কর্মীরা AI-তে আত্মবিশ্বাসী, তবু অর্ধেকের সময়ই উল্টো নষ্ট হয়েছে

২৫ আগস্টের dateline-সহ প্রকাশিত WalkMe-এর AI at Work Pulse Survey 2026 কর্মক্ষেত্রে AI নিয়ে আত্মবিশ্বাস ও স্বপ্রতিবেদিত ফলের বড় ব্যবধান দেখিয়েছে। প্রাথমিক জরিপ প্রকাশনায় বলা হয়েছে, ৯০% উত্তরদাতা AI ব্যবহারে আত্মবিশ্বাসী হলেও মাত্র ২৪.৬% প্রথম চেষ্টায় কাজ হওয়ার কথা বলেছেন; ৫০.২% অন্তত একটি কাজে AI দিয়ে ফল পেতে ম্যানুয়াল পদ্ধতির চেয়ে বেশি সময় ব্যয় করেছেন। পাতাটিতে ১৯ আগস্টের display date-ও আছে, তবে সংবাদ বিজ্ঞপ্তির dateline এবং পরবর্তী প্রতিবেদনে প্রকাশের তারিখ ২৫ আগস্ট।

জরিপটি যুক্তরাষ্ট্রে কর্মরত এবং চাকরিতে AI ব্যবহার করেন—এমন ২,০৩৭ প্রাপ্তবয়স্কের স্বপ্রতিবেদিত অভিজ্ঞতা। ২৭ আগস্টের CIO Dive প্রতিবেদনে একই confidence–performance ব্যবধানের পাশাপাশি বলা হয়েছে, অর্ধেকের বেশি উত্তরদাতা AI আসার পর একই সময়ে বেশি output দেওয়ার প্রত্যাশা অনুভব করছেন। ফলটি AI সামগ্রিকভাবে উৎপাদনশীলতা কমিয়েছে—এমন প্রমাণ নয়; এটি নির্দিষ্ট ব্যবহারকারী গোষ্ঠীর অভিজ্ঞতার একটি cross-sectional ছবি।

চারটি সূচক মিলে ব্যবধানটি স্পষ্ট হয়

জরিপটির কেন্দ্রীয় ফল কোনো একক শতাংশে সীমিত নয়। আত্মবিশ্বাস, প্রথম চেষ্টার ফল, তুলনামূলক সময় এবং ব্যবস্থাপনার প্রত্যাশা—চারটি সূচক পাশাপাশি রাখলে বোঝা যায়, AI চালাতে স্বচ্ছন্দ হওয়া আর নির্ভরযোগ্যভাবে কাজ শেষ করা একই বিষয় নয়।

৯০% আত্মবিশ্বাসের বিপরীতে ২৪.৬% first-try success দেখায়, অধিকাংশ উত্তরদাতাকে অন্তত কিছু ক্ষেত্রে পুনরায় prompt দিতে, output যাচাই করতে বা সংশোধন করতে হতে পারে। তবে প্রকাশিত সারাংশে এই অতিরিক্ত কাজগুলোর আলাদা হার নেই; ফলে ব্যবধানটির নির্দিষ্ট কারণ সংখ্যাগুলো থেকে নির্ধারণ করা যায় না।

একই নমুনায় ৫১% বলেছেন, AI ব্যবহারের ফলে ব্যবস্থাপক বা দল একই সময়ে বেশি output আশা করছে। আরও ৩৩% নিজেদের প্রকৃত AI দক্ষতার চেয়ে বেশি দক্ষ হিসেবে দেখানোর এবং ৩২.৫% AI-নির্মিত কাজকে নিজের কাজ হিসেবে উপস্থাপনের কথা জানিয়েছেন। চাপের কারণে এই আচরণগুলো ঘটেছে—এমন causal সিদ্ধান্ত জরিপটি দেয় না; এটি কেবল একই উত্তরদাতাদের মধ্যে চাপ ও আচরণের self-reported association দেখায়।

‘অর্ধেকের সময় নষ্ট’ মানে মোট কর্মঘণ্টার অর্ধেক নয়

শিরোনামের ‘অর্ধেক’ বলতে উত্তরদাতাদের প্রায় অর্ধেককে বোঝায়, তাদের মোট কাজের সময়ের অর্ধেককে নয়। ৫০.২% বলেছেন, অন্তত কোনো একটি কাজ AI দিয়ে করাতে যত সময় লেগেছে, সেই কাজটি ম্যানুয়ালি করলে কম সময় লাগত। জরিপটি প্রতি সপ্তাহে হারানো ঘণ্টা, আর্থিক ক্ষতি বা প্রতিষ্ঠানের সামগ্রিক productivity loss হিসাব করেনি।

এই তুলনাটি উত্তরদাতার নিজের অনুমানের ওপর নির্ভরশীল। একই ব্যক্তি একটি কাজে AI ব্যবহার করে সময় হারাতে পারেন, আবার অন্য কাজে সময় বাঁচাতে পারেন। কোন ধরনের কাজ বেশি ব্যর্থ হয়েছে, manual baseline কীভাবে নির্ধারিত হয়েছে কিংবা output-এর মান দুই পদ্ধতিতে সমান ছিল কি না—প্রকাশিত সারাংশে তা জানানো হয়নি।

২৪.৬% first-try success-ও নিয়ন্ত্রিত performance test নয়। ‘প্রথম চেষ্টা’ কোন tool, model বা কাজকে বোঝায়, গ্রহণযোগ্যতার মানদণ্ড কী এবং উত্তরদাতারা সাফল্য একইভাবে বিচার করেছেন কি না—এসবের পূর্ণ সংজ্ঞা প্রকাশিত হয়নি। সংখ্যাটি friction-এর গুরুত্বপূর্ণ সংকেত, কিন্তু AI ব্যবস্থার সামগ্রিক সক্ষমতার benchmark নয়।

নমুনাটি কী বলতে পারে, কী পারে না

Propeller Insights ১০ থেকে ২০ জুন ২০২৬ পর্যন্ত জরিপটি পরিচালনা করেছে। অংশগ্রহণকারীরা সবাই যুক্তরাষ্ট্রে কর্মরত প্রাপ্তবয়স্ক এবং চাকরিতে AI ব্যবহারকারী; ফলে AI ব্যবহার না করা কর্মী, বেকার জনগোষ্ঠী বা যুক্তরাষ্ট্রের বাইরের workforce এই নমুনার আওতায় নেই।

প্রকাশিত methodology-তে পূর্ণ questionnaire, recruitment channel, demographic weighting, response rate বা margin of error দেওয়া হয়নি। তাই ২,০৩৭ জনের নমুনা বড় হলেও শুধু আকার দেখে সব মার্কিন কর্মীর প্রতিনিধিত্ব নিশ্চিত করা যায় না। ফলগুলো স্মৃতি, ব্যক্তিগত মূল্যায়ন এবং সামাজিকভাবে গ্রহণযোগ্য উত্তর দেওয়ার প্রবণতার প্রভাবেও বদলাতে পারে।

আরও একটি সীমা হলো, এটি digital-adoption পণ্য সরবরাহকারী প্রতিষ্ঠানের কমিশন করা জরিপ। সেই বাণিজ্যিক সম্পর্ক ফলকে স্বয়ংক্রিয়ভাবে বাতিল করে না, কিন্তু raw data, প্রশ্নপত্র এবং পূর্ণ technical report প্রকাশ না হওয়া পর্যন্ত স্বাধীনভাবে বিশ্লেষণ পুনরুৎপাদন করা সম্ভব নয়। সংবাদমাধ্যমের পরবর্তী প্রতিবেদন মূল ফলগুলো পুনরায় তুলে ধরেছে; সেটি আলাদা নমুনায় করা replication নয়।

বাংলাদেশ ও ভারতের knowledge-worker-দের ক্ষেত্রে শতাংশগুলো সরাসরি প্রয়োগ করা আরও অনিশ্চিত। ভাষা, কাজের ধরন, মজুরি, প্রতিষ্ঠানের প্রযুক্তি অবকাঠামো, অনুমোদিত AI tool এবং management practice মার্কিন নমুনা থেকে ভিন্ন হতে পারে। স্থানীয় কর্মীদের দক্ষতা বা সময় সাশ্রয়ের হার হিসেবে এই ফল ব্যবহার করার ভিত্তি নেই।

Workflow guidance-এর পক্ষে ইঙ্গিত, পরীক্ষামূলক প্রমাণ নয়

কী ধরনের সহায়তা সবচেয়ে কাজে দেবে—এই প্রশ্নে ৩৩.৭% উত্তরদাতা দৈনন্দিন application-এর সঙ্গে AI-এর উন্নত integration এবং ৩০.২% ব্যবহৃত tool-এর ভেতরে guidance বেছে নিয়েছেন। এই দুই পছন্দ আলাদা standalone training-এর আগে ছিল। তবে জরিপটি guidance ও basic training-এর ফল তুলনা করে কোনো পরীক্ষা চালায়নি; কর্মীরা কোন সহায়তাকে বেশি উপকারী মনে করেন, শুধু সেটিই মেপেছে।

তবু পছন্দটির সঙ্গে মূল ব্যবধানের যৌক্তিক সম্পর্ক আছে। সাধারণ প্রশিক্ষণ AI-এর ধারণা বা prompting শেখাতে পারে, কিন্তু নির্দিষ্ট workflow-তে কোন input অনুমোদিত, গ্রহণযোগ্য output কেমন, কখন human review দরকার এবং ব্যর্থ ফল কোথায় ফেরত যাবে—এসব সিদ্ধান্ত কাজের মুহূর্তে নিতে হয়। Context-specific নির্দেশনা তাই আত্মবিশ্বাসের বদলে task completion, rework এবং error-এর মতো দৃশ্যমান ফল মাপতে সহায়তা করতে পারে।

এটি basic training অপ্রয়োজনীয়—এমন সিদ্ধান্তও নয়। নতুন ব্যবহারকারীর জন্য মৌলিক শিক্ষা এবং পুনরাবৃত্ত কাজের জন্য workflow-ভিত্তিক সহায়তা একসঙ্গে প্রয়োজন হতে পারে। কোন পদ্ধতি সত্যিই সময় বাঁচায়, তা জানতে একই ধরনের কাজের AI-assisted ও manual completion time, first-pass acceptance, সংশোধনের পরিমাণ এবং গুরুতর ভুলের before/after data দরকার।

এখন পর্যন্ত নিশ্চিত চিত্র হলো, জরিপটি উচ্চ আত্মবিশ্বাসের পাশে কম first-try success, অন্তত একটি কাজে তুলনামূলক সময় হারানো এবং বাড়তি output-এর চাপ শনাক্ত করেছে। এখনও অনুপস্থিত পূর্ণ sampling detail, task-level breakdown, স্বাধীন productivity measurement এবং বাংলাদেশ বা ভারতের তুলনাযোগ্য তথ্য। সেগুলো ছাড়া ফলটি কর্মক্ষেত্রের AI friction-এর সতর্কসংকেত, চূড়ান্ত productivity verdict নয়।