AI যুগের একটি স্কোরকার্ড

সবখানে CFO-দের কাছ থেকে যে প্রশ্নটি শুনি, তা সহজ: AI-তে আমাদের খরচ থেকে কীভাবে আরও বেশি মূল্য পাব?

বছরের পর বছর বাজার সফটওয়্যারের সাফল্য মেপেছে গ্রহণযোগ্যতা দিয়ে: কেনা সিট, সক্রিয় ব্যবহারকারী, নবায়ন করা লাইসেন্স. AI-এর মূল্য বোঝার জন্য আরও শক্তিশালী মাপকাঠি দরকার: সম্পন্ন কাজ.

CFO ও অন্যান্য ব্যবসায়িক নেতাদের সামনে মৌলিক অর্থনৈতিক প্রশ্ন হলো, AI যে কাজ সম্পন্ন করে তার মূল্য কি সেটি উৎপাদনের খরচের চেয়ে দ্রুত বাড়ছে.

এই প্রশ্নের উত্তর দিতে টোকেনপ্রতি খরচের মতো কোনো মেট্রিকের বাইরে আরও গভীরে তাকাতে হয়. কম খরচের কোনো মডেলে টোকেন সস্তা হতে পারে, কিন্তু ভালো ফল পেতে বেশি চেষ্টা, বেশি সময় বা বেশি মানব-পর্যালোচনা লাগতে পারে. আরও সক্ষম কোনো মডেলে টোকেন বেশি দামের হতে পারে, কিন্তু একই কাজ একবারেই শেষ করতে পারে. গুরুত্বপূর্ণ হলো সফল ফল তৈরি করার মোট খরচ, সেই ফল যে মূল্য সৃষ্টি করে তার সঙ্গে তুলনা করে দেখা.

AI যুগের চূড়ান্ত স্কোরকার্ডকে দেখা যেতে পারে “প্রতি ডলারে উপযোগী বুদ্ধিমত্তা” হিসেবে. এই মেট্রিক চারটি মূল প্রশ্নের উত্তর দেয়:

1. AI কি গুরুত্বপূর্ণ কাজ সম্পন্ন করছে?
2. প্রতিটি সফল কাজের খরচ কত?
3. মানুষ কি ফলের ওপর নির্ভর করতে পারে?
4. ব্যবহার বাড়ার সঙ্গে প্রতিটি AI ডলার কি আরও বেশি মূল্য তৈরি করে?

শুরু করুন কাজটি দিয়েই.

AI কতগুলো গ্রাহক সমস্যা সমাধানে সাহায্য করেছে? এটি কতগুলো কোড পরিবর্তন রিলিজ করতে সাহায্য করেছে? এটি কতগুলো চুক্তি পর্যালোচনা করেছে? এটি মানুষের কতটা সময় ফিরিয়ে দিয়েছে? সঠিক মুহূর্তে সঠিক প্রসঙ্গ পাওয়া যাওয়ায় কতগুলো সিদ্ধান্ত উন্নত হয়েছে?

টোকেন তখনই মূল্য তৈরি করে, যখন সেগুলো মানুষ ব্যবহার করতে পারে এমন কাজে রূপ নেয়. মডেলগুলো আরও সক্ষম হলে তারা দীর্ঘতর ও জটিলতর কাজ নিতে পারে: প্রসঙ্গ ধরে রাখা, একাধিক ধাপে যুক্তি করা, বিভিন্ন টুলে কাজ করা এবং চলতে চলতে মানিয়ে নেওয়া.

শুরু করার সেরা জায়গা হলো একটি ওয়ার্কফ্লো. “সম্পন্ন” বলতে কী বোঝায় তা নির্ধারণ করুন এবং যে সিস্টেমে কাজটি হয় সেখানে সেই ফল মাপুন.

সাপোর্ট টিমের ক্ষেত্রে, “সম্পন্ন” মানে হতে পারে কোনো গ্রাহক সমস্যার সমাধান. ইঞ্জিনিয়ারিং টিমের ক্ষেত্রে, তা হতে পারে এমন কোড পরিবর্তন যা তার পরীক্ষাগুলো পাস করে. লিগ্যাল টিমের ক্ষেত্রে, তা হতে পারে সঠিকভাবে ও সময়মতো পর্যালোচিত কোনো চুক্তি.

ধরা যাক, একটি ফাইন্যান্স টিম পূর্বাভাস পর্যালোচনার প্রস্তুতি নিচ্ছে. চূড়ান্ত সিদ্ধান্তের আগেই অনেক কাজ হয়: সর্বশেষ পূর্বাভাস খুঁজে বের করা, ডেটা Excel বা Sheets-এ নেওয়া, পরিবর্তন শনাক্ত করা, ট্যাব মিলিয়ে দেখা, স্লাইড নতুন করে তৈরি করা এবং সবকিছু নিখুঁতভাবে মিলে যাচ্ছে কি না পরীক্ষা করা.

ChatGPT কাজ এই প্রক্রিয়ার অনেকটাই সামলাতে পারে, ফলে টিম গুরুত্বপূর্ণ প্রশ্নগুলোতে মনোযোগ দেওয়ার বেশি সময় পায়: কী বদলেছে? কেন? এরপর আমাদের কী করা উচিত?

বাস্তবে এটাই প্রতি ডলারে উপযোগী বুদ্ধিমত্তা. আরও বেশি কাজ দ্রুত শেষ হয়, আর মানুষ তাদের সময়ের বড় অংশ ব্যয় করে বিচার-বিবেচনা, সৃজনশীলতা ও দক্ষতা প্রয়োগে.

পরের প্রশ্ন হলো, কাজটি ভালোভাবে শেষ করতে কত খরচ হয়.

AI কাজের ধরন খুব ভিন্ন হতে পারে. দ্রুত উত্তর দিতে অল্প কম্পিউট লাগতে পারে. কোডিং, গবেষণা বা আর্থিক ওয়ার্কফ্লোতে গভীর যুক্তি, টুল ব্যবহার ও অনেক পদক্ষেপ থাকতে পারে. এ ধরনের জটিল কাজের জন্য বেশি কম্পিউট লাগতে পারে, কিন্তু এগুলো অনেক বেশি মূল্য তৈরি করতে পারে.

মডেল পর্যায়ে, সফল কাজপ্রতি খরচ নির্ভর করে দাম, ব্যবহৃত কম্পিউটের পরিমাণ এবং সঠিক ফলে পৌঁছানোর সম্ভাবনার ওপর. ব্যবসার ক্ষেত্রে, পূর্ণ খরচের মধ্যে কর্মীদের সময়, মানব-পর্যালোচনা, পুনরায় চেষ্টা এবং পুনরায় কাজ করাও থাকে.

হিসাবটি সরল:

• কাজ সম্পন্ন করার পূর্ণ খরচ যোগ করুন.
• যে কাজগুলো প্রয়োজনীয় মানদণ্ড পূরণ করেছে সেগুলো গণনা করুন.
• পূর্ণ খরচকে সফল কাজের সংখ্যা দিয়ে ভাগ করুন.

এ কারণেই টোকেনপ্রতি সর্বনিম্ন দাম সব সময় ফলপ্রতি সর্বনিম্ন খরচ দেয় না. একটি অত্যাধুনিক মডেল রুটিন অনুরোধেও সেরা মূল্য দিতে পারে, যদি একবারেই সঠিক উত্তর দেয় এবং পুনরায় চেষ্টা, দেরি, পর্যালোচনা ও মোট কম্পিউট কমায়.

স্তরভিত্তিক মডেল পরিবার গ্রাহকদের এই সমীকরণ অপ্টিমাইজ করার আরও পথ দেয়. গত সপ্তাহে প্রকাশিত GPT‑5.6‑এর তিনটি স্তর আছে: Sol আমাদের ফ্ল্যাগশিপ; Terra পারফরম্যান্স ও খরচের ভারসাম্য রাখে; Luna আমাদের দ্রুততম ও সবচেয়ে সাশ্রয়ী মডেল.

এই স্তরগুলো উপযোগী শুরুর বিন্দু দেয়. শেষ পর্যন্ত পূর্ণ কাজের অর্থনীতি থেকেই সঠিক মডেল নির্ধারিত হওয়া উচিত. গ্রাহক দ্রুত, উচ্চ-ভলিউম ওয়ার্কফ্লোর জন্য Luna, বেশি গভীরতা দরকার এমন কাজের জন্য Terra, অথবা কম চেষ্টায় শক্তিশালী যুক্তি সেরা ফল দিলে Sol ব্যবহার করতে পারেন.

প্রতিটি টোকেন থেকে আরও উপযোগী কাজ পাওয়ার জন্য আমরা GPT‑5.6 প্রশিক্ষণ দিয়েছি. Artificial Analysis Coding Agent Index-এ, সর্বোচ্চ রিজনিং সেট করা GPT‑5.6 Sol আরেকটি শীর্ষ মডেলের তুলনায় 54% কম আউটপুট টোকেন ব্যবহার করেও নতুন সর্বোচ্চ মান স্থাপন করেছে. নিচের চার্টে তুলনাটি দেখানো হয়েছে.

GPT‑5.6 পরিবারজুড়ে লক্ষ্য একই: প্রতি ডলারে আরও সফল কাজ. বেশি দক্ষতা বিদ্যমান কাজকে আরও সাশ্রয়ী করে. বেশি সক্ষমতা সম্পূর্ণ নতুন ধরনের কাজ সম্ভব করে.

প্রতিটি নতুন মডেল প্রজন্মেরই এই সমীকরণের দুই দিক উন্নত করা উচিত. গ্রাহকদের যেন আরও মূল্যবান কাজ সম্পন্ন করা যায়, আর একই সঙ্গে প্রতিটি কাজ শেষ করার খরচ কমতেই থাকে.

তৃতীয় মাপকাঠি হলো নির্ভরযোগ্যতা.

AI গ্রহণ সাধারণত ধাপে ধাপে গভীর হয়. প্রথমে, AI খসড়া তৈরি করতে সাহায্য করে. এরপর এটি প্রসঙ্গ খুঁজে বের করে এবং টুল ও ডেটাজুড়ে যুক্তি করে. সময়ের সঙ্গে এটি পদক্ষেপ নেওয়া, ব্যতিক্রম সামলানো এবং ওয়ার্কফ্লো সম্পন্ন করা শুরু করে, যেখানে প্রয়োজন সেখানে মানুষ বিচার-বিবেচনা ও নিয়ন্ত্রণ দেয়.

প্রতিটি ধাপ আরও মূল্য তৈরি করে এবং সিস্টেমের কাছে আরও বেশি দাবি রাখে.

নির্ভরযোগ্যতার সরাসরি অর্থনৈতিক মূল্য আছে. ফল যখন সঠিক, ভালোভাবে উৎসনির্ভর, ধারাবাহিক এবং যথাযথভাবে এসকেলেটেড হয়, তখন মানুষ পর্যালোচনা, সংশোধন ও কাজ পুনরাবৃত্তিতে কম সময় দেয়. সফল কাজের খরচ কমে, এবং প্রতিষ্ঠানগুলো আরও গুরুত্বপূর্ণ ওয়ার্কফ্লোতে AI ব্যবহার করার আস্থা পায়.

টিমগুলো তিনটি ফল ট্র্যাক করে বিষয়টি বাস্তব করে তুলতে পারে:

• ব্যবহারের জন্য প্রস্তুত: দেওয়া অবস্থাতেই ফলটি মানদণ্ড পূরণ করেছে.
• সংশোধন দরকার: ফলটির জন্য আরেকবার চেষ্টা বা মানুষের সম্পাদনা দরকার হয়েছে.
• এসকেলেশন দরকার: একজন মানুষকে এগিয়ে এসে কাজটি শেষ করতে হয়েছে.

এই মাপকাঠিগুলো শুধু মডেলের নির্ভুলতার চেয়ে সমৃদ্ধতর ছবি দেয়. এগুলো দেখায়, প্রকল্প শেষ করতে যে কাজ লাগে AI সত্যিই তা কমাচ্ছে কি না.

নির্ভরযোগ্যতার জন্য স্পষ্ট সীমানাও দরকার. AI খসড়া তৈরি থেকে পদক্ষেপ নেওয়ার পর্যায়ে যাওয়ার আগে, প্রতিষ্ঠানগুলোর নির্ধারণ করা উচিত:

• সিস্টেম কোন ডেটায় অ্যাক্সেস পাবে.
• এটি কোন সিস্টেম ব্যবহার বা পরিবর্তন করতে পারবে.
• কখন একজন মানুষ কোনো পদক্ষেপ পর্যালোচনা বা অনুমোদন করবে.

নিরাপত্তা, সুরক্ষা, গোপনীয়তা ও নিয়ন্ত্রণ গভীরতর ব্যবহারের ভিত্তি তৈরি করে. সিস্টেম কীভাবে আচরণ করে, তাদের ডেটা কীভাবে পরিচালিত হয় এবং এর পদক্ষেপ কীভাবে নিয়ন্ত্রিত হয়, মানুষকে তা বুঝতে হবে.

ChatGPT কাজ, ChatGPT Enterprise-এর নিরাপত্তা, গোপনীয়তা, কমপ্লায়েন্স ও ওয়ার্কস্পেস-ম্যানেজমেন্ট ভিত্তির ওপর দাঁড়ায়. এতে প্রতিষ্ঠানগুলো উপযুক্ত তদারকি বজায় রেখেই AI-কে আরও প্রসঙ্গ এবং আরও মূল্যবান ওয়ার্কফ্লোতে অ্যাক্সেস দিতে পারে.

সক্ষমতা প্রথম ব্যবহার এনে দেয়. নির্ভরযোগ্যতা AI-কে কাজ সম্পন্ন করার পদ্ধতির অংশ করে তোলে.

শেষ প্রশ্ন হলো, বড় পরিসরে অর্থনীতি উন্নত হয় কি না.

সময়ের সঙ্গে একই ওয়ার্কফ্লো অনুসরণ করে কোম্পানিগুলো এটি মাপতে পারে. কতগুলো কাজ মানদণ্ড পূরণ করেছে, সেগুলো শেষ করার মোট খরচ এবং সফল কাজপ্রতি খরচ ট্র্যাক করুন. গুণমান বজায় থাকে বা উন্নত হয়, আর সম্পন্ন কাজ যদি মোট খরচের চেয়ে দ্রুত বাড়ে, তবে প্রতিটি AI ডলার আরও মূল্য তৈরি করছে.

এই সমীকরণের কেন্দ্রে আছে কম্পিউট.

কম্পিউট গবেষণা এবং AI যে প্রতিটি কাজ সম্পন্ন করে তা চালিত করে. এটি পণ্যের গুণমান, গতি, নির্ভরযোগ্যতা, প্রাপ্যতা ও খরচকে প্রভাবিত করে. প্রশিক্ষণ কম্পিউট ভবিষ্যৎ সক্ষমতা তৈরি করে. ইনফারেন্স কম্পিউট আজ উপযোগী কাজ সরবরাহ করে. দুটিই গ্রাহকদের জন্য আরও ভালো ফলে রূপ নেওয়া উচিত.

ভালো মডেল, আরও দক্ষ ইনফারেন্স, উদ্দেশ্যনির্দিষ্ট হার্ডওয়্যার, বেশি ব্যবহারমাত্রা, স্মার্টার রাউটিং এবং শক্তিশালী পণ্য নকশা—সবই কম্পিউটের রিটার্ন উন্নত করে. ইনফ্রাস্ট্রাকচারের প্রতিটি প্রজন্ম আরও সক্ষম মডেল প্রশিক্ষণে সাহায্য করে. এরপর ভালো অ্যালগরিদম, হার্ডওয়্যার ও সফটওয়্যার সেই মডেলগুলো আরও দক্ষভাবে পরিবেশন করতে সাহায্য করে.

গ্রাহকেরা এই উন্নতিগুলো মানুষের ভাষায় অনুভব করেন: ভালো উত্তর, দ্রুত ফল, কম সংশোধন, আরও নির্ভরযোগ্য পণ্য এবং তাদের দরকারি কাজের কম খরচ.

লাভগুলো চক্রবৃদ্ধি হারে বাড়ে. ভালো ইনফ্রাস্ট্রাকচার গবেষণাকে ত্বরান্বিত করে. গবেষণা আরও সক্ষম ও দক্ষ মডেল তৈরি করে. ভালো মডেল পণ্য উন্নত করে. ভালো পণ্য গ্রহণ, শেখা ও আয় বাড়ায়. এই প্রবৃদ্ধি পরবর্তী প্রজন্মের গবেষণা, কম্পিউট, ডিপ্লয়মেন্ট ও নিরাপত্তায় অব্যাহত বিনিয়োগকে সমর্থন করে.

OpenAI একটি অভিন্ন বুদ্ধিমত্তা প্ল্যাটফর্মের মাধ্যমে এই অংশগুলোকে একত্র করে. মানুষ ChatGPT ও ChatGPT কাজের মাধ্যমে এটি ব্যবহার করে. ডেভেলপাররা Codex ও API-এর মাধ্যমে এটি দিয়ে তৈরি করেন. এন্টারপ্রাইজগুলো এটি সেই সিস্টেমে ডিপ্লয় করে যেখানে কাজ হয়.

একটি স্তর উন্নত হলে, প্রতিটি পণ্য ও গ্রাহক উপকৃত হতে পারে.

সব মিলিয়ে, এই চারটি মাপকাঠি জানায় প্রতি ডলারে উপযোগী বুদ্ধিমত্তা উন্নত হচ্ছে কি না.

উপযোগী কাজ আমাদের জানায় AI কী উৎপাদন করে. সফল কাজপ্রতি খরচ জানায় ফল পেতে কী লাগে. নির্ভরযোগ্যতা জানায় কাজের কতটা মানুষ আস্থার সঙ্গে ব্যবহার করতে পারে. বড় পরিসরের মূল্য জানায়, সময়ের সঙ্গে প্রতিটি ডলার ও কম্পিউটের প্রতিটি ইউনিট আরও বেশি কিছু সম্পন্ন করছে কি না.

লক্ষ্য হলো এমন AI, যা মানুষকে আরও অর্থবহ কাজ করতে, ভালো সিদ্ধান্ত নিতে এবং তাদের কাজের যে অংশগুলোতে স্বতন্ত্র মানবিক বিচার-বিবেচনা ও সৃজনশীলতা দরকার সেখানে বেশি সময় দিতে সাহায্য করে.

আমাদের কাজ হলো প্রতিটি প্রজন্মে এই সমীকরণকে আরও ভালো করা: আরও সক্ষম মডেল, দ্রুত ও বেশি নির্ভরযোগ্য ফল, এবং গ্রাহকদের দরকারি কাজের কম খরচ.

এভাবেই সময়ের সঙ্গে AI আরও বেশি মানুষ ও প্রতিষ্ঠানের জন্য আরও উপযোগী হয়ে ওঠে.