AI course শেষ করাই দক্ষতা নয়—ফল মাপার পাঁচ সংকেত দিল Gartner

Gartner ২ সেপ্টেম্বর ২০২৬-এ নিজস্ব ওয়েবসাইটে প্রকাশিত বিশ্লেষণে বলেছে, কর্মীরা কতটি AI কোর্স শেষ করেছেন—শুধু সেই হিসাব দিয়ে প্রতিষ্ঠানের প্রস্তুতি বোঝা যায় না। Gartner-এর নতুন বিশ্লেষণ দক্ষতার মান, অভিজ্ঞতাভিত্তিক শিক্ষা, উৎপাদনশীলতা ও ব্যবসায়িক ফল, AI-সংক্রান্ত নীতিপালন বা নৈতিক ঘটনা এবং অংশগ্রহণকারীদের সম্পৃক্ততা বা ধরে রাখার হার পর্যবেক্ষণের পরামর্শ দিয়েছে।

এর সরাসরি অর্থ হলো, AI প্রশিক্ষণের কার্যকারিতা মাপতে শেখার রেকর্ডের সঙ্গে কর্মক্ষেত্রের প্রমাণ জুড়তে হবে। কোনো কর্মী দায়িত্বসংশ্লিষ্ট কাজে দক্ষতা দেখাতে পারছেন কি না, অনুশীলনে অংশ নিচ্ছেন কি না, কাজের সময় বা ফল বদলাচ্ছে কি না, ঝুঁকি কমছে কি না এবং কর্মসূচিতে থাকা কর্মীদের অভিজ্ঞতা কেমন—এই পাঁচ ক্ষেত্র একসঙ্গে প্রস্তুতির চিত্র দেয়।

পাঁচ সংকেত কী দেখাবে

পাঁচটি সংকেত একই ধরনের পরিমাপ নয়। প্রথম দুটি শেখা ও প্রয়োগের সামর্থ্য দেখায়, তৃতীয়টি কাজের ফল ধরে, আর শেষ দুটি ঝুঁকি ও কর্মী-অভিজ্ঞতা বোঝায়। তাই এগুলো যোগ করে একটি অস্পষ্ট ‘AI স্কোর’ বানানোর বদলে আলাদা ফল হিসেবে পাশাপাশি রাখা যুক্তিযুক্ত।

• দক্ষতার মান: স্ব-মূল্যায়ন ও সহকর্মী পর্যালোচনার সঙ্গে দায়িত্বভিত্তিক কাজের ফল মিলিয়ে দেখা। আত্মবিশ্বাস এবং গ্রহণযোগ্য মানের কাজ তৈরি করার সামর্থ্য আলাদা তথ্য হিসেবে রাখা দরকার।
• অভিজ্ঞতাভিত্তিক শিক্ষা: স্থির পাঠ বা ভিডিও দেখার বাইরে কর্মী অনুশীলন, সিমুলেশন কিংবা অনুমোদিত বাস্তব কাজে AI ব্যবহারের সুযোগ পেয়েছেন কি না। শুধু টুল খোলার সংখ্যা হাতে-কলমে শেখার প্রমাণ নয়।
• উৎপাদনশীলতা ও ব্যবসায়িক ফল: নির্দিষ্ট প্রক্রিয়ায় কাজ শেষ করার সময়, আউটপুট, মান বা বাজারে পৌঁছানোর সময় বদলেছে কি না। কোন ফলটি প্রাসঙ্গিক, তা কাজের ধরন অনুযায়ী ঠিক করতে হবে।
• নীতিপালন ও নৈতিক ঘটনা: সংবেদনশীল তথ্য দেওয়া, অনুমোদনহীন টুল ব্যবহার, পক্ষপাতপূর্ণ ফল গ্রহণ বা প্রয়োজনীয় মানবীয় পর্যালোচনা বাদ দেওয়ার মতো নথিভুক্ত ঘটনার প্রবণতা। Gartner এখানে ঘটনার হ্রাস পর্যবেক্ষণের কথা বলেছে।
• সম্পৃক্ততা বা ধরে রাখা: সক্ষমতা উন্নয়ন কর্মসূচির অংশগ্রহণকারীদের সম্পৃক্ততা এবং প্রতিষ্ঠানে থাকার প্রবণতা। এগুলো প্রশিক্ষণের সঙ্গে সম্পর্ক দেখাতে পারে, তবে একা প্রশিক্ষণই কর্মী থাকা বা চলে যাওয়ার কারণ—এমন প্রমাণ দেয় না।

ছোট দলের স্কোরকার্ডে কী থাকবে

ছোট বা মাঝারি দলের জন্য কাঠামোটি একটি নির্দিষ্ট ভূমিকা ও কাজকে কেন্দ্র করে সাজানো যায়। প্রতিটি সংকেতের পাশে তিনটি ঘর—প্রশিক্ষণের আগের ভিত্তিমাপ, প্রশিক্ষণের পরের অবস্থা এবং প্রমাণের উৎস—রাখলে কোর্সের হিসাব থেকে কাজের ফল পর্যন্ত পরিবর্তন দেখা সম্ভব। এটি Gartner-এর প্রকাশিত কোনো নির্দিষ্ট নম্বর দেওয়ার সূত্র নয়; পাঁচ ক্ষেত্রকে ব্যবহারযোগ্যভাবে সাজানোর সম্পাদকীয় রূপ।

শর্তসাপেক্ষ উদাহরণ হিসেবে, গ্রাহকসেবা দলের লক্ষ্য যদি AI দিয়ে উত্তর তৈরির সময় কমানো হয়, তবে শুধু প্রশিক্ষণ শেষ করা বা টুলে প্রবেশের সংখ্যা যথেষ্ট নয়। একই ধরনের কাজের মান, উত্তর তৈরির সময়, মানবীয় যাচাই এবং গোপনীয়তা-সংক্রান্ত ঘটনার তথ্য প্রশিক্ষণের আগে ও পরে একই সময়সীমায় তুলনা করতে হবে।

দক্ষতার প্রমাণ আসতে পারে কাজভিত্তিক মূল্যায়ন থেকে; অভিজ্ঞতাভিত্তিক শিক্ষার প্রমাণ অনুমোদিত অনুশীলন থেকে; কাজের ফল পরিচালন তথ্য থেকে; আর নীতিপালনের তথ্য ঘটনার নিবন্ধন থেকে। কর্মী-সম্পৃক্ততার জন্য সংক্ষিপ্ত জরিপ ও ধরে রাখার প্রবণতা দেখা যেতে পারে। তবে দল, কাজ বা সময়সীমা বদলে গেলে আগের ও পরের ফল সরাসরি তুলনীয় থাকবে না।

আগস্টে প্রকাশিত Training Industry-এর পৃথক বিশ্লেষণ ও কোর্স সম্পন্ন, লাইসেন্স বরাদ্দ বা ব্যবহারসংখ্যার বদলে ব্যবহারিক মূল্যায়ন, বাস্তব কাজে প্রয়োগ এবং কাজের গতি, মান, সিদ্ধান্ত ও উৎপাদনশীলতার মতো ফলের সঙ্গে সক্ষমতা মেলানোর কথা বলেছে। এতে Gartner-এর পাঁচ ক্ষেত্রের প্রতিটি পুনরাবৃত্ত হয়নি, তবে প্রশিক্ষণ-তৎপরতা থেকে প্রয়োগযোগ্য সক্ষমতা ও কাজের ফলে যাওয়ার মূল দিকটি সমর্থন পেয়েছে।

সবার লক্ষ্য উন্নত AI নির্মাণ নয়

একটি অভিন্ন পরীক্ষায় সব ভূমিকাকে মাপলে স্কোরকার্ড বিভ্রান্তিকর হতে পারে। AI কোনো কাজকে দ্রুত করছে, বিদ্যমান কর্মপ্রবাহ নতুনভাবে সাজাচ্ছে, নাকি নতুন ধরনের কাজ তৈরি করছে—এই পার্থক্যের ওপর প্রয়োজনীয় সামর্থ্য নির্ভর করবে। একজন ডেভেলপার, হিসাবকর্মী ও গ্রাহকসেবা কর্মীর কাছে একই স্তরের প্রোগ্রামিং দক্ষতা চাওয়া তাই অর্থপূর্ণ নয়।

৫ জুন ২০২৬-এর OECD-এর AI ও দক্ষতা প্রতিবেদন বলছে, এক শতাংশেরও কম কর্মীর প্রোগ্রামিং বা মডেল উন্নয়নের মতো উন্নত AI-নির্দিষ্ট দক্ষতা প্রয়োজন হবে। অধিকাংশের জন্য ডিজিটাল দক্ষতা এবং তথ্য ব্যবহার, বিশ্লেষণ ও ব্যাখ্যার সামর্থ্য দরকার; পাশাপাশি সমস্যা সমাধান, সৃজনশীলতা, উদ্ভাবন ও ব্যবস্থাপনাগত দক্ষতাও গুরুত্বপূর্ণ থাকবে।

এই সীমাটি পরিমাপের লক্ষ্যও বদলে দেয়। উন্নত কোডিং জানেন না বলে কোনো কর্মীকে অপ্রস্তুত বলা যেমন ভুল হতে পারে, তেমনি সাধারণ পরিচিতিমূলক কোর্স শেষ করাকে দায়িত্বভিত্তিক সক্ষমতার প্রমাণ ধরা যায় না। প্রতিটি ভূমিকায় কোন কাজ, সিদ্ধান্ত ও ঝুঁকির জন্য AI ব্যবহৃত হবে, তার ভিত্তিতেই দক্ষতার মান ও কাজের ফল বেছে নিতে হবে।

গতি বাড়লেই প্রশিক্ষণ সফল নয়

চক্রকাল কমা বা আউটপুট বাড়া ইতিবাচক ফল হতে পারে, কিন্তু তার পাশে মান ও নীতিপালনের তথ্য না থাকলে চিত্রটি অসম্পূর্ণ। দ্রুত তৈরি করা কাজ পরে সংশোধনে বেশি সময় নিলে, ভুল সিদ্ধান্ত বাড়ালে বা গোপনীয়তার ঘটনা ঘটালে দৃশ্যমান গতিবৃদ্ধিকে ব্যবসায়িক উন্নতি বলা যাবে না। এই কারণেই উৎপাদনশীলতা এবং নীতিপালনের ঘটনা আলাদা সংকেত হিসেবে রাখা হয়েছে।

ঘটনার সংখ্যাও ব্যাখ্যা ছাড়া পড়া যাবে না। উন্নত প্রতিবেদন-ব্যবস্থার কারণে শুরুতে নথিভুক্ত ঘটনা বাড়তে পারে; সেটি প্রকৃত ঝুঁকি বেড়েছে, নাকি শনাক্তকরণ ভালো হয়েছে—আলাদা করে দেখতে হবে। একইভাবে সম্পৃক্ততা ও ধরে রাখার ওপর ব্যবস্থাপনা, পারিশ্রমিক, কাজের চাপ এবং চাকরির নিরাপত্তাও প্রভাব ফেলে।

Gartner-এর প্রকাশিত কাঠামো কোনো সর্বজনীন নম্বর, একক সূত্র বা বাধ্যতামূলক পরিমাপকাল দেয়নি। নিশ্চিত পরিবর্তনটি হলো, AI প্রশিক্ষণের সাফল্যকে কোর্সের সংখ্যা থেকে সরিয়ে প্রদর্শিত দক্ষতা, হাতে-কলমে শিক্ষা, কাজের ফল, ঝুঁকি এবং কর্মী-অভিজ্ঞতায় বিচার করার নির্দেশনা এসেছে। এখনো যা প্রতিষ্ঠানভেদে নির্ধারণ করতে হবে তা হলো—প্রতিটি ভূমিকার ভিত্তিমাপ, গ্রহণযোগ্য ফল, তথ্যের উৎস এবং পর্যবেক্ষণের সময়সীমা।