कंपन्या आता AI टॅलेंट निवडताना फक्त किती 'टोकन्स' वापरले यावर लक्ष देत नाहीत, तर त्याऐवजी खर्च कमी करणे आणि उत्पादन विकासाला गती देणे यासारखे मोजता येण्याजोगे व्यावसायिक परिणाम देणाऱ्या उमेदवारांना प्राधान्य देत आहेत. एन्टर्प्रायझेस (enterprises) आणि स्टार्टअप्स (startups) दोन्ही AI बजेट (budgets) कडक करत असल्याने आणि गुंतवणुकीवर स्पष्ट परतावा (ROI) मागत असल्याने हा 'व्हॅल्यू-मॅक्सिंग' (value-maxing) बदल होत आहे.
AI क्षेत्रातील नोकरीच्या संधींमध्ये मोठे बदल!
आर्टिफिशियल इंटेलिजन्स (AI) क्षेत्रातील नोकरीच्या संधींसाठीचे निकष आता झपाट्याने बदलत आहेत. कंपन्या आता केवळ 'बिलियन्स ऑफ टोकन्स' (billions of tokens) वापरल्याची बढाई मारणाऱ्या उमेदवारांना नाकारत आहेत. जर हे आकडे थेट आर्थिक किंवा ऑपरेशनल कार्यक्षमतेशी संबंधित नसतील, तर ते चिंताजनक मानले जात आहे. याचा अर्थ कंपन्यांना आता AI मुळे मिळणाऱ्या 'व्हॅल्यू' (value) चा पुरावा हवा आहे, जी थेट नफ्याशी संबंधित असेल.
आर्थिक दबावामुळे AI खर्चाचे पुनर्मूल्यांकन
AI च्या प्रत्यक्ष वापरामुळे येणारा खर्च (cost of inference) सध्या चांगलाच चर्चेत आहे. कंपन्या आता AI चा वापर केवळ प्रयोगांपुरता मर्यादित न ठेवता, इतर भांडवली गुंतवणुकीप्रमाणेच AI वरील खर्चाचाही बारकाईने मागोवा घेत आहेत. उबर (Uber) सारख्या मोठ्या तंत्रज्ञान कंपन्यांनाही AI च्या वेगाने वाढलेल्या वापरामुळे कमी कालावधीत जास्त खर्च आल्यानंतर त्यांचे AI बजेट (AI budgets) पुन्हा तपासावे लागले. यामुळे कंपन्या आता असे व्यावसायिक शोधत आहेत जे खर्चात कपात करू शकतील, जसे की सामान्य कामांसाठी महागड्या मॉडेलऐवजी (models) स्वस्त आणि लहान मॉडेल्सची निवड करणे.
नवीन भरती धोरणे
नोकरभरती करताना आता तांत्रिक क्षमता आणि व्यावसायिक दृष्टिकोन यांचा मिलाफ पाहिला जात आहे. केवळ प्लॅटफॉर्मचा अनुभव पुरेसा नाही, तर उमेदवाराने कामाची पद्धत (workflows) कशी सुधारली, कामाला लागणारा वेळ कसा कमी केला किंवा निर्णयक्षमता कशी वाढवली याचा पुरावा महत्त्वाचा ठरत आहे. AI चे ज्ञान असणाऱ्या तसेच तंत्रज्ञानाचा थेट आर्थिक फायद्याशी संबंध जोडणाऱ्या कुशल व्यावसायिकांची सध्या मोठी कमतरता आहे.
यशाचे मोजमाप करण्याची नवी पद्धत
तांत्रिक उत्पादन आणि आर्थिक कामगिरी यांच्यातील अंतर कमी करण्यासाठी, व्यवसाय आता नवीन प्रमुख कार्यप्रदर्शन निर्देशक (Key Performance Indicators - KPIs) वापरत आहेत. यामध्ये 'कॉस्ट-पर-आउटकम' (cost-per-outcome), 'रिटर्न ऑन AI इन्व्हेस्टमेंट' (Return on AI investment) आणि 'टाइम-टू-आउटकम' (time-to-outcome) यांसारख्या मेट्रिक्सचा (metrics) समावेश आहे. गुंतवणूकदार आणि भागधारकांसाठी (stakeholders), AI धोरणाची टिकाऊपणा तपासण्यासाठी हे मेट्रिक्स अत्यंत महत्त्वाचे ठरत आहेत. AI चा कार्यक्षम वापर कंपन्यांच्या ऑपरेटिंग मार्जिन (operating margins) आणि दीर्घकालीन स्पर्धेवर परिणाम करू शकतो.
AI उद्योग जसजसा परिपक्व होत जाईल, तसतसे नोकरी शोधणारे आणि कंपन्या दोघांसाठीही मोजता येण्याजोग्या व्यावसायिक परिणामांवर लक्ष केंद्रित राहील. गुंतवणूकदारांसाठी पुढील महत्त्वाचे पाऊल म्हणजे कंपन्या त्यांच्या तिमाही निकालांमध्ये (quarterly results) AI-आधारित कार्यक्षमतेतील वाढ कशी दर्शवतात, विशेषतः या गुंतवणुकीमुळे ऑपरेशनल खर्च कमी होत आहे की उत्पादन मार्जिन वाढत आहे, यावर लक्ष ठेवणे.