സ്ഥാപനത്തിന്റെ ഭാവി

രചയിതാക്കളുടെ കുറിപ്പ്: വരാനിരിക്കുന്ന സമ്പദ്‌വ്യവസ്ഥയെക്കുറിച്ചുള്ള ഞങ്ങളുടെ പരമ്പരയിലെ രണ്ടാമത്തെ ലേഖനമാണിത്; ഒപ്പം AGI ഭാവിയെക്കുറിച്ച് പര്യവേക്ഷണം നടത്തുന്ന സ്വതന്ത്ര ശബ്ദങ്ങൾക്ക് ഇടം നൽകുന്ന പുതിയൊരു പ്ലാറ്റ്‌ഫോമിന്റെ ഭാഗവുമാണ്. ഇതിലെ കാഴ്ചപ്പാടുകൾ ഞങ്ങളുടേതാണ്; OpenAI-യുടെയോ സഹപ്രവർത്തകരുടെയോ അല്ല.

ഇവിടെ OpenAI-യിൽ സ്വന്തമായി ടീമുകളെ നയിക്കാൻ തുടങ്ങുമ്പോൾ ഞങ്ങൾ രണ്ടുപേർക്കും ഇരുപത്തിനാല് വയസ്സായിരുന്നു പ്രായം. എന്നാൽ ഞങ്ങളുടെ ടീമുകളെ പരിചയപ്പെട്ടു കഴിഞ്ഞാൽ അതത്ര വലിയൊരു കാര്യമായി നിങ്ങൾക്ക് തോന്നില്ല.

ഞങ്ങൾ വെറും സാധാരണ ജോലിക്കാർ മാത്രമായിരിക്കേണ്ടവരാണ്. ഇരുപത്തിനാലാം വയസ്സിൽ നിങ്ങൾ കോർപ്പറേറ്റ് രംഗത്തെ പദവിക്രമത്തിൽ ഏറ്റവും താഴത്തെ തട്ടിലായിരിക്കും. നിങ്ങൾ മീറ്റിംഗ് നോട്ടുകൾ കുറിച്ചെടുക്കുകയും ചില മെമ്മോകൾ എഴുതുകയും ചെയ്യുന്നു. വർഷങ്ങളോളം മടുപ്പുളവാക്കുന്ന കഠിനാധ്വാനം ചെയ്തതിനു ശേഷം, നിങ്ങൾക്ക് (ഭാഗ്യമുണ്ടെങ്കിൽ) കൂടുതൽ വിപുലമായ ഉത്തരവാദിത്തങ്ങൾ ലഭിക്കുന്നു.

ഞങ്ങളുടെ പാതയും ഇന്നത്തെ ഒട്ടേറെ യുവാക്കളുടെ പാതയും വ്യത്യസ്തമാകുകയാണ്. ഞങ്ങൾ തൊഴിൽജീവിതത്തിലേക്ക് കടക്കുമ്പോൾത്തന്നെ നിർദേശങ്ങൾ പാലിക്കാൻ “ജീവനക്കാർ” ഉണ്ട്. ഈ സഹായികൾ രാവും പകലും വാരാന്ത്യങ്ങളിലും അവധിദിവസങ്ങളിലും ജോലിചെയ്യുന്നു. മടുപ്പുളവാക്കുന്ന കഠിനമായ സാധാരണ ജോലികൾ ചെയ്യുന്നതിൽ അവർ മിടുക്കരാണ്. ഉപദേശം നൽകാൻ ഗണിത ഒളിമ്പ്യാഡ് സ്വർണമെഡൽ ജേതാക്കൾപോലും ഞങ്ങളുടെ സംഘത്തിലുണ്ട്. ഞങ്ങളുടെ കീഴിലെ ഈ പുതിയ ജീവനക്കാർ ഇപ്പോഴും തെറ്റുകൾ വരുത്തുന്നുണ്ട്. എന്നാൽ അവർ മെച്ചപ്പെടുന്നു, ഞങ്ങളുടെ ആവശ്യങ്ങൾ പഠിക്കുന്നു; അവരെ എങ്ങനെ നയിക്കണമെന്ന് ഞങ്ങളും പഠിക്കുന്നു.

ഞങ്ങൾ രണ്ടുപേരിൽ ആരും കോർപ്പറേറ്റ് ഏണിപ്പടികൾ കയറിപ്പോയവരല്ല. പകരം, മാനേജ്മെന്റ് ഞങ്ങളുടെ പടിയിലേക്ക് ഇറങ്ങിവന്നു. ഞങ്ങളുടെ ഈ സ്ഥാനക്കയറ്റത്തെക്കുറിച്ചും ബുദ്ധിശക്തിയുടെ യുഗത്തിലേക്ക് കടക്കുമ്പോൾ സ്ഥാപനങ്ങൾ പുനഃസംഘടിപ്പിക്കപ്പെട്ടേക്കാവുന്ന മറ്റു രീതികളെക്കുറിച്ചുമാണ് ഈ ലേഖനം.

AI സ്ഥാപനത്തിലേക്ക് കടക്കുമ്പോൾ എവിടെയാകും അതിന്റെ സ്ഥാനം? ഇത് വ്യക്തമാക്കുന്ന മൂന്ന് സാധ്യതകൾ ഞങ്ങൾ അവതരിപ്പിക്കുന്നു:

ഇവയൊന്നും ഞങ്ങൾ വിവരിക്കുന്നതുപോലെ കൃത്യമായി നടക്കില്ലെങ്കിലും മൂന്നിന്റെയും ചില വശങ്ങൾ യാഥാർഥ്യമാകുമെന്ന് ഞങ്ങൾ കരുതുന്നു. മൂന്നും സൂക്ഷ്മമായ രീതികളിൽ ഇപ്പോൾത്തന്നെ നടക്കുന്നുണ്ട്.

സമ്പൂർണ യന്ത്രവൽക്കരണമല്ല, മാറ്റത്തിലൂടെ കടന്നുപോകുന്ന സമ്പദ്‌വ്യവസ്ഥയാണ് ഇവിടെ ഞങ്ങളുടെ വിഷയം. AI മെച്ചപ്പെടുകയും നിലവിലുള്ള സ്ഥാപനങ്ങളിൽ ഇഴചേരുകയും ചെയ്യുമ്പോൾ വിഭിന്ന ഘടകങ്ങൾ കൂടിച്ചേർന്ന ഇത്തരം സ്ഥാപനങ്ങൾ എങ്ങനെയായിരിക്കും കാണപ്പെടുക എന്നതിലാണ് ഞങ്ങൾക്ക് താൽപ്പര്യം.

ഹൈബ്രിഡ് സ്ഥാപനങ്ങൾ എന്ന ആശയം വളരെ പ്രധാനപ്പെട്ട ഒന്നാണെന്ന് ഞങ്ങൾ വിശ്വസിക്കുന്നു, കാരണം AI-യുടെ ഫലപ്രദമായ പ്രയോഗം പെട്ടെന്ന് ഒറ്റയടിക്ക് സംഭവിക്കുന്ന ഒന്നല്ല. മോഡലുകൾ ചില പ്രത്യേക ജോലികൾ മാത്രം ചെയ്യുമ്പോൾ, ആ ജോലി നേരിട്ട് ചെയ്യുന്ന താഴേത്തട്ടിലുള്ള ജീവനക്കാർക്കാണ് അവ ഉപയോഗിക്കാൻ കൂടുതൽ എളുപ്പമാവുക. എന്നാൽ ഈ മോഡലുകൾ വിപുലമായ പ്രവർത്തനങ്ങൾ തുടക്കം മുതൽ ഒടുക്കം വരെ ചെയ്യാൻ പ്രാപ്തമാകുമ്പോൾ, ഉന്നത ഉദ്യോഗസ്ഥർക്ക് അവ നേരിട്ട് ഉപയോഗിക്കാൻ കഴിയും. ഞങ്ങളുടെ കാഴ്ചപ്പാടിൽ, കൂടുതൽ ശേഷിയുള്ള AI സ്വാംശീകരിക്കാൻ കൂടുതൽ എളുപ്പമാണ്: സ്ഥാപനങ്ങൾ സാങ്കേതികവിദ്യകളെക്കുറിച്ച് പഠിക്കേണ്ടതുണ്ട്, എന്നാൽ തൊഴിലാളികൾ സ്ഥാപനത്തെക്കുറിച്ച് മനസ്സിലാക്കുകയും സ്വയമേവ അതിലേക്ക് ഇണങ്ങിച്ചേരുകയും ചെയ്യുന്നു.

സംഘടനാ ഘടനയുടെ മൂന്ന് പുതിയ വിഭാഗങ്ങളെ ഞങ്ങൾ വിശദമായി വിശകലനം ചെയ്യും; തുടർന്ന് ചുവപ്പുനാട, തൊഴിലാളികളുടെ പ്രവർത്തന സ്വാതന്ത്ര്യം, സ്ഥാപനങ്ങളുടെ വലിപ്പം, വേതന അസമത്വം എന്നിവയുടെ ഭാവിയെ സംബന്ധിച്ച് അവ എന്താണ് അർത്ഥമാക്കുന്നതെന്ന് പരിശോധിക്കുകയും ചെയ്യും.

ആദ്യത്തെ സാധ്യതയാണ് ഏറ്റവും കുറവ് അഴിച്ചുപണി ആവശ്യപ്പെടുന്നതായി തോന്നുന്നത്. ഇവിടെ ആളുകളുടെ സ്ഥാനങ്ങളും മേലധികാരികളും മാറുന്നില്ല; പുറമേ നോക്കുമ്പോൾ പഴയ ജോലികൾതന്നെ ചെയ്യുന്നു. ഇന്നത്തെയും ഈ ഭാവിയിലെയും മനുഷ്യരുടെ സംഘടനാ ഘടന മാറ്റമില്ലാത്തതായി കാണപ്പെടുന്നു.

മാറ്റം നമ്മൾക്കു താഴെയാണ്. സ്വന്തം ജോലികൾ നിർവഹിക്കുന്ന ഓരോ ജീവനക്കാരന്റെയും കീഴിൽ പുതിയൊരു AI തൊഴിലാളിസംഘം വരുന്നു. നമ്മുടെ സംഘടനാ ഘടനയ്ക്ക് ഒരു അടിത്തട്ട് ലഭിക്കുന്നു; നമ്മളെല്ലാം മാനേജർമാരാകുന്നു.

ആദ്യം ഈ അടിത്തട്ട് അപൂർണമായിരിക്കും. ഒന്നോ രണ്ടോ ഏജന്റുകളുമായാണ് ഓരോരുത്തരും തുടങ്ങുന്നത്. അവർ പരിചയസമ്പന്നരേക്കാൾ, മേൽനോട്ടവും തെറ്റുകളിൽ ഉദാരമായ ക്ഷമയും വേണ്ട ഉത്സാഹികളായ പരിശീലനാർഥികളെപ്പോലെയാണ്. പ്രതീക്ഷകൾ ചെറുതാണ്: ഒരു ഇമെയിൽ അയക്കുക, ഒരു കുറിപ്പിന്റെ കരടെഴുതുക, Slack സന്ദേശങ്ങൾക്ക് മറുപടി നൽകുക. തുടക്കക്കാരായ മനുഷ്യ ജീവനക്കാരെപ്പോലെ തന്നെ വളരെ കുറഞ്ഞ സ്വയംഭരണാധികാരത്തോടെയും വിശ്വാസത്തോടെയുമാണ് അവരും ആരംഭിക്കുന്നത്.

എന്നാൽ മോഡലുകൾ മെച്ചപ്പെടുന്നതോടെ കുറഞ്ഞ മേൽനോട്ടത്തിൽ ഏജന്റുകൾ കൂടുതൽ ജോലികൾ ഏറ്റെടുക്കുന്നു. അവർ പരസ്പരം ഏകോപിപ്പിക്കുന്നു. മാനേജർ AI-കളും സാധാരണ ജോലികൾ ചെയ്യുന്ന AI-കളും അക്കൗണ്ടന്റുകളും അഭിഭാഷകരും എല്ലാം നിങ്ങളുടെ നിർദേശപ്രകാരം ഒരുമിച്ച് പ്രവർത്തിച്ചേക്കാം. ഒരു പരിശീലനാർഥിയെ കൈപിടിച്ചു നടത്തുന്നതിനുപകരം, ഒടുവിൽ നിങ്ങളുടെ പ്രവർത്തനസംവിധാനം സ്വന്തം സംഘടനാഘടനയുള്ള ഒരു ചെറുസ്ഥാപനമാകും; അതിന്റെ ഡയറക്ടർ ബോർഡ് നിങ്ങളായിരിക്കും.

ഈ സാധ്യതയിൽ പിരിച്ചുവിടൽ അനിവാര്യമല്ലെന്നത് ശ്രദ്ധിക്കുക. ഇവിടെ നമ്മുടെ സ്ഥാനം ഇല്ലാതാക്കാതെ AI-യെ സ്വീകരിക്കുന്നു. പകരം, നാം മുമ്പ് ചെയ്തിരുന്ന ജോലികളാണ് യന്ത്രവൽക്കരിക്കുന്നത്; നാം ശ്രേണിയിൽ ഉയരുന്നു. നാം ചെയ്തിരുന്ന ജോലികളിൽ കൂടുതൽക്കൂടുതൽ AI ഏറ്റെടുക്കുന്നു. നയിക്കാൻ കൂടുതൽ കാര്യങ്ങളുള്ളതിനാൽ നമ്മുടെ ജോലി നിലനിൽക്കുന്നു; കൂടുതൽ ഉൽപ്പാദനത്തിന്റെ ഉത്തരവാദിത്വവും നമുക്ക് ലഭിക്കുന്നു.

ജോലികൾ മാറ്റമില്ലാതെ നിൽക്കുന്നവയല്ല⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു). നിങ്ങൾ മുമ്പ് ചെയ്തിരുന്നതിന്റെ തൊണ്ണൂറു ശതമാനം AI-ക്ക് ചെയ്യാനാകുമെന്ന് കരുതുക. പത്തു ശതമാനം ജോലി മാത്രമേ ശേഷിക്കുന്നുള്ളൂ എന്നു നിങ്ങൾ നിഗമനം ചെയ്തേക്കാം. മറ്റൊരു സാധ്യത, നിങ്ങൾ ഇപ്പോഴും പൂർണമായ ഒരു ജോലി ചെയ്യുന്നു എന്നതാണ്; പക്ഷേ അത് വ്യത്യസ്തമാണ്—പത്തിരട്ടി വലിയ ലക്ഷ്യത്തിലാണിപ്പോൾ ശ്രദ്ധ. സാങ്കേതികവിദ്യയുടെ പതിവു സമ്മാനമാണിത്: ഉൽപ്പാദനക്ഷമത ഉയരുന്നു, അതിനൊത്ത് അഭിലാഷവും ഉയരുന്നു; അഭിലാഷത്തിനൊപ്പം വേതനവും ഉയരാം⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു).

ഉൽപ്പാദനത്തിൽ നാം തുടർന്നും മൂല്യം കൂട്ടുന്നുണ്ടോ⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) എന്നതിനെ ഇതെല്ലാം ആശ്രയിക്കുന്നു. യന്ത്രവൽക്കരണത്തിന് എല്ലാം ചെയ്യാനോ എല്ലായിടത്തും സ്വീകരിക്കപ്പെടാനോ കഴിയാത്ത വരുംവർഷങ്ങളിലാണ് ഈ ലേഖനം ശ്രദ്ധിക്കുന്നത്. AI-ക്ക് എല്ലാം ചെയ്യാനായാലും മനുഷ്യൻ നിർമ്മിച്ചതിന് നാം കൂടുതൽ മൂല്യം കൽപ്പിച്ചേക്കാം; അല്ലെങ്കിൽ അന്തിമതീരുമാനം മനുഷ്യന്റേതാകണമെന്ന് നിർബന്ധിച്ചേക്കാം.

ഇത് നമ്മുടെ ആവശ്യകതയെയും ആശ്രയിച്ചിരിക്കുന്നു. ഉപഭോക്താക്കളെന്ന നിലയിൽ പത്തിരട്ടി ഉൽപ്പാദനം നമുക്ക് ആവശ്യമില്ലെങ്കിൽ, സമതുലനം കുറഞ്ഞ തൊഴിലാളികളിലേക്കോ കുറഞ്ഞ ജോലിസമയത്തിലേക്കോ മാറും. ചരിത്രത്തിൽ ഉൽപ്പാദനവർധന നമ്മുടെ ആഗ്രഹങ്ങളെ തൃപ്തിപ്പെടുത്തിയിട്ടില്ല. നമ്മൾ ഒരുപാട് കാര്യങ്ങൾ⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) അധികമായി നേടുന്നുണ്ടെങ്കിലും അല്പം മാത്രമാണ്⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) ജോലി സമയം കുറയ്ക്കുന്നത്. ഉൽപ്പാദനം പെരുകുമ്പോൾ നമ്മുടെ ആഗ്രഹങ്ങളും വളരുകയും നാം ഉൽപ്പാദനത്തിന് സംഭാവന നൽകുകയും ചെയ്താൽ, കൂടുതൽ ഉപഭോഗത്തിനായി അധ്വാനം കൈമാറുന്നത് നാം തുടരും. പകരം, ഉൽപ്പാദനം സമൃദ്ധമായി നമ്മുടെ ആവശ്യങ്ങൾ തൃപ്തിപ്പെട്ടാൽ, തൊഴിലാളികളുടെ എണ്ണം സ്വമേധയാ കുറച്ചേക്കാം.

മറ്റ് എതിർവാദങ്ങൾ പിന്നീട് ചർച്ച ചെയ്യുന്നു—ഉദാഹരണത്തിന്, കൂടുതൽ ചെറുസ്ഥാപനങ്ങൾ ഉണ്ടാകുമോ എന്നത്. എന്നിട്ടും ഈ സാധ്യത പ്രധാനമാണെന്ന് ഞങ്ങൾ കരുതുന്നു; സ്വീകരിക്കൽ എവിടെയെങ്കിലും തുടങ്ങണമല്ലോ. ഇന്നത്തെ സംഘടനാഘടനയിൽനിന്ന് സുസ്ഥിരമായി മാറാൻ സ്ഥാപനങ്ങൾക്ക് ഒരു വഴി വേണം. സമൂലമായ പുനഃസംഘടനയേക്കാൾ എളുപ്പമുള്ള ആദ്യപടി നിലവിലെ ജീവനക്കാരുടെ ജോലിക്ക് കരുത്തുപകരലാകാം. ഇന്ന് അതു നടക്കുന്നു: സ്ഥാപനതലത്തിൽ വിപ്ലവമൊന്നുമില്ലാതെ ഓരോ തൊഴിലാളിയായി AI-ക്ക് ജോലികൾ ഏൽപ്പിക്കുന്നു.

ഈ സാധ്യതയിൽ ആദ്യം സഹായികളെ നിയോഗിക്കുന്നത് മുൻനിര തൊഴിലാളികളാണ്. AI സ്വീകരിക്കലിന് നേതൃത്വം നൽകുന്നത് മാനേജർമാരോ ഉന്നതാധികാരികളോ അല്ല, താഴെത്തട്ടിലെ തൊഴിലാളികളാണ്. മുമ്പ് സ്വയം ജോലി ചെയ്തിരുന്ന ആളാണ് AI-യെക്കൊണ്ട് അത് മികച്ച രീതിയിൽ ചെയ്യിപ്പിക്കുന്നതെങ്കിൽ, ഇതിന് സാധ്യതയുണ്ട്.

പല വിവരശാസ്ത്ര ജോലികളും മോഡലുകൾക്ക് ഇപ്പോഴേ യന്ത്രവൽക്കരിക്കാം; എന്നാൽ രീതികളും സൂക്ഷ്മതകളും അറിയാത്ത വകുപ്പുമേധാവിക്ക് ആ ഉപകരണങ്ങൾ പ്രയോജനപ്പെടുത്തൽ പ്രയാസമാകും. നിങ്ങൾക്കറിയാത്ത കാര്യങ്ങൾ സ്വയം പറഞ്ഞുതരാൻ AI-ക്ക് കഴിയുന്നതുവരെ, ജോലി എങ്ങനെ ചെയ്യണമെന്നറിയുന്നവർക്കായിരിക്കും അത് കൂടുതൽ ഉപകാരപ്പെടുക—ഞങ്ങളുടെ അടുത്ത സാധ്യത കാണുക.

ഈ സാധ്യതയിലെ ഏറ്റവും വലിയ മാറ്റം പ്രാരംഭ തലത്തിലുള്ള ജീവനക്കാർക്കായിരിക്കും. ഏറ്റവും താഴത്തെ പടി ഇനി ഉണ്ടാകില്ല—ചുരുങ്ങിയത് മനുഷ്യർക്കെങ്കിലും. നാം യുവാക്കളെ ജോലിക്ക് എടുക്കുമ്പോൾ, അത് അവരെ സ്ഥാപനത്തിന്റെ കഠിനവും വിരസവുമായ ഏറ്റവും താഴത്തെ തട്ടിൽ നിയമിക്കാൻ വേണ്ടിയായിരിക്കില്ല. അത്തരം സ്ഥാനങ്ങൾ, യാതൊരു മടുപ്പുമില്ലാതെ അത് ചെയ്യാൻ കഴിയുന്ന ഒന്നാൽ നികത്തപ്പെടും.

അതോടെ യുവജീവനക്കാരെ പഠിപ്പിക്കുന്ന ചില പരമ്പരാഗത വഴികൾ നഷ്ടമാകും: തൊഴിൽപരിശീലനം⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു), വിരസമായ ജോലികളിലൂടെയുള്ള പഠനം, അനുഭവത്തിലൂടെ അംഗീകാരം നേടൽ. ഇവ യഥാർഥ നഷ്ടങ്ങളാണ്; എങ്കിലും മൊത്തത്തിൽ ഞങ്ങൾ ഇതിനെ ഒരു ഭാഗ്യമായി കാണുന്നു. നല്ല ആശയമുള്ള ഏറ്റവും അനുഭവമില്ലാത്ത പുതിയ ജീവനക്കാരനുപോലും പരീക്ഷിക്കാനുള്ള വിഭവങ്ങൾ ലഭിക്കും. സ്ഥാപനങ്ങളിലെ പഴയ ന്യായമായ ആവശ്യത്തിന് ആളില്ല എന്ന വാദം അപ്രസക്തമാകുന്നു. മനസ്സിൽ മികച്ച വീഡിയോ ഗെയിമുള്ള, പക്ഷേ അതിനായി ആളുകളെ കിട്ടാൻ വഴിയില്ലാത്ത പുതിയ ജീവനക്കാരിക്ക് ഇപ്പോൾ അതു നേരിട്ട് നിർമ്മിക്കാം.

ഈ “സ്ഥാനക്കയറ്റം” സാധ്യതയിലും പുതിയ ജീവനക്കാർക്ക് പഠിക്കാനേറെയുണ്ടെന്ന് ഞങ്ങൾ കരുതുന്നു: വിവേചനശേഷി, അഭിരുചി, മാനേജ്മെന്റ് കഴിവുകൾ, സൃഷ്ടിപരമായ കാഴ്ചപ്പാട്. ഇവ നമ്മുടെ ജോലിഫലങ്ങളിൽ പ്രതിഫലിക്കുന്നതിനാൽ ഈ കഴിവുകൾ വളർത്താൻ നമുക്ക് പ്രേരണയുണ്ടാകും. നാം തുടർന്നും ചെയ്തുകൊണ്ട് പഠിക്കും⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു); പക്ഷേ കൂടുതൽ വിശാലമായ തലത്തിൽ. നമ്മുടെ വിജയത്തിൽ ഓഹരിത്താൽപ്പര്യമുള്ള സ്ഥാപനത്തിലെ മുതിർന്നവർക്ക് ഉത്തരവാദിത്വത്തോടെ നമ്മെ നയിക്കാനുള്ള പ്രേരണയും തുടരും. എല്ലാ തലത്തിലുമുള്ള എല്ലാവർക്കും കൂടുതൽ ഉത്തേജകമായ ചുമതല ലഭിക്കാനുള്ള അവസരമാണിത്. വിശാലമായ ചുമതലയിലൂടെ ഏതു തൊഴിലാളിക്കും കഴിവു തെളിയിക്കാം; സ്വന്തം ചുമതലകളൊന്നുമില്ലാതിരുന്ന തുടക്കക്കാർക്കാണ് ഇത് ഏറ്റവും പ്രധാനം.

സ്ഥാപനത്തിലേക്കുള്ള AI-യുടെ രണ്ടാമത്തെ വഴി നിലവിലെ സംഘടനാഘടനയിലൂടെ ഇഴചേരുന്നു. ഇവിടെ ഏജന്റുകൾ ഏറ്റവും താഴെയുള്ളവരല്ല, സഹപ്രവർത്തകരാണ്. ഏതു ജീവനക്കാരനെയും ജോലി ഏൽപ്പിക്കുന്നതുപോലെ ഒരു സാധാരണ മാനേജർ സംഘത്തിന്റെ ജോലിയിൽ ഒരു പങ്ക് മോഡലിന് നൽകുന്നു. AI മനുഷ്യരുടെ താഴെ മാത്രമല്ല, അരികിലും സ്ഥാനം നേടുന്നു.

ആദ്യ സാധ്യതയിൽനിന്നുള്ള പ്രധാന വ്യത്യാസം: ഇവിടെ ഉൽപ്പാദനക്ഷമമായ AI സ്വീകരിക്കുന്നത് സ്വന്തം ജോലികൾ നിർവഹിക്കുന്ന ജീവനക്കാർ മാത്രമല്ല, നിലവിലെ മനുഷ്യ മാനേജർമാരുമാണ്. അതിനായി പൂർണമായൊരു സംഘാംഗമാകാനുള്ള കഴിവ് അതിനുണ്ടാകണം.

മനുഷ്യർ പലതരം ജോലികൾ ചെയ്യാൻ കഴിവുള്ളവരാണ്. ഒരു ചുറ്റിക ഒരു ജോലിക്ക് സഹായിക്കുന്നു; മനുഷ്യൻ അതിലേറെ ചെയ്യുന്നു. ഉപകരണത്തിൽനിന്ന് തൊഴിലാളിയിലേക്കുള്ള AI-യുടെ യാത്രയിൽ വ്യാപ്തി കൂടുന്നു: ആദ്യം ഒരു പ്രവൃത്തി, പിന്നെ ഒരു തൊഴിൽ, തുടർന്ന് സംഘം, ഒടുവിൽ സ്ഥാപനം യന്ത്രവൽക്കരിക്കുന്നു. വ്യാപ്തിയിലെ ഓരോ ഉയർച്ചയ്ക്കും കൂടുതൽ വിശാലമായ കഴിവുകൾ വേണം.

ഒരു തൊഴിൽ ഒട്ടേറെ ജോലികൾ നിറച്ച പെട്ടിപോലെയാണ്. ഒരു മുഴുവൻ സംഘത്തിന്റെയും കാര്യത്തിൽ ആ പെട്ടിയിൽ പലതരം ജോലികൾ തിങ്ങിനിറഞ്ഞിരിക്കുന്നു. ചുമതലയിൽ കൂടുതൽ ജോലികളുണ്ടെങ്കിൽ തടസ്സസാധ്യതകളും കൂടും. സംഘത്തിന്റെ ഒരു അവശ്യജോലിക്കെങ്കിലും ശാരീരികാധ്വാനം വേണമെങ്കിൽ, പുതിയൊരു കൂട്ടം അനുബന്ധ ഉപകരണങ്ങൾ വേണ്ടിവരും. ഒരു മുഴുവൻ സംഘത്തിനും നേരിട്ടുള്ള പകരമാകാൻ, അതിന്റെ വൈവിധ്യമാർന്ന എല്ലാ ചുമതലകളിലും AI-ക്ക് കഴിവുണ്ടാകണം.

വിശാലമായ ചുമതലകൾ കൈകാര്യം ചെയ്യുന്ന AI നിർമ്മിക്കൽ കൂടുതൽ പ്രയാസമാണ്. എന്നാൽ സ്ഥാപനങ്ങൾക്ക് വിശാലമായ ചുമതലകൾ ഏറ്റെടുക്കുന്ന AI-യെ സ്വീകരിക്കാൻ കൂടുതൽ എളുപ്പമാണ്—ഈ മാറ്റത്തിലെ മുഖ്യ വൈരുധ്യം ഇതാണ്.

പൂർണമായി യന്ത്രവൽക്കരിച്ച ഒരു സംഘമോ വിശാലമായ പ്രവർത്തനമോ ഉന്നതാധികാരിക്ക് നേരിട്ട് സ്വീകരിക്കാം. എന്നാൽ, പരിമിതമായ ശേഷികൾ മാത്രമുള്ള ഒരു ടൂളിനെ ഇത്തരത്തിൽ മുകൾത്തട്ടിൽ നിന്ന് ലളിതമായി നടപ്പിലാക്കാൻ കഴിയില്ല. അത്തരം ലളിതമായ ടൂളുകൾ വിജയിക്കണമെങ്കിൽ ജീവനക്കാരുടെ ഇടയിൽ നിന്നുള്ള വ്യാപകമായ പിന്തുണയും അവർക്ക് നൽകേണ്ട പുനപരിശീലനവും അത്യന്താപേക്ഷിതമാണ്.

പരമ്പരാഗതമായി, പുതിയ സാങ്കേതികവിദ്യകൾ പരിമിതമായ ജോലികളുടെ ചെലവ് കുറയ്ക്കുന്നു. പിന്നെ ഉത്തരവാദിത്വം വാങ്ങുന്നവരിലേക്കു മാറുന്നു. പുതിയ ഉപകരണം എങ്ങനെ പ്രയോജനപ്പെടുത്തണമെന്ന് സ്ഥാപനം കണ്ടെത്തണം; അതിനനുസരിച്ച് പുനഃപരിശീലനം നടത്തുകയും പ്രവർത്തനരീതികൾ പുനഃസംഘടിപ്പിക്കുകയും പുനർനിർമ്മിക്കുകയും വേണം⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു). സ്പ്രെഡ്ഷീറ്റ് സോഫ്റ്റ്‌വെയർ അക്കൗണ്ടിങ് വിഭാഗത്തിൽ സ്വയം ഇണങ്ങിച്ചേർന്നതല്ല; ആ വിഭാഗം സോഫ്റ്റ്‌വെയറിനനുസരിച്ച് സ്വയം മാറിയതാണ്.

തൊഴിലാളികളുടെ കാര്യം നേരെ മറിച്ചാണ്. ഒരു പരിശീലനാർഥിയും ജീവനക്കാരനും നല്ല സംഘവും നിങ്ങൾക്ക് എങ്ങനെ ഉപകാരപ്പെടാമെന്ന് കണ്ടെത്തുന്നു. അവർ നിങ്ങളോട് ചോദ്യങ്ങൾ ചോദിക്കുന്നു, സാഹചര്യം മനസ്സിലാക്കുന്നു, ആവശ്യങ്ങൾ ശ്രദ്ധിക്കുന്നു. അറിയില്ലെന്നുപോലും നിങ്ങൾ തിരിച്ചറിയാത്ത കാര്യങ്ങൾ അവർ പറഞ്ഞുതരുന്നു. ഏറ്റവും മികച്ച തൊഴിലാളികൾ സ്വയം ഇണങ്ങിച്ചേരുന്നു.

മുൻകൈയെടുക്കാനും സാഹചര്യങ്ങൾക്കനുസരിച്ച് പൊരുത്തപ്പെടാനുമുള്ള കഴിവുകളോടെ AI എത്രത്തോളം ഒരു തൊഴിൽശക്തിയെപ്പോലെ മാറുന്നുവോ, അത്രത്തോളം ആ സ്ഥാപനത്തിന് അതിനെ എങ്ങനെ ഉപയോഗിക്കണമെന്ന് പഠിക്കേണ്ടി വരുന്ന ബുദ്ധിമുട്ട് കുറയുകയും, മറിച്ച് സ്ഥാപനത്തിന് എങ്ങനെ പ്രയോജനപ്പെടാമെന്ന് സ്വയം കണ്ടെത്താൻ AI-ക്ക് സാധിക്കുകയും ചെയ്യുന്നു. ഒരു എക്സിക്യൂട്ടീവ് പുതിയൊരു ടൂൾ പഠിക്കാനായി ഒരു ഡിസൈൻ സോഫ്റ്റ്‌വെയറിന്റെ പ്രാഥമിക പാഠങ്ങൾ കേട്ടിരിക്കാൻ സാധ്യതയില്ല. എന്നാൽ നിങ്ങൾ സമ്മതം മൂളിയാൽ മതി, നിങ്ങളുടെ മുഴുവൻ മാർക്കറ്റിംഗ് വിഭാഗവും ഞാൻ സജ്ജീകരിക്കാം എന്ന രീതിയിലുള്ള ഒരു വാഗ്ദാനത്തെ അദ്ദേഹം സന്തോഷത്തോടെ സ്വാഗതം ചെയ്യും.

ഒരു ജോലി യന്ത്രവൽക്കരിക്കലാണ് AGI-യുടെ പരമലക്ഷ്യമെന്ന് നാം പലപ്പോഴും പറയുന്നു. ശരിതന്നെ, നാം അത്രപോലും എത്തിയിട്ടില്ല. നമ്മുടെ കഴിവുകൾ അത്ര മികച്ചതായതിനാലാണ് ജോലികൾ ഇത്ര അസാധാരണമായി സങ്കീർണമാകുന്നത്. എന്നിട്ടും സമ്പദ്‌വ്യവസ്ഥയുടെ ഉൽപ്പാദനത്തിൽ വളരെ ചെറിയ പങ്കുമാത്രമാണ്⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) ഒറ്റയ്ക്കു പ്രവർത്തിക്കുന്ന തൊഴിലാളികളിൽനിന്ന് വരുന്നത്. ഉൽപ്പാദനക്ഷമമായ ജോലികൾ സംഘങ്ങൾക്കും സംഘങ്ങൾ സ്ഥാപനങ്ങൾക്കും സംഭാവന നൽകുന്നു; നാം ഉപയോഗിക്കുന്ന മിക്കവാറും എല്ലാം സ്ഥാപനങ്ങൾ ഉൽപ്പാദിപ്പിക്കുന്നു.

AGI-യുടെ മാനദണ്ഡമായി “ജോലി”യെ കാണുന്നത് മനുഷ്യരുടെ കഴിവിനെ വേണ്ടത്ര അംഗീകരിക്കുന്നില്ല. അധ്വാനം ജോലികളോ പതിവില്ലാത്ത കാര്യങ്ങൾ കൈകാര്യം ചെയ്യലോ മാത്രമല്ല; വിപുലമായ ഏകോപനവും വലിയ ഫലങ്ങളുടെ ചെറുഭാഗങ്ങൾ നിർവഹിക്കാനുള്ള വഴക്കവും അതിലുണ്ട്. നമ്മെ വെറും ജോലികളുടെ കെട്ടുകളായി വിലയിരുത്തുന്നത് നമ്മുടെ മൂല്യം തീർത്തും കുറച്ചുകാണലാണ്. മനുഷ്യശേഷി വ്യക്തിയേക്കാൾ കൂടുതലായി നിലകൊള്ളുന്നത് നമ്മുടെ സംഘടനകളിലാണ്⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു). സാമ്പത്തികരംഗത്തെ AGI ഒരു വ്യക്തിയുടെ അല്ല, കൂട്ടായ മനുഷ്യരുടെ നിലവാരത്തിലെത്തണം.

അതിനാൽ, AI ഒരു സംഘമോ സ്ഥാപനമോ പോലെയല്ലാതെ ഉപകരണമോ തൊഴിലാളിയോ പോലെയാണെങ്കിൽ “ഇടകലരൽ” സാധ്യത കാര്യക്ഷമമല്ലാതായേക്കാം. ഓരോ തൊഴിലാളിക്കരികിലും ഒരു മോഡൽ സ്ഥാപിക്കുന്നത് ആയിരം കൂട്ടിച്ചേർക്കലുകളും കൈമാറ്റങ്ങളും⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) ആവശ്യപ്പെടുന്നു. ഈ തുണ്ടുതുണ്ടായ സംവിധാനം സ്വീകരിക്കലിന്റെ വേഗം കുറച്ചേക്കാം.

നേരത്തേയുള്ള, കുറഞ്ഞ ശേഷിയുള്ള സംവിധാനങ്ങളും പിന്നീടുവരുന്ന, കൂടുതൽ ശേഷിയുള്ള മോഡലുകളും തമ്മിലുള്ള മത്സരമാണ് ഞങ്ങൾ കാണുന്നത്. ഭാവിയിലെ മോഡലുകളെ സ്വീകരിക്കുന്നതിലെ വേഗം, ആ കഴിവുകൾ വികസിപ്പിക്കാനെടുത്ത അധികസമയം മറികടക്കുമോ എന്നതിനെ ആശ്രയിച്ചിരിക്കും വിജയം.

ഈ “ഇടകലരൽ” സാധ്യതയ്ക്ക് ആദ്യത്തെ “സ്ഥാനക്കയറ്റം” സാധ്യതയോടൊപ്പം നിലനിൽക്കാം. AI ചില ചുമതലകൾ യന്ത്രവൽക്കരിക്കുമ്പോൾ സ്ഥാപനങ്ങളിൽ മനുഷ്യരുടെ എണ്ണം കുറഞ്ഞേക്കാം; ശേഷിക്കുന്നവർക്ക് ഏജന്റ് തൊഴിലാളികളുടെ സഹായത്തോടെ കൂടുതൽ വിശാലമായ ചുമതലകൾ ലഭിച്ചേക്കാം. പ്രധാനമായി, ഈ സാധ്യത മാത്രം മനുഷ്യരുടെ മൊത്തം തൊഴിൽ കുറയുമെന്ന് സൂചിപ്പിക്കുന്നില്ല. ഓരോന്നിലും കുറച്ച് ജീവനക്കാരുള്ള കൂടുതൽ സ്ഥാപനങ്ങൾ ഉണ്ടായേക്കാം.

ഞങ്ങളുടെ മൂന്നാമത്തെ സാഹചര്യം ഏറ്റവും ആശയക്കുഴപ്പമുണ്ടാക്കുന്ന ഒന്നാണ്. ഇവിടെ, മനുഷ്യർക്ക് മുകളിലാണ് AI സ്ഥാപനത്തിലേക്ക് കടന്നുവരുന്നത്. സംഘടനാ ഘടന ഇനി മെഷീനുകൾക്ക് മുകളിൽ മനുഷ്യർ എന്ന രീതിയിലല്ല, മറിച്ച് മനുഷ്യൻ, AI, മനുഷ്യൻ എന്ന ക്രമത്തിലാണ്: ഒരു 'ഓട്ടോമേഷൻ സാൻഡ്‌വിച്ച്'. ചില ആളുകൾ ഒരു AI-ക്ക് കീഴിലാണ് "റിപ്പോർട്ട്" ചെയ്യുന്നത്.

ഇത് അസംഭവ്യമായി തോന്നാം; പ്രത്യേകിച്ച് സ്ഥാപനങ്ങൾ AI സ്വീകരിക്കുന്നതിന്റെ തുടക്കമായി. എന്നാൽ അത്ര സമൂലമല്ലാത്ത രീതികളിൽ ഇത് തുടങ്ങിയെന്നാണ് ഞങ്ങൾ കരുതുന്നത്.

ബൗദ്ധിക അധ്വാനത്തെ യാന്ത്രികവൽക്കരിക്കുന്ന ഒന്നായി AI-യെ കാണുമ്പോൾ പോലും, നമ്മൾ താഴത്തെ തട്ടിലുള്ള ജോലികളിലാണ് ശ്രദ്ധ കേന്ദ്രീകരിക്കാറുള്ളത്. മാനേജ്‌മെന്റിനെയല്ല, മറിച്ച് സ്‌പ്രെഡ്‌ഷീറ്റുകളെയും സ്ലൈഡ് ഡെക്കുകളെയുമാണ് AI യന്ത്രവൽക്കരിക്കുന്നതെന്ന് നമ്മൾ സാധാരണയായി പറയാറുണ്ട്. യന്ത്രവൽക്കരണം പടിപടിയായി മുകളിലേക്ക് കയറുന്നുവെന്നാണ് നമ്മുടെ സ്വാഭാവിക ചിന്താഗതി: ആദ്യം വിരസമായ ബൗദ്ധിക ജോലികളും, ഒടുവിൽ വിവേചനപരമായ തീരുമാനങ്ങളും യാന്ത്രികവൽക്കരിക്കപ്പെടുമെന്നും, ഈ മാറ്റങ്ങളെ പ്രതിരോധിക്കുന്ന അവസാന കോട്ട മാനേജരായിരിക്കുമെന്നും നമ്മൾ കരുതുന്നു.

എന്നാൽ മാനേജറുടെ ജോലി മിക്കതും കമ്പ്യൂട്ടറിലും മനസ്സിലുമാണ്: വായന, യോഗങ്ങൾ, വിലയിരുത്തൽ, സാഹചര്യം ഓർത്തുവെക്കൽ, തീരുമാനമെടുക്കൽ. നേരിട്ടുള്ള സാന്നിധ്യത്തിനും ഓഫീസ് ചുറ്റിനടക്കുന്നതിനും ജീവനക്കാർക്കൊപ്പമിരിക്കുന്നതിനും മൂല്യമുണ്ട്. എന്നാലും മാനേജ്മെന്റിനെക്കാൾ ഭൗതികവസ്തുക്കളുമായും ഉപകരണങ്ങളുമായും ഇടപഴകുന്നത് താഴെത്തട്ടിലെ ജോലികളാണ്; അവ പ്രധാനമായും ബൗദ്ധികമാണെങ്കിൽപ്പോലും. ഫോട്ടോകോപ്പിയെടുക്കാൻ അയക്കുന്നത് പരിശീലനാർഥിയെയാണ്, മേലധികാരിയെയല്ല.

മാനേജ്മെന്റ് തീരുമാനങ്ങൾ മോഡലിനെ പഠിപ്പിക്കൽ പ്രയാസമാണ്; വിജയം വ്യക്തമായി നിർവചിക്കാനാവില്ല, അളക്കാനും ദീർഘകാലം വേണം. സമാന കാരണങ്ങളാലാണ്⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) നല്ല മനുഷ്യ മാനേജർമാരെ പരിശീലിപ്പിക്കലും പ്രയാസമാകുന്നത്. മാനേജ്മെന്റിൽ മോഡലുകൾ എത്ര മികവുള്ളവയാണെന്ന് നമുക്കിതുവരെ അറിയില്ല. നിർവഹണകേന്ദ്രിതമായ ബൗദ്ധികാധ്വാനത്തിന് വിലയിരുത്തലുകൾ ധാരാളമുണ്ട്; എന്നാൽ മാനേജർമാരുടെയും ഉന്നതാധികാരികളുടെയും വിപുലമായ ഏകോപനശേഷി അളക്കുന്നവ കുറവാണ്.

ഇന്നത്തെ മോഡലുകളുടെ കഴിവ് താഴെത്തട്ടിലെ തൊഴിലാളികളേക്കാൾ മനുഷ്യ മാനേജർമാരുടേതിനോട് അടുത്തായിരിക്കാം എന്ന സാധ്യത പരിഗണിക്കേണ്ടതാണ്. ചില മാനേജ്മെന്റ് ചുമതലകൾ അവ മേൽനോട്ടം വഹിക്കുന്ന ജോലികൾക്കുമുമ്പേ യന്ത്രവൽക്കരിക്കപ്പെട്ടേക്കാം.

ചിന്താപരമായ കാര്യങ്ങൾ സ്വയം ചെയ്യുകയും, തുടർന്ന് തനിക്ക് പരിമിതികളുള്ള മേഖലകൾ തനിക്ക് കീഴിൽ റിപ്പോർട്ട് ചെയ്യുന്ന മനുഷ്യ കരാർ തൊഴിലാളികളെക്കൊണ്ട് ചെയ്യിച്ച് പരിഹരിക്കുകയും ചെയ്യുന്ന ഒരു AI ആയിരിക്കാം ഒരുപക്ഷേ, ഈ "ലെയറിംഗ്" സാഹചര്യത്തിന്റെ പൂർണ്ണരൂപം. ആ ലോകം നമുക്ക് തികച്ചും അപരിചിതമായി തോന്നാം. അതിലേക്ക് എത്താൻ ഒരുപാട് കാര്യങ്ങൾ മാറേണ്ടതുണ്ട്.

എന്നാൽ കൂടുതൽ സ്വാഭാവികമായൊരു രൂപമുണ്ട്; അതിന്റെ ആദ്യരംഗം തുടങ്ങിക്കഴിഞ്ഞു: ഉപദേശം നൽകൽ. ഇന്ന് ഒരു ഉന്നതാധികാരിക്ക് കമ്പനിയിലെ നൂറുകണക്കിന് Slack ചാനലുകളും രേഖകളും സന്ദേശങ്ങളും കോഡ് ഫയലുകളും വായിച്ച് ചോദ്യങ്ങൾക്ക് മറുപടി നൽകാൻ ChatGPT‑യോട് ആവശ്യപ്പെടാം. ഈ ടീം ശരിക്കും എന്താണ് ചെയ്യുന്നത്? ആ ദൗർബല്യം എവിടെയാണ് പ്രത്യക്ഷപ്പെടുന്നത്? സ്ഥാപനത്തിന്റെ ഓരോ ഭാഗവും അവർക്ക് കൂടുതൽ വിശകലനം ചെയ്യാനാകുന്നു⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു).

എക്സിക്യൂട്ടീവുകൾ വളരെക്കാലമായി തങ്ങളുടെ സംഘടനാ ഘടനയിൽ താൽക്കാലിക ഇടനിലക്കാരെ തിരുകിക്കയറ്റാറുണ്ട്—അതിനെ അവർ കൺസൾട്ടിംഗ് എന്ന് വിളിച്ചു. ഒരു മാനേജ്‌മെന്റ് കൺസൾട്ടൻസി നിങ്ങളെ ചുരുങ്ങിയ കാലത്തേക്ക് വളരെ വലിയ ചെലവിൽ ഒരു അധിക തലമായി നിയന്ത്രിക്കുന്നു. എന്നാൽ ഇനി അങ്ങോട്ട്, ഇത്തരം AI കൺസൾട്ടന്റുകൾ തീർത്തും നിസ്സാരമായ ചെലവിലുള്ളവരും എപ്പോഴും കൂടെയുള്ളവരുമായി മാറിയേക്കാം.

സ്ഥാപനരേഖകളും ആശയവിനിമയങ്ങളും വിശ്വസനീയമായി വിശകലനം ചെയ്യാൻ മോഡലുകൾ തുടങ്ങുന്നതേയുള്ളൂ. അവയുടെ അഭിരുചിയും മുൻകൈയെടുക്കാനുള്ള കഴിവും പക്വമാകണം. ഇപ്പോൾ, താൽപ്പര്യമുള്ള ഉന്നതാധികാരിയെ സ്ഥാപനം കൂടുതൽ വിശദമായി മനസ്സിലാക്കാൻ ChatGPT സഹായിക്കുന്നു. ഒടുവിൽ അതൊരു സമഗ്ര ഉപദേശകസേവനമാകുമെന്ന് ഞങ്ങൾ കാണുന്നു. താഴെത്തട്ടിലെ ജീവനക്കാരുടെ യഥാർഥ “മാനേജർ” എന്നതിലുപരി, ഉന്നതാധികാരികൾക്കുള്ള ആഭ്യന്തര വിവരദാതാവും ഉപദേശകനുമാകും അത്. ബിസിനസ് വൈദഗ്ധ്യം ഉപയോഗിച്ച് എല്ലാം പരിശോധിച്ച്, പ്രശ്നങ്ങൾ സ്വയം കണ്ടെത്തി പരിഹാരത്തിന്റെ മുൻഗണന നിശ്ചയിക്കാൻ സഹായിക്കും.

ഇത് ഗുണകരമോ ദോഷകരമോ ആകുന്നത് ഉന്നതാധികാരിയെ ആശ്രയിച്ചിരിക്കും. ഘടനാപരമായ ഫലം കേന്ദ്രീകരണമാണ്. ഉന്നതനേതൃത്വവും സ്ഥാപനത്തിന്റെ യഥാർഥ പ്രവർത്തനങ്ങളും തമ്മിലുള്ള അകലം ഇതു കുറയ്ക്കുമെന്ന് ഞങ്ങൾ കാണുന്നു. വിവരങ്ങൾ കൈമാറുന്നതിലെ തടസ്സങ്ങൾ കാരണം മുൻപ് വികേന്ദ്രീകൃതമായ തീരുമാനങ്ങളെടുക്കൽ പ്രോത്സാഹിപ്പിക്കപ്പെട്ടിരുന്ന സ്ഥാനത്ത്, ഇത് മുകൾത്തട്ടിൽ കൂടുതൽ അധികാരം നിക്ഷിപ്തമാക്കുന്നു.

അധികാരം എപ്രകാരം കൈമാറ്റം ചെയ്യപ്പെടുന്നു എന്നതുകൊണ്ട് മാത്രമല്ല, ഒരു കൺസൾട്ടൻസിയായുള്ള AI എത്രമാത്രം എളുപ്പത്തിൽ പ്രാവർത്തികമാക്കാം എന്നതുകൊണ്ടു കൂടിയാണ് ഈ സാഹചര്യം ഏറെ ശ്രദ്ധേയമായി ഞങ്ങൾ കാണുന്നത്. പരമ്പരാഗത കൺസൾട്ടിംഗിനെപ്പോലെ തന്നെ, AI കൺസൾട്ടൻസിയും എക്സിക്യൂട്ടീവിൽ നിന്ന് സാങ്കേതിക വൈദഗ്ധ്യമൊന്നും ആവശ്യപ്പെടുന്നില്ല. ടൈപ്പ് ചെയ്യാനും ടെർമിനൽ ഉപയോഗിക്കാനും അറിയുന്നവർ താഴെത്തട്ടിൽനിന്ന് സ്വീകരിച്ച കമ്പ്യൂട്ടർ പോലെയല്ല ഇത്. നിങ്ങൾ നിങ്ങളുടെ കൺസൾട്ടന്റിനോട് സംസാരിച്ചാൽ മാത്രം മതി, സാങ്കേതിക കാര്യങ്ങളെല്ലാം അത് സ്വയം കൈകാര്യം ചെയ്തുകൊള്ളും. ഈ മാറ്റത്തിന്റെ തരംഗം മേധാവിയുടെ ഓഫീസിൽനിന്നു തുടങ്ങാം. തുടർന്ന് ഈ കൺസൾട്ടൻസിക്ക് സ്ഥാപനത്തിന്റെ ബാക്കി എല്ലാ തലങ്ങളിലും AI-യുടെ ഉപയോഗം കൂടുതൽ വേഗത്തിലാക്കാൻ സാധിക്കും.

സ്ഥാപനങ്ങൾ വിദൂര ജോലിയെയും കരാർ ജോലികളെയും അവിശ്വസിക്കുന്നതിന് ഒരു പ്രധാന കാരണം വ്യക്തമായി നിലനിൽക്കുന്നു: പ്രവർത്തനങ്ങളുടെ നിരീക്ഷണക്ഷമതയും നടപ്പാക്കലും. ഒരു ജോലി അതിന്റെ യഥാർത്ഥ ആഴത്തിലും സൂക്ഷ്മതയിലും എങ്ങനെ ചെയ്യപ്പെടുന്നുവെന്ന് കൃത്യമായി നിരീക്ഷിക്കാൻ സ്ഥാപനങ്ങൾക്ക് ഒരിക്കലും ചെലവുകുറഞ്ഞ ഒരു മാർഗ്ഗമുണ്ടായിരുന്നില്ല. അതുകൊണ്ട് അവർ അതിന്റെ പുറമേയുള്ള പ്രകടനങ്ങൾ അളക്കുന്നു⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു): ക്ലിക്കുകളുടെ എണ്ണം, മൗസ് ചലനങ്ങൾ, സജീവമെന്നു കാണിക്കുന്ന പച്ചപ്പുള്ളികൾ—നല്ല ജോലി നടക്കുന്നുണ്ടോ എന്നതുമായി കാര്യമായ ബന്ധമില്ലാത്ത സൂചനകൾ മാത്രമാണവ.

AI മനസ്സിലാക്കുന്ന ഒരു നിരീക്ഷകനെ നൽകുന്നു. ഒരാളുടെ സൃഷ്ടികൾ പരിശോധിച്ച് വലിയ ലക്ഷ്യങ്ങളിലേക്കുള്ള യഥാർഥ പുരോഗതി തിരിച്ചറിയാൻ അതിനു കഴിയും. അടുത്ത വിഭാഗത്തിൽ പരിശോധിക്കുന്നതുപോലെ, പുതിയ നിരീക്ഷണരീതികളൊന്നും ലാഘവത്തോടെ നടപ്പാക്കരുത്⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു). എന്നാൽ ശരിയായ സാഹചര്യങ്ങളിൽ അതിന് വിശ്വാസം കൂട്ടാനും ജീവനക്കാർക്ക് കൂടുതൽ സ്വാതന്ത്ര്യം നൽകാൻ സ്ഥാപനങ്ങളെ പ്രേരിപ്പിക്കാനും കഴിയും.

നല്ലൊരു ഉൽപ്പന്നത്തിലേക്കോ ഫലത്തിലേക്കോ എത്തിച്ചേരാൻ പരസ്പരവിരുദ്ധമായ പല വഴികളുണ്ടെന്ന് ഈ നിരീക്ഷണ സംവിധാനത്തിന് തിരിച്ചറിയാൻ സാധിച്ചാൽ, ജീവനക്കാർക്ക് അവർക്ക് ഇഷ്ടമുള്ള രീതിയിൽ കൂടുതൽ സ്വാതന്ത്ര്യത്തോടെ ജോലി ചെയ്യാൻ കഴിയും. മേലധികാരികൾക്ക് നിരീക്ഷിക്കാൻ എളുപ്പമുള്ള ഒറ്റ നിർദിഷ്ടരീതിയേക്കാൾ നല്ല ഫലത്തിലേക്കുള്ള പുരോഗതിക്കാകും പ്രാധാന്യം. ബുദ്ധിശക്തിയുള്ള ഒരു നിരീക്ഷണ സംവിധാനം പ്രവർത്തനങ്ങളിൽ അയവ് നൽകുകയും, നാമെല്ലാവരും വെറുക്കുന്ന വെറും പ്രകടനപരമായ ഉൽപ്പാദനക്ഷമതയെ നിരുത്സാഹപ്പെടുത്തുകയും ചെയ്യുന്നു.

കാറിൽ നിരീക്ഷണോപകരണം സ്ഥാപിച്ചാൽ പ്രീമിയം കുറയ്ക്കുന്ന ഇൻഷുറൻസ് കമ്പനികളുടെ വാഗ്ദാനത്തോട് ഇതിന്റെ പ്രയോജനം സാമ്യമുള്ളതാണ്. സംവിധാനത്തെ കബളിപ്പിക്കാനാണ് ശ്രമമെങ്കിൽ ഇത് ദോഷമാകും; സ്വന്തം ജോലി ചെയ്യുകയാണെങ്കിൽ നിരീക്ഷകന് അത് തെളിയിക്കാം, മാനേജ്മെന്റ് നിങ്ങളെ കൂടുതൽ വിശ്വസിക്കും.

ആ വിശ്വാസം ക്രിയാത്മകമാണ്. ഹൈബ്രിഡ് രീതികളെയും, പരമ്പരാഗതമല്ലാത്ത ചിന്താഗതിയുള്ളവരെയും, കരാർ തൊഴിലാളികളെയും, അല്ലെങ്കിൽ വിദൂര രാജ്യങ്ങളിലുള്ള പ്രതിഭാധനരായ ആളുകളെ നിയമിക്കുന്നതിനെയും മുൻപ് എതിർത്തിരുന്ന സ്ഥാപനങ്ങളിൽ നിന്ന് പുതിയ സന്നദ്ധത⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) ഒരുപക്ഷേ നമുക്ക് കാണാൻ സാധിച്ചേക്കാം.

ഇന്നത്തെ സംഘടനാഘടനയിൽ താഴെത്തട്ടിലെ ജീവനക്കാർക്ക് ഒട്ടേറെ പ്രശ്നങ്ങളുണ്ട്. നേരിൽ കാണുന്ന പ്രശ്നം മേലധികാരികളിലെത്തിക്കാൻ വഴിയില്ലാത്തത് കടുത്ത നിരാശയുണ്ടാക്കുന്നു. കഴിവില്ലാത്ത മാനേജറുടെ കീഴിൽ കുടുങ്ങുന്നതും മികച്ച ജോലി അംഗീകരിക്കപ്പെടാതിരിക്കുന്നതും അനീതിയാണ്.

ബിസിനസ് അതികാര്യക്ഷമമാക്കാനുള്ള മുൻ തരംഗം പരിമിത വിവരങ്ങളും ഏകദേശ മാർഗനിർദേശങ്ങളും വിവേചനമില്ലാത്ത അൽഗോരിതങ്ങളും അടിസ്ഥാനമാക്കിയിരുന്നുവെന്നാണ് ഞങ്ങൾ കാണുന്നത്. ഗിയർ അനുപാതങ്ങൾ മാത്രം വിശകലനം ചെയ്യാനാകുമ്പോൾ എല്ലാവരും യന്ത്രത്തിലെ പല്ലുകൾപോലെ തോന്നും. ജീവനക്കാരുടെ സംഭാവന അളക്കുന്നതിൽ സ്ഥാപനങ്ങൾക്ക് ഏറെക്കാലമായി പ്രശ്നമുണ്ട്. ഇന്നത്തെ അപര്യാപ്തമായ മാനദണ്ഡങ്ങൾ കാണാതെപോകുന്ന വിലപ്പെട്ട സംഭാവനകളും സവിശേഷ സമീപനങ്ങളും ബുദ്ധിയുള്ള നിരീക്ഷകൻ തിരിച്ചറിഞ്ഞേക്കാം.

സരളീകരിച്ച് അവതരിപ്പിച്ച ഈ മൂന്ന് സാധ്യതകളിൽനിന്ന്, സ്ഥാപനത്തിന്റെ ഭാവി നിർണയിക്കുന്ന ചില ചോദ്യങ്ങൾ ഇനി പരിശോധിക്കാം.

പുതുതായി എന്തെങ്കിലും നിർമ്മിക്കുന്നത് പൊതുവെ ചെലവേറിയതാണ്. ഒരു ആപ്പ്, സിനിമ, അവതരണം, സൗകര്യം, വിശകലനം—ഇവയെല്ലാം വീണ്ടും ചെയ്യുന്നത് ചെലവും സമയവും മനഃക്ലേശവും കൂട്ടുന്നു. ഫലത്തിൽ ഒരവസരമേയുള്ളൂ എങ്കിൽ, ഉന്നം ശരിയാക്കാൻ കൂടുതൽ ശ്രമിക്കും. ആസൂത്രണചക്രങ്ങളും പ്രവർത്തനപഥ യോഗങ്ങളും അംഗീകാരസമിതികളും എല്ലാം, സ്ഥാപനം ഒടുവിൽ തുടങ്ങുമ്പോൾ മൂല്യമുള്ള ഒന്നാണ് ചെയ്യുന്നതെന്ന് ഉറപ്പാക്കാനാണ്. നടപ്പാക്കൽ വിലയേറിയതായിരുന്നതുകൊണ്ടാണ് അധികാരശ്രേണികളിൽ പല പരിശോധനകളും ഉണ്ടായത്.

പല മേഖലകളിലും AI നിർമാണച്ചെലവ് കുത്തനെ കുറയ്ക്കുന്നു—പൂർണമായ ഉൽപ്പന്നത്തിനല്ലെങ്കിലും കുറഞ്ഞത് പരീക്ഷണമാതൃക വരെയെങ്കിലും. അതിനൊപ്പം സ്ഥാപനത്തിന്റെ സമീപനവും മാറണമെന്ന് ഞങ്ങൾ കരുതുന്നു: ലക്ഷ്യം കുറയ്ക്കുക, കൂടുതൽ തവണ പരീക്ഷിക്കുക. ഒരു സ്ഥാപനത്തിന് വേഗത്തിൽ ഒരു പരീക്ഷണമാതൃക നിർമ്മിക്കാനും, അത് നിരീക്ഷിക്കാനും, പെട്ടെന്ന് പഠിക്കാനും, സ്വന്തം ദിശ തിരുത്താനും, വീണ്ടും അത് നിർമ്മിക്കാനും കഴിയും. പരീക്ഷണമാതൃകകളുടെ എളുപ്പത്തിലുള്ള നിർമാണം⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) ആസൂത്രണപ്രധാനമായ ഉൽപ്പാദനത്തെ താങ്ങിനിർത്തുന്ന സംവിധാനങ്ങളിൽനിന്ന് സ്ഥാപനങ്ങളെ അകറ്റിയേക്കും.

ഇതിന്റെ ലളിതമായ രൂപം കൂടുതൽ വേഗത്തിൽ പരീക്ഷിച്ച് മെച്ചപ്പെടുത്തുന്ന ഒരു സംഘമാണ്. കൂടുതൽ സമൂലമായ വ്യാഖ്യാനത്തിൽ, സംഘമെന്ന ആശയംതന്നെ ചോദ്യം ചെയ്യപ്പെടുന്നു. കൂട്ടായ ആസൂത്രണത്തിന്റെ പ്രാധാന്യം കുറയുകയും പരസ്പരം ബന്ധമില്ലാത്ത വൈവിധ്യമാർന്ന ആശയങ്ങളുടെ പ്രാധാന്യം കൂടുകയും ചെയ്താൽ, വേഗം മെച്ചപ്പെടുത്തുന്ന ഒറ്റ സംഘമാണോ സ്വന്തം പ്രവർത്തനമാതൃകകൾ അവതരിപ്പിക്കുന്ന അനേകം വ്യക്തികളാണോ നല്ലത്? ഒരു പ്രവർത്തനമാതൃകയ്ക്ക് ഏത് പദ്ധതിവിവരണത്തേക്കാളും നന്നായി കാഴ്ചപ്പാട് കൈമാറാനാകുമെങ്കിൽ, ആശയവിനിമയത്തെക്കുറിച്ചുള്ള നമ്മുടെ പൊതുധാരണകൾ തന്നെ മാറുമോ: കാര്യങ്ങൾ നേരത്തെ തന്നെ കൂടുതൽ പങ്കുവെക്കുകയും, വെറും കുറിപ്പുകൾക്ക് പകരം മൂർത്തമായ മാതൃകകൾ പങ്കുവെക്കുകയും ചെയ്യുക എന്ന രീതിയിലേക്ക് അത് വഴിമാറുമോ?

ചെലവുകുറഞ്ഞ നിർമാണം സ്ഥാപനത്തിൽ വ്യക്തികൾക്ക് കൂടുതൽ പ്രാധാന്യം നൽകിയേക്കാം. ഇത് ഇടത്തരം മാനേജ്‌മെന്റ് തലങ്ങൾ കുറയുന്നതിലേക്കും അനുമതി ചോദിക്കുന്നത് കുറയുന്നതിലേക്കും നയിക്കും; കാരണം, മുൻപ് സ്വയം പ്രവർത്തിക്കുന്നതിനേക്കാൾ ചെലവ് കുറവായിരുന്നു അനുമതി ചോദിക്കുന്നതിന്, എന്നാൽ ഇപ്പോൾ സ്ഥിതി അതല്ല.

എന്നിരുന്നാലും, അടുത്തതായി ചർച്ച ചെയ്യുന്നതുപോലെ, കുറഞ്ഞ അപകടസാധ്യതയിൽ പരീക്ഷണമാതൃകകൾ നിർമ്മിക്കാൻ വ്യക്തികളെ സഹായിക്കുന്ന അതേ സാങ്കേതികവിദ്യയ്ക്ക് ചുവപ്പുനാട കൂടുതൽ മുറുക്കാനും കഴിയും.

താഴെത്തട്ടിലെ തൊഴിലാളികളേക്കാൾ മികച്ച ബിസിനസ് തീരുമാനങ്ങൾ⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) ഉന്നതാധികാരികൾ എടുക്കുമെന്ന വിശ്വാസമാണ് മുകളിൽനിന്നുള്ള നിയന്ത്രണം സ്ഥാപനങ്ങൾ നടപ്പാക്കുന്നതിന്റെ പ്രധാന കാരണം. മുകളിൽ കഴിവുറ്റ പരിചയസമ്പന്നർക്കായി സ്ഥാപനങ്ങൾ കൂടുതൽ പണം നൽകുന്നു. മാനേജർമാർക്ക് പലപ്പോഴും ബിസിനസ് തന്ത്രത്തിൽ പരിശീലനമുണ്ടാകും; മറ്റു ജീവനക്കാർ സ്വന്തം മേഖലയിൽ വിദഗ്ധരായിരിക്കും. AI എല്ലാ തൊഴിലാളികൾക്കും മികച്ച ഉപദേശം നൽകിയാൽ തീരുമാനങ്ങളുടെ ഗുണമേന്മയിലെ വിടവ് കുറയും. മാനേജർമാർക്ക് ഇടപെടേണ്ട ആവശ്യം കുറയും. ഇത് തൊഴിലാളികളുടെ സ്വാതന്ത്ര്യം കൂട്ടുകയും മാനേജ്മെന്റ് തലങ്ങൾ കുറയ്ക്കുകയും ചെയ്തേക്കാം.

അതുപോലെ, ഉന്നതാധികാരിയെ അറിയിക്കാതെ വലിയ നിർണായകമായ ഒന്നും സംഭവിക്കില്ലെന്ന് “AI കൺസൾട്ടൻസി” ഉറപ്പാക്കുന്നു. കമ്പനിക്ക് ഗുരുതര പ്രത്യാഘാതമുണ്ടാക്കുന്ന ഒരു ബ്ലോഗ് പോസ്റ്റ് ജീവനക്കാരൻ പ്രസിദ്ധീകരിക്കാൻ ഒരുങ്ങിയാൽ, കൺസൾട്ടൻസി മുൻകൂട്ടി ഉന്നതാധികാരിയെ അറിയിക്കും. ഇത് പരസ്പരവിശ്വാസം വളർത്തുന്നു: തങ്ങളുടെ അറിവില്ലാതെ വലിയ വീഴ്ചകളൊന്നും സംഭവിക്കില്ലെന്ന് മാനേജ്‌മെന്റിന് ഉറപ്പുള്ളതിനാൽ, ഓരോ ജീവനക്കാരനും ജോലി ചെയ്യുന്ന രീതിക്കുമേൽ അവർക്ക് അത്ര കർശനമായ നിയന്ത്രണം⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) വെക്കേണ്ടി വരുന്നില്ല.

എന്നാൽ AI കൺസൾട്ടൻസി ഇരുതലമൂർച്ചയുള്ള വാളാണ്⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു). ബുദ്ധിയുള്ള നിരീക്ഷകനായി തൊഴിലാളികളിലുള്ള വിശ്വാസം കൂട്ടാനും, മുഖ്യ നിർവാഹകൻ ഇഷ്ടപ്പെടുന്ന പ്രവർത്തനരീതി സ്ഥാപനമാകെ കൂടുതൽ കർശനമായി നടപ്പാക്കാനും അതിനു കഴിയും. സ്ഥാപനങ്ങൾ പൊരുത്തത്തിന്⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) വിലകൽപ്പിക്കുന്നു: നല്ല തീരുമാനം മാത്രമല്ല, കമ്പനിയുടെ സംസ്കാരം, ബ്രാൻഡ്, വൻതോതിലുള്ള പ്രവർത്തനത്തിന്റെ ചെലവുനേട്ടങ്ങൾ എന്നിവയോട് ചേരുന്ന തീരുമാനമാണ് വേണ്ടത്. ഒരു ഭക്ഷണശാലാശൃംഖല എല്ലാ ഫ്രാഞ്ചൈസികളിലും ഒരേ വിഭവപ്പട്ടിക ഇഷ്ടപ്പെട്ടേക്കാം; ചേരുവകൾ മൊത്തമായി വാങ്ങാനും ഉപഭോക്താക്കൾക്ക് ഒരേ ഉൽപ്പന്നം പ്രതീക്ഷിക്കാനും അതു സഹായിക്കും.

ഇതിനോടു ബന്ധപ്പെട്ട്, സ്ഥാപനമേധാവികളുടെയും തൊഴിലാളികളുടെയും താൽപ്പര്യങ്ങൾ എപ്പോഴും ഒത്തുപോകണമെന്നില്ല. തൊഴിലാളികൾ സ്വന്തം മേഖലയുടെ വിജയത്തിന്⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) മുൻഗണന നൽകുമ്പോൾ ഉന്നതാധികാരികൾ സ്ഥാപനം മൊത്തത്തിൽ പരിഗണിക്കുന്നു. ഓഹരിയുടമകളുടെ മുൻഗണനകൾ കൂലിത്തൊഴിലാളികളുടേതിൽനിന്ന് വ്യത്യസ്തമാണ്; കൂടുതൽ കഠിനാധ്വാനത്തിന്റെ ഫലം അനുഭവിക്കുന്നത്⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) അവരാണ്. മുകളിൽനിന്ന് നിർദേശിക്കുന്ന പ്രത്യേക രീതികൾ കൂടുതൽ കർശനമായി പാലിപ്പിക്കാൻ കൺസൾട്ടൻസിക്ക് കഴിയും.

മൊത്തത്തിൽ തൊഴിലാളികളുടെ തീരുമാനസ്വാതന്ത്ര്യം കൂടുമെന്നാണ് ഞങ്ങളുടെ കാഴ്ചപ്പാട്. പ്രധാന പ്രത്യാഘാതങ്ങളുള്ള അസാധാരണ സംഭവങ്ങൾ കണ്ടെത്താൻ AI-യെ ഉപയോഗിച്ച്, കൂടുതൽ തീരുമാനങ്ങൾ തൊഴിലാളികൾക്ക് വിടാൻ സ്ഥാപനങ്ങൾ തയ്യാറാകുമെന്നതാണ് ഈ ശുഭപ്രതീക്ഷയുടെ അടിസ്ഥാനം.

AI ഒരു താങ്ങായി പ്രവർത്തിക്കുമെന്ന് ഞങ്ങൾ വിശ്വസിക്കുന്നു. ഏകീകൃത ബ്രാൻഡ് നിലനിർത്താൻ ഉന്നതാധികാരികൾ ആഗ്രഹിച്ചാലും, അത് പ്രവർത്തനത്തിനുള്ള ഒരു പരിധി മാത്രമാകും. ബിസിനസിലെ പരിമിതികളെക്കുറിച്ച് തൊഴിലാളികൾ കൂടുതൽ ബോധവാന്മാരാകും; ആ നിയന്ത്രണങ്ങൾ ബാധിക്കാത്ത ഇടങ്ങളിൽ സൃഷ്ടിപരമായി പ്രവർത്തിക്കാൻ കൂടുതൽ സുരക്ഷയും ലഭിക്കും. അപകടസാധ്യതകൾ നിയന്ത്രിച്ചതോടെ, ലാഭകരമായേക്കാവുന്ന പുതിയ വഴികൾ പരീക്ഷിക്കാൻ ജീവനക്കാരെ ഉന്നതാധികാരികൾക്ക് അനുവദിക്കാം. കീഴിലുള്ള AI സഹായികളുടെ പിന്തുണയോടെ കൂടുതൽ വലിയ ഫലങ്ങൾ സൃഷ്ടിക്കാനുള്ള ഉത്തരവാദിത്വവും തൊഴിലാളികൾക്കുണ്ടാകും. കൂടുതൽ സങ്കീർണമായ ജോലികൾ നയിക്കുമ്പോൾ സൃഷ്ടിപരതയ്ക്ക് കൂടുതൽ അവസരങ്ങളുണ്ടെന്ന് ഞങ്ങൾ കാണുന്നു.

തൊഴിലാളികളുടെ സ്വാതന്ത്ര്യത്തെക്കുറിച്ചുള്ള അതേ യുക്തി സ്ഥാപനത്തിന്റെ വലുപ്പത്തിനും ബാധകമാണ്. കരാറുകളുടെ ശൃംഖലയിലൂടെയല്ലാതെ സ്ഥാപനങ്ങൾക്കുള്ളിൽ നാം ഉൽപ്പാദനം ക്രമീകരിക്കുന്നതെന്തുകൊണ്ടെന്ന് റൊണാൾഡ് കോസ്⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) ചോദിച്ചു. പരസ്പരമുള്ള നേരിട്ടുള്ള കരാറുകളിലൂടെ മാത്രം ഒരു വിമാനം പോലും നിർമ്മിക്കാം; പക്ഷേ അത് തീർത്തും കാര്യക്ഷമമല്ലാതാകും. സ്ഥാപനങ്ങൾ വൻതോതിലുള്ള പ്രവർത്തനത്തിന്റെ ചെലവുനേട്ടങ്ങൾ കൈവരിക്കുന്നു, താൽപ്പര്യങ്ങൾ യോജിപ്പിക്കുന്നു, വലിയ പദ്ധതികൾ സംഘടിപ്പിക്കുന്നു, നിരന്തര വിലപേശലിന്റെ ആവശ്യം ഒഴിവാക്കുന്നു.

ആശയവിനിമയം എളുപ്പമാക്കുന്നതിലൂടെ വലുതോ ചെറുതോ ആയ സ്ഥാപനങ്ങളെ AI കൂടുതൽ പ്രായോഗികമാക്കിയേക്കാം. വിവരങ്ങൾ മുകളിലേക്കും നിർദേശങ്ങൾ താഴേക്കും കൈമാറാനുള്ള സംവിധാനമാണ് പരമ്പരാഗത സ്ഥാപനം; അതിൽ തടസ്സങ്ങളും കൈമാറ്റത്തിൽ വിവരങ്ങൾ വികലമാകുന്നതും സാധാരണമാണ്. AI ഏകോപനതലമായി പ്രവർത്തിച്ചാൽ കൂടുതൽ മനുഷ്യജീവനക്കാരുള്ള വലിയ സ്ഥാപനത്തെ കൈകാര്യം ചെയ്യൽ എളുപ്പമാകും. “AI കൺസൾട്ടൻസി” ഉണ്ടെങ്കിൽ, ഇരുപതുപേരുള്ള സംരംഭത്തെ അതിന്റെ സ്ഥാപകൻ അറിയുന്നതുപോലെ ഒരു ഉന്നതാധികാരിക്ക് സ്വന്തം സ്ഥാപനത്തെ അറിയാനാകും. മൂന്നുമാസത്തിലൊരിക്കൽ വിവരണം ലഭിക്കാൻ കാത്തിരിക്കാതെ ഒരു പദ്ധതി നടപ്പാകുന്നത് അവർക്ക് കാണാം; എന്തെങ്കിലും സംഭവിച്ചാൽ അറിയിപ്പും ലഭിക്കും. അവരുടെ കാഴ്ചപ്പാട് കൂടുതൽ വ്യാപകമായി സ്വാധീനം ചെലുത്താം. മറ്റുള്ളവർ ചെയ്യുന്നതും സ്ഥാപനത്തിന്റെ മൊത്തത്തിലുള്ള മുൻഗണനകളും എല്ലാവരും കൂടുതൽ അറിയുന്നു.

ഫലം മറിച്ചുമാകാം. ആശയവിനിമയം തടസ്സമില്ലാത്തതും നിയമപാലനവും ചട്ടങ്ങളും കൂടുതൽ നിരീക്ഷിക്കാനാവുകയും ചെയ്താൽ വിതരണശൃംഖലയുടെ വലിയൊരു ഭാഗം സ്ഥാപനത്തിനുള്ളിൽത്തന്നെ നിലനിർത്തേണ്ടതില്ല. പുറത്തെ വിതരണക്കാരെയും കരാറുകാരെയും സ്ഥാപനത്തിന് കൂടുതൽ വിശ്വസിക്കാം.

ഉൽപ്പാദനത്തിന്റെ വിവിധ ഘട്ടങ്ങൾ ഒരേ ഉടമസ്ഥതയിലാക്കുന്നതിന്റെ പ്രധാന ലക്ഷ്യം ലക്ഷ്യങ്ങളെ ഒരേ ദിശയിലേക്ക് കൊണ്ടുവരിക എന്നതാണ്. അപൂർണ കരാറുകൾ⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) എന്നൊരു ആശയമുണ്ട്: ഒരു വ്യോമയാന കമ്പനിക്ക് ജെറ്റ് എൻജിൻ കമ്പനിയുമായി കരാറുണ്ടാക്കാം. എന്നാൽ കരാറിൽ വ്യക്തമായി ആവശ്യപ്പെടാത്ത കാര്യങ്ങളിലെല്ലാം ചെലവ് വെട്ടിക്കുറച്ച് സ്വന്തം ലാഭം കൂട്ടാനായിരിക്കും എൻജിൻ കമ്പനിക്ക് താൽപ്പര്യം. ഇത് ഒഴിവാക്കാൻ വ്യോമയാന കമ്പനി ജെറ്റ് എൻജിൻ കമ്പനിയെ വാങ്ങുന്നു. തൊഴിലാളികളും മേലധികാരികളും തമ്മിലുള്ള ബന്ധത്തിലെന്നപോലെ, കരാറുകൾ കൂടുതൽ നിരീക്ഷിക്കാനാകുകയും വെറും നിബന്ധനാപരിശോധനയ്ക്കുപകരം വിവേകത്തോടെ തർക്കങ്ങൾ തീർപ്പാക്കുകയും ചെയ്താൽ മറ്റു സ്ഥാപനങ്ങളെ ആശ്രയിക്കാൻ കമ്പനികൾ കൂടുതൽ തയ്യാറായേക്കാം. എല്ലാം സ്ഥാപനത്തിനുള്ളിൽത്തന്നെ ചെയ്യേണ്ടതിന്റെ ആവശ്യം കുറയും.

ചെറിയ രീതിയിലുള്ള ഒട്ടേറെ സ്ഥാപനങ്ങൾ രൂപപ്പെടുമെന്ന് ഞങ്ങൾ പ്രതീക്ഷിക്കുന്നു; ഒപ്പം തന്നെ, ഒരൊറ്റ സംരംഭത്തിന് കീഴിൽ വ്യത്യസ്തമായ വലിയൊരു നിര പ്രോജക്ടുകൾ നടത്തുന്ന വിപുലമായ AI "ഹോൾഡിംഗ് കമ്പനികളും" ഉണ്ടാകും. വിവിധ പദ്ധതികൾക്കെല്ലാം ഉപയോഗിക്കാവുന്ന ഒരു പൊതുവായ ആസ്തി ഉണ്ടെങ്കിൽ ഇത്തരം ബഹുമുഖ കമ്പനികൾ സാമ്പത്തികമായി പ്രയോജനകരമാണ്. ഈ പൊതുവായ ആസ്തി കണക്കുകൂട്ടൽ ശേഷിയാകാം; എന്നാൽ അത് ആവശ്യാനുസരണം ചെറിയ അളവിലും എളുപ്പം ലഭ്യമാക്കാം. പൊതുവായ ഫാക്ടറിയോ റോബോട്ടുകളുടെ നിരയോ ആയിരിക്കുന്നതാണ് ഇതിന് കൂടുതൽ അനുയോജ്യമായ കാരണം.

ലക്ഷ്യങ്ങൾ ഒരേ ദിശയിലാകുന്നതിലൂടെയും വലിയൊരു "ഹോൾഡിംഗ് കമ്പനി" രൂപീകരിക്കുന്നത് ന്യായീകരിക്കപ്പെടാം. AI-കളുടെയും മൂലധനത്തിന്റെയും ഒരു വലിയ സംഘടന പൂർണ്ണമായും ഒരു പൊതു ലക്ഷ്യത്തിനായി—ഉദാഹരണത്തിന്, ക്യാൻസർ രോഗം ഭേദമാക്കുക എന്ന ദൗത്യത്തിനായി—മാറ്റിവെക്കുകയാണെങ്കിൽ, വേറിട്ട ചെറിയ സംരംഭങ്ങളുടെ ആവശ്യം കുറവായിരിക്കും. ഒരു AI സ്ഥാപനത്തിന് അധികാരവടംവലി ഒഴിവാക്കാനും എല്ലാ വിവരങ്ങളും പങ്കിടാനും, ആവശ്യമുള്ളപ്പോൾ വിവിധ വഴികൾ അന്വേഷിക്കാൻ ഏജന്റുകൾക്കിടയിൽ സൃഷ്ടിപരമായ വൈവിധ്യം സൃഷ്ടിക്കാനും കഴിയും.

മികവുള്ള തൊഴിലാളികൾക്ക് പ്രതിഫലം നൽകാനാണ് ഇന്നത്തെ സംവിധാനം ഉദ്ദേശിക്കപ്പെട്ടിരിക്കുന്നത്. അവർ ഉയർന്ന സ്ഥാനങ്ങളിലെത്തുകയും കൂടുതൽ പ്രതിഫലം നേടുകയും ചെയ്യുന്നു. എന്നാൽ മികച്ച ഉപദേശകരായ മോഡലുകളുള്ള ലോകത്ത് തൊഴിലാളികൾ എങ്ങനെയായിരിക്കും തങ്ങളുടെ കഴിവ് തെളിയിച്ച് വേറിട്ടുനിൽക്കുക?

ഒരേ മികച്ച ആശയം AI എല്ലാവർക്കും നൽകിയാൽ വേറിട്ടുനിൽക്കാനുള്ള അവസരങ്ങൾ കുറയും. വേതനങ്ങൾ തമ്മിലുള്ള അകലം കുറയേണ്ടതാണ്.

ഇതിനെ ചെറുക്കുന്നത് വിവേചനശേഷിയും അഭിരുചിയും ചുമതലയുടെ വ്യാപ്തിയുമാണ്. നമുക്ക് താഴെയുള്ള ഓരോ AI സ്ഥാപനങ്ങളെയും നമ്മളാണ് നയിക്കുന്നതെങ്കിൽ, ശേഷിക്കുന്ന മനുഷ്യസംഭാവന നമ്മുടെ തീരുമാനങ്ങളായിരിക്കും. ഓരോ വ്യക്തിയും കീഴിലുള്ള വലിയൊരു പ്രവർത്തനത്തിന്റെ ഉത്തരവാദിയാകുമ്പോൾ, നല്ലതും മോശവുമായ തീരുമാനങ്ങൾ തമ്മിലുള്ള വ്യത്യാസം കൂടുതൽ ശക്തമായി പ്രതിഫലിക്കും⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു).

സ്ഥാപന ഘടനയുടെ മുകൾത്തട്ടിൽ ഈ യുക്തി നമ്മൾ ഏറെക്കാലമായി പ്രയോഗിക്കുന്നു. മുകളിലെ അൽപ്പം മെച്ചപ്പെട്ട തീരുമാനങ്ങൾപോലും ലാഭത്തിൽ വലിയ മാറ്റമുണ്ടാക്കാമെന്ന ആശയത്താലാണ് മുഖ്യ നിർവാഹകന്റെ വേതനത്തെ⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) നാം ന്യായീകരിക്കുന്നത്. പരിമിതമായ വിഭവങ്ങൾ വിനിയോഗിക്കാൻ ചില തൊഴിലാളികൾ കീഴിലുള്ള AI സ്ഥാപനങ്ങളെ കൂടുതൽ നന്നായി നയിച്ചാൽ വേതന അസമത്വം കൂടാം.

തീരുമാനങ്ങളുടെ പ്രാധാന്യം കൂടുന്തോറും മറ്റൊരാളേക്കാൾ നിങ്ങൾക്കുള്ള ചെറിയ മികവുപോലും ശമ്പളത്തിൽ കൂടുതൽ പ്രതിഫലിക്കും. മറുവശത്ത്, AI എല്ലാവർക്കും നല്ല ഉപദേശം നൽകും. മികവിലെ വ്യത്യാസം കുറയുമ്പോൾ വേതനവ്യത്യാസവും ചുരുങ്ങും.

ഇവിടെയും മറ്റിടങ്ങളിലും ഏത് ശക്തി മേൽക്കൈ നേടുമെന്നത്, നാം പ്രധാനമായും തീരുമാനങ്ങൾ എടുക്കുകയാണോ അവ പിന്തുടരുകയാണോ എന്നതിനെ ആശ്രയിച്ചേക്കാം.