कामाच्या ठिकाणी AI चा वापर करताना रोबोटसारखे वाटू नये म्हणून काय करावे

आर्टिफिशियल इंटेलिजन्सचा (AI) वापर केवळ एक ‘ग्लोरीफाईड टाईपरायटर’ म्हणून करण्याचा काळ आता संपला आहे. गेल्या वर्षभरात, ऑफिसमध्ये अशा ईमेल्सचा पूर आला आहे, जे वाचताना एखाद्या व्हिक्टोरियन कवीने कॉर्पोरेट जार्गन वापरून लिहिल्यासारखे वाटतात. लार्ज लँग्वेज मॉडेल्सचा वापर करून अनावश्यक मजकूर (fluff) तयार करण्याची ही पद्धत आता उलट्या दिशेने काम करत आहे. वेळ वाचवण्याऐवजी, हे वाचणाऱ्यावर एक ओझे ठरत आहे, ज्याला एका साध्या मुद्द्यासाठी अनेक परिच्छेदांचा कचरा चाळावा लागतो. या टूल्सचा खरा उपयोग मानवी भाषेची नक्कल करण्यात नाही, तर लॉजिकवर प्रक्रिया करण्यात आणि डेटा स्ट्रक्चर करण्यात आहे. कामाच्या ठिकाणी AI प्रभावीपणे वापरण्यासाठी, तुम्ही त्याला तुमच्यासाठी लिहिण्यास सांगणे थांबवून, तुमच्यासोबत विचार करण्यास सांगायला हवे. ध्येय हे ‘जनरेटिव्ह आउटपुट’ कडून ‘फंक्शनल युटिलिटी’कडे जाण्याचे असले पाहिजे.

चॅटबॉट इंटरफेसच्या पलीकडे जाणे

बहुतेक वापरकर्ते सर्वात मोठी चूक ही करतात की ते AI ला चॅट विंडोमधील एखाद्या व्यक्तीसारखे वागवतात. यामुळेच AI-जनरेटेड मजकुरात अति-नम्र आणि पुनरावृत्ती होणारा टोन येतो. हे मॉडेल्स मुळात हाय-स्पीड प्रेडिक्शन इंजिन्स आहेत. जेव्हा तुम्ही त्यांना ‘एक प्रोफेशनल ईमेल लिहा’ अशी सूचना देता, तेव्हा ते औपचारिक आणि बऱ्याचदा शिळ्या बिझनेस कम्युनिकेशन्सच्या डेटासेटमधून माहिती उचलतात. परिणामी, एक सामान्य आणि हेतू नसलेला मजकूर तयार होतो. हे टाळण्यासाठी, वापरकर्ते आता ‘स्ट्रक्चर्ड प्रॉम्प्टिंग’कडे वळत आहेत. यामध्ये मॉडेल मजकूर तयार करण्यापूर्वीच भूमिका, विशिष्ट डेटा पॉइंट्स आणि अपेक्षित फॉरमॅट स्पष्ट केला जातो. सारांश मागणे आणि तांत्रिक अहवालासाठी टेम्पलेट देणे यातला हा फरक आहे.

आधुनिक वर्कप्लेस इंटिग्रेशन आता ब्राउझर टॅबमधून बाहेर पडून थेट सॉफ्टवेअर स्टॅकमध्ये येत आहे. याचा अर्थ असा की AI आता एक वेगळी जागा नाही, तर ते तुमच्या प्रोजेक्ट मॅनेजमेंट टूल किंवा कोड एडिटरमधील एक फीचर आहे. जेव्हा टूलला तुमच्या कामाच्या संदर्भाची (context) माहिती असते, तेव्हा त्याला तुम्ही काय म्हणताय याचा अंदाज लावण्याची गरज नसते. ते टास्क हिस्ट्री, डेडलाईन्स आणि तांत्रिक गरजा पाहू शकते. ही संदर्भाची जाणीव त्या फुलांसारख्या भाषेची गरज कमी करते, जी मॉडेल्स तेव्हा वापरतात जेव्हा ते गोंधळलेले असतात. टास्कची व्याप्ती मर्यादित करून, तुम्ही मशीनला सर्जनशील होण्याऐवजी अचूक राहण्यास भाग पाडता. अचूकता ही रोबोटिक टोनची शत्रू आहे. जेव्हा एखादे टूल अंतर्गत डेटावर आधारित थेट उत्तर देते, तेव्हा ते स्क्रिप्टपेक्षा तज्ज्ञासारखे वाटते.

वास्तविक जगातील उपयोजनाचे अर्थशास्त्र

मीडिया अनेकदा पॅनकेक्स उलटू शकणाऱ्या ह्युमनॉइड रोबॉट्सवर लक्ष केंद्रित करत असला, तरी वास्तविक आर्थिक परिणाम शांत वातावरणात घडत आहेत. मोठ्या डिस्ट्रिब्युशन सेंटर्समध्ये, ऑटोमेशनचा अर्थ मानवासारखे दिसणे असा नाही. तर, दहा लाख चौरस फुटांच्या जागेत पॅलेटचा मार्ग ऑप्टिमाइझ करणे असा आहे. हे सिस्टम्स मागणीतील चढ-उतार ओळखण्यासाठी आणि इन्व्हेंटरी लेव्हल्स रिअल-टाइममध्ये ॲडजस्ट करण्यासाठी मशीन लर्निंगचा वापर करतात. येथे मिळणारा परतावा (ROI) स्पष्ट आहे. तो प्रति पिक वाचवलेल्या सेकंदात आणि ऊर्जा खर्चातील कपातीत मोजला जातो. कंपन्या या सिस्टम्स मानवांना यांत्रिक प्रतींनी बदलण्यासाठी विकत घेत नाहीत, तर मानवी मेंदूला मोठ्या प्रमाणावर हाताळता न येणारी ‘कॉम्प्युटेशनल कॉम्प्लेक्सिटी’ हाताळण्यासाठी विकत घेत आहेत.

सॉफ्टवेअर क्षेत्रात, उपयोजनाचे अर्थशास्त्र अधिक आक्रमक आहे. हजारो ओळींचा फंक्शनल कोड तयार करण्याचा खर्च कॉम्प्युट टाइमच्या दृष्टीने शून्यावर आला आहे. मात्र, तो कोड रिव्ह्यू करण्याचा खर्च अजूनही जास्त आहे. इथेच अनेक कंपन्या अपयशी ठरतात. त्यांना वाटते की आउटपुट स्वस्त आहे, म्हणून मूल्य जास्त आहे. वास्तव हे आहे की AI उपयोजन अनेकदा एका नवीन प्रकारचा ‘टेक्निकल डेट’ (तांत्रिक कर्ज) निर्माण करते. जर एखादी टीम रिव्ह्यू क्षमता दुप्पट न करता AI वापरून आउटपुट दुप्पट करत असेल, तर त्यांना असे उत्पादन मिळते जे कमकुवत असते आणि मेंटेन करणे कठीण असते. सर्वात यशस्वी संस्था त्या आहेत ज्या AI चा वापर युनिट टेस्ट किंवा डॉक्युमेंटेशन लिहिण्यासारख्या कंटाळवाण्या कामांसाठी करतात, तर त्यांचे वरिष्ठ इंजिनिअर्स आर्किटेक्चर आणि सुरक्षेवर लक्ष केंद्रित करतात. हा संतुलित दृष्टिकोन हे सुनिश्चित करतो की ‘रोबोट’ कामाचा आवाका हाताळतो आणि माणूस धोरण (strategy) हाताळतो.

व्यावहारिक उपयोजन आणि लॉजिस्टिक डेस्क

मार्कस नावाच्या लॉजिस्टिक मॅनेजरच्या आयुष्यातील एक दिवस विचारात घ्या. तो तीन टाइम झोन्समध्ये मालाची वाहतूक करणाऱ्या ट्रकच्या ताफ्यावर देखरेख ठेवतो. पूर्वी, त्याची सकाळ डझनभर स्टेटस रिपोर्ट्स वाचण्यात आणि मास्टर स्प्रेडशीट मॅन्युअली अपडेट करण्यात जायची. आता, तो एक कस्टम स्क्रिप्ट वापरतो जी GPS ट्रॅकर्स आणि शिपिंग मॅनिफेस्ट्समधून डेटा घेते. AI ताफ्याच्या स्थितीबद्दल लांबलचक कथा लिहित नाही. त्याऐवजी, ते हवामानामुळे उशीर होऊ शकणाऱ्या तीन विशिष्ट ट्रक्सना फ्लॅग करते. तो इन्व्हेंटरी लॉग्स तपासतो आणि त्वरित निर्णय घेतो. AI डेटा व्हिज्युअलायझेशन आणि रिस्क असेसमेंट पुरवते, पण मार्कस कमांड देतो. तो रोबोटसारखा वाटत नाही कारण तो AI चा वापर स्वतःच्या वतीने बोलण्यासाठी करत नाही. तो त्याचा वापर अशा गोष्टी पाहण्यासाठी करत आहे ज्या त्याला अन्यथा दिसल्या नसत्या.

हेच लॉजिक प्रशासकीय कामांनाही लागू होते. मीटिंग इनव्हाईट लिहिण्यासाठी AI ला सांगण्याऐवजी, एक हुशार वापरकर्ता तीन उद्दिष्टांची यादी देतो आणि मॉडेलला बुलेटेड अजेंडा तयार करण्यास सांगतो. हे