సంస్థ భవిష్యత్తు

రచయితల గమనిక: రాబోయే ఆర్థిక వ్యవస్థపై మా వ్యాస పరంపరలో ఇది రెండోది. AGI భవిష్యత్తును అన్వేషించే స్వతంత్ర స్వరాలకు చోటిచ్చే కొత్త వేదికలో ఇది భాగం. ఇందులోని అభిప్రాయాలు మావి మాత్రమే; OpenAI లేదా మా సహోద్యోగులవి కావు.

ఇక్కడ OpenAIలో మా సొంత బృందాలను నిర్వహించడం మొదలుపెట్టినప్పుడు మా ఇద్దరి వయసూ ఇరవై నాలుగేళ్లు. మా బృందాలను కలిశాక అది అంత గొప్పగా అనిపించదు.

నిజానికి మేం చిన్నాచితకా పనులు చేసే స్థాయిలో ఉండాలి. ఇరవై నాలుగేళ్ల వయసులో సంస్థాగత నిచ్చెనలో మీరు అట్టడుగున ఉంటారు. సమావేశాల్లో నోట్సు తీసుకుంటారు, కొన్ని సమాచార పత్రాలు రాస్తారు. ఏళ్ల తరబడి విసుగు పుట్టించే పని చేశాక, మరిన్ని బాధ్యతలు దక్కుతాయి—అలాగే జరగాలని ఆశిస్తాం.

మా ప్రయాణం, నేటి అనేకమంది యువత ప్రయాణం, భిన్నంగా కనిపిస్తోంది. మా ఆదేశాలు పాటించే “ఉద్యోగులు” ఇప్పటికే ఉండగానే మేం ఉద్యోగ ప్రపంచంలో అడుగుపెడుతున్నాం. ఈ సహాయకులు రాత్రింబవళ్లు, వారాంతాల్లో, సెలవుల్లో కూడా పనిచేస్తారు. చిన్నాచితకా పనులు చేయడంలో వీరు దిట్టలు. మాకు సలహాలిచ్చేందుకు గణిత ఒలింపియాడ్ స్వర్ణపతక విజేతలు కూడా మా సిబ్బందిలో ఉన్నారు. మా కింద కొత్తగా చేరిన వీరు ఇంకా తప్పులు చేస్తూనే ఉన్నారు. కానీ మెరుగవుతున్నారు, మా అవసరాలు నేర్చుకుంటున్నారు. వారిని ఎలా నిర్వహించాలో మేమూ నేర్చుకుంటున్నాం.

మాలో ఎవరూ సంస్థాగత నిచ్చెన ఎక్కలేదు. నిర్వహణ బాధ్యతలే మా మెట్టుకు దిగివచ్చాయి. మేధస్సు యుగంలోకి అడుగుపెడుతున్న వేళ, మా పదోన్నతి గురించి, సంస్థలు పునర్వ్యవస్థీకరించుకోగల ఇతర మార్గాల గురించి ఈ వ్యాసం చర్చిస్తుంది.

AI సంస్థలోకి ప్రవేశిస్తే, దానికి చోటెక్కడ. వివరణ కోసం మూడు సంభావ్య రూపాలను ముందుంచుతున్నాం:

ఇవేవీ మేం వివరించినట్లే అచ్చంగా జరగవు. కానీ మూడింటిలోని కొన్ని అంశాలు నిజమవుతాయని భావిస్తున్నాం. మూడూ ఇప్పటికే సూక్ష్మస్థాయిలో జరుగుతున్నాయి.

ఇక్కడ మా దృష్టి సంపూర్ణ స్వయంచాలకీకరణపై కాదు, మార్పులో ఉన్న ఆర్థిక వ్యవస్థపై. AI మెరుగై, ప్రస్తుత సంస్థల్లో అల్లుకుపోతున్నప్పుడు మానవులు–AI కలగలిసిన సంస్థలు ఎలా ఉంటాయన్నదే మా ఆసక్తి.

AIని ఉత్పాదకంగా వాడుకలోకి తేవడం తక్షణమే జరగదు కాబట్టి, ఈ మిశ్రమ సంస్థ భావన ముఖ్యమని మేం నమ్ముతున్నాం. మోడళ్లు కొన్ని పనులే చేయగలిగినప్పుడు, ఆ పని తెలిసిన క్షేత్రస్థాయి ఉద్యోగులే వాటిని సులభంగా వాడుకలోకి తేగలరు. విస్తృత బాధ్యతలను మొదటి నుంచి చివరిదాకా మోడళ్లు నిర్వర్తించగలిగితే, పైస్థాయి వారే వాటిని నేరుగా వాడవచ్చు. మా దృష్టిలో, AIకి సామర్థ్యం పెరిగేకొద్దీ దాన్ని వాడుకలోకి తేవడం సులభం: సాంకేతికతను సంస్థలు నేర్చుకోవాలి; కానీ సిబ్బంది సంస్థను అర్థం చేసుకుని, తామే పనిలో ఇమిడిపోగలరు.

మూడు కొత్త సంస్థాగత నిర్మాణాలను విశ్లేషించి, అనవసర విధానాలు, ఉద్యోగుల స్వతంత్రత, సంస్థ పరిమాణం, వేతన అసమానతల భవిష్యత్తుపై వాటి ప్రభావాలను పరిశీలిస్తాం.

మా మొదటి సంభావ్య రూపం అతి తక్కువ కల్లోలం తెచ్చేదిగా కనిపిస్తుంది. ఇందులో మనుషులు అదే స్థానాల్లో, అదే అధికారుల కింద ఉంటారు; పైకి చూస్తే మునుపటి ఉద్యోగాలే చేస్తుంటారు. నేటికీ ఈ భవిష్యత్తుకీ మానవ సంస్థాగత నిర్మాణంలో మార్పు కనిపించదు.

తేడా మన కింద ఉంది. బృంద నిర్వహణ బాధ్యతలులేని ప్రతి ఉద్యోగి కిందా, కొత్త AI శ్రామిక బృందం పనిచేస్తుంది. మా సంస్థాగత నిర్మాణానికి కొత్త దిగువ అంతస్తు చేరుతుంది; మేమంతా నిర్వాహకులమవుతాం.

మొదట్లో ఈ దిగువ అంతస్తు అసంపూర్ణంగా ఉంటుంది. మొదట తలా ఒకట్రెండు ఏజెంట్లు ఉంటాయి. అవి అనుభవజ్ఞులైన ఉద్యోగుల్లా కాక, మన పర్యవేక్షణ, తప్పులను మన్నించే సహనం అవసరమయ్యే ఉత్సాహవంతులైన శిక్షణార్థుల్లా ఉంటాయి. మా అంచనాలు చిన్నవే: ఇక్కడ ఒక ఈమెయిల్ పంపడం, అక్కడ ఒక సమాచార పత్రం రాయడం, Slack సందేశాలకు బదులివ్వడం. కొత్త మానవ ఉద్యోగుల్లాగే, వాటికీ మొదట్లో స్వేచ్ఛ, నమ్మకం తక్కువే.

కానీ మోడళ్లు మెరుగయ్యేకొద్దీ, మా ఏజెంట్లు తక్కువ పర్యవేక్షణతో ఎక్కువ పనులు చేపడతాయి. అవి పరస్పరం సమన్వయం చేసుకుంటాయి. నిర్వాహక AIలు, చిన్న పనులు చేసే AIలు, గణకులు, న్యాయవాదులు—అందరూ మీ ఆదేశాల మేరకు కలిసి పనిచేయవచ్చు. శిక్షణార్థికి ప్రతి అడుగులోనూ సాయం చేసే దశ దాటి, మీ వ్యవస్థ చివరకు తనదైన సంస్థాగత నిర్మాణమున్న చిన్న సంస్థలా తయారవుతుంది. దానికి మీరే పాలకమండలి.

ఈ రూపంలో ఉద్యోగాల తొలగింపు తప్పనిసరి కాదని గమనించండి. ఇక్కడ మనల్ని మనం భర్తీ చేసుకోకుండానే AIని వాడుకలోకి తెస్తాం. బదులుగా మునుపటి మన పాత్రలను స్వయంచాలకీకరించి, మనం పైస్థాయికి వెళ్తాం. మనం గతంలో చేసిన పనుల్లో మరింత భాగాన్ని AI చేపడుతుంది. నిర్వహించాల్సిన పని పెరుగుతుంది కాబట్టి మన ఉద్యోగాలు ఉంటాయి; మరింత మొత్తం ఉత్పత్తికి మనం బాధ్యత వహిస్తాం.

ఉద్యోగాలు మారకుండా ఉండవు⁠(కొత్త విండోలో తెరుచుకుంటుంది). మీరు గతంలో చేసిన పనిలో తొంభై శాతం AI చేయగలదనుకోండి. మీకు పది శాతం పనే మిగిలిందని అనుకోవచ్చు. మరో అవకాశం ఏమిటంటే, మీరు ఇప్పటికీ పూర్తి ఉద్యోగమే చేస్తున్నారు; కానీ అది వేరొకటి—ఇప్పుడు పదిరెట్లు పెద్ద లక్ష్యంపై దృష్టి పెడుతున్నారు. సాంకేతికత ఇచ్చే చిరపరిచిత వరం అదే: ఉత్పాదకత పెరుగుతుంది, దానికి తగ్గట్టే ఆశయం పెరుగుతుంది, ఆ ఆశయంతోపాటు వేతనాలూ పెరగవచ్చు⁠(కొత్త విండోలో తెరుచుకుంటుంది).

ఉత్పత్తికి మనం ఇంకా విలువను జోడిస్తూనే ఉన్నామా⁠(కొత్త విండోలో తెరుచుకుంటుంది) అన్నదానిపైనే ఇదంతా ఆధారపడుతుంది. స్వయంచాలకీకరణ అన్నీ చేయలేని, అంతటా వాడుకలోకి రాని రాబోయే సంవత్సరాలపైనే ఈ వ్యాసం దృష్టి పెడుతుంది. AI అన్నీ చేయగలిగినా, మనిషి తయారు చేశాడనే కారణంతో దేనికైనా ఎక్కువ విలువ ఇవ్వవచ్చు, లేదా తుది నిర్ణయం మనిషిదే కావాలని పట్టుబట్టవచ్చు.

ఇది మన వినియోగ ఆకాంక్షలపైనా ఆధారపడుతుంది. వినియోగదారులుగా మనకు పదిరెట్లు ఎక్కువ ఉత్పత్తి అక్కర్లేకపోతే, సమతౌల్యం తక్కువ ఉద్యోగులు లేదా తక్కువ పని గంటల వైపు మారుతుంది. చారిత్రకంగా ఉత్పత్తి పెరుగుదల మన కోరికలను పూర్తిగా తీర్చలేదు. మనకు ఎంతో ఎక్కువ⁠(కొత్త విండోలో తెరుచుకుంటుంది) ఉంది; కానీ పనిచేసేది మాత్రం కొద్దిగా తక్కువే⁠(కొత్త విండోలో తెరుచుకుంటుంది). ఉత్పత్తి ఎన్నో రెట్లు పెరిగేకొద్దీ మన ఆకాంక్షలూ పెరుగుతూ, మనం ఉత్పత్తికి విలువ జోడిస్తుంటే, మరింత వినియోగం కోసం మన శ్రమను అందిస్తూనే ఉంటాం. బదులుగా ఉత్పత్తి సమృద్ధిగా పెరిగి మనకు తృప్తి కలిగితే, స్వచ్ఛందంగా తక్కువమంది పనిచేయడాన్ని ఎంచుకోవచ్చు.

తర్వాత మరికొన్ని అభ్యంతరాలను చర్చిస్తాం—ఉదాహరణకు, చిన్న సంస్థల సంఖ్య పెరుగుతుందా అనేది. అయినా ఈ రూపం ముఖ్యమని మేం భావిస్తున్నాం; ఎందుకంటే వాడుకలోకి తేవడం ఎక్కడో ఒకచోట మొదలవ్వాలి. ప్రస్తుత నిర్మాణాల నుంచి స్థిరంగా పరిణామం చెందేందుకు సంస్థలకు ఒక మార్గం అవసరం. మొత్తం పునర్వ్యవస్థీకరించడం కంటే, ఉన్న ఉద్యోగుల పనిని బలోపేతం చేయడం సులభమైన తొలి అడుగు కావచ్చు. నేడు ఇదే చూస్తున్నాం: ఒక్కొక్క ఉద్యోగి AIకి పనులు అప్పగిస్తున్నారు; సంస్థాగత విప్లవమేమీ ఇంకా జరగలేదు.

క్షేత్రస్థాయి వారే ముందుగా AI సహాయకులను నియమించుకోవడంపై ఈ రూపం ఆధారపడుతుంది. AIని వాడుకలోకి తేవడంలో నిర్వాహకులు, ఉన్నతాధికారులు కాదు—క్షేత్రస్థాయి ఉద్యోగులే ముందుంటారు. గతంలో స్వయంగా ఆ పని చేసినవారే AIతో దాన్ని ఉత్తమంగా చేయించగలిగినంతకాలం, ఇదే జరిగే అవకాశం కనిపిస్తుంది.

మోడళ్లు ఇప్పటికే అనేక దత్తాంశ శాస్త్ర పనులను స్వయంచాలకీకరించగలవు. కానీ పద్ధతులు, సూక్ష్మ వివరాలు తెలియని విభాగాధిపతి ఆ సాధనాలను వాడటంలో ఇబ్బంది పడతారు. మీకు తెలియనిదేమిటో స్వయంగా చెప్పేంత చొరవ AIకి వచ్చేవరకు, పని ఎలా చేయాలో ఇప్పటికే తెలిసినవారికే అది బాగా ఉపయోగపడవచ్చు. తర్వాతి సంభావ్య రూపాన్ని చూడండి.

ఈ రూపంలో అతి పెద్ద మార్పు ప్రవేశ స్థాయి ఉద్యోగులకే. ఇక అట్టడుగు మెట్టు ఉండదు—కనీసం మనుషులకు. యువతను నియమించుకున్నప్పుడు, సంస్థ అట్టడుగున విసుగు పుట్టించే పనుల్లో వారిని పెట్టం. ఆ పనులు చేయడానికి విసుగు చెందనిదేదో ఆ స్థానాలను భర్తీ చేస్తుంది.

దీంతో యువ ఉద్యోగులకు నేర్పే కొన్ని సంప్రదాయ మార్గాలను కోల్పోతాం: శిష్యరికం⁠(కొత్త విండోలో తెరుచుకుంటుంది), చిన్న పనులతో నేర్చుకోవడం, కష్టపడి అర్హత నిరూపించుకోవడం. ఇవి నిజమైన నష్టాలే. అయినా దీన్ని మేం ప్రధానంగా ఒక వరంగా చూస్తున్నాం. మంచి ఆలోచన ఉన్న అతి కొత్త ఉద్యోగికీ ప్రయోగాలు చేసే వనరులు ఉంటాయి. మన దగ్గర తగినంత సిబ్బంది లేరు అనే పాత సాకు కనుమరుగవుతోంది. గొప్ప వీడియో గేమ్ ఆలోచన ఉండి, సిబ్బందిని పొందే మార్గంలేని కొత్త ఉద్యోగిని ఇప్పుడు దాన్ని నేరుగా నిర్మించవచ్చు.

మా దృష్టిలో, ఈ “పైమెట్టుకు చేర్చడం” రూపంలోనూ కొత్త ఉద్యోగులు నేర్చుకోవాల్సింది ఎంతో ఉంది—నిర్ణయ వివేకం, అభిరుచి, నిర్వహణ నైపుణ్యాలు, సృజనాత్మక దార్శనికత. ఈ నైపుణ్యాలు మన పని ఫలితాల్లో కనిపిస్తాయి కాబట్టి, వాటిని పెంపొందించుకోవడానికి ప్రేరణ ఉంటుంది. మనం ఇంకా చేస్తూనే నేర్చుకుంటాం⁠(కొత్త విండోలో తెరుచుకుంటుంది), కానీ మరింత విస్తృత పరిధిలో. మన విజయాల్లో వాటాలున్న సంస్థ పెద్దలకు, బాధ్యతగల మార్గదర్శకులుగా మనకు సాయపడాలనే ప్రేరణ కొనసాగుతుంది. ప్రతి మెట్టులో ప్రతి ఒక్కరికీ మరింత ఉత్సాహాన్నిచ్చే పాత్రే ఇక్కడి అవకాశం. విస్తృత బాధ్యతలతో ఏ ఉద్యోగైనా తన ప్రతిభను చూపవచ్చు. స్వంత నిర్ణయ పరిధే లేని ప్రవేశ స్థాయి ఉద్యోగులకు ఇది మరీ ముఖ్యం.

సంస్థలోకి AI ప్రవేశించే రెండో మార్గం ప్రస్తుత సంస్థాగత నిర్మాణంలో అల్లుకుపోతుంది. ఇక్కడ ఏజెంట్లు అట్టడుగు పనివారు కాదు, సహోద్యోగులు. ఒక సాధారణ నిర్వాహకురాలు ఏ ఉద్యోగికైనా అప్పగించినట్లే, బృందపు పనిలో కొంత భాగాన్ని మోడల్‌కు అప్పగిస్తుంది. AI మనుషుల కిందే కాక, వారి పక్కనా చేరుతుంది.

మొదటి రూపంతో కీలక తేడా ఇది: ఇక్కడ ఉత్పాదక AIని వ్యక్తిగత ఉద్యోగులే కాక, ప్రస్తుత మానవ నిర్వాహకులూ వాడుకలోకి తెస్తారు. అందుకు అది పూర్తిస్థాయి బృంద సభ్యుడయ్యేంత సమర్థంగా ఉండాలి.

మనుషులు అనేక రకాల పనులు చేయగలరు. సుత్తి ఒక పనికి సాయపడుతుంది; మనిషి అంతకంటే ఎంతో ఎక్కువ చేస్తాడు. సాధనం నుంచి శ్రామిక శక్తిగా AI ప్రయాణం, విస్తరిస్తూ పోయే పరిధి: మొదట పని, తర్వాత ఉద్యోగం, ఆపై బృందం, చివరకు సంస్థను స్వయంచాలకీకరించడం. పరిధిలో ప్రతి మెట్టుకూ మరింత విస్తృత సామర్థ్యం అవసరం.

ఉద్యోగం అంటే ఎన్నో పనులతో నిండిన పెట్టె. మొత్తం బృందం విషయానికొస్తే, ఆ పెట్టెలో అన్ని రకాల భిన్న పనులూ కిక్కిరిసి ఉంటాయి. బాధ్యతల పరిధిలో పనులు పెరిగితే, అడ్డంకులు ఏర్పడే అవకాశాలూ పెరుగుతాయి. బృందంలోని ఒక్క ముఖ్య పనికైనా భౌతిక శ్రమ అవసరమైతే, పూర్తిగా కొత్త అనుబంధ పరికరాల సమూహం కావాలి. మొత్తం బృందానికి నేరుగా ప్రత్యామ్నాయం కావాలంటే, దాని విభిన్న బాధ్యతలన్నింటినీ AI నిర్వహించగలగాలి.

విస్తృత బాధ్యతలను నిర్వహించగల AIని నిర్మించడం కష్టం. కానీ సంస్థలకు విస్తృత పరిధి ఉన్నదాన్ని వాడుకలోకి తేవడమే సులభం—ఈ మొత్తం మార్పులో ప్రధాన అసమానత ఇదే.

ఆద్యంతం స్వయంచాలకంగా పనిచేసే బృందాన్ని లేదా విస్తృత విధిని ఉన్నతాధికారి నేరుగా వాడుకలోకి తేగలరు. పరిమిత సామర్థ్యాలున్న సాధనాన్ని పైస్థాయి నుంచి అంత సులభంగా అమల్లో పెట్టలేరు. సరళమైన సాధనానికి సిబ్బంది అంతటా విస్తృత ఆమోదం, పునఃశిక్షణ అవసరం.

సంప్రదాయంగా కొత్త సాంకేతికతలు పరిమిత పనుల సమూహాన్ని చేయడానికయ్యే ఖర్చును తగ్గిస్తాయి. తర్వాత భారం కొనుగోలుదారుపై పడుతుంది. కొత్త సాధనాన్ని ఎలా ఉపయోగించుకోవాలో సంస్థ తెలుసుకోవాలి; దానికి అనుగుణంగా పునఃశిక్షణ ఇవ్వాలి, పునర్వ్యవస్థీకరించాలి, ప్రక్రియలను పునర్నిర్మించాలి⁠(కొత్త విండోలో తెరుచుకుంటుంది). గణనపట్టికల సాఫ్ట్‌వేర్ దానంతట అదే లెక్కల విభాగంలో ఇమిడిపోలేదు—లెక్కల విభాగమే సాఫ్ట్‌వేర్‌కు అనుగుణంగా మారింది.

సిబ్బంది విషయంలో దీనికి విరుద్ధంగా జరుగుతుంది. శిక్షణార్థి, ఉద్యోగి, మంచి బృందం—మీకు ఎలా ఉపయోగపడాలో వారే తెలుసుకుంటారు. మిమ్మల్ని ప్రశ్నిస్తారు, మీ పరిస్థితులను అర్థం చేసుకుంటారు, మీ అవసరాలను గమనిస్తారు. మీకు తెలియదని కూడా మీరు గుర్తించని విషయాలను వారు చెబుతారు. ఉత్తమ సిబ్బంది తమంతట తామే పనిలో ఇమిడిపోతారు.

ఈ అర్థంలో, చొరవతో, అనుకూలించగల సామర్థ్యంతో AI సిబ్బందిలా మారేకొద్దీ, దాన్ని ఎలా ఉపయోగించాలో సంస్థ నేర్చుకోవాల్సిన అవసరం తగ్గుతుంది. సంస్థకు ఎలా ఉపయోగపడాలో అదే ఎక్కువగా తెలుసుకుంటుంది. కొత్త సాధనాన్ని నేర్చుకోవడానికి ఉన్నతాధికారి రూపకల్పన సాఫ్ట్‌వేర్ ప్రాథమిక పాఠం వినేందుకు కూర్చోకపోవచ్చు. కానీ ఒక్క మాట చెప్పండి, మీ మొత్తం విపణన వ్యవస్థను ఏర్పాటు చేస్తాను అనే ప్రతిపాదనను సంతోషంగా పరిశీలిస్తారు.

ఒక ఉద్యోగాన్ని స్వయంచాలకీకరించడమే AGI అంతిమ లక్ష్యమని మనం మరీ తరచుగా చెబుతుంటాం. నిజమే, మనం ఇంకా ఆ స్థాయికి కూడా చేరలేదు. మనకు అద్భుతమైన సామర్థ్యాలు ఉండటం వల్లే ఉద్యోగాలు అంత అసాధారణ సంక్లిష్టతతో ఉంటాయి. అయినా, మన ఆర్థిక వ్యవస్థ ఉత్పత్తిలో ఒంటరిగా పనిచేసే వ్యక్తుల నుంచి వచ్చేది అతి తక్కువ⁠(కొత్త విండోలో తెరుచుకుంటుంది). ఉత్పాదక ఉద్యోగాలు బృందాలకు, బృందాలు సంస్థలకు తోడ్పడతాయి. మనం వినియోగించే దాదాపు అన్నింటినీ సంస్థలే ఉత్పత్తి చేస్తాయి.

AGIకి “ఉద్యోగం” ప్రమాణం మన మానవ సామర్థ్యానికి తగిన గుర్తింపు ఇవ్వదు. శ్రమ అంటే పనులు చేయడమో, అసాధారణ అంశాలను నిర్వహించడమో మాత్రమే కాదు. అందులో అద్భుతమైన సమన్వయం, పెద్ద ఫలితాల్లో చిన్న భాగాలను చేయడానికి మనల్ని మనం మలచుకునే సామర్థ్యమూ ఉన్నాయి. మనల్ని కేవలం పనుల మూటలుగా చూడటం మన విలువను అతి చౌకగా కట్టడమే. మానవ సామర్థ్యం వ్యక్తిలో కంటే మన సంస్థల్లోనే⁠(కొత్త విండోలో తెరుచుకుంటుంది) ఎక్కువగా ఉంది. ఆర్థిక కార్యకలాపాల AGI ఒక వ్యక్తి స్థాయిని కాదు, మనుషుల సమూహం స్థాయిని చేరాలి.

అందువల్ల, AI బృందం లేదా సంస్థలా కాక, ఇంకా సాధనంలా లేదా ఉద్యోగిలా మాత్రమే ఉంటే, “పక్కపక్కన అల్లుకుపోవడం” రూపం బాగా అసమర్థంగా ఉండవచ్చు. ప్రతి ఉద్యోగి పక్కన ఒక మోడల్‌ను పెట్టడం అంటే వేలాది అనుసంధానాలు, పని అప్పగింతలు⁠(కొత్త విండోలో తెరుచుకుంటుంది). ఈ విడివిడి అమరిక వాడుకలోకి తేవడాన్ని నెమ్మదింపజేయవచ్చు.

ముందుగా వచ్చే తక్కువ సామర్థ్యపు అమలులకూ, తర్వాత వచ్చే ఎక్కువ సామర్థ్యపు మోడళ్లకూ మధ్య పోటీని మేం చూస్తున్నాం. ఆ సామర్థ్యాలు సాధించడానికి పట్టే అదనపు సమయాన్ని పూడ్చేంత వేగంగా భవిష్యత్తు మోడళ్లను వాడుకలోకి తేగలమా అన్నదే విజేతను నిర్ణయిస్తుంది.

ఈ “పక్కపక్కన అల్లుకుపోవడం” రూపం, మొదటి “పైమెట్టుకు చేర్చడం” రూపంతో కలిసి ఉండవచ్చు. కొన్ని విధులను AI స్వయంచాలకీకరించడంతో సంస్థల్లో మానవుల సంఖ్య తగ్గవచ్చు. మిగిలిన మనుషులకు మాత్రం ఏజెంట్ బృందాల సాయంతో మరింత విస్తృత బాధ్యతలు దక్కవచ్చు. ముఖ్యంగా, ఈ రూపం ఒక్కటే మొత్తం మానవ ఉపాధి తగ్గుతుందని సూచించదు. ఒక్కో సంస్థలో తక్కువ సిబ్బంది ఉన్నా, సంస్థల సంఖ్య పెరగవచ్చు.

మా మూడో సంభావ్య రూపం అత్యంత విస్మయపరిచేది. ఇక్కడ AI సంస్థలో మనుషుల పైస్థాయిలో ప్రవేశిస్తుంది. నిర్మాణం ఇక యంత్రాలపై మనుషులు కాదు; మనిషి, AI, మనిషి—రెండు మానవ అంచెల మధ్య స్వయంచాలకీకరణ. కొందరు ఒక AIకి “జవాబుదారీగా” ఉంటారు.

ఇది నమ్మశక్యంగా అనిపించదు; ముఖ్యంగా సంస్థలు AIని వాడటం మొదలుపెట్టే దశగా. కానీ తక్కువ విప్లవాత్మక రూపాల్లో ఇది ఇప్పటికే మొదలైందని మేం భావిస్తున్నాం.

మేధోశ్రమను యాంత్రికీకరించేదిగా AIని భావించినప్పుడూ, మన దృష్టి సాధారణంగా దిగువ మెట్లపైనే ఉంటుంది. AI గణనపట్టికలు, ప్రదర్శన పత్రాలను స్వయంచాలకీకరిస్తుందని అంటాం; నిర్వహణను కాదు. స్వయంచాలకీకరణ క్రమంగా పైకెక్కుతుందని మన సహజ భావన: ముందు సాధారణ మేధోపని, చివరన నిర్ణయ వివేకం; చివరి కోటగా నిర్వాహకుడు.

కానీ నిర్వాహకుడి పని ఎక్కువగా కంప్యూటర్‌పైనా మనసులోనూ జరుగుతుంది: చదవడం, సమావేశాలు, బేరీజు వేయడం, సందర్భాన్ని గుర్తుంచుకోవడం, నిర్ణయాలు తీసుకోవడం. ప్రత్యక్షంగా ఉండటానికి, కార్యాలయమంతా తిరగడానికి, సిబ్బందితో కలిసుండటానికి విలువ ఉంది. అయినా ఎక్కువగా మేధోపనే అయినప్పటికీ, నిర్వహణ కంటే క్షేత్రస్థాయి పనికే భౌతిక వస్తువులు, సాధనాలతో ఎక్కువ సంబంధం ఉంటుంది. ఫొటోకాపీ యంత్రం దగ్గరకు పంపేది శిక్షణార్థినే, అతని అధికారిని కాదు.

నిర్వహణ నిర్ణయాలు తీసుకోవడం మోడల్‌కు నేర్పడం కష్టం. ఎందుకంటే విజయం ఏమిటనేది అస్పష్టం; దాన్ని దీర్ఘకాలంలో కొలుస్తారు. మంచి మానవ నిర్వాహకులకు శిక్షణ ఇవ్వడం కూడా ఇలాంటి కారణాల వల్లే⁠(కొత్త విండోలో తెరుచుకుంటుంది) కష్టం. నిర్వహణలో మోడళ్లు ఎంత సమర్థమో మనకు ఇంకా తెలియదు. అమలుపై దృష్టి పెట్టే మేధోశ్రమకు మూల్యాంకనాలు ఎన్నో ఉన్నాయి. కానీ నిర్వాహకులు, ఉన్నతాధికారుల పరిధిలో పెద్ద స్థాయి సమన్వయాన్ని కొలిచేవి చాలా తక్కువ.

అయినా, నేటి మోడళ్ల సామర్థ్యం క్షేత్రస్థాయి ఉద్యోగుల కంటే మానవ నిర్వాహకులకే దగ్గరగా ఉండవచ్చన్న అవకాశాన్ని పరిశీలించడం సముచితం. కొన్ని నిర్వహణ విధులు తాము పర్యవేక్షించే పనికంటే ముందే స్వయంచాలకం కావచ్చు.

బహుశా ఈ “మధ్య అంచెగా చేరడం” రూపం పూర్తిగా వికసిస్తే, AI ఆలోచనా పనంతా చేసి, తన సామర్థ్యంలో లోటును తన కింద పనిచేసే మానవ గుత్తేదారులతో పూరించుకుంటుంది. ఆ ప్రపంచం మనకు చాలా అపరిచితంగా అనిపిస్తుంది. చాలా మారాల్సి ఉంటుంది.

కానీ మరింత సహజంగా ఎదిగే ఒక రూపముంది. దాని తొలి అంకం ఇప్పటికే మొదలైంది: సలహాలివ్వడం. నేడు ఒక ఉన్నతాధికారి తన కంపెనీ అంతటా ఉన్న వందలాది Slack ఛానళ్లు, పత్రాలు, సందేశాలు, కోడ్ ఫైళ్లను చదివి, ప్రశ్నలకు సమాధానాలివ్వమని ChatGPTని అడగవచ్చు. ఈ బృందం నిజంగా ఏం చేస్తుంది. ఆ బలహీనత ఎక్కడ బయటపడుతోంది. సంస్థలోని ప్రతి భాగమూ ఆమెకు మరింత సులభంగా విశ్లేషించదగినదిగా⁠(కొత్త విండోలో తెరుచుకుంటుంది) మారుతోంది.

ఉన్నతాధికారులు ఎప్పటినుంచో సంస్థాగత నిర్మాణంలో డబ్బుకు పనిచేసే మధ్యవర్తులను చేర్చుతున్నారు—దానికే సలహా సేవలు అని పేరు పెట్టారు. నిర్వహణ సలహా సంస్థ కొంతకాలం మీపై మరో అంచెగా చేరుతుంది; అందుకు భారీ ఖర్చవుతుంది. ఇకముందు AI సలహాదారులు అతి చౌకగా, ఎల్లవేళలా అందుబాటులో ఉండవచ్చు.

సంస్థ పత్రాలు, సమాచార మార్పిడిని విశ్వసనీయంగా విశ్లేషించడం మోడళ్లు ఇప్పుడిప్పుడే మొదలుపెడుతున్నాయి. వాటి అభిరుచి, చొరవ ఇంకా పరిపక్వం చెందాలి. ప్రస్తుతానికి, ఆసక్తిగల ఉన్నతాధికారి తన సంస్థను మరింత వివరంగా అర్థం చేసుకోవడానికి ChatGPT తోడ్పడుతుంది. చివరకు అది పూర్తిస్థాయి సలహా సేవల వ్యవస్థగా మారుతుందని మేం భావిస్తున్నాం. అది దిగువస్థాయి ఉద్యోగులకు నిజమైన “నిర్వాహకుడు” కాదు; సంస్థలోని సమాచారాన్ని అందించే ప్రతినిధిగా, ఉన్నతాధికారులకు సలహాదారుగా ఉంటుంది. వ్యాపార నైపుణ్యంతో అన్నింటినీ పరిశీలించి, సమస్యలను ముందుగా వెలికితీసి, వాటి ప్రాధాన్యక్రమాన్ని నిర్ణయించడంలో సాయపడుతుంది.

ఇది మేలు చేస్తుందా, హాని చేస్తుందా అనేది ఉన్నతాధికారిపై ఆధారపడుతుంది. దీని నిర్మాణాత్మక ప్రభావం కేంద్రీకరణ. ఇది అగ్ర నాయకత్వానికీ అసలు కంపెనీ కార్యకలాపాలకూ మధ్య దూరాన్ని తగ్గిస్తుందని మేం భావిస్తున్నాం. గతంలో సమాచార ఆటంకాలు వికేంద్రీకృత నిర్ణయాలకు అనుకూలంగా ఉండేవి; ఇప్పుడు ఇది అగ్రస్థాయికి మరింత అధికారం ఇస్తుంది.

అధికారాన్ని మార్చే తీరు వల్లే కాక, AIని సలహా వ్యవస్థగా ఎంత సులభంగా వాడుకలోకి తేవచ్చన్న కారణంతోనూ ఈ రూపం కీలకమని మేం భావిస్తున్నాం. సంప్రదాయ సలహా సేవల్లాగే, AI సలహా వ్యవస్థకు ఉన్నతాధికారి నుంచి సాంకేతిక పరిజ్ఞానం అవసరం లేదు. టైప్ చేయడం, టెర్మినల్ వాడటం తెలిసినవారు దిగువస్థాయి నుంచి వాడుకలోకి తెచ్చిన కంప్యూటర్‌లాంటిది కాదు ఇది. మీరు మీ సలహాదారుతో మాట్లాడితే చాలు; సాంకేతిక విషయాలు అదే చూసుకుంటుంది. ఈ వినియోగ తరంగం అగ్రాధికారి కార్యాలయం నుంచే మొదలవవచ్చు. సలహా వ్యవస్థ, తిరిగి, మిగిలిన సంస్థ అంతటా AI వినియోగాన్ని వేగవంతం చేయవచ్చు.

దూరం నుంచి పని, గుత్తేదారీపై సంస్థలు అపనమ్మకం చూపడానికి ఒక ప్రధాన కారణం ఉంది: పని చేయించగలగడం. పని జరుగుతున్న తీరును దానికున్న పూర్తి సంక్లిష్టతతో గమనించడానికి సంస్థలకు చౌకైన మార్గం ఎన్నడూ లేదు. అందుకే అవి పని చేస్తున్నట్లు కనిపించే హావభావాలను కొలుస్తాయి⁠(కొత్త విండోలో తెరుచుకుంటుంది): క్లిక్‌ల సంఖ్య, మౌస్ కదలికలు, పచ్చని స్థితి చుక్కలు. నిజంగా మంచి పని జరుగుతోందా అన్నదానితో వీటికి సంబంధం చాలా తక్కువ.

AI అర్థం చేసుకునే పర్యవేక్షకాన్ని అందిస్తుంది. ఒక వ్యక్తి చేసిన పనిని చూసి, పెద్ద లక్ష్యాల దిశగా నిజమైన పురోగతిని అది గుర్తించగలదు. తర్వాతి విభాగంలో చర్చించేలా, ఏ కొత్త నిఘానైనా తేలిగ్గా అమలు చేయకూడదు⁠(కొత్త విండోలో తెరుచుకుంటుంది). కానీ సరైన పరిస్థితుల్లో, అది నమ్మకాన్ని పెంచి, ఉద్యోగులకు మరింత స్వేచ్ఛ ఇవ్వడానికి సంస్థలను ప్రోత్సహించగలదు.

మంచి ఫలితానికి దారితీసే అనేక భిన్న మార్గాలను పర్యవేక్షకం అర్థం చేసుకుంటే, ఉద్యోగులు తమకు నచ్చిన తీరులో మరింతగా పనిచేయగలరు. అధికారులు సులభంగా గమనించగల ఒక నిర్దేశిత పద్ధతి కంటే, మంచి ఫలితాల దిశగా పురోగతే ముఖ్యం అవుతుంది. తెలివైన పర్యవేక్షకం వెసులుబాటు ఇస్తుంది; మనందరికీ విసుగు తెప్పించే ఉత్పాదకత నటనను శిక్షిస్తుంది.

మీ కారులో కదలికల నమోదు పరికరాన్ని అమర్చితే బీమా రుసుము తగ్గించే సంస్థల ప్రతిపాదనలాంటిదే ఇక్కడి ప్రయోజనం. వ్యవస్థను మోసగించాలని చూస్తే ఇది మీకు నష్టం చేస్తుంది; మీ పని మీరు చేస్తుంటే, పర్యవేక్షకం మీ నిజాయితీని నిరూపించగలదు. యాజమాన్యం మిమ్మల్ని మరింత నమ్ముతుంది.

ఆ నమ్మకం కొత్త అవకాశాలను సృష్టిస్తుంది. ఇంటి నుంచీ కార్యాలయం నుంచీ కలిపి పనిచేయడం, భిన్నంగా ఆలోచించేవారు, గుత్తేదారులు, దూర దేశాల్లోని ప్రతిభావంతుల నియామకం పట్ల గతంలో వెనుకాడిన సంస్థల్లో కొత్త సుముఖత⁠(కొత్త విండోలో తెరుచుకుంటుంది) కనిపించవచ్చు.

నేటి సంస్థాగత నిర్మాణంతో క్షేత్రస్థాయి ఉద్యోగులకు ఎన్నో సమస్యలున్నాయి. మనం ప్రత్యక్షంగా చూసే సమస్యను పైస్థాయికి తీసుకెళ్లే మార్గం లేకపోవడం ఎంతో నిరుత్సాహపరుస్తుంది. అసమర్థ నిర్వాహకుడి కింద చిక్కుకుపోవడం, లేదా గొప్ప పని చేసినా గుర్తింపు రాకపోవడం అన్యాయం.

వ్యాపారాన్ని అత్యంత సమర్థంగా మార్చాలనే గత తరంగం పరిమిత సమాచారం, స్థూల మార్గదర్శకాలు, వివేకంలేని గణన విధానాలపై నిర్మితమైందని మేం చూస్తున్నాం. మీరు గేర్ నిష్పత్తులనే విశ్లేషించగలిగితే, అందరూ యంత్రంలోని పళ్లచక్రాల్లాగే కనిపిస్తారు. తమ సిబ్బంది కృషిని కొలవడం సంస్థలకు ఎప్పటినుంచో సమస్యగా ఉంది. నేటి స్థూల కొలమానాలకు అందని విలువైన కృషిని, ప్రత్యేక పద్ధతులను తెలివైన పర్యవేక్షకం గుర్తించగలదు.

ఈ మూడు సరళీకృత సంభావ్య రూపాల నుంచి అంశాలను తీసుకుని, సంస్థ భవిష్యత్తును నిర్ణయించే కొన్ని ప్రశ్నలను ఇప్పుడు పరిశీలిస్తాం.

ఏదైనా రూపొందించడం సాధారణంగా ఖరీదైన పనే. యాప్, సినిమా, ప్రదర్శన పత్రాలు, సదుపాయం, విశ్లేషణ—వేటినైనా మళ్లీ చేయాలంటే ఖర్చు, సమయం, అవస్థ ఎక్కువ. ఆచరణలో ఒకే అవకాశం ఉన్నప్పుడు, గురి సరిచూసుకోవడంపై శ్రమ పెడతారు. ప్రణాళికా చక్రాలు, కార్యాచరణ ప్రణాళికల సమావేశాలు, ఆమోద కమిటీలు—సంస్థ చివరకు ముందడుగు వేసేటప్పుడు అది విలువైన పనికే అయ్యేలా చూసేందుకే ఇవన్నీ. అమలు ఖరీదైనది కావడం వల్లే మన అధికార శ్రేణుల్లో ఎన్నో తనిఖీలు ఏర్పడ్డాయి.

అనేక రంగాల్లో తయారీ ఖర్చును AI భారీగా తగ్గిస్తోంది—తుది ఉత్పత్తి వరకు కాకపోయినా, కనీసం ప్రయోగ నమూనా దశ వరకైనా. దానికి అనుగుణంగా సంస్థ విధానమూ మారాలని మేం నమ్ముతున్నాం: గురి చూడటానికి తక్కువ సమయం, ప్రయత్నాలకు ఎక్కువ సమయం. సంస్థ ఒక ప్రయోగ నమూనాను రూపొందించి, పరిశీలించి, వేగంగా నేర్చుకుని, దిశ మార్చుకుని, మళ్లీ రూపొందించవచ్చు. ప్రయోగ నమూనాల తయారీ సులభమైతే⁠(కొత్త విండోలో తెరుచుకుంటుంది), విస్తృత ప్రణాళికపై ఆధారపడే ఉత్పత్తికి మద్దతిచ్చే వ్యవస్థల నుంచి సంస్థలు దూరంగా కదలాలి.

దీని అతి సరళమైన రూపం, మరింత వేగంగా సవరణలు చేసే బృందం. మరింత మౌలికంగా ఆలోచిస్తే, బృందం అవసరమే ప్రశ్నార్థకమవుతుంది. ఉమ్మడి ప్రణాళిక ప్రాముఖ్యం తగ్గి, స్వతంత్రంగా పుట్టే విభిన్న ఆలోచనల విలువ పెరిగితే, వేగంగా సవరణలు చేసే ఒక బృందం మేలా, లేక తమతమ పనిచేసే నమూనాలను ముందుంచే అనేకమంది వ్యక్తులు మేలా. పని పరిధిని వివరించే పత్రం కంటే నిజమైన నమూనా దార్శనికతను మెరుగ్గా తెలియజేస్తే, సమాచార మార్పిడి పద్ధతులు మారతాయా—మరింత ఎక్కువగా, ముందుగానే, సమాచార పత్రాలకు బదులు రూపొందించిన వాటినే పంచుకుంటామా.

తయారీ చౌకైతే సంస్థ వ్యక్తులకు ఎక్కువ ప్రాధాన్యం ఇవ్వవచ్చు. దీంతో మధ్యస్థాయి నిర్వహణ అంచెలు, అనుమతి అడగాల్సిన సందర్భాలు తగ్గవచ్చు. ఎందుకంటే ఒకప్పుడు చేయడం కంటే అడగడం చౌక; ఇప్పుడు కాదు.

అయితే, తర్వాత చర్చించేలా, తక్కువ ముప్పుతో నమూనాలు రూపొందించే శక్తిని వ్యక్తులకిచ్చే ఇదే సాంకేతికత, మరింత విస్తృతమైన విధానాల భారాన్నీ మోపగలదు.

దిగువస్థాయి ఉద్యోగుల కంటే ఉన్నతాధికారులు మెరుగైన వ్యాపార నిర్ణయాలు⁠(కొత్త విండోలో తెరుచుకుంటుంది) తీసుకుంటారనే నమ్మకమే, సంస్థలు పై నుంచి కిందికి సాగే నిర్వహణను అమలు చేయడానికి ప్రధాన కారణం. అగ్రస్థాయిలోని సమర్థ అనుభవజ్ఞులకు సంస్థలు ఎక్కువ వేతనం ఇస్తాయి. నిర్వాహకులు తరచూ వ్యాపార వ్యూహంలో శిక్షణ పొందితే, వ్యక్తిగత ఉద్యోగులు తమతమ రంగాల్లో నిపుణులుగా ఉంటారు. AI ఉద్యోగులందరికీ అద్భుత సలహాలు ఇస్తే, నిర్ణయాల నాణ్యతలో అంతరం తగ్గుతుంది. నిర్వాహకులు జోక్యం చేసుకోవాల్సిన అవసరం తగ్గుతుంది. ఇది ఉద్యోగుల స్వతంత్రతను పెంచి, నిర్వహణ అంచెలను కూడా తగ్గించవచ్చు.

అలాగే, ఉన్నతాధికారికి తెలియకుండా తీవ్రమైన ప్రభావాలున్నదేదీ జరగకుండా “AI సలహా వ్యవస్థ” చూస్తుంది. కంపెనీపై తీవ్ర పరిణామాలు చూపే బ్లాగు వ్యాసాన్ని ఉద్యోగి ప్రచురించబోతుంటే, సలహా వ్యవస్థ ముందుగానే ఉన్నతాధికారిని అప్రమత్తం చేస్తుంది. ఇది నమ్మకాన్ని పెంచుతుంది: తమకు తెలియకుండా పెద్ద తప్పిదాలు జరుగుతాయేమోనని యాజమాన్యం భయపడనక్కర్లేదు. కాబట్టి ఉద్యోగి పని చేసే తీరుపై అంత కఠిన నియంత్రణ⁠(కొత్త విండోలో తెరుచుకుంటుంది) అవసరం లేదు.

కానీ AI సలహా వ్యవస్థ ఒక రెండువైపులా పదునున్న కత్తి⁠(కొత్త విండోలో తెరుచుకుంటుంది). తెలివైన పర్యవేక్షకంగా అది ఉద్యోగులపై నమ్మకాన్ని పెంచగలదు; ముఖ్య కార్యనిర్వహణాధికారి ఇష్టపడే పని విధానాన్ని సంస్థ అంతటా మరింత కఠినంగానూ అమలు చేయగలదు. సంస్థలు పొంతనకు⁠(కొత్త విండోలో తెరుచుకుంటుంది) విలువిస్తాయి: నిర్ణయం మంచిదైతేనే సరిపోదు; కంపెనీ సంస్కృతి, బ్రాండ్, భారీ స్థాయిలో పనిచేయడం వల్ల వచ్చే వ్యయ ప్రయోజనాలకు అనుగుణంగానూ ఉండాలి. రెస్టారెంట్ల గొలుసు తన అన్ని ఫ్రాంచైజీల్లో ఒకే వంటకాల జాబితాను కోరుకోవచ్చు. దీంతో సరుకులు పెద్దమొత్తంలో కొనవచ్చు, వినియోగదారులకు ఒకే రకమైన ఉత్పత్తి అందించవచ్చు.

దీనికి సంబంధించి, సంస్థ అధిపతుల ప్రయోజనాలు ఎప్పుడూ ఉద్యోగుల ప్రయోజనాలతో కలవవు. ఉద్యోగులు తమ రంగం విజయానికి⁠(కొత్త విండోలో తెరుచుకుంటుంది) ప్రాధాన్యం ఇస్తే, ఉన్నతాధికారులు మొత్తం సంస్థను దృష్టిలో ఉంచుకుంటారు. వేతన ఉద్యోగులకూ వాటాదారులకూ ప్రాధాన్యాలు వేరుగా ఉంటాయి. ఎందుకంటే అదనపు కృషి ఫలాలను పొందేది⁠(కొత్త విండోలో తెరుచుకుంటుంది) వాటాదారులే. పైస్థాయి నిర్దేశించిన ప్రత్యేక పద్ధతులను మరింత కఠినంగా అనుసరించేలా సలహా వ్యవస్థ చేయవచ్చు.

మొత్తంగా చూస్తే ఉద్యోగుల నిర్ణయాధికారం పెరుగుతుందనేది మా అభిప్రాయం. ముఖ్యమైన అసాధారణ పరిణామాలను గుర్తించడానికి AIని వాడుతూ, మరిన్ని నిర్ణయాలను ఉద్యోగులకే సంస్థలు వదిలేస్తాయనే ఆశ మా ఆశావాదానికి ఆధారం.

AI ఆసరా ఇచ్చే నిర్మాణంలా పనిచేస్తుందని మేం నమ్ముతున్నాం. ఉన్నతాధికారులు ఒకే తీరైన బ్రాండ్‌ను కోరుకున్నా, అది పని చేసే పరిధిని నిర్ణయించే పరిమితి మాత్రమే అవుతుంది. అమల్లో ఉన్న వ్యాపార పరిమితులపై ఉద్యోగులకు మరింత అవగాహన కలుగుతుంది. ఆ పరిమితులు వర్తించని చోట సృజనాత్మకంగా పనిచేసేందుకు మెరుగైన భద్రత లభిస్తుంది. కీలక ప్రమాదాలకు రక్షణ ఉన్నప్పుడు, లాభదాయకం కాగల కొత్త పద్ధతులను ఉద్యోగులు ప్రయత్నించేలా ఉన్నతాధికారులు అనుమతించగలరు. మన కిందనున్న AI సహాయకుల తోడుతో, ఉద్యోగులు మరింత గణనీయమైన ఫలితాలకు కూడా బాధ్యత వహిస్తారు. మరింత సంక్లిష్టమైన పనికి నాయకత్వం వహించేటప్పుడు సృజనాత్మకతకు మరిన్ని అవకాశాలుంటాయని మేం భావిస్తున్నాం.

ఉద్యోగుల స్వతంత్రతకు వర్తించే ఇదే తర్కం సంస్థ పరిమాణానికీ వర్తిస్తుంది. ఒప్పందాల జాలం ద్వారా కాకుండా సంస్థల లోపలే ఉత్పత్తిని ఎందుకు నిర్వహిస్తామని రోనాల్డ్ కోస్⁠(కొత్త విండోలో తెరుచుకుంటుంది) ప్రశ్నించారు. పూర్తిగా వ్యక్తుల మధ్య ఒప్పందాల ద్వారానే విమానాన్ని కూడా నిర్మించవచ్చు; కానీ అది ఎంతో అసమర్థమైన పద్ధతి అవుతుంది. సంస్థలు భారీ స్థాయి వల్ల వ్యయ ప్రయోజనాలు పొందుతాయి, ప్రయోజనాలను ఒకే దిశలో నడిపిస్తాయి, పెద్ద ప్రాజెక్టులను నిర్వహిస్తాయి, నిరంతర బేరసారాల అవసరాన్ని తొలగిస్తాయి.

సమాచార మార్పిడిని సులభం చేయడం ద్వారా, పెద్ద సంస్థలకూ చిన్న సంస్థలకూ AI అనుకూలత కల్పించవచ్చు. సంప్రదాయ సంస్థ అంటే సమాచారాన్ని పైకి, ఆదేశాలను కిందికి పంపే వ్యవస్థ. ఇందులో ఆటంకాలూ, ఒకరి నుంచి మరొకరికి చేరేకొద్దీ సందేశం వక్రీకరించడమూ ఎక్కువ. AI సమన్వయ పొరగా పనిచేస్తే, ఎక్కువ మానవ ఉద్యోగులున్న పెద్ద సంస్థను నిర్వహించడం సులభమవుతుంది. “AI సలహా వ్యవస్థ”తో, ఇరవైమంది ఉన్న అంకుర సంస్థను వ్యవస్థాపకుడు తెలుసుకున్నంత లోతుగా ఉన్నతాధికారి తన సంస్థను తెలుసుకోగలదు. ఒక కార్యక్రమంపై త్రైమాసిక నివేదిక కోసం వేచిచూడకుండా, అది అమలవుతున్న తీరును ఆమె గమనించగలదు; ఏదైనా జరిగితే సమాచారం అందుకోగలదు. ఆమె దార్శనికత మరింత విస్తృతంగా వ్యాపించగలదు. ఇతరులు చేస్తున్న పని, సంస్థ మొత్తం ప్రాధాన్యాల గురించి అందరికీ మరింత అవగాహన ఉంటుంది.

ఇది మరో దిశలోనూ పనిచేయవచ్చు. సమాచార మార్పిడి సాఫీగా సాగి, ఒప్పందాల అనుసరణను పర్యవేక్షించడం సులభమైతే, సరఫరా గొలుసులో అంత ఎక్కువ భాగాన్ని సంస్థ తన పరిధిలో ఉంచుకోనక్కర్లేదు. బయటి సరఫరాదారులు, గుత్తేదారులపై సంస్థ మరింత నమ్మకం ఉంచగలదు.

సరఫరా గొలుసులోని దశలను ఒకే యాజమాన్యం కిందకు తేవడానికి ప్రధాన కారణం, వాటి ప్రయోజనాలను ఒకే దిశలో నడిపించడం. అసంపూర్ణ ఒప్పందాలు⁠(కొత్త విండోలో తెరుచుకుంటుంది) అనే భావన ఉంది. ఒక విమాన–అంతరిక్ష సంస్థ జెట్ ఇంజిన్ సంస్థతో ఒప్పందం చేసుకోవచ్చు. కానీ ఒప్పందంలో స్పష్టంగా కోరని ప్రతి విషయంలోనూ ఖర్చు తగ్గించి, తన లాభమే చూసుకోవడం జెట్ ఇంజిన్ సంస్థకు మేలు చేస్తుంది. దీన్ని నివారించేందుకు విమాన–అంతరిక్ష సంస్థ జెట్ ఇంజిన్ సంస్థను కొనేస్తుంది. ఉద్యోగులు, అధికారుల విషయంలోలాగే, ఒప్పందాల అమలును మెరుగ్గా పర్యవేక్షించి, యాంత్రిక తనిఖీలకు బదులు వివేకంతో వివాదాలు పరిష్కరించగలిగితే, ఇతర సంస్థలపై ఆధారపడటానికి సంస్థలు మరింత సుముఖమవవచ్చు. అన్నీ సంస్థలోనే చేయాల్సిన అవసరం తగ్గుతుంది.

అనేక చిన్న సంస్థలతోపాటు, ఒకే సంస్థలో ఎన్నో విభిన్న ప్రాజెక్టులు నడిచే విస్తారమైన AI “మాతృసంస్థలు” కూడా వస్తాయని భావిస్తున్నాం. వేర్వేరు ప్రాజెక్టులన్నీ ఉపయోగించుకునే ఏదైనా ఉమ్మడి ఆస్తి ఉన్నప్పుడు, అటువంటి సంస్థల సమూహం ఆర్థికంగా ప్రయోజనకరం. ఆ ఉమ్మడి ఆస్తి గణన సామర్థ్యం కావచ్చు. అయితే దాన్ని అవసరాన్నిబట్టి చిన్న పరిమాణాల్లో సులభంగా సమకూర్చుకోవచ్చు. ఉమ్మడి కర్మాగారం లేదా రోబోల సమూహం మరింత బలమైన కారణం.

ఒకే దిశలో ఉన్న ప్రయోజనాలు కూడా పెద్ద “మాతృసంస్థ” ఏర్పాటును సమర్థించవచ్చు. AIలు, మూలధనంతో కూడిన పెద్ద సంస్థ పూర్తిగా ఒకే లక్ష్యానికి—ఉదాహరణకు క్యాన్సర్ నయం చేయడానికి—అంకితమైతే, వేర్వేరు చిన్న ప్రయత్నాల అవసరం తగ్గుతుంది. AI సంస్థ అధికార పోరాటాలను నివారించి, సమాచారమంతా పంచుకోగలదు. అవసరమైనచోట, వేర్వేరు మార్గాలను అన్వేషించేందుకు తన ఏజెంట్లలో సృజనాత్మక వైవిధ్యాన్ని సృష్టించగలదు.

నేటి వ్యవస్థ అత్యుత్తమ ఉద్యోగులకు ప్రతిఫలం ఇవ్వాలనే ఉద్దేశంతో ఉంది. వారు పైస్థాయులకు ఎదుగుతారు, మెరుగైన వేతనం పొందుతారు. కానీ అద్భుతమైన మోడల్ సలహాదారులున్న ప్రపంచంలో ఉద్యోగులు తమ ప్రత్యేకతను ఎలా చాటుకుంటారు.

AI అందరికీ అదే గొప్ప ఆలోచన ఇస్తే, మన ప్రత్యేకతను చూపే అవకాశాలు తగ్గుతాయి. వేతనాల మధ్య తేడాలు తగ్గాలి.

ఈ తగ్గుదలను అడ్డుకునేవి నిర్ణయ వివేకం, అభిరుచి, బాధ్యతల పరిధి. మనలో ప్రతి ఒక్కరూ కిందనున్న AI సంస్థలకు నాయకత్వం వహిస్తే, మానవులుగా మనం అందించే మిగిలిన విలువ మన నిర్ణయ సామర్థ్యమే. ప్రతి వ్యక్తి తన కింద మరింత పెద్ద పనికి బాధ్యత వహిస్తే, మంచి నిర్ణయానికీ చెడు నిర్ణయానికీ మధ్య తేడా మరింత బలంగా ప్రతిఫలిస్తుంది⁠(కొత్త విండోలో తెరుచుకుంటుంది).

ఈ తర్కాన్ని సంస్థాగత నిర్మాణంలోని అగ్రస్థాయికి ఎప్పటినుంచో వర్తింపజేస్తున్నాం. అగ్రస్థాయిలో కొద్దిగా మెరుగైన నిర్ణయాలే లాభాలపై భారీ ప్రభావం చూపగలవనే భావనతో ముఖ్య కార్యనిర్వహణాధికారి వేతనాన్ని⁠(కొత్త విండోలో తెరుచుకుంటుంది) సమర్థిస్తాం. కొరతగల వనరులను వినియోగించడంలో కొందరు తమ కిందనున్న AI సంస్థలను మెరుగ్గా నిర్వహిస్తే, వేతన అసమానత పెరగవచ్చు.

నిర్ణయాల ప్రభావం ఎంత పెద్దదైతే, ఇతరులపై మీకున్న చిన్న ఆధిక్యం కూడా మీ జీతంలో అంతగా కనిపిస్తుంది. మరోవైపు, AI అందరికీ మంచి సలహా ఇస్తుంది. ప్రత్యేకత తగ్గితే వేతనాల మధ్య అంతరం తగ్గుతుంది.

ఇక్కడా, ఇతర సందర్భాల్లోనూ, మనం ప్రధానంగా నిర్ణయాలు తీసుకుంటున్నామా లేక వాటిని అనుసరిస్తున్నామా అన్నదానిపైనే ఏ శక్తి పైచేయి సాధిస్తుందో ఆధారపడవచ్చు.