AI کی وجہ سے دفتری ملازمتیں کیسے بدل رہی ہیں

خالی صفحے کا خاتمہ

دفتری کام اب صفر سے شروع کرنے کا نام نہیں رہا۔ وائٹ کالر ملازمتوں میں سب سے بڑی تبدیلی ‘خالی صفحے’ کا خاتمہ ہے۔ زیادہ تر پیشہ ور افراد اب پہلے ڈرافٹ، خلاصے اور ابتدائی کوڈ بلاکس تیار کرنے کے لیے لارج لینگویج ماڈلز کا استعمال کرتے ہیں۔ اس نے افرادی قوت کی نچلی سطح کو بدل دیا ہے۔ جونیئر ملازمین جو پہلے بنیادی تحقیق یا ای میلز لکھنے میں گھنٹوں گزارتے تھے، اب وہ کام سیکنڈوں میں ہو جاتے ہیں۔ تاہم، یہ رفتار تصدیق کا ایک نیا بوجھ پیدا کرتی ہے۔ دفتری کارکن کا کردار اب تخلیق کار سے بدل کر ایڈیٹر کا ہو گیا ہے۔ آپ کو اب رپورٹ لکھنے کے پیسے نہیں ملتے، بلکہ اس بات کو یقینی بنانے کے پیسے ملتے ہیں کہ رپورٹ درست ہو اور اس میں کوئی غلط معلومات (hallucinations) نہ ہوں۔ **مصنوعی محنت** (synthetic labor) کی طرف اس منتقلی کا مطلب یہ ہے کہ کام کا حجم بڑھ رہا ہے جبکہ ہر انفرادی کام پر صرف ہونے والا وقت کم ہو رہا ہے۔ کمپنیاں بڑے پیمانے پر لوگوں کو نوکری سے نہیں نکال رہیں، لیکن وہ ایک ایسے ملازم سے اتنی آؤٹ پٹ کی توقع کر رہی ہیں جس کے لیے پہلے تین لوگوں کی ضرورت ہوتی تھی۔ قدر اب پیدا کرنے کی صلاحیت سے ہٹ کر فیصلہ کرنے کی صلاحیت کی طرف منتقل ہو رہی ہے۔ جو لوگ خودکار آؤٹ پٹ کے معیار کو نہیں پرکھ سکتے، وہ جلد ہی اپنی فرموں کے لیے بوجھ بن جائیں گے۔

پربابلیٹی انجن انسانی منطق کی نقل کیسے کرتے ہیں

یہ سمجھنے کے لیے کہ آپ کی ملازمت کیوں بدل رہی ہے، آپ کو یہ سمجھنا ہوگا کہ یہ ٹولز دراصل کیا ہیں۔ یہ سوچنے والی مشینیں نہیں ہیں، یہ پربابلیٹی انجن ہیں۔ جب آپ کسی ماڈل سے پروجیکٹ پروپوزل لکھنے کو کہتے ہیں، تو وہ آپ کی کمپنی کے اہداف پر غور نہیں کر رہا ہوتا۔ وہ صرف یہ حساب لگا رہا ہوتا ہے کہ موجودہ پروپوزلز کے ایک بڑے ڈیٹا سیٹ کی بنیاد پر، پچھلے لفظ کے بعد کون سا لفظ آنے کا امکان سب سے زیادہ ہے۔ اسی لیے آؤٹ پٹ اکثر عام سا لگتا ہے۔ یہ تعریف کے مطابق، سب سے اوسط ممکنہ جواب ہوتا ہے۔ یہ اوسط نوعیت میٹنگ کے خلاصوں یا معیاری کاروباری مواصلات جیسے معمول کے کاموں کے لیے بہترین ہے، لیکن یہ ان اہم ماحول میں ناکام ہو جاتی ہے جہاں باریکیوں کی ضرورت ہوتی ہے۔ یہ ٹیکنالوجی متن کو ٹوکنز میں توڑ کر کام کرتی ہے، جو حروف کے ایسے ٹکڑے ہوتے ہیں جنہیں ماڈل عددی طور پر پروسیس کرتا ہے۔ یہ اربوں پیرامیٹرز میں ان ٹوکنز کے باہمی تعلق کے پیٹرن کی شناخت کرتا ہے۔ جب کوئی ماڈل درست جواب دیتا ہے، تو اس کی وجہ یہ ہوتی ہے کہ وہ جواب اس کے ٹریننگ ڈیٹا میں سب سے زیادہ ممکنہ نتیجہ تھا۔ جب وہ جھوٹ بولتا ہے، تو اس کی وجہ یہ ہوتی ہے کہ وہ جھوٹ پرامپٹ کے سیاق و سباق کے لحاظ سے شماریاتی طور پر قابلِ فہم تھا۔ یہی وجہ ہے کہ نظرثانی اب بھی ضروری ہے۔ ماڈل کے پاس سچائی کا کوئی تصور نہیں ہوتا، صرف امکان کا تصور ہوتا ہے۔ اگر کوئی پیشہ ور سخت نظرثانی کے عمل کے بغیر ان ٹولز پر انحصار کرتا ہے، تو وہ مؤثر طریقے سے اپنی ساکھ ایک ایسے کیلکولیٹر کے حوالے کر رہا ہے جسے گنتی کرنا نہیں آتا۔

عالمی مراکز کی عظیم ری سکلنگ

اس ٹیکنالوجی کا اثر پوری دنیا میں یکساں نہیں ہے۔ بھارت اور فلپائن جیسے آؤٹ سورسنگ مراکز کو سب سے زیادہ فوری دباؤ کا سامنا ہے۔ جو کام پہلے بیرون ملک بھیجے جاتے تھے، جیسے بنیادی ڈیٹا انٹری، کسٹمر سپورٹ، اور نچلی سطح کی کوڈنگ، اب اندرونی خودکار سسٹمز کے ذریعے سنبھالے جا رہے ہیں۔ یہ عالمی لیبر مارکیٹس کے لیے ایک بہت بڑی تبدیلی ہے۔ ایک خودکار استفسار (query) کی قیمت ایک سینٹ کے ایک حصے کے برابر ہے، جس کی وجہ سے سب سے سستی انسانی محنت کے لیے بھی قیمت کی بنیاد پر مقابلہ کرنا ناممکن ہو گیا ہے۔ اس لیے ان خطوں کے کارکنوں کے لیے ویلیو چین میں اوپر جانا ضروری ہو گیا ہے۔ انہیں پیچیدہ مسائل کو حل کرنے اور ثقافتی سیاق و سباق پر توجہ مرکوز کرنی چاہیے جسے سمجھنے میں مشینیں اب بھی جدوجہد کر رہی ہیں۔ ہم ایک