AI ने उपकरण तो बना दिए हैं। असली चुनौती है उन्हें कामकाज में लाभकारी बनाना.

डेमो के बाद का सवाल

कृत्रिम बुद्धिमत्ता में सबसे महत्वपूर्ण सवाल अब शायद यह नहीं रहा कि प्रणालियाँ प्रभावशाली हैं या नहीं। असली सवाल यह है कि क्या वे डेमो, कोडिंग बेंचमार्क और निवेशक प्रस्तुति से बाहर निकलने के बाद विश्वसनीय आर्थिक मूल्य पैदा कर सकती हैं। यही तर्क MIT Technology Review के एक नए विश्लेषण में सामने आता है, जो मौजूदा AI दौर को एक परिचित तीन-चरणीय कल्पना के रूप में देखता है: तकनीक बनाओ, मान लो मुनाफा अपने आप आएगा, और बीच का कठिन हिस्सा अनकहा छोड़ दो।

दिए गए स्रोत पाठ में South Park के एक मशहूर मज़ाक का सहारा लिया गया है: “Phase 1: Collect underpants. Phase 2: ? Phase 3: Profit.” इस पुनर्कथन में AI ने शक्तिशाली प्रणालियाँ बनाकर पहला चरण पूरा कर लिया है, और उद्योग ज़ोर-शोर से परिवर्तन और आर्थिक लाभ के रूप में तीसरे चरण का वादा कर रहा है। जो हिस्सा अभी भी अनसुलझा है वह दूसरा चरण है: क्षमता को रोज़मर्रा के कार्यस्थल मूल्य में बदलने का उलझा हुआ काम।

यह framing इसलिए असर करती है क्योंकि यह मौजूदा AI उछाल के केंद्र में मौजूद विरोधाभास को पकड़ती है। मॉडल लिख सकते हैं, सारांश बना सकते हैं, वर्गीकृत कर सकते हैं, कोड जनरेट कर सकते हैं, और भाषा-आधारित कार्यों की बढ़ती श्रेणी को संभाल सकते हैं। फिर भी किसी बेंचमार्क या पायलट में प्रभावशाली क्षमता, किसी वास्तविक संगठन के भीतर अपने-आप उत्पादकता, मार्जिन विस्तार, या निवेश पर टिकाऊ रिटर्न में नहीं बदल जाती।

लेख का सुझाव है कि कोडिंग के बाहर भी सबसे अच्छे AI सिस्टम अभी तक कार्यस्थल में आर्थिक रूप से व्यवहार्य होने में संघर्ष कर रहे हैं। यह भेद महत्वपूर्ण है। जनरेटिव AI के लिए कोडिंग सबसे मजबूत शुरुआती व्यावसायिक आधारों में से एक बनकर उभरी है, क्योंकि आउटपुट डिजिटल होते हैं, वर्कफ़्लो पुनरावृत्तिशील होते हैं, और उपयोगकर्ता अक्सर परिणामों का मूल्यांकन करने में बेहद सक्षम होते हैं। कई अन्य क्षेत्र इतने क्षमाशील नहीं हैं। गलतियों की लागत अधिक होती है, निगरानी धीमी होती है, कार्य कम संरचित होते हैं, और मौजूदा प्रक्रियाओं के साथ एकीकरण कठिन होता है।

विश्लेषण इस अंतर के उदाहरण के रूप में दो हालिया अध्ययनों की ओर संकेत करता है। एक, Anthropic से, ने अनुमान लगाया कि बड़े भाषा मॉडल किन प्रकार की नौकरियों को सबसे अधिक प्रभावित कर सकते हैं, और प्रबंधकों, वास्तुकारों और मीडिया से जुड़े लोगों जैसी भूमिकाओं को रेखांकित करते हुए groundskeepers, निर्माण श्रमिकों और hospitality workers पर अपेक्षाकृत कम असर का संकेत दिया। लेकिन लेख इस बात पर जोर देता है कि ऐसी भविष्यवाणियाँ अभी भी मूलतः कार्य-उपयुक्तता पर अनुमान हैं, वास्तविक कार्यस्थल प्रदर्शन का प्रमाण नहीं।

यह एक निर्णायक अंतर है। कोई मॉडल सिद्धांत रूप में किसी कार्य में सहायता करने में सक्षम दिख सकता है, लेकिन वे व्यावहारिक बाधाएँ पार नहीं कर सकता जो तय करती हैं कि कोई नियोक्ता उसे व्यापक रूप से लागू करेगा या नहीं। इन बाधाओं में विश्वसनीयता, अनुपालन, निगरानी लागत, उपयोगकर्ता विश्वास, वर्कफ़्लो का पुनःडिज़ाइन, और यह साधारण सवाल शामिल है कि क्या सिस्टम का उपयोग मौजूदा तरीकों पर टिके रहने से तेज़ या सस्ता है।

यही समस्या कई सबसे बड़े AI दावों पर भी छायी रहती है। कार्यकारी और शोधकर्ता इस तकनीक को आर्थिक रूप से परिवर्तनकारी बता सकते हैं, और संभव है कि वे सही भी हों। लेकिन परिवर्तन तभी गिना जाता है जब संगठन उत्पादन में उस मूल्य को बार-बार हासिल कर सकें। इसका मतलब है कि असली प्रतिस्पर्धा शायद इस बात पर नहीं होगी कि किसके पास सबसे उन्नत मॉडल है। यह इस पर हो सकती है कि कौन मॉडल आउटपुट और व्यावसायिक परिणाम के बीच की गायब मध्य-परत को परिभाषित, कार्यान्वित और बड़े पैमाने पर लागू कर सकता है।

उस परत में प्रक्रिया का पुनःडिज़ाइन, नियमन, निगरानी तंत्र, सॉफ़्टवेयर इंटरफ़ेस, मूल्य निर्धारण मॉडल, प्रशिक्षण, और यह स्पष्ट समझ शामिल हो सकती है कि AI कहाँ वास्तव में मानव कार्य को बढ़ाता है और कहाँ उसे जटिल बना देता है। MIT Technology Review का लेख नोट करता है कि अलग-अलग समूह पहले से ही उस मध्य स्थान में अलग-अलग उत्तर प्रक्षेपित कर रहे हैं। Pause AI से जुड़े कार्यकर्ता नियमन को अनिवार्य मानते हैं। समर्थक अक्सर अनिश्चितता के ऊपर से आगे बढ़ जाते हैं क्योंकि उनका ध्यान रास्ते से अधिक मंज़िल पर होता है।

वास्तविकता में, रास्ता ही कहानी है। कार्यस्थल की हर बड़ी तकनीकी लहर उस उपकरण के साथ मौजूद पूरक प्रणालियों पर निर्भर रही है। स्प्रेडशीट महत्वपूर्ण थी, लेकिन उससे जुड़े व्यावसायिक प्रक्रियाएँ भी उतनी ही महत्वपूर्ण थीं। इंटरनेट महत्वपूर्ण था, लेकिन भुगतान, लॉजिस्टिक्स, मानक और उपयोगकर्ता आदतें भी उतनी ही ज़रूरी थीं। AI संभवतः उसी पैटर्न का अनुसरण करेगा। मॉडल केवल मूल्य श्रृंखला का एक हिस्सा है।

इसी कारण मौजूदा बाज़ार में इतना तनाव है। कंपनियाँ पहले ही मॉडल, कंप्यूट, एकीकरण और पायलटों पर भारी खर्च कर चुकी हैं। उन पर यह साबित करने का दबाव है कि यह खर्च केवल नवीनता नहीं बल्कि उससे अधिक देता है। अगर आर्थिक तर्क केवल अनुप्रयोगों के एक संकरे दायरे में ही सबसे मज़बूत बना रहता है, तो प्रचार से व्यापक लाभप्रदता तक का रास्ता कई अनुमानों से कहीं धीमा और अधिक चयनात्मक होगा।

तो, जो कड़ी गायब है वह कोई छोटी कार्यान्वयन-सम्बंधी बात नहीं है। यह AI युग की केंद्रीय व्यावसायिक समस्या है। जब तक कंपनियाँ साक्ष्य के साथ यह नहीं समझा पातीं कि वे तकनीकी संभावना से दोहराए जा सकने वाले कार्यस्थल लाभ तक कैसे पहुँचती हैं, तब तक यह क्षेत्र वास्तविक सफलताओं और बढ़ी-चढ़ी अपेक्षाओं के बीच डोलता रहेगा। AI उस बिंदु पर पहुँच गया है जहाँ उसकी सबसे कठिन चुनौती अब और अधिक क्षमता बनाना नहीं है। चुनौती है क्षमता को मायने दिलाना।

यह लेख MIT Technology Review की रिपोर्टिंग पर आधारित है। मूल लेख पढ़ें.