AI আসলে কত কাজ করল? Tempo খরচকে Jira issue-র সঙ্গে মেলাবে

Tempo-র ২৫ আগস্টের ঘোষণায় Workforce Intelligence-কে Atlassian Marketplace app হিসেবে আনুষ্ঠানিকভাবে launch করা হয়েছে। পণ্যটি AI activity, inference cost এবং মানুষের effort-কে নির্দিষ্ট Jira issue, Epic ও Initiative-এর সঙ্গে যুক্ত করে একই work record-এ দেখানোর দাবি করছে।

SiliconANGLE-এর একই দিনের প্রতিবেদন launch ও মূল ব্যবহারের বিষয়টি স্বাধীনভাবে মিলিয়েছে: AI activity ও human effort নির্দিষ্ট Jira work item-এ বসবে, আর cost ও performance data বৃহত্তর initiative পর্যন্ত একত্র করা যাবে। পণ্যটি Marketplace-এ পাওয়া যাচ্ছে, তবে একই record-এ খরচ ও output দেখা মানেই AI ওই ফল ঘটিয়েছে বা বিনিয়োগ লাভজনক হয়েছে—এমন নয়।

ঘোষণার ভাষায় একটি সময়গত অস্পষ্টতা আছে। Tempo ২৫ আগস্ট launch ঘোষণা করলেও তার জুন ২০২৬-এর initial-release নথিতে পণ্যটি তখনই Marketplace-এ পাওয়া যাচ্ছে বলে লেখা হয়েছে। তাই ২৫ আগস্টকে প্রথম availability-এর তারিখ না বলে বিস্তৃত আনুষ্ঠানিক launch announcement-এর তারিখ হিসেবে ধরা যথাযথ।

একটি Jira issue-তে কোন data মিলবে

Workforce Intelligence তিন ধরনের record-কে একই কাজের পরিচয়ের নিচে আনে: Jira issue ও তার hierarchy, AI provider-এর usage ও cost, এবং মানুষের logged effort ও development activity। উদ্দেশ্য হলো মোট AI bill-কে শুধু provider বা ব্যবহারকারী অনুযায়ী না দেখে কোন task, Epic বা Initiative সেই ব্যয় বহন করেছে তা দেখানো।

Atlassian Marketplace listing অনুযায়ী appটি Jira Cloud-এ চলে এবং GitHub, Claude ও OpenAI-এর data যুক্ত করে; সেখানে AI-assisted ও non-AI cycle time, blended work item এবং contributor-level spend দেখার কথাও আছে। অর্থাৎ engineering, finance ও delivery দল একই work hierarchy থেকে usage, খরচ এবং delivery pattern পর্যালোচনা করতে পারবে।

Tempo-র নথিভুক্ত attribution পদ্ধতিতে GitHub branch name, pull-request title বা commit message-এ Jira issue key খোঁজা হয়; প্রথম মিলে যাওয়া key সংশ্লিষ্ট development event-কে work item-এর সঙ্গে যুক্ত করে। AI cost provider data থেকে এলে তা issue থেকে Epic পর্যন্ত roll up হতে পারে, আর কোনো activity মেলানো না গেলে সেটি unattributed হিসেবে আলাদা থাকার কথা।

Attribution কী দেখায়, আর কী প্রমাণ করে না

নির্ভরযোগ্য attribution দেখাতে পারে একটি issue-র সঙ্গে কত AI activity, provider cost এবং human effort যুক্ত ছিল। এটি invoice থেকে initiative পর্যন্ত খরচের audit trail তৈরি করতে এবং কোন tool কোন ধরনের কাজে বেশি ব্যবহৃত হচ্ছে তা বোঝাতে কাজে লাগতে পারে।

কিন্তু attribution হলো সম্পর্কের record, কারণের প্রমাণ নয়। AI-assisted issue দ্রুত শেষ হলে ছোট scope, অভিজ্ঞ developer, কম dependency, প্রস্তুত test বা সহজ review-ও তার কারণ হতে পারে। একইভাবে, একটি AI session একাধিক issue-তে কাজে লাগলে বা branch ও commit-এ Jira key না থাকলে cost allocation অসম্পূর্ণ কিংবা ভুল হতে পারে।

তাই dashboard-এর ফলের পাশে attribution coverage, unmatched activity এবং allocation rule দেখা জরুরি। সব খরচ জোর করে কোনো issue-তে বসালে report পরিচ্ছন্ন দেখাতে পারে, কিন্তু হিসাবের বিশ্বাসযোগ্যতা কমবে। AI-assisted কাজ বাড়ার সঙ্গে non-AI comparison group ছোট বা প্রকৃতিগতভাবে আলাদা হয়ে গেলে cycle-time তুলনাও দুর্বল হবে।

ROI জানতে output quality-ও ধরতে হবে

AI cost ও human effort বিনিয়োগের input; return নির্ধারণে delivery outcome এবং output quality দরকার। কাজ production-এ পৌঁছেছে কি না, review ও rework কত লেগেছে, defect বা rollback বেড়েছে কি না এবং security finding এসেছে কি না—এসব বাদ দিয়ে শুধু সময় ও খরচ মাপলে ROI অতিরঞ্জিত হতে পারে।

উদাহরণ হিসেবে, AI-assisted issue দ্রুত শেষ হলেও পরে বেশি defect তৈরি হলে প্রাথমিক সময়-সাশ্রয় প্রকৃত return নয়। আবার জটিল issue ধীরে শেষ হলেও reusable test, documentation বা স্থিতিশীল architecture তৈরি করলে শুধু cycle time তার মূল্য কম দেখাবে। ফলে “কত দ্রুত” ও “কত খরচে”-র পাশে “কী মানের output” এবং “কী delivery outcome” রাখতে হবে।

সীমিত pilot-এ success criteria হিসেবে কয়েকটি পরিমাপ একসঙ্গে রাখা যায়:

• মোট AI activity-এর কত অংশ নির্ভরযোগ্যভাবে Jira issue-তে attributed হচ্ছে;
• provider bill ও dashboard-এর মোট cost reconcile করছে কি না;
• সমজাতীয় কাজের cycle time, review burden ও rework কীভাবে বদলাচ্ছে;
• defect, rollback ও security outcome অপরিবর্তিত আছে বা উন্নত হয়েছে কি না;
• unattributed এবং বহু-issue session কোন নিয়মে হিসাব করা হচ্ছে।

Baseline, কাজের শ্রেণি ও evaluation window pilot শুরুর আগেই স্থির না করলে পরে সুবিধাজনক comparison বেছে নেওয়া সহজ হয়। Workforce Intelligence তাই ROI-এর চূড়ান্ত উত্তর নয়; এটি সেই উত্তর যাচাইয়ের জন্য একটি attribution layer।

Metric কখন কর্মী-নজরদারিতে গড়াতে পারে

Tempo পণ্যটিকে individual performance score হিসেবে উপস্থাপন করছে না। তবু appটির documented view-তে engineer অনুযায়ী AI adoption এবং contributor-level spend দেখা যায়; ফলে একই data দলীয় planning-এ ব্যবহৃত হবে, নাকি ব্যক্তির performance action-এ—সেই সীমা প্রযুক্তি নিজে নির্ধারণ করে না।

Prompt count, AI spend বা কম cycle time-কে ব্যক্তিগত target বানালে metric gaming-এর সুযোগ তৈরি হয়। কর্মী বেশি দৃশ্যমান activity তৈরি করতে, সহজ issue বেছে নিতে বা AI ছাড়া করা review, mentoring ও debugging কম নথিভুক্ত করতে উৎসাহিত হতে পারেন। তখন dashboard প্রকৃত contribution-এর বদলে কোন কাজ সহজে ধরা পড়ে সেটিই বেশি মাপবে।

এই উদ্বেগ শুধু তাত্ত্বিক নয়। ছয় দেশের ছয় হাজারের বেশি manager নিয়ে করা OECD-এর algorithmic-management survey বলছে, এমন tool ব্যবহারকারী প্রায় দুই-তৃতীয়াংশ manager কর্মীদের ওপর প্রভাব নিয়ে অন্তত একটি উদ্বেগ জানিয়েছেন; অস্পষ্ট accountability, সিদ্ধান্তের যুক্তি বোঝার অসুবিধা এবং কর্মীদের স্বাস্থ্য সুরক্ষার ঘাটতি ছিল প্রধান বিষয়।

Workforce Intelligence pilot-এ তাই raw contributor data-র access সীমিত রাখা, retention period নির্ধারণ, কর্মীকে নিজের attributed record দেখানো এবং ভুল attribution সংশোধনের ব্যবস্থা রাখা গুরুত্বপূর্ণ। Team-level planning metric ও individual performance decision-এর data policy আলাদা না হলে খরচ বিশ্লেষণের tool সহজেই কর্মী-নজরদারির অবকাঠামোয় পরিণত হতে পারে।

এখনও কোন প্রমাণ অনুপস্থিত

বর্তমানে নিশ্চিত বিষয় হলো, Workforce Intelligence Jira Cloud-এর জন্য Marketplace-এ আছে এবং Tempo AI usage ও cost-কে Jira work hierarchy ও human effort-এর সঙ্গে যুক্ত করার ব্যবস্থা দিচ্ছে। Product documentation attribution method, cycle-time comparison, unattributed spend এবং contributor-level view-এর অস্তিত্বও দেখায়।

তবে স্বাধীন customer deployment থেকে attribution accuracy, privacy control, data retention, মোট operating cost বা quality-adjusted ROI-এর ফল প্রকাশিত হয়নি। বাস্তব pilot-এ provider bill কতটা reconcile করে, কত activity unattributed থাকে এবং defect ও rework ধরার পর speed advantage টিকে থাকে কি না—এসব data না আসা পর্যন্ত পণ্যটিকে AI-এর মূল্য প্রমাণকারী যন্ত্রের বদলে AI ব্যয় ও কাজের সম্পর্ক পরীক্ষা করার measurement layer বলা বেশি যথাযথ।