పని AI చేస్తే… మనల్ని మలిచేది ఏది?

ఈ మధ్య కొన్ని సంభాషణల్లో ఒక విషయం గమనిస్తున్నాను. సమాధానాలు చక్కగా ఉంటున్నాయి. వివరణలో స్పష్టత, సూచనల్లో ఒక పద్ధతి కనిపిస్తున్నాయి. వింటున్నంతసేపూ బాగానే అనిపిస్తుంది. కానీ ఆ తరువాత ఒక చిన్న సందేహం: ఈ మాటలు చెబుతున్న వ్యక్తి వీటి గురించి ఎంతవరకు ఆలోచించారు?

AI ఇచ్చిన సమాధానం వినిపిస్తోంది. అందులో ఆ వ్యక్తి సొంత అవగాహన ఎంత ఉందో మాత్రం అంత సులువుగా తెలియడం లేదు.

మొదట్లో, మనుషులు ఆలోచించడం తగ్గించేస్తున్నారేమో అనిపించింది. కానీ నేను కూడా AI సాయంతో పనులు చేస్తున్నాను, కొత్త విషయాలు తెలుసుకుంటున్నాను, రాస్తున్నాను. అందుకే ఈ ప్రశ్నను ముందుగా నాకే వేసుకోవాలి అనిపించింది. దాని సాయంతో ఒక పని పూర్తయినప్పుడు, నాలో ఏ సామర్థ్యం పెరిగింది?

రాసేటప్పుడు ఈ తేడా నాకు బాగా అర్థమవుతుంది. కొన్ని సందర్భాల్లో ఒక పేరా ఎంత ప్రయత్నించినా కుదరదు. మాటలు మార్చి చూస్తాను. ఒక ఉదాహరణ కోసం వెతుకుతాను. అప్పుడు తెలుస్తుంది… అసలు ఇబ్బంది వాక్యంలో లేదు. నేను చెప్పాలనుకున్న విషయమే ఇంకా నాకు పూర్తిగా తేలలేదు.

అలా ఆ పేరా కుదిరేలోపు, నా ఆలోచన కూడా కొంత స్పష్టమవుతుంది.

పట్టుబడని ఒక పొరపాటును వెతికే ప్రోగ్రామర్‌కూ ఇలాంటిదే జరుగుతుంది. కష్టమైన స్వరాలను పదే పదే సాధన చేసే సంగీతకారుడికీ అంతే. పని పూర్తవుతుంది. దాంతోపాటు, ఆ పని గురించి మరింత తెలిసిన వ్యక్తిగా మనం మారుతాం.

మనం చేసే పని రెండు ఫలితాలను ఇస్తుంది. ఒకటి, మనం తయారుచేసేది. రెండోది, ఆ క్రమంలో మనం తయారయ్యే తీరు.

AI వల్ల మొదటి ఫలితం త్వరగా అందవచ్చు. రెండోది కూడా దానంతట అదే వస్తుందని మాత్రం చెప్పలేం. కోడింగ్‌, తార్కిక సమస్యలు, చదివిన విషయాన్ని అర్థం చేసుకోవడం వంటి పనులపై జరిగిన కొన్ని ప్రయోగాల్లో ఇదే తేడా కనిపించింది. AI సాయం తీసుకున్నవారు తరువాత సొంతంగా పనిచేయాల్సి వచ్చినప్పుడు వెనుకబడ్డారు. కొన్ని సందర్భాల్లో ప్రయత్నాన్ని త్వరగా వదిలేశారు కూడా. ఇవి కొన్ని ప్రత్యేక పరిస్థితుల్లో కనిపించిన ఫలితాలు. మనుషుల తెలివి శాశ్వతంగా తగ్గిపోతోందని వీటి ఆధారంగా చెప్పలేం. కానీ ఎక్కువ పని పూర్తి చేయడమే ఎక్కువ నేర్చుకోవడమా అని అడగడానికి ఇవి కారణమిస్తున్నాయి.¹²

AI పనిచేస్తుంది, మనం పర్యవేక్షిస్తాం అని తరచూ అంటున్నాం. కానీ ఏది సరిగ్గా ఉందో, ఏది మరోసారి చూడాలో గుర్తించడం ఎలా వస్తుంది? అనుభవం ఉన్న ఇంజినీర్‌ నిర్ణయం వెనుక ఎన్నో పొరపాట్లు, ఊహించని సమస్యలు, వాటిని సరిదిద్దుకున్న సందర్భాలు ఉంటాయి. కొత్తగా నేర్చుకునే వ్యక్తికి అదే సమాధానం అందించవచ్చు. ఆ అనుభవాన్ని కూడా అందించగలమా?

ఒక విషయం మనకు అందడానికీ, అది మనకు అర్థమవడానికీ మధ్య ఉన్న ఈ దూరం గురించి ఆలోచిస్తే, ఒక పాత సంభాషణ గుర్తుకొస్తుంది.

బృహదారణ్యక ఉపనిషత్తులో యాజ్ఞవల్క్యుడు గృహస్థ జీవితాన్ని విడిచిపెట్టేందుకు సిద్ధమవుతూ, తన సంపదను పంచే విషయం ప్రస్తావిస్తాడు. అప్పుడు మైత్రేయి, ఆ సంపద తనకు అమృతత్వాన్ని ఇవ్వగలదా అని అడుగుతుంది. ఇవ్వలేదని అతడు చెప్పినప్పుడు, తనకు తెలిసిన జ్ఞానాన్ని బోధించమని కోరుతుంది.

తరువాతి బోధలో ఆత్మను తెలుసుకోవడానికి వినడం, ఆలోచించడం, ధ్యానించడం గురించి వస్తుంది. మనకు పరిచయమైన పదాల్లో చెప్పాలంటే: శ్రవణం, మననం, నిదిధ్యాసనం.³

అది ఆధ్యాత్మిక విచారణ. నేటి AI వాడకంతో నేను కలుపుతున్న అంశం చిన్నదే: బోధ వినడంతోనే నేర్చుకునేవారి పని పూర్తికాదు. విన్న విషయంతో వారు ఇంకా కొంతకాలం గడపాలి. దాని అర్థాన్ని పరిశీలించాలి.

మనం పరిశీలించగలిగే వేగం కంటే ఎక్కువ వేగంతో సమాధానాలు అందుతున్నప్పుడు, ఈ విషయం గుర్తుంచుకోవాల్సిన అవసరం ఉంది. ఇతరుల నుంచి నేర్చుకోవడం మనకు కొత్త కాదు. కానీ ఒక గ్రంథంలో చదివిన మాటైనా, చాట్‌బాట్‌ చెప్పిన మాటైనా, తిరిగి చెప్పగలిగినంత మాత్రాన అది మనకు అర్థమైందని కాదు.

సమాధానం వినడానికీ, దాన్ని అర్థం చేసుకోవడానికీ మధ్య కొంత సమయం అవసరమేమో. ఆ సమయాన్ని తొందరగా దాటేయాలనే ఆత్రం మనకు పెరుగుతోందేమో.

ఆగి ఆలోచించినప్పుడే మనం నిజమని అనుకున్నది కేవలం ఊహ అని తెలియవచ్చు. అసలు అడగాల్సిన ప్రశ్న వేరని అనిపించవచ్చు. మన వివరణ బయట ఉన్న ప్రపంచాన్ని చూసే అవకాశం కూడా అప్పుడే వస్తుంది. ఉదాహరణకు, ఒక ఉత్పత్తిని కస్టమర్లు ఎందుకు వాడుతున్నారనే విషయంపై ఎంత చక్కని వివరణ ఉన్నా, వారితో మాట్లాడి తెలుసుకోవాల్సింది మిగిలే ఉంటుంది. మూలాల నుంచి ఆలోచించడం అంటే ఏది ఆధారం, ఏది ఊహ అనేది విడదీసి, మన నిర్ణయం వాస్తవంలో నిలబడుతుందో చూడటం కూడా.

AI ఈ పరిశీలనలో సహాయపడగలదు. కానీ వివరణ చెప్పమనీ, దానిపై అభ్యంతరం పెట్టమనీ, ఆ అభ్యంతరానికి సమాధానం ఇవ్వమనీ అన్నీ దానినే అడుగుతూ పోతే? సంభాషణ పూర్తవుతుంది. బయటి ప్రపంచంతో దానికి సంబంధం ఉందో లేదో మాత్రం ఇంకా తెలియకపోవచ్చు.

ఈ పరిశీలనకు సమయం కేటాయించడం వ్యక్తిగత నిర్ణయం మాత్రమే కాదు. మన చుట్టూ ఉన్నవారు ఏ పనికి విలువ ఇస్తున్నారనేదీ ముఖ్యం. ఒక బృందంలో, సమస్య నిజంగా ఉందో లేదో తెలుసుకోవడానికి వెచ్చించిన ఉదయం కంటే మూడు ప్రతిపాదనలు సిద్ధం చేయడానికే ఎక్కువ గుర్తింపు వస్తోందనుకుందాం. ఆలోచించి పనిచేసే వ్యక్తి మీద కూడా త్వరగా ఏదో ఒకటి చూపించాలనే ఒత్తిడి పడుతుంది.

సామర్థ్యాలు తగ్గిపోవడానికి మనం నిర్మించుకున్న పని వాతావరణమూ కారణం కావచ్చని ఇటీవలి తాత్త్విక పరిశోధన చెబుతోంది.⁴ ఒకరిని చూసి మరొకరు అలవాట్లు మార్చుకోవడం వల్ల AI మీద ఆధారపడటం ఎలా బలపడవచ్చో, దాన్నుంచి వెనక్కి రావడం ఎందుకు కష్టమవచ్చో గణిత నమూనాలతో మరో అధ్యయనం పరిశీలిస్తోంది.⁵ ఇవి జరగబోయే భవిష్యత్తును ఖరారు చేయవు. కానీ సాధన చేసే అవకాశాలను తగ్గిస్తూ, సొంతంగా ఆలోచించమని చెప్పడం ఎంతవరకు ఉపయోగమనే ప్రశ్నను ముందుకు తెస్తాయి.

అందరూ ఒకే తరహా సమాధానాల వైపు వెళ్తే, సమూహంగా కూడా మనం ఏదైనా కోల్పోవచ్చు. సృజనాత్మక రచనపై జరిగిన ఒక ప్రయోగంలో, AI ఇచ్చిన ఆలోచనలతో వ్యక్తుల రచనలకు మెరుగైన అంచనాలు లభించాయి. అయితే ఆ రచనలన్నింటినీ కలిపి చూస్తే వైవిధ్యం తగ్గింది. వ్యక్తులు ముందుగా సొంత ఆలోచనలు తెచ్చుకుని, వాటిని మెరుగుపరచడానికి AI వాడినప్పుడు వైవిధ్యం ఎక్కువగా నిలిచింది.⁶

వేర్వేరు భాషలు, జీవితాల నుంచి పుట్టే ఆలోచనల గురించి ఇక్కడ నాకు ఆసక్తి కలుగుతుంది. చెప్పే తీరు మొదట్లో అంత చక్కగా లేకపోవచ్చు. కానీ అందులో మనకు పరిచయం లేని చూపు ఉండవచ్చు. దాని విలువ తెలిసేలోపే, మరింత అందంగా వినిపించే మాటతో దాన్ని మార్చేస్తున్నామా?

అలాగని ప్రతి కష్టాన్నీ అలాగే ఉంచాలని నేను అనుకోవడం లేదు. పదే పదే చేయాల్సిన పనులు మనల్ని అలసిపోయేలా చేయవచ్చు. భాష, ఖర్చు, నేర్పేవారు లేకపోవడం వల్ల నేర్చుకోలేకపోయినవారికి AI కొత్త అవకాశం ఇవ్వవచ్చు.

దాన్ని ఎలా ఉపయోగిస్తున్నామనేదే ఇక్కడ ముఖ్యం. ఒక ప్రయోగంలో ముందుగా సొంత ఆలోచనలు చేసి, తరువాత AIతో వాటిని అభివృద్ధి చేసినవారు, ఆ తరువాత సొంతంగా చేయాల్సిన సృజనాత్మక పనిలో మెరుగ్గా రాణించారు. AIని తమ ఇష్టానుసారం వాడినవారి కంటే, పూర్తిగా ఒంటరిగా పనిచేసినవారి కంటే కూడా వారి ఫలితాలు మెరుగ్గా ఉన్నాయి. ఇది స్వల్పకాలంలో కనిపించిన ప్రయోజనమే అయినా, ప్రయత్నించదగిన పద్ధతిని చూపిస్తోంది.⁷

నేను ఎదగాలనుకునే విషయాల్లో మొదటి ప్రయత్నం నాదిగా ఉండవచ్చు. ఆ తరువాత సహాయం తీసుకోవచ్చు. పని పూర్తయ్యాక, ఆ విషయాన్ని నా మాటల్లో వివరించగలనా? మరో సందర్భంలో ఉపయోగించగలనా? ఎక్కడ వర్తించదో గుర్తించగలనా? అని చూసుకోవచ్చు. రోజువారీ పనులన్నింటినీ పాఠాలుగా మార్చుకోవాల్సిన అవసరం లేదు.

పాఠశాలలు, కార్యాలయాలు కూడా ఇలాంటి నిర్ణయమే తీసుకోవచ్చు. AI ఆదా చేసిన సమయాన్ని కొత్తగా నేర్చుకునేవారికి మార్గదర్శనం ఇవ్వడానికి, ప్రయోగాలు చేయడానికి, పొరపాట్లు ఎందుకు జరిగాయో తెలుసుకోవడానికి ఉపయోగించవచ్చు. లేదా అదే సమయంలో మరిన్ని పనులు పూర్తి చేయాలని ఆశించవచ్చు.

పని పూర్తి కావడానికి మన భాగస్వామ్యం తగ్గుతున్నకొద్దీ, మనం ఎదగడానికి కావాల్సిన అవకాశాలను మరింత ఉద్దేశపూర్వకంగా కల్పించుకోవాల్సి రావచ్చు.

మొదట ప్రస్తావించిన సంభాషణల్లో నేను వినాలనుకుంటున్నది ఇదే. ఒక సమాధానాన్ని పరిశీలించగలిగే వ్యక్తి. దానికి తన అనుభవాన్ని జోడించగలిగే వ్యక్తి. సరైన కారణం కనిపిస్తే అభిప్రాయాన్ని మార్చుకోగలిగే వ్యక్తి. ఈ వ్యాసం రాసిన నాకూ అదే బాధ్యత ఉంది.

AI సమాధానం ఇచ్చాక… మనం ఏం చేయాలని ఎంచుకుంటాం?

---

ఆధారాలు

1. How AI Impacts Skill Formation, Shen and Tamkin (2026, ప్రీప్రింట్‌)
2. AI Assistance Reduces Persistence and Hurts Independent Performance, Liu తదితరులు (2026, ప్రీప్రింట్‌)
3. బృహదారణ్యక ఉపనిషత్తు 2.4.1–5, శంకర భాష్యంతో, స్వామి మాధవానంద ఆంగ్ల అనువాదం
4. AI Deskilling Is a Structural Problem, Ferdman (ఆన్‌లైన్‌ ప్రచురణ 2025; సంచిక 2026)
5. Large-Language Models as a Cognitive Virus, Solé తదితరులు (2026, సైద్ధాంతిక ప్రీప్రింట్‌)
6. Human Diversity Fuels Collective Creativity That Large Language Models Cannot Simulate or Sustain, Dong and Yakura (2026, ప్రీప్రింట్‌)
7. Think First, ChatGPT Later, Wong and Qiu (2026)