ভারতের ৩২% AI ব্যবহারকারী কাজ নতুন করে সাজাচ্ছেন—দক্ষতার সংকেত স্পষ্ট
Microsoft-এর ৩ সেপ্টেম্বর প্রকাশিত ভারতীয় ফল বলছে, জরিপভুক্ত AI ব্যবহারকারীদের ৩২% “Frontier Professional”: তাঁরা agent দিয়ে বহু ধাপের কাজ করানোর পাশাপাশি কাজের প্রবাহ নতুন করে সাজাচ্ছেন। হারটি সমীক্ষার ১০টি বাজারের মধ্যে সর্বোচ্চ এবং ১৬% বৈশ্বিক গড়ের দ্বিগুণ।
একই দিনে প্রকাশিত Mint-এর স্বাধীন প্রতিবেদন ৩২% হার, বহু-ধাপের agent workflow এবং ফলাফলের দায় মানুষের হাতে রাখার বিষয়টি মিলিয়ে দেখেছে। তাই ৩ সেপ্টেম্বরের ফলটির মূল বার্তা শুধু agent ব্যবহারের বিস্তার নয়; output যাচাই ও critical thinking-সহ কাজ নিয়ন্ত্রণের মানবিক দক্ষতাও পার্থক্য তৈরি করছে।
‘Frontier Professional’ বলতে কী বোঝানো হয়েছে
এই শ্রেণি শুধু ঘন ঘন chatbot ব্যবহারকারীকে বোঝায় না। এর সদস্যরা জটিল কাজকে একাধিক ধাপে ভাগ করে agent-এর কাছে execution অর্পণ করেন, AI কোন অংশে ভালো কাজ করে তা বিবেচনায় নিয়ে workflow বদলান এবং দলের জন্য যৌথ মান নির্ধারণ করেন। লক্ষ্য স্থির করা, ব্যতিক্রম সামলানো ও ফল অনুমোদনের দায়িত্ব মানুষের কাছেই থাকে।
ধরা যাক, একটি গবেষণাভিত্তিক প্রতিবেদনের কাজে agent প্রাথমিক উপাদান সাজাল, দাবিগুলো শ্রেণিবদ্ধ করল এবং খসড়া তৈরি করল। মানুষ তখন মূল নথির সঙ্গে দাবি মেলালেন, বাদ পড়া তথ্য শনাক্ত করলেন এবং প্রকাশযোগ্যতার সিদ্ধান্ত নিলেন। এটি সংজ্ঞাটি বোঝানোর শর্তসাপেক্ষ উদাহরণ; Microsoft নির্দিষ্ট এই কাজটির কার্যকারিতা পরীক্ষা করেছে—এমন দাবি নয়।
সুতরাং শিরোনামের “কাজ নতুন করে সাজানো” মানে একই কাজ কেবল দ্রুত শেষ করা নয়। কোন ধাপ agent করবে, কোথায় human handoff হবে, কোন ভুলে প্রক্রিয়া থামবে এবং চূড়ান্ত ফলের দায় কার—এসবও কাজের নকশার অংশ হয়ে উঠছে।
৩২%, ৬৩% ও ৫৯% যে দক্ষতার ছবি দেয়
The Economic Times-এর যাচাই করা ফলাফলে দেখা যায়, ভারতীয় AI ব্যবহারকারীদের ৬৩% output-এর quality control-কে গুরুত্বপূর্ণ দক্ষতা বলেছেন, ৫৯% critical thinking-কে অগ্রাধিকার দিয়েছেন এবং ৮৭% চিন্তার দায় নিজেদের রেখে AI-এর ফলকে চূড়ান্ত উত্তর নয়, শুরুর উপাদান হিসেবে দেখেন। সংখ্যাগুলো self-reported অগ্রাধিকার; এগুলো কোনো স্বাধীন দক্ষতা পরীক্ষার নম্বর নয়।
- Agent delegation: একটি ফলকে সীমাবদ্ধ ধাপে ভাগ করা, প্রতিটি ধাপের উদ্দেশ্য নির্ধারণ করা এবং কোন সিদ্ধান্ত agent নিতে পারবে না তা স্পষ্ট রাখা। দৃশ্যমান প্রমাণ হতে পারে নথিবদ্ধ workflow, human handoff এবং অনুমোদনের দায়িত্ব।
- Quality control: AI-এর দাবি মূল নথির সঙ্গে মেলানো, অসম্পূর্ণতা ও অসঙ্গতি শনাক্ত করা, গ্রহণযোগ্যতার মান প্রয়োগ করা এবং অনুমোদনের আগে সংশোধন নথিবদ্ধ করা। সাবলীল ভাষা বা দ্রুত output একা মানের প্রমাণ নয়।
- Critical thinking: agent-এর অনুমান প্রশ্ন করা, বিকল্প ব্যাখ্যা তুলনা করা এবং প্রমাণ দুর্বল হলে সিদ্ধান্ত স্থগিত রাখা। এখানে prompt-এর সংখ্যা নয়, প্রশ্নের মান ও নতুন প্রমাণে সিদ্ধান্ত সংশোধনের ক্ষমতা বেশি অর্থবহ।
এই skill matrix গবেষণায় নির্ধারিত আনুষ্ঠানিক performance rubric নয়; প্রকাশিত সূচকগুলোর সম্পাদকীয় ব্যাখ্যা। তবে সূচকগুলো পাশাপাশি রাখলে বোঝা যায়, delegation-এর সঙ্গে যাচাই ও যুক্তিনির্ভর সিদ্ধান্ত না থাকলে “Frontier” কাজের মানবিক নিয়ন্ত্রণ অসম্পূর্ণ থেকে যায়।
কর্মী ও ব্যবস্থাপকের মূল্যায়নে এর তাৎপর্য
ফলটি AI ব্যবহারের পরিমাণের চেয়ে কাজের নকশা ও নিয়ন্ত্রণকে বেশি অর্থবহ করে তোলে। একজন কর্মী একাধিক agent ব্যবহার করেও যদি যাচাই ছাড়াই ভুল output সিদ্ধান্তপত্র, কোডভান্ডার বা গ্রাহকের কাছে পাঠান, তবে বেশি ব্যবহার শক্তিশালী quality control প্রমাণ করে না। বিপরীতে, সীমিত agent-সহ workflow-তে স্পষ্ট পরীক্ষা, ব্যতিক্রমের নিয়ম ও দায়বদ্ধ অনুমোদন থাকলে নিয়ন্ত্রণের প্রমাণ দৃশ্যমান হয়।
দলীয় পর্যায়ে তিনটি প্রশ্ন তাই প্রাসঙ্গিক: agent কোন ধাপ সম্পন্ন করছে, মানুষ কোন মানদণ্ডে ফল গ্রহণ করছে এবং ভুল ধরা পড়লে workflow কীভাবে বদলাচ্ছে। এগুলো performance review-তে শুধু “AI ব্যবহার করেন কি না” প্রশ্নের তুলনায় নির্দিষ্ট প্রমাণ দিতে পারে।
তবে গবেষণাটি এই মূল্যায়ন-পদ্ধতির কার্যকারিতা পরীক্ষা করেনি। কাজের নথি, সংশোধনের ইতিহাস বা সিদ্ধান্তের মানকে মূল্যায়নে ব্যবহার করার প্রস্তাবটি প্রকাশিত সংজ্ঞা থেকে পাওয়া বিশ্লেষণ—Microsoft-এর পরীক্ষিত ব্যবস্থাপনা-পদ্ধতি নয়।
সমীক্ষার সীমা ফলটির অর্থ বদলে দেয়
এটি ভারতের পুরো শ্রমশক্তির হিসাব নয়। গবেষণার নমুনা AI ব্যবহারকারীদের নিয়ে গঠিত; ফলে AI ব্যবহার না করা কর্মীরা কেন্দ্রীয় হারের denominator-এ নেই। সেই হার দিয়ে ভারতের সব পেশা, শিল্প, ভাষা, আয়স্তর বা প্রতিষ্ঠানে একই মাত্রার agent ব্যবহার ধরে নেওয়া যাবে না।
গবেষণায় survey response-এর সঙ্গে বেনামী Microsoft 365 productivity signal ব্যবহার করা হয়েছে, কিন্তু প্রকাশিত দক্ষতা-সংক্রান্ত সূচকগুলো অংশগ্রহণকারীদের নিজের বলা অগ্রাধিকার ও আচরণের ওপর নির্ভরশীল। এগুলো বাস্তবে কত কাজ স্বয়ংক্রিয় হয়েছে, output কতটা নির্ভুল বা ব্যবসায়িক ফল কতটা উন্নত—তার প্রত্যক্ষ পরিমাপ নয়।
আরও একটি সীমা হলো গবেষণাটির উৎস: Microsoft নিজেই AI ও workplace software সরবরাহকারী। তাই সংজ্ঞা, নমুনা এবং Microsoft 365-ভিত্তিক signal-এর প্রভাব বিবেচনায় রেখে ফল পড়তে হবে; সংবাদমাধ্যমের মিল থাকা প্রতিবেদন কেন্দ্রীয় সংখ্যাটি নিশ্চিত করলেও স্বাধীন performance audit-এর বিকল্প নয়।
এখন পর্যন্ত নিশ্চিত সিদ্ধান্তটি সীমিত কিন্তু তাৎপর্যপূর্ণ: Microsoft-এর ভারতীয় নমুনায় AI ব্যবহারকারীদের একটি বড় অংশ agent ঘিরে বহু-ধাপের কাজ পুনর্গঠন করছেন, আর যাচাই ও বিচারবোধকে গুরুত্বপূর্ণ বলে দেখছেন। এই সংকেত ভারতের বিস্তৃত কর্মক্ষেত্রে কতটা প্রযোজ্য, তা জানতে শিল্পভিত্তিক নমুনা, স্বাধীন ব্যবহার-তথ্য এবং output-এর মান ও ব্যবসায়িক ফলের সরাসরি পরিমাপ প্রয়োজন।
আরও পড়ুন:
আমাদের নিউজলেটার নিন
সর্বশেষ Web3, AI ও ক্রিপ্টো সংবাদ সরাসরি আপনার ইনবক্সে পান।