AI အခြေပြုကုမ္ပဏီများက လုပ်ငန်းစဉ်များကို လည်ပတ်နိုင်စွမ်းအဖြစ် ပြောင်းလဲပုံ

OpenAI ၏ နောက်ဆုံးထုတ် Enterprise Signals က လုပ်ငန်းသုံး AI သည် ကူညီပေးသည့်အဆင့်မှ လက်တွေ့လုပ်ဆောင်သည့်အဆင့်သို့ ကွာခြားလှသော အမြန်နှုန်းများဖြင့် ကူးပြောင်းနေကြောင်း ဖော်ပြသည်။ AI အသုံးပြုမှု ထိပ်တန်း ၁၀% တွင် ပါဝင်သည့် စွမ်းဆောင်ရည်အမြင့်ဆုံးကုမ္ပဏီများသည် ယခုအခါ ပုံမှန်ကုမ္ပဏီများထက် လက်ရှိအသုံးပြုသူတစ်ဦးလျှင် output တိုကင် ၈.၃ ဆ ထုတ်ပေးနေပြီး ဇန်နဝါရီလက ၂.၆ ဆသာ ရှိခဲ့သည်။ ပိုမိုကျယ်ပြန့်လာသည့် ကွာဟချက်က လုပ်ငန်းလည်ပတ်ပုံအတွင်း နက်ရှိုင်းသော အပြောင်းအလဲတစ်ခုကို ညွှန်ပြနေသည်။ ဦးဆောင်ကုမ္ပဏီများသည် အေးဂျင့်များကို ကုမ္ပဏီ၏ အကြောင်းအရာနှင့် ကိရိယာများ ချိတ်ဆက်ပေးကာ ပိုမိုအရေးပါသည့် အလုပ်များကို လွှဲအပ်ပြီး အောင်မြင်သော လုပ်ငန်းစဉ်များကို အလွယ်တကူ ထပ်လုပ်နိုင်အောင် ဖန်တီးကြသည်။

ခေါင်းဆောင်များအတွက် စိန်ခေါ်မှုမှာ ထိုနက်ရှိုင်းမှုကို လူများ ယုံကြည်နိုင်၊ တိုင်းတာနိုင်၊ တိုးတက်အောင် လုပ်နိုင်သည့် အလုပ်အဖြစ် ပြောင်းလဲရန်ဖြစ်သည်။ ခေါင်းဆောင်များသည် ပထမအကြိမ် စမ်းသပ်ရာတွင် တန်ဖိုးမထင်ရှားသေးသော အသုံးချမှုများအပါအဝင် စမ်းသပ်တီထွင်ရန်လည်း နေရာပေးသင့်သည်။

စတင်တည်ထောင်သည့် ကုမ္ပဏီများဖြစ်သော Basis⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်)၊ Clay⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) နှင့် Exa Labs⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) တို့သည် ဝန်ထမ်းသစ်မိတ်ဆက်မှု၊ အကောင့်စီမံခန့်ခွဲမှုနှင့် developer ဂေဟစနစ် ကြီးထွားမှုတို့တွင် အေးဂျင့်များကို ထည့်သွင်းအသုံးပြုထားသည်။ ၎င်းတို့၏ လုပ်ငန်းစဉ်များ ကွဲပြားသော်လည်း တိုးတက်လာပုံက သင်ခန်းစာယူစရာကောင်းသည်။ အေးဂျင့်တစ်ခုကို တည်ငြိမ်သော လုပ်ငန်းစဉ် သင်ပေးခြင်း၊ အလုပ်ပြောင်းလဲလာသည်နှင့်အမျှ ဆက်လက်တည်ရှိသည့် အကြောင်းအရာ ပေးခြင်း၊ ထို့နောက် အခွင့်အလမ်းများကို စမ်းသပ်ပြီးသော လုပ်ဆောင်ချက်များအဖြစ် ပြောင်းလဲစေခြင်းတို့ ဖြစ်သည်။

ဤနမူနာများက အသင်းများသည် အေးဂျင့်များကို ရင်းနှီးပြီးသား အလုပ်များထဲ ထည့်သွင်းကာ လုပ်ငန်းစဉ်ကို အချိန်နှင့်အမျှ တိုးတက်စေနိုင်ပုံကို စုပေါင်းဖော်ပြသည်။

ဝန်ထမ်းသစ်မိတ်ဆက်မှုသည် အလုပ်ရှင်နှင့် ဝန်ထမ်းတို့အတွက် အချိန်ကြာမြင့်စွာ ခက်ခဲရှုပ်ထွေးခဲ့သည်။ စာရင်းကိုင်လုပ်ငန်းများအတွက် AI အေးဂျင့်များ ဖန်တီးပေးသည့် Basis တွင် ပထမနေ့ ဝန်ထမ်းသစ်မိတ်ဆက်မှုသည် နှစ်နာရီအစား မိနစ် ၃၀ သာ ကြာတော့သဖြင့် HR အနေဖြင့် ကုမ္ပဏီယဉ်ကျေးမှုနှင့် ပံ့ပိုးကူညီမှုအတွက် အချိန်ပိုရလာသည်။

ပထမနေ့တွင် ဝန်ထမ်းများသည် Codex နှင့် ကုမ္ပဏီသီးသန့် ဝန်ထမ်းသစ်မိတ်ဆက် skill တစ်ခုကို ချက်ချင်းအသုံးပြုခွင့် ရရှိသည်။ ထို skill သည် သီးခြားလုပ်ငန်းစဉ်တစ်ခုအတွက် ပြန်လည်အသုံးပြုနိုင်သော ညွှန်ကြားချက်နှင့် အရင်းအမြစ်များ စုစည်းထားခြင်းဖြစ်သည်။ Codex က ၎င်းတို့ကို ကြိုဆိုပြီး ကုမ္ပဏီ၏ အဓိကသဘောတရားများကို မိတ်ဆက်ပေးကာ နောက်ခံတွင် ပေါင်းစည်းမှုဆိုင်ရာ စနစ်ထည့်သွင်းမှုကို အပြီးသတ်ရန် ၎င်းတို့၏ ကွန်ပျူတာကို အသုံးပြုသည်။ ထပ်တလဲလဲ မေးခွန်းများ သို့မဟုတ် ခြွင်းချက်များ ပေါ်လာပါက HR သည် နောက်ဝန်ထမ်းအုပ်စု မရောက်မီ skill ကို ပြင်ဆင်နိုင်သည်။

Basis သည် ဝန်ထမ်းသစ်မိတ်ဆက်မှု လုပ်ငန်းစဉ်ကို တစ်ကြိမ် လက်တွေ့ပြသပြီးနောက် ရှင်းလင်းသည့် အစပျိုးချက်၊ သတ်မှတ်ထားသော အဆင့်များ၊ သင့်တော်သည့် ကိရိယာများကို အသုံးပြုခွင့်နှင့် “ပြီးမြောက်ပြီ” ဟူသည့် ရှင်းလင်းသော သတ်မှတ်ချက်တို့ပါဝင်သည့် ပြန်လည်အသုံးပြုနိုင်သော skill အဖြစ် ပြောင်းလဲခဲ့သည်။ ယခု လုပ်ငန်းစဉ်သည် လူတစ်ဦး၏ အားလပ်ချိန်အပေါ် မမှီခိုတော့သော်လည်း ခြွင်းချက်များ သို့မဟုတ် ရှုပ်ထွေးသော မေးခွန်းများရှိပါက အသင်းက ဝင်ရောက်ကူညီနိုင်သေးသည်။ ယခုအခါ ဝန်ထမ်းသစ်မိတ်ဆက်မှုသည် ပိုမိုတသမတ်တည်းရှိကာ ထပ်ခါတလဲလဲ လုပ်ဆောင်ရန်နှင့် တိုးတက်အောင် ပြင်ဆင်ရန် ပိုလွယ်လာပြီး ဝန်ထမ်းသစ်များလည်း AI နှင့် အလုပ်လုပ်ပုံအတွက် စံနမူနာတစ်ခု ချက်ချင်းရရှိသည်။

ဈေးကွက်ဗျူဟာအဖွဲ့များအတွက် ကိုယ်တိုင်လေ့လာနိုင်သည့် ဝင်ငွေဖန်တီးရေးအင်ဂျင် တည်ဆောက်နေသော Clay သည် ရင်းနှီးပြီးသား အရောင်းစိန်ခေါ်မှုတစ်ခုနှင့် ရင်ဆိုင်နေရသည်။ အရောင်းသဘောတူညီချက်အတွက် အရေးကြီးသော အကြောင်းအရာများသည် CRM မှတ်တမ်းများ၊ အီးမေးလ်၊ Slack၊ ဖုန်းခေါ်ဆိုမှုများ၊ တင်ဆက်မှုများ၊ စာတိုများနှင့် အတွင်းပိုင်းအဖွဲ့များ၊ ဖောက်သည်ဘက်မှ အားပေးကူညီသူများနှင့် ဆွေးနွေးမှုများအကြား ပြန့်ကျဲနေခြင်းဖြစ်သည်။

ထိုအကြောင်းအရာကို အမြဲနောက်ဆုံးအခြေအနေဖြစ်နေစေရန် Clay ၏ GTM အင်ဂျင်နီယာတစ်ဦးက အကောင့်တိုင်းအတွက် အမြဲတည်ရှိသည့် အလုပ်နေရာနှင့် သီးသန့်အေးဂျင့်ခွဲတစ်ခုထားသည့် ပိုမိုကောင်းမွန်သော နည်းလမ်းကို စမ်းသပ်ခဲ့သည်။ အေးဂျင့်ခွဲတစ်ခုစီသည် မူရင်းရင်းမြစ်များကို ပြန်လည်သုံးသပ်ပြီး ညအချိန်တွင် သက်ဆိုင်ရာ အရောင်းသဘောတူညီချက်ဖိုင်တွဲကို အပ်ဒိတ်လုပ်သည်။ နံနက်တိုင်း ညှိနှိုင်းပေးသည့် အေးဂျင့်တစ်ခုက သူမ၏ အကောင့်အားလုံးမှ အပ်ဒိတ်များကို ဦးစားပေးလုပ်ဆောင်ရမည့် အချက်တိုစာရင်းအဖြစ် ပြောင်းပေးသည်။ ယင်းတို့တွင် ဖောက်သည်၏ မဖြေရှင်းရသေးသော မေးခွန်းကို ဖြေခြင်း၊ ဝယ်ယူရေးကော်မတီအတွင်း လစ်ဟာမှုကို ဖြည့်ခြင်း သို့မဟုတ် အလားအလာရှိသော ဖောက်သည်အား ပြန်လည်ဆက်သွယ်ရန် အကြောင်းရင်းပေးခြင်းတို့ ပါဝင်သည်။

Clay ၏ အဆိုအရ ဤလုပ်ငန်းစဉ်က ညတိုင်း ဝင်စာများကို စိစစ်ရန် သူမအသုံးပြုရသည့် အချိန် တစ်နာရီခန့်ကို သက်သာစေသည်။ နေ့စဉ်ဦးစားပေးချက်များက ရှည်လျားသော လုပ်ငန်းအရောင်းစက်ဝန်းတစ်လျှောက် စုပေါင်းအကျိုးသက်ရောက်မှု ကြီးမားလာနိုင်သည့် အသေးစားလုပ်ဆောင်ချက်များကို သူမ ဆက်လက်ဆောင်ရွက်နိုင်ရန် ကူညီပေးသည်။ အထောက်အထားများကို အကြံပြုချက်တစ်ခုစီနှင့် နီးကပ်စွာ ထားရှိသဖြင့် အရောင်းဝန်ထမ်းများသည် မလုပ်ဆောင်မီ မူရင်းရင်းမြစ်များကို စစ်ဆေးနိုင်သည်။ လုပ်ငန်းကြီးများသည် လက်ရှိအကောင့်ခွင့်ပြုချက်များအရ ထိုမျှဝေထားသော အကြောင်းအရာကို အကောင့်အမှုဆောင်များ၊ BDR များ၊ ဖြေရှင်းချက်အင်ဂျင်နီယာများနှင့် အရောင်းခေါင်းဆောင်များအထိ ချဲ့ထွင်နိုင်သည်။

Clay က ပြောင်းလဲတိုးတက်နေသော အလုပ်ကို အတိုင်းအတာချဲ့ရန် လိုအပ်သည့်အရာများကို ဖော်ပြသည်။ ယင်းတို့မှာ တသမတ်တည်းရှိသော ဖွဲ့စည်းပုံ၊ အသုံးဝင်သည့် အပ်ဒိတ်အကြိမ်ရေ၊ မျှဝေထားသော အထောက်အထားနှင့် လက်တွေ့လုပ်ဆောင်ချိန်ရှိ လူသား၏ ဆင်ခြင်ဆုံးဖြတ်မှုတို့ဖြစ်သည်။

AI အေးဂျင့်များအတွက် ဝဘ်ရှာဖွေရေး အခြေခံအဆောက်အအုံ တည်ဆောက်သည့် Exa Labs သည် developer များ အသုံးပြုနိုင်သည့် နေရာတိုင်း၌ ၎င်း၏ search API ကို ရရှိနိုင်စေလိုသည်။ အသင်းက ဤရည်မှန်းချက်ကို “နေရာတိုင်းတွင် Exa” ဟု ခေါ်သည်။ ယခင်က ယင်းကို အကောင်အထည်ဖော်ရန် developer ဆက်ဆံရေးနှင့် အကောင့်အဖွဲ့များက သိမ်းဆည်းရန်နေရာ များနှင့် ပိုမိုကျယ်ပြန့်သော ဂေဟစနစ်ကို စောင့်ကြည့်ခြင်း၊ အလားအလာကောင်းသော ပေါင်းစည်းမှုများ ရှာဖွေခြင်း၊ အကြောင်းအရာ စုဆောင်းခြင်းနှင့် စနစ်များအကြား အလုပ်ကို ညှိနှိုင်းခြင်းတို့ လုပ်ဆောင်ရသည်။ အခွင့်အလမ်းများ ကွဲပြားသော်လည်း ရှာဖွေတွေ့ရှိမှုမှ အကောင်အထည်ဖော်မှုအထိ လမ်းကြောင်းသည် တသမတ်တည်းရှိသော အဆင့်စဉ်တစ်ခုအတိုင်း လိုက်နာခဲ့သည်။ Exa သည် ထိုအဆင့်စဉ်ကို ရှင်းလင်းသော ဦးစားပေးချက်များ၊ လိုအပ်သည့် ရင်းမြစ်များကို အသုံးပြုခွင့်နှင့် မည်သည့်အရာကိုမျှ မထုတ်ပြန်မီ လူသားက ပြန်လည်သုံးသပ်ခြင်းတို့ပါဝင်သည့် Codex အတွက် သတ်မှတ်ထားသော လုပ်ငန်းစဉ်အဖြစ် ပြောင်းလဲခဲ့သည်။

ယခု Codex သည် ဦးစားပေးအဆင့်မြင့် ပေါင်းစည်းမှုအခွင့်အလမ်းများကို စောင့်ကြည့်ကာ သက်ဆိုင်ရာ အကြောင်းအရာများ စုဆောင်းခြင်း၊ pull request များ ဖန်တီးခြင်း၊ စမ်းသပ်မှုများ လုပ်ဆောင်ခြင်းနှင့် Slack၊ Notion ကဲ့သို့သော ရင်းမြစ်များဖြင့် အပတ်စဉ်အပ်ဒိတ်များ ပြင်ဆင်ခြင်းတို့ လုပ်ဆောင်သည်။ သင့်လျော်သည့်အခါ အသင်းက ပြန်လည်သုံးသပ်ရန် ကနဦးကြေညာချက်အပါအဝင် နောက်တစ်ဆင့်ကိုလည်း မူကြမ်းရေးဆွဲပေးနိုင်သည်။ ဤလုပ်ငန်းစဉ်သည် သုတေသန၊ အင်ဂျင်နီယာနှင့် ဆက်သွယ်ရေးအကြား အလုပ်လွှဲပြောင်းမှုများကို လျှော့ချရင်း အခွင့်အလမ်းတစ်ခုကို အချက်ပြမှုမှ စမ်းသပ်ပြီးသော ရလဒ်တစ်ခုအဖြစ် ပြောင်းလဲပေးသည်။

မည်သည့်အခွင့်အလမ်းများ အရေးကြီးသည်၊ Exa က မည်သည့်ကတိကဝတ်များ ပြုသင့်သည်နှင့် ပြင်ပဆက်ဆံရေးများကို မည်သို့စီမံသင့်သည်တို့ကို လူများကပင် ဆုံးဖြတ်ဆဲဖြစ်သည်။ စမ်းသပ်မှုများနှင့် ပြန်လည်သုံးသပ်ရမည့် အဆင့်များက အေးဂျင့်၏ အလုပ်ကို မထုတ်ပြန်မီ မြင်တွေ့နိုင်စေသည်။ စမ်းသပ်မှုရလဒ်များနှင့် လူသား၏ ပြန်လည်သုံးသပ်မှုက နောက်တစ်ကြိမ် မလုပ်ဆောင်မီ လုပ်ငန်းစဉ်၏ မည်သည့်နေရာကို ပြင်ဆင်ရမည်ကို အသင်းအား သိရှိစေနိုင်သည်။ အလုပ်၏ အကျိုးသက်ရောက်မှု ပိုမိုကြီးမားလာသည်နှင့်အမျှ ခွင့်ပြုချက်များ၊ အထောက်အထားများနှင့် ဆုံးဖြတ်ပိုင်ခွင့်များသည် လုပ်ငန်းစဉ်ဒီဇိုင်း၏ ပိုမိုအရေးပါသော အစိတ်အပိုင်းများ ဖြစ်လာသည်။

Basis၊ Clay နှင့် Exa တို့က Enterprise Signals တွင် တွေ့မြင်ရသည့် ပုံစံများကို လက်တွေ့လုပ်ငန်းလည်ပတ်မှုအဖြစ် စုပေါင်းဖော်ပြသည်။ Basis သည် အောင်မြင်ကြောင်း သက်သေပြပြီးသော လုပ်ငန်းစဉ်ကို ပြန်လည်အသုံးပြုနိုင်သည့် skill အဖြစ် ပြောင်းလဲသည်။ Clay သည် ပြောင်းလဲတိုးတက်နေသော အလုပ်အစုကို နောက်ဆုံးအခြေအနေဖြစ်နေစေရန် အေးဂျင့်အား လိုအပ်သည့် အကြောင်းအရာနှင့် ဆက်လက်လုပ်ဆောင်နိုင်စွမ်းကို ပေးသည်။ Exa သည် အေးဂျင့်က အချက်ပြမှုတစ်ခုကို သတ်မှတ်ဘောင်အတွင်း လက်တွေ့လုပ်ဆောင်မှုအဖြစ် ပြောင်းလဲနိုင်စေရန် ကိရိယာများ၊ စမ်းသပ်မှုများနှင့် ပြန်လည်သုံးသပ်မှုတို့ ထည့်သွင်းသည်။ ကုမ္ပဏီသုံးခုစလုံးသည် တိုးတက်ကောင်းမွန်ရေးကို လုပ်ငန်းစဉ်၏ အစိတ်အပိုင်းအဖြစ် သတ်မှတ်ထားသည်။ ဝန်ထမ်းသစ်မိတ်ဆက်မှုဆိုင်ရာ ခြွင်းချက်များက skill ကို မည်သည့်နေရာတွင် မွမ်းမံရန်လိုကြောင်း ဖော်ပြသည်။ အကောင့်လှုပ်ရှားမှုအသစ်များနှင့် အရောင်းဝန်ထမ်း၏ အတည်ပြုမှုက အရောင်းသဘောတူညီချက် အကြောင်းအရာကို နောက်ဆုံးအခြေအနေဖြစ်နေစေသည်။ စမ်းသပ်မှုများနှင့် လူသား၏ ပြန်လည်သုံးသပ်မှုကလည်း အနာဂတ်လုပ်ဆောင်မှုအတွက် နယ်နိမိတ်များကို ပိုမိုရှင်းလင်းစေသည်။ တစ်ခုစီသည် သီးခြားအလုပ်တစ်ခုနှင့် စမ်းသပ်ရန် လုံလောက်သော နေရာမှ စတင်သည်။ အသုံးပြုလာသည်နှင့်အမျှ အလုပ်တာဝန်ခွဲဝေမှု ပိုမိုရှင်းလင်းလာပြီး လုပ်ငန်းစဉ်၏ ထိရောက်မှု သက်သေပြနိုင်သည့်အခါ တာဝန်ယူမှုလည်း ကျယ်ပြန့်လာသည်။

စွမ်းဆောင်ရည်အမြင့်ဆုံးကွာဟချက် ပိုမိုကျယ်ပြန့်လာသဖြင့် လုပ်ငန်းခေါင်းဆောင်များသည် ဝန်ထမ်းများအား အကျိုးသက်ရောက်မှုကြီးမားသော လုပ်ငန်းစဉ်များကို စမ်းသပ်ရန် နေရာပေးပြီး အောင်မြင်မှုကို တိုင်းတာကာ အကောင်းဆုံးစမ်းသပ်မှုများကို ထပ်ခါတလဲလဲ အသုံးချနိုင်သည့် လုပ်ထုံးလုပ်နည်းများအဖြစ် ပြောင်းလဲရန် လိုအပ်သည်။

• တန်ဖိုးကြီးမားစွာ ဖန်တီးနိုင်မည့် နယ်ပယ်တစ်ခုကို ရွေးပါ။ မဟာဗျူဟာဦးစားပေးချက်၊ စနစ်များ၊ လွှဲပြောင်းမှုများ၊ ထိန်းချုပ်မှုများနှင့် တိုင်းတာနိုင်သည့် အရေးပါမှုတို့ ဆုံစည်းနေသည့် အစမှအဆုံး လုပ်ငန်းစဉ်တစ်ခုဖြင့် စတင်ပါ။ ၎င်းသည် သင်ယူနိုင်လောက်အောင် မကြာခဏ ထပ်ဖြစ်ပြီး ပြန်လည်ဒီဇိုင်းရေးဆွဲရန် ထိုက်တန်လောက်အောင် အရေးပါသင့်သည်။
• ရလဒ်နှင့် ယင်းကို တိုင်းတာမည့်နည်းလမ်းကို သတ်မှတ်ပါ။ တာဝန်ခံပိုင်ရှင်၊ KPI၊ အခြေခံတိုင်းတာချက်နှင့် အကာအကွယ်စည်းမျဉ်းများကို သတ်မှတ်ပါ။ ပြီးမြောက်သည့် အလုပ်များ၊ ချိတ်ဆက်ထားသော အကြောင်းအရာနှင့် ကိရိယာများ၊ ခြွင်းချက်များနှင့် ပြန်လည်သုံးသပ်ရသည့် ပမာဏတို့ဖြင့် အသုံးချမှုနက်ရှိုင်းမှုကို ခြေရာခံပါ။ လုပ်ငန်းစက်ဝန်းကြာချိန်၊ အရည်အသွေး၊ ကုန်ကျစရိတ်၊ ဝင်ငွေ သို့မဟုတ် အန္တရာယ်တို့ဖြင့် တန်ဖိုးကို ခြေရာခံပါ။ ရလဒ်ပမာဏက လူများသည် AI ကို အလုပ်ပိုလုပ်ခိုင်းနေကြောင်း ပြနိုင်သော်လည်း လုပ်ငန်းစဉ်ရလဒ်များကသာ ယင်းသည် အမှန်တကယ် အရေးပါမှုရှိမရှိ ဖော်ပြသည်။
• အေးဂျင့်၏ အလုပ်တာဝန်ဖော်ပြချက်ကို ရေးပါ။ အလုပ်ကို အစပျိုးသည့်အရာ၊ ရလဒ်၊ လိုအပ်သော အကြောင်းအရာ၊ ကိရိယာများ၊ ခွင့်ပြုချက်များနှင့် အပြီးသတ်သည်အထိ အေးဂျင့်က မည်မျှဇွဲရှိရှိ လုပ်ဆောင်ရမည်ကို သတ်မှတ်ပါ။ ၎င်းက မည်သည့်အထောက်အထားများ ထုတ်ပေးရမည်နှင့် လူသားပြန်လည်သုံးသပ်ရန် မည်သည့်နေရာတွင် ရပ်ရမည်ကို တိတိကျကျ သတ်မှတ်ပါ။
• အေးဂျင့်ကို ဝန်းရံသည့် လူသားစနစ်ကို တည်ဆောက်ပါ။ လုပ်ငန်းစဉ်နှင့် အနီးစပ်ဆုံးလူများကို ဒီဇိုင်းရေးဆွဲမှု လုပ်ငန်းစဉ်တွင် ပါဝင်စေပါ။ လုပ်ငန်းရလဒ်၊ နယ်ပယ်ဆိုင်ရာ ယုတ္တိစနစ်၊ အသုံးပြုခွင့်နှင့် ထိန်းချုပ်မှုများ၊ လက်ခံအသုံးပြုမှုနှင့် နေ့စဉ်အသုံးပြုမှုတို့အတွက် မည်သူတာဝန်ယူသည်ကို သတ်မှတ်ပါ။ စတင်တည်ထောင်သည့် ကုမ္ပဏီများက ဤတာဝန်များကို လူအနည်းငယ်ထံ စုစည်းထားသော်လည်း လုပ်ငန်းကြီးများတွင် လုပ်ငန်းစဉ်ကို အတိုင်းအတာချဲ့လာသည်နှင့်အမျှ ရှင်းလင်းသော ဆုံးဖြတ်ပိုင်ခွင့်များ လိုအပ်သည်။
• စမ်းသပ်တီထွင်မှုကို မြင်သာပြီး ပြန်လည်အသုံးပြုနိုင်အောင် လုပ်ပါ။ OpenAI ၏ သုတေသန အရ စတင်အသုံးပြုပြီး ခြောက်လအကြာတွင် အလုပ်သက်တမ်းနုနယ်သော ဝန်ထမ်းများသည် အမှုဆောင်များထက် တစ်ပတ်လျှင် မက်ဆေ့ချ် ၁၃ စောင် ပိုပို့ခဲ့သည်။ ဝန်ထမ်းများအား အသုံးချမှုအသစ်များ စမ်းသပ်ရန် နေရာပေးပြီးနောက် အောင်မြင်သည့်အရာ၏ နောက်ကွယ်ရှိ လုပ်ငန်းစဉ်နှင့် အထောက်အထားများကို မှတ်တမ်းတင်ကာ skill၊ ပလပ်အင် သို့မဟုတ် မျှဝေထားသော အလုပ်နေရာများအဖြစ် စုစည်းပါ။ စကားပြော၊ အလုပ် နှင့် Codex⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) တို့သည် မတူညီသော အသုံးပြုမှုပုံစံများကို ပံ့ပိုးသည်။ စကားပြောကို မေးခွန်းများနှင့် အမြန်ပူးပေါင်းလုပ်ဆောင်မှုအတွက်၊ အလုပ်ကို အဆင့်များစွာပါသော အသိပညာအလုပ်နှင့် အပြီးသတ်ရလဒ်များအတွက်၊ Codex ကို နည်းပညာပိုင်း လက်တွေ့လုပ်ဆောင်မှုအတွက် အသုံးပြုနိုင်သည်။
• အောင်မြင်သည့် လည်ပတ်မှုပုံစံကို ဆက်လက်အသုံးချပါ။ အောင်မြင်ခဲ့သည့် အကြောင်းအရာ၊ ခွင့်ပြုချက်များ၊ အကဲဖြတ်ချက်များ၊ ပြန်လည်သုံးသပ်ရမည့် အဆင့်များ၊ တာဝန်ခံများ၊ တိုင်းတာချက်များနှင့် လုပ်ဆောင်နိုင်စွမ်းမြှင့်တင်မှုတို့ကို ထိန်းသိမ်းပြီး နောက်တန်ဖိုးဖန်တီးနိုင်မည့် နယ်ပယ်တွင် အသုံးချပါ။ စမ်းသပ်မှုအသစ်တိုင်းက နောက်အသင်းအတွက် ပိုမိုကောင်းမွန်သော အစပြုရာကို ဖန်တီးပေးသင့်သည်။