मांस प्रॉक्सी मत बनो
Generative AI का कामकाज में increasingly एक सहारे के रूप में उपयोग हो रहा है, जहाँ लोग raw LLM output को chats, docs, और code reviews में चिपका देते हैं, बजाय इसके कि वे खुद सोचें, validate करें, और अपनी भाषा में communicate करें। टिप्पणीकार इसे इंसानों को “meat proxies” में बदलने जैसा बताते हैं, जो बस AI के जवाब आगे बढ़ाते हैं, और verification तथा understanding का कठिन काम सहकर्मियों पर डालते हैं, जिससे code quality, documentation, और trust कमजोर होता है। कई लोगों का तर्क है कि संगठनों को स्पष्ट norms या policies—जैसे “अगर आप human attention माँग रहे हैं, तो human effort दिखाइए”—की ज़रूरत है, ताकि AI एक सहायक उपकरण बना रहे, न कि ज़िम्मेदारी से बचने का तरीका।
मुख्य शिकायत: “मांस प्रॉक्सी” और स्लॉप ग्रेनेड्स
- कई लोग सहकर्मियों का ज़िक्र करते हैं जो कच्चा LLM आउटपुट (अक्सर “Claude said…” से शुरू) चैट, PR, दस्तावेज़ों या टिकटों में चिपका देते हैं।
- इससे कठिन हिस्सा—समझना, सत्यापन, और सारांश बनाना—दूसरों पर डाल दिया जाता है।
- लोग इसे “स्लॉप ग्रेनेड्स” फेंकने, “BI स्लॉप”, या “बहुत महंगा कीबोर्ड” होने जैसा बताते हैं।
- Brandolini’s law का हवाला दिया जाता है: बकवास पैदा करना सस्ता है; उसे खंडित करना महंगा। LLMs इस असमानता को बहुत बढ़ा देते हैं।
काम की गुणवत्ता और भूमिकाओं पर प्रभाव
- वरिष्ठ इंजीनियर बताते हैं कि उन्हें AI के बेबीसिटर या बिना पढ़े AI PRs पर मुहर लगाने वाले बना दिया गया है।
- कुछ लोगों के लिए “agentic engineering” लूप्स (त्रुटि → AI में पेस्ट → फिर कोशिश) सतही हैं, जिनमें वास्तविक समझ बहुत कम है।
- दूसरे कहते हैं कि LLMs अच्छे इंजीनियरों को डिज़ाइन और glue work पर ध्यान देने देते हैं, और कमजोर लोगों को न्यूनतम मानक तक उठा सकते हैं।
- “vibe coders” और पूरे संगठनों के बुनियादी कौशल खो देने की चिंता है, जिससे भविष्य में रखरखाव संकट पैदा हो सकता है।
शिष्टाचार और नीति प्रस्ताव
- सुझाए गए नियम:
- “अगर आप मानव ध्यान माँग रहे हैं, तो मानव प्रयास दिखाइए।”
- कच्चा LLM आउटपुट कभी न भेजें; एक इंसानी TL;DR और अपना निर्णय दें।
- “मांस प्रॉक्सी” व्यवहार को सामाजिक रूप से महंगा बनाइए (ऐसे संदेशों को अनदेखा करना, “क्या आपने यह पढ़ा?” पूछना)।
- कुछ संगठन हैंडबुक नियम जोड़ते हैं, “attention requests” के साथ दस्तावेज़ों पर सवाल पूछने की शर्त रखते हैं, या AI Codes of Conduct का प्रस्ताव करते हैं।
- परिणामों पर बहस: कुछ लोग बार-बार की गलती को नौकरी से निकालने योग्य बनाने की वकालत करते हैं; दूसरे कहते हैं कि असली समस्या संस्कृति और प्रबंधन की प्रोत्साहन-प्रणाली है।
LLM रिले करना कब स्वीकार्य है
- एक छोटा समूह तर्क देता है कि AI जवाब आगे भेजना ठीक हो सकता है जब:
- प्रश्न तुच्छ हो और पूछने वाले ने साफ़ तौर पर कोशिश न की हो; “let me Google that for you” जैसा।
- कोई विशेषज्ञ एक बार सावधानी से बड़े दस्तावेज़ को vet करे, फिर उसे साझा करे बजाय इसके कि हर कोई अलग-अलग पूछे।
- फिर भी, कई लोग ज़ोर देते हैं कि भेजने वाले ने आउटपुट पढ़ा और समझा होना चाहिए।
LLM शैली, jargon, और cognitive load
- शिकायतें कि नए मॉडल ज़्यादा संक्षिप्त, तनावपूर्ण, और jargon-भरे हैं, जिससे टेक्स्ट को समझना कठिन हो जाता है।
- कुछ लोग custom instructions से इसे कम करते हैं (ELI5, Simplified Technical English, “थोड़ा मूर्ख जैसा लगे लेकिन सही हो”)।
- दूसरे कहते हैं कि hallucinations कम हुई हैं लेकिन अभी भी वास्तविक हैं; सत्यापन और domain knowledge आवश्यक बने रहते हैं।
व्यापक चिंताएँ: आलस्य, बुद्धिमत्ता, और संस्कृति
- लंबी उप-चर्चाएँ इस पर हैं कि क्या तकनीक (LLMs, internet, short-form content) ध्यान, IQ, और “reverse Flynn effect” में गिरावट ला रही है।
- कुछ लोग “intelligence caste” की कल्पना करते हैं: वे जो सोच AI पर छोड़ देते हैं बनाम वे जो अपने दिमाग का अभ्यास जारी रखते हैं।
- दूसरे तर्क देते हैं कि मानव+मशीन क्षमता ही मायने रखती है; लेखन, calculators, compilers जैसी ऐतिहासिक तकनीकों ने भी यह बदला कि कौन-सी क्षमताएँ अभ्यास में रहती हैं।