुमच्या संस्थेत तुम्ही कोणती प्रक्रिया प्रथम तपासाल, आणि AI ने टिकणारे व्यावसायिक मूल्य निर्माण केले आहे याचा कोणता पुरावा तुम्हाला पटवेल?

गणिती विचार करा. हुशारीने अभियांत्रिकी करा. धोरणात्मक नेतृत्व करा. जबाबदारीने बांधा. जागतिक पातळीवर विस्तार करा. कृत्रिम बुद्धिमत्तेद्वारे खरे व्यावसायिक मूल्य निर्माण करा.

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

मूळतः केशवन थियागराजा यांनी LinkedIn वर प्रकाशित केले. मूळ लेख LinkedIn वर वाचा. [1]