নতুন পারফরম্যান্স রিভিউ মেট্রিক যা কেউ চেয়েছিল না
কর্পোরেট পারফরম্যান্স ব্যবস্থাপনার কোথাও, কেউ একটি ধারণা পেল: যদি আমরা AI টোকেনের জন্য অর্থ প্রদান করছি, তবে আমরা পরিমাপ করতে সক্ষম হওয়া উচিত কে সেগুলি সবচেয়ে বেশি ব্যবহার করছে। এবং এইভাবে একটি নতুন কর্মক্ষেত্র মেট্রিক জন্ম নিয়েছে — AI টোকেন ব্যবহার উত্পাদনশীলতা এবং নিয়োজিততার প্রতিনিধিত্ব হিসাবে।
রিপোর্ট প্রকাশ পাচ্ছে যে কিছু প্রযুক্তি কোম্পানি, তাদের AI প্ল্যাটফর্ম বিনিয়োগকে ন্যায্যতা দিতে এবং প্রাথমিক গ্রহণকারীদের চিহ্নিত করার জন্য আগ্রহী, কর্মচারীরা কতদ্রুত large language model টোকেন ব্যয় করে তা পর্যবেক্ষণ করছে। যত বেশি টোকেন ব্যবহার করা হয়, কর্মচারী যত বেশি AI-এর সাথে জড়িত থাকা উচিত — বা তাই যুক্তি যায়। এটি একটি ব্যবস্থাপনামূলক যুক্তি যা সাতশত মাত্র তিশ সেকেন্ডের জন্য পরীক্ষা করা পর্যন্ত যুক্তিসঙ্গত মনে হয়।
কেন টোকেন গণনা একটি ভয়ঙ্করী উত্পাদনশীলতা মেট্রিক
টোকেন ব্যবহার AI ব্যবহার পরিমাপ করে, কাজের আউটপুট নয়। একজন ডেভেলপার যিনি Claude বা Copilot ব্যবহার করে একটি কোডিং সমস্যার জন্য পাঁচটি বিকল্প পদ্ধতি তৈরি করেন, তারপর সেরাটি নির্বাচন করেন, অনেক বেশি টোকেন ব্যবহার করেন একজন ডেভেলপারের তুলনায় যিনি প্রথম চেষ্টায় স্বাধীনভাবে পরিষ্কার কোড লেখেন। টোকেন-ব্যবহার মেট্রিক অনুযায়ী, প্রথম ডেভেলপার উচ্চতর রেট করেন — যদিও দ্বিতীয়টি আরও ভাল কাজ তৈরি করতে পারে।
মেট্রিকটি অন্য উপায়েও প্রণোদনা কাঠামো বিপরীত করে। যে কর্মচারীরা AI-এর সীমাবদ্ধতা বোঝেন এবং এটি বিচক্ষণভাবে ব্যবহার করেন তারা স্বাভাবিকভাবে যারা উন্নত ফলাফলের আশা করে বারবার প্রম্পট করেন তাদের তুলনায় কম টোকেন ব্যবহার করবেন। মেট্রিকটি বিবেচনার চেয়ে ভলিউমকে পুরস্কৃত করে।
স্পষ্ট গেমিংয়ের সমস্যাও রয়েছে। একবার কর্মচারীরা জানলে যে তাদের টোকেন ব্যবহারের উপর ভিত্তি করে মূল্যায়ন করা হচ্ছে, তারা প্রম্পট তৈরি করবে। অনেক প্রম্পট। প্রয়োজনে অর্থহীন প্রম্পট। কর্পোরেট ইতিহাস এমন মেট্রিক্সের উদাহরণে পূর্ণ যা গেমিং করা সহজ ছিল এবং দ্রুত প্রাথমিক আউটপুট হয়ে উঠল যা তারা পরিমাপ করার কথা ছিল।
গভীর সমস্যা: AI গ্রহণ ভুলভাবে পরিমাপ করা
এই মেট্রিক্সের পিছনে আবেগ সম্পূর্ণ অবিচেতনা নয়। যে সংস্থাগুলি AI প্ল্যাটফর্মে ব্যাপকভাবে বিনিয়োগ করেছে তারা জানতে চায় সেই বিনিয়োগগুলি রিটার্ন উৎপন্ন করছে কিনা। যে কর্মচারীরা উপলব্ধ সরঞ্জামগুলি ব্যবহার করছেন না তাদের চিহ্নিত করা — এবং বোঝা কেন — একটি বৈধ ব্যবস্থাপনামূলক উদ্বেগ।
কিন্তু টোকেন ব্যবহার সর্বোত্তমে একটি নেতৃস্থানীয় সূচক, এবং সর্বনিম্নে বিভ্রান্তিকর। যা সত্যিই গুরুত্বপূর্ণ তা হল AI কর্মের আউটপুট পরিবর্তন করছে কিনা: কাজে সম্পূর্ণতার সময় হ্রাস করা, গুণমান উন্নত করা, আগে যা সম্ভব ছিল না তা সক্ষম করা, বা উচ্চ-মূল্যের ক্রিয়াকলাপের জন্য জ্ঞানীয় ক্ষমতা মুক্ত করা। এর কোনটিই API কল গণনা করে ক্যাপচার করা হয় না।
এই পদ্ধতি ব্যবহার করছেন এমন কোম্পানিগুলি সারাংশে ইনপুট পরিমাপ করছে কারণ আউটপুট সংজ্ঞায়িত এবং পরিমাপ করা আরও কঠিন। এটি একটি রূপান্তর সময়কালে বোধগম্য, কিন্তু একটি প্রতিনিধি মেট্রিকটিকে বাস্তব জিনিস হিসাবে বিবেচনা করা প্রযুক্তিতে একটি দীর্ঘ ইতিহাস সহ একটি ব্যবস্থাপনামূলক ব্যর্থতা।
এটি AI ইন্টিগ্রেশন সম্পর্কে কী প্রকাশ করে
টোকেন-ব্যবহার মেট্রিক্সের উত্থান প্রযুক্তি সংস্থাগুলিতে ব্যাপক উদ্বেগ প্রতিফলিত করে: অনুভূতি যে AI পরিবর্তনশীল কাজ দ্রুত গতিতে চলেছে যা ব্যবস্থাপনা কাঠামো মানিয়ে নিতে পারে। যে নেতারা বোঝেন যে AI গুরুত্বপূর্ণ কিন্তু এখনও এর সাংগঠনিক প্রভাব পরিমাপের জন্য স্পষ্ট কাঠামো তৈরি করেননি তারা যা কিছু সংখ্যা উপলব্ধ আছে তার জন্য পৌঁছাচ্ছেন।
এই পর্যায়টি অনুমানযোগ্য ছিল এবং সম্ভবত অস্থায়ী। ক্লাউড গ্রহণ মেট্রিক্স, agile বেগ পয়েন্ট এবং অসংখ্য অন্যান্য প্রযুক্তিগত রূপান্তরের সাথে একই প্যাটার্ন চলেছে। সংস্থাগুলি অবশেষে হাইপ চক্রের পরে আরও পরিশীলিত পরিমাপ উপায় তৈরি করে যা কঠোর চিন্তাভাবনা করতে বাধ্য করে।
AI যুগের ব্যবস্থাপনামূলক চ্যালেঞ্জ
কঠোর সত্য হল AI মৌলিকভাবে কর্মের আউটপুট অ্যাট্রিবিউশন জটিল করে তোলে। যখন একজন ডেভেলপার কোড তৈরি করে, কতটা ক্রেডিট তাদের বনাম AI-এর যা এটি তৈরি করেছে? যখন একজন ডিজাইনার একটি ধারণা সরবরাহ করে, আপনি AI-উত্পাদিত বিকল্পগুলিতে প্রয়োগ করা মানব সৃজনশীল রায়কে কীভাবে মূল্য দেন? যখন একজন লেখক একটি নিবন্ধ প্রকাশ করে, গবেষণা সহায়তা কোথায় শেষ হয় এবং সৃজনশীল অবদান শুরু হয়?
এই প্রশ্নগুলির পরিষ্কার উত্তর নেই, যার কারণে সংস্থাগুলি টোকেন ব্যবহারের মতো সহজ প্রতিনিধি মূল্যের জন্য পৌঁছাচ্ছে। কিন্তু যে কোম্পানিগুলি AI-সম্বর্ধিত কাজ সঠিকভাবে পরিমাপ করার উপায় খুঁজে বের করছে — AI ব্যবহার পরিমাপ করার পরিবর্তে — প্রতিভা বরাদ্দ, প্রণোদনা কাঠামো এবং AI-কে কার্যকরভাবে ব্যবহার করে এমন দলগুলি তৈরি করতে একটি উল্লেখযোগ্য সুবিধা থাকবে।
তখন পর্যন্ত, আরও সন্দেহজনক মেট্রিক্স, আরও কর্মচারী বিভ্রান্তি এবং আরও নিবন্ধের জন্য প্রস্তুত থাকুন যা ব্যাখ্যা করে যে টোকেন গণনা করা ভাল কাজ গণনা করার মতো নয়।
এই নিবন্ধ Gizmodo এর রিপোর্টিং এর উপর ভিত্তি করে। আসল নিবন্ধ পড়ুন।
