অ্যামাজনের 'টোকেনম্যাক্সিং' সমস্যার ভিতরে

যখন AI গ্রহণের লক্ষ্য আচরণকে প্রভাবিত করতে শুরু করে

অ্যামাজনের কর্মীরা নাকি একটি অভ্যন্তরীণ AI টুল ব্যবহার করছেন, যা অপ্রয়োজনীয় কাজ স্বয়ংক্রিয় করে কোম্পানির AI সিস্টেম ব্যবহারের পরিমাণ বাড়িয়ে দেখায়। Financial Times থেকে Ars Technica-র প্রতিবেদনে বর্ণিত এই প্রথাকে কোম্পানির ভিতরে “টোকেনম্যাক্সিং” বলা হচ্ছে। নামটি মজার শোনালেও, মূল সমস্যাটি গুরুতর: ব্যবস্থাপনা যখন AI গ্রহণকে একটি মেট্রিক হিসেবে জোর দেয়, তখন মানুষ উপযোগী কাজের বদলে সেই মেট্রিকটাই অপ্টিমাইজ করতে পারে।

প্রতিবেদন অনুযায়ী, অ্যামাজন MeshClaw নামে একটি অভ্যন্তরীণ পণ্য ব্যাপকভাবে চালু করেছে, যা কর্মীদের কর্মস্থলের সফটওয়্যারের সঙ্গে সংযুক্ত AI এজেন্ট তৈরি করতে এবং সেগুলোকে ব্যবহারকারীর হয়ে কাজ করাতে দেয়। বেশ কিছু কর্মী বলেছেন, সহকর্মীরা সিস্টেমটি ব্যবহার করে অতিরিক্ত, অপ্রয়োজনীয় AI কার্যকলাপ তৈরি করছিলেন, যাতে টোকেন খরচ বাড়ে, অর্থাৎ মডেল দ্বারা প্রক্রিয়াকৃত ডেটার একক বাড়ে।

এই আচরণের পেছনের প্রণোদনা

নিবন্ধটি বলছে, অ্যামাজন সপ্তাহে ৮০ শতাংশের বেশি ডেভেলপারকে AI ব্যবহার করতে লক্ষ্য নির্ধারণ করেছিল এবং বছরের শুরুতে অভ্যন্তরীণ লিডারবোর্ডে AI টোকেন খরচ ট্র্যাক করা শুরু করেছিল। যদিও অ্যামাজন নাকি কর্মীদের বলেছিল যে টোকেন পরিসংখ্যান পারফরম্যান্স মূল্যায়নে ব্যবহার হবে না, তবু একাধিক কর্মী বলেছেন তারা মনে করতেন ম্যানেজাররা সেই ডেটা দেখছিলেন।

এটাই সেই ধরনের অস্পষ্টতা, যা প্রদর্শনমূলক ব্যবহারকে জন্ম দেয়। কর্মীরা যদি মনে করেন যে মাপা একটি আচরণ তাদের অবস্থানকে প্রভাবিত করতে পারে, তবে তারা প্রায়ই দৃশ্যমান সংকেতটিকে সর্বোচ্চ করার চেষ্টা করবে, যদিও অন্তর্নিহিত কাজে খুব কম বা কোনো মূল্য না-ই থাকে। এখানে এর মানে হতে পারে AI-কে এমন কাজে ব্যবহার করা, যেগুলোকে স্বয়ংক্রিয় করার দরকারই ছিল না, বা মূলত এমন কার্যকলাপ তৈরি করা যাতে মেট্রিক অংশগ্রহণ দেখায়।

প্রতিবেদনটিতে এক কর্মীকে উদ্ধৃত করা হয়েছে, যিনি বলেছেন টুল ব্যবহার করার “অনেক চাপ” ছিল, আরেকজন বলেছেন ম্যানেজাররা ব্যবহার-সংক্রান্ত ডেটা দেখছিলেন। ওই পরিসংখ্যানগুলো আনুষ্ঠানিকভাবে রিভিউতে প্রভাব ফেলে কি না, তা আলাদা কথা; কিন্তু সেগুলো গুরুত্বপূর্ণ বলে ধারণা করাই কাজের আচরণ বদলাতে যথেষ্ট হতে পারে। কোনো মেট্রিককে আনুষ্ঠানিক পারফরম্যান্স মানদণ্ড হতে হয় না, যাতে তা অনানুষ্ঠানিক ক্ষমতার সংকেত হয়ে ওঠে।

অ্যামাজনের বাইরেও কেন এটা গুরুত্বপূর্ণ

কোম্পানিনির্দিষ্ট বিশদ গুরুত্বপূর্ণ, কিন্তু বৃহত্তর সমস্যাটি একক নিয়োগকর্তার অনেক বাইরে। টেকনোলজি খাতে কোম্পানিগুলি বড় AI বিনিয়োগ থেকে ফল দেখাতে চাইছে, আর একই সঙ্গে জেনারেটিভ টুলকে দৈনন্দিন ওয়ার্কফ্লোতে আরও গভীরভাবে ঢুকিয়ে দিচ্ছে। এমন পরিবেশে, গ্রহণ-সংক্রান্ত সংখ্যা কৌশলগত গতির প্রতীক হয়ে উঠতে পারে।

সমস্যা হলো, গ্রহণ আর উৎপাদনশীলতা এক জিনিস নয়। একটি কর্মীবাহিনী চিত্তাকর্ষক ব্যবহার-সংখ্যা তৈরি করতে পারে, অথচ আউটপুট, গুণমান বা গতিতে সমান অনুপাতের লাভ নাও হতে পারে। আসলে, কর্মীরা যদি টোকেন সংখ্যা বাড়াতে নিম্ন-মূল্যের কাজ স্বয়ংক্রিয় করতে শুরু করে, তাহলে সেই ডেটা নেতৃত্বকে বিভ্রান্ত করতে পারে, কারণ এতে টুল-এনগেজমেন্ট বাস্তবে যতটা নয়, তার চেয়ে স্বাস্থ্যকর মনে হবে।

MeshClaw এবং এজেন্টিক অফিস সফটওয়্যারের বৃদ্ধি

অ্যামাজনের MeshClaw-কে এমন একটি সিস্টেম হিসেবে বর্ণনা করা হয়েছে, যা কর্মীদের AI এজেন্ট তৈরি করতে দেয়, এবং সেগুলো কর্মস্থলের সফটওয়্যারের সঙ্গে সংযুক্ত হয়ে ব্যবহারকারীর হয়ে কাজ করতে পারে। এটি এজেন্টিক এন্টারপ্রাইজ টুলের বিস্তৃত পরিবর্তনের অংশ, যেখানে মডেল শুধু প্রশ্নের উত্তরই দেয় না, বরং কাজ শুরু করে, সিস্টেমগুলোর মধ্যে তথ্য সরায়, এবং অপারেশনাল কাজ সামলায়।

এ ধরনের টুলের আকর্ষণ স্পষ্ট। এগুলো লিভারেজের প্রতিশ্রুতি দেয়: কম ম্যানুয়াল ধাপ, দ্রুত কাজ শেষ করা, এবং পুনরাবৃত্ত ডিজিটাল কাজ অর্পণ করার ক্ষমতা। কিন্তু এগুলো প্রতিষ্ঠানের ভেতরে একটি নতুন রিপোর্টিং পৃষ্ঠও তৈরি করে। যদি প্রতিটি কাজ গণনা করা যায়, প্রতিটি কর্মীকে র‍্যাঙ্ক করা যায়, আর প্রতিটি টোকেনকে ট্রেস করা যায়, তবে AI ব্যবহার নিজেই একটি ম্যানেজেরিয়াল বস্তু হয়ে ওঠে।

প্রতিবেদনে বলা হয়েছে, অ্যামাজন সম্প্রতি টিম-ওয়াইড পরিসংখ্যানের প্রবেশাধিকার সীমিত করেছে, যাতে কেবল কর্মী ও ম্যানেজাররাই সেই ডেটা দেখতে পারেন। এই পরিবর্তন ইঙ্গিত দেয়, দৃশ্যমানতা আচরণকে কীভাবে প্রভাবিত করে তা কোম্পানি হয়তো ইতিমধ্যেই নিয়ন্ত্রণ করতে চাইছে। অভ্যন্তরীণ AI টুলিং ঘিরে একবার লিডারবোর্ড সংস্কৃতি তৈরি হলে, সত্যিকারের পরীক্ষা-নিরীক্ষা আর স্কোর-শিকারের পার্থক্য করা কঠিন হয়ে যায়।

ব্যয়বহুল পটভূমিতে অভ্যন্তরীণ চাপ

এই চাপ চলছে বিশাল ব্যয়ের প্রেক্ষাপটে। প্রতিবেদনে বলা হয়েছে, এ বছর অ্যামাজন মূলধনী ব্যয়ে ২০০ বিলিয়ন ডলার খরচ করতে পারে, যার অধিকাংশই AI ও ডেটা-সেন্টার অবকাঠামোতে যাবে। এমন আর্থিক প্রতিশ্রুতি স্বাভাবিকভাবেই ব্যবহার দেখানোর চাপ বাড়ায়। নেতৃত্ব চায় প্রমাণ যে ব্যয়বহুল অবকাঠামো অলস পড়ে নেই।

সেই দৃষ্টিকোণ থেকে টোকেন সংখ্যা আকর্ষণীয়। এগুলো তাৎক্ষণিক, পরিমাপযোগ্য, এবং তুলনা করা সহজ। কিন্তু এগুলো একধরনের অগভীর সংকেত। উচ্চ টোকেন মোট হতে পারে উৎপাদনশীল কোডিং সহায়তা, অপচয়ী পরীক্ষা, নকল কাজ, বা স্পষ্ট টোকেনম্যাক্সিং-এর ফল। শক্তিশালী ফলাফল-ভিত্তিক মাপ ছাড়া, ব্যবহার-সংক্রান্ত ডেটা আত্মবিশ্বাসী কিন্তু অসম্পূর্ণ গল্প বলতে পারে।

ম্যানেজমেন্টের শিক্ষা

এখানে সবচেয়ে গুরুত্বপূর্ণ শিক্ষা এই নয় যে কর্মীরা একটি মেট্রিককে খেলেছেন। প্রণোদনা তা যৌক্তিক করলে কর্মীরা প্রায়ই মেট্রিক খেলেই থাকে। আসল শিক্ষা হলো, প্রতিষ্ঠানকে পরিষ্কার হতে হবে তারা কী পুরস্কৃত করছে। যদি লক্ষ্য হয় আরও ভালো সফটওয়্যার, দ্রুত ডেলিভারি, বা উচ্চমানের অভ্যন্তরীণ কার্যক্রম, তবে সেগুলোকে যতটা সম্ভব সরাসরি মাপতে হবে। আর যদি মাপা লক্ষ্য হয় শুধু “AI বেশি ব্যবহার করো”, তাহলে কর্মীরা ঠিক সেটাই করার উপায় খুঁজে নেবে।

এর মানে এই নয় যে ব্যবহার-সংক্রান্ত ডেটা অপ্রয়োজনীয়। এটি দেখাতে পারে টুল কোথায় আবিষ্কৃত হচ্ছে, রোলআউট কোথায় অসম, বা কোন দলগুলোর সহায়তা দরকার। কিন্তু দৃশ্যমানতা ও চাপ যদি মূল্য সম্পর্কে স্পষ্টতার চেয়ে দ্রুত বাড়ে, তবে মেট্রিক একটি খেলায় পরিণত হয়। “টোকেনম্যাক্সিং” শব্দটি সেই ব্যর্থতার ধরনটির জন্য একটি উপযোগী সতর্কবার্তা।

AI-তে পরবর্তী কর্মক্ষেত্র টানাপোড়েনের ইঙ্গিত

বছরের পর বছর, কর্মস্থলে AI নিয়ে বিতর্ক ছিল কর্মীরা আদৌ টুলগুলো গ্রহণ করবে কি না। অ্যামাজনের ঘটনাটি ইঙ্গিত দেয়, পরবর্তী ধাপটি ভিন্ন হতে পারে: অতিরিক্ত গ্রহণের নাটক, উপরিতলীয় ব্যবহার-প্রণোদনা, এবং অভ্যন্তরীণ ড্যাশবোর্ড আচরণকে বিকৃত করা থেকে কীভাবে আটকানো যায়। কোম্পানিগুলো যখন AI বিনিয়োগ ফল দিচ্ছে তার প্রমাণ খুঁজছে, তখন তারা বুঝতে পারে ব্যবহার মাপা সহজ কাজ। উপযোগী ব্যবহার মাপা কঠিন।

এন্টারপ্রাইজ AI যখন মানক হয়ে উঠবে, তখন এই পার্থক্য আরও গুরুত্বপূর্ণ হবে। যেসব প্রতিষ্ঠান এটি ভালোভাবে সামলাবে, তারা সবচেয়ে বড় টোকেন সংখ্যার মালিক হবে না। তারা হবে সেই প্রতিষ্ঠান, যারা প্রকৃত লিভারেজ আর ব্যয়বহুল শব্দের পার্থক্য বুঝতে পারে।

এই নিবন্ধটি Ars Technica-র প্রতিবেদনের ভিত্তিতে লেখা। মূল নিবন্ধ পড়ুন.