तकनीकी सारांश: AI-सहायता प्राप्त सरल कार्यों में दक्षता-लाभ का भ्रम (The Efficiency-Gain Illusion in AI-Assisted Simple Tasks)

समस्या विवरण (Problem Statement)

जैसे-जैसे लार्ज लैंग्वेज मॉडल्स (LLMs) कोडिंग से लेकर व्यक्तिगत सलाह तक के कार्यों के लिए सर्वव्यापी होते जा रहे हैं, एक प्रचलित विमर्श यह सुझाव देता है कि वे उत्पादकता में नाटकीय रूप रूप से वृद्धि करते हैं। हालांकि, उभरते साक्ष्य संकेत देते हैं कि AI सहायता हमेशा समय या प्रयास की बचत नहीं करती है। यह शोध पत्र उन निर्णय लेने वाली प्रक्रियाओं की जांच करता है जो संज्ञानात्मक रूप से सरल कार्यों (जैसे अंकगणित, वर्तनी सुधार, तथ्यात्मक स्मरण) के लिए AI पर मानवीय निर्भरता के पीछे होती हैं। विशेष रूप से, यह इस बात को संबोधित करता है कि क्या उपयोगकर्ता AI पर अपनी निर्भरता का सटीक अंशांकन (calibration) करते हैं और क्या उनके उपयोग के पैटर्न 'संसाधन तर्कसंगतता' (resource rationality) के सिद्धांत के अनुरूप हैं—अर्थात, कार्यों को केवल तभी सौंपना जब आंतरिक संज्ञानात्मक लागत, बाहरी सहायता की लागत से अधिक हो। मुख्य समस्या संभावित व्यवस्थित गलत अंशांकन (miscalibrations) की उपस्थिति है जहाँ उपयोगकर्ता AI की दक्षता लाभों को बढ़ा-चढ़ाकर देखते हैं, जिससे उन कार्यों पर भी अक्षम उपयोग होता है जिन्हें बिना सहायता के तेजी से पूरा किया जा सकता है।

कार्यप्रणाली (Methodology)

लेखकों ने Prolific के माध्यम से भर्ती किए गए कुल $N = 2,691$ प्रतिभागियों के साथ तीन बड़े पैमाने के, पूर्व-पंजीकृत उपयोगकर्ता अध्ययनों का संचालन किया। अध्ययनों में 'बिटवीन-सब्जेक्ट्स डिज़ाइन' का उपयोग किया गया ताकि स्व-रिपोर्ट किए गए वरीयताओं को प्रभावित करने वाले संज्ञानात्मक विसंगति (cognitive dissonance) और 'कैरियोवर बायस' (carry-over biases) से बचा जा सके।

• कार्य निर्माण (Task Construction): शोधकर्ताओं ने 'टैक्सोनॉमी ऑफ यूजर नीड्स एंड एक्शन्स' (TUNA) से व्युत्पन्न 24 कार्य बनाए, जो चार श्रेणियों में विभाजित थे: सूचना प्राप्ति (Information Seeking), सूचना प्रसंस्करण (Information Processing), प्रक्रियात्मक मार्गदर्शन (Procedural Guidance), और सामग्री निर्माण (Content Creation)। प्रत्येक कार्य के "आसान" और "कठिन" संस्करण थे, जिन्हें इस तरह डिज़ाइन किया गया था कि उन्हें स्वतंत्र रूप से पाँच मिनट से कम समय में पूरा किया जा सके।
• अध्ययन 1 (स्व-अनुमान गलत अंशांकन - Self-Estimate Miscalibration): प्रतिभागियों ने चार कार्य पूरे किए जिसमें AI चैटबॉट (GPT-4o) का उपयोग करने का विकल्प था। प्रतिभागियों के वास्तविक व्यवहार संबंधी AI उपयोग की तुलना एक अलग नमूने से प्राप्त "अनुमानित दर" से की गई, जिसमें प्रतिभागियों ने स्वतंत्र बनाम AI-सहायता प्राप्त पूर्णता के लिए अपनी प्राथमिकता व्यक्त की थी।
• अध्ययन 2 (दक्षता-लाभ भ्रम - Efficiency-Gain Illusions): इस अध्ययन ने अनुमानित बनाम वास्तविक समय और प्रयास की तुलना की।
  • अनुमान नमूना ($N=600$): प्रतिभागियों ने स्वतंत्र रूप से पूर्णता बनाम AI या किसी अन्य मानव प्रतिभागी के साथ पूर्णता के लिए आवश्यक समय और मानसिक प्रयास (NASA-TLX स्केल के माध्यम से मापा गया) का अनुमान लगाया।
  • पूर्णता नमूना ($N=1,001$): प्रतिभागियों को स्वतंत्र रूप से या AI के साथ कार्य पूरा करने के लिए यादृच्छिक रूप से (randomly) आवंटित किया गया। वास्तविक पूर्णता समय को छिपे हुए टाइमर के माध्यम से रिकॉर्ड किया गया, और प्रयास को स्व-रिपोर्ट किया गया।
• अध्यकी 3 (कैरियोवर प्रभाव - Carryover Effects): प्रतिभागी एक "एक्सपोज़र चरण" से गुजरे जहाँ उन्होंने दो कार्य या तो स्वतंत्र रूप से या AI के साथ (कठिनाई के आधार पर भिन्न) पूरे किए। इसके बाद वे AI अपनाने की दर और समय/प्रयास बचत के संबंध में अपने अंशांकन को मापने के लिए एक "टेस्ट चरण" में प्रवेशित हुए।

प्रमुख योगदान और परिणाम (Key Contributions and Results)

1. स्व-अनुमान गलत अंशांकन (Self-Estimate Miscalibration)

अध्ययन ने अनुमानित और वास्तविक AI उपयोग के बीच एक महत्वपूर्ण अंतर की पहचान की।

• निष्कर्ष: जनसंख्या-स्तर पर वास्तविक AI उपयोग की दर 47% थी, जो 33% की अनुमानित दर से काफी अधिक थी।
• सूक्ष्मता (Nuance): यह गलत अंशांकन आसान कार्य संस्करणों के लिए सबसे अधिक स्पष्ट था। प्रतिभागियों ने आसान कार्यों के लिए 20% उपयोग दर का अनुमान लगाया था लेकिन वास्तव में उन्होंने 38% बार AI का उपयोग किया। कठिन कार्यों के लिए, यह अंतर छोटा था (46% अनुमानित बनाम 57% वास्तविक)।
• निहितार्थ: लोग व्यवस्थित रूप से सरल कार्यों के लिए AI पर निर्भर होने की अपनी प्रवृत्ति को कम आंकते हैं, भले ही वे दावा करते हों कि वे स्वतंत्र रूप से काम करना पसंद करेंगे।

2. दक्षता-लाभ के भ्रम (Efficiency-Gain Illusions)

प्रतिभागियों ने AI के लाभों के बारे में विकृत धारणाएं रखीं, जिसे "दक्षता-लाभ भ्रम" कहा गया।

• गति-वृद्धि भ्रम (Speedup Illusion): प्रतिभागियों ने अनुमान लगाया कि AI प्रति कार्य औसतन 55.7 सेकंड बचाएगा। वास्तव में, AI सहायता ने औसतन केवल 7.5 सेकंड की बचत की। आसान कार्यों के लिए, इंटरफ़ेस घर्षण (प्रॉम्प्टिंग, प्रतिक्रिया जनरेशन और प्रोसेसिंग) के कारण AI ने स्वतंत्र कार्य की तुलना में पूर्णता को वास्तव में 10 सेकंड धीमा कर दिया।
• ऑफलोडिंग भ्रम (Offloading Illusion): प्रतिभागियों ने स्वतंत्र रूप से कार्यों को पूरा करने के लिए आवश्यक मानसिक प्रयास का अत्यधिक अनुमान लगाया (अनुमानित 2.66 बनाम वास्तविक 2.36, 7-पॉइंट NASA-TLX स्केल पर) जबकि उन्होंने AI के उपयोग के निम्न प्रयास का सटीक अनुमान लगाया। इससे प्रयास की बचत का अतिरंजित अनुमान लगा।
• AI विशिष्टता (AI Specificity): ये भ्रम AI के लिए विशिष्ट थे। जब प्रतिभागियों ने दूसरे मानव से सहायता की भविष्यवाणी की, तो अपेक्षित समय बचत, AI के लिए अनुमानित समय बचत की तुलना में काफी कम थी, जो AI दक्षता के प्रति एक अद्वितीय पूर्वाग्रह को दर्शाता है।

3. ओवररिलायंस फीडबैक लूप (The Overreliance Feedback Loop)

अध्ययन 3 ने प्रदर्शित किया कि AI के पूर्व एक्सपोज़र से गलत अंशांकन बढ़ जाता है और भविष्य की निर्भरता में वृद्धि होती है।

• कैरियोवर प्रभाव (Carryover Effect): जिन प्रतिभागियों ने एक्सपोज़र चरण के दौरान AI का उपयोग किया, उनमें स्वतंत्र रूप से कार्य करने वालों (27.7%) की तुलना में परीक्षण चरण में AI का उपयोग करने की संभावना काफी अधिक (44.5%) थी।
• पूर्वाग्रह का सुदृढ़ीकरण (Reinforcement of Bias): AI के संपर्क (exposure) ने उपयोगकर्ताओं के विश्वासों को सुधारा नहीं; इसके बजाय, इसने "गति-वृद्धि भ्रम" (यह विश्वास कि AI के साथ कार्य तेज़ होते हैं) के प्रति उनकी सहमति को बढ़ा दिया।
• अक्षमता बनी रहती है (Inefficiency Persists): एक्सपोज़र के बाद भी, जिन्होंने AI को चुना, उन्होंने स्वतंत्र रूप से काम करने वालों की तुलना में अधिक समय (7.06 सेकंड अधिक) बिताया और अधिक प्रयास रिपोर्ट किया।

महत्व और दावे (Significance and Claims)

यह शोध पत्र मानव-AI संपर्क में विशिष्ट संज्ञानात्मक पूर्वाग्रहों के प्रमाण प्रदान करने का दावा करता है जो AI-संचालित दक्षता के विमर्श को चुनौती देते हैं।

• अत्यधिक निर्भरता का तंत्र (Mechanism of Overreliance): लेखक तर्क देते हैं कि "दक्षता-लाभ भ्रम" एक फीडबैक लूप बनाता है। उपयोगकर्ता AI के उपयोग की आदत डाल लेते हैं क्योंकि वे मानते हैं कि यह समय बचाता है, भले ही ऐसा न हो। चूंकि वे इस गलत अंशांकन के प्रति अनभिज्ञ हैं, इसलिए उनके पास व्यवहार बदलने का कोई प्रोत्साहन नहीं होता है।
• संज्ञानात्मक जोखिम (Cognitive Risks): अध्ययन इस अत्यधिक निर्भरता से जुड़े जोखिमों को उजागर करता है, जिसमें संज्ञानात्मक कौशल का ह्रास (cognitive deskilling), स्वतंत्र प्रदर्शन में आत्मविश्वास की कमी, और सीखने की क्षमताओं में गिरावट शामिल है।
• हस्तक्षेप बिंदु (Intervention Point): लेखक सुझाव देते हैं कि इन गलत अंशांकनों को संबोधित करना एक महत्वपूर्ण हस्तक्षेप बिंदु है। वे तर्क देते हैं कि केवल AI के संपर्क में आना अंशांकन में सुधार नहीं करता है; बल्कि, स्वतंत्र सोच को प्रोत्साहित करने और स्वस्थ, अधिक कुशल AI उपयोग को बढ़ावा देने के लिए विश्वास के स्तर पर हस्तक्षेप आवश्यक है।
• संसाधन तर्कसंगतता (Resource Rationality): निष्कर्ष बताते हैं कि वर्तमान मानव-AI इंटरैक्शन अक्सर संसाधन तर्कसंगतता का उल्लंघन करते हैं, क्योंकि उपयोगकर्ता उन कार्यों को सौंप देते हैं जिन्हें करने के लिए आंतरिक लागत, उपकरण का उपयोग करने की लागत से कम होती है।

शोध निष्कर्ष निकालता है कि जबकि AI के पास एक "विचार साथी" (thought partner) बनने की क्षमता है, सरल कार्यों पर इसका वर्तमान नियोजन अक्सर भ्रामक मानसिक मॉडल के कारण प्रतिproductive (विपरीत प्रभावी) होता है।