ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਭਰਤੀ ਦੇ ਮਾਪਦੰਡਾਂ ਵਿੱਚ ਵੱਡਾ ਬਦਲਾਅ ਆਇਆ ਹੈ। ਹੁਣ ਕੰਪਨੀਆਂ ਟੋਕਨਾਂ ਦੀ ਜ਼ਿਆਦਾ ਵਰਤੋਂ ਕਰਨ ਵਾਲੇ ਉਮੀਦਵਾਰਾਂ ਦੀ ਥਾਂ ਅਜਿਹੇ ਲੋਕਾਂ ਨੂੰ ਤਰਜੀਹ ਦੇ ਰਹੀਆਂ ਹਨ ਜੋ ਕਾਰੋਬਾਰ ਲਈ ਠੋਸ ਨਤੀਜੇ (measurable business results) ਲਿਆ ਸਕਣ, ਜਿਵੇਂ ਕਿ ਖਰਚੇ ਘਟਾਉਣਾ ਅਤੇ ਉਤਪਾਦਾਂ ਨੂੰ ਜਲਦੀ ਬਾਜ਼ਾਰ ਵਿੱਚ ਲਿਆਉਣਾ।
AI ਵਿੱਚ ਨੌਕਰੀਆਂ ਹਾਸਲ ਕਰਨ ਦੇ ਮਾਪਦੰਡ ਹੁਣ ਇੱਕ ਨਵੇਂ ਪਾਸੇ ਮੁੜ ਰਹੇ ਹਨ। ਹਾਇਰਿੰਗ ਮੈਨੇਜਰ ਹੁਣ ਉਨ੍ਹਾਂ ਉਮੀਦਵਾਰਾਂ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰ ਰਹੇ ਹਨ ਜੋ ਸਿਰਫ਼ ਅਰਬਾਂ-ਖਰਬਾਂ ਟੋਕਨਾਂ (billions of tokens) ਦੇ ਪ੍ਰੋਸੈਸਿੰਗ ਬਾਰੇ ਗੱਲ ਕਰਦੇ ਹਨ। ਉਨ੍ਹਾਂ ਨੂੰ ਇਹ ਲਾਲ ਝੰਡਾ (red flag) ਲੱਗ ਰਿਹਾ ਹੈ ਜੇਕਰ ਇਹ ਅੰਕੜੇ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਕਾਰੋਬਾਰੀ ਕੁਸ਼ਲਤਾ (operational efficiency) ਨਾਲ ਜੁੜੇ ਹੋਏ ਨਾ ਹੋਣ। ਇਹ ਤਬਦੀਲੀ 'ਵੈਲਿਊ ਮੈਕਸਿੰਗ' (value maxing) ਦੇ ਵੱਡੇ ਰੁਖ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ, ਜਿੱਥੇ ਕਾਰੋਬਾਰਾਂ ਨੂੰ ਸਬੂਤ ਚਾਹੀਦਾ ਹੈ ਕਿ AI ਪਹਿਲਕਦਮੀਆਂ (initiatives) ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਮੁਨਾਫੇ (bottom line) ਵਿੱਚ ਯੋਗਦਾਨ ਪਾ ਰਹੀਆਂ ਹਨ।
ਆਰਥਿਕ ਦਬਾਅ ਅਤੇ AI ਖਰਚ
ਇਹ ਬਦਲਾਅ AI ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੀ ਅਸਲ ਆਰਥਿਕ ਹਕੀਕਤ (economic reality) ਕਾਰਨ ਆ ਰਿਹਾ ਹੈ। ਜਿਉਂ-ਜਿਉਂ ਕੰਪਨੀਆਂ AI ਨੂੰ ਆਪਣੇ ਕੰਮਕਾਜ ਵਿੱਚ ਡੂੰਘਾਈ ਨਾਲ ਜੋੜ ਰਹੀਆਂ ਹਨ, ਇਨਫੇਰੈਂਸ (inference - AI ਮਾਡਲ ਚਲਾਉਣ ਦੀ ਪ੍ਰਕਿਰਿਆ) ਦੇ ਖਰਚੇ 'ਤੇ ਬਾਰੀਕੀ ਨਾਲ ਨਜ਼ਰ ਰੱਖੀ ਜਾ ਰਹੀ ਹੈ। ਸੰਸਥਾਵਾਂ ਹੁਣ ਪ੍ਰਯੋਗਾਤਮਕ (experimental adoption) ਪੜਾਅ ਤੋਂ ਅੱਗੇ ਵਧ ਕੇ AI ਖਰਚਿਆਂ ਨੂੰ ਹੋਰ ਕੈਪੀਟਲ ਨਿਵੇਸ਼ਾਂ ਵਾਂਗ ਹੀ ਗੰਭੀਰਤਾ ਨਾਲ ਟਰੈਕ ਕਰ ਰਹੀਆਂ ਹਨ। ਉਦਾਹਰਨ ਵਜੋਂ, ਹਾਲੀਆ ਰਿਪੋਰਟਾਂ ਦੱਸਦੀਆਂ ਹਨ ਕਿ Uber ਵਰਗੀਆਂ ਵੱਡੀਆਂ ਟੈਕਨਾਲੋਜੀ ਫਰਮਾਂ ਨੂੰ ਵੀ ਆਪਣੇ AI ਬਜਟ ਦਾ ਮੁੜ ਮੁਲਾਂਕਣ ਕਰਨਾ ਪਿਆ ਹੈ, ਜਿਸ ਤੋਂ ਬਾਅਦ ਥੋੜ੍ਹੇ ਸਮੇਂ ਵਿੱਚ ਹੀ ਵੱਡਾ ਖਰਚਾ ਹੋਇਆ। ਅਜਿਹੀਆਂ ਘਟਨਾਵਾਂ ਇਹ ਸਪੱਸ਼ਟ ਕਰਦੀਆਂ ਹਨ ਕਿ ਕੰਪਨੀਆਂ ਹੁਣ ਅਜਿਹੇ ਪ੍ਰੋਫੈਸ਼ਨਲਾਂ ਨੂੰ ਤਰਜੀਹ ਕਿਉਂ ਦੇ ਰਹੀਆਂ ਹਨ ਜੋ ਖਰਚਿਆਂ ਨੂੰ ਅਨੁਕੂਲ (optimize) ਕਰ ਸਕਣ, ਜਿਵੇਂ ਕਿ ਆਮ ਕੰਮਾਂ ਲਈ ਸਸਤੇ, ਛੋਟੇ ਮਾਡਲਾਂ ਦੀ ਚੋਣ ਕਰਨਾ, ਨਾ ਕਿ ਮਹਿੰਗੇ ਫਰੰਟੀਅਰ ਮਾਡਲਾਂ (frontier models) 'ਤੇ ਨਿਰਭਰ ਰਹਿਣਾ।
ਨਵੀਂ ਭਰਤੀ ਦੀ ਜ਼ਰੂਰਤ
ਹੁਣ ਭਰਤੀ ਦੀਆਂ ਰਣਨੀਤੀਆਂ (recruitment strategies) ਤਕਨੀਕੀ ਯੋਗਤਾ (technical capability) ਅਤੇ ਵਪਾਰਕ ਸਮਝ (business acumen) ਦਾ ਮਿਸ਼ਰਣ ਜ਼ੋਰ ਦੇ ਰਹੀਆਂ ਹਨ। ਮਾਲਕ ਸਿਰਫ਼ ਪਲੇਟਫਾਰਮ ਦੇ ਤਜਰਬੇ ਵਿੱਚ ਘੱਟ ਦਿਲਚਸਪੀ ਲੈ ਰਹੇ ਹਨ ਅਤੇ ਇਸ ਗੱਲ ਦੇ ਸਬੂਤ 'ਤੇ ਵਧੇਰੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰ ਰਹੇ ਹਨ ਕਿ ਉਮੀਦਵਾਰ ਨੇ ਵਰਕਫਲੋ (workflows) ਨੂੰ ਕਿਵੇਂ ਸਫਲਤਾਪੂਰਵਕ ਸੁਧਾਰਿਆ ਹੈ, ਕੰਮ ਪੂਰਾ ਕਰਨ ਦੇ ਸਮੇਂ (turnaround times) ਨੂੰ ਘਟਾਇਆ ਹੈ, ਜਾਂ ਬਿਹਤਰ ਫੈਸਲੇ ਲੈਣ ਵਿੱਚ ਕਿਵੇਂ ਮਦਦ ਕੀਤੀ ਹੈ। ਉਦਯੋਗਿਕ ਨਿਰੀਖਣਾਂ (industry observations) ਅਨੁਸਾਰ, ਤਕਨੀਕੀ ਪ੍ਰਵੀਨਤਾ (technical proficiency) ਦਾ ਮੁਲਾਂਕਣ ਆਲੋਚਨਾਤਮਕ ਸੋਚ (critical thinking) ਅਤੇ ਖਾਸ ਉਦੇਸ਼ ਨਾਲ AI ਲਾਗੂ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਨਾਲ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ। ਇਹ ਪ੍ਰਤਿਭਾ (talent) ਲਈ ਇੱਕ ਉੱਚ ਮਿਆਰ (high bar) ਬਣਾਉਂਦਾ ਹੈ, ਖਾਸ ਤੌਰ 'ਤੇ ਜਦੋਂ ਕੰਪਨੀਆਂ ਕੁਸ਼ਲ ਪੇਸ਼ੇਵਰਾਂ ਦੀ ਲਗਾਤਾਰ ਕਮੀ ਨਾਲ ਜੂਝ ਰਹੀਆਂ ਹਨ ਜਿਨ੍ਹਾਂ ਕੋਲ AI ਦੀ ਸਮਝ (AI literacy) ਅਤੇ ਤਕਨਾਲੋਜੀ ਨੂੰ ਯੂਨਿਟ ਇਕਨਾਮਿਕਸ (unit economics) ਨਾਲ ਜੋੜਨ ਦੀ ਯੋਗਤਾ ਦੋਵੇਂ ਹਨ।
ਸਫਲਤਾ ਨੂੰ ਮਾਪਣ ਦੇ ਮਾਪਦੰਡ
ਤਕਨੀਕੀ ਆਉਟਪੁੱਟ ਅਤੇ ਵਿੱਤੀ ਪ੍ਰਦਰਸ਼ਨ (financial performance) ਵਿਚਕਾਰ ਪਾੜੇ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ, ਕਾਰੋਬਾਰ ਨਵੇਂ ਮੁੱਖ ਪ੍ਰਦਰਸ਼ਨ ਸੂਚਕਾਂਕ (key performance indicators - KPIs) ਅਪਣਾ ਰਹੇ ਹਨ। ਸਫਲਤਾ ਨੂੰ ਹੁਣ ਪ੍ਰਤੀ-ਨਤੀਜਾ ਲਾਗਤ (cost-per-outcome), AI ਨਿਵੇਸ਼ 'ਤੇ ਰਿਟਰਨ (return on AI investment), ਅਤੇ ਨਤੀਜੇ ਤੱਕ ਪਹੁੰਚਣ ਦਾ ਸਮਾਂ (time-to-outcome) ਵਰਗੇ ਮੈਟ੍ਰਿਕਸ (metrics) ਦੁਆਰਾ ਮਾਪਿਆ ਜਾ ਰਿਹਾ ਹੈ। ਨਿਵੇਸ਼ਕਾਂ (investors) ਅਤੇ ਕੰਪਨੀ ਹਿੱਸੇਦਾਰਾਂ (stakeholders) ਲਈ, ਇਹ ਮੈਟ੍ਰਿਕਸ ਕਿਸੇ ਕਾਰੋਬਾਰ ਦੀ AI ਰਣਨੀਤੀ ਦੀ ਸਥਿਰਤਾ (sustainability) ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਜ਼ਰੂਰੀ ਸਾਧਨ ਬਣ ਰਹੇ ਹਨ। ਕਿਸੇ ਕੰਪਨੀ ਦੀ AI ਨੂੰ ਕੁਸ਼ਲਤਾ ਨਾਲ ਵਰਤਣ ਦੀ ਯੋਗਤਾ ਨੂੰ ਹੁਣ ਇੱਕ ਅਜਿਹਾ ਕਾਰਕ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ ਜੋ ਸੰਚਾਲਨ ਮਾਰਜਿਨ (operating margins) ਅਤੇ ਲੰਬੇ ਸਮੇਂ ਦੀ ਮੁਕਾਬਲੇਬਾਜ਼ੀ (competitiveness) ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰ ਸਕਦਾ ਹੈ।
ਜਿਵੇਂ-ਜਿਵੇਂ ਉਦਯੋਗ ਪਰਿਪੱਕ (matures) ਹੋ ਰਿਹਾ ਹੈ, ਨੌਕਰੀ ਭਾਲਣ ਵਾਲਿਆਂ ਅਤੇ ਸੰਗਠਨਾਂ ਦੋਵਾਂ ਲਈ ਫੋਕਸ ਮਾਪਣਯੋਗ ਕਾਰੋਬਾਰੀ ਪ੍ਰਭਾਵ (measurable business impact) 'ਤੇ ਬਣਿਆ ਰਹੇਗਾ। ਨਿਵੇਸ਼ਕਾਂ ਲਈ ਅਗਲਾ ਮਹੱਤਵਪੂਰਨ ਕਦਮ ਇਹ ਨਿਗਰਾਨੀ ਕਰਨਾ ਹੋਵੇਗਾ ਕਿ ਕੰਪਨੀਆਂ ਆਪਣੀਆਂ ਤਿਮਾਹੀ ਰਿਪੋਰਟਾਂ ਵਿੱਚ AI-ਡ੍ਰਾਈਵਨ ਕੁਸ਼ਲਤਾ ਲਾਭਾਂ (efficiency gains) ਦੀ ਰਿਪੋਰਟ ਕਿਵੇਂ ਕਰਦੀਆਂ ਹਨ, ਖਾਸ ਕਰਕੇ ਇਹ ਕਿ ਕੀ ਇਹਨਾਂ ਨਿਵੇਸ਼ਾਂ ਦਾ ਨਤੀਜਾ ਘੱਟ ਸੰਚਾਲਨ ਲਾਗਤਾਂ (operational costs) ਜਾਂ ਉੱਚ ਉਤਪਾਦ ਮਾਰਜਿਨ (product margins) ਵਿੱਚ ਹੋ ਰਿਹਾ ਹੈ।