जब एआई हमें तेज बनाता है लेकिन समझदार नहीं और नेताओं को इसके बारे में क्या करना चाहिए

बहुत से लोगों के लिए, एआई विभिन्न व्यावसायिक चुनौतियों का समाधान प्रदान करता है। यह कोडिंग में सहायक हो सकता है, कार्य प्रवाह स्वचालन में सुधार कर सकता है, और विश्लेषण सहायक के रूप में कार्य कर सकता है। लेकिन जबकि संगठन तेजी से आगे बढ़ रहे हैं, वे कम सोच रहे हैं। इसलिए एआई का वास्तविक जोखिम नौकरी की जगह नहीं है, बल्कि ज्ञान का क्षरण है।

शोध ने पहले ही इसकी पुष्टि कर दी है। एसबीएस स्विस बिजनेस स्कूल ने पाया कि एआई पर बढ़ती निर्भरता महत्वपूर्ण सोच क्षमताओं में कमी से जुड़ी हुई है।

यह क्षरण गंभीर परिणामों का कारण बनता है, क्योंकि मानव निर्णय को मूल्यवान बनाने वाले कौशल कमजोर हो रहे हैं क्योंकि टीमें मशीन आउटपुट पर निर्भर हो जाती हैं और समझती नहीं हैं कि यह कैसे काम करता है। कमजोर तर्क, चुनौती रहित धारणाएं, और खराब मॉडल शासन एआई दक्षता के बराबर नहीं हैं, बल्कि व्यावसायिक भंगुरता को बढ़ाते हैं।

एआई क्षमता की गलत समझ

संगठन तेजी से आउटपुट को एआई अपनाने की सफलता के प्रमाण के रूप में मना रहे हैं। लेकिन गति एक भ्रामक मापदंड है। जो कई टीमें एआई क्षमता कहती हैं, वह वास्तव में प्रॉम्प्ट फ्लुएंसी के लिए गलत समझी जा रही है। लेकिन कर्मचारियों को उन उत्तरों पर भरोसा करने की आवश्यकता है जो उन्हें दिए जाते हैं।

यदि कोई आउटपुट सही लगता है, तो कई लोग मानते हैं कि यह सही है। मॉडल सत्यापन भुला दिए जाते हैं, और धारणाएं चुनौती रहित रहती हैं। तब कार्यबल एआई पर निर्भर हो जाता है जो पहले तर्क की आवश्यकता थी।

एक 2025 के शोध अध्ययन इस पैटर्न का समर्थन करता है। इसने “एआई टूल के बार-बार उपयोग और महत्वपूर्ण सोच क्षमताओं के बीच एक महत्वपूर्ण नकारात्मक संबंध” पाया, जो संज्ञानात्मक ऑफलोडिंग द्वारा मध्यस्थ है। और छोटे प्रतिभागियों, जो एआई इंटरफेस के साथ सबसे अधिक सहज हैं, ने बड़े प्रतिभागियों की तुलना में कम महत्वपूर्ण सोच स्कोर दिखाए।

यह बिंदु द इकोनॉमिक टाइम्स में प्रकाशित निष्कर्षों से भी समर्थित है, जिसमें पाया गया कि मूलभूत एआई प्रवीणता प्रॉम्प्ट को मास्टर करने से नहीं आती है। यह मानव कौशल से आती है जो मशीन आउटपुट की व्याख्या करते हैं, चुनौती देते हैं, और संदर्भ प्रदान करते हैं, और एआई प्रवीणता महत्वपूर्ण सोच, विश्लेषणात्मक तर्क, रचनात्मक समस्या समाधान, और भावनात्मक बुद्धिमत्ता से आती है। इन कौशलों के बिना, उपयोगकर्ता एआई सामग्री के निष्क्रिय उपभोक्ता बन जाते हैं, न कि सक्रिय निर्णय लेने वाले।

चिंताजनक बात यह है कि यह संज्ञानात्मक ऑफलोडिंग न्यूरल स्तर पर देखी गई है। द इकोनॉमिक टाइम्स ने एक एमआईटी मीडिया लैब अध्ययन पर रिपोर्ट की और पाया कि जो प्रतिभागी अक्सर चैटजीपीटी का उपयोग करते थे, उनमें स्मृति की कमी, कम प्रदर्शन स्कोर, और एआई सहायता के बिना प्रयास करने पर मस्तिष्क गतिविधि में कमी देखी गई। जैसा कि शोधकर्ताओं ने कहा, “यह सुविधा एक संज्ञानात्मक लागत पर आई।” एआई का उपयोग करने वाले छात्रों ने “सभी स्तरों पर” खराब प्रदर्शन किया: न्यूरल, भाषाई, और स्कोरिंग।

इन परिणामों से यह स्पष्ट होता है कि एआई शॉर्टकट क्या कमजोर करते हैं। वे उन संज्ञानात्मक कौशलों को कमजोर करते हैं जिन पर पेशेवर हर दिन निर्भर रहते हैं:

• विश्लेषणात्मक तर्क
• परिकल्पना परीक्षण
• डीबगिंग प्रवृत्ति
• डोमेन अनुभव

यह हालिया शोध अंततः मानव स्तर पर एआई के उपेक्षित नुकसान पर प्रकाश डाल रहा है। और यह उच्च जोखिम वाले निर्णयों में एक बड़ी समस्या बन रही है, जैसे जोखिम, पूर्वानुमान, और संसाधन आवंटन, जिनमें सभी संदर्भ समझ की आवश्यकता होती है। जितना कम लोग मॉडल के डिजाइन के पीछे की तर्क को समझते हैं, उतना ही अधिक अनिश्चित निर्णय लेना होता है।

क्यों कमजोर मानव-इन-द-लूप कौशल उद्यम-स्तर के जोखिम पैदा करते हैं

नई क्षमता विभाजन शासन को कमजोर करता है

जैसे ही एआई अपनाना व्यापक होता जा रहा है, कई संगठनों में एक विभाजन उभर रहा है। एक तरफ निरीक्षक हैं जो प्रश्न पूछ सकते हैं, चुनौती दे सकते हैं, व्याख्या कर सकते हैं, और आउटपुट को परिष्कृत कर सकते हैं। दूसरी तरफ ऑपरेटर हैं जो परिणामों को उनके चेहरे पर मूल्य लेते हैं और आगे बढ़ते हैं।

यह विभाजन बहुत अधिक मायने रखता है जितना कि अधिकांश नेता समझते हैं। शासन को उन टीमों पर निर्भर करने की आवश्यकता है जो मॉडल की धारणाओं की जांच कर सकते हैं, न कि केवल उत्तरों की। जब कम लोग समझते हैं कि एक प्रणाली कैसे काम करती है, तो छोटे बदलाव अनदेखा हो सकते हैं, जैसे कि मॉडल ड्रिफ्ट और डेटा गुणवत्ता में बदलाव के शुरुआती संकेत।

जब टीमें एआई आउटपुट को चुनौती दिए बिना स्वीकार करती हैं, तो छोटे त्रुटियां डाउनस्ट्रीम चलती हैं और जल्दी से जटिल हो जाती हैं। अत्यधिक निर्भरता एक एकल बिंदु विफलता बन जाती है। यह सवाल उठता है, जब एक संगठन निर्णय लेने की तुलना में समझ विकसित करने से पहले तेजी से निर्णय लेता है तो क्या होता है?

यह शासन अंतराल नवाचार को भी रोकता है। जो टीमें एआई की जांच नहीं कर सकती हैं, वे प्रॉम्प्ट को परिष्कृत नहीं कर सकती हैं या नहीं पहचान सकती हैं कि जब एक अंतर्दृष्टि नई और अनोखी है। नवाचार विशेषज्ञों के एक छोटे से पूल के चारों ओर केंद्रित हो जाता है, जो संगठन की अनुकूलन क्षमता को धीमा कर देता है।

नवाचार तब रुक जाता है जब मानव जिज्ञासा कम हो जाती है

एआई कई कार्यों को तेजी से और स्वचालित कर सकता है, लेकिन यह मानव सोच की जगह नहीं ले सकता है जो प्रश्न पूछती है और स्पष्ट उत्तरों से परे जाती है। फिर भी, यह मानव सोच की प्रवृत्ति कम हो रही है। इसे एजेंसी डिके कहा जाता है। एक चार-चरण प्रगति है कि कैसे मानव मशीनों को सोच का काम सौंप देते हैं:

1. प्रयोग: जिज्ञासा और सुविधा के कारण, लोग छोटे कार्यों को एआई को सौंपना शुरू कर देते हैं। यह सशक्तिकरण और कुशल है।
2. एकीकरण: एआई दैनिक कार्यों का हिस्सा बन जाता है। लोगों के पास अभी भी अंतर्निहित कौशल हैं, लेकिन सहायता के साथ काम करने में थोड़ा असहज महसूस होता है।
3. निर्भरता: एआई जटिल निर्णय लेना शुरू कर देता है। उपयोगकर्ता संतुष्ट हो जाते हैं, और संज्ञानात्मक क्षमताएं क्षय होने लगती हैं, अक्सर अनदेखी में।
4. निर्भरता: यह भी चुनी हुई अंधापन के रूप में जाना जाता है। लोग एआई के बिना प्रभावी ढंग से काम नहीं कर सकते हैं, लेकिन अभी भी अपनी स्वतंत्रता के प्रति आश्वस्त रहते हैं।

यह प्रगति इसलिए महत्वपूर्ण है क्योंकि एआई हमारी ज्ञान की कमी को पहचानने और नए समस्याओं के लिए नए समाधान सोचने की क्षमता को कमजोर करता है। इन उच्च-क्रम कौशलों को निरंतर अभ्यास की आवश्यकता होती है। फिर भी, एआई सुविधा इन्हें उपेक्षित करना आसान बना देती है।

संगठनों को तेजी से और कुशल बनाया जा सकता है, लेकिन रचनात्मक नहीं। अनुसंधान और विकास मानव जिज्ञासा और संदेह पर निर्भर करते हैं, जो दोनों कम हो जाते हैं जब आउटपुट चुनौती रहित होते हैं। यह जिज्ञासा और एजेंसी की हानि एक रणनीतिक जोखिम है।

संज्ञानात्मक ज्ञान की हानि संगठन को भंगुर बना देती है

स्वस्थ, कार्यात्मक टीमों में, विशेषज्ञता आमने-सामने और वरिष्ठ से जूनियर तक जाती है। लेकिन जब कर्मचारी मानवों के बजाय एआई से प्रश्न पूछते हैं, तो मेंटरशिप लूप कमजोर हो जाते हैं। जूनियर विशेषज्ञ निर्णय लेने की कला से सीखना और吸 करना बंद कर देते हैं, और वरिष्ठ धीरे-धीरे ज्ञान का दस्तावेजीकरण बंद कर देते हैं क्योंकि एआई रूटीन अंतराल को भर देता है।

समय के साथ, मूल ज्ञान खोखला हो जाता है। लेकिन यह जोखिम दिखने में समय लेता है, इसलिए व्यवसाय उत्पादक दिखते हैं, लेकिन उनका आधार भंगुर हो जाता है। जब एक मॉडल विफल होता है या असामान्यताएं दिखाई देती हैं, तो टीमें अब आत्मविश्वास के साथ प्रतिक्रिया करने के लिए डोमेन गहराई नहीं रखती हैं।

एक लेखा फर्म का एक मामला अध्ययन संज्ञानात्मक स्वचालन के विनाशकारी चक्र में प्रकाशित हुआ, जिसमें पाया गया कि संज्ञानात्मक स्वचालन पर दीर्घकालिक निर्भरता मानव विशेषज्ञता में एक महत्वपूर्ण गिरावट पैदा करती है। जैसे ही कर्मचारी स्वचालित कार्यों पर अधिक विश्वास करने लगे, उनकी गतिविधियों के प्रति जागरूकता, क्षमता की देखभाल, और आउटपुट मूल्यांकन सभी कमजोर हो गए। शोधकर्ताओं का नोट है कि यह कौशल क्षरण कर्मचारियों और प्रबंधकों द्वारा अनदेखा किया जाता है, जो टीमों को तैयार करता है जब प्रणाली विफल हो जाती है।

नेताओं को क्या करना चाहिए गहराई को बहाल करने और अत्यधिक निर्भरता के खिलाफ सुरक्षा करने के लिए

उद्यम एआई अपनाने को धीमा नहीं कर सकते हैं, लेकिन वे अपने कर्मचारियों के मानव निर्णय को मजबूत कर सकते हैं, जो एआई को अधिक विश्वसनीय बनाता है। इसकी शुरुआत संगठन भर में एआई क्षमता को फिर से परिभाषित करने से होती है, क्योंकि प्रॉम्प्ट फ्लुएंसी प्रवीणता नहीं है। सच्ची क्षमता में मॉडल के तर्क को समझना और जानना शामिल है कि कब मशीन आउटपुट को ओवरराइड करना है।

इसे समझने के लिए, कर्मचारियों को प्रशिक्षण की आवश्यकता है कि मॉडल संदर्भ को कैसे सरल बनाता है, ड्रिफ्ट दैनिक कार्य में कैसे दिखाई देता है, और एक आत्मविश्वासी आउटपुट और एक अच्छी तरह से तर्क वाले आउटपुट के बीच का अंतर। एक बार यह आधार स्थापित हो जाने के बाद, नेता दैनिक कार्य प्रवाह में महत्वपूर्ण सोच को फिर से बना सकते हैं जैसे कि:

• यह मॉडल किस धारणा पर आधारित है?
• यह आउटपुट क्या गलत हो सकता है?
• क्या यह हमारे अनुभव से कुछ विरोधाभासी है?

यह महत्वपूर्ण विश्लेषण केवल कुछ मिनट लेता है लेकिन संज्ञानात्मक ऑफलोडिंग संकट का मुकाबला करता है, जो कर्मचारियों और एआई मॉडल आउटपुट को नियंत्रित में रखता है।

व्यवसायों के लिए अपने कर्मचारियों को सिखाने का सबसे अच्छा तरीका वास्तविक प्रणालियों पर है। अक्सर, प्रशिक्षण आदर्श परिदृश्यों पर केंद्रित होता है। लेकिन व्यवसायों के पास आदर्श परिदृश्य नहीं होते हैं; उनके पास ऐसी प्रणालियां हैं जहां डेटा अधूरा है, संदर्भ अस्पष्ट है, और मानव निर्णय महत्वपूर्ण है।

उदाहरण के लिए, यदि एक लॉजिस्टिक फर्म ने अपनी मार्ग निर्धारण टीम को केवल स्वच्छ डेटासेट पर प्रशिक्षित किया था जहां एआई बिल्कुल सही था, तो कार्यकर्ता वास्तविक दुनिया की स्थितियों के लिए तैयार नहीं होंगे। मौसम व्यवधान जैसी वास्तविक दुनिया की स्थितियां एआई मॉडल को गलत निर्देश देने का कारण बन सकती हैं। यदि कर्मचारियों ने कभी नहीं देखा है कि प्रणाली अनिश्चित तरीके से व्यवहार करती है, तो वे मॉडल ड्रिफ्ट के शुरुआती संकेतों को पहचान नहीं पाएंगे या नहीं जान पाएंगे कि कब हस्तक्षेप करना है। इस मामले में, समस्या मॉडल नहीं है, बल्कि अपर्याप्त प्रशिक्षण है। यह आवश्यक है कि कर्मचारियों को ड्रिफ्ट परिदृश्यों, अस्पष्ट आउटपुट, आंशिक डेटा, और विफलताओं सहित एआई पर प्रशिक्षित किया जाए। यहीं पर मानव क्षमता का पुनर्निर्माण होता है।

प्रशिक्षण को व्यावहारिक बनाने के लिए, व्यवसायिक नेताओं को मानव क्षमता को मापने की आवश्यकता है, न कि केवल प्रणाली के परिणामों को। संगठन आमतौर पर मॉडल सटीकता या लागत-बचत मेट्रिक्स को ट्रैक करते हैं, लेकिन शायद ही कभी उन व्यवहारों की निगरानी करते हैं जो मजबूत मानव पर्यवेक्षण का संकेत देते हैं। क्या कर्मचारी मॉडल के आउटपुट पर विश्वास क्यों करते हैं? क्या वे असामान्य परिणामों को बढ़ा रहे हैं? ये दिखाई देने वाले कार्य यह दिखाते हैं कि तर्क मजबूत हो रहा है या फिसल रहा है। जब नेता उन लोगों को पहचानें और पुरस्कृत करें जो गहरी सोच के माध्यम से प्रॉम्प्ट में सुधार करते हैं या एआई आउटपुट के बारे में वैध संदेह उठाते हैं, तो वे उन आदतों को मजबूत करते हैं जो एआई तैनाती को लचीला बनाते हैं।

एआई तेजी से होगा। यह हिस्सा विवाद के लिए नहीं है। प्रश्न यह है कि क्या टीमें उन कौशलों को बनाए रखती हैं जो एआई को प्रश्न पूछने, सही करने और गलत होने पर मार्गदर्शन करने की आवश्यकता होती है। यहीं पर अंतर दिखाई देगा। जो संगठन अब मानव निर्णय में निवेश करते हैं, वे एआई से वास्तविक मूल्य प्राप्त करने वाले होंगे, न कि भंगुर कुशलता से। बाकी लोग रेत पर बना रहे हैं।