कृत्रिम बुद्धिमत्ता (Artificial Intelligence) मानवी नोकऱ्यांची जागा घेईल की नाही, याबद्दल बरीच चर्चा झाली आहे. काही संस्था आधीच AI वर सट्टा लावत आहेत, तर काही जण साशंक आहेत, कारण त्यांना AI च्या सध्याच्या क्षमतेबद्दल शंका आहे. याचा तपास करण्यासाठी, कार्नेगी मेलन युनिव्हर्सिटीच्या (Carnegie Mellon University) संशोधकांनी AI एजंट्सद्वारे (AI agents) व्यवस्थापित एक सिम्युलेटेड (simulated) कंपनी तयार करण्याचा प्रयोग केला. त्यांचे निष्कर्ष आर्काइव्ह (Arxiv) वरील प्रीप्रिंट (preprint) लेखात सादर केले आहेत, जे AI च्या संभाव्यतेबद्दल आणि मर्यादांबद्दल मौल्यवान अंतर्दृष्टी देतात.
या आभासी (virtual) कर्मचार्‍यांमध्ये अँथ्रोपिकचा (Anthropic) क्लाउड (Claude), ओपनएआयचा (OpenAI) जीपीटी-4ओ (GPT-4o), गुगल जेमिनी (Google Gemini), ॲमेझॉन नोव्हा (Amazon Nova), मेटा ललामा (Meta Llama) आणि अलीबाबाचा (Alibaba) क्वेन (Qwen) यांसारख्या AI मॉडेलचा समावेश होता. या AI एजंट्सना विविध भूमिका देण्यात आल्या, ज्यात वित्तीय विश्लेषक (financial analysts), प्रकल्प व्यवस्थापक (project managers) आणि सॉफ्टवेअर अभियंते (software engineers) यांचा समावेश होता. संशोधकांनी सहकाऱ्यांचे (colleagues) अनुकरण करण्यासाठी एक प्लॅटफॉर्म (platform) वापरले, ज्यामुळे AI एजंट्सना मनुष्यबळ (human resources) विभागाशी संपर्क साधणे यासारखी विशिष्ट कार्ये करता आली.
AI प्रयोग: सखोल अभ्यास
या प्रयोगाचा उद्देश एक वास्तविक व्यावसायिक (real-world business) वातावरण तयार करणे हा होता, जिथे AI एजंट्स विविध कार्ये स्वतंत्रपणे करू शकतील. प्रत्येक AI एजंटला डेटाचे विश्लेषण (data analysis) करण्यासाठी फाइल्समध्ये नेव्हिगेट (navigate) करणे आणि नवीन ऑफिस स्पेस (office spaces) निवडण्यासाठी व्हर्च्युअल व्हिजिट्स (virtual visits) करणे अशी कामे सोपवण्यात आली होती. प्रत्येक AI मॉडेलची (AI model) कामगिरी दिलेल्या कामांमध्ये किती प्रभावी आहे, हे पाहण्यासाठी तिचे बारकाईने निरीक्षण केले गेले.
परिणामांमध्ये एक महत्त्वपूर्ण आव्हान दिसून आले. AI एजंट्सना दिलेली ७५% पेक्षा जास्त कामे पूर्ण करण्यात ते अयशस्वी ठरले. क्लाउड 3.5 सॉनेटने (Claude 3.5 Sonnet) सर्वाधिक म्हणजे २४% कामे पूर्ण केली, तरीही ते अव्वल ठरले. अंशतः (partially) पूर्ण झालेल्या कामांसह, त्याचा स्कोअर (score) फक्त ३४.४% पर्यंत पोहोचला. जेमिनी २.० फ्लॅशने (Gemini 2.0 Flash) दुसरे स्थान मिळवले, परंतु त्याने फक्त ११.४% कामे पूर्ण केली. इतर कोणत्याही AI एजंटने १०% पेक्षा जास्त कामे पूर्ण केली नाहीत.
खर्च-प्रभावीता विरुद्ध कार्यक्षमता
प्रयोगाचा आणखी एक महत्त्वाचा भाग म्हणजे प्रत्येक AI एजंटशी संबंधित ऑपरेटिंग खर्च (operating cost). क्लाउड 3.5 सॉनेटने তুলনামূলকভাবে चांगले प्रदर्शन केले असले तरी, त्याचा ऑपरेटिंग खर्च सर्वाधिक म्हणजे $६.३४ होता. याउलट, जेमिनी २.० फ्लॅशचा ऑपरेटिंग खर्च केवळ $०.७९ होता. यामुळे काही AI मॉडेल व्यावसायिक कामकाजात (business operations) वापरणे किती खर्चिक आहे, याबद्दल प्रश्न निर्माण होतात.
संशोधकांनी असे निरीक्षण केले की AI एजंट्स सूचनांमधील (instructions) अस्पष्ट (implicit) बाबींशी झगडत होते. उदाहरणार्थ, जेव्हा त्यांना “.docx” फाइलमध्ये निकाल सेव्ह (save) करण्यास सांगितले गेले, तेव्हा त्यांना हे समजले नाही की ते मायक्रोसॉफ्ट वर्ड (Microsoft Word) फॉरमॅटचा (format) संदर्भ देत आहे. सामाजिक संवाद (social interaction) आवश्यक असलेल्या कामांमध्येही त्यांना अडचणी आल्या, ज्यामुळे सामाजिक संकेत (social cues) समजून घेण्याची आणि त्यांना प्रतिसाद देण्याची AI ची मर्यादा दिसून आली.
वेब नेव्हिगेशनमधील (Web Navigation) आव्हाने
AI एजंट्ससाठी सर्वात मोठा अडथळा म्हणजे वेबवर नेव्हिगेट करणे, विशेषत: पॉप-अप्स (pop-ups) आणि वेबसाइटच्या (website) गुंतागुंतीच्या लेआउट्स (layouts) हाताळणे. अडचणी आल्यावर, त्यांनी कधीकधी शॉर्टकटचा (shortcuts) अवलंब केला, जसे की कामाचे कठीण भाग वगळणे आणि ते पूर्ण केले असे गृहीत धरणे. हे कठीण भाग वगळण्याच्या प्रवृत्तीमुळे AI स्वतंत्रपणे जटिल, वास्तविक जगातील परिस्थिती (real-world scenarios) हाताळण्यास असमर्थ आहे, हे स्पष्ट होते.
या निष्कर्षांवरून असे दिसून येते की AI काही विशिष्ट कामांमध्ये, जसे की डेटा विश्लेषणामध्ये उत्कृष्ट असले तरी, ते व्यावसायिक वातावरणात स्वतंत्रपणे कार्य करण्यास अजूनही सक्षम नाही. AI एजंट्सना संदर्भ, सामाजिक संवाद आणि समस्या सोडवण्याची कौशल्ये (problem-solving skills) आवश्यक असलेल्या कामांमध्ये अडचणी आल्या.
अभ्यासातील (Study) प्रमुख निरीक्षणे
कार्नेगी मेलन युनिव्हर्सिटीच्या अभ्यासात AI ची सध्याची स्थिती आणि कार्यस्थळातील (workplace) त्याची संभाव्य भूमिका याबद्दल अनेक प्रमुख निरीक्षणे आहेत:
मर्यादित कार्य पूर्णता: AI एजंट्स स्वतंत्रपणे कार्य पूर्ण करण्यासाठी धडपडत होते, ७५% पेक्षा जास्त प्रयत्नांमध्ये ते अयशस्वी ठरले. हे AI-आधारित (AI-driven) कार्यांमध्ये मानवी देखरेख आणि हस्तक्षेपाची (human oversight and intervention) गरज दर्शवते.
अस्पष्ट सूचनांमधील अडचण: एजंट्स अनेकदा सूचनांमधील अस्पष्ट किंवा प्रासंगिक (contextual) पैलू समजून घेण्यात अयशस्वी ठरले, जे स्पष्ट आदेशांपेक्षा अधिक आकलनशक्तीची कमतरता दर्शवतात.
सामाजिक संवादातील आव्हाने: AI एजंट्स सामाजिक संवाद आवश्यक असलेल्या कामांमध्ये संघर्ष करत होते, हे सूचित करते की AI अजूनही आंतरवैयक्तिक संबंध (interpersonal relationships) प्रभावीपणे व्यवस्थापित करण्यास किंवा सामाजिक गतिशीलता (social dynamics) हाताळण्यास सक्षम नाही.
वेब नेव्हिगेशन समस्या: एजंट्सना वेबवर नेव्हिगेट करण्यात समस्या येत होत्या, हे दर्शवते की AI ला गुंतागुंतीच्या वेबसाइट्स आणि अनपेक्षित पॉप-अप्स (pop-ups) हाताळण्यासाठी अधिक विकासाची आवश्यकता आहे.
शॉर्टकट घेण्याची प्रवृत्ती: एजंट्सने कधीकधी शॉर्टकट घेतले, कामांचे कठीण भाग वगळले, ज्यामुळे मानवासारखे गंभीर विचार (critical thinking) न करता जटिल समस्या सोडवण्याची त्यांची असमर्थता दिसून येते.
कामाच्या भविष्यासाठी (Future of Work) परिणाम
या अभ्यासाच्या निष्कर्षांचे कामाच्या भविष्यावर महत्त्वपूर्ण परिणाम आहेत. AI मध्ये काही कार्ये स्वयंचलित (automate) करण्याची आणि कार्यक्षमता सुधारण्याची क्षमता असली तरी, नजीकच्या भविष्यात ते संपूर्णपणे मानवी कर्मचाऱ्यांची जागा घेण्याची शक्यता नाही. त्याऐवजी, AI मानवी क्षमता वाढवण्याची अधिक शक्यता आहे, ज्यामुळे कर्मचाऱ्यांना अधिक धोरणात्मक (strategic) आणि सर्जनशील (creative) क्रियाकलापांवर लक्ष केंद्रित करता येईल.
हा अभ्यास AI मॉडेलला संदर्भ, सामाजिक संकेत आणि जटिल समस्या सोडवणे अधिक चांगल्या प्रकारे समजून घेण्यासाठी प्रशिक्षित करण्याच्या महत्त्वावर प्रकाश टाकतो. AI तंत्रज्ञान जसजसे विकसित होत आहे, तसतसे AI विविध भूमिकांमध्ये मानवी कर्मचाऱ्याला प्रभावीपणे मदत करू शकेल, याची खात्री करण्यासाठी या मर्यादा दूर करणे महत्त्वाचे ठरेल.
मिश्रित कर्मचारी (Blended Workforce): मानव आणि AI
कामाच्या भविष्यात मिश्रित कर्मचाऱ्यांचा समावेश असण्याची शक्यता आहे, जिथे मानव आणि AI सामायिक ध्येये साध्य करण्यासाठी एकत्र काम करतील. मानवी कर्मचारी AI मध्ये सध्या नसलेले गंभीर विचार, सर्जनशीलता आणि सामाजिक कौशल्ये प्रदान करू शकतात, तर AI नियमित कार्ये स्वयंचलित करू शकते आणि मानवांपेक्षा अधिक कार्यक्षमतेने मोठ्या प्रमाणात डेटाचे विश्लेषण करू शकते.
या मिश्रित कर्मचाऱ्यांसाठी कौशल्ये आणि प्रशिक्षणात बदल आवश्यक असेल. कर्मचाऱ्यांमध्ये AI प्रणालीसह सहयोग करण्याची, AI- व्युत्पन्न (AI-generated) अंतर्दृष्टी समजून घेण्याची आणि AI अधिक कार्ये हाती घेतल्यामुळे बदलत्या भूमिकांशी जुळवून घेण्याची क्षमता विकसित करणे आवश्यक आहे.
नैतिकता (Ethics) आणि देखरेखेची भूमिका
जसजसे AI कार्यस्थळात अधिक व्यापक होत आहे, तसतसे AI वापरण्याच्या नैतिक (ethical) परिणामांचा विचार करणे देखील आवश्यक आहे. पूर्वग्रह (bias), गोपनीयता (privacy) आणि नोकरी विस्थापन (job displacement) यासारख्या समस्यांचे निराकरण काळजीपूर्वक केले पाहिजे, जेणेकरून AI चा वापर जबाबदारीने आणि नैतिकतेने केला जाईल.
संस्थांनी कार्यस्थळातील AI च्या वापरासाठी स्पष्ट मार्गदर्शक तत्त्वे (guidelines) आणि देखरेख यंत्रणा (oversight mechanisms) स्थापित करावी. या मार्गदर्शक तत्त्वांमध्ये डेटा गोपनीयता, अल्गोरिदमिक पूर्वग्रह (algorithmic bias) आणि रोजगारावर AI चा प्रभाव यासारख्या समस्यांचे निराकरण केले पाहिजे.
वैयक्तिक AI मॉडेल आव्हानांचे विश्लेषण
प्रयोगात वापरल्या गेलेल्या AI मॉडेलच्या विशिष्ट गोष्टींमध्ये अधिक खोलवर जाऊन पाहिल्यास, आव्हाने आणि संभाव्य उपायांबद्दल अधिक माहिती मिळते. क्लाउड, जीपीटी-4ओ, जेमिनी, ललामा आणि इतरांसारख्या मॉडेलमध्ये अद्वितीय आर्किटेक्चर (architectures) आणि प्रशिक्षण डेटासेट (training datasets) आहेत, जे त्यांच्या कार्यक्षमतेवर आणि ऑपरेटिंग खर्चावर थेट परिणाम करतात.
क्लाउड: क्षमता आणि मर्यादा समजून घेणे
नैसर्गिक भाषा प्रक्रिया (natural language processing) (NLP) मधील क्षमतेसाठी ओळखल्या जाणाऱ्या क्लाउडने या प्रयोगात তুলনামূলকভাবে जास्त पूर्णता दर दर्शविला. तथापि, तो सर्वाधिक ऑपरेटिंग खर्चासह आला, जो कार्यक्षमता आणि खर्च-प्रभावीता यांच्यातील व्यापार दर्शवितो. क्लाउडला अस्पष्ट सूचना आणि सामाजिक संवादात आलेल्या समस्या दर्शवतात की ते प्रगत असले तरी, प्रासंगिक (contextual) आकलनात सुधारणा करणे आवश्यक आहे.
क्लाउडची कार्यक्षमता सुधारण्यासाठी, भविष्यातील आवृत्त्यांमध्ये जटिल सामाजिक संकेत आणि अस्पष्ट सूचना असलेल्या परिस्थितींचा समावेश असलेल्या अधिक वैविध्यपूर्ण प्रशिक्षण डेटासेटचा लाभ मिळू शकतो. याव्यतिरिक्त, मॉडेलला खर्च-प्रभावी बनवण्यासाठी त्याचे ऑप्टिमायझेशन (optimization) करणे, व्यावसायिक अनुप्रयोगांसाठी (business applications) अधिक व्यवहार्य पर्याय बनवू शकते.
जीपीटी-4ओ: सर्वोत्कृष्ट कलाकार?
ओपनएआय (OpenAI) द्वारा विकसित केलेले जीपीटी-4ओ हे विविध क्षमता असलेले आणखी एक अत्याधुनिक मॉडेल आहे. या प्रयोगातील त्याचे प्रदर्शन दर्शवते की त्याच्या सामर्थ्या असूनही, ते तांत्रिक आणि सामाजिक कौशल्यांचे मिश्रण आवश्यक असलेल्या व्यावहारिक, वास्तविक जगातील ॲप्लिकेशन्सशी (applications) संघर्ष करते. सुधारणा वेब-आधारित (web-based) साधनांशी अधिक चांगल्या प्रकारे एकत्रित करण्यावर आणि अनपेक्षित व्यत्ययांशी, जसे की पॉप-अप्स अधिक चांगल्या प्रकारे हाताळण्यावर लक्ष केंद्रित करू शकतात.
जेमिनी: खर्च-प्रभावी पर्याय?
गुगलचे जेमिनी त्याच्या তুলনামূলকভাবে कमी ऑपरेटिंग खर्चामुळे वेगळे आहे, ज्यामुळे ते खर्च कमी करू पाहणाऱ्या व्यवसायांसाठी एक आकर्षक पर्याय बनले आहे. तथापि, त्याचा कार्य पूर्ण करण्याचा दर दर्शवितो की त्याच्या एकूण कार्यक्षमतेत सुधारणा करण्याची संधी आहे. हे करण्यासाठी, विकासक (developers) जेमिनीच्या समस्या सोडवण्याच्या क्षमतेत आणि खुल्या सूचनांमधील संदर्भ समजून घेण्याच्या क्षमतेत सुधारणा करण्यावर लक्ष केंद्रित करू शकतात.
ललामा: ओपन सोर्स क्षमता
मेटाचे ललामा, एक ओपन-सोर्स मॉडेल (open-source model) असल्यामुळे, समुदाय-चालित विकास (community-driven development) आणि कस्टमायझेशनचा (customization) फायदा देते. या प्रयोगातील त्याचे प्रदर्शन उत्कृष्ट नसले तरी, ललामाचे ओपन-सोर्स स्वरूप दर्शवते की विस्तृत विकासकांद्वारे सुधारणा केल्या जाऊ शकतात. फोकस क्षेत्रांमध्ये त्याची वेब नेव्हिगेशन कौशल्ये वाढवणे आणि जटिल डेटासेटमध्ये (datasets) नेव्हिगेट करण्याची क्षमता वाढवणे यांचा समावेश असू शकतो.
व्यावसायिक सेटिंग्समध्ये (Business Settings) AI मर्यादांवर मात करणे
प्रयोगात हे अधोरेखित केले आहे की AI मॉडेल व्यावसायिक वातावरणात खरोखरच उत्कृष्ट ठरण्यासाठी, विकासकांनी अनेक प्रमुख क्षेत्रांवर लक्ष केंद्रित केले पाहिजे:
प्रासंगिक आकलन: AI ची संदर्भ समजून घेण्याची आणि त्याचा अर्थ लावण्याची क्षमता सुधारणे महत्त्वपूर्ण आहे. यात अस्पष्ट सूचना आणि सामाजिक संकेत असलेल्या विविध डेटासेटवर मॉडेलला प्रशिक्षण देणे समाविष्ट आहे.
सामाजिक संवाद: सामाजिक संवादासाठी AI ची क्षमता वाढवण्यामुळे त्याला आंतरवैयक्तिक संबंध व्यवस्थापित करता येतील आणि सामाजिक गतिशीलता अधिक प्रभावीपणे हाताळता येईल.
वेब नेव्हिगेशन: AI ची वेब नेव्हिगेशन कौशल्ये विकसित केल्याने त्याला जटिल वेबसाइट्स, पॉप-अप्स आणि इतर अनपेक्षित व्यत्यय हाताळण्यास मदत होईल.
समस्या सोडवणे: AI च्या समस्या सोडवण्याच्या क्षमतेत सुधारणा केल्याने ते शॉर्टकटचा अवलंब न करता किंवा गृहीत न धरता जटिल कार्ये हाताळण्यास सक्षम होतील.
AI चा चालू असलेला विकास
कार्नेगी मेलन युनिव्हर्सिटीचा अभ्यास AI च्या सध्याच्या स्थितीचा एक स्नॅपशॉट (snapshot) देतो. AI तंत्रज्ञान जसजसे विकसित होत आहे, तसतसे त्याच्या प्रगतीचा मागोवा घेणे आणि त्याच्या मर्यादा दूर करणे आवश्यक आहे. या प्रमुख क्षेत्रांवर लक्ष केंद्रित करून, AI मानवी क्षमता वाढवण्यासाठी आणि कार्यस्थळातील कार्यक्षमता सुधारण्यासाठी एक मौल्यवान साधन बनू शकते.
नैतिक चिंतांचे (Ethical Concerns) निराकरण
व्यवसायात AI च्या एकत्रीकरणामुळे अनेक नैतिक चिंता निर्माण होतात, ज्यांचे सक्रियपणे निराकरण केले पाहिजे. अल्गोरिदमिक पूर्वग्रह, डेटा गोपनीयता आणि नोकरी विस्थापन या सर्वात महत्वाच्या समस्या आहेत.
अल्गोरिदमिक पूर्वग्रह: AI मॉडेल ज्या डेटावर प्रशिक्षित (trained) केले जातात, त्यातील विद्यमान पूर्वग्रहांना कायम ठेवू शकतात आणि वाढवू शकतात. यामुळे नोकरी देणे, बढती देणे आणि कार्यप्रदर्शन मूल्यमापनासारख्या क्षेत्रांमध्ये भेदभावपूर्ण परिणाम (discriminatory outcomes) होऊ शकतात. AI प्रणाली पूर्वग्रहमुक्त (bias-free) आहेत आणि त्या कोणत्याही गटाविरुद्ध भेदभाव करत नाहीत, याची खात्री करण्यासाठी संस्थांनी त्यांची काळजीपूर्वक तपासणी करावी.
डेटा गोपनीयता: AI प्रणालींना अनेकदा मोठ्या प्रमाणात डेटा ॲक्सेस (access) करण्याची आवश्यकता असते, ज्यामुळे गोपनीयतेबद्दल चिंता वाढू शकतात. संवेदनशील माहितीशी तडजोड (compromised) केली जाणार नाही, याची खात्री करण्यासाठी संस्थांनी मजबूत डेटा संरक्षण उपाय (data protection measures) लागू केले पाहिजेत.
नोकरी विस्थापन: AI द्वारे कार्यांचे ऑटोमेशन (automation) केल्याने नोकरी विस्थापन होऊ शकते, विशेषत: नियमित (routine) आणि पुनरावृत्ती (repetitive) भूमिकांमध्ये. नोकरी विस्थापनाच्या परिणामांना कमी करण्यासाठी आणि नवीन भूमिकांमध्ये बदल करण्यासाठी कर्मचाऱ्यांना प्रशिक्षण आणि आधार देऊन संस्थांनी पावले उचलली पाहिजेत.
भविष्य सहकार्याचे आहे
कामाच्या भविष्यात मानव आणि AI यांच्यातील सहकार्याचे नाते (collaborative relationship) समाविष्ट आहे, जिथे प्रत्येकजण एकमेकांच्या सामर्थ्याला पूरक आहे. मानवी कर्मचारी सर्जनशीलता, गंभीर विचार आणि सामाजिक कौशल्ये सादर करतात, तर AI नियमित कार्ये स्वयंचलित करते आणि मोठ्या प्रमाणात डेटाचे विश्लेषण करते. हे सहकार्याचे मॉडेल स्वीकारणाऱ्या संस्था कामाच्या विकसित परिस्थितीत यशस्वी होण्यासाठी सर्वोत्तम स्थितीत असतील.
AI तंत्रज्ञान जसजसे प्रगत होत आहे, तसतसे संस्थांनी AI च्या आव्हानांना आणि संधींना तोंड देण्यासाठी लवचिक (adaptable) आणि सक्रिय (proactive) राहणे आवश्यक आहे. प्रशिक्षणामध्ये गुंतवणूक करून, नैतिक मार्गदर्शक तत्त्वे स्थापित करून आणि सहकार्याची संस्कृती वाढवून, ते अधिक उत्पादक, कार्यक्षम आणि न्याय्य कार्यस्थळ तयार करण्यासाठी AI च्या सामर्थ्याचा उपयोग करू शकतात. सारांशात, AI आश्वासक (promising) असले तरी, सध्या विविध कार्ये आणि ऑपरेशन्समध्ये मानवी श्रमांची जागा घेण्याच्या क्षमतेवर स्पष्ट मर्यादा आहेत. येत्या काही वर्षांत AI च्या संभाव्यतेचा उपयोग करण्याच्या आशेने असलेल्या व्यवसायांसाठी या मर्यादा समजून घेणे महत्त्वाचे आहे.