Meta अब कर्मचारियों को AI इस्तेमाल की मात्रा से नहीं, काम के असर से आंकेगा

Meta का यह बदलाव एक बुनियादी प्रबंधन समस्या की स्वीकारोक्ति जैसा है: AI का ज्यादा इस्तेमाल, बेहतर काम का प्रमाण नहीं होता।

रिपोर्टों के अनुसार, Meta ने कर्मचारियों के परफॉर्मेंस रिव्यू से AI टूल के उपयोग और ‘AI Native’ स्टेटस को हटा दिया है। पहले AI इस्तेमाल को अधिक महत्व मिलने और आंतरिक टोकन-यूसेज रैंकिंग जैसी व्यवस्थाओं ने ‘टोकनमैक्सिंग’ को बढ़ावा दिया—यानी अपनी स्थिति बेहतर दिखाने के लिए जरूरत से ज्यादा AI टोकन इस्तेमाल करना। 237

टोकन गिनना खराब प्रदर्शन-मापदंड क्यों बना

टोकन, जनरेटिव AI मॉडल द्वारा पढ़े या लिखे जाने वाले टेक्स्ट के छोटे हिस्से होते हैं। वे मॉडल की मांग और लागत समझने में उपयोगी हो सकते हैं, लेकिन कर्मचारी के योगदान का विश्वसनीय पैमाना नहीं हैं।

कोई व्यक्ति ज्यादा प्रॉम्प्ट लिख सकता है, लंबे AI टास्क चला सकता है या कम-महत्व वाले काम में मॉडल इस्तेमाल कर सकता है—फिर भी अंतिम नतीजे की गुणवत्ता, सटीकता, गति या कारोबारी उपयोगिता नहीं बढ़ती। जब उपयोग की मात्रा को पहचान या रिव्यू से जोड़ दिया जाता है, तो वही मेट्रिक लक्ष्य बन जाता है। उद्योग से जुड़ी रिपोर्टों में कर्मचारियों द्वारा रैंकिंग को प्रभावित करने के लिए AI उपयोग बढ़ाने और कंपनियों की इंफरेंस लागत तेजी से बढ़ने का जिक्र है। 11116

यही टोकनमैक्सिंग की मुख्य खामी है: यह उत्पादकता के बजाय उसके एक अधूरे संकेतक को अनुकूलित करती है।

रिपोर्टों के मुताबिक, Meta ने लागत में “तेजी से बढ़ोतरी” देखने के बाद AI इस्तेमाल सीमित करने की बात कही थी। Meta और Amazon ने टोकन-उपयोग वाली लीडरबोर्ड भी हटा दीं। 12 इसका मतलब यह नहीं कि AI का कार्यस्थल पर कोई महत्व नहीं है; मतलब सिर्फ इतना है कि केवल खपत के आंकड़े उसका मूल्य साबित नहीं कर सकते।

नई समीक्षा में क्या बदलेगा

बताया गया है कि Meta की नई गाइडलाइन प्रबंधकों को कर्मचारी का प्रभाव आंकने के लिए टोकन टोटल या AI-अडॉप्शन डैशबोर्ड इस्तेमाल न करने को कहती है। 79

इसका व्यावहारिक अर्थ है कि सवाल अब “इस व्यक्ति ने कितना AI इस्तेमाल किया?” से बदलकर “इस व्यक्ति ने क्या हासिल किया?” होना चाहिए।

योगदान-केंद्रित समीक्षा में इन पहलुओं को देखा जा सकता है:

• काम की गुणवत्ता और शुद्धता;
• सिस्टम या प्रक्रिया की विश्वसनीयता और रखरखाव-योग्यता;
• ग्राहकों या आंतरिक टीमों के लिए उपयोगिता;
• व्यावसायिक या परिचालन असर; और
• यह समझ कि AI कब मददगार है और कब नहीं।

रिपोर्टेड गाइडलाइन का महत्वपूर्ण हिस्सा यह है कि परिणाम को श्रेय मिलना चाहिए, चाहे वह AI की मदद से आया हो या किसी दूसरे तरीके से। 79 यानी AI एक साधन बना रहेगा, स्कोरकार्ड नहीं।

फिर Meta Hatch की टेस्टिंग क्यों करवा रहा है?

इस नीति परिवर्तन को AI अपनाने से पीछे हटना नहीं समझना चाहिए। Meta कथित तौर पर कर्मचारियों को Hatch नाम की एक अधिक स्वायत्त AI-एजेंट परियोजना आजमाने के लिए भी प्रोत्साहित कर रहा है। 7

यह अंतर अहम है। केवल जवाब लिखने वाले चैटबॉट की तुलना में ऐसा एजेंट, जो वेबसाइटों और ऐप्स पर काम कर सके, कहीं अधिक जोखिम और संभावित उपयोगिता वाला उत्पाद है। आंतरिक टेस्टिंग से कंपनी यह जांच सकती है कि एजेंट काम सही तरीके से पूरा करता है या नहीं, अनुमति और नियंत्रण को सुरक्षित ढंग से संभालता है या नहीं, और उसका अनुभव भरोसेमंद है या नहीं।

Hatch के लिए उपयोगी मापदंड टेस्टर द्वारा खर्च किए गए टोकन नहीं होंगे। असली कसौटी यह होगी कि वह उपयोगी काम को भरोसेमंद ढंग से, उचित उपयोगकर्ता नियंत्रण के साथ और गलतियों, सुरक्षा जोखिमों या महंगी मानवीय निगरानी के बिना पूरा कर पाता है या नहीं।

व्यापक टेक उद्योग के लिए सबक

Meta का यह कथित बदलाव एक बड़े रुझान से मेल खाता है। शुरुआत में कई कंपनियों ने कर्मचारियों को ज्यादा से ज्यादा AI इस्तेमाल करने के लिए प्रेरित किया, लेकिन जल्द ही मुश्किल सवाल सामने आया: क्या इस खर्च से मापने योग्य लाभ मिल रहा है? कई रिपोर्टों में उत्पादकता में समान बढ़त के बिना AI लागत बढ़ने का जिक्र है, जिसके कारण कुछ नियोक्ता सीमाएं, बजट या ज्यादा चुनिंदा उपयोग अपनाने लगे हैं। 11011

नियोक्ताओं के लिए बेहतर तरीका यह है कि AI को परिणामों से जुड़े प्रयोग की तरह लिया जाए:

1. पहले तय करें कि कौन-सा काम बेहतर होना चाहिए।
2. केवल टूल-गतिविधि नहीं, बल्कि गुणवत्ता, बचा समय, विश्वसनीयता और लागत मापें।
3. फैसलों और अंतिम आउटपुट के लिए मानवीय जवाबदेही बनाए रखें।
4. AI-सहायित काम की तुलना उपयुक्त गैर-AI आधाररेखा से करें।
5. ऐसे प्रोत्साहन बंद करें जो बेवजह मॉडल इस्तेमाल को बढ़ावा दें।

मुख्य निष्कर्ष साफ है: AI उपयोग का डेटा क्षमता-योजना और लागत नियंत्रण के लिए उपयोगी हो सकता है, लेकिन वह कर्मचारी के योगदान का विकल्प नहीं है। Meta का रिपोर्टेड बदलाव इसी फर्क को रेखांकित करता है—AI की खपत को नहीं, काम के असर को पुरस्कृत कीजिए। 79