हर कोई हर काम में AI का इस्तेमाल नहीं करता

 (gabrielweinberg.com)
3 पॉइंट द्वारा GN⁺ 3 시간 전 | 1 टिप्पणियां | WhatsApp पर शेयर करें
  • जनरेटिव AI का chat interface के ज़रिए उपयोग कोई सार्वभौमिक रोज़मर्रा का टूल नहीं है, बल्कि सक्रिय उपयोग, कभी-कभार उपयोग और बिल्कुल उपयोग न करने वाले लोगों की एक निरंतरता के अधिक करीब है
  • कई उपयोग डेटा और सर्वे को मिलाकर देखें तो अमेरिका में AI का उपयोग मोटे तौर पर एक-तिहाई सक्रिय उपयोग, एक-तिहाई कभी-कभार उपयोग, और एक-तिहाई गैर-उपयोग के करीब है
  • Gen Z में भी AI की जागरूकता ऊँची है, लेकिन adoption लगभग ठहर गया है, और Gallup सर्वे में महीने में 1 बार या कुछ महीनों में 1 बार उपयोग तथा बिल्कुल उपयोग न करने वाले लोगों का हिस्सा बड़ा है
  • AI उपयोग को सीमित करने के मुख्य कारण नौकरी के प्रतिस्थापन, privacy उल्लंघन, misinformation के फैलाव को लेकर चिंता और AI की उपयोगिता को लेकर संदेह हैं
  • AI बाज़ार और policy को “सब लोग उपयोग करते हैं” या “कोई उपयोग नहीं करता” जैसी द्विआधारी सोच के बजाय, अलग-अलग उपयोग तीव्रता और चिंताओं वाले लोगों को आधार मानकर देखना चाहिए

“हर कोई हर काम में AI का इस्तेमाल करता है” वास्तव में “कुछ लोग कुछ कामों में AI का इस्तेमाल करते हैं” के ज़्यादा करीब है

  • यहाँ AI किसी सख्ती से परिभाषित श्रेणी का नाम नहीं, बल्कि chat interface से उपलब्ध जनरेटिव AI को दर्शाता है
  • “AI को एक बार आज़माने के बाद लोग हर काम में इसका इस्तेमाल करने लगते हैं” और “AI इतना अच्छा हो जाएगा कि सब इसका इस्तेमाल करेंगे” जैसी धारणाएँ डेटा से मेल नहीं खातीं
  • Gen Z, AI के बारे में सबसे अधिक जागरूक समूह है, लेकिन पिछले 1 साल में AI adoption लगभग स्थिर रहा है और एक उल्लेखनीय हिस्सा AI का बहुत कम या बिल्कुल उपयोग नहीं करता
  • Gallup के 2025/2026 Gen Z आँकड़े दिखाते हैं कि AI उपयोग, व्यापक और गहन उपयोग की ओर नहीं बढ़ा है
    • AI का कभी-कभार भी उपयोग करने वालों का अनुपात 79%/81% है
    • AI को लेकर चिंता महसूस करने वालों का अनुपात 41%/42% है
    • AI का महीने में 1 बार या कुछ महीनों में 1 बार ही उपयोग करने वालों का अनुपात 32%/31% है
    • AI को लेकर गुस्सा महसूस करने वालों का अनुपात 22%/31% है
    • AI का बिल्कुल उपयोग न करने वालों का अनुपात 21%/19% है

वास्तविक उपयोग डेटा जो वितरण दिखाता है

  • Microsoft का United States AI Diffusion डेटा, anonymized और aggregated Microsoft telemetry पर आधारित है, और मानता है कि अमेरिका की कामकाजी उम्र की आबादी में 30% से अधिक लोग AI का उपयोग करते हैं
    • इसका मतलब है कि लगभग 70% लोग इस मानक के अनुसार AI उपयोगकर्ता नहीं हैं
    • यह 2025 के अंत की तुलना में 3 percentage points की वृद्धि है
    • उपयोग का मानक यह है कि ChatGPT, Google Gemini, Anthropic Claude, Microsoft Copilot जैसी प्रमुख AI सेवाओं पर महीने में कम से कम 90 मिनट बिताए गए हों
  • Datos के वास्तविक उपयोग डेटा ने भी लगभग यही तस्वीर दिखाई; पिछले साल जून तक desktop devices में से सिर्फ 21% ने AI Tools पर महीने में 10 बार से अधिक विज़िट किया
    • desktop devices में 62% ने AI Tools पर 0 बार विज़िट किया
    • बाकी 17% इनके बीच के समूह में थे
  • Searchlight Institute के सर्वे में 58% लोगों ने कहा कि उन्होंने ChatGPT या Claude जैसे AI का उपयोग किया है या उसे आज़माया है
    • अपेक्षाकृत नियमित उपयोग करने वालों का अनुपात 30% है, जो महीने में कुछ बार या उससे अधिक उपयोग करते हैं
    • अधिक कम उपयोग करने वालों का अनुपात 29% है, जो महीने में 1 बार या उससे कम उपयोग करते हैं
  • The Argument के नए सर्वे में अधिकांश अमेरिकी AI का उपयोग हफ्ते में 1 बार या उससे कम करते हैं

अमेरिका में AI उपयोग लगभग तीन हिस्सों में बँटा है

  • कई स्रोतों को मिलाकर देखें तो अमेरिका में AI उपयोग मोटे तौर पर एक-तिहाई सक्रिय उपयोग, एक-तिहाई कभी-कभार उपयोग, और एक-तिहाई गैर-उपयोग में बँटा है
  • यह वितरण शब्दों की परिभाषा के अनुसार थोड़ा बदल सकता है, लेकिन “हर कोई हर काम में AI का उपयोग करता है” से अधिक “कुछ लोग कुछ कामों में AI का उपयोग करते हैं” के करीब है
  • पिछले 6 महीनों से 1 साल के बीच AI उपयोग में कोई बड़ा बदलाव नहीं आया है
  • जो चीज़ अधिक बदली है, वह AI के प्रति नकारात्मक भावना है; Gallup के Gen Z सर्वे में AI को लेकर गुस्सा, पिछले साल की तुलना में लगभग 40% बढ़ा है

बहुत से लोग वास्तविक चिंताओं और कम महसूस होने वाले मूल्य के कारण AI उपयोग सीमित करते हैं

  • लोगों का एक बड़ा हिस्सा सक्रिय रूप से AI उपयोग सीमित कर रहा है, और इसके मुख्य कारण AI को लेकर वास्तविक चिंताएँ हैं
  • Searchlight सर्वे में शीर्ष 3 चिंताएँ थीं नौकरी का प्रतिस्थापन और बेरोज़गारी, privacy का उल्लंघन, और misinformation व झूठ का फैलाव
    • “AI नौकरियाँ छीन लेगा और बेरोज़गारी बढ़ाएगा” पर 42% लोग सहमत थे
    • “AI लोगों की privacy का उल्लंघन करेगा” पर 35% लोग सहमत थे
    • “AI misinformation और झूठ फैलाएगा” पर 33% लोग सहमत थे
  • सुरक्षा और privacy सुरक्षा के लिए AI regulation की पसंद भी काफ़ी मज़बूत है, और बहुमत का मानना है कि भले ही इससे अमेरिका में AI विकास की रफ्तार चीन जैसे देशों से धीमी हो जाए, फिर भी सरकार को सुरक्षा और privacy नियमों को प्राथमिकता देनी चाहिए
  • AI की उपयोगिता को लेकर भी काफ़ी संदेह है, और पूरे समाज पर इसके प्रभाव के लिए शुद्ध-सकारात्मक मूल्यांकन सिर्फ +8% है
    • social media का +7%, और cryptocurrency का -17% है
    • mobile phones, internet, और solar energy के लिए यह क्रमशः +68%, +67%, और +65% है
  • The Argument सर्वे में AI के ठोस सामाजिक लाभों को लेकर व्यापक संदेह दिखा, और AI के प्रभाव को लेकर यह संदेह सिर्फ उन लोगों की अज्ञानता से नहीं आता जिनके पास वास्तविक उपयोग अनुभव नहीं है

व्यक्तिगत उपयोग में भी कई लोगों को चिंताओं के मुकाबले पर्याप्त मूल्य नहीं दिखता

  • यह संभव है कि लोग सामाजिक स्तर पर AI को नकारात्मक मानें लेकिन व्यक्तिगत स्तर पर अलग तरह से व्यवहार करें, मगर मौजूदा AI उपयोग वितरण इससे मेल नहीं खाता
  • कभी-कभार उपयोग करने वाले सबसे बड़ा समूह हैं और पूरी तरह बचने वाले भी बहुत हैं, इससे पता चलता है कि बहुत से लोगों को अभी तक इतनी व्यक्तिगत उपयोगिता नहीं मिली है जो उनकी चिंताओं से ऊपर निकल सके
  • “हर कोई हर काम में AI का उपयोग करता है” जैसी media narrative, शुरुआती अपनाने वाले knowledge workers और tech media के आसपास बने bubble को दर्शा सकती है
  • कंपनियों, commentators, और policy makers को इस बात को नज़रअंदाज़ नहीं करना चाहिए कि लोग वास्तव में AI के बारे में क्या महसूस करते हैं और कैसे व्यवहार करते हैं
  • AI उपयोग, सबके उपयोग या किसी के भी उपयोग न करने जैसी द्विआधारी स्थिति नहीं, बल्कि अलग-अलग राय और उपयोग तीव्रताओं से बनी एक निरंतरता है

मुख्य रूपक: मांस उपभोग और AI उपभोग

  • AI का उपयोग मांस उपभोग की तरह है, जहाँ कुछ लोग इसे सक्रिय रूप से अपनाते हैं, कुछ लोग उपयोग कम करते हैं, और कुछ लोग इसे पूरी तरह टालते हैं
  • आहार में protein के महत्व का संदेश, productivity के लिए AI की उपयोगिता वाले संदेश जैसा है; और जिस तरह मांस protein का मुख्य स्रोत है, उसी तरह AI chat tools, जनरेटिव AI तक पहुँच का प्रमुख माध्यम हैं
  • अमेरिका में मांस उपभोग की पसंद भी ऐसा ढाँचा नहीं है जिसमें हर कोई समान रूप से उपभोग करता हो
    • 95% लोग मांस खाते हैं
    • 70% कहते हैं कि वे red meat का उपभोग कम करते हैं
    • 30% सभी प्रकार के मांस को बहुत कम या कभी-कभार ही खाते हैं
    • 12% red meat नहीं खाते
    • 4% vegetarian हैं, जो कोई भी मांस नहीं खाते
    • 1% vegan हैं, जो कोई भी पशु-आधारित उत्पाद नहीं लेते
  • मांस उपभोग सीमित करने के कारणों में स्वास्थ्य, लागत, पर्यावरण और नैतिकता शामिल हैं, और ये AI उपयोग को लेकर प्रमुख चिंताओं से मेल खाते हैं

बाज़ार के अवसर और उत्पाद विकल्प

  • मांस उपभोग की यह उपमा दिखाती है कि AI को लेकर अलग-अलग भावनाओं और विशिष्ट चिंताओं वाले लोगों के लिए बाज़ार अवसर मौजूद हैं
  • DuckDuckGo, सभी AI features को optional बनाता है, और duck.ai को privacy चिंता का जवाब देने वाले private chatbot विकल्प के रूप में उपलब्ध कराता है
  • यह दृष्टिकोण ऐसे restaurant के ज़्यादा करीब है जिसके menu में कई विकल्प हों, जहाँ private AI, AI उपयोग कम करना, और AI बंद करना जैसे विकल्प साथ मौजूद हों
  • AI उपयोगकर्ताओं के पूरे spectrum को ध्यान में रखने के लिए, एक ही तरह के अनिवार्य AI उपयोग के बजाय विकल्प-आधारित ढाँचा चाहिए

आगे बदलाव की संभावना और मौजूदा निष्कर्ष

  • अभी जो लगभग एक-तिहाई लोग AI का बहुत कम या कभी-कभार उपयोग करते हैं, यह नहीं माना जा सकता कि वे हमेशा यही पैटर्न बनाए रखेंगे
  • AI, मांस से अलग, तेज़ी से बदलते तकनीकी परिवेश का हिस्सा है, इसलिए product और regulation कहाँ पहुँचेंगे यह बेहद अनिश्चित है
  • product evolution, औसत व्यक्ति के लिए AI को अधिक उपयोगी बना सकता है, और regulation चिंताओं को कम कर सकता है
  • लेकिन मौजूदा स्थिति में, लोगों का एक महत्वपूर्ण हिस्सा आज के AI को आज़माने के बाद भी इसके उपयोग को सक्रिय रूप से सीमित करने का फैसला कर चुका है

संबंधित पढ़ाई

1 टिप्पणियां

 
GN⁺ 3 시간 전
Hacker News की राय

  • मैं अभी graduate school से निकलने के बाद नौकरी ढूंढ रहा हूँ, और technical interviews या whiteboard interviews में ज़्यादातर लोग पूछते हैं, “आप LLM का इस्तेमाल कैसे कर रहे हैं?”
    इसका जवाब देना मुश्किल होता है, क्योंकि सामने वाला AI को लेकर बहुत उत्साहित है या सावधान, यह जाने बिना दोनों तरफ़ फिट बैठने वाला सुरक्षित जवाब देने का मन करता है
    इसलिए मैं अक्सर लंबा जवाब देता हूँ, जैसे “इस तकनीक को किसी process में शामिल करने के लिए निश्चित रूप से learning curve होता है, और मैं हमेशा कई बार verify करता हूँ”
    असल में मैं chat/question features का रोज़ाना इस्तेमाल तेज़ debugging या नई tech सीखने के लिए करता हूँ, लेकिन full agents या computer-use products कुछ बार आज़माने पर अच्छे नतीजे नहीं मिले, इसलिए अभी लगभग इस्तेमाल नहीं करता
    मैंने दशकों पुराने बड़े Fortran+C repository को modern compiler/OS के हिसाब से refactor करने की कोशिश की; कुछ हिस्सा चला, लेकिन आखिरकार छोड़ना पड़ा

    • शायद ईमानदारी से जवाब देना ही बेहतर होगा
      अगर कोई जगह एक शब्द ग़लत बोलने पर यह उम्मीद करे कि तुम्हें mind reading आनी चाहिए थी, तो वहाँ roleplay करते हुए काम करना भी क्यों चाहोगे
      वह नौकरी से ज़्यादा toxic relationship के क़रीब लगता है
    • graduate school से निकलने वाले व्यक्ति के नज़रिए से, मैंने इस तरह की बातचीत में दोनों पक्षों को लंबे समय तक देखा है, और इस सवाल को mutual fit दिखाने के मौके की तरह लेना बेहतर है
      यह ज़रूर महत्वपूर्ण है कि कंपनी AI-पसंद है या सतर्क, लेकिन सवाल को “क्या मैं इस संगठन के लिए सही हूँ, और क्या यह संगठन मेरे लिए सही है” में बदलना ज़्यादा उपयोगी है
      अगर आप संक्षेप में दिखा दें कि आप कैसे तय करते हैं कि LLM किस काम के लिए उपयुक्त है, और कैसे जाँचते हैं कि इससे नतीजे सच में बेहतर हुए या नहीं, तो यह मज़बूत जवाब बनता है
    • एक छोटा सफल उदाहरण और एक ऐसा उदाहरण तैयार रखना अच्छा है जहाँ यह अच्छा काम नहीं कर पाया
      इससे संकेत मिलता है कि आपने खुद explore किया है और इस पर इतना सोचा है कि दिलचस्प observations समझा सकें, और अगर सामने वाला दिलचस्पी ले तो आप और गहराई में जाने के लिए भी तैयार हैं
    • फिर भी, “20 मिनट में LeetCode के किसी modified algorithm problem को solve करके अपना thought process बताइए; हम देखना चाहते हैं कि क्या पिछले कुछ महीनों में आपके पास algorithm की किताबें रटने का समय था, भले ही असली काम में इसकी ज़रूरत न हो” से यह 10 गुना बेहतर है
    • नौकरी का दबाव समझ में आता है, लेकिन राय में अंतर सामने आना बेहतर है, और आमतौर पर यह कंपनियों द्वारा reject करने की वजह नहीं बनता
      engineering leads अक्सर एक ही टीम में अलग-अलग background और viewpoints वाले लोगों को ढूंढते हैं
      अगर आप ईमानदारी से जवाब दें, तो हो सकता है आप उन applicants से ज़्यादा अलग नज़र आएँ जिन्होंने घिसे-पिटे और ज़रूरत से ज़्यादा defensive जवाब दिए

  • “AI इतना अच्छा हो गया है कि असहजता होने पर भी हर कोई AI इस्तेमाल करता है” — मेरे अनुभव में यह case by case है
    कल मैंने जो यह comment [0] लिखा था, वह अच्छी तरह दिखाता है कि मैं अपने मौजूदा काम में LLM को कैसे integrate कर रहा हूँ
    मैंने एक project में backend (PHP) और frontend (Swift) दोनों में इसका इस्तेमाल किया, और दोनों में काफ़ी मदद मिली, लेकिन Swift वाला हिस्सा ज़्यादा warning example जैसा निकला
    native UIKit Swift app development में सच में adult supervision की ज़रूरत पड़ी, और अब समझ आ रहा है कि generated code कितना ख़राब था
    इसके उलट, PHP वाले हिस्से में इसने काफ़ी reasonable design decisions लिए और मुझे वह code दिया जो शायद मैं खुद लिखता उससे बेहतर था
    Swift में जब इसे real-world problems मिलीं तो यह एक inexperienced engineer की तरह घबरा गया, और जो code मैं फिर से लिख रहा हूँ वह कहीं ज़्यादा simple और robust approach लेगा
    फिर भी कुल मिलाकर productivity में बड़ा net gain हुआ, और मैंने यह सीखा कि problems ढूंढने में यह अच्छा है, लेकिन उन्हें ठीक करने में कम अच्छा
    [0] https://news.ycombinator.com/item?id=48515217

    • अब AI से लगभग बच निकलने का कोई रास्ता नहीं है
      इंटरनेट पर कुछ खोजो तो बहुत संभावना है कि कई pages तक AI-generated content ही मिले
      इसलिए आजकल कई बार सीधे prompt देकर जवाब लेना बेहतर लगता है
      जवाब अपने आप में शानदार होने की वजह से नहीं, बल्कि इसलिए कि search के ज़रिए मिलने वाले indirect prompt की तुलना में मैं prompt को खुद control कर सकता हूँ
      यह देखकर दुख होता है कि high-quality content कचरे के समंदर में डूबकर लगभग ढूँढना मुश्किल हो रहा है
    • यह अपेक्षित नतीजा है
      PHP के लिए दशकों से लोगों द्वारा झेले गए corner cases इंटरनेट पर लंबे समय से document हैं, लेकिन Swift तुलनात्मक रूप से नया है और उसका material कम है
      अगर AI की क्षमता को engineer के career span को 10–20 गुना compress करने जैसा मानें, तो बात थोड़ा बेहतर समझ आती है
      नई या niche चीज़ों में यह सहज रूप से कमज़ोर होगा, और आगे चलकर अगर यह दूसरे LLM के उगले हुए कचरे पर train हुआ, तो और बिगड़ सकता है
    • LLM का इस्तेमाल करने का बस यही एक तरीका नहीं है
      हाल ही में flight में मैं अपनी पत्नी के earphones को MacBook से connect करने की कोशिश कर रहा था, लेकिन मैं पुराने AirPods Pro case का आदी था, इसलिए pairing mode ढूंढ नहीं पाया
      तब मैंने offline LM Studio में Gemma4 26B A4B से पूछा, और उसने बताया कि case के सामने वाले हिस्से पर दो बार tap करने का gesture है, और वह सच में काम कर गया
      अगर local LLM न होता तो यह स्थिति कहीं ज़्यादा झुंझलाने वाली होती
      यह ग़लत हो सकता है, लेकिन बुनियादी “यह कैसे करूँ” ज्ञान हर समय साथ रखना, उसके न होने से बेहतर है
    • PHP code के लिए दोहराने लायक material बहुत ज़्यादा है, जबकि Swift apps का बड़ा हिस्सा संभवतः proprietary code होता है
      असली समस्या यह है कि LLM सिद्धांत के आधार पर coding नहीं करता, बल्कि training data patterns को match करता है
    • AI लगातार XY problem में fail होता हुआ लगता है
      Stack Overflow पर लोग जिस बात से इतनी नफ़रत करते थे, वह ठीक वही बिंदु है

  • लेख अच्छा है, लेकिन एक नज़रिया छूटा हुआ है
    लेख में उस research का हवाला है जो दिखाती है कि लोग कितनी बार कहते हैं कि वे “AI का इस्तेमाल करते हैं”, और उसमें थोड़ा-सा आधे से ज़्यादा लोग हफ़्ते में एक बार से कम इस्तेमाल करने वाले बताए गए हैं
    अगर बात सिर्फ AI chat interfaces की हो, तो यह सही हो सकता है
    लेकिन AI usage बढ़ने का तरीका शायद chat engagement बढ़ाना नहीं, बल्कि लोगों के पहले से इस्तेमाल किए जा रहे software में AI features को embed करना है
    उदाहरण के लिए, अगर उन्हीं लोगों से पूछा जाए “आप Google search कितनी बार करते हैं?”, तो संख्या बहुत ज़्यादा होगी
    वे लोग वास्तविक अर्थ में AI का इस्तेमाल कर रहे हैं, लेकिन क्योंकि feature पहले से built-in है, वे उसे उस तरह से सोचते नहीं

    • वह तर्क लेख जिस specific सवाल का जवाब देना चाहता है, उस पर बहुत फिट नहीं बैठता
      इस तरह AI को अपनाना forced adoption है, और कई मामलों में यह user preference के उलट हो सकता है
      असल बात यह है कि सवाल यह देखना चाहता है कि क्या लोग AI में रुचि रखते हैं और उसे उपयोगी मानते हैं, या फिर सवाल कुछ ऐसा है जैसे “लोगों के X% खाने के साथ lead निगलते हैं”

  • marketing pitch यह थी कि “अगर अपनाया नहीं तो पीछे रह जाओगे”, लेकिन मैं अभी भी इंतज़ार कर रहा हूँ
    कई साल बीत गए, लेकिन मेरा दिन नहीं बदला, और जो लोग manual नहीं पढ़ते थे उन्हें अब chatbot से पूछो सिखाया जा रहा है
    मेरी ‘कम सजावट’ की बजाय उनकी कमियों का क्या किया जाए, यही सोचता हूँ

  • मैंने कई कंपनियों को support flow में deterministic systems को उनके मुकाबले धीमे और बदतर LLM versions से बदलते देखा है
    कई interfaces में सिर्फ AI जोड़ देने से वे बेहतर नहीं हो जाते

    • असली सबसे अच्छा तरीका यह है कि LLM की मदद से deterministic systems बनाए जाएँ
      जिन कामों के बार-बार दोहराए जाने की पूरी संभावना है, उन्हें सीधे LLM से करवाने के बजाय उससे वह program या Python script बनवाना बेहतर है जो वे काम कर सके
    • general tools और development में भी ऐसी ही चीज़ देख रहा हूँ
      जो काम deterministic तरीके से हल हो सकता है, या 5 साल पहले एक simple command-line tool होता, वह अब LLM integration बन गया है
      deterministic tools को LLM से बनाने के बजाय, उन्हीं tools को LLM से replace किया जा रहा है
      यह पूरी तरह उलटा है, और खासकर समझ नहीं आता कि हमारी कंपनी के senior लोग इसे future क्यों मानते हैं
      मैं नहीं चाहता कि पूरी CI pipeline सिर्फ LLM prompts से बनी हो
      उसे बनाना आसान है, लेकिन वह महँगी, धीमी, और ऐसे तरीकों से fail होने वाली होती है जिनका पहले से अंदाज़ा नहीं लगाया जा सकता
      code review भी ऐसा ही है, जहाँ simple linting rules से काम चल सकता था, वहाँ LLM pass stage जोड़ दिया जाता है
      जबकि LLM तो ऐसे linting rules बनाने में वास्तव में बहुत अच्छे हैं
    • हमारी management हम पर दबाव डाल रही है कि product में LLM कहाँ इस्तेमाल किए जा सकते हैं, इस पर ideas दें
      पूरी टीम ठीक इसी वजह से कड़ा विरोध कर रही है
      जो ज़्यादातर चीज़ें सोची जा सकती हैं, वे बस चीज़ों को और खराब बनाती हैं, और मैंने यह भी सुना है कि 1~2% excess failure rate भी स्वीकार्य नहीं है
      उस स्तर तक पहुँचने के लिए ज़्यादा structure और standards चाहिए, कम नहीं
    • आजकल लोग इस लेख[1] को cautionary tale की तरह नहीं बल्कि goal की तरह लेते दिखते हैं
      [1] https://thedailywtf.com/articles/Classic-WTF-No-Quack
    • support flow में deterministic systems को replace करने की वजह बेहतर support देना नहीं, बल्कि सस्ता support चाहिए होना है
      एक trained agent की कल्पना कीजिए जो बड़ी तस्वीर समझता हो, और यह भी कि कंपनी इस पर निवेश करे कि इंसान AI से knowledge खोजे, relevance का आकलन करे, और फिर customer की बेहतर मदद करे
      लेकिन अभी AI को इस तरह बेचा जा रहा है कि “support staff की ज़रूरत नहीं”, न कि “हम बेहतर service कैसे दे सकते हैं”
      कई products में बेहतर service का बहुत मतलब नहीं होता, और ज़्यादा सस्ता product ही अधिकतर जीत सकता है
      लोग बेहतर चीज़ के लिए ज़्यादा भुगतान नहीं करना चाहते, वे उसी कीमत पर बेहतर चीज़ चाहते हैं
      शायद इसी वजह से कंपनियाँ AI का सही इस्तेमाल कैसे किया जाए, यह खोजने में समय नहीं लगातीं

  • मुझे लगता है इस gap की पहली वजह यह है कि coding में Claude हैरान कर देने लायक अच्छा है
    इसका मुख्य कारण curated knowledge और पिछले लगभग 10 सालों में GitHub के जरिए सावधानी से labeled किए गए विशाल मात्रा के working code हैं
    और अगर भाषा Turing-complete हो, तो उसमें क्या-क्या किया जा सकता है इसकी भी कुछ हद तक सीमाएँ होती हैं
    दूसरी वजह यह है कि बाकी ज़्यादातर कामों में LLM काफ़ी निराशाजनक हैं
    research आम तौर पर बस औसत दर्जे की होती है
    अगर इसे सख़्ती से देखना हो, तो वही research prompt कई बार दोहराइए, confusion matrix बनाइए, और गिनिए कि false positives और false negatives कितने निकलते हैं
    बाकी उपयोगों में भी ईमानदारी से खुद से पूछना चाहिए कि क्या यह basic search engine query या Wikipedia visit से कहीं ज़्यादा कर रहा है
    general user use cases में यह कुछ हद तक सुविधाजनक है, लेकिन इसे revolutionary कहना अभी बहुत दूर की बात है

    • इसकी एक वजह यह भी है कि programming computer के अंदर self-contained होती है और उसके results को आसानी से test और iterate किया जा सकता है
      programming में agent compiler और tests चला सकता है, और काम होने तक फिर से कोशिश करता रह सकता है
      उदाहरण के लिए, अगर आप T-shirt सिलना चाहते हैं, तो AI किसी काम का नहीं है
    • Turing-complete language वाले हिस्से को मैं समझ नहीं पाया, अच्छा होगा अगर उस बिंदु को समझाया जाए

  • आजकल यह भी ध्यान में रखना चाहिए कि अमेरिका के वयस्कों में कार्यात्मक रूप से कम साक्षरता वाले लोगों की संख्या कितनी अधिक है
    2023 के अनुसार, अमेरिका के कामकाजी आयु वर्ग के वयस्कों में 27% लोग PIAAC साक्षरता के 5 स्तरों में से स्तर 1 या उससे नीचे थे
    2013 में स्तर 1 या उससे नीचे 17% थे, इसलिए पिछले 10 वर्षों में यह काफी खराब हुआ है
    2023 में कुल स्कोर थे: स्तर 1 या नीचे 27%, स्तर 2 29%, स्तर 3 31%, स्तर 4/5 13%
    संदर्भ के लिए, स्तर 1 पर एक पेज के टेक्स्ट को भी ठीक से संभालना कठिन होता है, और बस एक साधारण 1-पेज वेबपेज को कुछ हद तक प्रोसेस कर पाने की क्षमता होती है
    स्तर 2 पर पहुंचने के बाद कुछ पन्नों के सरल टेक्स्ट को संभाला जा सकता है, लेकिन जटिल सामग्री अब भी कठिन रहती है
    जो लोग AI बिल्कुल इस्तेमाल नहीं करते, उनमें से बहुत से लोग मूल रूप से इसका उपयोग कर ही नहीं सकते, इसलिए नहीं करते
    स्रोत: https://nces.ed.gov/surveys/piaac/2023/national_results.asp

    • वे स्तर मेरी अपेक्षा से अलग निकले
      https://nces.ed.gov/surveys/piaac/measure.asp?section=1⊂_...
      मैं खुद को स्पष्ट रूप से साक्षर मानता हूँ, लेकिन यह जानने की जिज्ञासा है कि मैं स्तर 4/5 के कार्य कितनी अच्छी तरह कर पाऊँगा
      यह भी सोचा कि क्या यह स्मृति, बुद्धिमत्ता, पढ़ाई की आदतों जैसे व्यापक संकेतकों से ओवरलैप करता है, जिनमें सामान्य अर्थों में “साक्षर” लोग भी कमजोर हो सकते हैं
      केवल विवरण देखकर लगा कि यह AI पर लागू करने के लिए अच्छा टेस्ट हो सकता है, और मैं कई मॉडलों के proficiency score देखना चाहूँगा
      बाद में नीचे स्क्रॉल किया तो आखिरी सेक्शन में स्तर 4 तक के उदाहरण प्रश्न थे, और स्तर 4 के सवाल भी मामूली लगे
      सबसे लंबा Q Drum लेख भी बस दो आलोचनाओं तक सीमित था: भू-भाग और लागत; और अगर आप LifeStraw को जानते हैं, तो ईमेल में की गई मिलती-जुलती आलोचना का भी लगभग अंदाज़ा लगाया जा सकता है
      स्कोर और proficiency के विवरण देखकर मैंने सोचा था कि शायद normal distribution जैसी किसी चीज़ के अनुसार स्तर 4/5 सचमुच कठिन होंगे, लेकिन असली सवाल देखकर कम स्कोर और भी दुखद लगे
      फिर भी हर टेस्ट आइटम को “stimulus” कहना इतना निष्फल और clinical लगा कि हँसी आ गई
    • मुझे नहीं लगता कि वही कारण है
      AI mobile apps voice conversation सपोर्ट करते हैं
      कम साक्षरता उल्टा AI से टेक्स्ट जनरेट और सारांश बनवाने की प्रेरणा दे सकती है
    • इसमें एक पंक्ति है: “इस डेटा संग्रह की response rate अमेरिका और कुछ अन्य भागीदार देशों, दोनों में, अपेक्षाकृत कम थी। nonresponse bias को कम करने की प्रक्रियाएँ प्रभावी थीं और डेटा जनसंख्या का प्रतिनिधित्व करता है, इसके प्रमाण हैं, लेकिन पाठकों को संभावित bias को समझना चाहिए और PIAAC परिणामों की व्याख्या सावधानी से करनी चाहिए”
      यह आँकड़ा सहज रूप से सही नहीं लगता
      अमेरिका की लगभग एक-तिहाई आबादी के पास bachelor’s degree है, इसलिए यह अजीब लगता है कि स्तर 4/5 की साक्षरता वाले कार्य पास कर सकने वाले लोग सिर्फ 13% हों
      उदाहरण सवाल देखें तो वे कठिन नहीं लगते, और स्तर 4 का कार्य भी बस एक छोटा लेख पढ़कर किसी उत्पाद की आलोचना निकालने जैसा है
      इसका मतलब यह नहीं कि bachelor’s degree वाले सब लोग बुद्धिमान होते हैं, लेकिन उनमें से दो-तिहाई स्तर 4/5 पास नहीं कर पाएँगे, यह मानना कठिन है
      अगर master’s degree वाले 13% हैं, तो क्या इसका मतलब यह है कि स्तर 4/5 पास करने वाले वही 13% लोग हैं?
      https://en.wikipedia.org/wiki/Educational_attainment_in_the_...
    • मैं teachers subreddit पढ़ता रहता हूँ और TikTok पर शिक्षकों के वीडियो भी देखता हूँ, और उस algorithm bubble के भीतर यह आभास मिलता है कि बच्चे अब पढ़ ही नहीं पा रहे
      खासकर reading comprehension को लेकर बहुत बुरी बातें सुनने को मिलती हैं, और ऐसे बहुत उदाहरण हैं जहाँ बच्चे कुछ पैराग्राफ पढ़ने के बाद भी सामग्री पर आधारित सवालों के जवाब नहीं दे पाते

  • मुझे डर इस बात से है कि AI हर जगह इस्तेमाल होगा, क्योंकि वह सबसे अच्छा समाधान है इसलिए नहीं, बल्कि इसलिए कि लोग मूलतः आलसी हैं, बस काम निपटाना चाहते हैं, और गुणवत्ता की बहुत परवाह नहीं करते
    ऐसा लगता है कि “कम मेहनत और सुविधा” लगातार “सबसे अच्छी गुणवत्ता” को हरा देते हैं, और यह सबके लिए हर चीज़ को downgrade कर देगा

    • कंपनियाँ तो पहले ही वर्षों से output quality घटाती आई हैं, इसलिए हर चीज़ में slopification दिख रही है
      Windows 11 और 98 की तुलना करें तो, हाँ, 11 ज्यादा काम करता है और कम crash होता है
      लेकिन उसके अलावा क्या वह वास्तव में बेहतर है? जो काम दोनों करते हैं, उनमें कौन बेहतर है? कौन तेज़ है? कौन इस्तेमाल में आसान है?
    • बहुत से लोगों के लिए LLM, अधिकांश knowledge work में, अकेले काम करने की तुलना में बेहतर गुणवत्ता का परिणाम देंगे
      उस हद तक मुझे यह ठीक लगता है

  • व्यक्तिगत रूप से, मैं चाहता हूँ कि “AI का इस्तेमाल करना” वास्तव में किसे कहते हैं, इस पर और चर्चा हो
    यह भी जानना दिलचस्प होगा कि यह लोगों की “तकनीक”, “AI”, और “नैतिकता व भावना” जैसी ऊँचे स्तर की सोच से कैसे जुड़ता है
    कम से कम मेरे लिए तो इसकी सीमा थोड़ी धुंधली होने लगी है
    उदाहरण के लिए, अगर मेरा पार्टनर दिन भर Google.com का खूब उपयोग करता है, और search results page के सबसे ऊपर आने वाले AI-generated summary को लगभग हर बार चुनता और उस पर भरोसा करता है, तो क्या व्यावहारिक रूप से यह कहना चाहिए कि वह “AI का इस्तेमाल करता है”?
    या “AI का इस्तेमाल करना” उससे ज़्यादा उन बच्चों जैसा है जो किसी sci-fi mattress के नीचे 1000 sub-agents चलाने वाले वैम्पायर जैसे लगते हैं?
    अब तो बुनियादी phone use में भी AI ठूँस-ठूँस कर भरा हुआ है, इसलिए हम उसे उस नाम से बुलाएँ या नहीं, पूरा spectrum काफ़ी दिलचस्प लगता है

  • यह उपमा दिलचस्प है कि “लोग AI को वैसे consume करते हैं जैसे मांस खाते हैं। कुछ लोग उसे अपनाते हैं, कुछ उपयोग सीमित करते हैं, और कुछ पूरी तरह बचते हैं”
    क्योंकि वास्तविक ecological समस्याओं और मांसाहार के खिलाफ सिद्धांतगत तर्कों के बावजूद, दुनिया भर के कई देशों में meat consumption दशकों से कुल मिलाकर बढ़ता ही गया है

    • शायद इसलिए कि मैं Wyoming में रहता हूँ, लेकिन “AI सार्वभौमिक नहीं है, और कुछ लोग इसे शाकाहारियों की तरह टालते हैं” वाला दावा मुझे खास भरोसेमंद नहीं लगता