मानवी हस्तक्षेपाशिवाय जनरेटिव्ह एआय काय करू शकते?

कार्यकारी सारांश

जनरेटिव्ह आर्टिफिशियल इंटेलिजन्स (AI) – म्हणजेच यंत्रांना मजकूर, प्रतिमा, कोड आणि बरेच काही तयार करण्यास सक्षम करणारे तंत्रज्ञान – गेल्या काही वर्षांत प्रचंड वाढले आहे. हा श्वेतपत्र (व्हाइट पेपर) जनरेटिव्ह AI विश्वसनीयपणे करू शकते आणि पुढील दशकात ते काय करेल अशी अपेक्षा आहे, याचा एक सुलभ आढावा देतो. आम्ही लेखन, कला, कोडिंग, ग्राहक सेवा, आरोग्यसेवा, शिक्षण, लॉजिस्टिक्स आणि वित्त या क्षेत्रांमधील त्याच्या वापराचा आढावा घेतो, आणि AI कुठे स्वायत्तपणे कार्य करते व कुठे मानवी देखरेख अत्यावश्यक आहे हे अधोरेखित करतो. यश आणि मर्यादा दोन्ही स्पष्ट करण्यासाठी वास्तविक जगातील उदाहरणे समाविष्ट केली आहेत. प्रमुख निष्कर्षांमध्ये खालील बाबींचा समावेश आहे:

• व्यापक स्वीकार: २०२४ मध्ये, सर्वेक्षण केलेल्या ६५% कंपन्यांनी नियमितपणे जनरेटिव्ह एआय वापरल्याचे सांगितले आहे – हे प्रमाण मागील वर्षाच्या तुलनेत जवळपास दुप्पट आहे (२०२४ च्या सुरुवातीस एआयची स्थिती | मॅकिन्से). याच्या उपयोगांमध्ये मार्केटिंग सामग्री निर्मिती, ग्राहक सहाय्य चॅटबॉट्स, कोड निर्मिती आणि बरेच काही समाविष्ट आहे.

• सध्याच्या स्वायत्त क्षमता: आजचे जनरेटिव्ह एआय संरचित, पुनरावृत्ती होणारी कामे . उदाहरणांमध्ये सूत्रबद्ध बातम्यांचे अहवाल (उदा. कॉर्पोरेट कमाईचा सारांश) आपोआप तयार करणे (फिलाना पॅटरसन – ओएनए कम्युनिटी प्रोफाइल), ई-कॉमर्स साइट्सवर उत्पादनांचे वर्णन आणि पुनरावलोकनातील ठळक मुद्दे तयार करणे, आणि कोड आपोआप पूर्ण करणे यांचा समावेश आहे. या क्षेत्रांमध्ये, एआय अनेकदा नियमित मजकूर निर्मितीची जबाबदारी घेऊन मानवी कर्मचाऱ्यांच्या कामात मदत करते.

• गुंतागुंतीच्या कामांसाठी मानवी सहभाग: अधिक गुंतागुंतीच्या किंवा अनिश्चित स्वरूपाच्या कामांसाठी – जसे की सर्जनशील लेखन, सखोल विश्लेषण किंवा वैद्यकीय सल्ला – तथ्यात्मक अचूकता, नैतिक निर्णयक्षमता आणि गुणवत्ता सुनिश्चित करण्यासाठी सहसा मानवी पर्यवेक्षणाची आवश्यकता असते. आज अनेक एआय प्रणालींमध्ये “मानवी सहभाग” मॉडेलचा वापर केला जातो, जिथे एआय मजकुराचा मसुदा तयार करते आणि माणसे त्याचे पुनरावलोकन करतात.

• नजीकच्या काळातील सुधारणा: पुढील ५-१० वर्षांत, जनरेटिव्ह एआय अधिक विश्वसनीय आणि स्वायत्त. मॉडेलची अचूकता आणि सुरक्षा यंत्रणांमधील प्रगतीमुळे एआयला कमीतकमी मानवी सहभागासह सर्जनशील आणि निर्णय घेण्याची अधिक कामे हाताळता येऊ शकतील. उदाहरणार्थ, तज्ञांच्या मते २०३० पर्यंत एआय बहुतांश ग्राहक सेवा संवाद आणि निर्णय रिअल-टाइममध्ये हाताळेल (ग्राहक अनुभवाकडे होणाऱ्या बदलाची पुनर्कल्पना करण्यासाठी, विपणनकर्त्यांनी या २ गोष्टी करणे आवश्यक आहे), आणि एक मोठा चित्रपट ९०% एआय-निर्मित सामग्रीसह तयार केला जाऊ शकतो (उद्योग आणि उद्योगांसाठी जनरेटिव्ह एआयच्या वापराची उदाहरणे).

• २०३५ पर्यंत: एका दशकात, आम्हाला अशी अपेक्षा आहे की स्वायत्त एआय एजंट्स अनेक क्षेत्रांमध्ये सामान्य होतील. एआय ट्यूटर मोठ्या प्रमाणात वैयक्तिकृत शिक्षण देऊ शकतात, एआय सहाय्यक तज्ञांच्या साइन-ऑफसाठी कायदेशीर करार किंवा वैद्यकीय अहवाल विश्वसनीयरित्या मसुदा तयार करू शकतात आणि सेल्फ-ड्रायव्हिंग सिस्टम (जनरेटिव्ह सिम्युलेशनद्वारे सहाय्यित) लॉजिस्टिक्स ऑपरेशन्स एंड-टू-एंड चालवू शकतात. तथापि, काही संवेदनशील क्षेत्रांना (उदा. उच्च-स्तरीय वैद्यकीय निदान, अंतिम कायदेशीर निर्णय) अजूनही सुरक्षितता आणि जबाबदारीसाठी मानवी निर्णयाची आवश्यकता असेल.

• नैतिक आणि विश्वासार्हतेच्या चिंता: जशी एआयची स्वायत्तता वाढत आहे, तशा चिंताही वाढत आहेत. आजच्या समस्यांमध्ये भ्रम (एआयद्वारे तथ्ये तयार करणे), तयार केलेल्या सामग्रीमधील पक्षपात, पारदर्शकतेचा अभाव आणि चुकीची माहिती पसरवण्यासाठी संभाव्य गैरवापर यांचा समावेश आहे. देखरेखीशिवाय काम करत असताना एआयवर विश्वास ठेवता अत्यंत महत्त्वाचे आहे. प्रगती होत आहे – उदाहरणार्थ, संस्था जोखीम कमी करण्यासाठी अधिक गुंतवणूक करत आहेत (अचूकता, सायबर सुरक्षा, बौद्धिक संपदा समस्या हाताळणे) (द स्टेट ऑफ एआय: ग्लोबल सर्व्हे | मॅकिन्से) – परंतु मजबूत प्रशासन आणि नैतिक चौकटींची आवश्यकता आहे.

• या शोधनिबंधाची रचना: आम्ही जनरेटिव्ह एआयच्या परिचयाने आणि स्वायत्त विरुद्ध पर्यवेक्षित वापराच्या संकल्पनेने सुरुवात करतो. त्यानंतर, प्रत्येक प्रमुख क्षेत्रासाठी (लेखन, कला, कोडिंग, इत्यादी), एआय आज विश्वसनीयपणे काय करू शकते आणि भविष्यात काय अपेक्षित आहे, यावर चर्चा केली आहे. शेवटी, आम्ही सर्वसमावेशक आव्हाने, भविष्यातील अंदाज आणि जनरेटिव्ह एआयचा जबाबदारीने वापर करण्यासाठीच्या शिफारसी सादर करतो.

एकंदरीत, जनरेटिव्ह एआयने आधीच सिद्ध केले आहे की ते सतत मानवी मार्गदर्शनाशिवाय आश्चर्यकारक कार्ये हाताळण्यास सक्षम आहे. त्याच्या सध्याच्या मर्यादा आणि भविष्यातील क्षमता समजून घेऊन, संस्था आणि जनता अशा युगासाठी अधिक चांगल्या प्रकारे तयारी करू शकतात ज्यामध्ये एआय केवळ एक साधन नाही तर काम आणि सर्जनशीलतेमध्ये एक स्वायत्त सहयोगी आहे.

परिचय

कृत्रिम बुद्धिमत्ता (AI) बऱ्याच काळापासून डेटाचे विश्लेषण करू शकते , परंतु अलीकडेच AI प्रणालींनी निर्मिती करायला शिकले आहे – जसे की गद्य लिहिणे, प्रतिमा तयार करणे, सॉफ्टवेअर प्रोग्राम करणे आणि बरेच काही. हे जनरेटिव्ह AI मॉडेल्स (जसे की मजकुरासाठी GPT-4 किंवा प्रतिमांसाठी DALL·E) दिलेल्या सूचनांना प्रतिसाद म्हणून नवीन सामग्री तयार करण्यासाठी विशाल डेटासेटवर प्रशिक्षित केले जातात. या महत्त्वपूर्ण शोधाने विविध उद्योगांमध्ये नवनिर्मितीची लाट आणली आहे. तथापि, एक महत्त्वाचा प्रश्न निर्माण होतो: मानवी पडताळणीशिवाय, AI स्वतःहून नेमके काय करेल यावर आपण खरोखर विश्वास ठेवू शकतो?

याचे उत्तर देण्यासाठी, एआयच्या पर्यवेक्षित आणि स्वायत्त वापरांमध्ये फरक करणे महत्त्वाचे आहे :

• मानवी देखरेखीखालील एआय म्हणजे अशा परिस्थिती जिथे एआय आउटपुट अंतिम करण्यापूर्वी लोकांकडून पुनरावलोकन केले जाते किंवा क्युरेट केले जाते. उदाहरणार्थ, एखादा पत्रकार लेख तयार करण्यासाठी एआय लेखन सहाय्यकाचा वापर करू शकतो, परंतु संपादक तो संपादित करतो आणि मंजूर करतो.

• ऑटोनॉमस एआय (मानवी हस्तक्षेपाशिवाय एआय) म्हणजे एआय सिस्टीम ज्या कार्ये अंमलात आणतात किंवा अशी सामग्री तयार करतात जी कमी किंवा कोणत्याही मानवी संपादनाशिवाय थेट वापरात येते. उदाहरणार्थ, मानवी एजंटशिवाय ग्राहकांच्या प्रश्नाचे निराकरण करणारा स्वयंचलित चॅटबॉट किंवा एआय द्वारे व्युत्पन्न केलेल्या स्पोर्ट्स स्कोअर रिकॅप स्वयंचलितपणे प्रकाशित करणारा न्यूज आउटलेट.

जनरेटिव्ह एआय आधीच दोन्ही पद्धतींमध्ये तैनात केले जात आहे. २०२३-२०२५ मध्ये, त्याचा स्वीकार प्रचंड वाढला आहे, आणि संस्था उत्सुकतेने प्रयोग करत आहेत. २०२४ मधील एका जागतिक सर्वेक्षणात असे आढळून आले की ६५% कंपन्या नियमितपणे जनरेटिव्ह एआय वापरत आहेत, जे केवळ एका वर्षापूर्वीच्या सुमारे एक-तृतीयांशच्या तुलनेत खूप जास्त आहे (२०२४ च्या सुरुवातीस एआयची स्थिती | मॅकिन्से). व्यक्तींनी देखील चॅटजीपीटी (ChatGPT) सारखी साधने स्वीकारली आहेत – २०२३ च्या मध्यापर्यंत अंदाजे ७९% व्यावसायिकांना जनरेटिव्ह एआयचा किमान काही प्रमाणात अनुभव होता (२०२३ मधील एआयची स्थिती: जनरेटिव्ह एआयचे यशस्वी वर्ष | मॅकिन्से). कार्यक्षमता आणि सर्जनशीलतेत वाढ होण्याच्या आश्वासनामुळे हा जलद स्वीकार होत आहे. तरीही, ही अजून "सुरुवातीची अवस्था" आहे, आणि अनेक कंपन्या अजूनही एआयचा जबाबदारीने वापर कसा करावा यावर धोरणे तयार करत आहेत (२०२३ मधील एआयची स्थिती: जनरेटिव्ह एआयचे यशस्वी वर्ष | मॅकिन्से).

स्वायत्तता का महत्त्वाची आहे: मानवी देखरेखीशिवाय एआयला काम करू दिल्यास कार्यक्षमतेत प्रचंड वाढ होऊ शकते – कंटाळवाणी कामे पूर्णपणे स्वयंचलित करता येतात – परंतु यामुळे विश्वासार्हतेची आव्हानेही वाढतात. एका स्वायत्त एआय एजंटला गोष्टी अचूक कराव्याच लागल्या पाहिजेत (किंवा त्याला त्याच्या मर्यादा माहित असल्या पाहिजेत), कारण प्रत्यक्ष चुका शोधण्यासाठी तिथे कोणीही माणूस उपलब्ध नसू शकतो. काही कामे इतरांपेक्षा यासाठी अधिक अनुकूल असतात. सर्वसाधारणपणे, एआय खालील परिस्थितीत स्वायत्तपणे सर्वोत्तम कामगिरी करते:

• या कार्याची एक स्पष्ट रचना किंवा नमुना (उदा. डेटावरून नियमित अहवाल तयार करणे).

• चुका कमी जोखमीच्या असतात किंवा सहज सहन केल्या जाऊ शकतात (उदा. वैद्यकीय निदानाच्या तुलनेत, असमाधानकारक असल्यास टाकून दिले जाऊ शकणारी प्रतिमा निर्मिती).

• पुरेसा प्रशिक्षण डेटा , त्यामुळे AI चे आउटपुट वास्तविक उदाहरणांवर आधारित असते (अंदाजे कमी होते).

याउलट, जी कामे ओपन-एंडेड, उच्च-पैशांचीकिंवा ज्यांना सूक्ष्म निर्णयाची आवश्यकता असते ती आज शून्य देखरेखीसाठी कमी योग्य असतात.

पुढील विभागांमध्ये, जनरेटिव्ह एआय आता काय करत आहे आणि पुढे काय करणार आहे हे पाहण्यासाठी आपण विविध क्षेत्रांचे परीक्षण करू. एआय-लिखित बातम्या लेख आणि एआय-निर्मित कलाकृतींपासून ते कोड-रायटिंग असिस्टंट आणि व्हर्च्युअल ग्राहक सेवा एजंटपर्यंत - कोणती कामे एआय द्वारे एंड-टू-एंड करता येतात आणि कोणत्या कामांना अजूनही लूपमध्ये मानवाची आवश्यकता असते यावर प्रकाश टाकणारी ठोस उदाहरणे आपण पाहू. प्रत्येक डोमेनसाठी, आम्ही सध्याच्या क्षमता (सुमारे २०२५) २०३५ पर्यंत काय विश्वसनीय असू शकते याच्या वास्तववादी अंदाजांपासून स्पष्टपणे वेगळे करतो.

विविध क्षेत्रांमध्ये स्वायत्त एआयच्या वर्तमान आणि भविष्याचे मॅपिंग करून, आम्ही वाचकांना संतुलित समज प्रदान करण्याचे उद्दिष्ट ठेवतो: एआयला जादुईदृष्ट्या अचूक म्हणून जास्त प्रसिद्ध करू नका, किंवा त्याच्या वास्तविक आणि वाढत्या क्षमतांना कमी लेखू नका. या पायासह, आम्ही नंतर मुख्य टेकवेसह समाप्त करण्यापूर्वी, देखरेखीशिवाय एआयवर विश्वास ठेवण्याच्या व्यापक आव्हानांवर चर्चा करतो, ज्यामध्ये नैतिक विचार आणि जोखीम व्यवस्थापन समाविष्ट आहे.

लेखन आणि सामग्री निर्मितीमध्ये जनरेटिव्ह एआय

जनरेटिव्ह एआयने ज्या पहिल्या क्षेत्रात लोकप्रियता मिळवली ती म्हणजे टेक्स्ट जनरेशन. मोठे भाषा मॉडेल बातम्यांचे लेख आणि मार्केटिंग कॉपीपासून ते सोशल मीडिया पोस्ट आणि कागदपत्रांच्या सारांशांपर्यंत सर्वकाही तयार करू शकतात. पण मानवी संपादकाशिवाय हे किती लेखन करता येईल?

सध्याच्या क्षमता (२०२५): नियमित सामग्रीचे ऑटो-रायटर म्हणून एआय

आज, जनरेटिव्ह एआय (Generative AI) कमीत कमी किंवा कोणत्याही मानवी हस्तक्षेपाशिवाय विविध प्रकारची नियमित लेखनाची कामे विश्वसनीयपणे हाताळत आहे. याचे एक उत्तम उदाहरण पत्रकारितेत आहे: असोसिएटेड प्रेसने (Associated Press) अनेक वर्षांपासून ऑटोमेशनचा वापर करून प्रत्येक तिमाहीत थेट आर्थिक डेटा फीड्समधून हजारो कंपन्यांचे कमाई अहवाल तयार केले आहेत ( फिलाना पॅटरसन – ओएनए कम्युनिटी प्रोफाइल ). या लहान बातम्या एका टेम्पलेटनुसार (उदा., “कंपनी X ने Y कमाई नोंदवली, Z% वाढ...”) तयार केल्या जातात आणि एआय (नैसर्गिक भाषा निर्मिती सॉफ्टवेअर वापरून) कोणत्याही मानवापेक्षा अधिक वेगाने आकडे आणि शब्दरचना भरू शकते. एपीची (AP) प्रणाली हे अहवाल स्वयंचलितपणे प्रकाशित करते, ज्यामुळे मानवी लेखकांची गरज न भासता त्यांच्या व्याप्तीचा मोठ्या प्रमाणात विस्तार होतो (प्रत्येक तिमाहीत ३,००० हून अधिक बातम्या) ( स्वयंचलित कमाईच्या बातम्यांची संख्या वाढते | असोसिएटेड प्रेस ).

क्रीडा पत्रकारितेलाही त्याचप्रमाणे अधिक सक्षम करण्यात आले आहे: एआय प्रणाली खेळांच्या आकडेवारीच्या आधारे सामन्यांचा आढावा घेणारे लेख तयार करू शकतात. ही क्षेत्रे माहितीवर आधारित आणि ठराविक साच्यानुसार चालणारी असल्यामुळे, जोपर्यंत माहिती अचूक असते, तोपर्यंत चुका होण्याची शक्यता दुर्मिळ असते. अशा प्रकरणांमध्ये आपल्याला खरी स्वायत्तता – एआय लिहिते आणि मजकूर लगेच प्रकाशित होतो.

व्यवसाय उत्पादन वर्णन, ईमेल न्यूजलेटर आणि इतर विपणन सामग्री तयार करण्यासाठी जनरेटिव्ह एआयचा वापर करत आहेत. उदाहरणार्थ, ई-कॉमर्स क्षेत्रातील दिग्गज कंपनी ॲमेझॉन आता उत्पादनांसाठी ग्राहकांच्या अभिप्रायांचा सारांश तयार करण्यासाठी एआयचा वापर करते. एआय अनेक वैयक्तिक अभिप्रायांमधील मजकूर स्कॅन करते आणि लोकांना त्या वस्तूविषयी काय आवडते किंवा नापसंत आहे याचा एक संक्षिप्त ठळक परिच्छेद तयार करते, जो नंतर कोणत्याही मॅन्युअल संपादनाशिवाय उत्पादन पृष्ठावर प्रदर्शित केला जातो (ॲमेझॉन एआयच्या मदतीने ग्राहक अभिप्रायांचा अनुभव सुधारते). एक उदाहरण खाली दिले आहे , जिथे “ग्राहक म्हणतात” हा विभाग संपूर्णपणे अभिप्राय डेटावरून एआयद्वारे तयार केला जातो:

(ॲमेझॉन एआयच्या साहाय्याने ग्राहक पुनरावलोकनाचा अनुभव सुधारते) ई-कॉमर्स उत्पादन पृष्ठावरील एआय-निर्मित पुनरावलोकन सारांश. ॲमेझॉनची प्रणाली वापरकर्त्यांच्या पुनरावलोकनांमधील सामान्य मुद्द्यांचा (उदा., वापरण्यास सुलभता, कार्यक्षमता) एका लहान परिच्छेदात सारांश करते, जो खरेदीदारांना “ग्राहकांच्या पुनरावलोकनांमधील मजकुरातून एआय-निर्मित” म्हणून दाखवला जातो.

अशा वापराच्या घटना दर्शवितात की जेव्हा सामग्री अंदाजे नमुन्याचे अनुसरण करते किंवा विद्यमान डेटावरून एकत्रित केली जाते, तेव्हा एआय बहुतेकदा ते एकट्याने हाताळू शकते. इतर वर्तमान उदाहरणांमध्ये हे समाविष्ट आहे:

• हवामान आणि वाहतूक अद्यतने: सेन्सर डेटावर आधारित दैनिक हवामान अहवाल किंवा वाहतूक बुलेटिन संकलित करण्यासाठी एआय वापरणारे माध्यमे.

• आर्थिक अहवाल: कंपन्या स्वयंचलितपणे सरळसोपे आर्थिक सारांश (त्रैमासिक निकाल, शेअर बाजाराविषयी माहिती) तयार करतात. २०१४ पासून, ब्लूमबर्ग आणि इतर वृत्तसंस्थांनी कंपनीच्या कमाईवर संक्षिप्त बातम्या लिहिण्यास मदत करण्यासाठी एआयचा वापर केला आहे – ही एक प्रक्रिया आहे जी एकदा डेटा फीड केल्यावर मोठ्या प्रमाणात स्वयंचलितपणे चालते (एपीचे 'रोबोट पत्रकार' आता त्यांच्या स्वतःच्या बातम्या लिहित आहेत | द व्हर्ज) (वायोमिंगचा रिपोर्टर बनावट अवतरणे आणि बातम्या तयार करण्यासाठी एआय वापरताना पकडला गेला).

• भाषांतर आणि ट्रान्सक्रिप्शन: ट्रान्सक्रिप्शन सेवा आता मानवी टायपिस्टशिवाय बैठक ट्रान्सक्रिप्ट किंवा कॅप्शन तयार करण्यासाठी एआय वापरतात. सर्जनशील अर्थाने जनरेटिव्ह नसले तरी, ही भाषा कार्ये स्पष्ट ऑडिओसाठी उच्च अचूकतेसह स्वायत्तपणे चालतात.

• मसुदा निर्मिती: बरेच व्यावसायिक ईमेल किंवा कागदपत्रांच्या पहिल्या आवृत्त्या तयार करण्यासाठी ChatGPT सारख्या साधनांचा वापर करतात, जर सामग्री कमी जोखीमची असेल तर कधीकधी ते अगदी कमी किंवा कोणत्याही संपादनाशिवाय पाठवतात.

तथापि, अधिक गुंतागुंतीच्या गद्यासाठी, २०२५ मध्येही मानवी देखरेख हाच नियम राहील. वृत्तसंस्था क्वचितच एआयकडून थेट आलेले शोधपर किंवा विश्लेषणात्मक लेख प्रकाशित करतात – संपादक एआयने लिहिलेल्या मसुद्यांची तथ्य-तपासणी करून त्यात सुधारणा करतात. एआय शैली आणि रचनेची चांगली नक्कल करू शकते, परंतु त्यात तथ्यात्मक चुका (ज्यांना अनेकदा “भ्रम” म्हटले जाते) किंवा विचित्र शब्दरचना असू शकतात, ज्या मानवाला पकडणे आवश्यक असते. उदाहरणार्थ, जर्मन वृत्तपत्र ' एक्सप्रेस'ने सुरुवातीचे वृत्तलेख लिहिण्यास मदत करण्यासाठी क्लारा नावाच्या एका एआय “डिजिटल सहकाऱ्याला” सादर केले. क्लारा कार्यक्षमतेने क्रीडा अहवालांचे मसुदे तयार करू शकते आणि वाचकांना आकर्षित करणारी शीर्षकेही लिहू शकते, ज्यामुळे 'एक्सप्रेस'च्या ११% लेखांना हातभार लागतो – परंतु मानवी संपादक आजही प्रत्येक लेखाची अचूकता आणि पत्रकारितेच्या सचोटीसाठी तपासणी करतात, विशेषतः गुंतागुंतीच्या कथांच्या बाबतीत (१२ वेज जर्नालिस्ट्स यूज एआय टूल्स इन द न्यूजरूम - ट्वाइप). ही मानवी-एआय भागीदारी आज सामान्य आहे: एआय मजकूर तयार करण्याचे अवघड काम हाताळते, आणि मानव आवश्यकतेनुसार त्यात सुधारणा व दुरुस्ती करतात.

२०३०-२०३५ साठीचे आउटलुक: विश्वसनीय स्वायत्त लेखनाकडे

पुढील दशकात, आम्हाला अपेक्षा आहे की जनरेटिव्ह एआय उच्च-गुणवत्तेचा, तथ्यात्मकदृष्ट्या योग्य मजकूर तयार करण्यात अधिक विश्वासार्ह होईल, ज्यामुळे ते स्वायत्तपणे हाताळू शकणार्‍या लेखन कार्यांची श्रेणी विस्तृत करेल. अनेक ट्रेंड याला समर्थन देतात:

• सुधारित अचूकता: चालू असलेले संशोधन एआयची खोटी किंवा असंबद्ध माहिती देण्याची प्रवृत्ती झपाट्याने कमी करत आहे. २०३० पर्यंत, अधिक चांगल्या प्रशिक्षणासह प्रगत भाषा मॉडेल्स (ज्यामध्ये डेटाबेसच्या आधारे रिअल-टाइममध्ये तथ्यांची पडताळणी करण्याच्या तंत्रांचा समावेश आहे) अंतर्गत पातळीवर मानवाच्या जवळपास तथ्य-तपासणी साध्य करू शकतील. याचा अर्थ असा की, एखादे एआय मूळ सामग्रीमधून घेतलेले अचूक उद्धरणे आणि आकडेवारी वापरून एक संपूर्ण बातमी लेख आपोआप तयार करू शकेल, ज्यासाठी फार कमी संपादनाची आवश्यकता असेल.

• क्षेत्र-विशिष्ट एआय: आपल्याला विशिष्ट क्षेत्रांसाठी (कायदेशीर, वैद्यकीय, तांत्रिक लेखन) अधिक विशेषीकृत जनरेटिव्ह मॉडेल्स पाहायला मिळतील. २०३० सालचे कायदेशीर एआय मॉडेल विश्वसनीयपणे प्रमाणित करारपत्रे तयार करू शकेल किंवा खटल्यांच्या निकालांचा सारांश देऊ शकेल – ही अशी कामे आहेत जी रचनेनुसार सूत्रबद्ध आहेत, परंतु सध्या त्यासाठी वकिलांचा वेळ लागतो. जर एआयला प्रमाणित कायदेशीर दस्तऐवजांवर प्रशिक्षित केले गेले, तर त्याचे मसुदे इतके विश्वासार्ह असू शकतील की वकील त्यावर फक्त एक जलद अंतिम नजर टाकेल.

• नैसर्गिक शैली आणि सुसंगतता: मॉडेल्स मोठ्या दस्तऐवजांमध्ये संदर्भ टिकवून ठेवण्यात अधिक पारंगत होत आहेत, ज्यामुळे अधिक सुसंगत आणि मुद्देसूद मजकूर तयार होत आहे. २०३५ पर्यंत, हे शक्य आहे की एखादा एआय (AI) स्वतःहून एखाद्या नॉन-फिक्शन पुस्तकाचा किंवा तांत्रिक मॅन्युअलचा एक चांगला पहिला मसुदा तयार करू शकेल, ज्यात मानवांची भूमिका प्रामुख्याने सल्लागाराची असेल (ध्येय निश्चित करण्यासाठी किंवा विशेष ज्ञान देण्यासाठी).

प्रत्यक्षात हे कसे दिसेल? नियमित पत्रकारिता जवळजवळ पूर्णपणे स्वयंचलित होऊ शकते. २०३० मध्ये आपण कदाचित असे पाहू शकतो की, एखादी वृत्तसंस्था प्रत्येक कमाई अहवाल, क्रीडा बातमी किंवा निवडणुकीच्या निकालाच्या अद्ययावत माहितीची पहिली आवृत्ती लिहिण्यासाठी एआय प्रणालीचा वापर करेल आणि संपादक केवळ गुणवत्तेच्या खात्रीसाठी त्यातील काही नमुने तपासतील. खरे तर, तज्ञांचा अंदाज आहे की ऑनलाइन मजकुराचा वाढता वाटा यंत्र-निर्मित असेल – उद्योग विश्लेषकांच्या एका धाडसी अंदाजानुसार २०२६ पर्यंत ९०% पर्यंत ऑनलाइन मजकूर एआय-निर्मित असू शकतो (२०२६ पर्यंत, मानवेतर घटकांद्वारे निर्मित ऑनलाइन मजकूर मानवनिर्मित मजकुरापेक्षा खूप जास्त असेल — OODAloop), तथापि या आकड्यावर वादविवाद आहे. अधिक सावध दृष्टिकोन ठेवल्यास याचा अर्थ असा होईल की २०३० च्या दशकाच्या मध्यापर्यंत, बहुतेक नियमित वेब लेख, उत्पादनांविषयीची माहिती आणि कदाचित वैयक्तिकृत बातम्यांचे फीड्सदेखील एआयद्वारे तयार केले जातील.

मार्केटिंग आणि कॉर्पोरेट कम्युनिकेशनमध्ये , संपूर्ण मोहिमा स्वायत्तपणे चालवण्यासाठी जनरेटिव्ह एआयवर विश्वास ठेवला जाण्याची शक्यता आहे. ते ग्राहकांच्या प्रतिक्रियांनुसार संदेशात सतत बदल करत, वैयक्तिकृत मार्केटिंग ईमेल, सोशल मीडिया पोस्ट आणि जाहिरात मजकुराचे विविध प्रकार तयार करून पाठवू शकते – आणि हे सर्व कोणत्याही मानवी कॉपीरायटरच्या सहभागाशिवाय होईल. गार्टनरच्या विश्लेषकांच्या अंदाजानुसार, २०२५ पर्यंत मोठ्या उद्योगांचे किमान ३०% आउटबाउंड मार्केटिंग संदेश एआयद्वारे कृत्रिमरित्या तयार केले जातील ( उद्योग आणि उद्योगांसाठी जनरेटिव्ह एआयचे उपयोग ), आणि २०३० पर्यंत ही टक्केवारी आणखी वाढेल.

तथापि, हे लक्षात घेणे महत्त्वाचे आहे की मानवी सर्जनशीलता आणि निर्णयक्षमता अजूनही महत्त्वाची भूमिका बजावतील, विशेषतः उच्च-जोखमीच्या मजकुरासाठी. २०३५ पर्यंत, एआय कदाचित एखादे प्रसिद्धीपत्रक किंवा ब्लॉग पोस्ट स्वतःहून हाताळेल, परंतु उत्तरदायित्व किंवा संवेदनशील विषयांचा समावेश असलेल्या शोध पत्रकारितेसाठी, प्रसारमाध्यमे अजूनही मानवी देखरेखीचा आग्रह धरू शकतात. भविष्यात बहुधा एक स्तरीय दृष्टिकोन येईल: एआय स्वायत्तपणे दैनंदिन मजकुराचा मोठा भाग तयार करेल, तर मानव धोरणात्मक किंवा संवेदनशील मजकुराच्या संपादनावर आणि निर्मितीवर लक्ष केंद्रित करतील. थोडक्यात, एआयची प्रवीणता जसजशी वाढेल, तसतशी 'नित्यक्रम' म्हणून काय गणले जाते याची व्याप्ती वाढेल.

याव्यतिरिक्त, एआय-निर्मित संवादात्मक कथन किंवा वैयक्तिकृत अहवाल यांसारखे सामग्रीचे नवीन प्रकार उदयास येऊ शकतात. उदाहरणार्थ, कंपनीचा वार्षिक अहवाल एआयद्वारे अनेक शैलींमध्ये तयार केला जाऊ शकतो – कार्यकारी अधिकाऱ्यांसाठी एक संक्षिप्त अहवाल, कर्मचाऱ्यांसाठी एक वर्णनात्मक आवृत्ती, आणि विश्लेषकांसाठी एक माहिती-समृद्ध आवृत्ती – हे सर्व एकाच मूळ डेटावरून स्वयंचलितपणे तयार केले जाईल. शिक्षण क्षेत्रात, वेगवेगळ्या वाचन स्तरांनुसार पाठ्यपुस्तके एआयद्वारे गतिमानपणे लिहिली जाऊ शकतात. हे अनुप्रयोग मोठ्या प्रमाणात स्वायत्त असू शकतात, परंतु ते सत्यापित माहितीवर आधारित असतील.

लेखनाच्या क्षेत्रातील वाटचाल असे सूचित करते की, २०३० च्या दशकाच्या मध्यापर्यंत, एआय एक विपुल लेखक बनेल. खऱ्या अर्थाने स्वायत्त कार्यासाठी, त्याच्या निष्पत्तीवर विश्वास प्रस्थापित करणे ही गुरुकिल्ली असेल. जर एआय सातत्याने तथ्यात्मक अचूकता, शैलीत्मक गुणवत्ता आणि नैतिक मानकांशी सुसंगतता दर्शवू शकले, तर ओळी-ओळीने मानवी पुनरावलोकनाची गरज कमी होईल. २०३५ पर्यंत, या श्वेतपत्रिकेचे काही भागसुद्धा संपादकाची गरज न भासता एका एआय संशोधकाद्वारेच तयार केले जाण्याची दाट शक्यता आहे – योग्य सुरक्षा उपाययोजना केल्यास, या शक्यतेबद्दल आम्ही सावधपणे आशावादी आहोत.

व्हिज्युअल आर्ट्स आणि डिझाइनमध्ये जनरेटिव्ह एआय

जनरेटिव्ह एआयच्या प्रतिमा आणि कलाकृती तयार करण्याच्या क्षमतेने लोकांच्या कल्पनाशक्तीला आकर्षित केले आहे, एआय-जनरेटेड पेंटिंग्ज, कला स्पर्धा जिंकण्यापासून ते वास्तविक फुटेजपासून वेगळे न करता येणारे डीपफेक व्हिडिओ. व्हिज्युअल डोमेनमध्ये, जनरेटिव्ह अ‍ॅडव्हर्सेरियल नेटवर्क्स (GAN) आणि डिफ्यूजन मॉडेल्स (उदा. स्टेबल डिफ्यूजन, मिडजर्नी) सारखे एआय मॉडेल्स टेक्स्ट प्रॉम्प्टवर आधारित मूळ प्रतिमा तयार करू शकतात. तर, एआय आता एक स्वायत्त कलाकार किंवा डिझायनर म्हणून काम करू शकते का?

सध्याच्या क्षमता (२०२५): क्रिएटिव्ह असिस्टंट म्हणून एआय

२०२५ पर्यंत, जनरेटिव्ह मॉडेल्स मागणीनुसार प्रभावी अचूकतेसह प्रतिमा तयार करण्यात पारंगत आहेत. वापरकर्ते इमेज एआयला "व्हॅन गॉगच्या शैलीत सूर्यास्ताच्या वेळी एक मध्ययुगीन शहर" काढायला सांगू शकतात आणि काही सेकंदातच एक विश्वासार्ह कलात्मक प्रतिमा मिळवू शकतात. यामुळे ग्राफिक डिझाइन, मार्केटिंग आणि मनोरंजन क्षेत्रात संकल्पना कला (concept art), प्रोटोटाइप आणि काही प्रकरणांमध्ये अंतिम व्हिज्युअल्ससाठीही एआयचा मोठ्या प्रमाणावर वापर सुरू झाला आहे. विशेषतः:

• ग्राफिक डिझाइन आणि स्टॉक इमेजेस: कंपन्या एआयच्या माध्यमातून वेबसाइट ग्राफिक्स, इलस्ट्रेशन्स किंवा स्टॉक फोटो तयार करतात, ज्यामुळे प्रत्येक कलाकृती कलाकाराकडून तयार करून घेण्याची गरज कमी होते. अनेक मार्केटिंग टीम्स ग्राहकांना काय आवडते हे तपासण्यासाठी, जाहिरातींचे किंवा उत्पादनांच्या प्रतिमांचे विविध प्रकार तयार करण्याकरिता एआय साधनांचा वापर करतात.

• कला आणि चित्रण: वैयक्तिक कलाकार कल्पनांवर विचारमंथन करण्यासाठी किंवा तपशील भरण्यासाठी AI शी सहयोग करतात. उदाहरणार्थ, एक चित्रकार पार्श्वभूमी दृश्ये तयार करण्यासाठी AI वापरू शकतो, जो नंतर ते त्यांच्या मानवी-रेखित पात्रांसह एकत्रित करतात. काही कॉमिक बुक निर्मात्यांनी AI-निर्मित पॅनेल किंवा रंगसंगतीसह प्रयोग केले आहेत.

• माध्यम आणि मनोरंजन: एआय-निर्मित कलाकृती मासिकांच्या आणि पुस्तकांच्या मुखपृष्ठांवर दिसल्या आहेत. याचे एक प्रसिद्ध उदाहरण म्हणजे ऑगस्ट २०२२ चे 'कॉस्मोपॉलिटन ' मासिकाचे मुखपृष्ठ, ज्यावर एक अंतराळवीर होता. असे म्हटले जाते की, एका कला दिग्दर्शकाच्या निर्देशानुसार एआयने (ओपनएआयचे DALL·E) तयार केलेले हे पहिले मासिकाचे मुखपृष्ठ होते. यामध्ये मानवी सूचना आणि निवडीचा समावेश असला तरी, प्रत्यक्ष कलाकृती मशीनद्वारे तयार करण्यात आली होती.

सर्वात महत्त्वाचे म्हणजे, यातील बहुतेक सध्याच्या उपयोगांमध्ये अजूनही मानवी निवड आणि पुनरावृत्तीचा समावेश असतो. एआय डझनभर प्रतिमा तयार करू शकते आणि माणूस त्यातील सर्वोत्तम प्रतिमा निवडतो व आवश्यक असल्यास त्यात सुधारणा करतो. या अर्थाने, एआय तयार , परंतु माणसेच सर्जनशील दिशा देत आहेत आणि अंतिम निवड करत आहेत. जलद गतीने मोठ्या प्रमाणात सामग्री तयार करण्यासाठी हे विश्वसनीय आहे, परंतु पहिल्याच प्रयत्नात सर्व आवश्यकता पूर्ण करण्याची हमी नाही. चुकीचे तपशील (उदा. एआयने हातांना चुकीची बोटे काढणे, ही एक ज्ञात त्रुटी आहे) किंवा अनपेक्षित परिणाम यांसारख्या समस्यांमुळे, आउटपुटच्या गुणवत्तेवर देखरेख ठेवण्यासाठी सहसा मानवी कला दिग्दर्शकाची आवश्यकता असते.

तथापि, असे काही क्षेत्र आहेत जिथे एआय पूर्ण स्वायत्ततेच्या जवळ आहे:

• जनरेटिव्ह डिझाइन: आर्किटेक्चर आणि उत्पादन डिझाइन सारख्या क्षेत्रात, एआय टूल्स स्वतंत्रपणे डिझाइन प्रोटोटाइप तयार करू शकतात जे विशिष्ट मर्यादा पूर्ण करतात. उदाहरणार्थ, फर्निचरच्या तुकड्याचे इच्छित परिमाण आणि कार्ये पाहता, जनरेटिव्ह अल्गोरिथम सुरुवातीच्या वैशिष्ट्यांव्यतिरिक्त मानवी हस्तक्षेपाशिवाय अनेक व्यवहार्य डिझाइन (काही अगदी अपारंपरिक) आउटपुट करू शकते. या डिझाइन नंतर मानव थेट वापरू शकतात किंवा परिष्कृत करू शकतात. त्याचप्रमाणे, अभियांत्रिकीमध्ये, जनरेटिव्ह एआय वजन आणि ताकदीसाठी अनुकूलित केलेले भाग (उदाहरणार्थ, विमानाचा घटक) डिझाइन करू शकते, असे नवीन आकार तयार करू शकते जे मानवाने कल्पना केली नसेल.

• व्हिडिओ गेम मालमत्ता: एआय व्हिडिओ गेमसाठी टेक्सचर, 3D मॉडेल किंवा अगदी संपूर्ण स्तर स्वयंचलितपणे तयार करू शकते. डेव्हलपर्स कंटेंट निर्मितीला गती देण्यासाठी याचा वापर करतात. काही इंडी गेममध्ये प्रक्रियात्मकरित्या तयार केलेली कलाकृती आणि अगदी संवाद (भाषा मॉडेलद्वारे) समाविष्ट करणे सुरू झाले आहे जेणेकरून कमीत कमी मानवनिर्मित मालमत्तांसह विशाल, गतिमान गेम जग तयार केले जाऊ शकेल.

• ॲनिमेशन आणि व्हिडिओ (उदयोन्मुख): स्थिर प्रतिमांच्या तुलनेत कमी विकसित असले तरी, व्हिडिओसाठीचे जनरेटिव्ह एआय (Generative AI) प्रगती करत आहे. एआय आधीच दिलेल्या सूचनांनुसार लहान व्हिडिओ क्लिप्स किंवा ॲनिमेशन्स तयार करू शकते, मात्र त्यांची गुणवत्ता एकसारखी नसते. डीपफेक तंत्रज्ञान – जे जनरेटिव्ह आहे – चेहऱ्यांची वास्तववादी अदलाबदल किंवा आवाजाचे क्लोन तयार करू शकते. नियंत्रित परिस्थितीत, एखादा स्टुडिओ एआयचा वापर करून पार्श्वभूमीचे दृश्य किंवा गर्दीचे ॲनिमेशन स्वयंचलितपणे तयार करू शकतो.

विशेष म्हणजे, गार्टनरने असा अंदाज वर्तवला आहे की २०३० पर्यंत, आपल्याला एक असा मोठा ब्लॉकबस्टर चित्रपट पाहायला मिळेल ज्यातील ९०% सामग्री (स्क्रिप्टपासून व्हिज्युअल्सपर्यंत) एआयद्वारे तयार केली जाईल (उद्योग आणि उद्योगांसाठी जनरेटिव्ह एआयचे उपयोग). २०२५ पर्यंत, आपण अजून त्या टप्प्यावर पोहोचलेलो नाही – एआय स्वतंत्रपणे एक पूर्ण लांबीचा चित्रपट बनवू शकत नाही. परंतु त्या कोड्याचे तुकडे विकसित होत आहेत: स्क्रिप्ट निर्मिती (टेक्स्ट एआय), पात्र आणि दृश्य निर्मिती (इमेज/व्हिडिओ एआय), व्हॉइस ॲक्टिंग (एआय व्हॉइस क्लोन्स), आणि एडिटिंगमध्ये मदत (एआय आधीच कट्स आणि ट्रान्झिशन्समध्ये मदत करू शकते).

२०३०-२०३५ साठीचे आउटलुक: मोठ्या प्रमाणात एआय-निर्मित मीडिया

पुढे पाहता, व्हिज्युअल आर्ट्स आणि डिझाइनमध्ये जनरेटिव्ह एआयची भूमिका नाटकीयरित्या वाढण्याची शक्यता आहे. २०३५ पर्यंत, आम्हाला अपेक्षा आहे की एआय अनेक व्हिज्युअल माध्यमांमध्ये एक प्राथमिक सामग्री निर्माता असेल, बहुतेकदा सुरुवातीच्या मार्गदर्शनापेक्षा कमीत कमी मानवी इनपुटसह कार्य करेल. काही अपेक्षा:

• पूर्णपणे एआय-निर्मित चित्रपट आणि व्हिडिओ: पुढील दहा वर्षांत, मोठ्या प्रमाणावर एआय-निर्मित असलेले पहिले चित्रपट किंवा मालिका आपल्याला पाहायला मिळण्याची दाट शक्यता आहे. मानव कदाचित उच्च-स्तरीय मार्गदर्शन (उदा. पटकथेची रूपरेषा किंवा अपेक्षित शैली) देतील आणि एआय दृश्ये रेंडर करेल, कलाकारांची प्रतिरूपे तयार करेल आणि सर्वकाही अॅनिमेट करेल. काही वर्षांत लघुपटांचे सुरुवातीचे प्रयोग होण्याची शक्यता आहे, तर २०३० पर्यंत पूर्ण-लांबीच्या चित्रपटांचे प्रयत्न केले जातील. हे एआय चित्रपट सुरुवातीला विशिष्ट गटापुरते (उदा. प्रायोगिक अॅनिमेशन) मर्यादित असू शकतात, परंतु गुणवत्ता सुधारल्यावर ते मुख्य प्रवाहात येऊ शकतात. गार्टनरचे २०३० पर्यंत ९०% चित्रपट निर्मितीचे भाकीत (उद्योग आणि उद्योगांसाठी जनरेटिव्ह एआय वापराची उदाहरणे), जरी महत्त्वाकांक्षी असले तरी, चित्रपट निर्मितीमधील बहुतांश भार उचलण्याइतकी एआय सामग्री निर्मिती प्रगत होईल, या उद्योगाच्या विश्वासाला अधोरेखित करते.

• डिझाइन ऑटोमेशन: फॅशन किंवा आर्किटेक्चरसारख्या क्षेत्रांमध्ये, 'खर्च, साहित्य, शैली X' यांसारख्या मापदंडांच्या आधारे शेकडो डिझाइन संकल्पना स्वायत्तपणे तयार करण्यासाठी जनरेटिव्ह एआयचा वापर केला जाईल, आणि अंतिम डिझाइन निवडण्याचे काम मानवांवर सोडले जाईल. यामुळे सध्याची कार्यपद्धती उलटेल: डिझाइनर्सनी सुरुवातीपासून डिझाइन तयार करून कदाचित प्रेरणेसाठी एआयचा वापर करण्याऐवजी, भविष्यातील डिझाइनर्स कदाचित क्युरेटरची भूमिका बजावतील, जे एआयने तयार केलेले सर्वोत्तम डिझाइन निवडतील आणि त्यात आवश्यक ते बदल करतील. २०३५ पर्यंत, एखाद्या आर्किटेक्टला इमारतीसाठी आवश्यक असलेल्या गरजा इनपुट केल्यावर एआयकडून सूचनांच्या स्वरूपात संपूर्ण ब्लूप्रिंट्स मिळतील (जे अंतर्भूत अभियांत्रिकी नियमांमुळे संरचनात्मकदृष्ट्या अचूक असतील).

• वैयक्तिकृत सामग्री निर्मिती: आपण एआयला प्रत्येक वापरकर्त्यासाठी तात्काळ व्हिज्युअल तयार करताना पाहू शकतो. २०३५ मधील एखाद्या व्हिडिओ गेम किंवा व्हर्च्युअल रिॲलिटी अनुभवाची कल्पना करा, जिथे एआयद्वारे रिअल-टाइममध्ये तयार केलेली दृश्ये आणि पात्रे खेळाडूच्या पसंतीनुसार जुळवून घेतली जातात. किंवा वापरकर्त्याच्या दिवसावर आधारित तयार केलेल्या वैयक्तिकृत कॉमिक स्ट्रिप्स – एक स्वायत्त “डेली डायरी कॉमिक” एआय, जे दररोज संध्याकाळी तुमच्या टेक्स्ट जर्नलचे आपोआप चित्रांमध्ये रूपांतर करते.

• बहुविध सर्जनशीलता: जनरेटिव्ह एआय सिस्टीम्स अधिकाधिक बहुविध होत आहेत – म्हणजेच त्या मजकूर, प्रतिमा, ऑडिओ इत्यादी एकाच वेळी हाताळू शकतात. या सर्वांना एकत्र करून, एखादी एआय “माझ्यासाठी उत्पादन X करिता एक विपणन मोहीम तयार करा” यासारखी एक साधी सूचना घेऊन, केवळ लिखित मजकूरच नव्हे, तर त्याला जुळणारी ग्राफिक्स, कदाचित लहान प्रचारात्मक व्हिडिओ क्लिप्ससुद्धा तयार करू शकते, आणि हे सर्व शैलीमध्ये सुसंगत असेल. अशा प्रकारची ‘वन-क्लिक कंटेंट सूट’ सेवा २०३० च्या दशकाच्या सुरुवातीपर्यंत उपलब्ध होण्याची शक्यता आहे.

एआय मानवी कलाकारांची जागा घेईल? हा प्रश्न अनेकदा उपस्थित होतो. अशी शक्यता आहे की एआय बरीचशी निर्मितीची कामे (विशेषतः व्यवसायासाठी आवश्यक असलेली पुनरावृत्तीची किंवा जलद गतीने पूर्ण करावी लागणारी कला) ताब्यात घेईल, परंतु मौलिकता आणि नवनिर्मितीसाठी मानवी कला टिकून राहील. २०३५ पर्यंत, एक स्वायत्त एआय एखाद्या प्रसिद्ध कलाकाराच्या शैलीत विश्वसनीयपणे चित्र काढू शकेल – परंतु एक नवीन शैली तयार करणे किंवा सखोल सांस्कृतिक प्रभाव टाकणारी कलाकृती निर्माण करणे हे अजूनही मानवाचे वैशिष्ट्य असू शकते (संभाव्यतः एआयच्या सहकार्याने). आम्ही अशा भविष्याची कल्पना करतो जिथे मानवी कलाकार स्वायत्त एआय “सह-कलाकारांसोबत” काम करतील. उदाहरणार्थ, एखादी व्यक्ती आपल्या घरातील डिजिटल गॅलरीसाठी सतत कलाकृती तयार करण्याकरिता एका वैयक्तिक एआयला काम सोपवू शकते, ज्यामुळे सतत बदलणारे सर्जनशील वातावरण निर्माण होईल.

विश्वसनीयतेच्या दृष्टिकोनातून पाहिल्यास, व्हिज्युअल जनरेटिव्ह एआयसाठी स्वायत्तता मिळवण्याचा मार्ग काही बाबतीत मजकुरापेक्षा सोपा आहे: एखादी प्रतिमा परिपूर्ण नसली तरीही व्यक्तिनिष्ठपणे 'पुरेशी चांगली' असू शकते, तर मजकुरातील तथ्यात्मक चूक अधिक समस्याप्रधान ठरते. त्यामुळे, त्याचा स्वीकार तुलनेने कमी जोखमीचा असल्याचे – जर एआयने तयार केलेले डिझाइन कुरूप किंवा चुकीचे असेल, तर तुम्ही ते वापरत नाही, पण त्यामुळे स्वतःहून कोणतेही नुकसान होत नाही. याचा अर्थ असा की, २०३० च्या दशकापर्यंत कंपन्या एआयला कोणाच्याही देखरेखीशिवाय डिझाइन तयार करू देण्यास तयार होतील आणि केवळ जेव्हा खरोखरच काहीतरी नवीन किंवा जोखमीचे काम आवश्यक असेल तेव्हाच मानवांना त्यात सामील करून घेतील.

थोडक्यात सांगायचे झाल्यास, २०३५ पर्यंत जनरेटिव्ह एआय दृकश्राव्य क्षेत्रात एक शक्तिशाली सामग्री निर्माता बनेल अशी अपेक्षा आहे, आणि आपल्या सभोवतालच्या प्रतिमा व माध्यमांच्या महत्त्वपूर्ण भागासाठी तेच जबाबदार असेल. ते मनोरंजन, डिझाइन आणि दैनंदिन संवादासाठी विश्वसनीयपणे सामग्री तयार करेल. स्वायत्त कलाकार क्षितिजावर आहे – तथापि, एआयला सर्जनशील की केवळ एक अतिशय हुशार साधन, हा एक असा वाद आहे जो भविष्यात विकसित होत जाईल, कारण त्याचे आउटपुट मानवनिर्मित सामग्रीपासून वेगळे ओळखता येणार नाही इतके भिन्न असतील.

सॉफ्टवेअर डेव्हलपमेंटमध्ये जनरेटिव्ह एआय (कोडिंग)

सॉफ्टवेअर डेव्हलपमेंट हे एक अत्यंत विश्लेषणात्मक काम वाटू शकते, परंतु त्यात एक सर्जनशील घटक देखील आहे - कोड लिहिणे म्हणजे मूलभूतपणे संरचित भाषेत मजकूर तयार करणे. आधुनिक जनरेटिव्ह एआय, विशेषतः मोठ्या भाषेतील मॉडेल्स, कोडिंगमध्ये बरेच पारंगत असल्याचे सिद्ध झाले आहे. गिटहब कोपायलट, अमेझॉन कोडव्हिस्परर आणि इतर सारखी साधने एआय जोडी प्रोग्रामर म्हणून काम करतात, कोड स्निपेट किंवा डेव्हलपर्स टाइप करताना संपूर्ण फंक्शन्स सुचवतात. हे स्वायत्त प्रोग्रामिंगकडे किती दूर जाऊ शकते?

सध्याच्या क्षमता (२०२५): कोडिंग सह-पायलट म्हणून एआय

२०२५ पर्यंत, अनेक डेव्हलपर्सच्या वर्कफ्लोमध्ये एआय कोड जनरेटर सामान्य झाले आहेत. ही साधने कोडच्या ओळी ऑटोकंप्लीट करू शकतात, बॉयलरप्लेट जनरेट करू शकतात (जसे की मानक फंक्शन्स किंवा चाचण्या), आणि नैसर्गिक भाषेचे वर्णन दिलेले साधे प्रोग्राम देखील लिहू शकतात. तथापि, महत्त्वाचे म्हणजे, ते डेव्हलपरच्या देखरेखीखाली काम करतात - डेव्हलपर एआयच्या सूचनांचे पुनरावलोकन करतो आणि एकत्रित करतो.

काही सध्याची तथ्ये आणि आकडेवारी:

• २०२३ च्या अखेरपर्यंत अर्ध्याहून अधिक व्यावसायिक डेव्हलपर्सनी एआय कोडिंग असिस्टंट्सचा अवलंब केला होता (कोडिंग ऑन कोपायलट: २०२३ डेटा कोडच्या गुणवत्तेवर खालील दिशेने दबाव दर्शवतो (२०२४ च्या अंदाजांसह) - गिटक्लियर), जे त्याचा जलद स्वीकार दर्शवते. गिटहब कोपायलट, जे सुरुवातीच्या काळात मोठ्या प्रमाणावर उपलब्ध झालेल्या साधनांपैकी एक होते, ते वापरल्या जाणाऱ्या प्रोजेक्ट्समध्ये सरासरी ३०-४०% कोड तयार करते असे नोंदवले गेले आहे (कोडिंग आता MOAT राहिलेले नाही. गिटहबवरील ४६% कोड आधीच...). याचा अर्थ असा की, एआय आधीच कोडचे महत्त्वपूर्ण भाग लिहित आहे, जरी एक माणूस त्याला दिशा देत आहे आणि प्रमाणित करत आहे.

• ही एआय टूल्स पुनरावृत्ती होणारे कोड लिहिणे (उदा. डेटा मॉडेल क्लासेस, गेटर/सेटर पद्धती), एका प्रोग्रामिंग भाषेचे दुसऱ्या भाषेत रूपांतर करणे किंवा प्रशिक्षण उदाहरणांसारखे सरळ अल्गोरिदम तयार करणे यासारख्या कामांमध्ये उत्कृष्ट कामगिरी करतात. उदाहरणार्थ, डेव्हलपर "// फंक्शन टू सॉर्ट ऑफ युजर्स लिस्ट द्वारे नाव" वर टिप्पणी देऊ शकतो आणि एआय जवळजवळ त्वरित एक योग्य सॉर्टिंग फंक्शन तयार करेल.

• ते बग दुरुस्त करण्यात आणि स्पष्टीकरण देण्यातही: डेव्हलपर्स एक त्रुटी संदेश पेस्ट करू शकतात आणि एआय त्यावर उपाय सुचवू शकते, किंवा "हा कोड काय करतो?" असे विचारून नैसर्गिक भाषेत स्पष्टीकरण मिळवू शकते. हे एका अर्थाने स्वायत्त आहे (एआय स्वतःहून समस्यांचे निदान करू शकते), परंतु तो उपाय लागू करायचा की नाही हे माणूस ठरवतो.

• महत्त्वाची गोष्ट म्हणजे, सध्याचे एआय कोडिंग असिस्टंट्स चुकांपासून पूर्णपणे मुक्त नाहीत. ते असुरक्षित कोड किंवा असा कोड सुचवू शकतात जो समस्या जवळजवळ सोडवतो, पण त्यात सूक्ष्म त्रुटी असतात. त्यामुळे, आजची सर्वोत्तम पद्धत म्हणजे या प्रक्रियेत मानवाला सामील ठेवणे – डेव्हलपर, मानवाने लिहिलेल्या कोडप्रमाणेच एआयने लिहिलेल्या कोडची चाचणी आणि डीबगिंग करतो. नियामक उद्योगांमध्ये किंवा महत्त्वपूर्ण सॉफ्टवेअरमध्ये (जसे की वैद्यकीय किंवा विमानचालन प्रणाली), एआयच्या कोणत्याही योगदानाचे कठोर पुनरावलोकन केले जाते.

आजकाल कोणतीही मुख्य प्रवाहातील सॉफ्टवेअर प्रणाली पूर्णपणे एआय द्वारे विकसित देखरेखीशिवाय तयार केलेली नाही. तथापि, काही स्वायत्त किंवा अर्ध-स्वायत्त वापर उदयास येत आहेत:

• ऑटो-जनरेटेड युनिट चाचण्या: एआय कोडचे विश्लेषण करू शकते आणि विविध प्रकरणे कव्हर करण्यासाठी युनिट चाचण्या तयार करू शकते. एक चाचणी फ्रेमवर्क स्वायत्तपणे बग पकडण्यासाठी या एआय-लिखित चाचण्या तयार करू शकते आणि चालवू शकते, ज्यामुळे मानवी-लिखित चाचण्या वाढतात.

• एआय-युक्त लो-कोड/नो-कोड प्लॅटफॉर्म्स: काही प्लॅटफॉर्म्स प्रोग्रामिंगचे ज्ञान नसलेल्या व्यक्तींना त्यांना काय हवे आहे हे सांगण्याची परवानगी देतात (उदा. “संपर्क फॉर्म आणि नोंदी जतन करण्यासाठी डेटाबेस असलेले एक वेबपेज तयार करा”) आणि सिस्टम त्यासाठी कोड तयार करते. जरी हे अजून सुरुवातीच्या टप्प्यात असले तरी, हे अशा भविष्याकडे संकेत देते जिथे एआय प्रमाणित वापरासाठी स्वायत्तपणे सॉफ्टवेअर तयार करू शकेल.

• स्क्रिप्टिंग आणि ग्लू कोड: आयटी ऑटोमेशनमध्ये अनेकदा सिस्टीम्सना जोडण्यासाठी स्क्रिप्ट्स लिहिण्याचा समावेश असतो. एआय टूल्स अनेकदा ह्या लहान स्क्रिप्ट्स स्वयंचलितपणे तयार करू शकतात. उदाहरणार्थ, लॉग फाईल पार्स करण्यासाठी आणि ईमेल अलर्ट पाठवण्यासाठी स्क्रिप्ट लिहिणे – एआय कमीत कमी किंवा कोणत्याही बदलांशिवाय एक कार्यरत स्क्रिप्ट तयार करू शकते.

२०३०-२०३५ साठीचे आउटलुक: "स्व-विकासशील" सॉफ्टवेअरकडे

पुढील दशकात, जनरेटिव्ह एआय कोडिंगच्या ओझ्याचा मोठा वाटा उचलेल अशी अपेक्षा आहे, विशिष्ट वर्गांच्या प्रकल्पांसाठी पूर्णपणे स्वायत्त सॉफ्टवेअर विकासाच्या जवळ जाईल. काही अपेक्षित विकास:

• संपूर्ण वैशिष्ट्य अंमलबजावणी: २०३० पर्यंत, एआय (AI) ॲप्लिकेशनची साधी वैशिष्ट्ये सुरुवातीपासून शेवटपर्यंत अंमलात आणण्यास सक्षम असेल, अशी आमची अपेक्षा आहे. एक उत्पादन व्यवस्थापक (product manager) एखाद्या वैशिष्ट्याचे साध्या भाषेत वर्णन करू शकतो ("वापरकर्त्यांना ईमेल लिंकद्वारे त्यांचा पासवर्ड रीसेट करता आला पाहिजे") आणि एआय आवश्यक कोड (फ्रंट-एंड फॉर्म, बॅक-एंड लॉजिक, डेटाबेस अपडेट, ईमेल पाठवणे) तयार करून तो कोडबेसमध्ये समाकलित करू शकेल. एआय प्रभावीपणे एका ज्युनियर डेव्हलपरप्रमाणे काम करेल जो विनिर्देशांचे (specifications) पालन करू शकेल. एक मानवी अभियंता (human engineer) फक्त कोड रिव्ह्यू करेल आणि चाचण्या (tests) चालवेल. जशी एआयची विश्वासार्हता सुधारेल, तसा कोड रिव्ह्यू कदाचित केवळ एक वरवरचा आढावा बनेल.

• स्वायत्त कोड देखभाल: सॉफ्टवेअर इंजिनिअरिंगचा एक मोठा भाग म्हणजे केवळ नवीन कोड लिहिणे नव्हे, तर अस्तित्वात असलेला कोड अद्ययावत करणे – म्हणजेच बग्स दुरुस्त करणे, कार्यक्षमता सुधारणे आणि नवीन आवश्यकतांशी जुळवून घेणे. भविष्यातील एआय डेव्हलपर्स यात निश्चितच प्रावीण्य मिळवतील. एखादा कोडबेस आणि एक निर्देश (“जेव्हा एकाच वेळी खूप जास्त वापरकर्ते लॉग इन करतात तेव्हा आमचे ॲप क्रॅश होते”) दिल्यास, एआय ती समस्या (जसे की कॉन्करन्सी बग) शोधून ती दुरुस्त करू शकेल. २०३५ पर्यंत, एआय सिस्टीम्स रात्रीच्या वेळी नियमित देखभालीची तिकिटे आपोआप हाताळू शकतील आणि सॉफ्टवेअर सिस्टीम्ससाठी एका अविरत देखभाल करणाऱ्या चमूप्रमाणे काम करतील.

• एकीकरण आणि API वापर: जसजसे अधिकाधिक सॉफ्टवेअर सिस्टीम आणि APIs एआय-वाचनीय डॉक्युमेंटेशनसह येतील, तसतसे एक एआय एजंट ग्लू कोड लिहून सिस्टीम A ला सर्व्हिस B शी कसे जोडायचे हे स्वतंत्रपणे शोधू शकेल. उदाहरणार्थ, जर एखाद्या कंपनीला त्यांची अंतर्गत एचआर सिस्टीम एका नवीन पेरोल API सोबत सिंक करायची असेल, तर ते एका एआयला "यांना एकमेकांशी संवाद साधायला लावा" असे काम देऊ शकतात, आणि तो एआय दोन्ही सिस्टीमचे स्पेसिफिकेशन्स वाचल्यानंतर एकीकरण कोड लिहील.

• गुणवत्ता आणि ऑप्टिमायझेशन: भविष्यातील कोड-जनरेशन मॉडेल्समध्ये, कोड व्यवस्थित काम करतो की नाही हे तपासण्यासाठी फीडबॅक लूप्सचा समावेश असण्याची शक्यता आहे (उदा. सँडबॉक्समध्ये चाचण्या किंवा सिम्युलेशन्स चालवणे). याचा अर्थ असा की, एखादा AI केवळ कोड लिहूच शकणार नाही, तर त्याची चाचणी करून स्वतःमध्ये सुधारणाही करू शकेल. २०३५ पर्यंत, आपण अशा एका AI ची कल्पना करू शकतो, जो एखादे कार्य दिल्यावर, सर्व चाचण्या यशस्वी होईपर्यंत आपल्या कोडमध्ये सुधारणा करत राहील – ही एक अशी प्रक्रिया आहे, ज्यावर मानवाला ओळी-ओळीने लक्ष ठेवण्याची गरज भासणार नाही. यामुळे स्वयंचलितपणे तयार झालेल्या कोडवरील विश्वास मोठ्या प्रमाणात वाढेल.

२०३५ पर्यंत अशी परिस्थिती निर्माण होऊ शकते जिथे एक लहान सॉफ्टवेअर प्रकल्प - उदाहरणार्थ व्यवसायासाठी एक कस्टम मोबाइल अॅप - मोठ्या प्रमाणात एआय एजंटद्वारे उच्च-स्तरीय सूचना देऊन विकसित केला जाऊ शकतो. त्या परिस्थितीत मानवी "विकासक" हा एक प्रकल्प व्यवस्थापक किंवा व्हॅलिडेटर असतो जो आवश्यकता आणि मर्यादा (सुरक्षा, शैली मार्गदर्शक तत्त्वे) निर्दिष्ट करतो आणि एआयला प्रत्यक्ष कोडिंगचे मोठे काम करू देतो.

तथापि, गुंतागुंतीच्या, मोठ्या प्रमाणातील सॉफ्टवेअरसाठी (ऑपरेटिंग सिस्टीम, प्रगत एआय अल्गोरिदम इत्यादी), मानवी तज्ञांचा त्यात अजूनही सखोल सहभाग असेल. सॉफ्टवेअरमधील सर्जनशील समस्या-निवारण आणि आर्किटेक्चरल डिझाइन काही काळ तरी मानवाच्या नेतृत्वाखालीच राहण्याची शक्यता आहे. एआय अनेक कोडिंगची कामे हाताळू शकेल, परंतु काय तयार करायचे हे ठरवणे आणि एकूण रचना तयार करणे हे एक वेगळे आव्हान आहे. असे असले तरी, जेव्हा जनरेटिव्ह एआय सहयोग करण्यास सुरुवात करेल – म्हणजेच अनेक एआय एजंट सिस्टीमचे वेगवेगळे घटक हाताळतील – तेव्हा ते काही प्रमाणात आर्किटेक्चरची सह-रचना करू शकतील अशी कल्पना करता येते (उदाहरणार्थ, एक एआय सिस्टीम डिझाइनचा प्रस्ताव देईल, दुसरा त्यावर टीका करेल आणि ते त्यात सुधारणा करत राहतील, ज्या प्रक्रियेवर एक माणूस देखरेख करेल).

कोडिंगमधील एआयचा एक प्रमुख अपेक्षित फायदा म्हणजे उत्पादकतेत वाढ. गार्टनरचा अंदाज आहे की २०२८ पर्यंत, तब्बल ९०% सॉफ्टवेअर इंजिनिअर्स एआय कोड असिस्टंट्सचा वापर करत असतील (२०२४ मध्ये हे प्रमाण १५% पेक्षा कमी होते) (GitHub Copilot Tops Research Report on AI Code Assistants -- Visual Studio Magazine). यावरून असे सूचित होते की जे एआय वापरत नाहीत, असे अपवादात्मक गट फार कमी असतील. तसेच, काही विशिष्ट क्षेत्रांमध्ये मानवी डेव्हलपर्सची कमतरता एआयद्वारे भरून काढली जाऊ शकते; कारण, प्रत्येक डेव्हलपर एका एआय सहाय्यकाच्या मदतीने अधिक काम करू शकतो, जो स्वायत्तपणे कोड तयार करू शकतो.

विश्वास हा एक मध्यवर्ती मुद्दा राहील. २०३५ मध्येही, संस्थांना स्वायत्तपणे जनरेट केलेला कोड सुरक्षित आहे (एआयने भेद्यता आणू नये) आणि कायदेशीर/नैतिक नियमांशी सुसंगत आहे याची खात्री करावी लागेल (उदा., एआयमध्ये योग्य परवाना नसलेल्या ओपन-सोर्स लायब्ररीमधून चोरी केलेला कोड समाविष्ट नाही). आम्हाला अशी अपेक्षा आहे की सुधारित एआय गव्हर्नन्स टूल्स जे एआय-लिखित कोड मूळ सत्यापित आणि ट्रेस करू शकतात जेणेकरून जोखीमशिवाय अधिक स्वायत्त कोडिंग सक्षम करण्यात मदत होईल.

थोडक्यात, २०३० च्या दशकाच्या मध्यापर्यंत, जनरेटिव्ह एआय नियमित सॉफ्टवेअर कार्यांसाठी कोडिंगचा सिंहाचा वाटा हाताळेल आणि गुंतागुंतीच्या कार्यांमध्ये लक्षणीयरीत्या मदत करेल. सॉफ्टवेअर डेव्हलपमेंट लाइफसायकल अधिक स्वयंचलित होईल - आवश्यकतांपासून ते तैनातीपर्यंत - ज्यामध्ये एआय संभाव्यतः कोड बदल स्वयंचलितपणे निर्माण आणि तैनात करेल. मानवी विकासक उच्च-स्तरीय तर्कशास्त्र, वापरकर्ता अनुभव आणि देखरेखीवर अधिक लक्ष केंद्रित करतील, तर एआय एजंट अंमलबजावणी तपशीलांमधून बारकाईने काम करतील.

ग्राहक सेवा आणि समर्थनामध्ये जनरेटिव्ह एआय

जर तुम्ही अलिकडच्या काळात ऑनलाइन ग्राहक समर्थन चॅटशी संवाद साधला असेल, तर किमान काही प्रमाणात एआय दुसऱ्या टोकावर असण्याची चांगली शक्यता आहे. ग्राहक सेवा ही एआय ऑटोमेशनसाठी योग्य क्षेत्र आहे: त्यात वापरकर्त्यांच्या प्रश्नांना उत्तर देणे समाविष्ट आहे, जे जनरेटिव्ह एआय (विशेषतः संभाषण मॉडेल) चांगले करू शकते आणि ते बहुतेकदा स्क्रिप्ट्स किंवा नॉलेज बेस लेखांचे अनुसरण करते, जे एआय शिकू शकते. एआय ग्राहकांना किती स्वायत्तपणे हाताळू शकते?

सध्याच्या क्षमता (२०२५): आघाडीवर असलेले चॅटबॉट्स आणि व्हर्च्युअल एजंट्स

आजमितीस, अनेक संस्था संपर्काचा पहिला टप्पा म्हणून एआय चॅटबॉट्सचा . यामध्ये साध्या नियम-आधारित बॉट्सपासून (“बिलिंगसाठी १ दाबा, सपोर्टसाठी २ दाबा…”) ते मुक्त-स्वरूपातील प्रश्नांचा अर्थ लावून संवादात्मक पद्धतीने प्रतिसाद देऊ शकणाऱ्या प्रगत जनरेटिव्ह एआय चॅटबॉट्सपर्यंतच्या प्रकारांचा समावेश होतो. मुख्य मुद्दे:

• सामान्य प्रश्न हाताळणे: एआय एजंट वारंवार विचारल्या जाणाऱ्या प्रश्नांची उत्तरे देण्यात, माहिती प्रदान करण्यात (स्टोअरचे तास, परतफेड धोरणे, ज्ञात समस्यांसाठी समस्यानिवारण चरण) आणि वापरकर्त्यांना मानक प्रक्रियांद्वारे मार्गदर्शन करण्यात उत्कृष्ट असतात. उदाहरणार्थ, बँकेसाठी एआय चॅटबॉट वापरकर्त्याला त्यांच्या खात्यातील शिल्लक तपासण्यास, पासवर्ड रीसेट करण्यास किंवा कर्जासाठी अर्ज कसा करायचा हे स्पष्ट करण्यास मदत करू शकते, मानवी मदतीशिवाय.

• नैसर्गिक भाषा आकलन: आधुनिक जनरेटिव्ह मॉडेल्स अधिक सहज आणि 'मानवासारख्या' संवादाला परवानगी देतात. ग्राहक त्यांच्या स्वतःच्या शब्दांत प्रश्न टाइप करू शकतात आणि एआय सहसा त्यांचा हेतू समजू शकते. कंपन्यांच्या मते, आजचे एआय एजंट काही वर्षांपूर्वीच्या अवजड बॉट्सपेक्षा ग्राहकांना खूपच अधिक समाधानकारक वाटतात – आता जवळपास अर्ध्या ग्राहकांचा विश्वास आहे की एआय एजंट त्यांच्या समस्यांचे निराकरण करताना सहानुभूतीपूर्ण आणि प्रभावी असू शकतात (२०२५ साठीची ५९ एआय ग्राहक सेवा आकडेवारी), जे एआय-चालित सेवेवरील वाढता विश्वास दर्शवते.

• बहु-चॅनल सपोर्ट: एआय फक्त चॅटपुरते मर्यादित नाही. व्हॉइस असिस्टंट (जसे की एआय-आधारित फोन आयव्हीआर सिस्टीम) आता कॉल्स हाताळू लागले आहेत, आणि एआय ग्राहकांच्या चौकशीला ईमेलद्वारे प्रतिसाद देखील तयार करू शकते, जे अचूक वाटल्यास आपोआप पाठवले जाऊ शकतात.

• जेव्हा मानवी हस्तक्षेप: सामान्यतः, जर AI गोंधळले किंवा प्रश्न खूप गुंतागुंतीचा असेल, तर ते मानवी एजंटकडे काम सोपवते. सध्याच्या प्रणाली त्यांच्या मर्यादा ओळखण्यात . उदाहरणार्थ, जर एखाद्या ग्राहकाने काहीतरी असामान्य विचारले किंवा निराशा दर्शवली (“मी तिसऱ्यांदा तुमच्याशी संपर्क साधत आहे आणि मी खूप नाराज आहे…”), तर AI ही गोष्ट मानवी एजंटला काम सोपवण्यासाठी सूचित करू शकते. कार्यक्षमता आणि ग्राहक समाधान यांच्यात संतुलन साधण्यासाठी कंपन्यांद्वारे काम सोपवण्याची मर्यादा निश्चित केली जाते.

अनेक कंपन्यांनी असे कळवले आहे की त्यांच्या संवादाचा मोठा भाग केवळ एआयद्वारेच सोडवला जातो. उद्योग सर्वेक्षणांनुसार, आज सुमारे ७०-८०% नियमित ग्राहक चौकशी एआय चॅटबॉट्सद्वारे हाताळली जाऊ शकते आणि विविध माध्यमांवरील कंपन्यांचे सुमारे ४०% ग्राहक संवाद आधीच स्वयंचलित किंवा एआय-सहाय्यित आहेत (52 AI Customer Service Statistics You Should Know - Plivo). आयबीएमच्या ग्लोबल एआय अडॉप्शन इंडेक्स (२०२२) ने असे सूचित केले आहे की २०२५ पर्यंत ८०% कंपन्या ग्राहक सेवेसाठी एआय चॅटबॉट्स वापरतात किंवा वापरण्याची योजना आखत आहेत.

एक मनोरंजक घडामोड म्हणजे, एआय केवळ ग्राहकांना प्रतिसाद देत नाही, तर मानवी एजंटना प्रत्यक्ष वेळेत (रिअल टाइममध्ये) सक्रियपणे मदत करत आहे. उदाहरणार्थ, लाइव्ह चॅट किंवा कॉल दरम्यान, एआय ऐकून मानवी एजंटला त्वरित सुचवलेली उत्तरे किंवा संबंधित माहिती देऊ शकते. यामुळे स्वायत्ततेची सीमारेषा पुसट होते – एआय ग्राहकासमोर एकटे नसते, तर मानवी प्रश्नाशिवाय ते सक्रियपणे सहभागी असते. ते प्रभावीपणे एजंटसाठी एका स्वायत्त सल्लागाराची भूमिका बजावते.

२०३०-२०३५ साठीचे आउटलुक: मोठ्या प्रमाणात एआय-चालित ग्राहक संवाद

२०३० पर्यंत, बहुतेक ग्राहक सेवा संवादांमध्ये एआयचा समावेश असण्याची अपेक्षा आहे, ज्यामध्ये बरेचसे सुरुवातीपासून शेवटपर्यंत पूर्णपणे एआयद्वारे हाताळले जातील. याला समर्थन देणारे अंदाज आणि ट्रेंड:

• अधिक गुंतागुंतीच्या प्रश्नांचे निराकरण: एआय मॉडेल्स जसजसे विशाल ज्ञान आत्मसात करतील आणि तर्कशक्ती सुधारतील, तसतसे ते ग्राहकांच्या अधिक गुंतागुंतीच्या विनंत्या हाताळू शकतील. केवळ "मी वस्तू कशी परत करू?" यासारख्या प्रश्नाचे उत्तर देण्याऐवजी, भविष्यातील एआय "माझे इंटरनेट बंद आहे, मी रीबूट करून पाहिले आहे, तुम्ही मदत करू शकता का?" यासारख्या अनेक टप्प्यांच्या समस्या हाताळू शकेल. हे संवादाद्वारे समस्येचे निदान करून, ग्राहकाला प्रगत समस्यानिवारणासाठी मार्गदर्शन करून आणि इतर सर्व उपाय अयशस्वी झाल्यासच तंत्रज्ञाची नियुक्ती करून केले जाईल – ही अशी कामे आहेत ज्यासाठी आज मानवी सपोर्ट टेक्निशियनची आवश्यकता भासण्याची शक्यता आहे. आरोग्यसेवा ग्राहक सेवेमध्ये, एआय रुग्णांच्या भेटीची वेळ निश्चित करणे किंवा विम्यासंबंधीचे प्रश्न सुरुवातीपासून शेवटपर्यंत हाताळू शकेल.

• संपूर्ण सेवा निराकरण: आपण पाहू शकतो की एआय केवळ ग्राहकाला काय करायचे हे सांगण्याऐवजी, ते प्रत्यक्ष करत आहे . उदाहरणार्थ, जर एखादा ग्राहक म्हणाला, “मला माझे विमानप्रवासाचे तिकीट पुढच्या सोमवारी बदलायचे आहे आणि आणखी एक बॅग सोबत घ्यायची आहे,” तर २०३० मधील एक एआय एजंट थेट एअरलाइनच्या आरक्षण प्रणालीशी संवाद साधेल, बदल घडवून आणेल, बॅगसाठी पेमेंटची प्रक्रिया करेल आणि ग्राहकाला याची पुष्टी देईल – हे सर्व काही आपोआप होईल. एआय केवळ माहितीचा स्रोत न राहता, एक संपूर्ण सेवा देणारा एजंट बनेल.

• सर्वव्यापी एआय एजंट: कंपन्या फोन, चॅट, ईमेल, सोशल मीडिया अशा सर्व ग्राहक संपर्क माध्यमांवर एआय तैनात करण्याची शक्यता आहे. अनेक ग्राहकांना आपण एआयशी बोलत आहोत की माणसाशी, हे कदाचित कळणारही नाही, विशेषतः जेव्हा एआयचे आवाज अधिक नैसर्गिक होतील आणि चॅटमधील उत्तरे अधिक संदर्भ-जागरूक होतील. २०३५ पर्यंत, ग्राहक सेवेशी संपर्क साधणे म्हणजे अनेकदा अशा स्मार्ट एआयशी संवाद साधणे असेल, जो तुमचे मागील संवाद लक्षात ठेवेल, तुमच्या आवडीनिवडी समजून घेईल आणि तुमच्या आवाजाच्या सुराशी जुळवून घेईल – थोडक्यात, प्रत्येक ग्राहकासाठी एक वैयक्तिकृत व्हर्च्युअल एजंट.

• संवादांमधील एआयद्वारे निर्णयक्षमता: केवळ प्रश्नांची उत्तरे देण्यापलीकडे जाऊन, एआय असे निर्णय घेण्यास सुरुवात करेल ज्यासाठी सध्या व्यवस्थापकीय मंजुरीची आवश्यकता असते. उदाहरणार्थ, आज एखाद्या संतप्त ग्राहकाला शांत करण्यासाठी परतावा (रिफंड) किंवा विशेष सवलत (डिस्काउंट) देण्यासाठी मानवी एजंटला पर्यवेक्षकाच्या मंजुरीची आवश्यकता असू शकते. भविष्यात, ग्राहकाच्या आजीवन मूल्याची (कस्टमर लाइफटाइम व्हॅल्यू) गणना आणि भावनांच्या विश्लेषणावर (सेंटिमेंट ॲनालिसिस) आधारित, परिभाषित मर्यादेत राहून, हे निर्णय एआयवर सोपवले जाऊ शकतात. फ्युटुरम/आयबीएमच्या एका अभ्यासानुसार असा अंदाज वर्तवण्यात आला आहे की, २०३० पर्यंत प्रत्यक्ष ग्राहक संवादादरम्यान (रिअल-टाइम कस्टमर एंगेजमेंट्स) घेतले जाणारे सुमारे ६९% निर्णय स्मार्ट मशीन्सद्वारे घेतले जातील (ग्राहक अनुभवाकडे (CX) होणाऱ्या बदलाची पुनर्कल्पना करण्यासाठी, विपणनकर्त्यांनी या २ गोष्टी करणे आवश्यक आहे) – म्हणजेच, संवादातील सर्वोत्तम कृतीचा मार्ग एआयद्वारे ठरवला जाईल.

• १००% एआयचा सहभाग: एका अहवालानुसार, एआय अखेरीस प्रत्येक ग्राहक संवादात भूमिका बजावेल ( २०२५ साठीची ५९ एआय ग्राहक सेवा आकडेवारी ), मग तो थेट असो वा पार्श्वभूमीत. याचा अर्थ असा होऊ शकतो की, जरी एखादी व्यक्ती ग्राहकाशी संवाद साधत असली तरी, त्यांना एआयद्वारे मदत केली जाईल (सूचना देणे, माहिती मिळवणे). दुसरा अर्थ असाही लावता येतो की, ग्राहकाचा कोणताही प्रश्न कधीही अनुत्तरित राहणार नाही – जर माणसे ऑफलाइन असतील, तर एआय नेहमीच उपलब्ध असेल.

२०३५ पर्यंत, आपल्याला असे आढळून येईल की मानवी ग्राहक सेवा एजंट फक्त सर्वात संवेदनशील किंवा उच्च-टच परिस्थितींसाठी (उदा., व्हीआयपी क्लायंट किंवा मानवी सहानुभूतीची आवश्यकता असलेल्या जटिल तक्रारींचे निराकरण) विशेषज्ञ बनले आहेत. नियमित प्रश्न - बँकिंग ते रिटेल ते टेक सपोर्ट - हे एआय एजंट्सच्या ताफ्याद्वारे २४/७ काम करून, प्रत्येक संवादातून सतत शिकत सेवा देऊ शकतात. या बदलामुळे ग्राहक सेवा अधिक सुसंगत आणि तात्काळ बनू शकते, कारण एआय लोकांना होल्डवर ठेवत नाही आणि सैद्धांतिकदृष्ट्या अमर्यादित ग्राहकांना एकाच वेळी हाताळण्यासाठी मल्टीटास्क करू शकते.

या दृष्टिकोनासाठी काही आव्हानांवर मात करायची आहे: मानवी ग्राहकांच्या अनिश्चिततेला तोंड देण्यासाठी एआय खूप मजबूत असले पाहिजे. ते अपशब्द, राग, गोंधळ आणि लोकांच्या संवादाच्या असंख्य विविध पद्धतींना तोंड देण्यास सक्षम असले पाहिजे. त्याला अद्ययावत ज्ञान देखील आवश्यक आहे (एआयची माहिती जुनी असली तरी काही अर्थ नाही). एआय आणि कंपनी डेटाबेसमधील एकत्रीकरणात गुंतवणूक करून (ऑर्डर, आउटेज इत्यादींवरील रिअल-टाइम माहितीसाठी), या अडथळ्यांना दूर केले जाऊ शकते.

नैतिकदृष्ट्या, कंपन्यांना हे ठरवावे लागेल की "तुम्ही एका एआयशी बोलत आहात" हे केव्हा उघड करायचे आणि निष्पक्षता सुनिश्चित करावी लागेल (एआय पक्षपाती प्रशिक्षणामुळे विशिष्ट ग्राहकांना नकारात्मक पद्धतीने वेगळी वागणूक देत नाही). जर या गोष्टी व्यवस्थापित केल्या गेल्या, तर व्यावसायिक दृष्ट्या हे खूप फायदेशीर आहे: एआय ग्राहक सेवा खर्च आणि प्रतीक्षा वेळ लक्षणीयरीत्या कमी करू शकते. संस्था या क्षमतांमध्ये गुंतवणूक करत असल्यामुळे, ग्राहक सेवेतील एआयची बाजारपेठ २०३० पर्यंत अब्जावधी डॉलर्सपर्यंत वाढण्याचा अंदाज आहे (ग्राहक सेवेतील एआय बाजार अहवाल २०२५-२०३०: एक उदाहरण) (जनरेटिव्ह एआय लॉजिस्टिक्सला कशी चालना देत आहे | रायडर).

थोडक्यात सांगायचे झाल्यास, अशा भविष्याची अपेक्षा करा जिथे स्वायत्त एआय ग्राहक सेवा ही एक सामान्य बाब असेल. मदत मिळवणे म्हणजे अनेकदा एका स्मार्ट मशीनशी संवाद साधणे, जे तुमची समस्या त्वरित सोडवू शकेल. देखरेख आणि अपवादात्मक प्रकरणे हाताळण्यासाठी मानवांचा सहभाग कायम राहील, पण त्यांची भूमिका एआय कर्मचाऱ्यांचे पर्यवेक्षक म्हणून अधिक असेल. याचा परिणाम म्हणून ग्राहकांना अधिक जलद आणि वैयक्तिकृत सेवा मिळू शकेल – मात्र यासाठी भूतकाळातील ‘रोबोट हॉटलाइन’च्या अनुभवातील निराशा टाळण्यासाठी एआयला योग्यरित्या प्रशिक्षित करून त्यावर देखरेख ठेवणे आवश्यक आहे.

आरोग्यसेवा आणि औषधांमध्ये जनरेटिव्ह एआय

आरोग्यसेवा हे असे क्षेत्र आहे जिथे दावे जास्त आहेत. औषधांमध्ये मानवी देखरेखीशिवाय एआय काम करण्याची कल्पना उत्साह (कार्यक्षमता आणि पोहोच यासाठी) आणि सावधगिरी (सुरक्षितता आणि सहानुभूतीच्या कारणास्तव) दोन्ही निर्माण करते. जनरेटिव्ह एआयने वैद्यकीय इमेजिंग विश्लेषण, क्लिनिकल दस्तऐवजीकरण आणि अगदी औषध शोध यासारख्या क्षेत्रांमध्येही प्रवेश करण्यास सुरुवात केली आहे. ते स्वतःहून जबाबदारीने काय करू शकते?

सध्याच्या क्षमता (२०२५): क्लिनिशियनना मदत करणे, त्यांची जागा घेणे नाही

सध्या, आरोग्यसेवेतील जनरेटिव्ह एआय प्रामुख्याने वैद्यकीय व्यावसायिकांना स्वायत्त निर्णय घेणाऱ्याऐवजी एक शक्तिशाली सहाय्यक . उदाहरणार्थ:

• वैद्यकीय दस्तऐवजीकरण: आरोग्यसेवेतील एआयच्या सर्वात यशस्वी उपयोगांपैकी एक म्हणजे डॉक्टरांना कागदपत्रांच्या कामात मदत करणे. नैसर्गिक भाषा मॉडेल्स रुग्णांच्या भेटींचे लिप्यंतरण करू शकतात आणि क्लिनिकल नोट्स किंवा डिस्चार्ज सारांश तयार करू शकतात. कंपन्यांकडे “एआय लेखक” असतात, जे तपासणीदरम्यान (मायक्रोफोनद्वारे) ऐकतात आणि डॉक्टरांच्या पुनरावलोकनासाठी भेटीच्या नोंदींचा मसुदा आपोआप तयार करतात. यामुळे डॉक्टरांचा टायपिंगचा वेळ वाचतो. काही प्रणाली तर इलेक्ट्रॉनिक आरोग्य नोंदींचे काही भाग आपोआप भरतात. हे कमीत कमी हस्तक्षेपाने केले जाऊ शकते – डॉक्टर फक्त मसुद्यातील लहान चुका दुरुस्त करतात, म्हणजेच नोंदी लिहिण्याची प्रक्रिया मोठ्या प्रमाणात स्वायत्त असते.

• रेडिओलॉजी आणि इमेजिंग: जनरेटिव्ह मॉडेल्ससह एआय, एक्स-रे, एमआरआय आणि सीटी स्कॅनचे विश्लेषण करून विसंगती (जसे की ट्यूमर किंवा फ्रॅक्चर) शोधू शकते. २०१८ मध्ये, एफडीएने रेटिनल प्रतिमांमध्ये डायबेटिक रेटिनोपॅथी (डोळ्यांचा एक आजार) स्वायत्तपणे शोधण्यासाठी एका एआय प्रणालीला मान्यता दिली – विशेष म्हणजे, त्या विशिष्ट तपासणीच्या संदर्भात तज्ञांच्या पुनरावलोकनाशिवाय निर्णय घेण्यास तिला अधिकृत करण्यात आले होते. ती प्रणाली जनरेटिव्ह एआय नव्हती, परंतु यावरून हे दिसून येते की नियामकांनी मर्यादित प्रकरणांमध्ये स्वायत्त एआय निदानास परवानगी दिली आहे. सर्वसमावेशक अहवाल तयार करण्यासाठी जनरेटिव्ह मॉडेल्सचा उपयोग होतो. उदाहरणार्थ, एक एआय छातीच्या एक्स-रेची तपासणी करून रेडिओलॉजिस्टसाठी एक अहवाल तयार करू , ज्यात म्हटले असेल की, “कोणतीही गंभीर लक्षणे नाहीत. फुफ्फुसे निरोगी आहेत. हृदयाचा आकार सामान्य आहे.” त्यानंतर रेडिओलॉजिस्ट फक्त त्याची पुष्टी करून सही करतो. काही सामान्य प्रकरणांमध्ये, जर रेडिओलॉजिस्टने एआयवर विश्वास ठेवला आणि फक्त एक जलद तपासणी केली, तर हे अहवाल कोणत्याही संपादनाशिवाय पाठवले जाऊ शकतात.

• लक्षण तपासक आणि व्हर्च्युअल नर्सेस: जनरेटिव्ह एआय चॅटबॉट्सचा वापर आघाडीचे लक्षण तपासक म्हणून केला जात आहे. रुग्ण त्यांची लक्षणे नोंदवू शकतात आणि सल्ला मिळवू शकतात (उदा., “ही साधी सर्दी असू शकते; विश्रांती घ्या आणि द्रवपदार्थ प्या, पण X किंवा Y लक्षणे दिसल्यास डॉक्टरांना भेटा.”). बॅबिलॉन हेल्थसारखे ॲप्स शिफारसी देण्यासाठी एआयचा वापर करतात. सध्या, या शिफारसी सामान्यतः माहितीपूर्ण स्वरूपाच्या असतात, निश्चित वैद्यकीय सल्ला म्हणून नव्हे, आणि गंभीर समस्यांसाठी मानवी डॉक्टरांकडून पुढील तपासणी करून घेण्यास त्या प्रोत्साहन देतात.

• औषध शोध (जनरेटिव्ह केमिस्ट्री): जनरेटिव्ह एआय मॉडेल्स औषधांसाठी नवीन आण्विक संरचना सुचवू शकतात. हे रुग्णसेवेपेक्षा अधिक संशोधन क्षेत्राशी संबंधित आहे. हे एआय स्वायत्तपणे काम करून इच्छित गुणधर्म असलेली हजारो संभाव्य संयुगे सुचवतात, ज्यांचे नंतर मानवी रसायनशास्त्रज्ञ प्रयोगशाळेत पुनरावलोकन आणि चाचणी करतात. इन्सिलिको मेडिसिनसारख्या कंपन्यांनी एआयचा वापर करून लक्षणीयरीत्या कमी वेळात नवीन संभाव्य औषधे तयार केली आहेत. जरी याचा रुग्णांशी थेट संबंध येत नसला तरी, हे एआयने स्वायत्तपणे असे उपाय (रेणू रचना) तयार करण्याचे एक उदाहरण आहे, जे शोधायला मानवांना खूप जास्त वेळ लागला असता.

• आरोग्यसेवा ऑपरेशन्स: रुग्णालयांमध्ये वेळापत्रक, पुरवठा व्यवस्थापन आणि इतर लॉजिस्टिक्स ऑप्टिमाइझ करण्यात एआय मदत करत आहे. उदाहरणार्थ, एक जनरेटिव्ह मॉडेल रुग्णांच्या प्रवाहाचे अनुकरण करू शकते आणि प्रतीक्षा वेळ कमी करण्यासाठी वेळापत्रक समायोजन सुचवू शकते. जरी ते दृश्यमान नसले तरी, हे असे निर्णय आहेत जे एआय कमीत कमी मॅन्युअल बदलांसह घेऊ शकते.

हे नमूद करणे महत्त्वाचे आहे की , २०२५ पर्यंत कोणतेही रुग्णालय मानवी संमतीशिवाय एआयला स्वतंत्रपणे मोठे वैद्यकीय निर्णय किंवा उपचार करू देणार नाही. निदान आणि उपचारांचे नियोजन पूर्णपणे मानवाच्या हातातच राहील, ज्यात एआय केवळ माहिती पुरवत राहील. एआयने रुग्णाला 'तुम्हाला कर्करोग आहे' असे पूर्णपणे स्वायत्तपणे सांगण्यासाठी किंवा औषध लिहून देण्यासाठी आवश्यक असलेला विश्वास अजून निर्माण झालेला नाही, आणि सखोल पडताळणीशिवाय तो निर्माण व्हायलाही नको. वैद्यकीय व्यावसायिक एआयचा उपयोग दुसऱ्या डोळ्यांप्रमाणे किंवा वेळ वाचवणारे साधन म्हणून करतात, परंतु ते महत्त्वाच्या निष्कर्षांची पडताळणी करतात.

२०३०-२०३५ साठीचा दृष्टीकोन: डॉक्टरांचा सहकारी (आणि कदाचित नर्स किंवा फार्मासिस्ट) म्हणून एआय

येत्या दशकात, जनरेटिव्ह एआय अधिक नियमित क्लिनिकल कामे स्वायत्तपणे करेल आणि आरोग्य सेवांची पोहोच वाढवेल अशी आमची अपेक्षा आहे:

• स्वयंचलित प्राथमिक निदान: २०३० पर्यंत, एआय अनेक सामान्य आजारांचे प्राथमिक विश्लेषण विश्वसनीयपणे हाताळू शकेल. कल्पना करा की क्लिनिकमध्ये एक एआय प्रणाली आहे जी रुग्णाची लक्षणे, वैद्यकीय इतिहास, अगदी कॅमेऱ्याद्वारे त्यांच्या आवाजातील चढ-उतार आणि चेहऱ्यावरील हावभाव वाचते, आणि मानवी डॉक्टर रुग्णाला प्रत्यक्ष भेटण्यापूर्वीच निदानात्मक सूचना व शिफारस केलेल्या चाचण्या सुचवते. त्यानंतर डॉक्टर निदानाची पुष्टी करण्यावर आणि त्यावर चर्चा करण्यावर लक्ष केंद्रित करू शकतात. टेलिमेडिसिनमध्ये, रुग्ण प्रथम एआयशी चॅट करू शकतो, जे समस्येचे स्वरूप मर्यादित करते (उदा. संभाव्य सायनस इन्फेक्शन विरुद्ध काहीतरी अधिक गंभीर) आणि नंतर आवश्यक असल्यास त्यांना क्लिनिशियनशी जोडते. नियामक एआयला अधिकृत निदान करण्याची परवानगी देऊ शकतात – उदाहरणार्थ, ऑटोस्कोपच्या प्रतिमेवरून एआयद्वारे कानाच्या साध्या संसर्गाचे निदान करणे शक्य होऊ शकते.

• वैयक्तिक आरोग्य मॉनिटर्स: वेअरेबल्सच्या (स्मार्टवॉचेस, हेल्थ सेन्सर्स) वाढत्या वापरामुळे, एआय रुग्णांवर सतत लक्ष ठेवेल आणि समस्यांबद्दल आपोआप इशारा देईल. उदाहरणार्थ, २०३५ पर्यंत तुमच्या वेअरेबलमधील एआय हृदयाची असामान्य लय ओळखू शकेल आणि तुमच्यासाठी तातडीच्या व्हर्च्युअल सल्लामसलतीची वेळ आपोआप निश्चित करेल किंवा हृदयविकाराचा झटका किंवा पक्षाघाताची लक्षणे आढळल्यास रुग्णवाहिकाही बोलावेल. हे स्वायत्त निर्णय घेण्याच्या क्षेत्रात येते – म्हणजेच, एखादी परिस्थिती आणीबाणीची आहे हे ठरवून त्यानुसार कृती करणे – जो एआयचा एक संभाव्य आणि जीव वाचवणारा उपयोग आहे.

• उपचारांच्या शिफारसी: वैद्यकीय साहित्य आणि रुग्णाच्या माहितीवर प्रशिक्षित जनरेटिव्ह एआय वैयक्तिकृत उपचार योजना सुचवू शकते. २०३० पर्यंत, कर्करोगासारख्या गुंतागुंतीच्या आजारांसाठी, एआय ट्यूमर बोर्ड रुग्णाच्या जनुकीय रचनेचे आणि वैद्यकीय इतिहासाचे विश्लेषण करून, शिफारस केलेल्या उपचार पद्धतीचा (केमो योजना, औषधांची निवड) मसुदा स्वायत्तपणे तयार करू शकतील. मानवी डॉक्टर त्याचे पुनरावलोकन करतील, परंतु कालांतराने विश्वास वाढल्यावर, ते विशेषतः सामान्य प्रकरणांसाठी एआय-निर्मित योजना स्वीकारण्यास सुरुवात करू शकतात आणि केवळ आवश्यकतेनुसार त्यात बदल करतील.

• व्हर्च्युअल नर्सेस आणि गृहसेवा: संवाद साधू शकणारा आणि वैद्यकीय मार्गदर्शन देऊ शकणारा एआय (AI) मोठ्या प्रमाणातील पाठपुरावा आणि दीर्घकालीन काळजीच्या देखरेखीचे काम हाताळू शकतो. उदाहरणार्थ, घरी असलेले दीर्घकालीन आजारांचे रुग्ण एका एआय नर्स असिस्टंटला दररोजची आकडेवारी कळवू शकतात, जो सल्ला देईल ("तुमची रक्तातील साखर थोडी जास्त आहे, तुमच्या संध्याकाळच्या नाश्त्यामध्ये बदल करण्याचा विचार करा") आणि जेव्हा आकडेवारी मर्यादेबाहेर जाईल किंवा काही समस्या उद्भवतील तेव्हाच मानवी नर्सला सहभागी करून घेईल. हा एआय डॉक्टरांच्या दूरस्थ देखरेखीखाली मोठ्या प्रमाणावर स्वायत्तपणे काम करू शकतो.

• वैद्यकीय इमेजिंग आणि प्रयोगशाळा विश्लेषण – पूर्णपणे स्वयंचलित प्रणाली: २०३५ पर्यंत, काही क्षेत्रांमध्ये वैद्यकीय स्कॅन वाचण्याचे काम प्रामुख्याने एआयद्वारे केले जाऊ शकते. रेडिओलॉजिस्ट एआय प्रणालींवर देखरेख ठेवतील आणि गुंतागुंतीची प्रकरणे हाताळतील, परंतु बहुतेक सामान्य स्कॅन (जे खरोखरच सामान्य असतात) थेट एआयद्वारे 'वाचले' जाऊ शकतील आणि त्यांना मान्यता दिली जाऊ शकेल. त्याचप्रमाणे, पॅथॉलॉजी स्लाईड्सचे विश्लेषण (उदाहरणार्थ, बायोप्सीमध्ये कर्करोगाच्या पेशी शोधणे) प्राथमिक तपासणीसाठी स्वायत्तपणे केले जाऊ शकते, ज्यामुळे प्रयोगशाळेच्या निकालांना प्रचंड गती मिळेल.

• औषध शोध आणि क्लिनिकल चाचण्या: एआय कदाचित केवळ औषधांचे रेणूच डिझाइन करणार नाही तर चाचण्यांसाठी कृत्रिम रुग्ण डेटा देखील तयार करेल किंवा इष्टतम चाचणी उमेदवार शोधेल. वास्तविक चाचण्यांपूर्वी पर्याय कमी करण्यासाठी ते स्वायत्तपणे व्हर्च्युअल चाचण्या (रुग्ण कसे प्रतिक्रिया देतील याचे अनुकरण) चालवू शकते. यामुळे कमी मानवी-चालित प्रयोगांसह औषधे जलद बाजारात येऊ शकतात.

एआय डॉक्टर मानवी डॉक्टरांची जागा पूर्णपणे घेईल ही कल्पना अजूनही खूप दूरची आहे आणि वादग्रस्त राहिली आहे. २०३५ पर्यंत सुद्धा, अशी अपेक्षा आहे की एआय मानवी स्पर्शाची जागा घेण्याऐवजी डॉक्टरांचा एक सहकारी म्हणून काम करेल . गुंतागुंतीच्या निदानासाठी अनेकदा अंतर्ज्ञान, नैतिकता आणि रुग्णाची परिस्थिती समजून घेण्यासाठी संवादाची आवश्यकता असते – ही अशी क्षेत्रे आहेत ज्यात मानवी डॉक्टर पारंगत आहेत. असे असले तरी, एआय कदाचित ८०% नियमित काम हाताळू शकेल: जसे की कागदपत्रे, सोपी प्रकरणे, देखरेख इत्यादी, ज्यामुळे मानवी डॉक्टरांना अवघड २०% कामांवर आणि रुग्णांशी असलेल्या संबंधांवर लक्ष केंद्रित करता येईल.

काही महत्त्वाचे अडथळे आहेत: आरोग्यसेवेमध्ये स्वायत्त एआयसाठी नियामक मान्यता कठोर आहे (योग्यरित्या). एआय सिस्टमला व्यापक क्लिनिकल प्रमाणीकरणाची आवश्यकता असेल. आपल्याला वाढीव स्वीकृती दिसू शकते - उदा., आरोग्यसेवेची सुविधा वाढवण्यासाठी (२०३० पर्यंत एखाद्या दुर्गम गावात "एआय क्लिनिक" ची कल्पना करा जे शहरातील डॉक्टरांकडून नियतकालिक टेलि-पर्यवेक्षणासह चालते).

नैतिक बाबी मोठ्या प्रमाणात आहेत. जबाबदारी (जर एखाद्या स्वायत्त एआयने निदानात चूक केली तर कोण जबाबदार आहे?), माहितीपूर्ण संमती (रुग्णांना त्यांच्या काळजीमध्ये एआयचा समावेश आहे की नाही हे माहित असणे आवश्यक आहे), आणि समानता सुनिश्चित करणे (एआय सर्व लोकसंख्येसाठी चांगले कार्य करते, पक्षपात टाळणे) ही आव्हाने आहेत. हे लक्षात घेऊन, २०३० च्या मध्यापर्यंत जनरेटिव्ह एआय हे आरोग्यसेवा वितरणाच्या रचनेत विणले जाऊ शकते, जे मानवी प्रदात्यांसाठी मोकळेपणा आणणारी अनेक कामे करू शकते आणि सध्या मर्यादित प्रवेश असलेल्या रुग्णांपर्यंत पोहोचू शकते.

थोडक्यात सांगायचे झाल्यास, २०३५ पर्यंत आरोग्यसेवेमध्ये एआय (AI) खोलवर एकीकृत झालेले दिसेल, परंतु ते मुख्यतः पडद्याआड किंवा सहाय्यक भूमिकांमध्येच असेल. यांसारखी बरीच कामे एआय स्वतःहून करेल यावर – परंतु महत्त्वाच्या निर्णयांसाठी मानवी देखरेखीचे सुरक्षा कवच कायम राहील. याचा परिणाम म्हणून एक अधिक कार्यक्षम आणि प्रतिसादक्षम आरोग्यसेवा प्रणाली निर्माण होऊ शकते, जिथे एआय अवघड कामे हाताळेल आणि माणसे सहानुभूती दाखवून अंतिम निर्णय देतील.

शिक्षणात जनरेटिव्ह एआय

शिक्षण हे आणखी एक क्षेत्र आहे जिथे जनरेटिव्ह एआय लाटा निर्माण करत आहे, एआय-संचालित ट्युटोरिंग बॉट्सपासून ते ऑटोमेटेड ग्रेडिंग आणि कंटेंट क्रिएशनपर्यंत. अध्यापन आणि शिक्षणात संवाद आणि सर्जनशीलता यांचा समावेश आहे, जे जनरेटिव्ह मॉडेल्सची ताकद आहेत. पण शिक्षकांच्या देखरेखीशिवाय शिक्षण देण्यासाठी एआयवर विश्वास ठेवता येईल का?

सध्याच्या क्षमता (२०२५): पट्ट्यावर शिक्षक आणि सामग्री जनरेटर

सध्या, शिक्षणात एआयचा वापर केवळ शिक्षकांसाठीच नाही तर पूरक साधन म्हणून केला जात आहे. सध्याच्या वापराची उदाहरणे:

• एआय ट्युटरिंग असिस्टंट्स: खान अकॅडमीचे “खानमिगो” (जीपीटी-४ द्वारे समर्थित) किंवा विविध भाषा शिकवणारे ॲप्स यांसारखी साधने, वैयक्तिक शिक्षक किंवा संभाषणातील भागीदाराची भूमिका साकारण्यासाठी एआयचा वापर करतात. विद्यार्थी नैसर्गिक भाषेत प्रश्न विचारू शकतात आणि उत्तरे किंवा स्पष्टीकरणे मिळवू शकतात. एआय गृहपाठातील समस्यांसाठी सूचना देऊ शकते, संकल्पना वेगवेगळ्या प्रकारे समजावून सांगू शकते, किंवा संवादात्मक इतिहासाच्या धड्यासाठी एखाद्या ऐतिहासिक व्यक्तीची भूमिकाही साकारू शकते. तथापि, या एआय ट्युटर्सचा वापर सामान्यतः देखरेखीखाली केला जातो; शिक्षक किंवा ॲप सांभाळणारे अनेकदा संवादांवर लक्ष ठेवतात किंवा एआय काय चर्चा करू शकते यावर मर्यादा घालतात (जेणेकरून चुकीची माहिती किंवा अयोग्य मजकूर टाळता येईल).

• शिक्षकांसाठी सामग्री निर्मिती: जनरेटिव्ह एआय (Generative AI) शिक्षकांना प्रश्नमंजुषेचे प्रश्न, वाचनाचा सारांश, पाठ योजनेची रूपरेषा इत्यादी तयार करून मदत करते. एखादा शिक्षक एआयला, “उत्तरांसह वर्गसमीकरणांवर ५ सराव प्रश्न तयार कर,” असे सांगू शकतो, ज्यामुळे तयारीमध्ये लागणारा वेळ वाचतो. ही स्वायत्त सामग्री निर्मिती आहे, परंतु शिक्षक सहसा अचूकता आणि अभ्यासक्रमाशी सुसंगतता तपासण्यासाठी तयार सामग्रीचे पुनरावलोकन करतात. त्यामुळे हे पूर्णपणे स्वतंत्र असण्यापेक्षा, श्रम वाचवणारे उपकरण अधिक आहे.

• ग्रेडिंग आणि अभिप्राय: एआय बहुपर्यायी परीक्षांना आपोआप ग्रेड देऊ शकते (त्यात काही नवीन नाही) आणि वाढत्या प्रमाणात लहान उत्तरे किंवा निबंधांचे मूल्यांकन करू शकते. काही शाळा प्रणाली लिखित उत्तरे ग्रेड करण्यासाठी आणि विद्यार्थ्यांना अभिप्राय देण्यासाठी एआयचा वापर करतात (उदा. व्याकरणातील सुधारणा, युक्तिवाद विस्तृत करण्यासाठी सूचना). जरी ते स्वतः एक जनरेटिव्ह कार्य नसले तरी, नवीन एआय विद्यार्थ्यांसाठी त्यांच्या कामगिरीवर आधारित वैयक्तिकृत अभिप्राय अहवाल देखील तयार , ज्यामध्ये सुधारणा करण्यासाठी क्षेत्रे हायलाइट केली जातात. शिक्षक अनेकदा सूक्ष्मतेबद्दलच्या चिंतेमुळे या टप्प्यावर एआय-ग्रेड केलेले निबंध पुन्हा तपासतात.

• अनुकूलनशील शिक्षण प्रणाली: हे असे प्लॅटफॉर्म आहेत जे विद्यार्थ्याच्या कामगिरीनुसार अभ्यासाच्या साहित्याची काठिण्य पातळी किंवा शैली समायोजित करतात. जनरेटिव्ह एआय (Generative AI) विद्यार्थ्यांच्या गरजेनुसार तात्काळ नवीन प्रश्न किंवा उदाहरणे तयार करून याला अधिक प्रभावी बनवते. उदाहरणार्थ, जर एखाद्या विद्यार्थ्याला एखादी संकल्पना समजायला अडचण येत असेल, तर एआय त्या संकल्पनेवर लक्ष केंद्रित करून दुसरे सादृश्य किंवा सरावाचा प्रश्न तयार करू शकते. हे काही प्रमाणात स्वायत्त असते, परंतु ते शिक्षणतज्ञांनी तयार केलेल्या प्रणालीच्या अंतर्गत चालते.

• विद्यार्थ्यांकडून शिकण्यासाठी वापर: विद्यार्थी स्वतः शिकण्यासाठी ChatGPT सारख्या साधनांचा वापर करतात – जसे की स्पष्टीकरण मागणे, भाषांतर करणे, किंवा निबंधाच्या मसुद्यावर अभिप्राय मिळवण्यासाठी AI चा वापर करणे (“माझा प्रस्तावना परिच्छेद सुधारा”). हे स्वयं-निर्देशित असते आणि शिक्षकांना माहिती नसतानाही केले जाऊ शकते. या परिस्थितीत AI मागणीनुसार उपलब्ध होणाऱ्या शिक्षकाची किंवा प्रूफरीडरची भूमिका बजावते. आव्हान हे आहे की विद्यार्थ्यांनी केवळ उत्तरे मिळवण्यासाठीच नव्हे, तर शिकण्यासाठीच त्याचा वापर करावा हे सुनिश्चित करणे (शैक्षणिक सचोटी).

२०२५ पर्यंत, शिक्षणात एआय शक्तिशाली आहे हे स्पष्ट आहे परंतु सामान्यत: मानवी शिक्षकासह कार्य करते जो एआयच्या योगदानाचे क्युरेट करतो. एक समजण्याजोगी खबरदारी आहे: चुकीची माहिती शिकवण्यासाठी किंवा शून्यात संवेदनशील विद्यार्थ्यांच्या संवादांना हाताळण्यासाठी एआयवर विश्वास ठेवू इच्छित नाही. शिक्षक एआय ट्यूटर्सना उपयुक्त सहाय्यक म्हणून पाहतात जे विद्यार्थ्यांना अधिक सराव आणि नियमित प्रश्नांची त्वरित उत्तरे देऊ शकतात, ज्यामुळे शिक्षकांना सखोल मार्गदर्शनावर लक्ष केंद्रित करण्यास मोकळे होते.

२०३०-२०३५ साठीचे आउटलुक: वैयक्तिकृत एआय ट्यूटर्स आणि ऑटोमेटेड टीचिंग सहाय्यक

पुढील दशकात, जनरेटिव्ह एआयमुळे अधिक वैयक्तिकृत आणि स्वायत्त शिक्षण अनुभव, तसेच शिक्षकांच्या भूमिकांमध्येही बदल होईल, अशी आमची अपेक्षा आहे.

• प्रत्येक विद्यार्थ्यासाठी एआय वैयक्तिक शिक्षक: २०३० पर्यंत, खान अकादमीचे साल खान यांच्यासारख्या तज्ञांनी मांडलेली दूरदृष्टी अशी आहे की, प्रत्येक विद्यार्थ्याला एक असा एआय शिक्षक उपलब्ध होईल जो अनेक बाबतीत मानवी शिक्षकाप्रमाणेच प्रभावी असेल (या एआय शिक्षकामुळे माणसे १० पट अधिक हुशार होऊ शकतात, असे त्याचे निर्माते म्हणतात). हे एआय शिक्षक २४/७ उपलब्ध असतील, त्यांना विद्यार्थ्याच्या शिकण्याच्या इतिहासाची सखोल माहिती असेल आणि त्यानुसार ते आपली शिकवण्याची पद्धत जुळवून घेतील. उदाहरणार्थ, जर एखादा विद्यार्थी दृकश्राव्य पद्धतीने शिकणारा असेल आणि त्याला बीजगणिताची संकल्पना समजायला अवघड जात असेल, तर एआय त्याला मदत करण्यासाठी गतिशीलपणे एक दृकश्राव्य स्पष्टीकरण किंवा परस्परसंवादी सिम्युलेशन तयार करू शकेल. एआय विद्यार्थ्याच्या प्रगतीचा कालांतराने मागोवा घेऊ शकत असल्यामुळे, पुढे कोणत्या विषयाचा आढावा घ्यायचा किंवा नवीन कौशल्याकडे केव्हा जायचे हे ते आपोआप ठरवू शकते – अशाप्रकारे ते धड्याच्या योजनेचे सूक्ष्म स्तरावर प्रभावीपणे व्यवस्थापन करते.

• शिक्षकांवरील दैनंदिन कामांचा भार कमी: उत्तरपत्रिका तपासणे, कार्यपत्रिका तयार करणे, पाठाचे साहित्य तयार करणे – ही कामे २०३० पर्यंत जवळजवळ पूर्णपणे एआयकडे सोपवली जाऊ शकतात. एक एआय वर्गासाठी एका आठवड्याचा सानुकूलित गृहपाठ तयार करू शकेल, मागील आठवड्यातील सर्व गृहपाठांना (अगदी मुक्त-उत्तरी गृहपाठांनाही) अभिप्रायासह तपासू शकेल आणि कोणत्या विद्यार्थ्यांना कोणत्या विषयांवर अतिरिक्त मदतीची आवश्यकता असू शकते हे शिक्षकांना सूचित करू शकेल. हे सर्व शिक्षकांच्या अगदी कमी सहभागाने होऊ शकेल; एआयने दिलेले गुण योग्य आहेत की नाही हे तपासण्यासाठी केवळ एक वरवरची नजर टाकणे पुरेसे असेल.

• स्वायत्त अनुकूलनशील शिक्षण प्लॅटफॉर्म: आपल्याला काही विशिष्ट विषयांसाठी पूर्णपणे एआय-चालित अभ्यासक्रम पाहायला मिळू शकतात. अशा ऑनलाइन अभ्यासक्रमाची कल्पना करा, जिथे कोणताही मानवी प्रशिक्षक नाही आणि एक एआय एजंट विषयाची ओळख करून देतो, उदाहरणे देतो, प्रश्नांची उत्तरे देतो आणि विद्यार्थ्याच्या गरजेनुसार शिकण्याचा वेग समायोजित करतो. विद्यार्थ्याचा अनुभव हा त्याच्यासाठी अद्वितीय असू शकतो, जो रिअल-टाइममध्ये तयार केला जाईल. काही कॉर्पोरेट प्रशिक्षण आणि प्रौढ शिक्षण लवकरच या मॉडेलकडे वळू शकतात, जिथे २०३५ पर्यंत एखादा कर्मचारी म्हणू शकेल की, “मला प्रगत एक्सेल मॅक्रो शिकायचे आहेत” आणि एक एआय शिक्षक त्याला मानवी प्रशिक्षकाशिवाय, सरावासाठी प्रश्न तयार करून आणि त्याच्या उत्तरांचे मूल्यांकन करून, वैयक्तिकृत अभ्यासक्रमाद्वारे शिकवेल.

• वर्गातील एआय सहाय्यक: प्रत्यक्ष किंवा आभासी वर्गांमध्ये, एआय वर्गातील चर्चा ऐकून शिक्षकांना तात्काळ मदत करू शकते (उदा. इअरपीसद्वारे हळूच सूचना देणे: “काही विद्यार्थी त्या संकल्पनेबद्दल गोंधळलेले दिसत आहेत, कदाचित दुसरे उदाहरण द्या”). ते ऑनलाइन वर्ग मंचांचे संचालन करू शकते, विद्यार्थ्यांनी विचारलेल्या सरळ प्रश्नांची उत्तरे देऊ शकते (“असाइनमेंट कधी सादर करायची आहे?” किंवा व्याख्यानातील एखादा मुद्दा स्पष्ट करणे), जेणेकरून शिक्षकांवर ईमेलचा भडिमार होणार नाही. २०३५ पर्यंत, वर्गात एआय सह-शिक्षक असणे, आणि त्याचवेळी मानवी शिक्षकाने उच्च-स्तरीय मार्गदर्शन व प्रेरणा देण्याच्या बाबींवर लक्ष केंद्रित करणे, ही एक सामान्य बाब बनू शकते.

• शिक्षणाची जागतिक उपलब्धता: शिक्षकांची कमतरता असलेल्या भागांमध्ये स्वायत्त एआय शिक्षक विद्यार्थ्यांना शिक्षण देण्यास मदत करू शकतात. ज्या विद्यार्थ्यांचे शिक्षण मर्यादित आहे, त्यांच्यासाठी एआय शिक्षक असलेला टॅब्लेट प्राथमिक शिक्षक म्हणून काम करू शकतो, ज्यात मूलभूत साक्षरता आणि गणिताचा समावेश असेल. २०३५ पर्यंत, हा एआयच्या सर्वात प्रभावी उपयोगांपैकी एक असू शकतो – जिथे मानवी शिक्षक उपलब्ध नाहीत, तिथे एआय हे अंतर भरून काढेल. तथापि, विविध संदर्भांमध्ये एआय शिक्षणाची गुणवत्ता आणि सांस्कृतिक योग्यता सुनिश्चित करणे अत्यावश्यक असेल.

एआय शिक्षकांची जागा घेईल का? पूर्णपणे शक्यता कमी आहे. शिकवणे म्हणजे केवळ आशय देणे नव्हे – तर ते मार्गदर्शन, प्रेरणा आणि सामाजिक-भावनिक आधार आहे. या मानवी घटकांची नक्कल करणे एआयसाठी कठीण आहे. परंतु एआय वर्गात दुसरा शिक्षक किंवा ज्ञान हस्तांतरणासाठी पहिला शिक्षकही बनू शकते, ज्यामुळे मानवी शिक्षकांना त्यांच्या सर्वोत्तम कामावर लक्ष केंद्रित करता येईल: सहानुभूती दाखवणे, प्रेरणा देणे आणि चिकित्सक विचारांना प्रोत्साहन देणे

काही समस्यांचे व्यवस्थापन करावे लागेल: एआय अचूक माहिती प्रदान करते याची खात्री करणे (खोट्या तथ्यांचा शैक्षणिक भ्रम नाही), शैक्षणिक सामग्रीमध्ये पक्षपात टाळणे, विद्यार्थ्यांच्या डेटाची गोपनीयता राखणे आणि विद्यार्थ्यांना व्यस्त ठेवणे (एआय केवळ योग्य नसून प्रेरणादायी असणे आवश्यक आहे). एआय शैक्षणिक प्रणालींना मान्यता किंवा प्रमाणपत्र - जसे की पाठ्यपुस्तकांना मान्यता दिली जात आहे - मानके पूर्ण करतात याची खात्री करण्यासाठी आपल्याला कदाचित दिसेल.

आणखी एक आव्हान म्हणजे अतिरेकी अवलंबित्व: जर एआय ट्यूटरने खूप लवकर उत्तरे दिली तर विद्यार्थी चिकाटी किंवा समस्या सोडवणे शिकू शकणार नाहीत. हे कमी करण्यासाठी, भविष्यातील एआय ट्यूटर कधीकधी विद्यार्थ्यांना संघर्ष करू देण्यासाठी (मानवी ट्यूटरप्रमाणे) किंवा उपाय देण्याऐवजी सूचना देऊन समस्या सोडवण्यास प्रोत्साहित करण्यासाठी डिझाइन केले जाऊ शकतात.

२०३५ पर्यंत, वर्गखोली बदलू शकते: प्रत्येक विद्यार्थ्याला एआय-कनेक्टेड डिव्हाइससह त्यांच्या स्वतःच्या गतीने मार्गदर्शन केले जाईल, तर शिक्षक गट क्रियाकलापांचे आयोजन करेल आणि मानवी अंतर्दृष्टी प्रदान करेल. शिक्षण अधिक कार्यक्षम आणि अनुकूलित केले जाऊ शकते. प्रत्येक विद्यार्थ्याला जेव्हा गरज असेल तेव्हा आवश्यक असलेली मदत मिळेल - मोठ्या प्रमाणात एक खरा "वैयक्तिक शिक्षक" अनुभव. काही मानवी स्पर्श गमावणे किंवा एआयचा गैरवापर करणे (जसे की विद्यार्थी एआय द्वारे फसवणूक करतात) हा धोका आहे. परंतु एकंदरीत, जर चांगले व्यवस्थापन केले तर, जनरेटिव्ह एआय विद्यार्थ्यांच्या शैक्षणिक प्रवासात नेहमीच उपलब्ध, ज्ञानी साथीदार बनून शिक्षणाचे लोकशाहीकरण आणि वाढ करण्यास मदत करते.

लॉजिस्टिक्स आणि सप्लाय चेनमध्ये जनरेटिव्ह एआय

लॉजिस्टिक्स - वस्तू हलवण्याची आणि पुरवठा साखळ्या व्यवस्थापित करण्याची कला आणि विज्ञान - कदाचित "जनरेटिव्ह" एआयसाठी पारंपारिक क्षेत्र वाटणार नाही, परंतु या क्षेत्रात सर्जनशील समस्या सोडवणे आणि नियोजन करणे महत्त्वाचे आहे. जनरेटिव्ह एआय परिस्थितींचे अनुकरण करून, योजना ऑप्टिमाइझ करून आणि रोबोटिक सिस्टम नियंत्रित करून मदत करू शकते. लॉजिस्टिक्समधील ध्येय कार्यक्षमता आणि खर्चात बचत आहे, जे डेटाचे विश्लेषण करण्यात आणि उपाय प्रस्तावित करण्यात एआयच्या ताकदींशी चांगले जुळते. तर पुरवठा साखळी आणि लॉजिस्टिक्स ऑपरेशन्स चालविण्यात एआय किती स्वायत्त असू शकते?

सध्याच्या क्षमता (२०२५): मानवी देखरेखीसह ऑप्टिमायझेशन आणि सुव्यवस्थितीकरण

आज, एआय (काही जनरेटिव्ह दृष्टिकोनांसह) लॉजिस्टिक्समध्ये प्रामुख्याने निर्णय समर्थन साधन:

• मार्ग अनुकूलन: UPS आणि FedEx सारख्या कंपन्या डिलिव्हरीचे मार्ग अनुकूलित करण्यासाठी आधीपासूनच AI अल्गोरिदम वापरतात – ज्यामुळे चालक सर्वात कार्यक्षम मार्गाने जातील याची खात्री होते. पारंपारिकपणे, हे ऑपरेशन्स रिसर्च अल्गोरिदम होते, परंतु आता जनरेटिव्ह पद्धती विविध परिस्थितींमध्ये (वाहतूक, हवामान) पर्यायी मार्ग धोरणे शोधण्यात मदत करू शकतात. AI मार्ग सुचवत असताना, मानवी डिस्पॅचर किंवा व्यवस्थापक मापदंड (उदा. प्राधान्यक्रम) निश्चित करतात आणि आवश्यक असल्यास ते बदलू शकतात.

• लोड आणि जागेचे नियोजन: ट्रक किंवा शिपिंग कंटेनर पॅक करण्यासाठी, एआय सर्वोत्तम लोडिंग योजना (कोणता बॉक्स कुठे जाईल) तयार करू शकते. एक जनरेटिव्ह एआय जागेचा जास्तीत जास्त वापर करण्यासाठी अनेक पॅकिंग रचना तयार करू शकते, म्हणजेच असे उपाय "तयार" करते ज्यामधून माणसे निवड करू शकतात. अमेरिकेत ट्रक अनेकदा ३०% रिकामे धावतात, असे नमूद करणाऱ्या एका अभ्यासात यावर प्रकाश टाकण्यात आला आहे, आणि एआयच्या मदतीने केलेले उत्तम नियोजन हा अपव्यय कमी करू शकते (लॉजिस्टिक्समधील जनरेटिव्ह एआयचे प्रमुख उपयोग). या एआय-निर्मित लोड योजनांचा उद्देश इंधनाचा खर्च आणि उत्सर्जन कमी करणे हा आहे, आणि काही गोदामांमध्ये त्या कमीत कमी मानवी बदलांसह अंमलात आणल्या जातात.

• मागणीचा अंदाज आणि मालसाठा व्यवस्थापन: एआय मॉडेल्स उत्पादनाच्या मागणीचा अंदाज लावू शकतात आणि माल पुन्हा भरण्याच्या योजना तयार करू शकतात. एक जनरेटिव्ह मॉडेल मागणीच्या विविध परिस्थितींचे अनुकरण करू शकते (उदाहरणार्थ, एखादे एआय आगामी सुट्टीमुळे मागणीत अचानक वाढ झाल्याची 'कल्पना' करते) आणि त्यानुसार मालसाठ्याचे नियोजन करू शकते. यामुळे पुरवठा साखळी व्यवस्थापकांना तयारी करण्यास मदत होते. सध्या, एआय अंदाज आणि सूचना देते, परंतु उत्पादन पातळी किंवा ऑर्डर देण्याबाबतचा अंतिम निर्णय सामान्यतः माणसेच घेतात.

• जोखीम मूल्यांकन: जागतिक पुरवठा साखळीत व्यत्यय येतात (नैसर्गिक आपत्ती, बंदरातील विलंब, राजकीय समस्या). क्षितिजावरील धोके ओळखण्यासाठी AI प्रणाली आता बातम्या आणि डेटाचा अभ्यास करतात. उदाहरणार्थ, एक लॉजिस्टिक्स फर्म इंटरनेट स्कॅन करण्यासाठी आणि धोकादायक वाहतूक कॉरिडॉर (येणाऱ्या चक्रीवादळ किंवा अशांततेमुळे समस्या येण्याची शक्यता असलेल्या भागात) ध्वजांकित करण्यासाठी generative AI वापरते (लॉजिस्टिक्समधील टॉप जनरेटिव्ह AI वापर प्रकरणे). त्या माहितीसह, नियोजक समस्याग्रस्त ठिकाणी शिपमेंट स्वायत्तपणे पुन्हा मार्गस्थ करू शकतात. काही प्रकरणांमध्ये, AI स्वयंचलितपणे मार्ग बदल किंवा वाहतुकीच्या पद्धतीतील बदलांची शिफारस करू शकते, ज्याला मानवांनी नंतर मान्यता दिली.

• वेअरहाऊस ऑटोमेशन: अनेक वेअरहाऊस पिकिंग आणि पॅकिंगसाठी रोबोट्सच्या साहाय्याने अर्ध-स्वयंचलित केलेले असतात. जनरेटिव्ह एआय (Generative AI) इष्टतम कार्यप्रवाहासाठी रोबोट्स आणि मानवांना गतिमानपणे कार्ये वाटप करू शकते. उदाहरणार्थ, एखादे एआय दररोज सकाळी ऑर्डर्सच्या आधारावर रोबोटिक पिकर्ससाठी कामांची रांग (जॉब क्यू) तयार करू शकते. याची अंमलबजावणी अनेकदा पूर्णपणे स्वायत्त असते, ज्यात व्यवस्थापक फक्त केपीआय (KPIs) वर लक्ष ठेवतात – जर ऑर्डर्समध्ये अनपेक्षितपणे वाढ झाली, तर एआय स्वतःहून कामकाजात बदल करते.

• फ्लीट मॅनेजमेंट: एआय वाहनांच्या देखभालीचे वेळापत्रक तयार करण्यासाठी नमुन्यांचे विश्लेषण करून आणि डाउनटाइम कमी करणारे इष्टतम देखभाल वेळापत्रक तयार करण्यास मदत करते. ट्रिप कमी करण्यासाठी ते शिपमेंट्सचे गट देखील करू शकते. हे निर्णय एआय सॉफ्टवेअरद्वारे स्वयंचलितपणे घेतले जाऊ शकतात जोपर्यंत ते सेवा आवश्यकता पूर्ण करते.

एकूणच, २०२५ पर्यंत, मानवांनी उद्दिष्टे निश्चित केली (उदा., "किंमत कमी करा पण २-दिवसांची डिलिव्हरी सुनिश्चित करा") आणि एआय ते साध्य करण्यासाठी उपाय किंवा वेळापत्रक तयार करते. काहीतरी असामान्य घडेपर्यंत सिस्टम हस्तक्षेपाशिवाय दररोज चालू शकतात. बर्‍याच लॉजिस्टिक्समध्ये पुनरावृत्ती निर्णय असतात (ही शिपमेंट कधी सोडावी? ही ऑर्डर कोणत्या गोदामातून पूर्ण करायची?), जे एआय सातत्याने घेण्यास शिकू शकते. कंपन्या हळूहळू एआयवर विश्वास ठेवत आहेत की ते हे सूक्ष्म-निर्णय हाताळतील आणि अपवाद आढळल्यासच व्यवस्थापकांना सतर्क करतील.

२०३०-२०३५ साठीचे आउटलुक: सेल्फ-ड्रायव्हिंग सप्लाय चेन

पुढील दशकात, आपण एआय द्वारे चालित लॉजिस्टिक्समध्ये अधिक स्वायत्त समन्वयाची कल्पना करू शकतो:

• स्वायत्त वाहने आणि ड्रोन: स्वयंचलित ट्रक आणि डिलिव्हरी ड्रोन, जरी हा एक व्यापक एआय/रोबोटिक्स विषय असला तरी, त्याचा लॉजिस्टिक्सवर थेट परिणाम होतो. २०३० पर्यंत, जर नियामक आणि तांत्रिक आव्हानांवर मात केली गेली, तर महामार्गांवर नियमितपणे एआयद्वारे ट्रक चालवले जात असतील किंवा शहरांमध्ये शेवटच्या टप्प्यातील डिलिव्हरीसाठी ड्रोन वापरले जात असतील. हे एआय मानवी चालकांशिवाय रिअल-टाइममध्ये निर्णय घेतील (मार्गातील बदल, अडथळे टाळणे). यातील जनरेटिव्ह पैलू हा आहे की, ही वाहन एआय प्रचंड डेटा आणि सिम्युलेशनमधून शिकतात, आणि असंख्य परिस्थितींमध्ये प्रभावीपणे "प्रशिक्षण" घेतात. एक पूर्णपणे स्वायत्त ताफा २४/७ कार्यरत राहू शकतो, ज्यावर मानव केवळ दूरस्थपणे देखरेख करतील. यामुळे लॉजिस्टिक्स कार्यांमधून एक मोठा मानवी घटक (चालक) काढून टाकला जातो, ज्यामुळे स्वायत्तता मोठ्या प्रमाणात वाढते.

• स्वयं-दुरुस्त होणाऱ्या पुरवठा साखळ्या: पुरवठा साखळीतील विविध परिस्थितींचे सतत अनुकरण (सिम्युलेशन) करण्यासाठी आणि आपत्कालीन योजना तयार करण्यासाठी जनरेटिव्ह एआयचा वापर होण्याची शक्यता आहे. २०३५ पर्यंत, एखादा पुरवठादाराचा कारखाना बंद पडल्यास (बातम्या किंवा डेटा फीड्सद्वारे) एआय ते आपोआप ओळखू शकेल आणि त्वरित पुरवठा वळवेल. याचा अर्थ असा की, एआय पुढाकार घेऊन व्यत्ययांमधून स्वतःच "दुरुस्त" होईल. पर्यायी उपाययोजना सुरू करणाऱ्या व्यवस्थापकांना माहिती देण्याऐवजी, एआयने काय केले याची माहिती मानवी व्यवस्थापकांना दिली जाईल.

• संपूर्ण मालसाठा अनुकूलन: एआय गोदामांच्या आणि दुकानांच्या संपूर्ण नेटवर्कमधील मालसाठ्याचे स्वायत्तपणे व्यवस्थापन करू शकेल. मालसाठा केव्हा आणि कुठे हलवायचा हे ते ठरवेल (यासाठी कदाचित रोबोट्स किंवा स्वयंचलित वाहनांचा वापर करून), आणि प्रत्येक ठिकाणी फक्त पुरेसा मालसाठा ठेवेल. एआय मूलतः पुरवठा साखळी नियंत्रण कक्ष चालवते: सर्व प्रवाह पाहून रिअल-टाइममध्ये आवश्यक ते बदल करते. २०३५ पर्यंत, 'स्वयंचलित' पुरवठा साखळीच्या कल्पनेचा अर्थ असा असू शकतो की, ही प्रणाली दररोज सर्वोत्तम वितरण योजना ठरवेल, उत्पादनांची ऑर्डर देईल, कारखान्यातील कामाचे वेळापत्रक तयार करेल आणि वाहतुकीची व्यवस्था करेल, हे सर्व सर्वकाही स्वतःहून करेल. मानव एकूण धोरणावर देखरेख ठेवतील आणि एआयच्या सध्याच्या आकलनापलीकडील अपवाद हाताळतील.

• लॉजिस्टिक्समधील जनरेटिव्ह डिझाइन: आपण एआयला नवीन पुरवठा साखळी नेटवर्क डिझाइन करताना पाहू शकतो. समजा, एखादी कंपनी नवीन प्रदेशात विस्तार करते; डेटाच्या आधारे एआय त्या प्रदेशासाठी सर्वोत्तम वेअरहाऊसची ठिकाणे, वाहतूक दुवे आणि इन्व्हेंटरी धोरणे तयार करू शकते – जे काम आज सल्लागार आणि विश्लेषक करतात. २०३० पर्यंत, कंपन्या पुरवठा साखळी डिझाइनच्या निवडींसाठी एआयच्या शिफारशींवर अवलंबून राहू शकतात, आणि त्यावर विश्वास ठेवू शकतात की ते घटकांचे अधिक वेगाने मूल्यांकन करेल आणि कदाचित असे सर्जनशील उपाय (जसे की सहज लक्षात न येणारे वितरण केंद्र) शोधेल, जे मानवांच्या लक्षात येत नाहीत.

• उत्पादनासोबत एकीकरण (इंडस्ट्री ४.०): लॉजिस्टिक्स स्वतंत्रपणे काम करत नाही; ते उत्पादनाशी जोडलेले असते. भविष्यातील कारखान्यांमध्ये जनरेटिव्ह एआय (Generative AI) असू शकते, जे उत्पादनाचे वेळापत्रक तयार करेल, ऐनवेळी कच्च्या मालाची मागणी करेल आणि त्यानंतर लॉजिस्टिक्स नेटवर्कला उत्पादने त्वरित पाठवण्याचे निर्देश देईल. या एकात्मिक एआयमुळे एकूणच मानवी नियोजनात घट होऊ शकते – खर्च, वेग आणि टिकाऊपणासाठी अनुकूलन करणाऱ्या अल्गोरिदमद्वारे चालवली जाणारी, उत्पादनापासून वितरणापर्यंतची एक अखंड साखळी तयार होईल. सध्या, २०२५ पर्यंत उच्च-कार्यक्षम पुरवठा साखळ्या डेटा-आधारित आहेत; २०३५ पर्यंत त्या मोठ्या प्रमाणात एआय-आधारित असू शकतात.

• लॉजिस्टिक्समधील गतिमान ग्राहक सेवा: ग्राहक सेवा एआयच्या आधारावर, पुरवठा साखळी एआय थेट ग्राहकांशी संवाद साधू शकतात. उदाहरणार्थ, जर एखाद्या मोठ्या ग्राहकाला शेवटच्या क्षणी त्यांच्या मोठ्या ऑर्डरमध्ये बदल करायचा असेल, तर एआय एजंट मानवी व्यवस्थापकाची वाट न पाहता व्यवहार्य पर्यायांवर वाटाघाटी करू शकतो (जसे की, "सध्याच्या अडचणींमुळे आम्ही अर्धा माल आता आणि अर्धा पुढच्या आठवड्यात पोहोचवू शकतो"). यामध्ये जनरेटिव्ह एआय दोन्ही बाजू (ग्राहकांची गरज विरुद्ध कार्यात्मक क्षमता) समजून घेते आणि ग्राहकांना संतुष्ट करताना कामकाज सुरळीत ठेवणारे निर्णय घेते.

अपेक्षित फायदा म्हणजे अधिक कार्यक्षम, लवचिक आणि प्रतिसाद देणारी लॉजिस्टिक्स प्रणाली. कंपन्यांना मोठ्या बचतीची अपेक्षा आहे – मॅकिन्सेने असा अंदाज लावला आहे की एआय-चालित पुरवठा साखळी ऑप्टिमायझेशनमुळे खर्चात लक्षणीय कपात होऊ शकते आणि सेवा स्तर सुधारू शकतात, ज्यामुळे विविध उद्योगांमध्ये संभाव्यतः ट्रिलियन डॉलर्सचे मूल्य वाढू शकते (२०२३ मधील एआयची स्थिती: जनरेटिव्ह एआयचे यशस्वी वर्ष | मॅकिन्से).

तथापि, एआयकडे अधिक नियंत्रण वळवल्याने देखील जोखीम निर्माण होतात, जसे की एआयचा तर्क दोषपूर्ण असल्यास कॅस्केडिंग त्रुटी (उदा., मॉडेलिंग त्रुटीमुळे एआय पुरवठा साखळी अनवधानाने कंपनीचा साठा संपवते अशी कुप्रसिद्ध परिस्थिती). "मोठ्या निर्णयांसाठी ह्यूमन-इन-द-लूप" किंवा कमीत कमी डॅशबोर्ड्ससारखे सेफगार्ड्स २०३५ पर्यंत राहतील. कालांतराने, एआय निर्णय सिद्ध होत असताना, मानव मागे हटण्यास अधिक सोयीस्कर होतील.

मनोरंजक गोष्ट म्हणजे, कार्यक्षमतेसाठी ऑप्टिमायझेशन करून, एआय कधीकधी असे पर्याय निवडू शकते जे मानवी प्राधान्ये किंवा पारंपारिक पद्धतींशी विरोधाभासी असतात. उदाहरणार्थ, पूर्णपणे ऑप्टिमायझेशन केल्याने खूप कमी इन्व्हेंटरीज होऊ शकतात, जे कार्यक्षम आहे परंतु धोकादायक वाटू शकते. २०३० मध्ये पुरवठा साखळी व्यावसायिकांना त्यांचे अंतर्ज्ञान समायोजित करावे लागू शकते कारण एआय, प्रचंड डेटा क्रंच करून, हे दर्शवू शकते की त्याची असामान्य रणनीती प्रत्यक्षात चांगले कार्य करते.

शेवटी, आपण हे लक्षात घेतले पाहिजे की भौतिक मर्यादा (पायाभूत सुविधा, भौतिक प्रक्रियेचा वेग) लॉजिस्टिक्समध्ये किती वेगाने बदल होऊ शकतो यावर बंधने घालतात, त्यामुळे येथील क्रांती ही पूर्णपणे नवीन भौतिक वास्तवाऐवजी अधिक हुशार नियोजन आणि संसाधनांच्या वापराविषयी आहे. परंतु त्या मर्यादांमध्येही, जनरेटिव्ह एआयचे सर्जनशील उपाय आणि अथक ऑप्टिमायझेशनमुळे, कमीतकमी मानवी नियोजनासह जगभरात वस्तूंची वाहतूक होण्याच्या पद्धतीत लक्षणीय सुधारणा होऊ शकते.

थोडक्यात, २०३५ पर्यंत लॉजिस्टिक्स चांगल्या तेलाने भरलेल्या स्वयंचलित यंत्रासारखे काम करू शकते: वस्तू कार्यक्षमतेने वाहतात, व्यत्ययांशी रिअल टाइममध्ये जुळवून घेणारे मार्ग, गोदामे रोबोट्ससह स्वतःचे व्यवस्थापन करत असतात आणि संपूर्ण प्रणाली डेटामधून सतत शिकत आणि सुधारत असते - हे सर्व ऑपरेशनचा मेंदू म्हणून काम करणाऱ्या जनरेटिव्ह एआय द्वारे आयोजित केले जाते.

वित्त आणि व्यवसायात जनरेटिव्ह एआय

वित्त उद्योग माहिती - अहवाल, विश्लेषण, ग्राहक संवाद - यामध्ये मोठ्या प्रमाणात व्यवहार करतो - ज्यामुळे ते जनरेटिव्ह एआयसाठी सुपीक जमीन बनते. बँकिंगपासून गुंतवणूक व्यवस्थापन आणि विमा पर्यंत, संस्था ऑटोमेशन आणि अंतर्दृष्टी निर्मितीसाठी एआयचा शोध घेत आहेत. प्रश्न असा आहे की, या क्षेत्रात अचूकता आणि विश्वासाचे महत्त्व लक्षात घेता, मानवी देखरेखीशिवाय एआय कोणती आर्थिक कामे विश्वसनीयरित्या हाताळू शकते?

सध्याच्या क्षमता (२०२५): स्वयंचलित अहवाल आणि निर्णय समर्थन

आजपर्यंत, जनरेटिव्ह एआय अनेक प्रकारे वित्तपुरवठ्यात योगदान देत आहे, बहुतेकदा मानवी देखरेखीखाली:

• अहवाल निर्मिती: बँका आणि वित्तीय संस्था अनेक अहवाल तयार करतात – जसे की कमाईचा सारांश, बाजारावरील भाष्य, पोर्टफोलिओ विश्लेषण इत्यादी. हे अहवाल तयार करण्यासाठी एआयचा (AI) वापर आधीपासूनच केला जातो. उदाहरणार्थ, ब्लूमबर्गने ब्लूमबर्गजीपीटी (BloombergGPT)नावाचे एक मोठे भाषिक मॉडेल विकसित केले आहे, जे आर्थिक माहितीवर प्रशिक्षित असून, त्यांच्या टर्मिनल वापरकर्त्यांना बातम्यांचे वर्गीकरण आणि प्रश्नोत्तरे यांसारख्या कामांमध्ये मदत करते (जनरेटिव्ह एआय वित्त क्षेत्रात येत आहे). जरी त्याचा प्राथमिक उपयोग माणसांना माहिती शोधण्यात मदत करणे हा असला तरी, हे एआयची वाढती भूमिका दर्शवते. ऑटोमेटेड इनसाइट्स (Automated Insights) (ज्या कंपनीसोबत एपीने काम केले) ने सुद्धा वित्तविषयक लेख तयार केले होते. अनेक गुंतवणूकविषयक वृत्तपत्रे (newsletters) बाजारातील दैनंदिन घडामोडी किंवा आर्थिक निर्देशकांचा आढावा घेण्यासाठी एआयचा वापर करतात. सामान्यतः, ग्राहकांना पाठवण्यापूर्वी माणसेच हे लेख तपासतात, परंतु हे सुरुवातीपासून लिहिण्याऐवजी एक जलद संपादन असते.

• ग्राहकांशी संवाद: रिटेल बँकिंगमध्ये, एआय चॅटबॉट्स ग्राहकांच्या खात्यातील शिल्लक, व्यवहार किंवा उत्पादन माहिती (ग्राहक सेवा क्षेत्रात मिसळून) बद्दलच्या प्रश्नांची हाताळणी करतात. तसेच, एआय वैयक्तिकृत आर्थिक सल्ला पत्रे किंवा नज तयार करू शकते. उदाहरणार्थ, एआय ओळखू शकते की ग्राहक शुल्क वाचवू शकतो आणि स्वयंचलितपणे एक संदेश तयार करू शकतो जो त्यांना वेगळ्या खात्याच्या प्रकारात स्विच करण्यास सूचित करतो, जो नंतर कमीत कमी मानवी हस्तक्षेपासह बाहेर पडतो. या प्रकारच्या वैयक्तिकृत संप्रेषणाचा वापर सध्या वित्त क्षेत्रात एआयचा वापर आहे.

• फसवणूक ओळखणे आणि सूचना: जनरेटिव्ह एआय (Generative AI) फसवणूक प्रणालींद्वारे शोधलेल्या विसंगतींसाठी स्पष्टीकरणे किंवा कथा तयार करण्यास मदत करू शकते. उदाहरणार्थ, जर संशयास्पद हालचाल निदर्शनास आली, तर एआय ग्राहकासाठी एक स्पष्टीकरणात्मक संदेश ("आम्हाला एका नवीन डिव्हाइसवरून लॉगिन झाल्याचे आढळले...") किंवा विश्लेषकांसाठी एक अहवाल तयार करू शकते. ही ओळख (एआय/एमएल विसंगती ओळख वापरून) स्वयंचलित असते आणि संवादही अधिकाधिक स्वयंचलित होत आहे, तरीही अंतिम कृतींमध्ये (खाते ब्लॉक करणे) अनेकदा काही मानवी तपासणी असते.

• आर्थिक सल्ला (मर्यादित): काही रोबो-सल्लागार (स्वयंचलित गुंतवणूक प्लॅटफॉर्म) मानवी सल्लागारांशिवाय पोर्टफोलिओ व्यवस्थापित करण्यासाठी अल्गोरिदमचा (आवश्यक नाही की जनरेटिव्ह एआय) वापर करतात. जनरेटिव्ह एआय आता, उदाहरणार्थ, विशिष्ट व्यवहार का केले गेले यावर भाष्य करणे किंवा ग्राहकानुसार तयार केलेल्या पोर्टफोलिओच्या कामगिरीचा सारांश देणे, यांसारख्या गोष्टींद्वारे या क्षेत्रात प्रवेश करत आहे. तथापि, शुद्ध आर्थिक सल्ला (गुंतागुंतीच्या आर्थिक नियोजनाप्रमाणे) अजूनही बहुतेक मानवी किंवा नियमांवर आधारित अल्गोरिदमद्वारे दिला जातो; देखरेखीशिवाय दिलेला अनियंत्रित जनरेटिव्ह सल्ला चुकीचा ठरल्यास कायदेशीर जबाबदारीमुळे धोकादायक असतो.

• जोखिम मूल्यांकन आणि अंडररायटिंग: विमा कंपन्या स्वयंचलितपणे जोखिम मूल्यांकन अहवाल लिहिण्यासाठी किंवा पॉलिसी दस्तऐवजांचा मसुदा तयार करण्यासाठी एआयची चाचणी घेत आहेत. उदाहरणार्थ, एखाद्या मालमत्तेबद्दलची माहिती दिल्यास, एआय विमा पॉलिसीचा मसुदा किंवा जोखमीचे घटक वर्णन करणारा अंडररायटरचा अहवाल तयार करू शकते. सध्या या अहवालांचे पुनरावलोकन माणसे करतात, कारण करारातील कोणतीही चूक महागडी ठरू शकते.

• डेटा विश्लेषण आणि अंतर्दृष्टी: एआय आर्थिक स्टेटमेन्ट किंवा बातम्यांमधून सारांश तयार करू शकते. विश्लेषक अशा साधनांचा वापर करतात जे १०० पानांच्या वार्षिक अहवालाचा तात्काळ मुख्य मुद्द्यांमध्ये सारांशित करू शकतात किंवा कमाई कॉल ट्रान्सक्रिप्टमधून मुख्य मुद्दे काढू शकतात. हे सारांश वेळ वाचवतात आणि थेट निर्णय घेण्यामध्ये वापरले जाऊ शकतात किंवा पुढे पाठवले जाऊ शकतात, परंतु विवेकी विश्लेषक महत्त्वपूर्ण तपशीलांची पुन्हा तपासणी करतात.

थोडक्यात, सध्याचे वित्त क्षेत्रातील एआय एक अथक विश्लेषक/लेखक म्हणून काम करते, जे मानवांना पॉलिश करण्यासाठी आवश्यक असलेली सामग्री तयार करते. पूर्णपणे स्वायत्त वापर बहुतेकदा डेटा-चालित बातम्या (व्यक्तिगत निर्णयाची आवश्यकता नाही) किंवा ग्राहक सेवा प्रतिसाद यासारख्या सुपरिभाषित क्षेत्रांमध्ये केला जातो. पैशांबद्दल निर्णय घेण्यासाठी (जसे की निधी हलवणे, पूर्व-निर्धारित अल्गोरिदमच्या पलीकडे व्यवहार करणे) थेट एआयवर विश्वास ठेवणे हे उच्च स्टेक आणि नियामक छाननीमुळे दुर्मिळ आहे.

२०३०-२०३५ साठीचे आउटलुक: एआय विश्लेषक आणि स्वायत्त वित्त ऑपरेशन्स

पुढे पाहता, २०३५ पर्यंत जनरेटिव्ह एआय आर्थिक कामकाजात खोलवर अंतर्भूत होऊ शकते, संभाव्यतः अनेक कामे स्वायत्तपणे हाताळू शकते:

• एआय वित्तीय विश्लेषक: आपल्याला अशा एआय प्रणाली दिसू शकतात, ज्या कंपन्या आणि बाजारांचे विश्लेषण करून मानवी इक्विटी संशोधन विश्लेषकाच्या पातळीवर शिफारसी किंवा अहवाल तयार करू शकतील. २०३० पर्यंत, एखादी एआय प्रणाली कंपनीचे सर्व आर्थिक दस्तऐवज वाचून, त्यांची उद्योग क्षेत्रातील माहितीशी तुलना करून, आणि स्वतःहून गुंतवणुकीच्या शिफारसींचा अहवाल (तर्कासह ‘खरेदी/विक्री’) तयार करू शकेल, अशी कल्पना करता येते. काही हेज फंड्स आधीच ट्रेडिंग सिग्नल्स तयार करण्यासाठी एआयचा वापर करत आहेत; २०३० च्या दशकापर्यंत, एआय संशोधन अहवाल सामान्य होऊ शकतील. मानवी पोर्टफोलिओ व्यवस्थापक इतर अनेक घटकांपैकी एक म्हणून एआय-निर्मित विश्लेषणावर विश्वास ठेवू लागतील. एआयमध्ये पोर्टफोलिओ स्वायत्तपणे व्यवस्थापित करण्याची क्षमता देखील आहे: एका पूर्वनिर्धारित धोरणानुसार गुंतवणुकीचे सतत निरीक्षण करणे आणि त्यात पुनर्संतुलन करणे. खरे तर, अल्गोरिथमिक ट्रेडिंग आधीच मोठ्या प्रमाणात स्वयंचलित आहे – जनरेटिव्ह एआय स्वतः नवीन ट्रेडिंग मॉडेल्स तयार करून आणि त्यांची चाचणी करून धोरणांना अधिक अनुकूल बनवू शकते.

• स्वयंचलित आर्थिक नियोजन: ग्राहकांशी थेट संवाद साधणारे एआय सल्लागार व्यक्तींसाठी नियमित आर्थिक नियोजन हाताळू शकतील. २०३० पर्यंत, तुम्ही एखाद्या एआयला तुमची उद्दिष्ट्ये (घर खरेदी करणे, महाविद्यालयासाठी बचत करणे) सांगू शकाल आणि ते तुमच्यासाठी एक संपूर्ण आर्थिक योजना (अर्थसंकल्प, गुंतवणुकीचे वाटप, विम्यासाठी सूचना) तयार करू शकेल. सुरुवातीला एखादा मानवी आर्थिक नियोजक त्याचे पुनरावलोकन करू शकेल, परंतु जसजसा विश्वास वाढेल, तसतसा असा सल्ला योग्य अस्वीकरणांसह थेट ग्राहकांना दिला जाऊ शकेल. एआयचा सल्ला नियमांचे पालन करतो आणि ग्राहकाच्या सर्वोत्तम हिताचा आहे, हे सुनिश्चित करणे महत्त्वाचे ठरेल. जर ही समस्या सोडवली गेली, तर एआय कमी खर्चात मूलभूत आर्थिक सल्ला अधिक सुलभ बनवू शकेल.

• बॅक-ऑफिस ऑटोमेशन: जनरेटिव्ह एआय अनेक बॅक-ऑफिस दस्तऐवज - जसे की कर्ज अर्ज, अनुपालन अहवाल, ऑडिट सारांश - स्वायत्तपणे हाताळू शकते. उदाहरणार्थ, एखादे एआय सर्व व्यवहारांचा डेटा घेऊन, ऑडिट अहवाल तयार करू . २०३५ मधील ऑडिटर्स स्वतः सर्व काही तपासण्याऐवजी, एआयने दर्शवलेल्या त्रुटींचे पुनरावलोकन करण्यात अधिक वेळ घालवू शकतील. त्याचप्रमाणे, अनुपालनासाठी, विश्लेषकाने ते सुरुवातीपासून न लिहिता, एआय नियामकांसाठी संशयास्पद गतिविधी अहवाल (SARs) तयार करू शकते. या नियमित दस्तऐवजांची स्वायत्त निर्मिती, आणि मानवी देखरेख केवळ अपवादात्मक परिस्थितीतच करणे, हे एक मानक बनू शकते.

• विमा दावे आणि अंडररायटिंग: एआय विमा दाव्यावर प्रक्रिया करू शकते (फोटो पुराव्यासह, इ.), कव्हर निश्चित करू शकते आणि पेआउट निर्णय पत्र स्वयंचलितपणे तयार करू शकते. आपण अशा टप्प्यावर पोहोचू शकतो जिथे सरळ दावे (जसे की स्पष्ट डेटासह ऑटो अपघात) सादर केल्यानंतर काही मिनिटांत एआयद्वारे पूर्णपणे निकाली काढले जातात. नवीन पॉलिसींचे अंडररायटिंग समान असू शकते: एआय जोखीम मूल्यांकन करते आणि पॉलिसीच्या अटी निर्माण करते. २०३५ पर्यंत, कदाचित फक्त जटिल किंवा सीमावर्ती प्रकरणे मानवी अंडररायटरकडे वाढतील.

• फसवणूक आणि सुरक्षा: वित्त क्षेत्रातील फसवणूक किंवा सायबर धोक्यांचा शोध घेण्यासाठी आणि त्यांना प्रतिसाद देण्यासाठी एआय अधिक महत्त्वपूर्ण ठरेल. स्वायत्त एआय एजंट रिअल-टाइममध्ये व्यवहारांचे निरीक्षण करू शकतात आणि काही निकषांवर आदळल्यावर त्वरित कारवाई करू शकतात (खाती ब्लॉक करा, व्यवहार गोठवा) आणि नंतर तर्क तयार करू शकतात. येथे गती महत्त्वाची आहे, म्हणून कमीत कमी मानवी सहभाग अपेक्षित आहे. या कृती ग्राहकांना किंवा नियामकांना स्पष्टपणे कळवण्यात जनरेटिव्ह भाग येऊ शकतो.

• कार्यकारी सहाय्य: अशा एका एआय 'चीफ ऑफ स्टाफ'ची कल्पना करा, जो अधिकाऱ्यांसाठी तात्काळ व्यावसायिक अहवाल तयार करू शकतो. विचारा, “गेल्या वर्षीच्या तुलनेत या तिमाहीत आपल्या युरोपियन विभागाने कशी कामगिरी केली आणि त्यामागील मुख्य कारणे कोणती होती?” आणि एआय डेटामधून माहिती काढून, आलेखांसह एक संक्षिप्त आणि अचूक अहवाल तयार करेल. अशा प्रकारचे गतिशील, स्वायत्त अहवाल आणि विश्लेषण एखाद्या संभाषणाइतके सोपे होऊ शकते. २०३० पर्यंत, व्यावसायिक माहितीसाठी एआयला प्रश्न विचारणे आणि अचूक उत्तरे मिळवण्यासाठी त्याच्यावर विश्वास ठेवणे, हे स्थिर अहवालांची आणि कदाचित काही विश्लेषकांच्या पदांचीही जागा घेऊ शकते.

एक मनोरंजक अंदाज: २०३० पर्यंत, बहुतेक आर्थिक सामग्री (बातम्या, अहवाल इ.) एआय-निर्मित असू शकते. आधीच, डाऊ जोन्स आणि रॉयटर्स सारख्या आउटलेट्स काही बातम्यांच्या भागांसाठी ऑटोमेशन वापरतात. जर हा ट्रेंड असाच चालू राहिला आणि आर्थिक डेटाचा स्फोट झाला, तर एआय त्यातील बहुतेक भाग फिल्टर करण्यासाठी आणि संप्रेषण करण्यासाठी जबाबदार असू शकते.

तथापि, विश्वास आणि पडताळणी केंद्रस्थानी असेल. वित्तीय उद्योगाचे कडक नियमन केले जाते आणि स्वायत्तपणे कार्यरत असलेल्या कोणत्याही एआयला कठोर मानके पूर्ण करावी लागतील:

• भ्रम निर्माण होऊ नये याची खात्री करणे (तुम्ही एआय विश्लेषकाला असे आर्थिक मेट्रिक शोधून काढू शकत नाही जे वास्तविक नाही - जे बाजारपेठेची दिशाभूल करू शकते).

• पक्षपातीपणा किंवा बेकायदेशीर पद्धती टाळणे (जसे की पक्षपाती प्रशिक्षण डेटामुळे कर्ज निर्णयांमध्ये अनवधानाने बदल करणे).

• ऑडिटॅबिलिटी: नियामकांना कदाचित एआय निर्णय स्पष्टीकरणात्मक असण्याची आवश्यकता असेल. जर एआय कर्ज नाकारतो किंवा ट्रेडिंग निर्णय घेतो, तर त्याचे एक तर्क असले पाहिजे जे तपासता येईल. जनरेटिव्ह मॉडेल्स हे थोडेसे ब्लॅक बॉक्स असू शकतात, म्हणून त्यांचे निर्णय पारदर्शक करण्यासाठी स्पष्टीकरणात्मक एआय तंत्रांचा विकास अपेक्षित आहे

पुढील १० वर्षे एआय आणि वित्त व्यावसायिकांमध्ये जवळचे सहकार्य असेल, आत्मविश्वास वाढत असताना स्वायत्ततेची रेषा हळूहळू पुढे सरकेल. कमी जोखीम असलेल्या ऑटोमेशनमध्ये (जसे की अहवाल निर्मिती) लवकर विजय मिळतील. क्रेडिट निर्णय किंवा गुंतवणूक निवडीसारखे मुख्य निर्णय अधिक कठीण असतील, परंतु तरीही, एआयचा ट्रॅक रेकॉर्ड जसजसा वाढत जाईल तसतसे कंपन्या त्याला अधिक स्वायत्तता देऊ शकतात. उदाहरणार्थ, कदाचित एआय फंड एखाद्या मानवी पर्यवेक्षकासह चालवला जाईल जो कामगिरीत बदल झाल्यास किंवा एआय अनिश्चिततेला ध्वजांकित केल्यासच हस्तक्षेप करेल.

आर्थिकदृष्ट्या, मॅकिन्सेच्या अंदाजानुसार एआय (विशेषतः जनरेटिव्ह एआय) बँकिंग क्षेत्रात दरवर्षी सुमारे २००-३४० अब्ज डॉलर्सची मूल्यवृद्धी करू शकते आणि विमा व भांडवली बाजारांवरही असाच मोठा प्रभाव टाकू शकते (२०२३ मधील एआयची स्थिती: जनरेटिव्ह एआयचे यशस्वी वर्ष | मॅकिन्से) (जनरेटिव्ह एआयचे भविष्य काय आहे? | मॅकिन्से). हे कार्यक्षमता आणि अधिक चांगल्या निर्णय परिणामांमुळे शक्य होईल. हे मूल्य मिळवण्यासाठी, बरेचसे नियमित आर्थिक विश्लेषण आणि संवाद एआय प्रणालींकडे सोपवले जाण्याची शक्यता आहे.

थोडक्यात, २०३५ पर्यंत जनरेटिव्ह एआय हे आर्थिक क्षेत्रात काम करणाऱ्या कनिष्ठ विश्लेषक, सल्लागार आणि क्लर्कच्या सैन्यासारखे असू शकते, जे बरेचसे कष्टाचे काम आणि काही अत्याधुनिक विश्लेषण स्वायत्तपणे करतील. मानव अजूनही ध्येये निश्चित करतील आणि उच्च-स्तरीय रणनीती, क्लायंट संबंध आणि देखरेख हाताळतील. आर्थिक जग, सावध राहून, हळूहळू स्वायत्तता वाढवेल - परंतु दिशा स्पष्ट आहे की अधिकाधिक माहिती प्रक्रिया आणि अगदी निर्णय शिफारसी एआयकडून येतील. आदर्शपणे, यामुळे जलद सेवा (त्वरित कर्जे, चोवीस तास सल्ला), कमी खर्च आणि संभाव्यतः अधिक वस्तुनिष्ठता (डेटा पॅटर्नवर आधारित निर्णय) मिळते. परंतु विश्वास राखणे महत्त्वाचे असेल; वित्त क्षेत्रातील एक हाय-प्रोफाइल एआय त्रुटीमुळे मोठे नुकसान होऊ शकते (कल्पना करा की एआय-ट्रिगर फ्लॅश क्रॅश किंवा हजारो लोकांना चुकीच्या पद्धतीने नाकारलेला फायदा). म्हणूनच, रेलिंग आणि मानवी तपासणी विशेषतः ग्राहक-मुखी कृतींसाठी कायम राहण्याची शक्यता आहे, जरी बॅक-ऑफिस प्रक्रिया अत्यंत स्वायत्त झाल्या तरीही.

आव्हाने आणि नैतिक विचार

या सर्व क्षेत्रात, जनरेटिव्ह एआय अधिक स्वायत्त जबाबदाऱ्या घेत असताना, सामान्य आव्हाने आणि नैतिक प्रश्नांचा एक संच उद्भवतो. एआय एक विश्वासार्ह आणि फायदेशीर स्वायत्त एजंट आहे याची खात्री करणे हे केवळ एक तांत्रिक कार्य नाही तर ते एक सामाजिक कार्य आहे. येथे आपण प्रमुख चिंता आणि त्या कशा सोडवल्या जात आहेत (किंवा त्या कशा सोडवल्या पाहिजेत) याचे वर्णन करतो:

विश्वसनीयता आणि अचूकता

भ्रम निर्माण होण्याची समस्या: जनरेटिव्ह एआय मॉडेल्स चुकीचे किंवा पूर्णपणे बनावट आउटपुट देऊ शकतात, जे विश्वासार्ह वाटतात. जेव्हा चुका पकडण्यासाठी कोणीही माणूस सहभागी नसतो, तेव्हा हे विशेषतः धोकादायक ठरते. एखादा चॅटबॉट ग्राहकाला चुकीच्या सूचना देऊ शकतो, किंवा एआयने लिहिलेल्या अहवालात एखादी बनावट आकडेवारी असू शकते. २०२५ पर्यंत, संस्थांद्वारे जनरेटिव्ह एआयचा सर्वात मोठा धोका म्हणून अचूकतेचा अभाव ओळखला जातो (द स्टेट ऑफ एआय इन २०२३: जनरेटिव्ह एआयचे ब्रेकआउट वर्ष | मॅकिन्से) (द स्टेट ऑफ एआय: ग्लोबल सर्व्हे | मॅकिन्से). भविष्यात, भ्रम कमी करण्यासाठी डेटाबेसच्या आधारे तथ्य-तपासणी, मॉडेल आर्किटेक्चरमधील सुधारणा आणि फीडबॅकसह रीइन्फोर्समेंट लर्निंग यांसारखी तंत्रे वापरली जात आहेत. स्वायत्त एआय प्रणालींना महत्त्वपूर्ण कार्यांसाठी (जसे की कोड जनरेशन, जे चुकीचे झाल्यास बग्स/सुरक्षा त्रुटी निर्माण करू शकते) कठोर चाचणी आणि कदाचित औपचारिक पडताळणीची आवश्यकता असेल.

सातत्य: एआय प्रणालींनी कालांतराने आणि विविध परिस्थितींमध्ये विश्वसनीयपणे कार्य करणे आवश्यक आहे. उदाहरणार्थ, एखादी एआय प्रणाली प्रमाणित प्रश्नांवर चांगली कामगिरी करू शकते, परंतु अपवादात्मक प्रकरणांमध्ये अडखळू शकते. सातत्यपूर्ण कामगिरी सुनिश्चित करण्यासाठी विविध परिस्थितींचा समावेश असलेला विस्तृत प्रशिक्षण डेटा आणि सतत देखरेख आवश्यक असेल. अनेक संस्था संकरित दृष्टिकोन अवलंबण्याची योजना आखत आहेत – ज्यामध्ये एआय काम करते, परंतु यादृच्छिक नमुन्यांची तपासणी मानवाद्वारे केली जाते – जेणेकरून अचूकतेच्या दरांचा सतत अंदाज घेता येईल.

आपत्कालीन सुरक्षा उपाय: जेव्हा एआय स्वायत्त असते, तेव्हा त्याने स्वतःची अनिश्चितता ओळखणे अत्यंत महत्त्वाचे असते. प्रणालीची रचना अशी असावी की, तिला ‘जेव्हा आपल्याला काही माहित नसते, तेव्हा ते कळावे’. उदाहरणार्थ, जर एखाद्या एआय डॉक्टरला निदानाबद्दल खात्री नसेल, तर त्याने अंदाजे उत्तर देण्याऐवजी मानवी पुनरावलोकनासाठी ते सूचित केले पाहिजे. एआयच्या आउटपुटमध्ये अनिश्चिततेचा अंदाज लावण्याची क्षमता समाविष्ट करणे (आणि स्वयंचलित मानवी हस्तांतरणासाठी मर्यादा निश्चित करणे) हे विकासाचे एक सक्रिय क्षेत्र आहे.

पक्षपात आणि निष्पक्षता

जनरेटिव्ह एआय ऐतिहासिक डेटामधून शिकते ज्यामध्ये पूर्वाग्रह (वांशिक, लिंग, इ.) असू शकतात. एक स्वायत्त एआय त्या पूर्वाग्रहांना कायम ठेवू शकते किंवा वाढवू शकते:

• भरती किंवा प्रवेशात, जर एआय निर्णय घेणारा त्याच्या प्रशिक्षण डेटामध्ये पक्षपात असेल तर तो अन्याय्यपणे भेदभाव करू शकतो.

• ग्राहक सेवेमध्ये, काळजीपूर्वक तपासल्याशिवाय एआय बोलीभाषा किंवा इतर घटकांवर आधारित वापरकर्त्यांना वेगळ्या पद्धतीने प्रतिसाद देऊ शकते.

• सर्जनशील क्षेत्रात, प्रशिक्षण संच असंतुलित असल्यास एआय काही संस्कृती किंवा शैलींना कमी लेखू शकते.

यावर उपाय म्हणून काळजीपूर्वक डेटासेट क्युरेशन, बायस टेस्टिंग आणि कदाचित निष्पक्षता सुनिश्चित करण्यासाठी अल्गोरिथमिक समायोजन आवश्यक आहेत. पारदर्शकता महत्त्वाची आहे: कंपन्यांना एआय निर्णय निकष उघड करावे लागतील, विशेषतः जर स्वायत्त एआय एखाद्याच्या संधी किंवा अधिकारांवर परिणाम करत असेल (जसे की कर्ज किंवा नोकरी मिळवणे). नियामक आधीच लक्ष देत आहेत; उदा., ईयूचा एआय कायदा (२०२० च्या मध्यापासून काम सुरू आहे) उच्च-जोखीम असलेल्या एआय सिस्टमसाठी बायस मूल्यांकन आवश्यक असण्याची शक्यता आहे.

जबाबदारी आणि कायदेशीर जबाबदारी

जेव्हा स्वायत्तपणे कार्यरत असलेली एआय प्रणाली नुकसान करते किंवा चूक करते, तेव्हा कोण जबाबदार असते? कायदेशीर चौकटी आता पुढे येत आहेत:

• एआय तैनात करणाऱ्या कंपन्या कर्मचाऱ्याच्या कृतींसाठी जबाबदार असल्याप्रमाणेच जबाबदारी स्वीकारतील. उदाहरणार्थ, जर एआयने चुकीचा आर्थिक सल्ला दिला ज्यामुळे नुकसान झाले, तर फर्मला क्लायंटला भरपाई द्यावी लागू शकते.

• एआय "व्यक्तित्व" किंवा प्रगत एआय अंशतः जबाबदार असू शकते का याबद्दल वादविवाद आहेत, परंतु आता ते अधिक सैद्धांतिक आहे. व्यावहारिकदृष्ट्या, दोष विकासक किंवा ऑपरेटरवरच राहील.

• एआय बिघाडांसाठी नवीन विमा उत्पादने उदयास येऊ शकतात. जर एखाद्या स्वयं-चालित ट्रकमुळे अपघात झाला, तर उत्पादकाचा विमा उत्पादन दायित्वाप्रमाणेच ते कव्हर करू शकतो.

• पोस्टमॉर्टेमसाठी एआय निर्णयांचे दस्तऐवजीकरण आणि लॉगिंग महत्वाचे असेल. जर काही चूक झाली, तर त्यातून शिकण्यासाठी आणि जबाबदारी सोपविण्यासाठी आपल्याला एआयच्या निर्णय प्रक्रियेचे ऑडिट करावे लागेल. नियामकांना स्वायत्त एआय कृतींसाठी लॉगिंग करणे अनिवार्य केले जाऊ शकते.

पारदर्शकता आणि स्पष्टीकरणक्षमता

स्वायत्त एआय आदर्शपणे मानवी समजण्यायोग्य शब्दांमध्ये, विशेषतः परिणामी क्षेत्रांमध्ये (वित्त, आरोग्यसेवा, न्याय व्यवस्था) त्याचे तर्क स्पष्ट करण्यास सक्षम असले पाहिजे. स्पष्टीकरणीय एआय हे ब्लॅक बॉक्स उघडण्यासाठी प्रयत्नशील क्षेत्र आहे:

• एआयने कर्ज नाकारल्यास, नियमांनुसार (जसे की यूएसमध्ये, ईसीओए) अर्जदाराला कारण देणे आवश्यक असू शकते. म्हणून एआयने स्पष्टीकरण म्हणून घटक (उदा., "उच्च कर्ज-ते-उत्पन्न गुणोत्तर") आउटपुट केले पाहिजेत.

• एआयशी संवाद साधणारे वापरकर्ते (जसे की एआय ट्यूटर असलेले विद्यार्थी किंवा एआय हेल्थ अॅप असलेले रुग्ण) यांना ते कसे सल्ला देतात हे जाणून घेण्यास पात्र आहे. मॉडेल्स सोपे करून किंवा समांतर स्पष्टीकरणात्मक मॉडेल्स वापरून एआय तर्क अधिक शोधण्यायोग्य बनवण्याचे प्रयत्न सुरू आहेत.

• पारदर्शकतेचा अर्थ असाही होतो की, वापरकर्त्यांना हे कळले पाहिजे की ते एखाद्या मानवाशी नव्हे, तर एआयशी संवाद साधत आहेत. नैतिक मार्गदर्शक तत्त्वे (आणि कदाचित काही कायदेही) ग्राहक बॉटशी बोलत असल्यास माहिती उघड करणे आवश्यक मानतात. यामुळे फसवणूक टळते आणि वापरकर्त्याची संमती मिळते. विश्वास टिकवून ठेवण्यासाठी, काही कंपन्या आता एआयने लिहिलेल्या मजकुराला स्पष्टपणे टॅग करतात (जसे की, “हा लेख एआयने तयार केला आहे”).

गोपनीयता आणि डेटा संरक्षण

जनरेटिव्ह एआयला कार्य करण्यासाठी किंवा शिकण्यासाठी अनेकदा डेटाची आवश्यकता असते - ज्यामध्ये संभाव्यतः संवेदनशील वैयक्तिक डेटाचा समावेश असतो. स्वायत्त ऑपरेशन्समध्ये गोपनीयतेचा आदर केला पाहिजे:

• एआय ग्राहक सेवा एजंट ग्राहकांना मदत करण्यासाठी खात्याची माहिती ऍक्सेस करेल; तो डेटा संरक्षित केला पाहिजे आणि फक्त कामासाठी वापरला पाहिजे.

• जर एआय ट्यूटर्सना विद्यार्थ्यांच्या प्रोफाइलमध्ये प्रवेश असेल, तर शैक्षणिक डेटा गोपनीयता सुनिश्चित करण्यासाठी FERPA (अमेरिकेत) सारख्या कायद्यांतर्गत विचार केला जातो.

• मोठे मॉडेल्स त्यांच्या प्रशिक्षण डेटामधील विशिष्ट गोष्टी अनवधानाने लक्षात ठेवू शकतात (उदा. प्रशिक्षणादरम्यान दिसलेल्या व्यक्तीच्या पत्त्याचे पुनरुज्जीवन करणे). जनरेट केलेल्या आउटपुटमध्ये वैयक्तिक माहितीची गळती रोखण्यासाठी प्रशिक्षणात भिन्न गोपनीयता आणि डेटा अनामित करणे यासारख्या तंत्रे महत्वाची आहेत.

• GDPR सारखे नियम व्यक्तींना त्यांच्यावर परिणाम करणारे स्वयंचलित निर्णय घेण्याचे अधिकार देतात. लोक मानवी पुनरावलोकनाची विनंती करू शकतात किंवा निर्णय केवळ स्वयंचलित नसावेत जर त्यांचा त्यांच्यावर लक्षणीय परिणाम झाला तर ते केवळ स्वयंचलित नसावेत. २०३० पर्यंत, हे नियम AI अधिक प्रचलित होत असताना विकसित होऊ शकतात, कदाचित स्पष्टीकरणाचे अधिकार आणतील किंवा AI प्रक्रियेतून बाहेर पडतील.

सुरक्षा आणि गैरवापर

स्वायत्त एआय सिस्टीम हॅकिंगचे लक्ष्य असू शकतात किंवा दुर्भावनापूर्ण गोष्टी करण्यासाठी त्यांचा वापर केला जाऊ शकतो:

• एआय कंटेंट जनरेटरचा गैरवापर मोठ्या प्रमाणात चुकीची माहिती निर्माण करण्यासाठी केला जाऊ शकतो (डीपफेक व्हिडिओ, बनावट बातम्यांचे लेख), जो एक सामाजिक धोका आहे. खूप शक्तिशाली जनरेटिव्ह मॉडेल्स रिलीज करण्याच्या नैतिकतेवर जोरदार चर्चा आहे (उदाहरणार्थ, ओपनएआय सुरुवातीला जीपीटी-४ च्या प्रतिमा क्षमतांबद्दल सावध होते). उपायांमध्ये बनावट शोधण्यात मदत करण्यासाठी एआय-जनरेटेड कंटेंटला वॉटरमार्क करणे आणि एआयशी लढण्यासाठी एआय वापरणे (जसे की डीपफेकसाठी डिटेक्शन अल्गोरिदम) यांचा समावेश आहे.

• जर एआय भौतिक प्रक्रिया (ड्रोन, कार, औद्योगिक नियंत्रण) नियंत्रित करत असेल, तर सायबर हल्ल्यांपासून त्याचे संरक्षण करणे अत्यंत महत्त्वाचे आहे. हॅक केलेली स्वायत्त प्रणाली वास्तविक जगात हानी पोहोचवू शकते. याचा अर्थ मजबूत एन्क्रिप्शन, फेल-सेफ आणि काहीतरी धोक्यात आल्यास मानवी ओव्हरराइड किंवा शटडाउन करण्याची क्षमता.

• एआय अपेक्षित मर्यादेपलीकडे जाण्याची चिंता देखील आहे ("दुष्ट एआय" परिस्थिती). सध्याच्या एआयकडे एजन्सी किंवा हेतू नसला तरी, जर भविष्यातील स्वायत्त प्रणाली अधिक एजंटिव्ह असतील, तर चुकीच्या-निर्दिष्ट उद्दिष्टामुळे ते अनधिकृत व्यवहार करत नाहीत किंवा कायद्यांचे उल्लंघन करत नाहीत याची खात्री करण्यासाठी कठोर निर्बंध आणि देखरेख आवश्यक आहे.

नैतिक वापर आणि मानवी प्रभाव

शेवटी, व्यापक नैतिक विचार:

• नोकऱ्यांचे विस्थापन: जर एआय मानवी हस्तक्षेपाशिवाय कामे करू शकत असेल, तर त्या नोकऱ्यांचे काय होईल? ऐतिहासिकदृष्ट्या, तंत्रज्ञान काही नोकऱ्या स्वयंचलित करते, पण इतर नोकऱ्या निर्माण करते. ज्या कामगारांची कौशल्ये स्वयंचलित होणाऱ्या कामांमध्ये आहेत, त्यांच्यासाठी हा बदल वेदनादायक असू शकतो. समाजाला हे पुनर्कौशल्य, शिक्षण आणि शक्यतो आर्थिक मदतीचा पुनर्विचार करून व्यवस्थापित करावे लागेल (काहींच्या मते, जर बरेच काम स्वयंचलित झाले, तर एआयमुळे सार्वत्रिक मूलभूत उत्पन्नासारख्या कल्पनांची गरज भासू शकते). आधीच, सर्वेक्षणे संमिश्र भावना दर्शवतात – एका अभ्यासात असे आढळले की एक तृतीयांश कामगारांना एआय नोकऱ्यांची जागा घेईल याची चिंता आहे, तर इतर जण याला कष्टाचे काम काढून टाकणारे मानतात.

• मानवी कौशल्यांचा ऱ्हास: जर एआय शिक्षक शिकवत असतील, एआय ऑटोपायलट गाडी चालवत असतील आणि एआय कोड लिहित असेल, तर लोक ही कौशल्ये गमावतील का? एआयवरील अतिनिर्भरतेमुळे, सर्वात वाईट परिस्थितीत, तज्ञता कमी होऊ शकते; ही एक अशी गोष्ट आहे ज्यासाठी शिक्षण आणि प्रशिक्षण कार्यक्रमांना जुळवून घ्यावे लागेल, जेणेकरून एआय मदत करत असले तरीही लोक मूलभूत गोष्टी शिकत राहतील याची खात्री करता येईल.

• नैतिक निर्णय घेणे: एआयमध्ये मानवी नैतिक निर्णयक्षमतेचा अभाव आहे. आरोग्यसेवा किंवा कायद्यामध्ये, वैयक्तिक प्रकरणांमध्ये केवळ डेटा-चालित निर्णय करुणा किंवा न्यायाशी संघर्ष करू शकतात. आपल्याला एआयमध्ये नैतिक चौकटी एन्कोड करण्याची आवश्यकता असू शकते (एआय नैतिकता संशोधनाचे क्षेत्र, उदा., एआय निर्णयांना मानवी मूल्यांशी संरेखित करणे). किमान, नैतिकदृष्ट्या चार्ज केलेल्या निर्णयांसाठी मानवांना लूपमध्ये ठेवणे उचित आहे.

• सर्वसमावेशकता: एआयचे फायदे सर्वदूर पोहोचतील याची खात्री करणे हे एक नैतिक उद्दिष्ट आहे. जर केवळ मोठ्या कंपन्यांनाच प्रगत एआय परवडत असेल, तर लहान व्यवसाय किंवा गरीब प्रदेश मागे राहू शकतात. ओपन-सोर्स प्रयत्न आणि परवडणारे एआय उपाय सर्वांसाठी त्याचा वापर सुलभ करण्यास मदत करू शकतात. तसेच, इंटरफेसची रचना अशा प्रकारे केली पाहिजे की कोणीही एआय साधने वापरू शकेल (उदा. वेगवेगळ्या भाषा, दिव्यांगांसाठी सुलभता इत्यादी), अन्यथा “कोणाकडे एआय असिस्टंट आहे आणि कोणाकडे नाही” अशी एक नवीन डिजिटल दरी निर्माण होईल.

सध्याचे धोके कमी करण्याचे उपाय: सकारात्मक बाजू म्हणजे, कंपन्या जनरेटिव्ह एआय (Generative AI) सादर करत असताना, या समस्यांबद्दल जागरूकता आणि कृती वाढत आहे. २०२३ च्या अखेरीस, एआय वापरणाऱ्या जवळपास निम्म्या कंपन्या अचूकतेसारखे धोके कमी करण्यासाठी सक्रियपणे काम करत होत्या (२०२३ मधील एआयची स्थिती: जनरेटिव्ह एआयचे यशस्वी वर्ष | मॅकिन्से) (एआयची स्थिती: जागतिक सर्वेक्षण | मॅकिन्से), आणि ही संख्या वाढत आहे. तंत्रज्ञान कंपन्यांनी एआय नैतिकता मंडळे स्थापन केली आहेत; सरकारे नियम तयार करत आहेत. नंतर प्रतिक्रिया देण्याऐवजी, सुरुवातीपासूनच एआयच्या विकासात नैतिकता अंतर्भूत करणे ("डिझाइनद्वारे नैतिकता") हे महत्त्वाचे आहे.

आव्हानांवर निष्कर्ष काढताना: एआयला अधिक स्वायत्तता देणे ही दुधारी तलवार आहे. यामुळे कार्यक्षमता आणि नावीन्य मिळू शकते, परंतु त्यासाठी जबाबदारीची उच्च पातळी आवश्यक आहे. येत्या काळात तांत्रिक उपाय (एआय वर्तन सुधारण्यासाठी), प्रक्रिया उपाय (धोरण आणि देखरेख फ्रेमवर्क) आणि कदाचित नवीन मानके किंवा प्रमाणपत्रे (एआय सिस्टमचे ऑडिट आणि प्रमाणन केले जाऊ शकते जसे आज इंजिन किंवा इलेक्ट्रॉनिक्स आहेत) यांचे मिश्रण दिसून येईल. या आव्हानांना यशस्वीरित्या तोंड देण्यावरून आपण स्वायत्त एआयला समाजात किती सहजतेने समाकलित करू शकतो हे ठरवेल ज्यामुळे मानवी कल्याण आणि विश्वास वाढेल.

निष्कर्ष

जनरेटिव्ह एआय एका नवीन प्रयोगापासून ते आपल्या जीवनाच्या प्रत्येक कोपऱ्याला स्पर्श करणाऱ्या परिवर्तनकारी सामान्य-उद्देशीय तंत्रज्ञानात वेगाने विकसित झाले आहे. या श्वेतपत्रिकेत २०२५ पर्यंत एआय सिस्टम आधीच लेख लिहित आहेत, ग्राफिक्स डिझाइन करत आहेत, सॉफ्टवेअर कोडिंग करत आहेत, ग्राहकांशी गप्पा मारत आहेत, वैद्यकीय नोट्सचा सारांश देत आहेत, विद्यार्थ्यांना शिकवत आहेत, पुरवठा साखळ्यांना अनुकूलित करत आहेत आणि आर्थिक अहवाल तयार करत आहेत याचा शोध घेण्यात आला आहे. महत्त्वाचे म्हणजे, यापैकी अनेक कामांमध्ये एआय मानवी हस्तक्षेपाशिवाय कमी किंवा कोणत्याही मानवी हस्तक्षेपाशिवाय, विशेषतः चांगल्या प्रकारे परिभाषित, पुनरावृत्ती करता येणाऱ्या कामांसाठी. कंपन्या आणि व्यक्ती ही कर्तव्ये स्वायत्तपणे पार पाडण्यासाठी एआयवर विश्वास ठेवू लागल्या आहेत, ज्यामुळे त्यांना वेग आणि प्रमाणात फायदा होत आहे.

२०३५ कडे पाहता, आपण अशा एका युगाच्या उंबरठ्यावर उभे आहोत जिथे एआय (AI) एक अधिक सर्वव्यापी सहयोगी बनेल – अनेकदा एक अदृश्य डिजिटल कार्यशक्ती म्हणून , जी दैनंदिन कामे हाताळेल जेणेकरून माणसे अपवादात्मक कामांवर लक्ष केंद्रित करू शकतील. आमची अपेक्षा आहे की जनरेटिव्ह एआय (Generative AI) आपल्या रस्त्यांवर विश्वसनीयपणे कार आणि ट्रक चालवेल, रात्रभर गोदामांमधील मालाचा साठा व्यवस्थापित करेल, जाणकार वैयक्तिक सहाय्यकांप्रमाणे आपल्या प्रश्नांना उत्तरे देईल, जगभरातील विद्यार्थ्यांना वैयक्तिक मार्गदर्शन करेल आणि वैद्यकशास्त्रात नवीन उपचार शोधण्यातही मदत करेल – हे सर्व कमीतकमी थेट देखरेखीखाली होईल. एआय (AI) निष्क्रियपणे सूचनांचे पालन करण्यापासून सक्रियपणे उपाय निर्माण करण्याकडे वाटचाल करत असताना, साधन आणि एजंट यांच्यातील सीमारेषा धूसर होईल.

तथापि, या स्वायत्त एआय भविष्याकडे जाण्याचा प्रवास काळजीपूर्वक केला पाहिजे. जसे आपण सांगितले आहे, प्रत्येक डोमेनच्या स्वतःच्या मर्यादा आणि जबाबदाऱ्या असतात:

• आजचे वास्तव: एआय (AI) चुकांपासून मुक्त नाही. ते नमुने ओळखण्यात आणि सामग्री तयार करण्यात उत्कृष्ट आहे, परंतु मानवी अर्थाने खरी समज आणि सामान्य ज्ञानाचा अभाव आहे. त्यामुळे, सध्या तरी मानवी देखरेख हेच सुरक्षेचे कवच आहे. एआय कुठे स्वतंत्रपणे काम करण्यास तयार आहे (आणि कुठे नाही) हे ओळखणे महत्त्वाचे आहे. आजची अनेक यशोगाथा मानव-एआय संघ मॉडेलमधून येतात, आणि जिथे पूर्ण स्वायत्तता अद्याप योग्य नाही, तिथे हा संकरित दृष्टिकोन मौल्यवान राहील.

• उद्याचे वचन: मॉडेल आर्किटेक्चर, प्रशिक्षण तंत्र आणि देखरेख यंत्रणांमधील प्रगतीमुळे, एआयच्या क्षमतांचा विस्तार होत राहील. पुढील दशकातील संशोधन आणि विकास (R&D) सध्याच्या अनेक समस्यांचे निराकरण करू शकते (उदा. भ्रम कमी करणे, आकलनक्षमता सुधारणे, एआयला मानवी मूल्यांशी संरेखित करणे). असे झाल्यास, २०३५ पर्यंत एआय प्रणाली इतक्या सक्षम होऊ शकतील की त्यांच्यावर अधिक स्वायत्ततेची जबाबदारी सोपवता येईल. या शोधनिबंधातील अंदाज – एआय शिक्षकांपासून ते मोठ्या प्रमाणावर स्व-चालित व्यवसायांपर्यंत – आपले वास्तव बनू शकतात, किंवा आज कल्पना करणे कठीण असलेल्या नवनवीन शोधांद्वारे त्यांना मागेही टाकले जाऊ शकते.

• मानवी भूमिका आणि अनुकूलन: एआय मानवांची जागा पूर्णपणे घेण्याऐवजी, भूमिकांमध्ये बदल होण्याची शक्यता आहे. प्रत्येक क्षेत्रातील व्यावसायिकांना एआयसोबत काम करण्यात पारंगत व्हावे लागेल – त्याला मार्गदर्शन करणे, त्याची पडताळणी करणे आणि सहानुभूती, धोरणात्मक विचार आणि गुंतागुंतीच्या समस्या सोडवणे यांसारख्या मानवी विशेष क्षमतांची आवश्यकता असलेल्या कामाच्या पैलूंवर लक्ष केंद्रित करणे. शिक्षण आणि मनुष्यबळ प्रशिक्षणाने या अद्वितीय मानवी कौशल्यांवर, तसेच प्रत्येकासाठी एआय साक्षरतेवर भर देण्यासाठी आपली दिशा बदलली पाहिजे. धोरणकर्त्यांनी आणि व्यावसायिक नेत्यांनी श्रम बाजारातील बदलांसाठी नियोजन केले पाहिजे आणि ऑटोमेशनमुळे प्रभावित झालेल्यांसाठी आधार प्रणाली सुनिश्चित केली पाहिजे.

• नैतिकता आणि प्रशासन: कदाचित सर्वात महत्त्वाचे म्हणजे, या तांत्रिक विकासाचा पाया नैतिक एआय वापर आणि प्रशासनाच्या चौकटीवर आधारित असला पाहिजे. विश्वास हेच स्वीकृतीचे चलन आहे – लोक एआयला गाडी चालवू देतील किंवा शस्त्रक्रियेत मदत करू देतील, जर त्यांना ते सुरक्षित असल्याचा विश्वास असेल तरच. हा विश्वास निर्माण करण्यासाठी कठोर चाचणी, पारदर्शकता, हितधारकांचा सहभाग (उदा. वैद्यकीय एआयच्या डिझाइनमध्ये डॉक्टरांना, एआय शिक्षण साधनांमध्ये शिक्षकांना सामील करणे) आणि योग्य नियमन यांचा समावेश होतो. डीपफेक किंवा युद्धातील एआय यांसारख्या आव्हानांना सामोरे जाण्यासाठी, तसेच जबाबदार वापरासाठी जागतिक नियम सुनिश्चित करण्यासाठी आंतरराष्ट्रीय सहकार्य आवश्यक असू शकते.

शेवटी, जनरेटिव्ह एआय प्रगतीचे एक शक्तिशाली इंजिन आहे. सुज्ञपणे वापरल्यास, ते मानवांना कष्टापासून मुक्त करू शकते, सर्जनशीलता उघडू शकते, सेवा वैयक्तिकृत करू शकते आणि अंतर भरून काढू शकते (ज्या ठिकाणी तज्ञांची कमतरता आहे तिथे कौशल्य आणणे). मुख्य म्हणजे ते अशा प्रकारे तैनात करणे जे मानवी क्षमतांना दुर्लक्षित करण्याऐवजी वाढवते. तात्काळ, याचा अर्थ मानवांना एआय मार्गदर्शन करण्यासाठी लूपमध्ये ठेवणे. दीर्घकाळात, याचा अर्थ एआय सिस्टमच्या गाभ्यामध्ये मानवतावादी मूल्ये एन्कोड करणे आहे जेणेकरून ते स्वतंत्रपणे कार्य करत असतानाही ते आपल्या सामूहिक हितासाठी कार्य करतील.

डोमेन	आजची विश्वसनीय स्वायत्तता (२०२५)	२०३५ पर्यंत विश्वसनीय स्वायत्तता अपेक्षित
लेखन आणि आशय	- नियमित बातम्या (क्रीडा, कमाई) स्वयंचलितपणे तयार केल्या जातात. - एआयद्वारे सारांशित उत्पादन परीक्षणे. - मानवी संपादनासाठी लेख किंवा ईमेलचे मसुदे. (फिलाना पॅटरसन – ओएनए कम्युनिटी प्रोफाइल) (ॲमेझॉन एआयच्या मदतीने ग्राहक परीक्षणाचा अनुभव सुधारते)	- बहुतेक बातम्या आणि मार्केटिंग सामग्री तथ्यात्मक अचूकतेसह स्वयंचलितपणे लिहिली जाते.- एआय कमीत कमी देखरेखीसह संपूर्ण लेख आणि प्रेस रिलीझ तयार करते.- मागणीनुसार तयार केलेली अत्यंत वैयक्तिकृत सामग्री.
व्हिज्युअल आर्ट्स आणि डिझाइन	- एआय प्रॉम्प्टवरून प्रतिमा तयार करते (मानवी सर्वोत्तम निवडतो). - संकल्पना कला आणि डिझाइनमधील भिन्नता स्वायत्तपणे तयार केल्या जातात.	- एआय संपूर्ण व्हिडिओ/चित्रपट दृश्ये आणि जटिल ग्राफिक्स तयार करते.- उत्पादनांचे/आर्किटेक्चरचे जनरेटिव्ह डिझाइन जे विशिष्टतेनुसार पूर्ण करते.- मागणीनुसार तयार केलेले वैयक्तिकृत माध्यम (प्रतिमा, व्हिडिओ).
सॉफ्टवेअर कोडिंग	- एआय कोड आपोआप पूर्ण करते आणि सोपी फंक्शन्स लिहिते (डेव्हद्वारे पुनरावलोकन केलेले). - स्वयंचलित चाचणी निर्मिती आणि बग सूचना. (कोडिंग ऑन कोपायलट: २०२३ च्या आकडेवारीनुसार कोडच्या गुणवत्तेवर खालील दिशेने दबाव (२०२४ च्या अंदाजांसह) - गिटक्लियर) (गिटहब कोपायलट एआय कोड असिस्टंटवरील संशोधन अहवालात अव्वल -- व्हिज्युअल स्टुडिओ मॅगझिन)	- एआय स्पेक्समधील संपूर्ण वैशिष्ट्ये विश्वसनीयरित्या अंमलात आणते.- ज्ञात नमुन्यांसाठी स्वायत्त डीबगिंग आणि कोड देखभाल.- कमी मानवी इनपुटसह कमी-कोड अॅप निर्मिती.
ग्राहक सेवा	- चॅटबॉट्स वारंवार विचारले जाणारे प्रश्न सोडवतात, सोप्या समस्या सोडवतात (जटिल प्रकरणे हाताळतात). - काही चॅनेलवरील ~७०% नियमित चौकशी एआय हाताळते. (२०२५ साठी ५९ एआय ग्राहक सेवा आकडेवारी) (२०३० पर्यंत, ग्राहकांच्या संवादादरम्यान ६९% निर्णय ...)	- एआय बहुतेक ग्राहकांशी संवाद साधते, ज्यामध्ये जटिल प्रश्नांचा समावेश आहे. - सेवा सवलतींसाठी रिअल-टाइम एआय निर्णय घेणे (परतावा, अपग्रेड). - केवळ वाढ किंवा विशेष प्रकरणांसाठी मानवी एजंट.
आरोग्यसेवा	- एआय वैद्यकीय नोंदी तयार करते; डॉक्टरांनी पडताळलेले निदान सुचवते. - एआय काही स्कॅन (रेडिओलॉजी) निरीक्षणाने वाचते; साध्या केसेसचे विश्लेषण करते. (एआय मेडिकल इमेजिंग उत्पादने २०३५ पर्यंत पाच पट वाढवू शकतात)	- एआय सामान्य आजारांचे विश्वसनीयरित्या निदान करते आणि बहुतेक वैद्यकीय प्रतिमांचे अर्थ लावते. - एआय रुग्णांवर लक्ष ठेवते आणि काळजी सुरू करते (उदा., औषधोपचार स्मरणपत्रे, आपत्कालीन सूचना). - व्हर्च्युअल एआय "परिचारिका" नियमित फॉलो-अप हाताळतात; डॉक्टर जटिल काळजीवर लक्ष केंद्रित करतात.
शिक्षण	- एआय ट्यूटर विद्यार्थ्यांच्या प्रश्नांची उत्तरे देतात, सराव समस्या निर्माण करतात (शिक्षक देखरेख करतात). - एआय ग्रेडिंगला मदत करते (शिक्षकांच्या पुनरावलोकनासह). ([के-१२ शिक्षणासाठी जनरेटिव्ह एआय	अ‍ॅप्लिफायचा संशोधन अहवाल](https://www.applify.co/research-report/gen-ai-for-k12#:~:text=AI%20tutors%3A%20Virtual%20AI,individual%20learning%20styles%20and%20paces))
रसद	- एआय डिलिव्हरी मार्ग आणि पॅकिंगला अनुकूल करते (मानव ध्येये ठरवतात). - एआय पुरवठा साखळीतील जोखीम ओळखते आणि कमी करण्याचे उपाय सुचवते. (लॉजिस्टिक्समधील टॉप जनरेटिव्ह एआय वापर प्रकरणे)	- मोठ्या प्रमाणात स्वयं-चालित वितरण (ट्रक, ड्रोन) AI नियंत्रकांच्या देखरेखीखाली.- AI स्वायत्तपणे व्यत्ययांच्या आसपास शिपमेंट्सचे मार्ग बदलते आणि इन्व्हेंटरी समायोजित करते.- AI द्वारे व्यवस्थापित एंड-टू-एंड पुरवठा साखळी समन्वय (ऑर्डरिंग, वितरण).
अर्थव्यवस्था	- एआय आर्थिक अहवाल/बातम्यांचे सारांश तयार करते (मानवी-पुनरावलोकन). - रोबो-सल्लागार साधे पोर्टफोलिओ व्यवस्थापित करतात; एआय चॅट ग्राहकांच्या प्रश्नांची हाताळणी करते. (जनरेटिव्ह एआय वित्तपुरवठा करण्यासाठी येत आहे)	- एआय विश्लेषक उच्च अचूकतेसह गुंतवणूक शिफारसी आणि जोखीम अहवाल तयार करतात.- निश्चित मर्यादेत स्वायत्त व्यापार आणि पोर्टफोलिओ पुनर्संतुलन.- एआय मानक कर्जे/दावे स्वयंचलितपणे मंजूर करते; मानव अपवाद हाताळतात.

संदर्भ:

1. पॅटरसन, फिलाना. स्वयंचलित कमाईच्या बातम्यांची संख्या वाढते. द असोसिएटेड प्रेस (२०१५) – मानवी लेखकाशिवाय एपीद्वारे हजारो कमाईच्या अहवालांच्या स्वयंचलित निर्मितीचे वर्णन (स्वयंचलित कमाईच्या बातम्यांची संख्या वाढते | द असोसिएटेड प्रेस).

2. मॅकिन्से अँड कंपनी. २०२४ च्या सुरुवातीला एआयची स्थिती: जनरेटिव्ह एआयचा अवलंब वाढतो आणि मूल्य निर्माण करण्यास सुरुवात करतो. (२०२४) – अहवालानुसार ६५% संस्था नियमितपणे जनरेटिव्ह एआय वापरत आहेत, जे २०२३ च्या तुलनेत जवळपास दुप्पट आहे (२०२४ च्या सुरुवातीला एआयची स्थिती | मॅकिन्से), आणि जोखीम कमी करण्याच्या प्रयत्नांवर चर्चा करते (एआयची स्थिती: जागतिक सर्वेक्षण | मॅकिन्से).

3. गार्टनर. चॅटजीपीटीच्या पलीकडे: उद्योगांसाठी जनरेटिव्ह एआयचे भविष्य. (२०२३) – असा अंदाज वर्तवते की २०३० पर्यंत, एका ब्लॉकबस्टर चित्रपटाचा ९०% भाग एआय-निर्मित असू शकतो (उद्योग आणि उद्योगांसाठी जनरेटिव्ह एआय वापराची उदाहरणे) आणि औषध निर्मितीसारख्या जनरेटिव्ह एआय वापराच्या उदाहरणांवर प्रकाश टाकते (उद्योग आणि उद्योगांसाठी जनरेटिव्ह एआय वापराची उदाहरणे).

4. ट्वाइप. न्यूजरूममध्ये पत्रकार एआय साधनांचा वापर करण्याच्या १२ पद्धती. (२०२४) – एका वृत्तसंस्थेतील “क्लारा” एआयचे उदाहरण, जी ११% लेख लिहिते आणि मानवी संपादक सर्व एआय सामग्रीचे पुनरावलोकन करतात (न्यूजरूममध्ये पत्रकार एआय साधनांचा वापर करण्याच्या १२ पद्धती - ट्वाइप).

5. Amazon.com बातम्या. Amazon ने AI च्या मदतीने ग्राहक पुनरावलोकन अनुभव सुधारला आहे. (२०२३) – खरेदीदारांना मदत करण्यासाठी उत्पादन पृष्ठांवर AI-निर्मित पुनरावलोकन सारांशांची घोषणा केली (Amazon ने AI च्या मदतीने ग्राहक पुनरावलोकन अनुभव सुधारला आहे).

6. झेंडेस्क. 2025 साठी 59 एआय ग्राहक सेवा आकडेवारी. (2023) – हे दर्शवते की दोन-तृतीयांशपेक्षा जास्त CX संस्थांना वाटते की जनरेटिव्ह एआय सेवेमध्ये "उबदारपणा" आणेल (2025 साठी 59 एआय ग्राहक सेवा आकडेवारी) आणि अखेरीस 100% ग्राहक संवादांमध्ये एआयचा वापर होईल असा अंदाज आहे (2025 साठी 59 एआय ग्राहक सेवा आकडेवारी).

7. फ्युटुरम रिसर्च आणि एसएएस. एक्सपीरियन्स २०३०: ग्राहक अनुभवाचे भविष्य. (२०१९) – सर्वेक्षणातून असे दिसून आले आहे की ब्रँड्सना अपेक्षा आहे की २०३० पर्यंत ग्राहक प्रतिबद्धतेदरम्यानचे सुमारे ६९% निर्णय स्मार्ट मशीनद्वारे घेतले जातील (ग्राहक अनुभवाकडे होणाऱ्या बदलाची पुनर्कल्पना करण्यासाठी, विपणनकर्त्यांनी या २ गोष्टी करणे आवश्यक आहे).

8. डेटाकू. लॉजिस्टिक्समधील प्रमुख जनरेटिव्ह एआय उपयोग . (२०२३) – जेनएआय (GenAI) बातम्या स्कॅन करून लोडिंग कसे ऑप्टिमाइझ करते (सुमारे ३०% रिकामी ट्रक जागा कमी करते) ( लॉजिस्टिक्समधील प्रमुख जनरेटिव्ह एआय उपयोग ) आणि पुरवठा साखळीतील धोके कसे ओळखते याचे वर्णन करते

9. व्हिज्युअल स्टुडिओ मॅगझिन. एआय कोड असिस्टंट्सवरील संशोधन अहवालात गिटहब कोपायलट अव्वल. (२०२४) – गार्टनरच्या धोरणात्मक नियोजनाची गृहीतके: २०२८ पर्यंत, ९०% एंटरप्राइझ डेव्हलपर्स एआय कोड असिस्टंट्स वापरतील (२०२४ मधील १४% वरून वाढ) (एआय कोड असिस्टंट्सवरील संशोधन अहवालात गिटहब कोपायलट अव्वल -- व्हिज्युअल स्टुडिओ मॅगझिन).

10. ब्लूमबर्ग न्यूज. ब्लूमबर्गजीपीटी सादर करत आहोत. (२०२३) – तपशील: ब्लूमबर्गचे ५० अब्ज-पॅरामीटर मॉडेल आर्थिक कामांसाठी तयार केले आहे, जे प्रश्नोत्तरे आणि विश्लेषण समर्थनासाठी टर्मिनलमध्ये समाविष्ट केले आहे (जनरेटिव्ह एआय वित्त क्षेत्रात येत आहे).

या लेखानंतर तुम्हाला वाचायला आवडतील असे लेख:

🔗 एआय ज्या नोकऱ्यांची जागा घेऊ शकत नाही – आणि एआय कोणत्या नोकऱ्यांची जागा घेईल?
बदलत्या नोकरीच्या क्षेत्रावरील एक जागतिक दृष्टिकोन, ज्यामध्ये एआयच्या प्रभावापासून कोणत्या भूमिका सुरक्षित आहेत आणि कोणत्या भूमिकांना सर्वाधिक धोका आहे याचे परीक्षण केले आहे.

🔗 एआय शेअर बाजाराचा अंदाज वर्तवू शकते का?
शेअर बाजाराच्या अंदाजासाठी एआय वापरण्याच्या क्षमता, मर्यादा आणि नैतिक बाबींचा सखोल आढावा.

🔗 सायबरसुरक्षेमध्ये जनरेटिव्ह एआयचा वापर कसा केला जाऊ शकतो?
विसंगती शोधण्यापासून ते धोक्याचे मॉडेलिंग करण्यापर्यंत, सायबर धोक्यांपासून संरक्षण करण्यासाठी जनरेटिव्ह एआयचा वापर कसा केला जात आहे, हे जाणून घ्या.