জেনারেটিভ AI কি নারী কর্মীদের বেশি ধাক্কা দেবে? Brookings 2024 ডেটা বলছে: হ্যাঁ

৩৬% নারী এমন পেশায় কাজ করেন যেখানে জেনারেটিভ AI দৈনন্দিন কাজের অন্তত অর্ধেক অংশ নতুন করে সাজিয়ে দিতে পারে। পুরুষদের জন্য সংখ্যাটি নেমে আসে ২৫%-এ। ১১ শতাংশ পয়েন্টের এই ফারাক কোনো rounding error নয় — এটা একটা সতর্কসংকেত, যেটা Brookings ১,০০০-এর বেশি মার্কিন পেশার উপর ChatGPT-4-এর task exposure স্কোর থেকে টেনে বের করেছে। তথ্য — [Brookings 2024]

আপনি যদি এই লেখাটা একজন নারী হিসেবে পড়ছেন, তাহলে সম্ভবত এটা আপনি আগেই টের পেয়েছেন। প্রশাসনিক কাজ, নথিপত্র সামলানো, ব্যাক-অফিসের যে ভূমিকায় নারীরা বেশি সংখ্যায় থাকেন — বড় ভাষা মডেল ঠিক ওই ভূমিকাগুলোর কাজের গতি চুপচাপ গিলে ফেলছে। Brookings দলটি হিসাবটা কষে দেখেছে — সংখ্যাগুলো বেশিরভাগ শিরোনাম যা ইঙ্গিত করে, তার চেয়েও বেশি কঠিন।

আসলে কারা এক্সপোজড — আর কেন লিঙ্গ বারবার ফিরে আসে

Brookings OpenAI-এর task exposure framework ব্যবহার করেছে, সেটা O*NET-এর task inventories এবং BLS-এর occupational employment ডেটার সঙ্গে ক্রস-রেফারেন্স করেছে, যাতে মাপা যায় প্রতিটি পেশার দৈনিক কাজের কতটুকু বর্তমান জেনারেটিভ AI দিয়ে সহায়তা বা প্রতিস্থাপন করা সম্ভব। [তথ্য] এরপর তারা Pew-এর demographic ডেটা উপরে বসিয়ে দেখেছে আসলে এই চাকরিগুলোতে কারা আছেন।

যে প্যাটার্নটা চোখে পড়ে, সেটা এই। মার্কিন শ্রমিকদের মধ্যে ৩০%-এর বেশি এমন পেশায় আছেন যেখানে দৈনন্দিন কাজের ৫০% বা তার বেশি পরিবর্তনের ঝুঁকিতে রয়েছে। [তথ্য] আরও একটু দূরে গিয়ে দেখলে, শ্রমিকদের ৮৫% অন্তত তাদের কাজের ১০% এই প্রযুক্তি দ্বারা স্পর্শিত হতে দেখবেন। [তথ্য] কেউই প্রায় বাদ পড়বে না।

কিন্তু এই ভারটা সমানভাবে ভাগ হয়নি। সবচেয়ে বেশি এক্সপোজড পাঁচটি পেশা-পরিবার হলো:

• কম্পিউটার ও গণিত সংক্রান্ত কাজ (ভাবুন সফটওয়্যার ডেভেলপারদের কথা, যারা শূন্য থেকে কোড লেখার বদলে AI-generated কোড review করছেন)
• ব্যবসা ও আর্থিক operations (ফিন্যান্সিয়াল অ্যানালিস্ট এবং হিসাবরক্ষক ও নিরীক্ষক সহ, যাদের modelling এবং reconciliation কাজ আংশিকভাবে automate করা সম্ভব)
• ইঞ্জিনিয়ারিং
• অফিস ও প্রশাসনিক সহায়তা — যেমন প্রশাসনিক সহকারী এবং বুককিপিং, অ্যাকাউন্টিং ও অডিটিং ক্লার্করা
• আইনি কাজ, যেখানে প্যারালিগাল ও লিগাল অ্যাসিস্ট্যান্টরা কন্ট্রাক্ট রিভিউ ও রিসার্চ workflow-এর সামনের সারিতে আছেন

এই পাঁচটির মধ্যে তিনটি — ব্যবসা ও ফাইন্যান্স, অফিস/প্রশাসনিক সহায়তা, এবং আইনি সহায়তা — মার্কিন শ্রমবাজারে প্রধানত নারী-অধ্যুষিত পেশা। শুধু অফিস ও প্রশাসনিক সহায়তা-ই প্রায় ১ কোটি ৯০ লক্ষ মার্কিনিকে চাকরি দেয়, এবং এই বিভাগে নারীর অংশ ৭০%-এর অনেক বেশি। [তথ্য] এই একটাই তথ্য ৩৬% বনাম ২৫%-এর ফারাকের বেশিরভাগ অংশ ব্যাখ্যা করে দেয়।

Brookings যে অস্বস্তিকর স্তরটি যোগ করেছে: দর কষাকষির শক্তি

এক্সপোজার গল্পের অর্ধেক মাত্র। বাকি অর্ধেক হলো — আপনার কাজের টাস্কগুলো বদলাতে শুরু করলে আপনার হাতে আদৌ কোনো লিভারেজ আছে কিনা।

Brookings এমন একটা বিস্তারিত তথ্য সামনে এনেছে যা বড় শিরোনামে সাধারণত জায়গা পায় না: ফাইন্যান্স সেক্টরে ইউনিয়ন প্রতিনিধিত্ব প্রায় ১%। [তথ্য] এটা টাইপো নয়। Productivity সফটওয়্যার যখন একজন ফিন্যান্সিয়াল অ্যানালিস্ট বা ক্লেইমস প্রসেসরের কাজ নতুন করে সাজায়, তখন প্রশিক্ষণ, বেতন বা task redesign নিয়ে দর কষাকষির জন্য কার্যত কোনো institutional counterweight নেই। শিক্ষা বা স্বাস্থ্যসেবার সঙ্গে তুলনা করুন — মাঝারি exposure সেক্টর — যেখানে unionization অনেক বেশি এবং যেখানে শ্রমিকরা ঐতিহাসিকভাবে নতুন টুল কীভাবে deploy হবে সে ব্যাপারে অনেক বেশি কথা বলার সুযোগ পেয়েছেন।

তাই গল্পটা "AI নারীদের প্রতিস্থাপন করবে" নয়। গল্পটা আরও সঙ্কীর্ণ এবং আরও সৎ। দাবি — [Brookings 2024]

গল্পটা হলো — জেনারেটিভ AI-এর কাছে সবচেয়ে বেশি exposed যে পেশাগুলো, সেগুলোতেই বহু নারী কাজ করেন, এবং সেই একই পেশাগুলো মার্কিন অর্থনীতিতে সবচেয়ে দুর্বল collective bargaining footprint-এর তালিকায় পড়ে। যখন ঢেউটা আছড়ে পড়ে, তখন তার পথে যারা দাঁড়িয়ে থাকেন — তাদের হাতেই শর্ত আলোচনার জন্য সবচেয়ে কম formal tools থাকে।

কম-exposure কলামটি আসলে আপনাকে কী বোঝাতে চাইছে

Brookings-এর কম-exposure তালিকাটি যতটা দেখার, ততটাই আগ্রহজনক — কী রয়েছে এবং কী নেই, দু'দিক থেকেই। শারীরিক শ্রম, ব্লু-কলার এবং সামনাসামনি সেবা — নির্মাণ, খাবার প্রস্তুতি, personal care — task exposure-এ কম স্কোর পায়। [অনুমান] এটা আমাদের বেশিরভাগের অভিজ্ঞতার সঙ্গেই মেলে: বর্তমান জেনারেটিভ AI টেক্সট, কোড এবং structured ডেটায় শক্তিশালী, কিন্তু দৈহিক, বাস্তব, context-নির্ভর কাজে এখনো অপটু।

প্রায় এক প্রজন্মে এই প্রথম, একটা general-purpose প্রযুক্তি হোয়াইট-কলার এবং অফিসের কাজে শারীরিক শ্রমের চেয়ে জোরে কামড় বসাচ্ছে। এটা ২০১০-এর দশকের automation গল্পের উল্টো — যখন warehouse robotics এবং trucking (ট্রাক চালকদের নিয়ে কত লেখা মনে আছে?) শিরোনামের দখলে ছিল।

আপনার কাজ যদি মাঝারি-exposure ব্যান্ডে থাকে — একজন কাস্টমার সার্ভিস প্রতিনিধি যিনি LLM-এর পাশাপাশি কাজ করছেন, একজন আইনজীবী যিনি discovery-তে AI ব্যবহার করছেন, একজন নার্স যিনি charting-এ AI ব্যবহার করছেন — Brookings ডেটা একটা তৃতীয় পথ ইঙ্গিত করে। কাজ বদলায়। চাকরি এক ধাক্কায় হারিয়ে যায় না। কিন্তু আপনার দৈনন্দিন কাজের মিশ্রণটা সরে যায়।

তাহলে এই ডেটা দিয়ে আপনি আসলে কী করবেন

কিছু কথা সরাসরি বলে রাখা দরকার।

প্রথমত, নিজের exposure score জেনে রাখুন। আপনি যদি উচ্চ-exposure পাঁচটি পরিবারের কোনোটিতে থাকেন, তাহলে ধরে নিন আপনার বর্তমান কাজের ৩০-৫০% আগামী ৩-৫ বছরের মধ্যে উল্লেখযোগ্যভাবে অন্যরকম দেখাবে। [অনুমান] এটা বেকারত্বের পূর্বাভাস নয়। এটা এই পূর্বাভাস যে আপনার কর্মদিবসের উপাদানটাই বদলে যাচ্ছে — এবং যারা দ্রুততম গতিতে নিজেদের task portfolio adapt করেন, তাদের হাতেই সবচেয়ে বেশি লিভারেজ থাকে।

দ্বিতীয়ত, আপনি যদি নারী-প্রধান দল পরিচালনা করেন — admin, finance ops, paralegal, customer support — এটা retention-এর ইস্যু, শুধু productivity গল্প নয়। task churn-এ সবচেয়ে বেশি প্রভাবিত শ্রমিকরাই formal bargaining position-এ সবচেয়ে দুর্বল। আপনার আজকের প্রশিক্ষণ, redeployment বা মজুরি নীতি সম্ভবত exposure profile এদিকে ঝোঁকার আগে ডিজাইন হয়েছিল।

তৃতীয়ত, Brookings ডেটা update হতেই থাকবে। GPT-4 এবারের exposure proxy ছিল; নতুন frontier মডেলগুলো exposure curve-কে সেই tasks-এও ঠেলছে, যেগুলো আগে judgment দাবি করত। [দাবি] ২০২৪-এর ডেটায় লিঙ্গের ফারাক একটা floor, ceiling নয়।

সূত্র

• Muro, Mark, Maxim, Robert, Hathaway, Shriya Methkupally, Mark Muro. "Generative AI, the American worker, and the future of work." The Brookings Institution. ১০ অক্টোবর ২০২৪। লিংক
• মূল ডেটা: ১,০০০-এর বেশি পেশার উপর OpenAI ChatGPT-4 task-exposure স্কোর; O*NET task inventories; U.S. Bureau of Labor Statistics Occupational Employment and Wage Statistics; Pew Research Center demographic overlays.

Update History

• ২০২৬-০৪-১৭: Brookings 2024 রিপোর্টের ভিত্তিতে প্রথম প্রকাশ। ৩৬% বনাম ২৫%-এর নারী/পুরুষ exposure ফারাক, ১ কোটি ৯০ লক্ষ অফিস ও প্রশাসনিক সহায়তা কর্মশক্তি, এবং ফাইন্যান্স সেক্টরে ১% ইউনিয়ন density — এই তিনটি মূল ডেটা পয়েন্টকে সামনে এনেছে।

---

AI-সহায়তায় বিশ্লেষণ। এই পোস্টটি একজন AI research agent-এর খসড়া, Brookings মূল উৎসের বিপরীতে factual accuracy যাচাই করা, এবং aichanging.work-এ editorial oversight-এর অধীনে প্রকাশিত।