पेशेवर परिदृश्य में कृत्रिम बुद्धिमत्ता के तेजी से एकीकरण ने एक विरोधाभासी वादा पैदा किया है: कम जानते हुए भी अधिक करने की क्षमता। जैसे-जैसे सॉफ्टवेयर इंजीनियरिंग से लेकर डेटा विश्लेषण तक के क्षेत्रों में बड़े भाषा मॉडल जैसे उपकरण सर्वव्यापी होते जा रहे हैं, हमारी नई-नई दक्षता की दीर्घकालिक लागत के बारे में एक बुनियादी सवाल उभरता है।
एंथ्रोपिक के शोधकर्ताओं का एक हालिया अध्ययन, जिसका शीर्षक ‘एआई इम्पैक्ट्स स्किल फॉर्मेशन’ है, इस दुविधा पर एक कठोर नज़र डालता है, जिससे पता चलता है कि जिस तरह से हम इन उपकरणों के साथ बातचीत करते हैं, वह एआई टूल का उपयोग करने के तरीके के आधार पर पेशेवर विकास के लिए दो अलग-अलग रास्ते बनाता है।
शोधकर्ताओं ने कोडिंग चुनौती को पूरा करने के लिए कोडर के एक समूह का अध्ययन किया, उन्हें दो समूहों में विभाजित किया – एक के पास एआई टूल तक पहुंच थी और दूसरे के पास इसके बिना। 35 मिनट लंबी कोडिंग चुनौती के अंत में, सभी प्रतिभागियों को अपनी पायथन प्रोग्रामिंग दक्षता की जांच करने के लिए एक परीक्षण देने के लिए कहा गया।
मूल्यांकन करने पर, टीम ने पाया कि नियंत्रण समूह के लोगों ने उपचार पूल के लोगों की तुलना में अधिक स्कोर किया, जो उच्च स्कोरिंग और कम स्कोरिंग इंटरैक्शन पैटर्न के बीच एक स्पष्ट विभाजन का सुझाव देता है। इससे पता चलता है कि जहां एआई किसी कार्य को पूरा करने में तेजी ला सकता है, वहीं अगर इसे पूरक के बजाय विकल्प के रूप में उपयोग किया जाए तो यह दिमाग की गति को भी धीमा कर सकता है – यह विचार एआई के युग में करियर बनाने पर मेरे पिछले कॉलम पर आधारित है।
उपचार समूह पथ, जिसे कम स्कोरिंग इंटरैक्शन पैटर्न के रूप में पहचाना जाता है, की विशेषता है जिसे शोधकर्ता संज्ञानात्मक ऑफलोडिंग कहते हैं। इस परिदृश्य में, उपयोगकर्ता एआई को सहयोगी के बजाय निष्पादन के प्राथमिक एजेंट के रूप में मानता है। जब किसी जटिल कार्य का सामना करना पड़ता है – जैसे कि एक नई प्रोग्रामिंग लाइब्रेरी सीखना – तो कम स्कोर करने वाला प्रतिभागी लगभग विशेष रूप से आउटपुट पर ध्यान केंद्रित करता है।
वे कोड जनरेशन और डिबगिंग का भारी काम एआई को सौंपते हैं, और भ्रामक गति से असाइनमेंट पूरा करते हैं। यह समूह अक्सर कार्यों को तेजी से पूरा करता है, फिर भी अंतर्निहित यांत्रिकी की उनकी समझ उल्लेखनीय रूप से उथली रहती है। इतना ही नहीं, शोधकर्ताओं ने यह भी बताया कि इस समूह में कई लोग एआई सहायक के साथ बातचीत करने में अधिक समय बिताते थे, जिसका उपयोग आदर्श रूप से एक नया कौशल सीखने के लिए किया जा सकता था।
परीक्षण और त्रुटि की पुनरावृत्तीय, अक्सर निराशाजनक प्रक्रिया को दरकिनार करके, वे अनजाने में गहरी शिक्षा के लिए आवश्यक न्यूरोलॉजिकल “संघर्ष” को छोड़ देते हैं। इन व्यक्तियों के लिए, AI उपकरण एक उच्च तकनीक बैसाखी के रूप में कार्य करता है; वे फिनिश लाइन तक पहुंच जाते हैं, लेकिन कौशल के लिए उनकी आंतरिक “मांसपेशियों की स्मृति” कभी नहीं बनती है, जिसके परिणामस्वरूप टूल हटा दिए जाने पर क्विज़ स्कोर कम हो जाते हैं।
यह उस उच्च स्कोरिंग समूह के बिल्कुल विपरीत है जिसका एआई के प्रति दार्शनिक दृष्टिकोण मौलिक रूप से भिन्न था। उन्होंने एआई को अपने तर्क के प्रतिस्थापन के रूप में नहीं बल्कि एक सहकर्मी या वरिष्ठ के रूप में देखा।
एआई को “कोड लिखने” के लिए कहने के बजाय, उन्होंने वैचारिक प्रश्न पूछे। उन्होंने स्पष्टीकरण मांगा कि किसी विशेष फ़ंक्शन का उपयोग क्यों किया जाता है या अनुरोध किया जाता है कि एआई जेनरेट किए गए स्निपेट को उसके घटक भागों में तोड़ दे। इस समूह ने कार्य के सक्रिय मानसिक मॉडल को बनाए रखते हुए, उच्च स्तर की संज्ञानात्मक सहभागिता का प्रदर्शन किया।
हालाँकि किसी परियोजना को पूरा करने में उन्हें शुद्ध प्रतिनिधियों की तुलना में अधिक समय लग सकता है, लेकिन उनकी अवधारण क्षमता काफ़ी अधिक होती है। अवधारणाओं को स्पष्ट करने और अपने स्वयं के तर्क को मान्य करने के लिए एआई का उपयोग करके, उन्होंने सफलतापूर्वक एआई के डेटा को व्यक्तिगत ज्ञान में परिवर्तित कर दिया। उच्च स्कोरर के लिए, एआई निपुणता के लिए एक उत्प्रेरक है, न कि इसके आसपास कोई शॉर्टकट।
अध्ययन के निष्कर्षों से पता चलता है कि इन दोनों रास्तों के बीच प्राथमिक अंतर प्रदर्शन किए गए शारीरिक श्रम की मात्रा नहीं है, बल्कि मानसिक भागीदारी की डिग्री है। दिलचस्प बात यह है कि शोध में कहा गया है कि जब प्रतिभागियों ने कोड को कॉपी-पेस्ट करने के बजाय मैन्युअल रूप से दोबारा टाइप किया, तब भी उनकी सीखने की क्षमता में सुधार नहीं हुआ अगर वे मानसिक रूप से वाक्यविन्यास के पीछे “क्यों” को संसाधित नहीं कर रहे थे।
यह आधुनिक कार्यस्थल में एक महत्वपूर्ण जाल को उजागर करता है: क्षमता का भ्रम। प्रतिनिधिमंडल के कम स्कोरिंग मार्ग का अनुसरण करके अल्पावधि में अत्यधिक उत्पादक होना संभव है, लेकिन इससे विशेषज्ञता खोखली हो जाती है। ऐसे युग में जहां एआई नियमित निष्पादन को संभाल सकता है, एक मानव पेशेवर का मूल्य तेजी से पर्यवेक्षण, वास्तुकार और समस्या निवारण की उनकी क्षमता में निहित है – कौशल जो केवल संलग्न सीखने के उच्च स्कोरिंग पथ के माध्यम से विकसित होते हैं।
कौशल निर्माण के दो तरीकों के बीच चुनाव इस बात पर निर्भर करता है कि हम अपनी विशेषज्ञता को कितना महत्व देते हैं। कम स्कोरिंग पथ तत्काल परिणामों और “वाइब कोडिंग” का सायरन गीत प्रस्तुत करता है, जहां कोई व्यक्ति नींव की गहरी समझ के बिना कार्यात्मक कार्य कर सकता है। उच्च स्कोरिंग पथ के लिए अधिक अनुशासन की आवश्यकता होती है, यह मांग करते हुए कि हम “कैसे” और “क्यों” पूछने में धीमे हों, भले ही कोई समाधान बस कुछ ही दूर हो। एआई-संवर्धित दुनिया में फलने-फूलने के लिए, हमें अपनी सोच पर बोझ डालने की इच्छा का विरोध करना चाहिए। उच्च-सगाई का रास्ता चुनकर, हम यह सुनिश्चित करते हैं कि जैसे-जैसे हमारे आस-पास के उपकरण स्मार्ट होते जा रहे हैं, हम उनके साथ-साथ और भी स्मार्ट होते जा रहे हैं।
प्रकाशित – 14 फरवरी, 2026 08:00 पूर्वाह्न IST