जनरेटिव AI ने कल्पनांना प्रत्यक्षात उतरवायला सुरुवात केली आहे - लिहिणे, बोलणे, निर्माण करणे; सगळेच आता त्याच्या आवाक्यात आहे. मात्र जिथे प्रयोगशाळांमध्ये तो आपली चमक दाखवतो, तिथे प्रत्यक्ष कामकाजात त्याची जादू फिकी पडताना दिसते. तंत्रज्ञान पुढे आहे, पण संस्था मागे आणि या दोघांमध्ये समजुतीची मोठी दरी आहे. हाच “लर्निंग गॅप” आज ठरवत आहे की AI खरोखर परिवर्तन घडवेल की केवळ एक प्रयोग म्हणूनच राहील.
जनरेटिव्ह आर्टिफिशियल इंटेलिजन्स (Gen AI) हे तंत्रज्ञान क्रांतिकारक बदल घडवून आणेल, उद्योगांचे रूपांतर करेल, कामकाजाची रचना नव्याने घडवेल आणि मानवी सर्जनशीलतेला नव्या पातळीवर नेईल, असे मोठ्या उत्साहाने सांगितले जाते. सध्या प्रशासनिक कामांपासून ते आभासी सहकाऱ्यांपर्यंत (virtual companions), याच्या शक्यता अमर्याद मानल्या जातात. आज या तंत्रज्ञानाचा अवलंब आणि विस्तार जलदगतीने वाढताना दिसतो. 2025 पर्यंत जनरेटिव्ह AI बाजाराचा आकार अंदाजे 59 अब्ज अमेरिकन डॉलर्स पर्यंत पोहोचेल आणि 2031 पर्यंत हा बाजार दरवर्षी 37 टक्क्यांहून अधिक वाढून सुमारे 400 अब्ज अमेरिकन डॉलर्स पर्यंत पोहोचेल
पण याच वेळी एका अलीकडील अभ्यासात असे दिसले की जनरेटिव्ह AI मध्ये गुंतवणूक करणाऱ्या जवळपास 95 टक्के कंपन्यांना त्यांच्या प्रकल्पांवर कोणताही मोजता येण्याजोगा परिणाम दिसलेला नाही. हे आकडे महत्त्वाकांक्षेच्या अभावाचे चिन्ह नाहीत. कंपन्या प्रयोग करत आहेत, पायलट प्रकल्प राबवत आहेत आणि मोठ्या प्रमाणावर गुंतवणूक करत आहेत. प्रत्यक्ष समस्या ही अधिक खोल आहे: AI प्रयोगांना सातत्यपूर्ण, उपयुक्त आणि संदर्भाधारित वापरामध्ये रूपांतर करण्यात अपयश येत आहे. जनरेटिव्ह AI विषयीचा उत्साह प्रचंड आहे, पण बहुतांश संस्थांसाठी त्याचा अपेक्षित प्रभाव अद्याप दूरच आहे.
या तफावतीचे मुख्य कारण म्हणजे ‘लर्निंग गॅप’. हे कौशल्यांच्या अभावापेक्षा वेगळे आहे. इथे प्रश्न तज्ज्ञांची उपलब्धता किंवा संगणकीय क्षमतेचा नाही, तर संस्था आपल्या प्रयोगांमधून मिळालेल्या ज्ञानाचे, प्रत्यक्ष कामात रूपांतर करण्यात अयशस्वी ठरतात. अनेक ग्रुप AI साधनांचा वापर करू शकतात, पण ते आपल्या विशिष्ट कामकाजाच्या संदर्भात त्यांचा उपयुक्त वापर करण्यात अडखळतात.
जनरेटिव्ह AI मध्ये गुंतवणूक करणाऱ्या जवळपास 95 टक्के कंपन्यांना त्यांच्या प्रकल्पांवर कोणताही मोजता येण्याजोगा परिणाम दिसलेला नाही. हे आकडे महत्त्वाकांक्षेच्या अभावाचे चिन्ह नाहीत. कंपन्या प्रयोग करत आहेत, पायलट प्रकल्प राबवत आहेत आणि मोठ्या प्रमाणावर गुंतवणूक करत आहेत. प्रत्यक्ष समस्या ही अधिक खोल आहे: AI प्रयोगांना सातत्यपूर्ण, उपयुक्त आणि संदर्भाधारित वापरामध्ये रूपांतर करण्यात अपयश येत आहे .
या परिणामांचा सर्वाधिक फटका कर्मचाऱ्यांना बसतो. सैद्धांतिकदृष्ट्या जनरेटिव्ह AI माणसाची सर्जनशीलता वाढवेल, पुनरावृत्तीची कामे कमी करेल आणि कर्मचाऱ्यांना उच्च मूल्याच्या कामाकडे वळवेल असे मानले जाते. पण प्रत्यक्षात अनेकदा कर्मचाऱ्यांना AI चे कमी दर्जाचे परिणाम दुरुस्त करावे लागतात, AI साधने कामकाजाशी जुळवून घ्यावी लागतात किंवा सुरू केलेल्या पायलट योजना थोड्याच काळात थंडावतात. ‘सुपरएजंट्स’ तयार करायचे स्वप्न पाहणाऱ्या संस्थांच्या हातात अनेकदा ‘वर्कस्लॉप’ म्हणजेच कमी उपयुक्त, सर्वसाधारण आणि दुरुस्तीची गरज भासणारी सामग्री निर्माण होते. त्यामुळे तंत्रज्ञान कितीही प्रगत असले तरी त्याचा प्रभाव संस्थात्मक तयारीवर अवलंबून असतो.
लर्निंग गॅप म्हणजे संस्थांनी केलेल्या प्रयोग आणि ते प्रत्यक्ष वापरात किती प्रमाणात उतरतात यातील अंतर. हा तांत्रिक मुद्दा नसून सांस्कृतिक, प्रशासकीय आणि नेतृत्वाशी संबंधित आहे. अनेक कंपन्या पायलट प्रकल्प करतात, पण ते मुख्य कामकाजाशी जोडले जात नाहीत. त्यांचे परिणाम मोजण्यासाठी स्पष्ट निकष नसतात. एका प्रयोगातून मिळालेला अनुभव दुसऱ्या प्रयोगात वापरला जात नाही, त्यामुळे सतत प्रयोग होतात पण प्रगती मंदावते. ही तफावत कर्मचाऱ्यांच्या प्रशिक्षण पद्धतीमुळे वाढते. AI प्रशिक्षण हे अनेकदा तांत्रिक ज्ञानापुरते मर्यादित असते. कर्मचारी एखादे मॉडेल मजकूर कसा तयार करते हे समजून घेतात, पण त्या ज्ञानाचा प्रत्यक्ष कामात वापर कसा करायचा याचे कौशल्य मिळत नाही. प्रशिक्षण झाले तरी ते वापरण्यासाठी सुरक्षित आणि प्रयोगशील वातावरण नसते. चुका होण्याच्या भीतीने कर्मचारी नवीन प्रयोग करण्यास कचरतात. परिणामी, कर्मचारी AI विषयी जाणकार असले तरी प्रत्यक्ष कामात ते प्रभावीपणे वापरण्यात कमी पडतात.
यामुळे संस्था AI ची क्षमता माहित असतानाही त्या प्रत्यक्ष फायद्यात रूपांतर करू शकत नाहीत. लर्निंग गॅप भरून काढण्यासाठी संस्थांनी केवळ तांत्रिक ज्ञानावर नाही तर कामाच्या विशिष्ट परिस्थितीवर लक्ष केंद्रित केले पाहिजे. AI चा उपयोग कोणत्या प्रक्रियेत, कसा आणि कोणत्या उद्देशाने करायचा याचे स्पष्ट आराखडे तयार झाले तरच परिणामकारकता वाढते. संस्थांमध्ये निर्णय घेणाऱ्यांनीही AI प्रयोगांना दीर्घकालीन धोरणाशी जोडणे आवश्यक आहे. अनेक वेळा पायलट प्रकल्प आकर्षक दिसतात, पण त्यामागे ठोस नियोजन नसते. त्यामुळे ते सुरू होतात, काही महिन्यांनी थांबतात आणि गोंधळात टाकतात. AI चा उपयोग हा तंत्रज्ञानाचा प्रश्न नसून कार्यपद्धती, जबाबदाऱ्या आणि अपेक्षा नव्याने परिभाषित करण्याची प्रक्रिया आहे. कर्मचार्यांना योग्य संधी, साधने आणि चुका करण्याची मुभा दिली तर ते AI सोबत अधिक आत्मविश्वासाने काम करू शकतात. याशिवाय, AI साधने अत्यंत वेगाने बदलत असल्याने सतत शिकण्याची संस्कृती आवश्यक आहे. कर्मचारी एका प्रशिक्षणावर थांबले तर ते लवकरच अप्रासंगिक होऊ शकते. संस्थांनी सातत्यपूर्ण प्रशिक्षण, प्रत्यक्ष उदाहरणांवर आधारित कार्यशाळा आणि वास्तविक समस्यांवर काम करणाऱ्या टीम्स तयार केल्या तर लर्निंग गॅप कमी होऊ शकतो. AI हा फक्त तंत्रज्ञान नसून परिवर्तनाचा प्रवाह आहे, आणि हा प्रवाह समजून घेतल्यास संस्थांना त्यांच्या गुंतवणुकीतून ठोस परिणाम मिळू शकतात. अखेरीस, लर्निंग गॅप मिटला तर जनरेटिव्ह AI चे खरे मूल्य संस्थांना मिळू शकते नक्कीच.
कर्मचार्यांना दिलेल्या प्रशिक्षणाच्या पलीकडे, शिकण्यातील अंतर हे संस्थेतील संरचना आणि कामकाजातील अनेक अडथळ्यांमुळे अधिक वाढते. सर्वात महत्त्वाचा अडथळा म्हणजे योग्य आणि प्रभावी अभिप्राय प्रणालींचा अभाव. जनरेटिव (AI) कृत्रिम बुद्धिमत्ता उपयुक्त ठरते तेव्हा, ती माणसांनी दिलेल्या सुधारणा, चुका, आणि बदलत्या परिस्थितींप्रमाणे स्वतःला घडवते. पण जर संस्थांकडे योग्य प्रकारचे निरीक्षण, तपासणी किंवा अभिप्रायाचे चक्र नसेल, तर या प्रणाली बदलत नाहीत, कठीण आणि परिस्थितीशी जुळवून न घेणाऱ्या राहतात. जेव्हा संस्था कामगिरी, चुका किंवा वापरकर्त्यांनी केलेल्या दुरुस्त्या मोजत नाहीत, तेव्हा मानव आणि कृत्रिम बुद्धिमत्ता दोघांचेही शिकणे थांबते.
नेतृत्वातील विसंगती हे अंतर अधिक गंभीर करते. काही अभ्यासांमध्ये असे आढळले आहे की अनेक वेळा कर्मचारी कृत्रिम बुद्धिमत्ता वापरण्यास तयार आणि सक्षम असतात, पण नेतृत्वाला त्या क्षमतेची कल्पना नसते आणि त्यामुळे नेतृत्वच शिकण्याचे मोठे अडथळे निर्माण करते. तांत्रिक आणि व्यवसायिक विभागांमधील विभाजनही समस्या वाढवते. कृत्रिम बुद्धिमत्ता तयार करणारे ग्रुप अनेकदा व्यवसाय, प्रक्रिया, नियम, किंवा प्रत्यक्ष काम करणाऱ्या कर्मचारी यांच्यापासून वेगळे असतात. त्यामुळे ज्ञानाचा प्रवाह होत नाही, संदर्भ समजत नाही, आणि एकत्रितपणे समस्या सोडवण्याची क्षमता कमी होते. म्हणूनच विविध विभाग एकत्र येऊन, सहभागी होऊन, गरजेनुसार योग्य रचना करून, कृत्रिम बुद्धिमत्ता प्रत्यक्ष प्रक्रियेत बसवली पाहिजे. फक्त जोडून न चालता, ती एकत्रितपणे तयार केली गेली पाहिजे.
हे शिकण्याचे अंतर मिटवण्यासाठी संस्थांनी तंत्रज्ञानापेक्षा संघटनावर अधिक लक्ष दिले पाहिजे. प्रत्येक प्रयोग किंवा छोटा प्रकल्प हा खऱ्या समस्येशी जोडलेला असावा, आणि त्याचा परिणाम काय असेल हे आधीच ठरवलेले असावे. थोड्या प्रमाणात, परिस्थिती समजून कृत्रिम बुद्धिमत्ता वापरल्यास, कर्मचारी आणि प्रणाली दोघांनाही सतत सुधारणा करता येतात. अशा छोट्या यशांमुळे विश्वास वाढतो, माहिती तयार होते आणि मोठ्या प्रमाणात वापर शक्य होतो.
त्याचबरोबर प्रत्यक्ष कामाच्या वातावरणात कर्मचार्यांना शिकण्यासाठी योग्य संधी मिळाल्या पाहिजेत. फक्त प्रशिक्षण देऊन उपयोग होत नाही; कर्मचार्यांना त्या शिकलेल्या गोष्टी प्रत्यक्ष प्रकल्पात वापरून पाहण्याची संधी मिळाली पाहिजे. चुका करण्याची, परिणाम पाहण्याची, आणि त्यातून शिकण्याची जागा निर्माण झाली तरच समज वाढते. अशा अनुभवातून मिळालेलं ज्ञान हे पुस्तकातील शिकण्यापेक्षा खूप प्रभावी असतं. काळानुसार संस्था एकत्रितपणे शिकू लागते - कर्मचारी कृत्रिम बुद्धिमत्तेला शिकवतात, कृत्रिम बुद्धिमत्ता कर्मचार्यांपासून शिकते आणि दोघेही विकसित होतात.
हे शिकण्याचे अंतर म्हणजे संस्थांनी केलेल्या प्रयोगांमध्ये आणि ते प्रत्यक्षात कितपत वापरू शकतात यातील फरक. जर शिकण्याची रचना नसेल, तर संस्था पुन्हा पुन्हा प्रयोग करतात पण परिणाम दिसत नाही, आणि मूल्य निर्माण होण्यात किंवा परिणाम दिसण्यास विलंब होतो.
नेतृत्व आणि नियमन याच प्रक्रियेत केंद्रस्थानी आहे. नेतृत्वाने स्पष्ट उद्दिष्टे, यशाचे निकष, आणि प्रेरणा निश्चित केली पाहिजे. विविध विभागांना एकत्र आणून, तांत्रिक ज्ञान, व्यवसाय अनुभव, आणि प्रत्यक्ष काम यांना जोडून, कृत्रिम बुद्धिमत्ता योग्य पद्धतीने समाविष्ट करता येते. सतत निरीक्षण आणि नोंदी ठेवून संस्थेला काय सुधारायचे आहे हे कळते, आणि त्यामुळे विश्वास टिकून राहतो.
संस्कृती देखील तितकीच महत्त्वाची आहे. कर्मचार्यांना भीतीमुक्त वातावरण मिळाले, चुका केल्या तरी शिक्षा नाही असे वाटले, तर ते प्रयोग करतात, नव्या गोष्टी आजमावतात, आणि एकत्र शिकतात. अशा पद्धतीने शिकण्याची संस्कृती तयार होते जिथे अपयशही शिकण्याची संधी बनते. त्यामुळे कृत्रिम बुद्धिमत्ता वापरणे हे फक्त तांत्रिक काम न राहता, एक मोठा संघटनात्मक बदल बनतो.
दोन काल्पनिक संस्थांची तुलना विचार करा. एका वित्तीय संस्थेने नियमांवरील अहवालांचा सारांश तयार करण्यासाठी कृत्रिम बुद्धिमत्तेचा वापर करण्याचा प्रयोग सुरू केला. प्रकल्पातील टीमने कायदेशीर तज्ज्ञांबरोबर जवळून काम केले, चुका पाहून सुधारणा केल्या, आणि प्रणालीची कामगिरी सतत तपासली. काही महिन्यांत हा प्रयोग यशस्वी ठरला, मानवी कामकाज कमी झाले आणि हा साधन इतर विभागांमध्येही वापरला गेला. अभिप्राय, सुधारणा आणि प्रत्यक्षात वापर या चक्रामुळे छोटा प्रयोग एक मोठी, उपयुक्त प्रणाली बनला.
याउलट एक मार्केटिंग विभाग जाहिरातींसाठी कृत्रिम बुद्धिमत्ता (AI) वापरतो, पण प्रत्येक प्रयोग वेगळा राहतो, परिणाम मोजले जात नाहीत आणि शिकलेले धडे इतर टीमपर्यंत पोहोचत नाहीत. काही महिन्यांनी परिणाम असमान राहतात, कर्मचारी विश्वास गमावतात, आणि प्रकल्प थांबवला जातो. दोघांकडे तंत्रज्ञान एकच असूनही, फरक पडतो तो संस्थेच्या शिकण्याच्या आणि एकत्रितपणे वापरण्याच्या क्षमतेमुळे.
जनरेटिव (AI) कृत्रिम बुद्धिमत्तेतील शिकण्याचे अंतर एक महत्त्वाचा संदेश देते: फक्त तंत्रज्ञानामुळे संस्था बदलत नाहीत. कृत्रिम बुद्धिमत्ता कामकाजात बसवण्यासाठी स्पष्ट योजना, व्यवस्थित अभिप्राय, आणि नेतृत्वाची एकसंध दिशा नसल्यास, प्रयोग हे फक्त प्रयोग राहतात; ते प्रत्यक्ष उत्पादनक्षमता वाढवणाऱ्या प्रणाली बनू शकत नाहीत. हे अंतर कमी करण्यासाठी कृत्रिम बुद्धिमत्तेकडे सामाजिक आणि तांत्रिक भाग एकत्र येऊन तयार होणाऱ्या व्यवस्थेच्या स्वरूपात पाहणे आवश्यक आहे, जिथे माणसे, यंत्रे आणि संस्थेची रचना एकत्र विकसित होत जाते.
व्यवसायांसाठी, याचा अर्थ फक्त कृत्रिम बुद्धिमत्ता साधने घेण्यापेक्षा शिकण्यास मदत करणारी व्यवस्था, योग्य संस्कृती आणि प्रक्रिया तयार करण्यासाठी गुंतवणूक करणे आवश्यक आहे. कर्मचार्यांसाठी, फक्त कृत्रिम बुद्धिमत्तेचे वापर कौशल्य नव्हे, तर टप्प्याटप्प्याने समस्या सोडवणे आणि विविध विभागांसोबत समन्वयाने काम करण्याची क्षमता वाढवणे आवश्यक ठरते. नेतृत्वासाठी, याचा अर्थ स्पष्ट दृष्टी, संयम, आणि प्रयोगांना प्रत्यक्ष परिणामांशी जोडणारी व्यवस्थात्मक पद्धत आवश्यक ठरते.
जनरेटिव(AI) कृत्रिम बुद्धिमत्ता संपूर्ण उद्योग बदलण्याची आणि कामाचे स्वरूप नव्याने परिभाषित करण्याची क्षमता बाळगते. पण हे वचन पूर्ण होणार नाही जोपर्यंत संस्था हे शिकण्याचे अंतर भरून काढत नाहीत, आणि वेगवेगळ्या प्रयोगांना सतत चालणारी, सुधारली जाणारी आणि मूल्य निर्माण करणारी प्रणाली बनवत नाहीत. कृत्रिम बुद्धिमत्तेचे भविष्य हे नवीन मॉडेल लवकर घेण्याच्या स्पर्धेत नाही; ते संस्थेच्या शिकण्याच्या क्षमतेची परीक्षा आहे. ही क्षमता ज्या कंपन्या आत्मसात करतील, त्या खऱ्या अर्थाने कृत्रिम बुद्धिमत्तेची बदल घडवण्याची शक्ती वापरू शकतील.
तनुशा त्यागी या ऑब्झर्व्हर रिसर्च फाउंडेशनमधील सेंटर फॉर डिजिटल सोसायटीजमध्ये रिसर्च असिस्टंट आहेत.
The views expressed above belong to the author(s). ORF research and analyses now available on Telegram! Click here to access our curated content — blogs, longforms and interviews.
Tanusha Tyagi is a research assistant with the Centre for Digital Societies at ORF. Her research focuses on issues of emerging technologies, data protection and ...
Read More +
PREV
