AI வேலையை மட்டும் சேர்க்கவில்லை; அது இப்போது அனுபவ ரீதியாக மறுக்க முடியாத வழிகளில் வேலையை மாற்றுகிறது. HBR கட்டுரை “AI வேலை குறைக்காது-அது தீவிரப்படுத்துகிறது” என்பது நான் “AI வரி” என்று ஒரு வருடத்திற்கு முன்பு அழைத்ததை உறுதிப்படுத்துகிறது: நிறுவனங்கள் அந்த முடிவுக்கு எதிராக வேண்டுமென்றே வடிவமைக்கும் வரை, AI வேலையின் அளவு, வேகம் மற்றும் தெளிவின்மையை அதிகரிக்கிறது.
ஆராய்ச்சி தரையுடன் பிடிக்கும் போது
AI வரி இடுகையில், AI ஆனது ஒரு உற்பத்தி ஈவுத்தொகையாக வராது என்று நான் வாதிட்டேன்; இது ஆறு வகை புதிய வேலைகளாக வருகிறது: ஏமாற்று வித்தை மற்றும் கருவி விரிவு, சோதனை, தரவு தயார்நிலை, பொருத்தம் மற்றும் பாதுகாப்பு, தோல்வியடைந்த திட்டங்களின் சுமை, மற்றும் நிரந்தர கற்றல் மற்றும் மீண்டும் கற்றல். ஏற்கனவே நடைமுறையில் AI ஐப் பயன்படுத்தும் குழுக்களுடனான உரையாடல்கள், பயனர்கள் கருவிகளுக்கு இடையில் மாறுதல், வெளியீடுகளை சமரசம் செய்தல் மற்றும் அவர்களுக்கு வாக்குறுதியளிக்கப்பட்ட “அதிக மதிப்பு” வேலையைச் செய்வதற்குப் பதிலாக தரவைச் சுத்தம் செய்தல் ஆகியவற்றிலிருந்து அந்த வகைகள் தோன்றின.
அருணா ரங்கநாதன் மற்றும் Xingqi Maggie Ye ஆகியோரின் HBR துண்டு அந்த யதார்த்தத்தைப் பற்றிய ஒரு அரிய நீளமான தோற்றத்தை வழங்குகிறது, எட்டு மாதங்களில் சுமார் 200 பணியாளர்கள் அமெரிக்க தொழில்நுட்ப நிறுவனத்தில் AI உண்மையில் தங்கள் வேலையை எவ்வாறு மாற்றியது என்பதைப் பார்க்கிறார்கள். அவர்களின் முடிவு அப்பட்டமானது: AI கருவிகள் வேலையை குறைக்கவில்லை; அவர்கள் “தொடர்ந்து அதை தீவிரப்படுத்தினர்.” பணியாளர்கள் வேகமான வேகத்தில் பணிபுரிந்தனர், பரந்த அளவிலான பணிகளை எடுத்துக்கொண்டனர், மேலும் தங்கள் பணியை நாளின் அதிக மணிநேரங்களுக்கு நீட்டித்தனர்.
எளிமையாகச் சொன்னால், இந்த ஆய்வு AI வரியின் வகைப் பணிகளுக்கான இனவரைவியலை வழங்குகிறது.
மூன்று வழிகள் AI வேலையைத் தீவிரப்படுத்துகிறது
எச்பிஆர் ஆராய்ச்சியானது, AI கருவிகள் ஆர்ப்பாட்டத்திலிருந்து தினசரி பயன்பாட்டிற்கு மாறியவுடன் வெளிப்படும் மூன்று முக்கிய தீவிரத்தன்மை வடிவங்களை அடையாளம் காட்டுகிறது.
- பணி விரிவாக்கம்
AI கிடைத்தவுடன், மக்கள் அதே வேலையை வேகமாகச் செய்வதில்லை; அவர்கள் பல வகையான வேலைகளைச் செய்யத் தொடங்குகிறார்கள். தயாரிப்பு மேலாளர்கள் மற்றும் ஆராய்ச்சியாளர்கள் குறியீட்டை எழுதவும் மதிப்பாய்வு செய்யவும் தொடங்குகின்றனர்; ஊழியர்கள் முன்பு புதிய பணியாளர்கள் தேவைப்படும் பணிகளை மேற்கொள்கின்றனர்; மற்றும் தனிநபர்கள் அவுட்சோர்ஸ் செய்யப்பட்ட, ஒத்திவைக்கப்பட்ட அல்லது வெறுமனே தவிர்க்கப்பட்ட வேலையை மீட்டெடுக்கிறார்கள். ஒரு மட்டத்தில், இது அதிகாரமளித்தல் என்று கருதலாம். AI-உதவி குறியீட்டில் சக ஊழியர்களுக்கு வழிகாட்டுதல், பகுதியளவு இழுக்கும் கோரிக்கைகளின் வெள்ளத்தை மதிப்பாய்வு செய்தல் மற்றும் முடிக்கப்பட்ட வேலையைப் போல தங்கள் வரிசையில் வரும் குறைந்த தரம் வாய்ந்த “வொர்க்-ஸ்லோப்பை” சரிசெய்தல் போன்றவற்றை ஆழமான டைவ் வெளிப்படுத்துகிறது. - வேலைக்கும் வேலை செய்யாததற்கும் இடையிலான மங்கலான எல்லைகள்
AI ஆனது நாளின் ஓரங்களில் “எதையாவது முயற்சிக்கவும்” எளிதாக்குகிறது: மதிய உணவின் போது விரைவான அறிவிப்பு, கூட்டத்திற்குச் செல்வதற்கு முன் இன்னும் ஒரு சுத்திகரிப்பு, தொலைபேசியில் படுக்கையில் சோதனை செய்யப்பட்ட ஒரு தாமதமான யோசனை. அந்த மைக்ரோ-செஷன்கள் கூடுதல் வேலையாக உணரவில்லை, ஆனால் காலப்போக்கில், அவை இடைவெளிகளையும் மீட்டெடுப்பையும் அரித்து, அறிவாற்றல் ஈடுபாட்டின் தொடர்ச்சியான உணர்வை உருவாக்குகின்றன. வேலையில்லா நேரத்தின் போது தூண்டுதல் அவர்களின் இயல்புநிலையாக மாறியதால், அவர்களின் இடைவெளிகள் இனி மீட்டெடுப்பதாக உணரவில்லை என்று ஆய்வில் உள்ள தொழிலாளர்கள் தெரிவித்தனர். - பல்பணி மற்றும் அறிவாற்றல் சுமை அதிகரித்தது
ஊழியர்கள் பல AI ஏஜெண்டுகள் மற்றும் த்ரெட்களை இணையாக இயக்குகிறார்கள், AI அவர்கள் எழுதும் போது மாற்று பதிப்புகளை உருவாக்கட்டும், மேலும் வேறு ஏதாவது ஒன்றில் கவனம் செலுத்த முயற்சிக்கும்போது வெளியீடுகளில் அரைக் கண் வைத்திருங்கள். ஒருபோதும் சோர்வடையாத ஒரு “கூட்டாளியின்” இருப்பு நிலையான சூழல் மாறுதலை ஊக்குவிக்கிறது: சரிபார்த்தல், நட்ஜ் செய்தல், மீண்டும் தூண்டுதல் மற்றும் சமரசம் செய்தல். இதன் விளைவாக, புலப்படும் செயல்திறன் அதிகரித்தாலும், எப்போதும் பின்னால் இருப்பது போன்ற ஒரு சுற்றுப்புற உணர்வு.
நீங்கள் எனது AI வரி இடுகையைப் படித்தால், இந்தத் தீம்கள் மிகவும் பரிச்சயமானதாக இருக்கும்-ஏனென்றால் அவை வகைகளுக்குப் பின்னால் இருக்கும் அனுபவமாக இருக்கும்.
AI வரி எவ்வாறு தீவிரத்தை விளக்குகிறது
“AI வரி” இல், AI ஆனது வடிவமைப்பு இல்லாமல் பயன்படுத்தப்படும் போது சேமிக்கும் வேலையை விட அதிக வேலைகளை உருவாக்கும் ஆறு வழிகளை விவரித்தேன். புதிய HBR ஆராய்ச்சி அந்த கட்டமைப்பிற்குள் தெளிவாக உள்ளது.
- AI உடன் வித்தை: பல்பணி, மாறுதல், விரிவு
ஆய்வின் மூன்றாவது முறை, அதிகரித்த பல்பணி, AI கருவிகள், முகவர்கள் மற்றும் தொடர்புகளின் உருவகங்கள் முழுவதும் ஏமாற்று வித்தையின் மனித அனுபவமாகும். எனது இடுகையில், டூல்செயின் ஸ்ப்ராவல் பற்றி எழுதினேன்: திட்டமிடலுக்கான ஒரு AI, மற்றொன்று மின்னஞ்சலில், மூன்றில் ஒரு பகுதி CRM இல் மறைக்கப்பட்டுள்ளது, ஒவ்வொன்றும் வெவ்வேறு இடைமுகம், திறன்களின் தொகுப்பு மற்றும் வினோதங்கள். இதன் விளைவாக ஒரு வேலை நாள், இது ஒரு நிரந்தர நல்லிணக்கப் பயிற்சியாக உணர்கிறது, கவனத்தை டஜன் கணக்கான மெல்லிய பணிகளாக வெட்ட வேண்டும். - சோதனை: மேற்பார்வை மற்றும் மாயத்தோற்றம் பிரச்சனை
AI-உருவாக்கும் ஒவ்வொரு வரைவுக்கும், அது ஒரு ஆவணமாகவோ, குறியீட்டின் துணுக்கு அல்லது சந்தைப்படுத்தல் பிரச்சாரமாக இருந்தாலும் சரி, அதைச் சரிபார்ப்பது அவசியம் என்பதை நீங்கள் நினைவில் கொள்ளும் வரை பணி விரிவாக்கம் திறமையாக இருக்கும். எச்பிஆர் ஆய்வு பொறியாளர்கள் தங்கள் ஒழுங்குமுறைக்கு வெளியே சக ஊழியர்களால் தயாரிக்கப்பட்ட AI-உதவி வேலைகளை மதிப்பாய்வு செய்வதில் குறிப்பிடத்தக்க நேரத்தை செலவிடத் தொடங்கும், பெரும்பாலும் முறைசாரா ஸ்லாக் பரிமாற்றங்கள் மற்றும் உதவிகள் மூலம். இது AI வரியின் “நிழல் உழைப்பு” ஆகும், இது திட்டத் திட்டத்தில் வரி உருப்படி இல்லாத உண்மையான வேலை, ஏற்கனவே திறன் கொண்டவர்களால் உறிஞ்சப்படுகிறது. - தரவு அறிவியல் மற்றும் தயார்நிலை: மறைக்கப்பட்ட வேலை அம்பலமானது
AI ஆனது தரவுச் சிக்கல்களைக் காணும்படி செய்கிறது. பணியாளர்கள் ஆர்வத்துடன் தங்கள் நோக்கத்தை விரிவுபடுத்தும்போது: பகுப்பாய்வுகள், அறிக்கைகள் அல்லது முன்மாதிரிகளை எழுதும்போது, அவர்கள் முன்பு முயற்சித்திருக்க மாட்டார்கள், அவர்கள் சிதறிய, தவறாக பெயரிடப்பட்ட அல்லது காலாவதியான தரவுகளுடன் விரைவாக மோதுகிறார்கள். அந்த மோதலானது தற்காலிக தரவுச் சண்டையில் அவர்களைத் தூண்டுகிறது: வடிவங்களை சமரசம் செய்தல், அதிகாரப்பூர்வ ஆதாரங்களை வேட்டையாடுதல் மற்றும் நிறுவனத்தின் தரவுக் கட்டமைப்பைப் பற்றி போதுமான அளவு கற்றுக்கொள்வது ஆபத்தானது. - பொருத்தம் மற்றும் பாதுகாப்பு: நிர்வாகம் பின்தங்கிய தத்தெடுப்பு
AI உள்ளடக்கத்தை விரைவாகப் பரப்புவதால், தொனி, சார்பு, ரகசியத்தன்மை மற்றும் ஒழுங்குமுறை ஆபத்து போன்ற கேள்விகள் எட்ஜ் கேஸ்களை விட தினசரி கவலைகளாக மாறும். HBR கட்டுரை இதை மறைமுகமாகச் சுட்டிக்காட்டுகிறது, ஆனால் எனது AI வரி வகைக்கான இணைப்பு நேரடியானது: தத்தெடுப்பில் நிர்வாகம் பின்தங்கியிருக்கும் போது, ஒவ்வொரு அடியிலும் இணக்கம் மற்றும் பொருத்தத்தை சரிபார்க்க மாற்றுப்பாதை தேவைப்படுகிறது. அந்த உராய்வு விற்பனையாளர் டெமோக்களில் தோன்றாது, ஆனால் ஊழியர்கள் அதை உடனடியாக உணர்கிறார்கள். - தோல்வியுற்ற திட்டங்கள் மற்றும் கைவிடப்பட்ட சுழற்சிகள்
இந்த ஆய்வு உற்சாகமான ஆரம்ப பரிசோதனையை சித்தரிக்கிறது: மக்கள் AI உடன் “விஷயங்களை முயற்சி செய்கிறார்கள்”. எனது இடுகையில், இந்த முறை பெரும்பாலும் உண்மையான பணிப்பாய்வுகளுடன் இணைக்கப்படாத விமானிகள், வாக்குறுதியின் விளிம்பில் இறக்கும் போட்கள் மற்றும் யாரோ ஒருவர் சுத்தம் செய்ய வேண்டிய தொழில்நுட்பக் கடனாகவும் உருவாகிறது என்று எச்சரித்தேன். ஒவ்வொரு தோல்வியுற்ற பரிசோதனையும் கைவிடப்பட்ட தூண்டுதல்கள், பகுதியளவு ஆட்டோமேஷன்கள் மற்றும் சந்தேகத்திற்குரிய பயனர்களை விட்டுச்செல்லும் போது, AI வரியானது காலப்போக்கில் சேர்க்கிறது. - கற்றல் மற்றும் மீண்டும் கற்றல்: நகரும் இலக்காக AI
இறுதியாக, HBR கட்டுரை மற்றும் எனது AI வரி இடுகை இரண்டும் கற்றலின் குழப்பத்தில் ஒன்றிணைகின்றன. ஒவ்வொரு மாதிரி புதுப்பித்தல், இடைமுகம் மாற்றம் மற்றும் புதிய அம்சம், முற்றிலும் புதிய கருவிகளின் வருகை ஒருபுறம் இருக்க, மக்களை மீண்டும் பயிற்சி முறைக்குத் தள்ளுகிறது. சமூக FOMO இல் சேர்க்கவும் (“நீங்கள் சமீபத்திய மாதிரியை முயற்சித்தீர்களா?”) மற்றும் தொழிலாளர்கள் தங்கள் தற்போதைய பொறுப்புகளை தக்க வைத்துக் கொண்டு, தொடர்ந்து மாறிவரும் AI நிலப்பரப்பைத் தொடர எதிர்பார்க்கும் கலாச்சாரத்தைப் பெறுவீர்கள்.
முக்கிய விஷயம் என்னவென்றால், AI ஆல் மதிப்பை உருவாக்க முடியாது. இது மதிப்பு மற்றும் சிக்கலான அளவுகோல் ஒன்றாக இருக்கிறது, மேலும் சிக்கலானது முதலில் வருகிறது.
இலவச நேரம் மிராஜ்
AI வேலை செய்யும் போது, அது உண்மையில் ஒரு பணியை விரைவுபடுத்தும் போது அல்லது பணிப்பாய்வுகளை எளிதாக்கும் போது, வேறுபட்ட கேள்வி எழுகிறது: விடுவிக்கப்பட்ட நேரத்திற்கு என்ன நடக்கும்? AI வரிக் கட்டுரையில், இது ஒரு தொழில்நுட்பக் கேள்வி அல்ல, மாறாக தலைமை மற்றும் கொள்கை சவால் என்று வாதிட்டேன். வேண்டுமென்றே வடிவமைப்பு இல்லாமல், விடுவிக்கப்பட்ட நேரம் மீண்டும் உறிஞ்சப்படுகிறது:
- அதிகமான பணிகள், பெரும்பாலும் “மூலோபாய வேலை” அல்லது “புதுமை” என தெளிவற்ற முறையில் வரையறுக்கப்படுகின்றன.
- “கருவிகள் இப்போது அதை வேகமாக்குகின்றன” என்பதால் தனிநபர்கள் கூடுதல் பொறுப்புகளை ஏற்றுக்கொள்வார்கள் என்ற முறைசாரா எதிர்பார்ப்புகள்.
- மீட்பு, கற்றல் அல்லது ஒத்துழைப்பிற்காக நேரத்தைப் பயன்படுத்துவதை விட வெளியீட்டை பராமரிக்க அல்லது அதிகரிக்க நுட்பமான அழுத்தம்.
HBR ஆய்வு இந்த மாறும் தன்மையை புலப்படுத்துகிறது. பணியாளர்கள் பணிகளில் இருந்து நேரத்தைக் குறைக்க AI ஐப் பயன்படுத்தினர், பின்னர் புதிய வேலைகளின் விளிம்பை நிரப்பினர்: சக ஊழியர்களுக்கு உதவுதல், கூடுதல் தூண்டுதல்களைப் பரிசோதித்தல் அல்லது அவர்களின் பொறுப்புகளை முன்னர் நோக்கமில்லாத பகுதிகளுக்கு நீட்டித்தல். அவர்கள் அதிக உற்பத்தியை உணர்ந்தனர், ஆனால் குறைவான பிஸியாக இல்லை. காலப்போக்கில், ஆரம்ப சிலிர்ப்பு சோர்வு மற்றும் அறிவாற்றல் சோர்வுக்கு வழிவகுத்தது.
AI வரி வாதத்தின் முக்கிய அம்சம் இதுதான்: AI ஆல் சேமிக்கப்படும் நேரத்தை எவ்வாறு கையாள்வது என்பதை நிறுவனங்கள் வெளிப்படையாகத் தீர்மானிக்கவில்லை என்றால், இயல்புநிலை எப்பொழுதும் தீவிரமடையும், விடுதலை அல்ல, மேலும் பல சந்தர்ப்பங்களில், பெருக்கத்தை விட மாற்றீடு ஆகும்.
தீவிரப்படுத்தலுக்கு எதிராக வடிவமைத்தல்
எச்.பி.ஆர் ஆசிரியர்கள், நிறுவனங்களுக்குத் தீவிரமடைவதைத் தடுப்பதற்கு வெளிப்படையான “AI நடைமுறைகள்” தேவை என்று பரிந்துரைக்கின்றனர்: AIஐ எப்போது பயன்படுத்த வேண்டும், எப்போது பயன்படுத்தக்கூடாது, AI-இயக்கப்பட்ட வேலையை எப்படி நிலையான முறையில் நிர்வகிப்பது என்பது பற்றிய விதிமுறைகள். AI வரி கட்டமைப்பானது அந்த அழைப்போடு ஒத்துப்போகிறது மற்றும் உறுதியான தொடக்க புள்ளிகளை வழங்குகிறது.
தலைவர்கள் செய்யக்கூடிய பல வடிவமைப்பு நகர்வுகள் இங்கே உள்ளன, ஆராய்ச்சி மற்றும் AI வரி இரண்டின் மூலம் தெரிவிக்கப்பட்டுள்ளது:
- AI அடுக்கை தரப்படுத்தவும்
குறைந்த எண்ணிக்கையிலான பிளாட்ஃபார்ம்களைத் தேர்ந்தெடுத்து அவற்றைச் சுற்றி உருவாக்குவதன் மூலம் டூல்செயின் விரிவைக் குறைக்கவும். ஒருங்கிணைப்பு அறிவாற்றல் மாறுதல் செலவுகளைக் குறைக்கிறது, நிர்வாகத்தை எளிதாக்குகிறது, மேலும் ஒவ்வொரு புதிய அம்சத்தையும் துரத்துவதை விட ஒட்டிக்கொண்டிருக்கும் பயிற்சியை வடிவமைப்பதை எளிதாக்குகிறது. - சரிபார்ப்பைக் காணக்கூடியதாகவும் பொறுப்புக்கூறக்கூடியதாகவும் ஆக்குங்கள்
மேற்பார்வையை கண்ணுக்கு தெரியாத வீரம் என்று கருதுவதை நிறுத்துங்கள். சரிபார்ப்புப் பொறுப்புகளை ஒதுக்கவும், எடுக்கும் நேரத்தைக் கண்காணிக்கவும், அந்த நேரத்தை திட்டத் திட்டங்கள் மற்றும் ROI உரிமைகோரல்களில் காரணிப்படுத்தவும். இது நியாயமானது அல்ல; AI உண்மையாக எங்கு உதவுகிறது மற்றும் எங்கு உழைப்பை மறுபகிர்வு செய்கிறது என்பதை தீர்மானிக்க தேவையான தரவை இது உருவாக்குகிறது. - அளவுகோலுக்கு முன் தரவுகளில் முதலீடு செய்யுங்கள்
பகுதி முடிவுகள், குழப்பமான வெளியீடுகள் மற்றும் “வைப்” குறியீட்டை நம்பியிருப்பது போன்ற பல ஏமாற்றங்கள் ஆய்வில் கண்டறியப்பட்டுள்ளன, மோசமான தரவு, தெளிவற்ற தரநிலைகள் அல்லது விடுபட்ட சூழல் ஆகியவற்றிலிருந்து உருவாகின்றன. தரவைச் சுத்தம் செய்தல், குறியிடுதல் மற்றும் சீரமைத்தல் ஆகியவை அழகற்றவை, ஆனால் கூடுதல் தூய்மைப்படுத்தும் வேலையை உருவாக்குவதற்குப் பதிலாக வேலையைக் குறைக்கும் வெளியீடுகளை AI உருவாக்க வேண்டுமானால் அவை அவசியம். - உண்மையான முடிவுகளுடன் நேரத்தைக் கட்டுப்படுத்தும் விமானிகளை இயக்கவும்
நிறுவனங்கள் AI பைலட்டுகளை நிரந்தரமான, அரைகுறையாக ஏற்றுக்கொள்ளப்பட்ட அம்சங்களாகக் கருதாமல், வெளிப்படையான காலக்கெடு மற்றும் முடிவெடுக்கும் வாயில்களைக் கொண்ட சோதனைகளாகக் கருத வேண்டும். ஒரு பைலட்டின் முடிவில், உறுதி செய்து முதலீடு செய்யுங்கள், அல்லது அதை மூடிவிட்டு, கற்றுக்கொண்டதை ஆவணப்படுத்துங்கள், அதனால் நீங்கள் அதே தவறுகளை மீண்டும் செய்யக்கூடாது. AI க்கு அறிவு மேலாண்மை தேவை என்று நான் தொடர்ந்து வாதிடுகிறேன், ஆனால் துரிதப்படுத்தப்பட்ட AI தத்தெடுப்பு அதன் செயலாக்கத்தை மிகைப்படுத்துகிறது. - மனித நேரத்தை ஒரு சொத்தாக பாதுகாக்கவும்
ஒருவேளை மிக முக்கியமாக: இலவச நேரத்தை எவ்வாறு நோக்கத்துடன் மீட்டெடுப்பது என்பதை முன்கூட்டியே முடிவு செய்யுங்கள். சில பகுதிகள் நிழல் உற்பத்தித் திறன் ஆதாயமாக அறுவடை செய்யப்படுவதற்குப் பதிலாக, ஓய்வு, பிரதிபலிப்பு, வழிகாட்டுதல் மற்றும் ஆய்வுக்கு வெளிப்படையாக ஒதுக்கப்பட வேண்டும். AI ஒரு சக பணியாளராக இருக்க வேண்டும் என்றால், அது சிறந்த மனித தீர்ப்புக்கான நிலைமைகளை உருவாக்க வேண்டும், வெறுமனே அதிக செயல்திறன் அல்ல.
AI வரி முதல் AI பயிற்சி வரை
HBR ஆராய்ச்சி மற்றும் AI வரி ஆகியவற்றுக்கு இடையேயான ஒருங்கிணைப்பு ஊக்கமளிக்கிறது, ஏனெனில் இது AI இன் ஊகக் கட்டத்திலிருந்து வெளியேறி மிகவும் அனுபவமிக்க, வடிவமைப்பு சார்ந்த ஒன்றாக இருக்கிறோம். எங்களிடம் இப்போது வளர்ந்து வரும் ஆதாரங்கள் உள்ளன, அதன் சொந்த சாதனங்களுக்கு விட்டு, AI வேலையை குறைக்காது; இது உராய்வைக் குறைக்கிறது மற்றும் அதிக வேலைகளை அழைக்கிறது.
தலைவர்களின் பணி இந்த யதார்த்தங்களை சிரமங்களுக்கு பதிலாக வடிவமைப்பு கட்டுப்பாடுகளாக கருதுவதாகும். AI வரியானது செலவுகள் எங்கு குவிகிறது என்பதை அடையாளம் காட்டுகிறது; HBR கட்டுரையானது காலப்போக்கில் உண்மையான நிறுவனத்தில் அந்த செலவுகள் எவ்வாறு வெளிப்படுகின்றன என்பதைக் காட்டுகிறது. அவற்றுக்கிடையே மனித வரம்புகளை மதிக்கும், நேரத்தைப் பாதுகாக்கும் மற்றும் விபத்தை விட தீவிரம் ஒரு தேர்வாக இருப்பதை உறுதிசெய்யும் “AI நடைமுறைகளை” உருவாக்குவதற்கான வாய்ப்பு உள்ளது.
ஹார்வர்ட் பிசினஸ் ரிவியூ, ஃபாஸ்ட் கம்பெனி, வயர்டு, நாசா ஆஸ்க் மற்றும் டஜன் கணக்கான பிற இதழ்கள் மற்றும் இணையதளங்களில் அவரது பணி இடம்பெற்றுள்ளது. பணியின் எதிர்காலம் குறித்த அவரது பகுப்பாய்வை SeriousInsights.net இல் காணலாம். அவர் செயற்கை நுண்ணறிவைப் புரிந்துகொள்வது, சைபர் லைஃப், ஸ்மார்ட் பொருள்களை மறுபரிசீலனை செய்தல் மற்றும் ஜெனரேட்டிவ் AI உடன் வணிகத்தை மேம்படுத்துதல் ஆகியவற்றின் ஆசிரியர் ஆவார்.
Rasmus regularly speaks on the future of work at events such as Comic-Con International, Wondercon, Impact, Enterprise AI World, Worktech, CLO Symposium, KMWorld, AAAI, Computers in Libraries, Microsoft’s Building the Future, Educause, Expo Capital Humano, Devlearn, Internet Librarian, CAMEX, EduComm, and Sourcing ஐரோப்பா உச்சிமாநாடு.
ஒரு இணை பயிற்றுவிப்பாளராக, ராஸ்மஸ் வாஷிங்டன் பல்கலைக்கழகத்தில் காட்சி திட்டமிடல் கற்பிக்கிறார் மற்றும் பெல்லூவ் கல்லூரியில் இணை துணைப் பேராசிரியராக உள்ளார்.
