AI-ஆல் அலுவலகப் பணிகள் எப்படி மாறுகின்றன? 2026
வெற்றுப் பக்கத்தின் முடிவு
அலுவலகப் பணிகள் இப்போது பூஜ்யத்திலிருந்து தொடங்குவதில்லை. வெள்ளை காலர் தொழிலாளர்களிடையே ஏற்பட்டுள்ள மிகப்பெரிய மாற்றம், ‘வெற்றுப் பக்கம்’ (blank page) என்ற கருத்தாக்கத்தின் அழிவுதான். பெரும்பாலான பணியாளர்கள் இப்போது பெரிய லாங்குவேஜ் மாடல்களைப் பயன்படுத்தி முதல் வரைவுகள், சுருக்கங்கள் மற்றும் ஆரம்பகால கோட் பிளாக்குகளை உருவாக்குகிறார்கள். இது பணியிடத்தின் நுழைவு நிலையை மாற்றியுள்ளது. முன்பு அடிப்படை ஆராய்ச்சி அல்லது மின்னஞ்சல் எழுத மணிக்கணக்கில் செலவிட்ட ஜூனியர் ஊழியர்கள், இப்போது அந்தப் பணிகளை நொடிகளில் முடிக்கிறார்கள். இருப்பினும், இந்த வேகம் சரிபார்ப்பு என்ற புதிய சுமையை உருவாக்கியுள்ளது. அலுவலக ஊழியரின் பங்கு, உருவாக்குபவர் என்பதிலிருந்து எடிட்டர் (editor) என்பதாக மாறியுள்ளது. நீங்கள் இனி அறிக்கையை எழுதுவதற்காக ஊதியம் பெறுவதில்லை; அந்த அறிக்கை துல்லியமாகவும், தவறான தகவல்கள் (hallucinations) இல்லாமலும் இருப்பதை உறுதி செய்வதற்காகவே ஊதியம் பெறுகிறீர்கள். இந்த **செயற்கை உழைப்பு** (synthetic labor) மாற்றத்தால், வேலையின் அளவு அதிகரித்து, ஒவ்வொரு பணிக்கும் செலவிடும் நேரம் குறைகிறது. நிறுவனங்கள் பெரிய அளவில் ஆட்குறைப்பு செய்யாவிட்டாலும், முன்பு மூன்று பேர் செய்த வேலையை இப்போது ஒருவரே செய்ய வேண்டும் என்று எதிர்பார்க்கின்றன. மதிப்பு என்பது உருவாக்குவதில் இல்லை, தீர்மானிப்பதில் உள்ளது. தானியங்கி வெளியீட்டின் தரத்தை மதிப்பிடத் தெரியாதவர்கள், தங்கள் நிறுவனங்களுக்கு விரைவில் சுமையாகிவிடுவார்கள்.
மனித தர்க்கத்தை நிகழ்தகவு இயந்திரங்கள் எவ்வாறு பிரதிபலிக்கின்றன?
உங்கள் வேலை ஏன் மாறுகிறது என்பதைப் புரிந்துகொள்ள, இந்த டூல்கள் உண்மையில் என்ன என்பதை நீங்கள் அறிய வேண்டும். இவை சிந்திக்கும் இயந்திரங்கள் அல்ல; இவை நிகழ்தகவு இயந்திரங்கள் (probability engines). ஒரு புராஜெக்ட் புரோபோசலை எழுத நீங்கள் ஒரு மாடலிடம் கேட்கும்போது, அது உங்கள் நிறுவனத்தின் இலக்குகளைப் பற்றி சிந்திப்பதில்லை. ஏற்கனவே உள்ள ஆயிரக்கணக்கான புரோபோசல்களைக் கொண்ட டேட்டாசெட் அடிப்படையில், ஒரு சொல்லுக்குப் பின் எந்தச் சொல் வர அதிக வாய்ப்புள்ளது என்பதைக் கணக்கிடுகிறது. இதனால்தான் இதன் வெளியீடு பொதுவானதாகத் தோன்றுகிறது. இது மிகவும் சராசரியான பதிலைத் தருகிறது. மீட்டிங் சுருக்கங்கள் அல்லது சாதாரண பிசினஸ் கம்யூனிகேஷன் போன்ற வழக்கமான பணிகளுக்கு இது சரியாக இருந்தாலும், நுணுக்கம் தேவைப்படும் உயர்-நிலைச் சூழல்களில் இது தோல்வியடைகிறது. இந்தத் தொழில்நுட்பம் உரையை டோக்கன்களாக (tokens) உடைத்து, அவற்றை எண் வடிவில் செயலாக்குகிறது. பில்லியன் கணக்கான பாராமீட்டர்கள் மூலம் இந்த டோக்கன்கள் எவ்வாறு தொடர்பு கொள்கின்றன என்பதை இது கண்டறிகிறது. ஒரு மாடல் சரியான பதிலை அளிக்கிறது என்றால், அதன் பயிற்சி தரவுகளில் அந்தப் பதில் மிகவும் சாத்தியமானதாக இருந்ததே காரணம். அது பொய் சொல்கிறது என்றால், அந்தப் பொய் ப்ராம்ப்ட் (prompt) சூழலில் புள்ளிவிவரப்படி நம்பகமானதாக இருந்ததே காரணம். இதனால்தான் ஆய்வு அவசியம். ஒரு மாடலுக்கு உண்மையை அறியும் திறன் இல்லை; அதற்கு நிகழ்தகவு மட்டுமே தெரியும். ஒரு பணியாளர் கடுமையான ஆய்வு செயல்முறை இல்லாமல் இந்த டூல்களை நம்பினால், அவர்கள் தங்கள் நற்பெயரை எண்ணத் தெரியாத ஒரு கால்குலேட்டரிடம் ஒப்படைக்கிறார்கள் என்று அர்த்தம்.
உலகளாவிய மையங்களில் மறு-திறன் மேம்பாடு
இந்தத் தொழில்நுட்பத்தின் தாக்கம் உலகம் முழுவதும் சமமாக இல்லை. இந்தியா மற்றும் பிலிப்பைன்ஸ் போன்ற அவுட்சோர்சிங் மையங்கள் உடனடி அழுத்தத்தைச் சந்திக்கின்றன. அடிப்படை டேட்டா என்ட்ரி, கஸ்டமர் சப்போர்ட் மற்றும் லோ-லெவல் கோடிங் போன்ற பணிகள் இப்போது உள்நாட்டு தானியங்கி அமைப்புகளால் கையாளப்படுகின்றன. இது உலகளாவிய தொழிலாளர் சந்தையில் ஒரு மிகப்பெரிய மாற்றம். ஒரு தானியங்கி வினவலின் (query) செலவு மிகக் குறைவு என்பதால், மனித உழைப்பு விலையில் போட்டியிடுவது சாத்தியமற்றதாகிறது. எனவே, இந்தப் பகுதிகளில் உள்ள தொழிலாளர்கள் மதிப்புச் சங்கிலியில் (value chain) முன்னேற வேண்டியது அவசியம். இயந்திரங்கள் புரிந்துகொள்ள சிரமப்படும் சிக்கலான சிக்கல்களைத் தீர்ப்பதிலும், கலாச்சாரச் சூழலைப் புரிந்துகொள்வதிலும் அவர்கள் கவனம் செலுத்த வேண்டும். இயந்திரம் கடினமான வேலைகளைச் செய்ய, மனிதன் இறுதிச் சரிபார்ப்பைச் செய்யும்
