ਦਫ਼ਤਰ ਵਿੱਚ AI ਇਸ ਸਮੇਂ ਸਭ ਤੋਂ ਵੱਧ ਸਮਾਂ ਕਿੱਥੇ ਬਚਾ ਰਿਹਾ ਹੈ

ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦਾ ਹਨੀਮੂਨ ਪੀਰੀਅਡ ਖਤਮ ਹੋ ਚੁੱਕਾ ਹੈ। ਅਸੀਂ ਹੁਣ ਨਵੀਨਤਾਕਾਰੀ ਤਸਵੀਰਾਂ ਅਤੇ ਕਾਵਿਕ ਪ੍ਰੋਂਪਟਾਂ ਦੇ ਦੌਰ ਤੋਂ ਅੱਗੇ ਨਿਕਲ ਕੇ ਸਖ਼ਤ ਉਪਯੋਗਤਾ ਦੇ ਦੌਰ ਵਿੱਚ ਆ ਗਏ ਹਾਂ। ਇੱਕ ਆਮ ਦਫ਼ਤਰੀ ਕਰਮਚਾਰੀ ਲਈ, ਸਵਾਲ ਇਹ ਨਹੀਂ ਹੈ ਕਿ ਇਹ ਤਕਨਾਲੋਜੀ ਸਿਧਾਂਤਕ ਤੌਰ ‘ਤੇ ਕੀ ਕਰ ਸਕਦੀ ਹੈ, ਸਗੋਂ ਇਹ ਹੈ ਕਿ ਇਹ ਅਸਲ ਵਿੱਚ ਕੰਮ ਦੇ ਹਫ਼ਤੇ ਵਿੱਚੋਂ ਘੰਟੇ ਕਿੱਥੇ ਬਚਾਉਂਦੀ ਹੈ। ਸਭ ਤੋਂ ਵੱਧ ਸਮੇਂ ਦੀ ਬੱਚਤ ਇਸ ਸਮੇਂ ਉੱਚ-ਵਾਲੀਅਮ, ਘੱਟ-ਜੋਖਮ ਵਾਲੇ ਸੰਸ਼ਲੇਸ਼ਣ (synthesis) ਵਿੱਚ ਦੇਖੀ ਜਾ ਰਹੀ ਹੈ। ਇਸ ਵਿੱਚ ਲੰਬੇ ਈਮੇਲ ਥ੍ਰੈੱਡਾਂ ਦਾ ਸਾਰ ਕੱਢਣਾ, ਸ਼ੁਰੂਆਤੀ ਪ੍ਰੋਜੈਕਟ ਰੂਪਰੇਖਾ ਤਿਆਰ ਕਰਨਾ, ਅਤੇ ਮੀਟਿੰਗ ਦੇ ਕੱਚੇ ਨੋਟਸ ਨੂੰ ਐਕਸ਼ਨ ਆਈਟਮਾਂ ਵਿੱਚ ਬਦਲਣਾ ਸ਼ਾਮਲ ਹੈ। ਇਹ ਕੰਮ ਹਰ ਸਵੇਰ ਦੇ ਪਹਿਲੇ ਦੋ ਘੰਟੇ ਖਾ ਜਾਂਦੇ ਸਨ। ਹੁਣ, ਇਹ ਸਕਿੰਟਾਂ ਵਿੱਚ ਹੋ ਜਾਂਦੇ ਹਨ। ਹਾਲਾਂਕਿ, ਇਹ ਕੁਸ਼ਲਤਾ ਮਨੁੱਖੀ ਨਿਗਰਾਨੀ ਦੀ ਸਖ਼ਤ ਲੋੜ ਨਾਲ ਆਉਂਦੀ ਹੈ। ਜੇਕਰ ਤੁਸੀਂ ਆਉਟਪੁੱਟ ਨੂੰ ਇੱਕ ਮੁਕੰਮਲ ਉਤਪਾਦ ਵਜੋਂ ਵਰਤਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਸੰਭਾਵਤ ਤੌਰ ‘ਤੇ ਅਜਿਹੀਆਂ ਗਲਤੀਆਂ ਕਰ ਰਹੇ ਹੋਵੋਗੇ ਜਿਨ੍ਹਾਂ ਨੂੰ ਠੀਕ ਕਰਨ ਵਿੱਚ ਬਾਅਦ ਵਿੱਚ ਜ਼ਿਆਦਾ ਸਮਾਂ ਲੱਗੇਗਾ। ਅਸਲ ਮੁੱਲ ਇਨ੍ਹਾਂ ਟੂਲਸ ਨੂੰ ਅੰਤਿਮ ਮੰਜ਼ਿਲ ਦੀ ਬਜਾਏ ਇੱਕ ਸ਼ੁਰੂਆਤੀ ਬਿੰਦੂ ਵਜੋਂ ਵਰਤਣ ਵਿੱਚ ਹੈ। ਵਰਕਫਲੋ ਵਿੱਚ ਇਹ ਤਬਦੀਲੀ ਵੀਹਵੀਂ ਸਦੀ ਦੇ ਅਖੀਰ ਵਿੱਚ ਸਪ੍ਰੈਡਸ਼ੀਟ ਦੀ ਸ਼ੁਰੂਆਤ ਤੋਂ ਬਾਅਦ ਦਫ਼ਤਰੀ ਜੀਵਨ ਵਿੱਚ ਸਭ ਤੋਂ ਵਿਹਾਰਕ ਤਬਦੀਲੀ ਹੈ।

ਆਧੁਨਿਕ ਦਫ਼ਤਰੀ ਆਟੋਮੇਸ਼ਨ ਦੀ ਮਕੈਨਿਕਸ

ਇਹ ਸਮਝਣ ਲਈ ਕਿ ਸਮਾਂ ਕਿੱਥੇ ਜਾਂਦਾ ਹੈ, ਤੁਹਾਨੂੰ ਇਹ ਸਮਝਣਾ ਪਵੇਗਾ ਕਿ ਇਹ ਟੂਲ ਅਸਲ ਵਿੱਚ ਕੀ ਹਨ। ਜ਼ਿਆਦਾਤਰ ਦਫ਼ਤਰੀ ਕਰਮਚਾਰੀ Large Language Models ਜਾਂ LLMs ਨਾਲ ਗੱਲਬਾਤ ਕਰ ਰਹੇ ਹਨ। ਇਹ ਤੱਥਾਂ ਦੇ ਡੇਟਾਬੇਸ ਨਹੀਂ ਹਨ। ਇਹ ਅਤਿ-ਆਧੁਨਿਕ ਭਵਿੱਖਬਾਣੀ ਇੰਜਣ ਹਨ ਜੋ ਵਿਸ਼ਾਲ ਸਿਖਲਾਈ ਡੇਟਾ ਦੇ ਅਧਾਰ ‘ਤੇ ਇੱਕ ਕ੍ਰਮ ਵਿੱਚ ਅਗਲੇ ਸਭ ਤੋਂ ਸੰਭਾਵਿਤ ਸ਼ਬਦ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਂਦੇ ਹਨ। ਜਦੋਂ ਤੁਸੀਂ ChatGPT ਜਾਂ Claude ਵਰਗੇ ਟੂਲ ਨੂੰ ਮੈਮੋ ਲਿਖਣ ਲਈ ਕਹਿੰਦੇ ਹੋ, ਤਾਂ ਇਹ ਤੁਹਾਡੀ ਕੰਪਨੀ ਦੀ ਨੀਤੀ ਬਾਰੇ ਨਹੀਂ ਸੋਚ ਰਿਹਾ ਹੁੰਦਾ। ਇਹ ਗਣਨਾ ਕਰ ਰਿਹਾ ਹੁੰਦਾ ਹੈ ਕਿ ਪੇਸ਼ੇਵਰ ਮੈਮੋ ਵਿੱਚ ਕਿਹੜੇ ਸ਼ਬਦ ਆਮ ਤੌਰ ‘ਤੇ ਇੱਕ ਦੂਜੇ ਦੇ ਪਿੱਛੇ ਆਉਂਦੇ ਹਨ। ਇਹ ਅੰਤਰ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿਉਂਕਿ ਇਹ ਦੱਸਦਾ ਹੈ ਕਿ ਤਕਨਾਲੋਜੀ ਫਾਰਮੈਟਿੰਗ ਵਿੱਚ ਇੰਨੀ ਵਧੀਆ ਅਤੇ ਤੱਥਾਂ ਦੀਆਂ ਗਲਤੀਆਂ ਲਈ ਇੰਨੀ ਸੰਵੇਦਨਸ਼ੀਲ ਕਿਉਂ ਹੈ। ਇਹ ਉਸ ਸੰਰਚਨਾਤਮਕ ਕੰਮ ਵਿੱਚ ਉੱਤਮ ਹੈ ਜਿਸਨੂੰ ਮਨੁੱਖ ਥਕਾਵਟ ਭਰਿਆ ਸਮਝਦੇ ਹਨ। ਇਹ ਇੱਕ ਬੁਲੇਟਿਡ ਸੂਚੀ ਨੂੰ ਇੱਕ ਰਸਮੀ ਪੱਤਰ ਵਿੱਚ ਬਦਲ ਸਕਦਾ ਹੈ ਜਾਂ ਇੱਕ ਤਕਨੀਕੀ ਰਿਪੋਰਟ ਦਾ ਐਗਜ਼ੈਕਟਿਵਜ਼ ਲਈ ਸਾਰ ਤਿਆਰ ਕਰ ਸਕਦਾ ਹੈ। ਇਸਨੂੰ ਜੇਨੇਰੇਟਿਵ ਕੰਮ ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਇੱਥੇ ਹੀ ਮੌਜੂਦਾ ਸਮੇਂ ਦੀ ਸਭ ਤੋਂ ਵੱਧ ਬੱਚਤ ਹੁੰਦੀ ਹੈ।

ਹਾਲੀਆ ਅਪਡੇਟਸ ਨੇ ਇਨ੍ਹਾਂ ਟੂਲਸ ਨੂੰ ਏਜੰਟ ਬਣਨ ਦੇ ਨੇੜੇ ਲਿਆਂਦਾ ਹੈ। ਇੱਕ ਏਜੰਟ ਸਿਰਫ਼ ਟੈਕਸਟ ਨਹੀਂ ਲਿਖਦਾ। ਇਹ ਹੋਰ ਸਾਫਟਵੇਅਰ ਨਾਲ ਇੰਟਰੈਕਟ ਕਰਦਾ ਹੈ। ਤੁਸੀਂ ਹੁਣ ਅਜਿਹੇ ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਲੱਭ ਸਕਦੇ ਹੋ ਜੋ AI ਨੂੰ ਤੁਹਾਡੇ ਕੈਲੰਡਰ ਨੂੰ ਦੇਖਣ, ਟਕਰਾਅ ਨੂੰ ਸਮਝਣ, ਅਤੇ ਸਬੰਧਤ ਵਿਅਕਤੀ ਨੂੰ ਇੱਕ ਨਿਮਰ ਰੀਸ਼ਡਿਊਲਿੰਗ ਈਮੇਲ ਲਿਖਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੇ ਹਨ। ਇਹ ਵੱਖ-ਵੱਖ ਐਪਸ ਵਿਚਕਾਰ ਸਵਿਚ ਕਰਨ ਦੇ ਬੋਧਾਤਮਕ ਭਾਰ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ। ਇਹ ਤਕਨਾਲੋਜੀ ਲੰਬੇ ਦਸਤਾਵੇਜ਼ਾਂ ਨੂੰ ਸੰਭਾਲਣ ਵਿੱਚ ਵੀ ਬਹੁਤ ਬਿਹਤਰ ਹੋ ਗਈ ਹੈ। ਇਨ੍ਹਾਂ ਮਾਡਲਾਂ ਦੇ ਸ਼ੁਰੂਆਤੀ ਸੰਸਕਰਣ ਦਸਤਾਵੇਜ਼ ਦੇ ਅੰਤ ਤੱਕ ਪਹੁੰਚਣ ਤੱਕ ਸ਼ੁਰੂਆਤ ਨੂੰ ਭੁੱਲ ਜਾਂਦੇ ਸਨ। ਆਧੁਨਿਕ ਸੰਸਕਰਣ ਆਪਣੀ ਸਰਗਰਮ ਮੈਮੋਰੀ ਵਿੱਚ ਸੈਂਕੜੇ ਪੰਨਿਆਂ ਨੂੰ ਰੱਖ ਸਕਦੇ ਹਨ। ਇਹ ਪੂਰੇ ਕਾਨੂੰਨੀ ਇਕਰਾਰਨਾਮਿਆਂ ਜਾਂ ਤਕਨੀਕੀ ਮੈਨੂਅਲਾਂ ਦਾ ਇੱਕੋ ਵਾਰ ਵਿੱਚ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ। Gartner ਦੀ ਖੋਜ ਦੇ ਅਨੁਸਾਰ, ਸੰਸਥਾਵਾਂ ਵਧੇਰੇ ਗੁੰਝਲਦਾਰ ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਵੱਲ ਵਧਣ ਤੋਂ ਪਹਿਲਾਂ ROI ਸਾਬਤ ਕਰਨ ਲਈ ਇਨ੍ਹਾਂ ਸੀਮਤ ਵਰਤੋਂ ਦੇ ਮਾਮਲਿਆਂ ‘ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰ ਰਹੀਆਂ ਹਨ। ਧਿਆਨ ਪ੍ਰਬੰਧਕੀ ਓਵਰਹੈੱਡ ਦੇ ਰਗੜ ਨੂੰ ਦੂਰ ਕਰਨ ‘ਤੇ ਹੈ।

ਸਥਿਰ ਖੋਜ ਤੋਂ ਸਰਗਰਮ ਜਨਰੇਸ਼ਨ ਵੱਲ ਤਬਦੀਲੀ ਇਸ ਬਦਲਾਅ ਦਾ ਮੂਲ ਹੈ। ਪਹਿਲਾਂ, ਜੇਕਰ ਤੁਹਾਨੂੰ ਇਹ ਜਾਣਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਸੀ ਕਿ Excel ਵਿੱਚ ਬਜਟ ਨੂੰ ਕਿਵੇਂ ਫਾਰਮੈਟ ਕਰਨਾ ਹੈ, ਤਾਂ ਤੁਸੀਂ ਇੱਕ ਟਿਊਟੋਰਿਅਲ ਲੱਭਦੇ ਸੀ ਅਤੇ ਇਸਨੂੰ ਦੇਖਦੇ ਸੀ। ਹੁਣ, ਤੁਸੀਂ ਆਪਣੇ ਡੇਟਾ ਦਾ ਵਰਣਨ ਕਰਦੇ ਹੋ ਅਤੇ ਟੂਲ ਨੂੰ ਤੁਹਾਡੇ ਲਈ ਫਾਰਮੂਲਾ ਲਿਖਣ ਲਈ ਕਹਿੰਦੇ ਹੋ। ਇਹ ਸਿੱਖਣ ਦੇ ਪੜਾਅ ਨੂੰ ਛੱਡ ਕੇ ਸਿੱਧਾ ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਪੜਾਅ ‘ਤੇ ਜਾਂਦਾ ਹੈ। ਹਾਲਾਂਕਿ ਇਹ ਕੁਸ਼ਲ ਹੈ, ਇਹ ਮੁਹਾਰਤ ਦੀ ਪ੍ਰਕਿਰਤੀ ਨੂੰ ਬਦਲਦਾ ਹੈ। ਕਰਮਚਾਰੀ ਹੁਣ ਕਰਨ ਵਾਲਾ ਨਹੀਂ ਸਗੋਂ ਸਮੀਖਿਅਕ ਹੈ। ਇਸ ਲਈ ਹੁਨਰਾਂ ਦੇ ਇੱਕ ਵੱਖਰੇ ਸਮੂਹ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਮੁੱਖ ਤੌਰ ‘ਤੇ ਆਤਮ-ਵਿਸ਼ਵਾਸ ਨਾਲ ਭਰੇ ਟੈਕਸਟ ਵਿੱਚ ਸੂਖਮ ਗਲਤੀਆਂ ਨੂੰ ਲੱਭਣ ਦੀ ਯੋਗਤਾ। ਬਹੁਤ ਸਾਰੇ ਲੋਕ ਜੋ ਉਲਝਣ ਲੈ ਕੇ ਆਉਂਦੇ ਹਨ ਉਹ ਇਹ ਵਿਚਾਰ ਹੈ ਕਿ AI ਇੱਕ ਸਰਚ ਇੰਜਣ ਹੈ। ਇਹ ਨਹੀਂ ਹੈ। ਇਹ ਇੱਕ ਰਚਨਾਤਮਕ ਸਹਾਇਕ ਹੈ ਜਿਸਨੂੰ ਇੱਕ ਸਪਸ਼ਟ ਸੰਖੇਪ ਅਤੇ ਇੱਕ ਸ਼ੱਕੀ ਸੰਪਾਦਕ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਉਨ੍ਹਾਂ ਦੋ ਚੀਜ਼ਾਂ ਤੋਂ ਬਿਨਾਂ, ਜੋ ਸਮਾਂ ਤੁਸੀਂ ਡਰਾਫਟਿੰਗ ‘ਤੇ ਬਚਾਉਂਦੇ ਹੋ, ਉਹ ਇੱਕ ਗਲਤ ਤੱਥ ਨੂੰ ਸੁਧਾਰਨ ਦੇ ਸੰਕਟ ਪ੍ਰਬੰਧਨ ਦੌਰਾਨ ਗੁਆਚ ਜਾਂਦਾ ਹੈ।

ਗਲੋਬਲ ਅਪਣਾਉਣ ਅਤੇ ਉਤਪਾਦਕਤਾ ਦਾ ਪਾੜਾ

ਇਨ੍ਹਾਂ ਟੂਲਸ ਦਾ ਪ੍ਰਭਾਵ ਪੂਰੀ ਦੁਨੀਆ ਵਿੱਚ ਇੱਕੋ ਜਿਹਾ ਨਹੀਂ ਹੈ। ਸੰਯੁਕਤ ਰਾਜ ਵਿੱਚ, ਅਪਣਾਉਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਵਿਅਕਤੀਗਤ ਉਤਪਾਦਕਤਾ ਦੀ ਇੱਛਾ ਅਤੇ ਸ਼ੁਰੂਆਤੀ ਤਕਨੀਕੀ ਏਕੀਕਰਣ ਦੇ ਸੱਭਿਆਚਾਰ ਦੁਆਰਾ ਚਲਾਈ ਜਾਂਦੀ ਹੈ। ਬਹੁਤ ਸਾਰੇ ਕਰਮਚਾਰੀ ਇਨ੍ਹਾਂ ਟੂਲਸ ਨੂੰ ਚੋਰੀ-ਛਿਪੇ ਵਰਤ ਰਹੇ ਹਨ, ਭਾਵੇਂ ਉਨ੍ਹਾਂ ਦੀਆਂ ਕੰਪਨੀਆਂ ਕੋਲ ਅਜੇ ਕੋਈ ਅਧਿਕਾਰਤ ਨੀਤੀ ਨਾ ਹੋਵੇ। ਇਹ ਇੱਕ ਸ਼ੈਡੋ IT ਵਾਤਾਵਰਣ ਬਣਾ ਰਿਹਾ ਹੈ ਜਿੱਥੇ ਅਧਿਕਾਰਤ ਉਤਪਾਦਕਤਾ ਸੰਖਿਆਵਾਂ ਅਸਲ ਵਿੱਚ ਕੀਤੇ ਜਾ ਰਹੇ ਕੰਮ ਨੂੰ ਨਹੀਂ ਦਰਸਾ ਸਕਦੀਆਂ ਹਨ। ਇਸ ਦੇ ਉਲਟ, ਯੂਰਪੀਅਨ ਯੂਨੀਅਨ ਵਧੇਰੇ ਨਿਯੰਤ੍ਰਿਤ ਪਹੁੰਚ ਅਪਣਾ ਰਹੀ ਹੈ। ਉੱਥੇ ਧਿਆਨ ਡੇਟਾ ਗੋਪਨੀਯਤਾ ‘ਤੇ ਹੈ ਅਤੇ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਹੈ ਕਿ AI ਭਰਤੀ ਜਾਂ ਕ੍ਰੈਡਿਟ ਸਕੋਰਿੰਗ ਵਰਗੇ ਸੰਵੇਦਨਸ਼ੀਲ ਖੇਤਰਾਂ ਵਿੱਚ ਮਨੁੱਖੀ ਨਿਰਣੇ ਦੀ ਥਾਂ ਨਾ ਲਵੇ। ਇਸ ਰੈਗੂਲੇਟਰੀ ਵਾਤਾਵਰਣ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਯੂਰਪ ਵਿੱਚ ਕੰਪਨੀਆਂ ਅਕਸਰ ਇਨ੍ਹਾਂ ਟੂਲਸ ਨੂੰ ਤੈਨਾਤ ਕਰਨ ਵਿੱਚ ਹੌਲੀ ਹੁੰਦੀਆਂ ਹਨ ਪਰ ਵਧੇਰੇ ਮਜ਼ਬੂਤ ਗਾਰਡਰੇਲ ਨਾਲ ਅਜਿਹਾ ਕਰਦੀਆਂ ਹਨ। ਇਹ ਇੱਕ ਦਿਲਚਸਪ ਵੰਡ ਪੈਦਾ ਕਰਦਾ ਹੈ ਕਿ ਵੱਖ-ਵੱਖ ਖੇਤਰਾਂ ਵਿੱਚ ਕੰਮ ਕਿਵੇਂ ਵਿਕਸਿਤ ਹੋ ਰਿਹਾ ਹੈ।

ਏਸ਼ੀਆ ਵਿੱਚ, ਖਾਸ ਤੌਰ ‘ਤੇ ਸਿੰਗਾਪੁਰ ਅਤੇ ਸਿਓਲ ਵਰਗੇ ਤਕਨੀਕੀ ਹੱਬਾਂ ਵਿੱਚ, ਏਕੀਕਰਣ ਅਕਸਰ ਉੱਪਰ ਤੋਂ ਹੇਠਾਂ ਵੱਲ ਹੁੰਦਾ ਹੈ। ਸਰਕਾਰਾਂ ਵਧਦੀ ਉਮਰ ਵਾਲੀ ਆਬਾਦੀ ਅਤੇ ਸੁੰਗੜਦੇ ਲੇਬਰ ਪੂਲ ਨਾਲ ਲੜਨ ਲਈ AI ਸਾਖਰਤਾ ਨੂੰ ਰਾਸ਼ਟਰੀ ਤਰਜੀਹ ਵਜੋਂ ਅੱਗੇ ਵਧਾ ਰਹੀਆਂ ਹਨ। ਉਹ ਆਟੋਮੇਸ਼ਨ ਨੂੰ ਆਰਥਿਕ ਬਚਾਅ ਲਈ ਇੱਕ ਲੋੜ ਵਜੋਂ ਦੇਖਦੇ ਹਨ। ਇਸ ਗਲੋਬਲ ਪਰਿਵਰਤਨ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਇੱਕ ਬਹੁ-ਰਾਸ਼ਟਰੀ ਕੰਪਨੀ ਦੀਆਂ ਤਿੰਨ ਵੱਖ-ਵੱਖ AI ਨੀਤੀਆਂ ਹੋ ਸਕਦੀਆਂ ਹਨ, ਇਸ ਗੱਲ ‘ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ ਕਿ ਇਸਦੇ ਦਫ਼ਤਰ ਕਿੱਥੇ ਸਥਿਤ ਹਨ। ਸਾਂਝਾ ਧਾਗਾ ਇਹ ਹੈ ਕਿ ਹਰ ਕੋਈ ਘੱਟ ਨਾਲ ਜ਼ਿਆਦਾ ਕਰਨ ਦਾ ਤਰੀਕਾ ਲੱਭ ਰਿਹਾ ਹੈ। Reuters ਦੀ ਇੱਕ ਰਿਪੋਰਟ ਸੁਝਾਅ ਦਿੰਦੀ ਹੈ ਕਿ ਇਨ੍ਹਾਂ ਟੂਲਸ ਦਾ ਆਰਥਿਕ ਪ੍ਰਭਾਵ ਟ੍ਰਿਲੀਅਨਾਂ ਦੇ ਬਰਾਬਰ ਹੋ ਸਕਦਾ ਹੈ, ਪਰ ਸਿਰਫ ਤਾਂ ਹੀ ਜੇਕਰ ਲਾਗੂਕਰਨ ਸਹੀ ਢੰਗ ਨਾਲ ਕੀਤਾ ਜਾਵੇ। ਜੇਕਰ ਕੰਪਨੀਆਂ ਸਿਰਫ਼ AI ਦੀ ਵਰਤੋਂ ਦੁਨੀਆ ਨੂੰ ਹੋਰ ਘੱਟ-ਗੁਣਵੱਤਾ ਵਾਲੀ ਸਮੱਗਰੀ ਨਾਲ ਭਰਨ ਲਈ ਕਰਦੀਆਂ ਹਨ, ਤਾਂ ਉਤਪਾਦਕਤਾ ਲਾਭ ਸ਼ੋਰ ਦੁਆਰਾ ਖਤਮ ਹੋ ਜਾਣਗੇ।

ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੇ ਕਿਰਤ ਵਿਚਕਾਰ ਇੱਕ ਵਧ ਰਿਹਾ ਪਾੜਾ ਵੀ ਹੈ। ਵਿੱਤ, ਕਾਨੂੰਨ ਅਤੇ ਮਾਰਕੀਟਿੰਗ ਵਿੱਚ ਗਿਆਨ ਕਰਮਚਾਰੀ ਸਭ ਤੋਂ ਤੁਰੰਤ ਤਬਦੀਲੀਆਂ ਦੇਖ ਰਹੇ ਹਨ। ਹਾਲਾਂਕਿ, ਇਹ ਤਬਦੀਲੀਆਂ ਹਮੇਸ਼ਾ ਸਕਾਰਾਤਮਕ ਨਹੀਂ ਹੁੰਦੀਆਂ। ਕੁਝ ਮਾਮਲਿਆਂ ਵਿੱਚ, ਆਉਟਪੁੱਟ ਦੀ ਉਮੀਦ AI ਦੀ ਗਤੀ ਨਾਲ ਮੇਲ ਖਾਂਦੀ ਵਧ ਗਈ ਹੈ। ਜੇਕਰ ਕੋਈ ਕੰਮ ਜੋ ਪਹਿਲਾਂ ਪੰਜ ਘੰਟੇ ਲੈਂਦਾ ਸੀ, ਹੁਣ ਇੱਕ ਘੰਟਾ ਲੈਂਦਾ ਹੈ, ਤਾਂ ਕੁਝ ਪ੍ਰਬੰਧਕ ਪੰਜ ਗੁਣਾ ਕੰਮ ਦੀ ਉਮੀਦ ਕਰਦੇ ਹਨ। ਇਹ ਬਰਨਆਉਟ ਅਤੇ ਇਹ ਮਹਿਸੂਸ ਕਰਨ ਵੱਲ ਲੈ ਜਾਂਦਾ ਹੈ ਕਿ ਤਕਨਾਲੋਜੀ ਇੱਕ ਟੂਲ ਦੀ ਬਜਾਏ ਇੱਕ ਟ੍ਰੈਡਮਿਲ ਹੈ। ਗਲੋਬਲ ਗੱਲਬਾਤ ਹੌਲੀ-ਹੌਲੀ ਇਸ ਗੱਲ ਤੋਂ ਬਦਲ ਰਹੀ ਹੈ ਕਿ ਅਸੀਂ ਕਿੰਨਾ ਸਮਾਂ ਬਚਾ ਸਕਦੇ ਹਾਂ, ਇਸ ਗੱਲ ਵੱਲ ਕਿ ਸਾਨੂੰ ਬਚੇ ਹੋਏ ਸਮੇਂ ਨੂੰ ਕਿਵੇਂ ਬਿਤਾਉਣਾ ਚਾਹੀਦਾ ਹੈ। ਇਹ ਕੰਮ ਦੇ ਅਗਲੇ ਦਹਾਕੇ ਲਈ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਸਵਾਲ ਹੈ।

ਜਿੱਥੇ ਮਿੰਟ ਅਸਲ ਵਿੱਚ ਬਚਾਏ ਜਾਂਦੇ ਹਨ

ਇਹ ਅਮਲ ਵਿੱਚ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ, ਇਹ ਦੇਖਣ ਲਈ, ਆਓ ਇੱਕ ਮਿਡ-ਲੈਵਲ ਮਾਰਕੀਟਿੰਗ ਮੈਨੇਜਰ ਦੇ ਦਿਨ ‘ਤੇ ਨਜ਼ਰ ਮਾਰੀਏ। AI ਤੋਂ ਪਹਿਲਾਂ, ਉਸਦੀ ਸਵੇਰ ਰਾਤ ਭਰ ਕੀ ਹੋਇਆ ਇਹ ਸਮਝਣ ਲਈ ਚਾਲੀ ਈਮੇਲਾਂ ਅਤੇ ਤਿੰਨ Slack ਚੈਨਲਾਂ ਨੂੰ ਪੜ੍ਹਨ ਦੇ ਇੱਕ ਘੰਟੇ ਨਾਲ ਸ਼ੁਰੂ ਹੁੰਦੀ ਸੀ। ਹੁਣ, ਉਹ ਇੱਕ ਸਾਰ ਟੂਲ ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ ਜੋ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਅਪਡੇਟਾਂ ਦਾ ਪੰਜ-ਪੈਰਾਗ੍ਰਾਫ ਦਾ ਬ੍ਰੀਫਿੰਗ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਉਹ ਦੋ ਜ਼ਰੂਰੀ ਮੁੱਦਿਆਂ ਦੀ ਪਛਾਣ ਕਰਦੀ ਹੈ ਅਤੇ AI ਨੂੰ ਪਿਛਲੇ ਪ੍ਰੋਜੈਕਟ ਨੋਟਸ ਦੇ ਅਧਾਰ ‘ਤੇ ਜਵਾਬ ਤਿਆਰ ਕਰਨ ਲਈ ਕਹਿੰਦੀ ਹੈ। ਸਵੇਰੇ 9:30 ਵਜੇ ਤੱਕ, ਉਸਨੇ ਉਹ ਕੰਮ ਪੂਰਾ ਕਰ ਲਿਆ ਹੈ ਜਿਸ ਵਿੱਚ ਪਹਿਲਾਂ ਦੁਪਹਿਰ ਤੱਕ ਦਾ ਸਮਾਂ ਲੱਗਦਾ ਸੀ। ਇਹ ਇੱਕ ਠੋਸ, ਰੋਜ਼ਾਨਾ ਦੀ ਜਿੱਤ ਹੈ। ਇੱਥੇ ਬਚਾਇਆ ਗਿਆ ਸਮਾਂ ਸਿਧਾਂਤਕ ਨਹੀਂ ਹੈ। ਇਹ ਉਸਦੇ ਸ਼ਡਿਊਲ ਵਿੱਚ ਵਾਪਸ ਆਏ ਸਿੱਧੇ ਦੋ ਅਤੇ ਅੱਧੇ ਘੰਟੇ ਹਨ। ਉਹ ਫਿਰ ਉਸ ਸਮੇਂ ਦੀ ਵਰਤੋਂ ਰਣਨੀਤਕ ਯੋਜਨਾਬੰਦੀ ਜਾਂ ਆਪਣੀ ਟੀਮ ਨਾਲ ਮੀਟਿੰਗ ਕਰਨ ਲਈ ਕਰ ਸਕਦੀ ਹੈ, ਅਜਿਹੇ ਕੰਮ ਜਿਨ੍ਹਾਂ ਲਈ ਮਨੁੱਖੀ ਹਮਦਰਦੀ ਅਤੇ ਗੁੰਝਲਦਾਰ ਫੈਸਲੇ ਲੈਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।

ਉਸਦੇ ਦਿਨ ਦੇ ਮੱਧ ਵਿੱਚ ਇੱਕ ਨਵੀਂ ਮੁਹਿੰਮ ਲਈ ਪ੍ਰਸਤਾਵ ਬਣਾਉਣਾ ਸ਼ਾਮਲ ਹੈ। ਇੱਕ ਖਾਲੀ ਪੰਨੇ ‘ਤੇ ਘੂਰਨ ਦੀ ਬਜਾਏ, ਉਹ AI ਨੂੰ ਆਪਣੇ ਮੁੱਖ ਟੀਚੇ, ਨਿਸ਼ਾਨਾ ਦਰਸ਼ਕ ਅਤੇ ਬਜਟ ਦਿੰਦੀ ਹੈ। ਟੂਲ ਤਿੰਨ ਵੱਖ-ਵੱਖ ਸੰਰਚਨਾਤਮਕ ਵਿਕਲਪ ਤਿਆਰ ਕਰਦਾ ਹੈ। ਉਹ ਹਰ ਇੱਕ ਦੇ ਸਭ ਤੋਂ ਵਧੀਆ ਹਿੱਸੇ ਚੁਣਦੀ ਹੈ ਅਤੇ ਟੋਨ ਨੂੰ ਸੁਧਾਰਨ ਅਤੇ ਡੇਟਾ ਦੀ ਜਾਂਚ ਕਰਨ ਵਿੱਚ ਇੱਕ ਘੰਟਾ ਬਿਤਾਉਂਦੀ ਹੈ। ਇੱਥੇ ਹੀ ਜਨਤਕ ਧਾਰਨਾ ਅਤੇ ਅਸਲੀਅਤ ਵਿਚਕਾਰ ਅੰਤਰ ਸਭ ਤੋਂ ਸਪੱਸ਼ਟ ਹੈ। ਲੋਕ ਸੋਚਦੇ ਹਨ ਕਿ AI ਪ੍ਰਸਤਾਵ ਲਿਖਦਾ ਹੈ। ਅਸਲੀਅਤ ਵਿੱਚ, AI ਇੱਕ ਸੰਰਚਨਾਤਮਕ ਸਕੈਫੋਲਡਿੰਗ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜਿਸ ‘ਤੇ ਮਨੁੱਖ ਫਿਰ ਉਸਾਰੀ ਕਰਦਾ ਹੈ। ਸਮੇਂ ਦੀ ਬੱਚਤ