AI ഉപയോഗത്തിലാക്കൽ: നടപ്പാക്കിയശേഷം ഉപയോഗം കുറയുന്നത് എന്തുകൊണ്ട്, അത് എങ്ങനെ പരിഹരിക്കാം

ഒരു കമ്പനിക്കുള്ളിൽ AI ഉപയോഗത്തിലേക്ക് മാറുക എന്നതിന്റെ യഥാർഥ അർഥമെന്താണ്?

നിർദിഷ്ട ജോലികൾ ചെയ്യുന്നവർ അവ ചെയ്യാൻ AI ഉപയോഗിക്കുകയും നിലവാരം നിലനിർത്താനുള്ള പരിശോധന അതിന്റെ ഭാഗമാകുകയും ചെയ്യുന്നതാണ് AI ഉപയോഗം പതിവാകുന്നത് എന്നതിന്റെ അർഥം. ലൈസൻസുകൾ വാങ്ങിയതോ പ്രവേശനങ്ങളുടെ എണ്ണം കണക്കാക്കിയതോ തുടക്കമറിയിച്ച് ഇമെയിൽ അയച്ചതോ അല്ല അതിന്റെ അർഥം. അംഗീകരിച്ച ജോലികൾക്ക് മൂന്ന് പേർ ദിവസവും AI ഉപയോഗിക്കുകയും ഫലങ്ങൾ ശ്രദ്ധാപൂർവം പരിശോധിക്കുകയും ചെയ്യുന്ന ഒരു സംഘം, എല്ലാവരും ഒരിക്കൽ മാത്രം പ്രവേശിച്ച സംഘത്തേക്കാൾ AI ഉപയോഗം കൂടുതൽ പതിവാക്കിയിട്ടുണ്ട്.

മൂന്ന് ചോദ്യങ്ങൾ വേർതിരിച്ച് കാണുന്നത് സഹായകരമാണ്. ലഭ്യത: ഓരോ വ്യക്തിക്കും അംഗീകൃത ഉപകരണം ലഭ്യമാണോ, നിയമങ്ങൾ അറിയാമോ? ഉപയോഗം: അനുയോജ്യമായ ജോലികൾക്കായി അവർ അത് ഉപയോഗിക്കുന്നുണ്ടോ? ഗുണനിലവാരം: അതിലൂടെ ലഭിക്കുന്ന ജോലി പരിശോധനയിൽ അംഗീകരിക്കപ്പെടുമോ? മിക്ക നടപ്പാക്കലുകളും ആദ്യ ചോദ്യം പരിഹരിക്കുകയും രണ്ടാമത്തേത് ഏകദേശമായി അളക്കുകയും മൂന്നാമത്തേത് അവഗണിക്കുകയും ചെയ്യുന്നു.

നടപ്പിലാക്കിയശേഷം വളരെ കുറച്ച് ആളുകൾ മാത്രം AI ഉപയോഗിക്കുന്നത് എന്തുകൊണ്ട്?

അവതരിപ്പിച്ചതിനുശേഷം ഉപയോഗം കുറവായിരിക്കുന്നത് സാധാരണമാണ്; അതിന് സാധാരണ കാരണങ്ങളുമുണ്ട്: സ്വന്തം ജോലികളിൽ ഏതൊക്കെയാണ് AI സഹായിക്കുന്നതെന്ന് ആളുകൾക്ക് വ്യക്തമല്ല, നിയമങ്ങൾ അവ്യക്തമായി തോന്നുന്നതിനാൽ സുരക്ഷിതരായിരിക്കാൻ അവർ ഉപകരണം ഒഴിവാക്കുന്നു, തുടക്കത്തിൽ ലഭിച്ച മോശം ഫലം അതിനായി ശ്രമിക്കുന്നത് പ്രയോജനമില്ലെന്ന് അവരെ ബോധ്യപ്പെടുത്തി, അല്ലെങ്കിൽ പരിശീലിക്കാൻ സമയം ലഭിച്ചിട്ടില്ല. യുകെ സർക്കാരിന്റെ AI ഉപയോഗം സ്വീകരിക്കുന്നതിനെക്കുറിച്ചുള്ള ഗവേഷണത്തിൽ, ഇതിനകം AI ഉപയോഗിക്കുന്ന സ്ഥാപനങ്ങൾ ശരാശരി 30% ജീവനക്കാർ അത് ഉപയോഗിക്കുന്നുണ്ടെന്ന് അറിയിച്ചു; തങ്ങളുടെ ജീവനക്കാരിൽ പകുതിയിൽ താഴെ മാത്രമാണ് ഉപയോഗിക്കുന്നതെന്ന് 77% അറിയിച്ചു. AI ഒട്ടും സ്വീകരിക്കാത്തതിന്റെ ഏറ്റവും സാധാരണ കാരണങ്ങൾ ആവശ്യം തിരിച്ചറിഞ്ഞിട്ടില്ലാത്തതും AI കഴിവുകളും വൈദഗ്ധ്യവും പരിമിതമായതുമാണെന്ന് അതേ സർവേ കണ്ടെത്തി. 2025-ന്റെ തുടക്കത്തിൽ അഭിമുഖം നടത്തിയ 3,500 യുകെ സ്ഥാപനങ്ങൾ സ്വയം റിപ്പോർട്ട് ചെയ്ത കണക്കുകളാണിവ.

മെച്ചപ്പെട്ട ഉപകരണം വാങ്ങുന്നതുകൊണ്ട് ഈ കാരണങ്ങളൊന്നും പരിഹരിക്കപ്പെടുന്നില്ലെന്ന് ശ്രദ്ധിക്കുക. ആവശ്യം തിരിച്ചറിഞ്ഞിട്ടില്ലെങ്കിൽ, അത് ജോലി തിരഞ്ഞെടുക്കുന്നതിലെ പ്രശ്നമാണ്. നിയമങ്ങൾ വ്യക്തമല്ലെങ്കിൽ, അത് നയത്തിലെ പ്രശ്നമാണ്. ആദ്യ അനുഭവം മോശമാണെങ്കിൽ, അത് പരിശീലനത്തിലും പ്രതീക്ഷകളിലുമുള്ള പ്രശ്നമാണ്. ഓരോന്നിനും നിർദ്ദിഷ്ട പരിഹാരമുണ്ട്.

AI ഉപയോഗിച്ചുതുടങ്ങാനുള്ള പ്രായോഗികമായ ഒരു തന്ത്രം എങ്ങനെയായിരിക്കും?

ചെറുതോ ഇടത്തരമോ ആയ കമ്പനിക്കുള്ള പ്രായോഗിക തന്ത്രം ഒരു രേഖയല്ല, പ്രവർത്തനങ്ങളുടെ ക്രമമാണ്: ജോലികൾ തിരഞ്ഞെടുക്കുക, നിയമങ്ങൾ നിശ്ചയിക്കുക, ആ ജോലികളിൽ പരിശീലനം നൽകുക, യഥാർഥ ജോലി അവലോകനം ചെയ്യുക, ഫലപ്രദമായവ വിപുലീകരിക്കുക. താഴെയുള്ള ഇനങ്ങൾ 10 മുതൽ 200 വരെ ആളുകളുള്ള ടീമിനായി തയ്യാറാക്കിയ ഉള്ളടക്കപദ്ധതിയാണ്; പ്രസിദ്ധീകരിച്ച മാനദണ്ഡമല്ല.

AI കൊണ്ടുവരുന്ന മാറ്റങ്ങൾ കൈകാര്യം ചെയ്യുമ്പോൾ ജീവനക്കാരുമായി ബന്ധപ്പെട്ട കാര്യങ്ങൾ എങ്ങനെ കൈകാര്യം ചെയ്യാം?

തൊഴിലുകളെക്കുറിച്ച് തുടക്കത്തിൽത്തന്നെ വ്യക്തമായി സംസാരിക്കുക, ജോലികൾ തിരഞ്ഞെടുക്കുന്നതിൽ അവ ചെയ്യുന്നവരെ പങ്കെടുപ്പിക്കുക. ജീവനക്കാരുടെ ആശങ്ക യഥാർത്ഥമാണ്: 2025-ലെ വസന്തകാലത്ത് ഗ്രേറ്റ് ബ്രിട്ടനിലെ 1,023 ജീവനക്കാരിൽ Acas നടത്തിയ സർവേയിൽ, ജോലിസ്ഥലത്തെ AI സംബന്ധിച്ച ഏറ്റവും വലിയ ആശങ്കയായി 26% തൊഴിൽ നഷ്ടവും 17% AI വരുത്തുന്ന പിശകുകളും ചൂണ്ടിക്കാട്ടി. AI അവതരിപ്പിക്കുന്നതിന് മുമ്പ് ജീവനക്കാരുമായും അവരുടെ പ്രതിനിധികളുമായും കൂടിയാലോചിക്കാനും മനുഷ്യരുടെ പങ്കാളിത്തം തുടർന്നും ആവശ്യമായിരിക്കെ ജോലിചുമതലകൾ എങ്ങനെ മെച്ചപ്പെടുത്താൻ അതിന് കഴിയുമെന്ന് വിശദീകരിക്കാനും Acas തൊഴിലുടമകളെ ഉപദേശിക്കുന്നു.

എന്താണ് മാറുന്നതെന്നും മാറാത്തതെന്നും പറയുക. നടപ്പാക്കലിന്റെ ഭാഗമായി ഒരു തസ്തികയും ഒഴിവാക്കുന്നില്ലെങ്കിൽ അത് പറയുക. ചില ജോലികൾ മാറുമെങ്കിൽ ഏതൊക്കെയെന്നും എങ്ങനെയെന്നും പറയുക. തുടർന്ന് ക്ലയന്റ് വിവരങ്ങളുടെ രഹസ്യസ്വഭാവം, കൃത്യത തുടങ്ങിയ പ്രായോഗിക ആശങ്കകൾ ഉന്നയിക്കാൻ ജീവനക്കാർക്ക് അവസരം നൽകുക. പ്രസക്തമായവ നിയമങ്ങളാക്കി മാറ്റുക. തങ്ങൾ രൂപപ്പെടുത്താൻ സഹായിച്ച ഉപകരണങ്ങൾ ജീവനക്കാർ കൂടുതൽ എളുപ്പത്തിൽ സ്വീകരിക്കും; പ്രഖ്യാപനത്തിലൂടെ മാത്രം പരിചയപ്പെടുത്തുന്നവയെക്കാൾ.

നിലച്ചുപോയ നടപ്പാക്കൽ വീണ്ടും മുന്നോട്ടുകൊണ്ടുപോകുന്നത് എങ്ങനെയാണ്?

60 ജീവനക്കാരുള്ള ഒരു സാങ്കൽപ്പിക സോഫ്റ്റ്‌വെയർ കമ്പനിയായ പെല്ലോ അനലിറ്റിക്സ്, എല്ലാവർക്കുമായി ഒരു AI സഹായിയുടെ ബിസിനസ് പ്ലാനിൽ ഉപയോക്തൃ ലൈസൻസുകൾ വാങ്ങി. ആറ് ആഴ്ചകൾക്കുശേഷം, മിക്കവരും തുടക്ക ആഴ്ചയിൽ പ്രവേശിച്ചെന്നും വളരെ കുറച്ചുപേർ മാത്രമേ ആഴ്ചതോറും ഉപയോഗിക്കുന്നുള്ളൂവെന്നും ഭരണനിർവഹണ പാനൽ കാണിക്കുന്നു. ഇവരിൽ ഭൂരിഭാഗവും എൻജിനീയറിങ്, വിപണനം എന്നീ വിഭാഗങ്ങളിലാണ്. ഒരു ഓർമപ്പെടുത്തൽ ഇമെയിൽ അയയ്ക്കാനാണ് പ്രവർത്തനവിഭാഗം മേധാവിക്ക് ആദ്യം തോന്നുന്നത്. പകരം, എന്തുകൊണ്ടാണ് ഇങ്ങനെ സംഭവിച്ചതെന്ന് അവർ മൂന്ന് ടീം മേധാവികളോട് ചോദിക്കുന്നു.

ഉത്തരങ്ങൾ വ്യക്തമാണ്. ഉപഭോക്താക്കളുടെ ഇമെയിലുകൾ ഒട്ടിക്കാമോ എന്ന് ഉപഭോക്തൃവിജയ വിഭാഗത്തിന് അറിയില്ലായിരുന്നു (നിയമപ്പട്ടികയിൽ ഉദാഹരണങ്ങളില്ലാതെ 'രഹസ്യവിവരങ്ങൾ പാടില്ല' എന്നുമാത്രമായിരുന്നു). ധനകാര്യ വിഭാഗം ഒരിക്കൽ വ്യത്യാസം വിശദീകരിക്കാൻ അത് പരീക്ഷിച്ചു; കെട്ടിച്ചമച്ച ഒരു കാരണം ലഭിച്ചതോടെ ശ്രമം ഉപേക്ഷിച്ചു. അത് 'വിപണനത്തിനുള്ളതാണ്' എന്ന് വിൽപ്പനവിഭാഗം കരുതി. പരിഹാരങ്ങളും അതുപോലെ വ്യക്തമാണ്. ഉപഭോക്തൃവിജയ വിഭാഗത്തിന് ഒരു നിയമം നൽകുന്നു: ഉപഭോക്താവിന്റെ പേരും കമ്പനിയുടെ പേരും പൂരിപ്പിക്കാനുള്ള സ്ഥാനസൂചകങ്ങൾകൊണ്ട് മാറ്റിയശേഷം ഇമെയിൽ വാചകം ഒട്ടിക്കുക. ധനകാര്യ വിഭാഗത്തിന് 'കണക്കുകളിലെ മാറ്റം വിവരിക്കുക; ഞാൻ നൽകുന്ന കുറിപ്പുകളിൽ ഇല്ലെങ്കിൽ ഒരു കാരണവും പറയരുത്' എന്ന നിർദേശത്തോടുകൂടിയ പ്രവർത്തനവും ഒരു പരിശോധനയും നൽകുന്നു: ഓരോ സംഖ്യയും വീണ്ടും കണക്കുകൂട്ടുക. വിൽപ്പനവിഭാഗത്തിന് പേരെടുത്ത് രണ്ട് പ്രവർത്തനങ്ങൾ നൽകുന്നു: വിളിക്കുറിപ്പുകൾ വൃത്തിയാക്കുക, ആ കുറിപ്പുകളിൽനിന്ന് തുടർബന്ധപ്പെടലിനുള്ള കരടുകൾ തയ്യാറാക്കുക.

ഓരോ ടീം ലീഡും സ്വന്തം ടീമിന്റെ ജോലികളെ അടിസ്ഥാനമാക്കി ഒരു 30-മിനിറ്റ് പരിശീലന സെഷൻ നടത്തുന്നു. നാല് ആഴ്ച കഴിഞ്ഞ്, മുഖ്യ പ്രവർത്തന ഉദ്യോഗസ്ഥൻ ടീം ലീഡിനൊപ്പം ഓരോ ടീമിന്റെയും അഞ്ച് ഫലങ്ങൾ പരിശോധിക്കുന്നു, ലോഗിൻ പട്ടികയല്ല. രണ്ട് പ്രവർത്തനങ്ങൾ ഫലപ്രദമാണ്, ഒന്നിന് മെച്ചപ്പെട്ട നിർദേശം വേണം. പുതുക്കൽ നിരക്കുകൾ അറിയിക്കുന്ന ഇമെയിലുകളുടെ കരട് തയ്യാറാക്കുന്ന മറ്റൊന്ന് ഒഴിവാക്കുന്നു, കാരണം പരിശോധിക്കുന്നയാൾക്ക് ഓരോ കരടും മാറ്റിയെഴുതേണ്ടിവന്നു. അതാണ് ഉപയോഗത്തിലേക്കുള്ള മാറ്റം: ആളുകൾ യഥാർത്ഥത്തിൽ ഉപയോഗിക്കുന്ന, എണ്ണം കുറഞ്ഞതും കൂടുതൽ ഫലപ്രദവുമായ പതിവുകൾ.

AI സ്വീകരിക്കുന്നതിന്റെ ഘട്ടങ്ങൾ ഏതൊക്കെയാണ്?

എല്ലാവരും അംഗീകരിച്ച ഒരൊറ്റ ഘട്ടമാതൃകയില്ല; ഉപദേശകസ്ഥാപനങ്ങളും വിതരണക്കാരും വ്യത്യസ്ത മാതൃകകൾ പ്രസിദ്ധീകരിക്കുന്നു. ചെറുകിട, ഇടത്തരം കമ്പനികൾക്ക് പ്രായോഗികമായി ഉപയോഗിക്കാവുന്ന ഒരു വിവരണം നാല് ഘട്ടങ്ങളാണ്: പരീക്ഷണം (വ്യക്തികൾ പലപ്പോഴും സ്വന്തം അക്കൗണ്ടുകളിൽ പരീക്ഷിക്കുന്നു), അംഗീകാരം (ഒരു ഉപകരണം, ഒരു ബിസിനസ് സബ്സ്ക്രിപ്ഷൻ, രേഖാമൂലമുള്ള നിയമങ്ങൾ), പതിവുപയോഗം (ഉത്തരവാദപ്പെട്ടവർ നിർദിഷ്ട പ്രവൃത്തികൾ നിർദേശങ്ങളും പരിശോധനകളുമായി ആഴ്ചതോറും നടത്തുന്നു), മെച്ചപ്പെടുത്തൽ (കമ്പനി ഫലങ്ങൾ പരിശോധിക്കുന്നു, ദുർബലമായ പ്രവർത്തനക്രമങ്ങൾ ഒഴിവാക്കുന്നു, ആലോചിച്ച് പുതിയവ ചേർക്കുന്നു). ഇത് ഞങ്ങൾ തയ്യാറാക്കിയ വിവരണമാണ്, പ്രസിദ്ധീകരിക്കപ്പെട്ട ഒരു ചട്ടക്കൂടല്ല.

അംഗീകൃത ഉപയോഗത്തിൽനിന്ന് പതിവ് ഉപയോഗത്തിലേക്കുള്ള മാറ്റമാണ് പ്രധാനം. പല കമ്പനികളും അംഗീകാരത്തിൽ നിർത്തുന്നു: അവർക്ക് ലൈസൻസുകളും നയവുമുണ്ട്, എന്നിട്ടും കാര്യമായ മാറ്റമില്ലാത്തത് എന്തുകൊണ്ടെന്ന് അവർ ചിന്തിക്കുന്നു. പതിവ് ഉപയോഗത്തിലേക്ക് എത്താൻ ജോലികൾ തിരഞ്ഞെടുക്കലും പരിശീലനവും അവലോകനവും ആവശ്യമാണ്. ആ പ്രവർത്തനമാണ് ഈ പേജ് വിവരിക്കുന്നത്.

ഒരു മാനേജർ ഏതൊക്കെ സൂചനകൾ ശ്രദ്ധിക്കണം?

ആകെ പ്രവേശനങ്ങളുടെ എണ്ണമല്ല, ജോലിയുടെ ഗുണനിലവാരവും നിർദിഷ്ട ജോലികളിലെ ആവർത്തിച്ചുള്ള ഉപയോഗവുമാണ് ശ്രദ്ധിക്കേണ്ടത്. ഓരോ ആഴ്ചയും എത്ര അംഗീകൃത ജോലികൾ ഉദ്ദേശിച്ച രീതിയിൽ നടക്കുന്നു, പരിശോധിക്കുന്നയാൾ എത്രത്തോളം തിരുത്തുന്നു, തെറ്റുകൾ ടീമിന് പുറത്തേക്ക് പോകുന്നതിന് മുമ്പ് കണ്ടെത്തുന്നുണ്ടോ, കരടിൽ വരുത്തിയ മാറ്റങ്ങൾ ആളുകൾക്ക് വിശദീകരിക്കാനാകുന്നുണ്ടോ എന്നിവയാണ് പ്രയോജനകരമായ സൂചനകൾ. പ്രവേശനങ്ങളുടെ എണ്ണം ഉപയോഗസാധ്യതയെക്കുറിച്ച് പറയുന്നു; ജോലി മെച്ചപ്പെട്ടോ എന്നതിനെക്കുറിച്ച് അത് കാര്യമായി ഒന്നും പറയുന്നില്ല.

സ്വയം റിപ്പോർട്ട് ചെയ്യുന്ന നേട്ടങ്ങളെ ശ്രദ്ധയോടെ കാണുക. ഒരു ഉപകരണം ഇഷ്ടപ്പെടുന്നവർ അത് ലാഭിക്കുന്ന സമയം അധികമായി കണക്കാക്കാനും ഇഷ്ടപ്പെടാത്തവർ കുറച്ചുകാണാനും പ്രവണതയുണ്ട്. ഒരേ ജോലിയുടെ മുമ്പും ശേഷവുമുള്ള ഏതാനും മാതൃകകൾ ഒരേ വ്യക്തി പരിശോധിക്കുന്നത് കൂടുതൽ നല്ല തെളിവാണ്. AI പരിശീലനം ഫലപ്രദമായോ എന്ന് അളക്കുന്നതിനെക്കുറിച്ചുള്ള ഞങ്ങളുടെ മറുപടിയിൽ ഇത് കൂടുതൽ വിശദീകരിക്കുന്നു.

AI ഉപയോഗം വർധിപ്പിക്കാൻ സമ്മർദം ചെലുത്തുന്നത് തെറ്റായ ലക്ഷ്യമാകുന്നത് എപ്പോൾ?

ജോലികൾ AI-ക്ക് അനുയോജ്യമല്ലാത്തപ്പോഴോ, ഫലം പരിശോധിക്കാൻ ആരുമില്ലാത്തപ്പോഴോ, ടീമിന്റെ യഥാർഥ പ്രശ്നം ജോലിഭാരമോ പ്രവർത്തനരീതിയോ ആയിരിക്കുമ്പോഴോ AI ഉപയോഗം വർധിപ്പിക്കാൻ ശ്രമിക്കുന്നത് തെറ്റായ ലക്ഷ്യമാണ്. 'എല്ലാവരും ദിവസവും AI ഉപയോഗിക്കുന്നു' എന്നതുപോലുള്ള ലക്ഷ്യം ഉപയോഗിക്കുന്നതിനു വേണ്ടി മാത്രം ഉപയോഗിക്കുന്നതിനെ പ്രോത്സാഹിപ്പിക്കുന്നു. മൂല്യമൊന്നും നൽകാതെ AI അപകടസാധ്യത കൂട്ടുന്ന ജോലികളിലേക്ക് ആളുകളെ അത് തള്ളിവിടുകയും ചെയ്യാം. ചില ചുമതലകളിലുള്ളവർ AI അപൂർവമായി മാത്രം ഉപയോഗിക്കുന്നതിൽ തെറ്റില്ല.

നിയമങ്ങൾ ഉറപ്പിച്ചിട്ടില്ലെങ്കിൽ ഇതും തെറ്റായ ലക്ഷ്യമാണ്. എന്തൊക്കെ പങ്കിടാമെന്ന് ആളുകൾ അറിയുന്നതിന് മുമ്പ് ഉപയോഗം പ്രോത്സാഹിപ്പിക്കുന്നത്, ഉപകരണം പിൻവലിക്കാൻ നേതൃത്വത്തെ പ്രേരിപ്പിക്കുന്ന അതേ വിവരസംബന്ധമായ പിഴവുകൾക്ക് വഴിയൊരുക്കും.

AI ഉപയോഗത്തിലേക്ക് മാറുന്നതിൽ Tosheo.aiയുടെ സ്ഥാനം എന്താണ്?

AI സ്വീകരിക്കുന്നതിലെ പരിശീലനഭാഗത്തിനായാണ് Tosheo.ai ഒരുക്കുന്നത്. പുറത്തിറക്കുമ്പോൾ, മാനേജർ ജോലിചുമതലകളും ടീം ഉപയോഗിക്കുന്ന AI ഉപകരണങ്ങളും തിരഞ്ഞെടുക്കുന്നതാണ് പദ്ധതി. ഓരോരുത്തരും 5 മിനിറ്റുള്ള നിലവാരനിർണയ പരിശോധനയ്ക്ക് ശേഷം 10 മുതൽ 15 മിനിറ്റ് വരെയുള്ള പാഠങ്ങൾ പഠിക്കുന്നു. ഓരോ പാഠവും യഥാർഥ AI ഉപകരണത്തിൽ നേരിട്ട് ചെയ്യുന്ന പ്രവർത്തനത്തിൽ അവസാനിക്കും; കാണാവുന്ന മൂല്യനിർണയ മാനദണ്ഡങ്ങളുടെ അടിസ്ഥാനത്തിൽ മാർക്ക് ലഭിക്കും. ആസൂത്രണം ചെയ്ത മാനേജർ അവലോകനപ്പലക നൈപുണ്യത്തിലെ പുരോഗതിയും പൂർത്തീകരണവും കാണിക്കും; പൂർണ സംഭാഷണരേഖകൾ ഒരിക്കലും കാണിക്കില്ല. സജീവമല്ലാത്ത പഠിതാക്കൾക്ക് ഓർമപ്പെടുത്തലുകളും മാനേജർക്ക് പ്രതിവാര സംഗ്രഹവും അയയ്ക്കാനും പദ്ധതിയുണ്ട്.

ഇതിന്റെ നിർമ്മാണം ഇനിയും ആരംഭിച്ചിട്ടില്ല, അതിനാൽ ഉപയോഗത്തിലൂടെ ലഭിച്ച ഫലങ്ങൾ കാണിക്കാനില്ല. നിങ്ങളുടെ ചട്ടങ്ങൾ ഇനിയും തീരുമാനമായിട്ടില്ലെങ്കിലോ നിങ്ങളുടെ ടീമിന് AI ഉപയോഗിക്കാൻ അനുയോജ്യമായ ജോലികളില്ലെങ്കിലോ ഇത് ശരിയായ പരിഹാരമല്ല; മുകളിലെ ഘട്ടങ്ങൾ ഉപയോഗിച്ച് ആദ്യം അവ പരിഹരിക്കുക. പദ്ധതിയിട്ടിരിക്കുന്ന നിരക്കുകൾ വിലനിർണ്ണയ പേജിലുണ്ട്.

ഉറവിടങ്ങളും പരിധിയും

DSIT, AI ഉപയോഗത്തിലേക്കുള്ള മാറ്റത്തെക്കുറിച്ചുള്ള ഗവേഷണ റിപ്പോർട്ട് (ഫീൽഡ് പഠനം ഫെബ്രുവരി മുതൽ മേയ് 2025 വരെ), പ്രസിദ്ധീകരിച്ചത് ജനുവരി 2026 ↗

GOV.UK, AI സ്വീകരണം സംബന്ധിച്ച ഗവേഷണത്തിന്റെ പ്രസിദ്ധീകരണ പേജ്, പരിഷ്കരിച്ചത് ഫെബ്രുവരി 2026 ↗

Acas, AI തൊഴിൽ നഷ്ടത്തിന് കാരണമാകുമെന്ന് 4 തൊഴിലാളികളിൽ 1 പേർ ആശങ്കപ്പെടുന്നു, 28 ഏപ്രിൽ 2025 ↗

Acas, AI ഉൽപ്പാദനക്ഷമത വർധിപ്പിക്കുമെന്ന് തൊഴിലുടമകളിൽ മൂന്നിലൊന്ന് കരുതുന്നു, 15 മേയ് 2025 ↗