বাংলাদেশে AI-তে ৫৩.৮ লাখ কাজ ঝুঁকিতে: কোন দক্ষতা আগে বদলাবে

বাংলাদেশে ২০৪১ সালের মধ্যে ৫৩.৮ লাখ নিম্নদক্ষ কাজ স্থানচ্যুত হওয়ার ঝুঁকিতে পড়তে পারে—কিন্তু এটি নিশ্চিত চাকরি হারানোর সংখ্যা নয়। জাতীয় AI নীতির খসড়া V2.0-তে বলা হয়েছে, সক্রিয় নীতি ও পুনঃপ্রশিক্ষণ না থাকলে এই ঝুঁকি তৈরি হতে পারে; পোশাক খাতে সর্বোচ্চ ৬০.৮ শতাংশ কাজ বা প্রায় ২৭ লাখ কর্মী প্রভাবিত হতে পারেন। একই খসড়ায় ডেটা এন্ট্রি, ট্রান্সক্রিপশন ও নিয়মিত ব্যাক-অফিস কাজের স্বয়ংক্রিয়করণ এবং পোশাক ও করণিক কাজে নারীদের অসম ঝুঁকির কথা রয়েছে।

ক্যারিয়ার সিদ্ধান্তে তাই পেশার নামের চেয়ে কাজের ভেতরের দায়িত্ব বা task বেশি গুরুত্বপূর্ণ। একই নিয়মে বারবার তথ্য বসানো বা পণ্য যাচাইয়ের অংশ আগে বদলাতে পারে; যন্ত্র পরিচালনা, ভুল ও ব্যতিক্রম শনাক্ত করা, গুণমান নিশ্চিত করা, জটিল গ্রাহক সমস্যা মেটানো এবং AI-এর ফল অনুমোদনের দক্ষতা আগে যোগ করা দরকার।

৫৩.৮ লাখের হিসাব আসলে কী

সংখ্যাটি ২০২৬ সালে করা নতুন শ্রমবাজার গণনা নয়। ২০১৮ সালে a2i ও International Labour Organization-এর যৌথ গবেষণার প্রাথমিক ফল নিয়ে প্রকাশিত খাতভিত্তিক প্রতিবেদনে পাঁচটি ক্ষেত্রে মোট ৫৩.৮ লাখ কাজ ঝুঁকিতে থাকার কথা বলা হয়: পোশাকে ২৭ লাখ, আসবাবে ১৩.৮ লাখ, কৃষিপণ্য প্রক্রিয়াকরণ ও পর্যটনে ছয় লাখ করে এবং চামড়ায় এক লাখ। ওই প্রতিবেদনে পোশাকের হার ছিল ৬০ শতাংশ; বর্তমান নীতির খসড়ায় একই সংখ্যা ৬০.৮ শতাংশ হিসেবে এসেছে।

খসড়ার সংশ্লিষ্ট অংশে বর্তমান কর্মসংস্থান, প্রতিষ্ঠানভেদে প্রযুক্তি গ্রহণের গতি বা বিকল্প পরিস্থিতি ধরে নতুন পূর্বাভাস-মডেল প্রকাশ করা হয়নি। তাই ৫৩.৮ লাখকে ঝুঁকির পরিসর হিসেবে পড়তে হবে: কোনো কাজের সব দায়িত্ব বিলুপ্ত হতে পারে, কোনো পদে শুধু কয়েকটি দায়িত্ব সফটওয়্যার নেবে, আবার উৎপাদন বাড়লে নতুন দায়িত্বও তৈরি হতে পারে।

খাত ও কাজের ধরন ধরে ঝুঁকির মানচিত্র

পোশাক শিল্পে নির্দিষ্ট নকশায় বারবার কাপড় কাটা, একই ধরনের সেলাই এবং মানসম্মত ত্রুটি শনাক্ত করার মতো স্থির প্রক্রিয়ার exposure বেশি। কিন্তু নতুন style-এর জন্য যন্ত্র বসানো, অস্বাভাবিক ত্রুটির কারণ বোঝা, ছোট batch সামলানো, line balancing, maintenance এবং নিরাপত্তা তদারকিতে পরিস্থিতি বুঝে সিদ্ধান্ত নিতে হয়।

BPO ও করণিক কাজে নির্দিষ্ট ঘরে তথ্য বসানো, standard document থেকে তথ্য তোলা, সাধারণ transcription, template-ভিত্তিক email এবং প্রথম স্তরের customer reply আগে স্বয়ংক্রিয় হতে পারে। মূল নথির সঙ্গে record মেলানো, privacy রক্ষা, পরস্পরবিরোধী তথ্যের সমাধান এবং AI-এর উত্তর অনুমোদনের দায়িত্ব তুলনামূলকভাবে বেশি গুরুত্বপূর্ণ হবে।

আসবাব, চামড়া ও কৃষিপণ্য প্রক্রিয়াকরণে মাপমতো repetitive cutting, sorting, packaging এবং standard inspection ঝুঁকির কেন্দ্রে। material knowledge-এর সঙ্গে machine calibration, preventive maintenance, wastage measurement ও safety যোগ করতে পারলে একজন কর্মী সরাসরি উৎপাদনের পাশাপাশি যন্ত্রের operator বা process controller-এর ভূমিকায় যেতে পারেন।

প্রযুক্তি পেশায় routine code, সাধারণ content transformation ও standard test তৈরির কিছু অংশ AI দিয়ে দ্রুত করা সম্ভব। কিন্তু ব্যবহারকারীর প্রয়োজন নির্ধারণ, test case নকশা, system integration, security, data quality এবং production failure সামলানোর কাজে প্রসঙ্গ, বিচার ও দায়বদ্ধতা দরকার। শুধু programming language জানা নয়, সম্পূর্ণ কাজের ফল যাচাই করতে পারাই এখানে পার্থক্য তৈরি করবে।

কোন দক্ষতা আগে বদলানো দরকার

প্রথম লক্ষ্য সবার জন্য “AI expert” হওয়া নয়; বর্তমান কাজকে machine-assisted workflow-তে নেওয়া। যে কর্মী tool-এর output যাচাই করতে এবং ভুল হলে প্রক্রিয়াটি থামাতে পারেন, তিনি শুধু দ্রুত হাতে কাজ করা কর্মীর চেয়ে বেশি দায়িত্ব নিতে পারবেন।

• মূল ডিজিটাল সক্ষমতা: file ও spreadsheet ব্যবস্থাপনা, structured data entry, কার্যকর search, পরিষ্কার লিখিত নির্দেশ এবং account security।
• কাজ-নির্দিষ্ট প্রযুক্তি: পোশাকে digital production record ও quality inspection; BPO-তে CRM, document workflow ও ticket handling; কারখানায় machine setting, measurement ও maintenance log।
• যাচাই ও সিদ্ধান্ত: software বা AI-এর output মূল নথি বা পণ্যের সঙ্গে মেলানো, ভুলের ধরন নথিবদ্ধ করা, exception যথাস্থানে পাঠানো এবং সিদ্ধান্তের কারণ ব্যাখ্যা করা।

এখানে একটি সহজ পরীক্ষা কার্যকর: কোনো দায়িত্বে input ও নিয়ম সব সময় প্রায় একই হলে automation exposure বেশি। input অসম্পূর্ণ হলে, ভুল সিদ্ধান্তে আর্থিক বা নিরাপত্তাজনিত ক্ষতি হলে কিংবা গ্রাহকের সঙ্গে সমঝোতা দরকার হলে মানুষের যাচাই ও সিদ্ধান্তের মূল্য বেশি থাকে।

নারী কর্মীদের জন্য একই প্রশিক্ষণ যথেষ্ট নয়

খসড়া নীতির ভাষায় পোশাক ও করণিক ভূমিকায় নারীর সংখ্যাধিক্যের কারণে displacement-এর প্রভাব অসম হতে পারে। এটি সব নারী কর্মী চাকরি হারাবেন—এমন পূর্বাভাস নয়; বরং প্রশিক্ষণে প্রবেশের বাধা রেখে automation চালু হলে ঝুঁকিপূর্ণ কাজ থেকে নতুন ভূমিকায় যাওয়ার সুযোগ সমান থাকবে না।

শুধু সন্ধ্যার online course দিলে device, সময়, যাতায়াত, পরিচর্যার দায়িত্ব বা ভাষাগত বাধার কারণে লক্ষ্য করা কর্মীদের একটি অংশ বাদ পড়তে পারেন। প্রশিক্ষক ও নিয়োগকর্তার জন্য কার্যকর নকশা হবে paid training time, কর্মস্থলের যন্ত্র বা software-এ অনুশীলন, পরিচিত ভাষায় নির্দেশনা এবং আগের দক্ষতার স্বীকৃতি। এগুলো নীতির নিশ্চিত সুবিধা নয়; অন্তর্ভুক্তিমূলক পুনঃপ্রশিক্ষণের সম্পাদকীয়ভাবে প্রস্তাবিত শর্ত।

১২ সপ্তাহে বর্তমান কাজের সঙ্গে নতুন দায়িত্ব যোগ করুন

স্বল্পমেয়াদি শেখার লক্ষ্য চাকরি ছেড়ে নতুন degree নেওয়া নয়; বর্তমান কাজের পাশে একটি যাচাই, যন্ত্র পরিচালনা বা exception-handling দায়িত্ব যোগ করা। পেশাভেদে tool বদলালেও নিচের কাঠামো ব্যবহার করা যায়:

1. প্রথম দুই সপ্তাহ: দৈনিক দায়িত্বগুলো repetitive, judgement ও human-contact—এই তিন ভাগে লিখুন। কোন দায়িত্বে ভুল হলে টাকা, নিরাপত্তা, গুণমান বা গ্রাহকের ক্ষতি হয়, তা চিহ্নিত করুন।
2. তৃতীয় থেকে ষষ্ঠ সপ্তাহ: নিজের খাতের একটি digital tool বেছে নিন। গোপনীয়তামুক্ত নমুনা দিয়ে output তৈরি করুন, মূল record বা পণ্যের সঙ্গে মিলিয়ে দেখুন এবং correction log রাখুন।
3. সপ্তম থেকে দশম সপ্তাহ: ভুল data, অস্বাভাবিক defect, অসম্পূর্ণ customer request বা machine alert দিয়ে exception handling অনুশীলন করুন। কোন অবস্থায় নিজে সিদ্ধান্ত নেবেন এবং কখন supervisor-এর অনুমোদন লাগবে, লিখে রাখুন।
4. শেষ দুই সপ্তাহ: ছোট একটি portfolio তৈরি করুন—আগের workflow, tool ব্যবহারের পরের workflow, ধরা পড়া ভুল এবং মানুষের অনুমোদন প্রয়োজন এমন ধাপ দেখান।

Course বাছাইয়ে certificate-এর আগে তিনটি বিষয় দেখুন: বাস্তব equipment বা software practice আছে কি না, assignment মূল্যায়ন করা হয় কি না এবং শেখানো দক্ষতার সঙ্গে নির্দিষ্ট job role-এর সম্পর্ক স্পষ্ট কি না। খসড়া নীতি স্বল্পমেয়াদি upskilling এবং অষ্টম–নবম শ্রেণি থেকে AI ও computational thinking শিক্ষার প্রস্তাব দিলেও কর্মীভিত্তিক course ও delivery তালিকা দেয় না।

নীতিটির অবস্থাও সীমা নির্ধারণ করে। সরকারি AI Policy পোর্টাল অনুযায়ী জনপরামর্শ ৮ ফেব্রুয়ারি ২০২৬-এ শেষ হয়েছে, কমিটি মতামত পর্যালোচনা করছে এবং সুপারিশ চূড়ান্ত খসড়ায় যুক্ত করার কথা; তাই এটি এখনো গৃহীত চূড়ান্ত নীতি বা নিশ্চিত পুনঃপ্রশিক্ষণ-অধিকার নয়। কর্মীর জন্য সবচেয়ে বাস্তব প্রস্তুতি হলো নিজের পুনরাবৃত্ত দায়িত্ব চিহ্নিত করা, একটি প্রাসঙ্গিক tool চালানো এবং তার output যাচাই করার প্রমাণ তৈরি করা।