ஸ்ரீதர் வேம்புவின் AI எச்சரிக்கை என்பது கணினியில் செய்யப்படும் வேலைகளின் செலவும் செயல்முறையும் மாறலாம் என்ற கருத்து. இதை “கணினியில் வேலை செய்யும் 90 சதவீதம் பேருக்கு வேலை போய்விடும்” என்ற உறுதியான கணிப்பாக எடுத்துக்கொள்ளக்கூடாது. அந்த முடிவைத் தவிர்க்க வேண்டும் என்று அவரே விளக்கியுள்ளார். 2026 அக்டோபர் 29 அன்று பேசப்பட்ட பதிவில் productivity, புதிய தேவை, பொருளாதார மாற்றத்தின் சிரமம் ஆகிய மூன்றும் இடம்பெறுகின்றன. முழுப் பின்னணியுடன் செய்தியைப் படிப்பது முக்கியம்.
ஊழியருக்குப் பயனுள்ள கேள்வி “என் வேலை நாளையே போய்விடுமா?” என்பதுடன் முடிந்துவிடாது. தினமும் செய்யும் எந்தப் பணியை AI உதவியுடன் மேம்படுத்தலாம், தவறுகளை எப்படிக் கண்டுபிடிக்கலாம், எந்தத் திறனை அடுத்து வளர்க்கலாம் என்பதுதான் முக்கியம். இங்கே செய்தியின் பின்னணி, ஆய்வுகளின் வரம்பு, பாதுகாப்பான பயிற்சிக்கான வழி ஆகியவற்றைப் பார்க்கலாம். இது வேலைவாய்ப்பு பற்றிய தனிப்பட்ட கணிப்பு அல்ல; மாறும் வேலைமுறையைப் புரிந்துகொள்வதற்கான விளக்கம்.
ஸ்ரீதர் வேம்பு உண்மையில் என்ன சொன்னார்?
AI கருவிகளைச் சரியாகப் பயன்படுத்தும் திறமையான ஒருவர் முன்பு பலர் செய்த கணினிசார் பணிகளைச் செய்யக்கூடிய நிலை உருவாகிறது என்ற அபாயத்தை வேம்பு குறிப்பிட்டார். அவர் பயன்படுத்திய பத்து பேர் என்ற ஒப்பீடு எல்லா நிறுவனங்களிலும் அளந்து நிரூபிக்கப்பட்ட பொதுவிதி அல்ல. குறிப்பிட்ட தொழிலில் எத்தனை பேர் வேலை இழப்பார்கள் என்ற அதிகாரப்பூர்வ புள்ளிவிவரமாகவும் அது வெளியிடப்படவில்லை. கருத்துக்கும் அளவிடப்பட்ட தரவுக்கும் இடையிலான வேறுபாட்டைத் தெளிவாகப் புரிந்துகொள்ள வேண்டும்.
அதே பதிவில் செலவு குறைவதால் புதிய வாடிக்கையாளர்கள் உருவாகலாம் என்ற பக்கத்தையும் அவர் எடுத்துரைத்தார். முன்பு software engineer அல்லது digital marketer சேவையை வாங்க முடியாத தொழில்களுக்குப் பின்னர் அந்தச் சேவை எட்டக்கூடும். எனவே செய்தியில் அபாயம் மட்டுமல்ல, புதிய வேலைத் தேவை உருவாகக்கூடிய வாய்ப்பும் இருக்கிறது. தலைப்பின் ஒரு பகுதியை மட்டும் பகிர்ந்தால் இந்த முக்கியமான பின்னணி காணாமல் போகிறது. முழுக் கருத்தை வாசித்தபின் அதன் பொருளைப் புரிந்துகொள்ளலாம்.
அவரது கருத்து பொருளாதாரத்தில் வேலைகள் மறுசீரமைக்கப்படுவது பற்றியது. சில பணிகள் குறைந்த மனித நேரத்தில் முடிவடையலாம்; சில பொறுப்புகள் மாறலாம்; வேறு தேவைகள் உருவாகலாம். அந்த மாற்றம் அனைவருக்கும் ஒரே வேகத்தில் நடக்காது. எந்த நாளில் எந்தப் பணியாளரின் வேலை முடியும் என்று இந்தப் பதிவிலிருந்து தீர்மானிக்க முடியாது. தனிப்பட்ட வேலை முடிவுகளுக்கு ஒரு சமூக ஊடகத் தலைப்பு மட்டும் போதுமான தகவல் அல்ல. வேலை செய்யும் நிறுவனத்தின் உண்மையான நிலையும் முக்கியம்.
ஒரு task மாறுவதும் முழு வேலை மாறுவதும் ஒன்றல்ல
ஒரு வேலைக்குள் பல தனித்தனி செயல்கள் இருக்கின்றன. Digital marketing செய்பவர் caption எழுதுவதுடன் நிறுத்துவதில்லை. வாடிக்கையாளரின் நோக்கத்தைப் புரிந்துகொள்வது, பொருளின் உண்மையான பயனைச் சொல்வது, campaign முடிவுகளை மதிப்பிடுவது, தவறான கூற்றைத் தவிர்ப்பது போன்ற பொறுப்புகளும் உள்ளன. AI முதல் draft கொடுக்கலாம். ஆனால் அந்த draft வணிகத்தின் தேவைக்குப் பொருந்துகிறதா என்று முடிவு செய்ய மனிதப் புரிதல் தேவைப்படுகிறது. வேகம் மட்டுமே தரத்தின் அளவுகோல் அல்ல.
உள்ளூர் தமிழ் இணையதளத்தை எடுத்துக்கொள்வோம். AI தலைப்புகளுக்கான யோசனைகள் அல்லது கட்டுரையின் அமைப்பைத் தரலாம். ஆனால் செய்தி எந்த ஊரில் நடந்தது, புகைப்படம் அந்த நிகழ்வுக்குரியதா, அதிகாரியின் பெயர் சரியா, தேதி பழையதா என்பதை ஆசிரியர் சரிபார்க்க வேண்டும். தவறான செய்தியை விரைவாக வெளியிடுவது நல்ல productivity அல்ல. பின்னர் திருத்துவதற்கும் வாசகர் நம்பிக்கையை மீட்டெடுப்பதற்கும் நேரம் செலவாகும். அந்தச் செலவையும் மொத்த வேலையில் கணக்கிட வேண்டும்.
Developer உருவாக்கிய code உடனே இயங்குவது மட்டுமே வெற்றி அல்ல. தேவையைச் சரியாக நிறைவேற்றுகிறதா, தவறான input வந்தால் என்ன ஆகும், பாதுகாப்பு பிரச்சினை இருக்கிறதா என்று பார்க்க வேண்டும். AI உருவாக்கும் output எண்ணிக்கையை மட்டும் கொண்டு வேலைத் திறனை மதிப்பிட முடியாது. சரியான முடிவு, review நேரம், பராமரிப்பு ஆகியவற்றையும் சேர்த்து அளவிடுவது நியாயமான முறை. நீண்டகாலத்தில் பயன்படுத்தக்கூடிய வேலையைத்தான் உண்மையான முன்னேற்றமாகக் கருத முடியும்.
உங்கள் செயல்களை மூன்று வகையாகப் பிரிக்கலாம்: மீண்டும் வரும் எளிய tasks, நிபுணர் review வேண்டிய tasks, மனிதர் பொறுப்பேற்க வேண்டிய முடிவுகள். முதல் வகையில் சிறிய experiment தொடங்குவது வசதியாக இருக்கும். இரண்டாவதில் துறை அறிவு தேவை. மூன்றாவதை AI பதிலின் அடிப்படையில் மட்டும் முடிக்காமல் நிறுவனத்தின் நடைமுறையையும் பொறுப்பையும் கவனிக்க வேண்டும். இந்த வகைப்படுத்தல் ஒவ்வொரு நிறுவனத்துக்கும் வேறுபடலாம்; உங்கள் வேலைக்கேற்றபடி மாற்றிக்கொள்ளலாம்.
FACT: AI வேலை ஆய்வுகள் எதை அளவிடுகின்றன?
International Labour Organization வெளியிட்ட occupational exposure ஆய்வு பல தொழில்களில் மனிதர் செய்ய வேண்டிய செயல்கள் தொடர்ந்து இருப்பதால் முழுமையான மாற்றீட்டைவிட வேலைகளின் தன்மை மாறுவது முக்கிய விளைவாக இருக்கலாம் என்று விளக்குகிறது. Exposure என்பது AI சில tasks மீது தாக்கம் ஏற்படுத்தக்கூடிய அளவு. உண்மையில் ஏற்கெனவே வேலை இழந்தவர்களின் எண்ணிக்கை என்று அதைப் புரிந்துகொள்ளக்கூடாது. இந்த இரண்டு அளவுகளையும் கலப்பது தவறான அச்சத்தை உருவாக்கும். ஆய்வின் முறை மற்றும் வரம்பை அறிந்துகொள்ள வேண்டும்.
NBER வெளியிட்ட Generative AI at Work ஆய்வு குறிப்பிட்ட customer support சூழலில் AI உதவியால் உற்பத்தித்திறன் மேம்பட்டதை ஆராய்ந்தது. எல்லா ஊழியர்களுக்கும் பலன் ஒரே அளவில் இல்லை. அனுபவம் குறைவானவர்களுக்குக் கூடுதல் உதவி கிடைத்தது. அந்த முடிவை இந்தியாவின் எல்லா துறைகளுக்கும் நேரடியாகப் பயன்படுத்த முடியாது. கருவி, பயிற்சி, வேலைவகை, தரச் சோதனை ஆகியவற்றின் அடிப்படையில் விளைவுகள் மாறும். ஒரு ஆய்வு எல்லா வேலைகளுக்கும் ஒரே பதிலை வழங்குவதில்லை.
வேம்புவின் கருத்தும் இத்தகைய ஆய்வுகளும் ஒரே வகை ஆதாரம் அல்ல. ஒன்று தொழில்துறை நபரின் மதிப்பீடு; மற்றொன்று குறிப்பிட்ட முறையில் சேகரிக்கப்பட்ட தரவு. “பத்து மடங்கு” என்ற கூற்று வந்தால் எந்த வேலை, எந்த input, எந்த quality இலக்கு என்பதைக் கேளுங்கள். சோதிக்கப்பட்ட சூழல் தெரியாமல் பெரிய எண்ணை உங்கள் சம்பளத்துடனோ எதிர்காலத்துடனோ நேரடியாக இணைக்க வேண்டாம். ஆதாரத்தை அதன் உண்மையான சூழலில் படிப்பது நல்ல பழக்கம்.
ஊழியர்கள் முதலில் எந்தத் திறன்களை வளர்க்கலாம்?
முதலில் தெளிவாகக் கேள்வி கேட்பதைப் பயிற்சி செய்யுங்கள். என்ன செய்ய வேண்டும், யாருக்காக output வேண்டும், எந்த input பயன்படுத்த வேண்டும், எதை ஊகிக்கக்கூடாது என்று எழுதுங்கள். “ஒரு நல்ல பதில் கொடு” என்ற கோரிக்கையைவிட தெளிவான வேலை விளக்கம் பயனுள்ளதாக இருக்கும். இருப்பினும் நல்ல prompt இருந்தாலும் தவறு வரலாம். அதனால்தான் சரிபார்ப்பு தனித் திறனாகத் தேவைப்படுகிறது. AI பதிலை முழுவதும் நம்புவதற்கு முன் அதைச் சோதிக்க வழி இருக்க வேண்டும்.
அடுத்ததாக உங்கள் துறையின் அடிப்படை அறிவை வளர்க்க வேண்டும். கணக்குப் பணியில் கணக்கு புரிய வேண்டும்; ஆசிரியருக்குப் பாடம் புரிய வேண்டும்; செய்தி எழுதுபவருக்கு ஆதாரத்தின் தரம் புரிய வேண்டும். AI சொல்வதை மதிப்பிட முடியாத நிலையில் அதிக output உருவாக்குவது ஆபத்தானது. கருவியைப் பயன்படுத்துவதையும் நிபுணத்துவத்தை வளர்ப்பதையும் ஒன்றாகச் செய்யுங்கள். ஒன்றுக்குப் பதிலாக மற்றொன்றைத் தேர்வு செய்ய வேண்டிய அவசியம் இல்லை. இரண்டும் சேர்ந்தால் வேலை தரத்தை மேம்படுத்த உதவலாம்.
தகவல்தொடர்பும் முக்கியமான திறன். வாடிக்கையாளரிடம் தெளிவு கேட்பது, எதிர்பார்ப்பைச் சரிசெய்வது, செய்த வேலையின் வரம்பை விளக்குவது போன்றவற்றை AI மட்டும் முழுமையாக ஏற்க முடியாது. உங்கள் வேலை ஏன் பயனுள்ளது என்று எளிய மொழியில் சொல்லத் தெரிந்தால் team உடன் செயல்படுவது எளிதாகும். தொழில்நுட்பத்துக்கு வெளியே உள்ள இந்தத் திறன்களையும் பயிற்சியில் சேர்த்துக்கொள்ளுங்கள். வேலையின் நோக்கத்தைப் புரிந்துகொள்வது prompt எழுதுவதைவிட பெரிய திறனாக இருக்கலாம்.
30 நாள் பயிற்சி: ஒரு workflow-இல் தொடங்குங்கள்
முதல் வாரம்: தினசரி செய்யும் வேலைகளையும் அவற்றுக்குச் செலவாகும் நேரத்தையும் எழுதுங்கள். எந்த வேலையில் அடிக்கடி தவறு வருகிறது என்பதையும் குறியுங்கள். தனிப்பட்ட தகவல் இல்லாத சிறிய task தேர்ந்தெடுக்கவும். பொதுவான notes-இலிருந்து checklist உருவாக்குவது அல்லது ஏற்கெனவே சரிபார்க்கப்பட்ட உரையை அமைப்பது தொடக்கப் பயிற்சியாக இருக்கலாம். குறிக்கோள் முழு வேலையையும் உடனே automate செய்வது அல்ல. உண்மையான பிரச்சினையைத் தேர்ந்தெடுப்பதே முதல் படி.
இரண்டாம் வாரம்: தேர்ந்தெடுத்த task-ஐ பல input-களுடன் சோதியுங்கள். Output format ஒன்றாக இருக்கிறதா, கொடுக்காத தகவலைக் கருவி உருவாக்குகிறதா, முக்கிய விஷயம் விடுபடுகிறதா என்று பாருங்கள். விளக்கத்தைச் சரிசெய்து மீண்டும் சோதிக்கவும். எந்த மாற்றத்தால் முடிவு மேம்பட்டது என்று பதிவு வைத்தால் அடுத்த முயற்சியில் அதே தவறைத் தவிர்க்க முடியும். வெற்றிகரமான ஒரு demo மட்டும் போதாது; தொடர்ந்து ஒரே தரம் கிடைக்கிறதா என்பதையும் பாருங்கள்.
மூன்றாம் வாரம்: AI எடுத்த நேரத்துடன் மனித review நேரத்தையும் சேர்த்துக் கணக்கிடுங்கள். வேலையை ஆரம்பத்திலிருந்து செய்வதைவிட உண்மையில் நேரம் மிச்சமா என்று பாருங்கள். Output வேகமாக வந்தாலும் திருத்தம் அதிகமாக இருந்தால் workflow இன்னும் தயாராகவில்லை. தவறுகளை வகைப்படுத்துங்கள்: பெயர் பிழை, கற்பனை ஆதாரம், எண் பிழை, தவறான tone ஆகியவை வேறுபட்ட பிரச்சினைகள். ஒவ்வொன்றுக்கும் சரியான review தேவை. கண்டுபிடித்த சிக்கல்களை மறைக்காமல் பதிவு செய்யுங்கள்.
நான்காம் வாரம்: பயனுள்ள மாதிரி வேலையைத் தயாரியுங்கள். பழைய செயல்முறை, புதிய செயல்முறை, மனிதர் சரிபார்க்கும் இடம், கருவி தவறும்போது நிறுத்த வேண்டிய நிலை ஆகியவற்றை எழுதுங்கள். நேர்காணல் அல்லது freelance proposal-இல் “AI தெரியும்” என்பதைக் காட்டிலும் பிரச்சினையை நம்பகமாகத் தீர்க்க முடியும் என்பதை நிரூபிப்பது பயனுள்ளது. உண்மையில் அளந்த முடிவுகளை மட்டுமே பகிருங்கள். கற்பனையான சேமிப்பு எண்ணைச் சாதனையாகக் கூற வேண்டாம்.
Advice: தகவலைப் பாதுகாத்து பயிற்சி செய்யுங்கள்
வாடிக்கையாளரின் private files, passwords, அடையாள ஆவணங்கள் அல்லது வெளியிடப்படாத business திட்டங்களை எந்த tool-இலும் அனுமதி இல்லாமல் பதிவேற்ற வேண்டாம். நிறுவனத்தின் data policy, அனுமதிக்கப்பட்ட கருவிகள், சேமிப்பு விதிகள் ஆகியவற்றைப் பாருங்கள். பயிற்சிக்காக கற்பனைத் தரவு அல்லது அடையாளம் நீக்கப்பட்ட தகவலைப் பயன்படுத்தலாம். வசதி கிடைக்கிறது என்பதற்காக உணர்வுப்பூர்வமான தகவலைப் பகிர்வது நல்ல நடைமுறை அல்ல. தனியுரிமை விதிகளைப் புரிந்துகொள்வதும் AI literacy-இன் ஒரு பகுதிதான்.
Subscription வாங்குவதற்கு முன் உங்கள் தேவையை எழுதுங்கள். மாதச் செலவுடன் பயிற்சி நேரம், review நேரம், தவறான output-இன் செலவு ஆகியவற்றையும் பாருங்கள். புதிய கருவிகள் தினமும் வரலாம்; எல்லாவற்றையும் கற்க வேண்டிய கட்டாயம் இல்லை. உங்கள் வேலையில் பயன்படும் செயல்முறையைத் தெளிவாகக் கற்றுக்கொண்டு அதன் தரத்தை மேம்படுத்துவது ஆரம்பத்தில் போதுமான இலக்கு. செலவைக் கூட்டுவதற்கு முன் பயன் இருக்கிறதா என்று பார்க்கலாம்.
நிறுவனங்கள் கருவி அறிமுகப்படுத்தும்போது ஊழியர்களிடம் வேகம் மட்டுமே எதிர்பார்க்காமல் பயிற்சியும் review நேரமும் கொடுக்க வேண்டும். வேலைவிதிகள் மாறினால் தர அளவுகோல்களும் தெளிவாக இருக்க வேண்டும். யார் இறுதிப் பொறுப்பேற்கிறார்கள், எந்தத் தகவலைப் பயன்படுத்தலாம், தவறு கண்டுபிடிக்கப்பட்டால் எப்படித் திருத்த வேண்டும் என்பதைக் குழுவாக முடிவு செய்யலாம். இது தொழில்நுட்பத்தைவிட செயல்முறை சார்ந்த தயாரிப்பு. மனிதர்களுக்குத் தெளிவு தருவது பயன்பாட்டை மேம்படுத்த உதவும்.
அடிக்கடி கேட்கப்படும் கேள்விகள்
90% கணினி வேலைகள் போய்விடும் என்று அவர் சொன்னாரா? அப்படி நேரடியாக முடிவு செய்ய வேண்டாம் என்று விளக்கினார். செலவு குறைவால் புதிய வாடிக்கையாளர்களும் தேவையும் உருவாகலாம் என்ற கருத்தும் உள்ளது. முழுப் பதிவின் பின்னணி முக்கியம்.
ஒருவரால் எல்லா வேலையையும் பத்து மடங்கு செய்ய முடியுமா? அதற்கான பொதுவான நிரூபணம் இந்தப் பதிவில் இல்லை. Task, input, தரம், review ஆகியவற்றின் அடிப்படையில் முடிவு மாறும். Demo-வை முழுத் தொழிலுக்கும் பொதுவாக்க முடியாது.
தமிழில் வேலை செய்பவர்களுக்கும் பயன்படுமா? சில எழுத்து, அமைப்பு, யோசனை பணிகளில் உதவலாம். இயல்பான தமிழ், வட்டாரச் சொல், பெயர், உண்மை ஆகியவற்றைச் சரிபார்க்க வேண்டும். ஆங்கிலத்தில் கிடைக்கும் தரம் தமிழிலும் அப்படியே இருக்கும் என்று கருத வேண்டாம்.
Paid tool வாங்குவது அவசியமா? எல்லாப் பயிற்சிக்கும் இல்லை. முதலில் task மற்றும் சரிபார்ப்பு முறையைத் தேர்ந்தெடுக்கவும். வேலைக்கும் budget-க்கும் தனியுரிமை விதிகளுக்கும் பொருந்தும்போது paid வசதியைப் பரிசீலிக்கவும். விலை மட்டும் பயன்பாட்டின் அளவுகோல் அல்ல.
AI கற்றால் வேலை உறுதியா? இல்லை. வேலைவாய்ப்பு பல காரணிகளைப் பொறுத்தது. துறை அறிவு, தொடர்புத்திறன், நம்பகமான முடிவு, தொடர்ந்து கற்றல் ஆகியவற்றுடன் AI திறனை இணைப்பது நல்ல தயாரிப்பு. உறுதியான வேலை வாக்குறுதிகளை எச்சரிக்கையுடன் மதிப்பிடுங்கள்.
முடிவு: இந்த எச்சரிக்கையை வேலை இழப்பு கணக்காக மாற்றாமல் வேலை முறைகள் மாறும் சிக்னலாகப் புரிந்துகொள்ளலாம். Task தேர்வு செய்யுங்கள், பயிற்சி செய்யுங்கள், முடிவைச் சோதியுங்கள், தரவைக் காப்பாற்றுங்கள். சரியான பொறுப்புள்ள வேலை கொடுப்பதே நீடித்த மதிப்பை உருவாக்கும். AI உதவி அந்த நோக்கத்துக்கு பயன்படுகிறதா என்பதைத் தொடர்ந்து மதிப்பிடுங்கள்.
ஆதாரங்கள்: வேம்புவின் பதிவு பற்றிய தமிழ் Indian Express செய்தி; ILO ஆய்வு; NBER ஆய்வு. பயிற்சித் திட்டம் ஆசிரியர் ஆலோசனை; வேலைவாய்ப்பு உத்தரவாதம் அல்ல. படங்கள் கருத்தை விளக்கும் AI illustrations.
தனியுரிமை தொடர்பாக: வாட்ஸ்அப் கணக்கு பாதுகாப்பு மற்றும் மீட்பு வழிகள்.
