अमेज़न की 'टोकनमैक्सिंग' समस्या के अंदर

जब AI अपनाने के लक्ष्य व्यवहार को आकार देने लगते हैं

कथित तौर पर अमेज़न के कर्मचारी कंपनी के AI सिस्टम के अपने उपयोग को बढ़ा-चढ़ाकर दिखाने के लिए गैर-जरूरी कामों को स्वचालित करने वाले एक आंतरिक AI टूल का उपयोग कर रहे हैं। Financial Times से Ars Technica में प्रकाशित रिपोर्टिंग में वर्णित इस प्रथा को कंपनी के भीतर “टोकनमैक्सिंग” कहा जा रहा है। नाम भले मज़ाकिया हो, लेकिन इसके पीछे की समस्या गंभीर है: जब प्रबंधन AI अपनाने को एक मापदंड की तरह महत्व देता है, तो लोग उपयोगी काम के बजाय उसी मापदंड को अनुकूलित करने लगते हैं।

रिपोर्ट के अनुसार, अमेज़न एक आंतरिक उत्पाद MeshClaw को व्यापक रूप से तैनात कर रहा है, जो कर्मचारियों को कार्यस्थल सॉफ़्टवेयर से जुड़े AI एजेंट बनाने और उनसे उपयोगकर्ता की ओर से काम करवाने की सुविधा देता है। कई कर्मचारियों ने बताया कि सहकर्मी सिस्टम का उपयोग अतिरिक्त, अनावश्यक AI गतिविधि पैदा करने के लिए कर रहे थे, ताकि टोकन खपत बढ़े, यानी मॉडल द्वारा संसाधित डेटा की इकाइयाँ बढ़ें।

इस व्यवहार के पीछे के प्रोत्साहन

लेख में कहा गया है कि अमेज़न ने सप्ताह में 80 प्रतिशत से अधिक डेवलपरों के लिए AI का उपयोग करने के लक्ष्य तय किए थे और वर्ष की शुरुआत में आंतरिक लीडरबोर्ड पर AI टोकन खपत को ट्रैक करना शुरू किया था। हालांकि अमेज़न ने कथित तौर पर कर्मचारियों से कहा कि टोकन आँकड़ों का प्रदर्शन मूल्यांकन में उपयोग नहीं होगा, कई कर्मचारियों ने कहा कि उन्हें लगा मैनेजर फिर भी उस डेटा को देख रहे थे।

यह ठीक उसी तरह की अस्पष्टता है जो दिखावटी उपयोग को जन्म देती है। यदि कर्मचारियों को लगता है कि कोई मापा गया व्यवहार उनके स्थान को प्रभावित कर सकता है, तो वे अक्सर दिखने वाले संकेत को अधिकतम करने की कोशिश करते हैं, भले ही मूल गतिविधि में थोड़ा या कोई मूल्य न हो। इस मामले में, इसका मतलब AI का उपयोग उन कार्यों के लिए करना हो सकता है जिन्हें स्वचालित करने की ज़रूरत ही नहीं थी, या ऐसी गतिविधि उत्पन्न करना जो मुख्यतः इसलिए हो ताकि मीट्रिक भागीदारी दिखाए।

रिपोर्ट में एक कर्मचारी के हवाले से कहा गया कि टूल्स का उपयोग करने का “बहुत दबाव” था, और दूसरे ने कहा कि मैनेजर उपयोग-डेटा देख रहे थे। चाहे वे आँकड़े औपचारिक रूप से समीक्षाओं को प्रभावित करें या नहीं, यह धारणा कि वे मायने रखते हैं, कामकाजी व्यवहार को बदलने के लिए पर्याप्त हो सकती है। मीट्रिक को औपचारिक प्रदर्शन-मानदंड होने की ज़रूरत नहीं होती ताकि वह अनौपचारिक शक्ति-संकेत बन जाए।

अमेज़न से परे यह क्यों मायने रखता है

कंपनी-विशिष्ट विवरण महत्वपूर्ण हैं, लेकिन व्यापक मुद्दा एक नियोक्ता तक सीमित नहीं है। तकनीकी क्षेत्र में, कंपनियाँ बड़े AI निवेशों पर प्रतिफल दिखाने की कोशिश कर रही हैं, जबकि साथ ही जनरेटिव टूल्स को रोज़मर्रा के वर्कफ़्लो में गहराई से धकेल रही हैं। ऐसे माहौल में, अपनाने के आँकड़े रणनीतिक गति का एक प्रतिनिधि बन सकते हैं।

समस्या यह है कि अपनाना और उत्पादकता एक ही चीज़ नहीं हैं। एक कार्यबल प्रभावशाली उपयोग आँकड़े उत्पन्न कर सकता है, बिना आउटपुट, गुणवत्ता या गति में समानुपाती लाभ के। वास्तव में, यदि कर्मचारी टोकन गिनती बढ़ाने के लिए कम-मूल्य वाले कार्यों को स्वचालित करने लगें, तो वह डेटा नेतृत्व को गुमराह कर सकता है, क्योंकि इससे टूल एंगेजमेंट वास्तव में जितनी स्वस्थ है, उससे अधिक स्वस्थ दिखेगी।

MeshClaw और एजेंटिक ऑफिस सॉफ़्टवेयर का बढ़ना

अमेज़न का MeshClaw ऐसे सिस्टम के रूप में वर्णित है जो कर्मचारियों को AI एजेंट बनाने देता है, जो कार्यस्थल सॉफ़्टवेयर से जुड़ सकते हैं और उपयोगकर्ता की ओर से कार्य कर सकते हैं। यह एजेंटिक एंटरप्राइज़ टूल्स की व्यापक दिशा का हिस्सा है, जहाँ मॉडल सिर्फ़ सवालों के जवाब नहीं देते, बल्कि कार्रवाइयाँ शुरू करते हैं, प्रणालियों के बीच जानकारी ले जाते हैं, और परिचालन कार्य सँभालते हैं।

ऐसे टूल्स की अपील स्पष्ट है। वे लाभ का वादा करते हैं: कम मैन्युअल कदम, तेज़ कार्य-समापन, और दोहराव वाले डिजिटल काम को सौंपने की क्षमता। लेकिन वे संगठनों के भीतर एक नया रिपोर्टिंग सतह भी बनाते हैं। अगर हर क्रिया गिनी जा सकती है, हर कर्मचारी को रैंक किया जा सकता है, और हर टोकन को ट्रेस किया जा सकता है, तो AI उपयोग स्वयं एक प्रबंधन-ऑब्जेक्ट बनने लगता है।

रिपोर्टिंग में कहा गया है कि अमेज़न ने हाल ही में टीम-स्तरीय आँकड़ों की पहुँच सीमित कर दी थी ताकि केवल कर्मचारी और मैनेजर ही वह डेटा देख सकें। यह बदलाव संकेत देता है कि कंपनी पहले से ही यह परखने की कोशिश कर रही हो सकती है कि दृश्यता व्यवहार को कैसे प्रभावित करती है। एक बार आंतरिक AI टूलिंग के इर्द-गिर्द लीडरबोर्ड संस्कृति बन जाए, तो वास्तविक प्रयोग और अंक-बटोरने में अंतर करना कठिन हो जाता है।

आंतरिक दबाव की महंगी पृष्ठभूमि

यह धक्का भारी खर्च की पृष्ठभूमि में हो रहा है। रिपोर्ट के अनुसार, अमेज़न इस वर्ष पूंजीगत व्यय पर 200 अरब डॉलर खर्च करने की उम्मीद कर रहा है, जिसका अधिकांश हिस्सा AI और डेटा-सेंटर इन्फ्रास्ट्रक्चर पर जाएगा। ऐसा वित्तीय प्रतिबद्धता स्वाभाविक रूप से उपयोगिता दिखाने के दबाव को बढ़ाती है। नेतृत्व यह सबूत चाहता है कि महंगा इन्फ्रास्ट्रक्चर बेकार नहीं पड़ा है।

उस दृष्टि से, टोकन गिनती आकर्षक लगती है। वे तुरंत मिल जाती हैं, संख्यात्मक हैं, और तुलना में आसान हैं। लेकिन वे एक सतही संकेतक भी हैं। उच्च टोकन कुल उत्पादक कोडिंग सहायता, बेकार प्रयोग, दोहराए गए कार्य, या पूरी तरह टोकनमैक्सिंग का परिणाम हो सकता है। मजबूत परिणाम-आधारित माप के बिना, उपयोग-डेटा एक आत्मविश्वासी लेकिन अधूरी कहानी बता सकता है।

प्रबंधन का सबक

यहाँ सबसे महत्वपूर्ण सीख यह नहीं है कि कर्मचारियों ने कोई मीट्रिक खेला। कर्मचारी अक्सर मीट्रिक्स को तब खेलते हैं जब प्रोत्साहन ऐसा करना तर्कसंगत बना देते हैं। असली सीख यह है कि संगठनों को यह स्पष्ट होना चाहिए कि वे किसे पुरस्कृत कर रहे हैं। अगर उद्देश्य बेहतर सॉफ़्टवेयर, तेज़ डिलीवरी, या उच्च-गुणवत्ता वाला आंतरिक संचालन है, तो उन परिणामों को जितना संभव हो उतना सीधे मापा जाना चाहिए। अगर मापा गया लक्ष्य सिर्फ़ “AI का अधिक उपयोग करो” है, तो कर्मचारी ठीक वही करेंगे।

इसका मतलब यह नहीं कि उपयोग-डेटा बेकार है। यह दिखा सकता है कि टूल्स कहाँ खोजे जा रहे हैं, रोलआउट कहाँ असमान है, या किन टीमों को सहायता की ज़रूरत हो सकती है। लेकिन जब दृश्यता और दबाव, मूल्य की स्पष्टता से तेज़ बढ़ते हैं, तो मीट्रिक एक खेल बन जाता है। “टोकनमैक्सिंग” शब्द उस विफलता-मोड के लिए एक उपयोगी चेतावनी-चिह्न है।

AI में अगले कार्यस्थल तनाव का संकेत

कई वर्षों तक, काम पर AI को लेकर बहस इस बात पर केंद्रित रही कि क्या कर्मचारी इन टूल्स को अपनाएँगे भी। अमेज़न की यह घटना बताती है कि अगला चरण अलग हो सकता है: अतिअपनाने के दिखावे, सतही उपयोग प्रोत्साहनों, और आंतरिक डैशबोर्ड्स को व्यवहार विकृत करने से कैसे रोका जाए। जैसे-जैसे कंपनियाँ यह प्रमाण खोज रही हैं कि AI निवेश लाभ दे रहे हैं, वे पा सकती हैं कि उपयोग मापना आसान हिस्सा है। उपयोगी उपयोग को मापना कठिन है।

एंटरप्राइज़ AI के मानक बनने के साथ यह भेद और भी महत्वपूर्ण होगा। इसे अच्छी तरह संभालने वाली संस्थाएँ वे नहीं होंगी जिनके टोकन नंबर सबसे बड़े होंगे। वे वे होंगी जो सच्चे लाभ और महंगे शोर के बीच फर्क कर सकें।

यह लेख Ars Technica की रिपोर्टिंग पर आधारित है। मूल लेख पढ़ें.