📈 economics

The Scaling Paradox in Human-AI Collaboration

यह शोध पत्र यह प्रदर्शित करता है कि जबकि AI स्केलिंग आम तौर पर मानव-AI सहयोग में सुधार करती है, इसकी प्रभावशीलता महत्वपूर्ण रूप से AI क्षमताओं के प्रति मानवीय धारणा पर निर्भर करती है, जहाँ अति-आकलन विरोधाभासी रूप से सिस्टम के प्रदर्शन और लाभ को कम कर सकता है, जो यह सुझाव देता है कि केवल बड़े मॉडलों में निवेश करने की तुलना में मानव-AI इंटरफेस का प्रबंधन करना अक्सर अधिक मूल्यवान होता है।

मूल लेखक: Anyan Qi, Mengxin Wang

प्रकाशित 2026-08-04

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Anyan Qi, Mengxin Wang

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक रोबोट सहायक बना रहे हैं। वर्षों से, वैज्ञानिकों ने आर्टिफिशियल इंटेलिजेंस की दुनिया में एक जादुई नियम देखा है: यदि आप रोबोट को बड़ा बनाते हैं, उसे खाने के लिए अधिक डेटा देते हैं, और उसे अधिक बिजली से शक्ति देते हैं, तो वह अधिक बुद्धिमान हो जाता है। इसे "स्केलिंग लॉ" (Scaling Law) कहा जाता है। यह एक वीडियो गेम की तरह है जहाँ अपने चरित्र को लेवल अप करने से वह हमेशा अधिक शक्तिशाली हो जाता है। इसी कारण से, कंपनियाँ इन विशाल, सुपर-स्मार्ट रोबोटों को बनाने में अरबों डॉलर निवेश कर रही हैं, इस उम्मीद में कि बड़ा हमेशा बेहतर होता है।

लेकिन यहाँ एक मोड़ है: वास्तविक दुनिया में, रोबोट आमतौर पर अकेले काम नहीं करते हैं। वे मनुष्यों के साथ मिलकर काम करते हैं। एक डॉक्टर के बारे में सोचें जो मरीज का निदान करने में मदद के लिए एक रोबोट का उपयोग करता है, या एक वकील के बारे में जो अनुबंध का मसौदा तैयार करने के लिए रोबोट का उपयोग करता है। रोबोट भारी काम करता है, लेकिन इंसान को काम की जाँच करनी होती है और तय करना होता है कि आगे क्या करना है। बड़ा सवाल यह है कि यदि रोबोट अनंत रूप से अधिक बुद्धिमान हो जाता है, तो क्या मानव-प्लस-रोबोट की टीम अनंत रूप से बेहतर हो जाती है? या कुछ अजीब होता है जब इंसान रोबोट के साथ तालमेल बिठाने की कोशिश करता है? यह शोध पत्र ठीक इसी प्रश्न की पड़ताल करता है, यह देखते हुए कि रोबोट क्या कर सकता है, इसके बारे में हमारी धारणाएँ वास्तव में पूरे सिस्टम को कैसे बिगाड़ सकती हैं।

वह रोबोट जो अपने ही कद से बड़ा हो गया

इस शोध पत्र के लेखक, अन्यान क्यूई (Anyan Qi) और मेंगक्सिन वांग (Mengxin Wang) ने एक गणितीय मॉडल बनाया ताकि एक मानव और एक AI रोबोट से बनी टीम का अनुकरण किया जा सके। वे यह देखना चाहते थे कि क्या होता है जब रोबोट को "स्केल अप" किया जाता है—यानी जब वह अधिक शक्तिशाली और सक्षम हो जाता है।

एक आदर्श दुनिया में, जहाँ इंसान को ठीक-ठीक पता होता है कि रोबोट कितना अच्छा है, गणित बहुत खूबसूरती से काम करता है। जैसे-जैसे रोबोट अधिक बुद्धिमान होता है, इंसान को एहसास होता है, "हे, मुझे अब इस काम की जाँच करने में उतना समय बिताने की ज़रूरत नहीं है!" इसलिए, इंसान प्रत्येक कार्य पर कम समय बिताता है और कुल मिलाकर अधिक कार्य पूरे कर सकता है। पूरी टीम तेज़ और अधिक उत्पादक हो जाती है। यह वह आदर्श स्थिति है जिसकी कंपनियाँ उम्मीद करती हैं।

हालाँकि, वास्तविक दुनिया शायद ही कभी पूर्ण होती है। इंसान अक्सर यह अनुमान लगाने में खराब होते हैं कि रोबोट वास्तव में कितना अच्छा है। यह शोध पत्र देखता है कि यह अनुमान लगाने का खेल दो तरीकों से गलत हो सकता है: ओवर-परसेप्शन (यह सोचना कि रोबोट एक जीनियस है जबकि वह केवल एक सामान्य बुद्धिमान व्यक्ति है) और अंडर-परसेप्शन (यह सोचना कि रोबोट एक अनाड़ी नौसिखिया है जबकि वह वास्तव में एक जीनियस है)।

"स्केलिंग पैराडॉक्स": जब बड़ा होना बुरा होता है

सबसे आश्चर्यजनक निष्कर्ष यह है जिसे लेखक स्केलिंग पैराडॉक्स कहते हैं। यह तब होता है जब मनुष्य AI की क्षमताओं को ओवर-परसीव (अति-अनुमानित) करते हैं।

कल्पना कीजिए कि आपने कुकीज़ बेक करने में मदद के लिए एक सुपर-फास्ट रोबोट किराए पर लिया है। आप सोचते हैं, "वाह, यह रोबलेट इतना अद्भुत है कि यह अपने आप ही एकदम सही कुकीज़ बना सकता है!" इसलिए, आप खुद कुकीज़ बनाना बंद करने का निर्णय लेते हैं और बस रोबोट को स्वतंत्र रूप से चलाने देते हैं। आप उसके काम की जाँच करने में शून्य समय बिताते हैं।

यहाँ समस्या यह है: रोबोट वास्तव में काफी अच्छा है, लेकिन पूरी तरह से अच्छा नहीं है। क्योंकि आपने उस पर बहुत अधिक भरोसा किया और जाँच करना बंद कर दिया, रोबोट गलतियाँ करने लगता है। अंत में आपके पास जले हुए कुकीज़ का ढेर जमा हो जाता है। यदि आपने थोड़ा सा समय भी जाँच करने में बिताया होता, तो आप गलतियों को पकड़ लेते।

शोध पत्र के मॉडल में, जब इंसान AI को ओवर-परसीव करते हैं, तो वे अपने स्वयं के प्रयास को बहुत आक्रामक तरीके से कम कर देते हैं। जैसे-जैसे AI बड़ा और अधिक शक्तिशाली होता जाता है, इंसान और भी अधिक आत्मविश्वासी महसूस करता है और और भी कम काम करने लगता है। अंततः, इंसान इतना कम काम करने लगता है कि टीम का कुल आउटपुट वास्तव में गिर जाता है। रोबोट जितना बड़ा होता जाता है, टीम का प्रदर्शन उतना ही खराब होता जाता है। लेखक दिखाते हैं कि इन मामलों में, एक मध्यम आकार के रोबोट और एक सतर्क इंसान वाली टीम, एक विशाल, सुपर-स्मार्ट रोबोट और कम प्रयास करने वाले इंसान वाली टीम से बेहतर प्रदर्शन कर सकती है।

"स्लो-डाउन" प्रभाव

दूसरी ओर, अंडर-परसेप्शन है। यह तब होता है जब इंसान सोचते हैं कि रोबोट मूर्ख है और वे सारा काम खुद ही करते रहते हैं। शोध पत्र पाता है कि यह ओवर-परसेप्शन जितना खतरनाक नहीं है। टीम अभी भी बेहतर होती है जैसे-जैसे रोबोट बड़ा होता है, लेकिन यह धीरे-धीरे बेहतर होती है। यह एक फेरारी होने जैसा है लेकिन आप उसे स्कूल ज़ोन में चला रहे हैं क्योंकि आपको इंजन पर भरोसा नहीं है। आप अभी भी आगे बढ़ रहे हैं, बस उतनी तेज़ी से नहीं जितनी तेज़ी से आप बढ़ सकते थे।

बॉस की दुविधा: बिल कौन भरता है?

यह शोध पत्र इसे बॉस के दृष्टिकोण से भी देखता है। बॉस को रोबोट के लिए भुगतान करना पड़ता है (जिसे चलाने के लिए पैसे लगते हैं), जबकि कार्यकर्ता केवल अपने कार्यों को पूरा करना चाहता है।

जब इंसान AI को ओवर-परसीव करते हैं, तो वे काम करना बंद कर देते हैं, और बॉस को दो बार नुकसान होता है: एक बार इसलिए क्योंकि टीम कम अच्छे परिणाम दे रही है, और दूसरी बार इसलिए क्योंकि बॉस एक विशाल रोबोट के लिए भुगतान कर रहा है जिसका सही ढंग से उपयोग नहीं किया जा रहा है। शोध पत्र सुझाव देता है कि ओवर-परसेप्शन एक "डबल व्हैमी" (दोहरी मार) पैदा करता है जो कंपनी के मुनाफे को काफी नुकसान पहुँचाता है।

जब इंसान AI को अंडर-परसीव करते हैं, तो वे बहुत अधिक काम करते हैं। आश्चर्यजनक रूप से, लेखक सुझाव देते हैं कि यह कुछ मामलों में बॉस की मदद कर सकता है। क्योंकि कार्यकर्ता अतिरिक्त जाँच कर रहा है, वह अनजाने में उस अंतर को ठीक कर देता है जो कार्यकर्ता की इच्छा और बॉस की इच्छा के बीच होता है। बॉस रोबोट पर पैसा बचाता है क्योंकि कम प्रोजेक्ट्स ही शुरू किए जाते हैं, और उच्च प्रयास यह सुनिश्चित करता है कि जो भी प्रोजेक्ट शुरू किए गए हैं वे सफल हों।

इस गड़बड़ी को कैसे ठीक करें

तो, कंपनियों को क्या करना चाहिए? शोध पत्र इन समस्याओं को ठीक करने के लिए दो मुख्य उपकरण सुझाता है:

कॉस्ट इंटरनलाइजेशन (लागत का आंतरिककरण): इसका अर्थ है श्रमिकों को रोबोट के बिल का एक छोटा हिस्सा चुकाना। यदि श्रमिक को रोबोट के लिए भुगतान करना पड़ता है, तो वे इसे आँख बंद करके इस्तेमाल नहीं करेंगे। वे इस बारे में दो बार सोचेंगे कि रोबोट को सब कुछ अकेले करने के लिए छोड़ दिया जाए। शोध पत्र पाता है कि यदि रोबोट सस्ता है, तो श्रमिकों से थोड़ा भुगतान करवाना मदद करता है। लेकिन यदि रोबोट महंगा है, तो बॉस को ही इसका भुगतान करना चाहिए, अन्यथा श्रमिक इसका उपयोग करना ही बंद कर देंगे।
परसेप्शन अलाइनमेंट (धारणा संरेखण): यह प्रशिक्षण और ईमानदारी के बारे में है। यदि श्रमिक सोचते हैं कि रोबोट एक भगवान है, तो कंपनी को उन्हें सच्चाई दिखानी होगी: "यह स्मार्ट है, लेकिन यह अभी भी गलतियाँ करता है।" शोध पत्र दिखाता है कि ओवर-परसेप्शन को ठीक करना कंपनी के लिए एक बड़ी जीत है। यह "स्केलिंग पैराडॉक्स" को रोकता है और पैसा बचाता है। हालाँकि, अंडर-परसेप्शन को ठीक करना अधिक कठिन है। कभी-कभी, एक कार्यकर्ता का थोड़ा संदिग्ध होना वास्तव में कंपनी के लिए अच्छा होता है क्योंकि यह उन्हें कड़ी मेहनत करने के लिए प्रेरित रखता है। इसलिए, कंपनियों को हमेशा श्रमिकों को यह समझाने की कोशिश नहीं करनी चाहिए कि रोबोट एकदम परफेक्ट है; कभी-कभी, थोड़ा संदेह एक सुरक्षा जाल (सेफ्टी नेट) के रूप में काम करता है।

मुख्य निष्कर्ष

इस शोध पत्र का मुख्य सबक यह है कि बड़ा AI स्वचालित रूप से बेहतर परिणाम नहीं देता है।

यदि आप बस सबसे बड़ा, सबसे महंगा AI मॉडल खरीदकर अपने कर्मचारियों पर थोप देते हैं, तो आप गलती से अपनी टीम को तोड़ सकते हैं। यदि आपके कर्मचारी सोचते हैं कि AI जादुई है, तो वे काम करना बंद कर सकते हैं, और पूरा सिस्टम क्रैश हो सकता है। शोध पत्र सुझाव देता है कि सफलता का रहस्य केवल बेहतर तकनीक खरीदना नहीं है; बल्कि यह प्रबंधित करना है कि इंसान उस तकनीक के बारे में क्या सोचते हैं।

कंपनियों को AI स्केलिंग को केवल एक तकनीकी अपग्रेड के रूप में नहीं, बल्कि एक मानवीय व्यवहार चुनौती के रूप में देखने की आवश्यकता है। उन्हें यह सुनिश्चित करने की आवश्यकता है कि उनके कर्मचारियों के पास विश्वास का सही स्तर हो—इतना कि वे टूल का उपयोग कर सकें, लेकिन इतना भी नहीं कि वे अपना काम करना ही छोड़ दें। अंत में, एक विशाल AI सिस्टम का मूल्य इस बात पर कम निर्भर करता है कि रोबोट कितना बड़ा है, और इस बात पर अधिक निर्भर करता है कि इंसान और रोबोट कितनी अच्छी तरह मिलकर काम करते हैं।

तकनीकी सारांश: मानव-AI सहयोग में स्केलिंग विरोधाभास (The Scaling Paradox in Human–AI Collaboration)

समस्या विवरण

आर्टिफिशियल इंटेलिजेंस में स्केलिंग लॉज़ (Scaling Laws) की खोज (Kaplan et al. 2020; Hestness et al. 2017) यह स्थापित करती है कि मॉडल के आकार, डेटा और कंप्यूट के बढ़ने के साथ AI की क्षमताएं पूर्वानुमानित रूप से सुधरती हैं। हालाँकि, परिचालन सेटिंग्स में, AI शायद ही कभी अकेले कार्य करता है; यह मानव-AI सहयोगात्मक प्रणालियों के भीतर संचालित होता है जहाँ मानव श्रमिकों को AI आउटपुट की समीक्षा करने, उसे मान्य करने या सुधारने के लिए प्रयास आवंटित करने होते हैं।

मुख्य समस्या जिसका समाधान किया गया है वह यह है कि क्या AI स्केलिंग से प्राप्त अनुभवजन्य लाभ (empirical gains) संयुक्त मानव-AI प्रणाली के बेहतर प्रदर्शन में परिवर्तित होते हैं। जबकि सहज ज्ञान युक्त विचार (intuition) यह सुझाव देता है कि अधिक सक्षम AI से मानव अधिक कार्यों को संसाधित कर सकता है, हालिया अनुभवजन्य साक्ष्य (जैसे, Becker et al. 2025; METR) मिश्रित या यहाँ तक कि नकारात्मक उत्पादकता परिणामों की ओर संकेत करते हैं। यह शोध प्रतिपादित करता है कि AI क्षमताओं के बारे में मानव गलत धारणा (human misperception) एक महत्वपूर्ण, अक्सर अनदेखा किया जाने वाला तंत्र है जो स्केलिंग प्रभाव को तोड़ सकता है, जिससे एक "स्केलिंग विरोधाभास" (scaling paradox) उत्पन्न होता है जहाँ बढ़ता हुआ AI स्केल समग्र सिस्टम प्रदर्शन को कम कर देता है और फर्म के लाभ को घटा देता है।

कार्यप्रणाली (Methodology)

लेखक एंडोजेनस एफर्ट एलोकेशन (endogenous effort allocation) के तहत मानव-AI सहयोग का अध्ययन करने के लिए एक सरल विश्लेषणात्मक मॉडल (parsimonious analytical model) विकसित करते हैं।

1. मानव-AI वर्कफ़्लो

मॉडल एक तीन-चरणीय अनुक्रमिक प्रक्रिया को औपचारिक रूप देता है:

सेटअप (Setup): एक मानव कार्यकर्ता एक निश्चित समय लागत $t_0$ के साथ एक प्रोजेक्ट शुरू करता है।
AI निष्पादन (AI Execution): AI कार्य करने का प्रयास करता है जिसकी सफलता की संभावना $1 - e^{-\alpha s}$ है, जहाँ $s$ AI स्केल (संसाधनों का लघुगणकीय माप) है और $\alpha$ स्केलिंग फैक्टर (टास्क-AI संरेखण) है।
मानव समीक्षा (Human Review): कार्यकर्ता AI आउटपुट की समीक्षा और सुधार के लिए समय $t$ आवंटित करता है। यदि AI विफल हो जाता है, तो वह $1 - e^{-t}$ की संभावना के साथ सुधार करता है।

संयुक्त सफलता की संभावना $p(t; \alpha, s) = 1 - e^{-(\alpha s + t)}$ है। कार्यकर्ता के पास एक निश्चित क्षमता $C$ होती है और वह सफल प्रोजेक्ट्स की संख्या को अधिकतम करना चाहता है।

2. गलत धारणा तंत्र (Misperception Mechanism)

मॉडल एक व्यवहार संबंधी पैरामीटर पेश करता है जहाँ कार्यकर्ता स्केलिंग फैक्टर को $\hat{\alpha}$ के रूप में देखता है, जो वास्तविक $\alpha$ से भिन्न हो सकता है।

अति-धारणा (Over-perception) ( $\hat{\alpha} > \alpha$ ): कार्यकर्ता AI क्षमता को बढ़ाकर देखते हैं, जिससे आक्रामक प्रयास में कमी आती है।
अल्प-धारणा (Under-perception) ( $\hat{\alpha} < \alpha$ ): कार्यकर्ता AI क्षमता को कम करके देखते हैं, जिससे अत्यधिक प्रयास का आवंटन होता है।

3. फर्म का दृष्टिकोण और मिसअलाइनमेंट

फर्म लाभ को अधिकतम करती है, जिसे सफल प्रोजेक्ट्स से प्राप्त शुद्ध पुरस्कार में से तैनाती लागत $c \cdot s$ घटाकर परिभाषित किया जाता है। महत्वपूर्ण रूप से, फर्म AI लागत वहन करती है जबकि कार्यकर्ता नहीं करता है, जो इष्टतम प्रयास स्तरों के संबंध में एक संरचनात्मक फर्म-श्रमिक मिसअलाइनमेंट (firm-worker misalignment) पैदा करता है। मॉडल इस बात का विश्लेषण करता है कि गलत धारणा इस मिसअलाइनमेंट को कैसे बढ़ाती है।

4. नीतिगत हस्तक्षेप (Policy Interventions)

अध्ययन दो परिचालन लीवर्स का मूल्यांकन करता है:

लागत आंतरिककरण (Cost Internalization - CI): प्रयास प्रोत्साहन को बदलने के लिए कार्यकर्ता को AI तैनाती लागत का एक हिस्सा $\rho$ स्थानांतरित करना।
धारणा संरेखण (Perception Alignment): $\hat{\alpha}$ को $\alpha$ के साथ संरेखित करने के लिए हस्तक्षेप (जैसे, प्रशिक्षण, पारदर्शी रिपोर्टिंग)।

मुख्य योगदान

ऑपरेशंस मैनेजमेंट में स्केलिंग लॉज़ का एकीकरण: यह शोध एक विश्लेषणात्मक ऑपरेशंस फ्रेमवर्क में स्केलिंग लॉ को एक मौलिक तत्व के रूप में शामिल करता है, जो केवल अनुभवजन्य ML अध्ययनों से आगे बढ़कर यह जांचता है कि जब मानव प्रयास एंडोजेनस रूप से प्रतिक्रिया करता है, तो स्केलिंग पूरे उत्पादन तंत्र को कैसे प्रभावित करती है।
स्केलिंग विरोधाभास की पहचान: लेखक मानव गलत धारणा को एक नवीन व्यवहार संबंधी तंत्र के रूप में पहचानते हैं जहाँ स्केलिंग विफल हो जाती है। विशेष रूप से, अति-धारणा (over-perception) के कारण संयुक्त प्रणाली का प्रदर्शन AI स्केल के संबंध में गैर-एकदिष्ट (non-monotone) हो सकता है, जिससे एक ऐसा क्षेत्र बनता है जहाँ बड़े AI सिस्टम खराब परिणाम देते हैं।
गलत धारणा जोखिमों की विषमता: शोध अति-धारणा बनाम अल्प-धारणा के विषम प्रभावों के बीच अंतर करता है। अति-धारणा स्केलिंग लाभों को उलट देती है और फर्म-श्रमिक मिसअलाइनमेंट को बढ़ा देती है। अल्प-धारणा (monotonic) सुधार को बनाए रखती है (यद्यपि धीमी दर पर) और अनपेक्षित रूप से फर्म-श्रमिक मिसअलाइनमेंट को आंशिक रूप से कम कर सकती है क्योंकि यह श्रमिकों को अधिक प्रयास करने के लिए प्रेरित करती है।
विकृति शमन के लिए नीति डिजाइन: अध्ययन यह लक्षणित करता है कि लागत आंतरिककरण और धारणा संरेखण को गलत धारणा की दिशा और तैनाती के अर्थशास्त्र (जैसे, लागत स्तर) के अनुसार कैसे तैयार किया जाना चाहिए।

मुख्य परिणाम

1. पूर्ण सहयोग ( $\hat{\alpha} = \alpha$ )

जब मनुष्य AI क्षमता को सटीक रूप से समझते हैं, तो स्केलिंग लॉ लागू होता है। जैसे-जैसे $s$ बढ़ता है:

प्रति प्रोजेक्ट मानव प्रयास ( $t^*$ ) गैर-बढ़ते रूप से घटता है।
प्रोजेक्ट थ्रूपुट बढ़ता है।
कुल सिस्टम रिवॉर्ड बढ़ता है।
सिस्टम "ह्यूमन-ओनली" शासन से "ह्यूमन-इन-द-लूप" (HIL) शासन में, और अंततः एक "आर्टिफिशियल जनरल इंटेलिजेंस" (AGI) शासन में परिवर्तित होता है जहाँ सेटअप के अलावा मानव प्रयास शून्य होता है।

2. अति-धारणा ( $\hat{\alpha} > \alpha$ )

प्रयास विकृति (Effort Distortion): कार्यकर्ता बहुत आक्रामक रूप से प्रयास कम कर देते हैं ( $\hat{t} < t^*$ )।
स्केलिंग विरोधाभास (The Scaling Paradox): HIL शासन में, यदि अति-धारणा की डिग्री पर्याप्त रूप से उच्च है, तो वास्तविक रिवॉर्ड $s$ के संबंध में गैर-एकदिष्ट (non-monotone) हो जाता है। प्रारंभ में, स्केलिंग प्रदर्शन में सुधार करती है, लेकिन एक सीमा के बाद, मानव प्रयास में कमी AI के तकनीकी लाभों को पीछे छोड़ देती है, जिससे कुल रिवмॉर्ड घटने लगता है।
फर्म पर प्रभाव: यह विरोधाभास फर्म के स्तर पर भी बढ़ जाता है। जैसे-जैसे रिवॉर्ड घटता है, फर्म का लाभ और भी तेजी से गिरता है क्योंकि फर्म घटते सफल प्रोजेक्ट्स के लिए बढ़ती तैनाती लागत $c \cdot s$ का भुगतान करती रहती है।

3. अल्प-धारणा ( $\hat{\alpha} < \alpha$ )

प्रयास विकृति: कार्यकर्ता प्रयास में अत्यधिक निवेश करते हैं ( $\hat{t} > t^*$ )।
मंद स्केलिंग (Attenuated Scaling): स्केलिंग लॉ बना रहता है (रिवॉर्ड $s$ के साथ बढ़ता है), लेकिन लाभ 'परफेक्ट कोलैबोरेशन' की तुलना में धीमा होता है क्योंकि कार्यकर्ता प्रति प्रोजेक्ट अक्षम रूप से बहुत अधिक समय आवंटित करते हैं, जिससे थ्रूपुट कम हो जाता है।
फर्म पर प्रभाव: अल्प-धारणा कार्यकर्ता के व्यवहार को फर्म के हितों के साथ आंशिक रूप से संरेखित कर सकती है। चूंकि फर्म (AI तैनाती को कम करने के लिए) उच्च प्रयास पसंद करती है, इसलिए अल्प-धारणा के तहत कार्यकर्ता का "अत्यधिक प्रयास" अनपेक्षित रूप से फर्म-श्रमिक मिसअलाइनमेंट को कम कर सकता है, जिससे कभी-कभी परफेक्ट कोलैबोरेशन बेसलाइन की तुलना में फर्म का लाभ सुधर जाता है।

4. नीतिगत हस्तक्षेप

लागत आंतरिककरण:
- कम AI लागत: लागत को श्रमिकों की ओर स्थानांतरित करना (उच्च $\rho$ ) आम तौर पर फर्म के लाभ को बढ़ाता है।
- उच्च AI लागत: फर्म को अधिक लागत वहन करनी चाहिए (कम $\rho$ ) ताकि श्रमिकों को AI टूल्स अपनाने से रोका जा सके।
- गलत धारणा के तहत: अति-धारणा के तहत, फर्म श्रमिकों को अधिक लागत स्थानांतरित कर सकती है (जो पहले से ही अति-आत्मविश्वासी हैं)। अल्प-धारणा के तहत, फर्म को अपनाने को प्रोत्साहित करने के लिए अधिक लागत वहन करनी चाहिए।
धारणा संरेखण:
- अति-धारणा: संरेखण स्पष्ट रूप से श्रमिकों और फर्मों दोनों के लिए फायदेमंद है, जो स्केलिंग विरोधाभास को रोकता है।
- अल्प-धारणा: संरेखण हमेशा फर्म के लिए फायदेमंद नहीं होता है। हल्के अल्प-धारणा को ठीक करने से फर्म का लाभ कम हो सकता है क्योंकि यह श्रमिकों को फर्म-पसंद उच्च-प्रयास स्तर से दूर खींच लेता है। आक्रामक संरेखण केवल तभी फायदेमंद है जब अल्प-धारणा गंभीर हो।

महत्व और दावे

यह शोध तर्क देता है कि AI स्केलिंग केवल एक तकनीकी चुनौती नहीं बल्कि एक व्यवहार संबंधी और परिचालन संबंधी चुनौती है। लेखक दावा करते हैं कि:

स्वचालित मूल्य (Automatic Value) एक मिथक है: बड़े AI सिस्टम स्वतः ही बेहतर परिचालन परिणाम नहीं देते; मूल्य इस बात पर निर्भर करता है कि बढ़ी हुई क्षमताएं मानव विश्वास और सहयोगात्मक प्रयासों को कैसे आकार देती हैं।
इंटरफेस का प्रबंधन: संगठन केवल बड़े, अधिक महंगे मॉडल में निवेश करने के बजाय मानव-AI इंटरफेस (धारणा संरेखण और प्रोत्साहन डिजाइन के माध्यम से) को प्रबंधित करने से अधिक लाभान्वित हो सकते हैं।
अति-धारणा का जोखिम: "स्केलिंग विरोधाभास" यह सुझाव देता है कि वर्तमान संगठनात्मक रुझान—जो अत्यधिक आशावाद से प्रेरित होकर मानव निरीक्षण को कम करते हुए आक्रामक रूप से AI को स्केल कर रहे हैं—प्रदर्शन में गिरावट और लाभ हानि को बढ़ा सकते हैं।
विषम हस्तक्षेप (Asymmetric Interventions): परिचालन नीतियां विषम होनी चाहिए; जो अति-धारणा के लिए काम करता है (जैसे, लागत स्थानांतरण, आक्रामक संरेखण), वह अल्प-धारणा के लिए प्रतिकूल हो सकता है।

अध्ययन निष्कर्ष निकालता है कि तैनात AI के मूल्य को प्राप्त करने के लिए फर्मों को मानव विश्वास और प्रोत्साहन संरचनाओं को AI प्रणाली की विशिष्ट क्षमताओं के अनुरूप ढालना आवश्यक है, और इस विचार के प्रति आगाह करता है कि केवल तकनीकी प्रगति संगठनात्मक प्रदर्शन की गारंटी देती है।