TCS ର ଅଧା ଡିଲ୍‌କୁ ଶସ୍ତା କରୁଛି AI: ଭାରତୀୟ IT ଏବଂ ଆପଣଙ୍କ କ୍ୟାରିୟର ପାଇଁ ଏହାର ଅର୍ଥ କ’ଣ

ଭାରତର ସର୍ବବୃହତ IT କମ୍ପାନୀ ଯେତେବେଳେ କହେ ଯେ AI ତା’ର ଅଧା ଚୁକ୍ତିର ମୂଲ୍ୟ କମାଉଛି, ସେତେବେଳେ ତାହା ଉପରେ ଧ୍ୟାନ ଦେବା ଉଚିତ। କମ୍ପାନୀର ଦ୍ୱିତୀୟ ତ୍ରୈମାସିକ ଫଳାଫଳ ପରେ TCS ର ମୁଖ୍ୟ କାର୍ଯ୍ୟନିର୍ବାହୀ K. Krithivasan ମୋଟାମୋଟି ଭାବେ ଏହା ହିଁ କହିଥିଲେ।

ଆଜି ହେଉଛି ଅକ୍ଟୋବର 10, 2026। ଭାରତୀୟ IT ଲକ୍ଷ ଲକ୍ଷ ଲୋକଙ୍କୁ ନିଯୁକ୍ତି ଦିଏ ଏବଂ ଦେଶର ରପ୍ତାନି ଆୟର ଏକ ବଡ଼ ଅଂଶ ଉପାର୍ଜନ କରେ, ତେଣୁ ଏହି ଶିଳ୍ପକୁ କିପରି ଅର୍ଥ ମିଳୁଛି ସେଥିରେ ଆସୁଥିବା ପରିବର୍ତ୍ତନ କେବଳ ଏକ ବ୍ୟବସାୟିକ ଖବର ନୁହେଁ। ଏହା ପ୍ରଥମ ଚାକିରି ଖୋଜୁଥିବା ଗ୍ରାଜୁଏଟ୍, ମିଡ୍-କ୍ୟାରିୟର ଇଞ୍ଜିନିୟର ଏବଂ ଘଣ୍ଟା ହିସାବରେ ସେବା ବିକ୍ରି କରୁଥିବା ପ୍ରତ୍ୟେକ କମ୍ପାନୀକୁ ପ୍ରଭାବିତ କରେ।

ପ୍ରକୃତରେ TCS CEO କ’ଣ କହିଥିଲେ

Q2 ଫଳାଫଳ ପରେ CNBC-TV18 କୁ ଦେଇଥିବା ଏକ ସାକ୍ଷାତକାରରେ Krithivasan ଚାରୋଟି ମୁଖ୍ୟ କଥା ଉଲ୍ଲେଖ କରିଥିଲେ।

TCS ର ପ୍ରାୟ ଅଧା IT ଚୁକ୍ତିରେ ଏବେ "AI-led deflation" ଦେଖିବାକୁ ମିଳୁଛି। ଏଠାରେ ଡିଫ୍ଲେସନ୍ (Deflation) ର ସରଳ ଅର୍ଥ ହେଉଛି କାମର ମୂଲ୍ୟ କମିଯାଉଛି। ଯଦି ଜଣେ ବିଦେଶୀ କ୍ଲାଏଣ୍ଟ କୌଣସି ସଫ୍ଟୱେୟାର ରକ୍ଷଣାବେକ୍ଷଣ, ଟେଷ୍ଟିଂ କିମ୍ବା କୋଡିଂ କାମ ପାଇଁ ପୂର୍ବରୁ 100 ଟଙ୍କା ଦେଉଥିଲେ, ତେବେ AI ଉପକରଣଗୁଡ଼ିକ ଯୋଗୁଁ ସେହି ସମାନ କାମ ଏବେ ପ୍ରାୟ 10 ରୁ 20 ପ୍ରତିଶତ କମ୍‌ରେ, ପ୍ରାୟ 80 ରୁ 90 ଟଙ୍କାରେ ହୋଇପାରୁଛି।

ଏହା ଆଶା କରାଯାଉଥିଲା। ସେ କହିଥିଲେ ଯେ ଶିଳ୍ପରେ ଏହି ପ୍ରଭାବ ବିଷୟରେ ପ୍ରାୟ ଦେଢ଼ରୁ ଦୁଇ ବର୍ଷ ହେଲା ଆଲୋଚନା ଚାଲିଛି, ତେଣୁ ପ୍ରାୟ 50 ପ୍ରତିଶତ ସଂଖ୍ୟା କୌଣସି ଆଶ୍ଚର୍ଯ୍ୟଜନକ ବିଷୟ ନୁହେଁ।

ନୂଆ ପ୍ରୋଜେକ୍ଟଗୁଡ଼ିକ ଏହାକୁ ସନ୍ତୁଳିତ କରିବା ଉଚିତ। ଅନେକ ଲୋକ AI କୁ କେବଳ ଉତ୍ପାଦନଶୀଳତା ଏବଂ କମ୍ ଖର୍ଚ୍ଚ ଦୃଷ୍ଟିକୋଣରୁ ଦେଖନ୍ତି। ସେ ଦର୍ଶାଇଥିଲେ ଯେ AI କାରଣରୁ ବ୍ୟବସାୟଗୁଡ଼ିକ ସମ୍ପୂର୍ଣ୍ଣ ନୂଆ ପ୍ରୋଜେକ୍ଟ ମଧ୍ୟ ଆରମ୍ଭ କରୁଛନ୍ତି, ଯାହାକୁ ସେ net new work ବୋଲି କହିଥିଲେ, ଏବଂ ଏହି ନୂତନ ଚାହିଦା ଖୁବ୍ ଶୀଘ୍ର ମୂଲ୍ୟ ହ୍ରାସ (deflation) କୁ ଭରଣା କରିବା ଉଚିତ।

ପ୍ରତ୍ୟେକ ଡିଲ୍ ସଙ୍କୁଚିତ ହେଉନାହିଁ। ବଡ଼ ଏବଂ ଜଟିଳ AI ଏନଗେଜମେଣ୍ଟଗୁଡ଼ିକରେ ଚୁକ୍ତି ମୂଲ୍ୟ ହ୍ରାସ ପାଇନାହିଁ। ଏହା ସ୍ଥିର ରହିଛି।

ସାକ୍ଷାତକାରରେ ଏହା ମଧ୍ୟ ଉଲ୍ଲେଖ କରାଯାଇଛି ଯେ TCS ର ମାର୍ଜିନ୍, ଅର୍ଥାତ୍ ରାଜସ୍ୱର ଯେଉଁ ଅଂଶ ଏହା ଲାଭ ଭାବରେ ରଖେ, ତାହା ସୁସ୍ଥ ରହିଛି।

ଭାରତ ପାଇଁ ଏହା କାହିଁକି ଏକ ଚ୍ୟାଲେଞ୍ଜ

IT ସେବା ଭାରତୀୟ ଅର୍ଥନୀତିର ଅନ୍ୟତମ ପ୍ରମୁଖ ସ୍ତମ୍ଭ, ତେଣୁ ଏହାର ନକାରାତ୍ମକ ଦିଗଗୁଡ଼ିକ ଉପରେ ସ୍ପଷ୍ଟ ନଜର ପକାଇବା ଉଚିତ।

ପୁରୁଣା ବିଲିଂ ମଡେଲ ଚାପରେ ଅଛି। ଦଶନ୍ଧି ଦଶନ୍ଧି ଧରି, ଭାରତୀୟ IT ଫାର୍ମଗୁଡ଼ିକ "time and material" ଆଧାରରେ ଚାର୍ଜ କରିଆସିଛନ୍ତି, ଯାହାର ଅର୍ଥ କେତେ ଜଣ ଲୋକ କେତେ ଘଣ୍ଟା କାମ କଲେ ତାହା ହିସାବରେ ବିଲ୍ କରିବା। ଯଦି AI କମ୍ ସମୟରେ କୌଣସି କାର୍ଯ୍ୟ ଶେଷ କରେ, ତେବେ ପୁରୁଣା ବିଲିଂ ପଦ୍ଧତିରେ ସମାନ ଫଳାଫଳ ପାଇଁ କମ୍ ଆୟ ହୁଏ।

ସହଜ ଏଣ୍ଟ୍ରି-ଲେଭଲ୍ ଚାକିରିର ସଂଖ୍ୟା ହ୍ରାସ। ମୌଳିକ ଡାଟା ଏଣ୍ଟ୍ରି, ମାନୁଆଲ୍ ଟେଷ୍ଟିଂ ଏବଂ ସାଧାରଣ ବଗ୍ ଫିକ୍ସ ଭଳି ନିୟମିତ କାମଗୁଡ଼ିକୁ AI ଏବେ ବହୁତ ଶୀଘ୍ର କରିପାରୁଛି। ଏହା ଫଳରେ ଏପରି ଭୂମିକାଗୁଡ଼ିକରେ ଫ୍ରେଶର୍ ଗ୍ରାଜୁଏଟ୍‌ମାନଙ୍କୁ ବ୍ୟାପକ ସଂଖ୍ୟାରେ ନିଯୁକ୍ତି ଦେବାର ପୁରୁଣା ଧାରା ବଜାୟ ରଖିବା ବହୁତ କଷ୍ଟକର ହୋଇପଡ଼ିଛି।

ଶିଖିବା ବନ୍ଦ କରିଦେଇଥିବା ଲୋକଙ୍କ ପାଇଁ ବିପଦ। ନିଜ ଦକ୍ଷତାକୁ ଅପଡେଟ୍ ନକରି ବର୍ଷ ବର୍ଷ ଧରି ସମାନ ନିୟମିତ କାର୍ଯ୍ୟ କରିଆସୁଥିବା ଇଞ୍ଜିନିୟରମାନଙ୍କ ପାଇଁ ନିଜ ପଦବୀ ବଜାୟ ରଖିବା କଷ୍ଟକର ହେବ।

ଏହା କାହିଁକି ଏକ ବଡ଼ ସୁଯୋଗ ମଧ୍ୟ ଅଟେ

ଏହି ସମାନ ପରିବର୍ତ୍ତନ ନୂଆ ଦ୍ୱାର ମଧ୍ୟ ଖୋଲିଥାଏ।

କମ୍ ଖର୍ଚ୍ଚ (low cost) ରୁ ଉଚ୍ଚ ମୂଲ୍ୟ (high value) ଆଡ଼କୁ ଅଗ୍ରସର। ଭାରତକୁ କେବଳ କମ୍ ଖର୍ଚ୍ଚର IT ସେବାର ଉତ୍ସ ଭାବରେ ଜଣାଶୁଣା ହେବା ଆବଶ୍ୟକ ନାହିଁ। ଜଟିଳ AI ସିଷ୍ଟମ, କ୍ଲାଉଡ୍ ଆର୍କିଟେକ୍ଚର ଏବଂ ସାଇବର ସିକ୍ୟୁରିଟି ସମାଧାନ ନିର୍ମାଣ କରିବାରେ ଭାରତୀୟ ଇଞ୍ଜିନିୟରମାନେ ବିଶ୍ୱର ନେତୃତ୍ୱ ନେଇପାରିବେ।

କମ୍ପାନୀଗୁଡ଼ିକ ପାଇଁ ଉନ୍ନତ ମାର୍ଜିନ୍। ଯଦି AI ସହାୟତାରେ ଛୋଟ ଟିମ୍ ଅଧିକ କାମ ଶୀଘ୍ର ଶେଷ କରନ୍ତି, ତେବେ ପ୍ରଫିଟ୍ ମାର୍ଜିନ୍ ବଢ଼ିପାରିବ, ଏବଂ TCS ର ନିଜର ମାର୍ଜିନ୍ ପୂର୍ବରୁ ହିଁ ଭଲ ଭାବରେ ବଜାୟ ରହିଛି।

ଷ୍ଟାର୍ଟଅପ୍‌ଗୁଡ଼ିକ ପାଇଁ ଉତ୍ସାହ। ଭଲ AI ଉପକରଣ ଥିବା ଜଣେ ଡେଭଲପର୍ ଏବେ ଏପରି କାମ କରିପାରିବେ ଯାହା ପାଇଁ ପୂର୍ବରୁ ଏକ ପୂରା ଟିମ୍ ଦରକାର ହେଉଥିଲା। ଏହା ଭାରତରେ ନୂଆ ଟେକ୍ ପ୍ରଡକ୍ଟ ଏବଂ ଷ୍ଟାର୍ଟଅପ୍ ଗଢ଼ିବା ବହୁତ ସହଜ କରିଦେଇଛି।

ଗୋଟିଏ ଧାଡ଼ିରେ କହିବାକୁ ଗଲେ: ଏହା ଏକା ସାଙ୍ଗରେ ଏକ ଚେତାବନୀ ଏବଂ ଏକ ସୁଯୋଗ। ପୁରୁଣା କାର୍ଯ୍ୟଶୈଳୀରେ ରହୁଥିବା ଯେକୌଣସି ବ୍ୟକ୍ତିଙ୍କ ପାଇଁ ଏହା ଖରାପ ଖବର, ଏବଂ AI ଗ୍ରହଣ କରୁଥିବା ତଥା ନିଜର ଦକ୍ଷତା ବୃଦ୍ଧି କରୁଥିବା ଇଞ୍ଜିନିୟର ଏବଂ କମ୍ପାନୀଗୁଡ଼ିକ ପାଇଁ ଏକ ବିରାଟ ସୁଯୋଗ।

ଯେଉଁ ଦକ୍ଷତାଗୁଡ଼ିକ ଆପଣଙ୍କୁ ଚାହିଦାରେ ରଖିବ

ଯେଉଁମାନେ କେବଳ କୋଡ୍ ଲେଖନ୍ତି କିମ୍ବା ମୌଳିକ କାମ କରନ୍ତି, ସେମାନଙ୍କ ଚାହିଦା କମୁଛି। ଜଟିଳ ସିଷ୍ଟମ୍ ଡିଜାଇନ୍, ଡିପ୍ଲୟମେଣ୍ଟ, ସିକ୍ୟୁରିଟି ଏବଂ ପ୍ରକୃତ ବ୍ୟବସାୟିକ ସମସ୍ୟା ବୁଝୁଥିବା ଇଞ୍ଜିନିୟରମାନଙ୍କ ଚାହିଦା ଦ୍ରୁତ ଗତିରେ ବଢ଼ୁଛି। ଏଠାରେ ପାଦକୁ ପାଦ ଏକ ବ୍ୟବହାରିକ ମାର୍ଗ ଦିଆଗଲା।

Step 1: କେବଳ ଜଣେ AI ବ୍ୟବହାରକାରୀ ନୁହେଁ, ବରଂ ଜଣେ AI ନିର୍ମାତା (builder) ହୁଅନ୍ତୁ

• ଲାର୍ଜ ଲାଙ୍ଗୁଏଜ୍ ମଡେଲ୍ସ ଉପରେ ଆପ୍ଲିକେସନ୍ ଡିଜାଇନ୍ କରିବା ଶିଖନ୍ତୁ (LLMs, ଚାଟ୍ ଆସିଷ୍ଟାଣ୍ଟ ପଛରେ ଥିବା AI ମଡେଲ୍ସ), LangChain, LlamaIndex କିମ୍ବା Semantic Kernel ଭଳି ଫ୍ରେମୱାର୍କ ସହିତ।
• ବୁଝନ୍ତୁ RAG (retrieval-augmented generation): କମ୍ପାନୀର ବ୍ୟକ୍ତିଗତ (private) ଡକ୍ୟୁମେଣ୍ଟଗୁଡ଼ିକୁ ଏକ LLM ସହିତ ସଂଯୋଗ କରିବା, Pinecone, Qdrant କିମ୍ବା Chroma ଭଳି ଭେକ୍ଟର ଡାଟାବେସ୍ ଏବଂ ଏମ୍ବେଡିଂସ୍ (embeddings) ବ୍ୟବହାର କରି, ଯାହା ଟେକ୍ସଟ୍‌କୁ ଏପରି ସଂଖ୍ୟାରେ ପରିଣତ କରେ ଯାହାକୁ କମ୍ପ୍ୟୁଟର ତୁଳନା କରିପାରିବ।
• ଅନୁସନ୍ଧାନ କରନ୍ତୁ agentic workflows, ଯେଉଁଠାରେ ଅନେକ AI ଏଜେଣ୍ଟ CrewAI କିମ୍ବା AutoGen ଭଳି ଉପକରଣ ବ୍ୟବହାର କରି ପରସ୍ପର ମଧ୍ୟରେ ଏକ କାର୍ଯ୍ୟକୁ ବାଣ୍ଟି ନିଅନ୍ତି।
• ମଡେଲ୍ ଆଉଟପୁଟ୍ ମୂଲ୍ୟାଙ୍କନ କରିବା ଶିଖନ୍ତୁ, ହ୍ରାସ କରନ୍ତୁ hallucinations (ଆତ୍ମବିଶ୍ୱାସ ଥାଇ ମଧ୍ୟ ଭୁଲ୍ ଉତ୍ତର), ଏବଂ ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ଡୋମେନ୍ ପାଇଁ ଛୋଟ ମଡେଲଗୁଡ଼ିକୁ ଫାଇନ୍-ଟ୍ୟୁନ୍ (fine-tune) କରନ୍ତୁ।

Step 2: ଆଧୁନିକ DevOps, platform engineering ଏବଂ MLOps ଶିଖନ୍ତୁ

• CI/CD ପାଇପଲାଇନ୍ (ସ୍ୱୟଂଚାଳିତ ବିଲ୍ଡ, ଟେଷ୍ଟ ଏବଂ ରିଲିଜ୍) ତିଆରି କରନ୍ତୁ ଯାହା AI ଉପକରଣ ବ୍ୟବହାର କରେ ଏବଂ କ୍ଲାଉଡ୍‌ରେ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ଡିପ୍ଲୟ କରେ।
• ଅଭ୍ୟାସ କରନ୍ତୁ platform engineering: Terraform କିମ୍ବା OpenTofu, ଏବଂ Pulumi ଭଳି ଉପକରଣ ସହିତ ଇଣ୍ଟରନାଲ୍ ଡେଭଲପର୍ ପୋର୍ଟାଲ୍ ଏବଂ ସେଲ୍ଫ-ସର୍ଭିସ୍ ଇନଫ୍ରାଷ୍ଟ୍ରକଚର।
• ଶିଖନ୍ତୁ MLOps / LLMOps: ବଡ଼ ସ୍କେଲ୍‌ରେ ପ୍ରଡକ୍ସନ୍‌ରେ AI ମଡେଲ୍ ଚଳାଇବା, ଲାଟେନ୍ସି ନିୟନ୍ତ୍ରଣ କରିବା, GPU ପରିଚାଳନା କରିବା ଏବଂ ମଡେଲ୍‌ଗୁଡ଼ିକୁ ମନିଟର୍ କରିବା।
• AWS, Azure କିମ୍ବା GCP ସହିତ ପରିଚିତ ହୁଅନ୍ତୁ, ଯେଉଁଥିରେ କ୍ଲାଉଡ୍ ଖର୍ଚ୍ଚ ନିୟନ୍ତ୍ରଣ (ପ୍ରାୟତଃ FinOps କୁହାଯାଏ), ସର୍ଭରଲେସ୍ ଡିଜାଇନ୍ ଏବଂ Kubernetes ସ୍କେଲିଂ ଅନ୍ତର୍ଭୁକ୍ତ।

Step 3: AI ସିକ୍ୟୁରିଟି ଏବଂ ଗଭର୍ଣ୍ଣାନ୍ସ ଯୋଡ଼ନ୍ତୁ

• ଅଧ୍ୟୟନ କରନ୍ତୁ OWASP Top 10 for LLMs, ଯାହା ପ୍ରମ୍ପ୍ଟ ଇଞ୍ଜେକ୍ସନ୍ (ଚତୁର ଇନପୁଟ୍ ଦ୍ୱାରା ଏକ AI କୁ ପ୍ରତାରିତ କରିବା), ଡାଟା ଲିକେଜ୍ ଏବଂ AI ଆଉଟପୁଟ୍‌ର ଅସୁରକ୍ଷିତ ବ୍ୟବହାର ଭଳି ବିପଦଗୁଡ଼ିକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରେ।
• ଜାଣନ୍ତୁ କିପରି ପ୍ରାଇଭେସି ଏବଂ କମ୍ପ୍ଲାଏନ୍ସ ନିୟମଗୁଡ଼ିକ AI ସିଷ୍ଟମରେ ଲାଗୁ ହୁଏ, ଯେଉଁଥିରେ ଅନ୍ତର୍ଭୁକ୍ତ GDPR, ଭାରତର DPDP Act ଏବଂ ISO 27001.
• ପରିଚିତ ଦୁର୍ବଳତା (vulnerabilities) ପାଇଁ ଥାର୍ଡ-ପାର୍ଟି ପ୍ୟାକେଜ୍, ଲାଇବ୍ରେରୀ ଏବଂ କଣ୍ଟେନର ଇମେଜ୍ ସ୍କାନ୍ କରି ସଫ୍ଟୱେୟାର ସପ୍ଲାଏ ଚେନ୍ ସୁରକ୍ଷିତ କରନ୍ତୁ।

Step 4: ସିଷ୍ଟମ୍ ଆର୍କିଟେକ୍ଚର ଏବଂ ଡୋମେନ୍ ଜ୍ଞାନରେ ଦକ୍ଷତା ବୃଦ୍ଧି କରନ୍ତୁ

• AI ଛୋଟ ଛୋଟ ଫଙ୍କସନ୍ ଲେଖିପାରେ, କିନ୍ତୁ ଏକ ବୃହତ ଏଣ୍ଟରପ୍ରାଇଜ୍ ସିଷ୍ଟମ୍ ଡିଜାଇନ୍ କରିବା ଯାହା ସ୍କେଲେବଲ୍, ଫଲ୍ଟ-ଟଲେରାଣ୍ଟ ଏବଂ ଦ୍ରୁତଗାମୀ ହୋଇଥିବ, ସେଥିପାଇଁ ଏବେ ମଧ୍ୟ ଜଣେ ଅଭିଜ୍ଞ ଆର୍କିଟେକ୍ଟ ଆବଶ୍ୟକ। ହାଇ-ଲେଭଲ୍ ଏବଂ ଲୋ-ଲେଭଲ୍ ଡିଜାଇନ୍ ଅଭ୍ୟାସ କରନ୍ତୁ।
• ବ୍ୟାଙ୍କିଂ, ଫିନ୍‌ଟେକ୍, ହେଲଥ୍‌କେୟାର୍ କିମ୍ବା ଇ-କମର୍ସ ଭଳି ଏକ ଡୋମେନ୍ ବାଛନ୍ତୁ, ଏବଂ ଏହାର ପ୍ରକୃତ ସମସ୍ୟାଗୁଡ଼ିକୁ ଭଲ ଭାବରେ ବୁଝନ୍ତୁ ଯାହାଫଳରେ ସେଗୁଡ଼ିକୁ ସମାଧାନ କରୁଥିବା ଟେକ୍ନୋଲୋଜି ଡିଜାଇନ୍ କରିପାରିବେ।

Step 5: AI-ସହାୟକ ବିକାଶ (AI-assisted development) ରେ ମାହିର ହୁଅନ୍ତୁ

• ଅନେକ ଗୁଣ ଦ୍ରୁତ ଗତିରେ କାମ କରିବା ପାଇଁ ଆପଣଙ୍କ ଏଡିଟର୍ କିମ୍ବା ଟର୍ମିନାଲ୍‌ରେ Cursor, Claude Code କିମ୍ବା GitHub Copilot ଭଳି AI କୋଡିଂ ଉପକରଣ ବ୍ୟବହାର କରନ୍ତୁ।
• ନିଜର କୋଡ୍ ରିଭ୍ୟୁ ଏବଂ ଡିବଗିଂ ଦକ୍ଷତାକୁ ତୀକ୍ଷ୍ଣ କରନ୍ତୁ, କାରଣ AI କେଉଁଠି ଭୁଲ୍ କରିଛି ଏବଂ କେଉଁଠି ପରଫରମାନ୍ସ ପ୍ରଭାବିତ ହେଉଛି ତାହା ଚିହ୍ନଟ କରିବା ପାଇଁ ଏବେ ବି କାହାରି ନା କାହାରି ଆବଶ୍ୟକତା ରହିଛି।

ଗୋଟିଏ ଟେବୁଲ୍‌ରେ ଏହି ପରିବର୍ତ୍ତନ

ପୁରୁଣା ଆଭିମୁଖ୍ୟ (ବିପଦରେ)	ଭବିଷ୍ୟତର ଆଭିମୁଖ୍ୟ (ଚାହିଦାରେ)
କେବଳ କୋଡ୍ ଲେଖିବା	ଜଣେ ଆର୍କିଟେକ୍ଟ ଭାବରେ ସମସ୍ୟାର ସମାଧାନ କରିବା
ମାନୁଆଲ୍ ଟେଷ୍ଟିଂ ଏବଂ ଡିପ୍ଲୟମେଣ୍ଟ	ଅଟୋମେସନ୍ ଏବଂ platform engineering
କେବଳ ଗୋଟିଏ ଟେକ୍ନୋଲୋଜି ମଧ୍ୟରେ ସୀମିତ ରହିବା	ଏଣ୍ଡ-ଟୁ-ଏଣ୍ଡ ସିଷ୍ଟମ୍ ଏବଂ ସିକ୍ୟୁରିଟି ବୁଝିବା

ନିଷ୍କର୍ଷ

TCS ର ମନ୍ତବ୍ୟ ଯେ ଏହାର ପ୍ରାୟ ଅଧା ଚୁକ୍ତି ଏବେ AI-ଚାଳିତ ଡିଫ୍ଲେସନ୍‌ର ସମ୍ମୁଖୀନ ହେଉଛି, ତାହା ଭାରତୀୟ IT କେଉଁ ଦିଗକୁ ଯାଉଛି ତାର ଏକ ସ୍ପଷ୍ଟ ସଙ୍କେତ। ନିୟମିତ କାମର ମୂଲ୍ୟ ହ୍ରାସ ପାଉଛି, ଏବଂ ଘଣ୍ଟା ହିସାବରେ ବିଲ୍ କରିବାର ପୁରୁଣା ପଦ୍ଧତି ଚାପରେ ଅଛି। ସେହି ସମୟରେ, ନୂତନ AI ପ୍ରୋଜେକ୍ଟ ଆସୁଛି, ଜଟିଳ ଏନଗେଜମେଣ୍ଟଗୁଡ଼ିକ ନିଜର ମୂଲ୍ୟ ବଜାୟ ରଖିଛନ୍ତି, ଏବଂ AI ସିଷ୍ଟମ୍ ଡିଜାଇନ୍, ସୁରକ୍ଷିତ ଏବଂ ପରିଚାଳନା କରିପାରୁଥିବା ଇଞ୍ଜିନିୟରମାନେ ଅଧିକ ମୂଲ୍ୟବାନ ହେଉଛନ୍ତି। ଯେଉଁ ଇଞ୍ଜିନିୟରମାନେ କ୍ରମାଗତ ଭାବରେ ଶିଖିବା ଜାରି ରଖିବେ, ସେମାନେ ଆଗରେ ରହିବେ।

ସୁବିଧାଗୁଡ଼ିକ

• କମ୍ ଖର୍ଚ୍ଚ ଭାରତୀୟ IT ସେବାକୁ ବିଶ୍ୱସ୍ତରୀୟ ଗ୍ରାହକମାନଙ୍କ ପାଇଁ ଅଧିକ ଆକର୍ଷଣୀୟ କରିଥାଏ।
• ନୂତନ AI ପ୍ରୋଜେକ୍ଟଗୁଡ଼ିକ ନୂଆ ଚାହିଦା ସୃଷ୍ଟି କରେ ଯାହା ହ୍ରାସ ପାଉଥିବା ମୂଲ୍ୟକୁ ସନ୍ତୁଳିତ କରିପାରିବ।
• ଇଞ୍ଜିନିୟରମାନେ ନିୟମିତ କାର୍ଯ୍ୟରୁ ଉଚ୍ଚ ମୂଲ୍ୟଯୁକ୍ତ ଡିଜାଇନ୍ ଏବଂ ଆର୍କିଟେକ୍ଚର ଭୂମିକାକୁ ଯାଇପାରିବେ।
• ଉନ୍ନତ ମାର୍ଜିନ୍ କମ୍ପାନୀଗୁଡ଼ିକୁ ଦକ୍ଷତା ଏବଂ ପ୍ରଡକ୍ଟରେ ବିନିଯୋଗ କରିବା ପାଇଁ ସୁଯୋଗ ଦିଏ।
• ଛୋଟ ଟିମ୍ ଏବଂ ଏକକ ଡେଭଲପର୍‌ମାନେ ଏବେ ପ୍ରକୃତ ପ୍ରଡକ୍ଟ ଏବଂ ଷ୍ଟାର୍ଟଅପ୍ ନିର୍ମାଣ କରିପାରିବେ।

ଅସୁବିଧାଗୁଡ଼ିକ

• ଯେତେବେଳେ AI କାମ ଶୀଘ୍ର ଶେଷ କରେ, ସେତେବେଳେ ଘଣ୍ଟା-ଆଧାରିତ ବିଲିଂରେ କମ୍ ଆୟ ହୁଏ।
• ନିୟମିତ କାର୍ଯ୍ୟ ପାଇଁ ଏଣ୍ଟ୍ରି-ଲେଭଲ୍ ନିଯୁକ୍ତି ସଙ୍କୁଚିତ ହେବାର ସମ୍ଭାବନା ରହିଛି।
• ଯେଉଁ ପ୍ରଫେସନାଲମାନେ ପୁନଃଦକ୍ଷତା (reskill) ହାସଲ କରନ୍ତି ନାହିଁ, ସେମାନଙ୍କ ଚାକିରି ପ୍ରତି ପ୍ରକୃତ ବିପଦ ରହିଛି।
• ଏହାର ଲାଭ ପ୍ରଥମେ ବଡ଼ ଫାର୍ମ ଏବଂ କୁଶଳୀ ଇଞ୍ଜିନିୟରମାନଙ୍କ ପାଖରେ ପହଞ୍ଚିପାରେ, ଯାହା ବ୍ୟବଧାନକୁ ବଢ଼ାଇପାରେ।
• ବଜାର ଦ୍ରୁତ ଗତିରେ ବଦଳୁଥିବା ବେଳେ ନୂତନ ଦକ୍ଷତା ଶିଖିବା ପାଇଁ ସମୟ ଏବଂ ପରିଶ୍ରମ ଲାଗେ।

ସତର୍କତା

ଏହି ଆର୍ଟିକିଲ୍‌ଟି ଶିକ୍ଷଣୀୟ ଉଦ୍ଦେଶ୍ୟରେ ଉଦ୍ଦିଷ୍ଟ ଏବଂ ଏକ ଟିଭି ସାକ୍ଷାତକାର ତଥା ଏକ ସ୍ୱାଧୀନ ବିଶ୍ଳେଷଣକୁ ସରଳ ଭାଷାରେ ସଂକ୍ଷେପରେ ବର୍ଣ୍ଣନା କରେ। ଚୁକ୍ତିଗୁଡ଼ିକର 50 ପ୍ରତିଶତ ଅଂଶ ଏବଂ 10 ରୁ 20 ପ୍ରତିଶତ ମୂଲ୍ୟ ପରିବର୍ତ୍ତନ ଭଳି ପରିସଂଖ୍ୟାନ ରିପୋର୍ଟ ଅନୁସାରେ CEO ଙ୍କ ମନ୍ତବ୍ୟରୁ ଆସିଛି, ଏବଂ ଏହା ରାଉଣ୍ଡ ଅଫ୍ ହୋଇପାରେ କିମ୍ବା ପରବର୍ତ୍ତୀ ଫଳାଫଳରେ ବଦଳିପାରେ। ଉପକରଣଗୁଡ଼ିକର ନାମ କେବଳ ଉଦାହରଣ, କୌଣସି ସମର୍ଥନ ନୁହେଁ। କ୍ୟାରିୟର, ବିନିଯୋଗ କିମ୍ବା ବ୍ୟବସାୟିକ ନିଷ୍ପତ୍ତି ନେବା ପୂର୍ବରୁ ଦୟାକରି କମ୍ପାନୀର ଅଫିସିଆଲ୍ ବିବୃତ୍ତି ଯାଞ୍ଚ କରନ୍ତୁ ଏବଂ ନିଜେ ଅନୁସନ୍ଧାନ କରନ୍ତୁ।

ବାରମ୍ବାର ପଚରାଯାଉଥିବା ପ୍ରଶ୍ନ

• AI ଏବଂ ମୂଲ୍ୟ ନିର୍ଦ୍ଧାରଣ ବିଷୟରେ TCS ର CEO କ’ଣ କହିଥିଲେ? — K. Krithivasan କହିଥିଲେ ଯେ TCS ର ପ୍ରାୟ ଅଧା IT ଚୁକ୍ତିରେ ଏବେ AI-ଚାଳିତ ଡିଫ୍ଲେସନ୍ ଦେଖିବାକୁ ମିଳୁଛି, ଯାହାର ଅର୍ଥ ହେଉଛି କ୍ଲାଏଣ୍ଟମାନଙ୍କ ପାଇଁ ସମାନ କାମର ଖର୍ଚ୍ଚ ପ୍ରାୟ 10 ରୁ 20 ପ୍ରତିଶତ କମ୍ ହେଉଛି।
• AI-ଚାଳିତ ଡିଫ୍ଲେସନ୍ (AI-led deflation) ର ଅର୍ଥ କ’ଣ? — ଏହାର ଅର୍ଥ ହେଉଛି କୌଣସି କାମର ମୂଲ୍ୟ କମିଯାଏ କାରଣ AI ଉପକରଣଗୁଡ଼ିକ ଯୋଗୁଁ ତାହା ଅଧିକ ଦ୍ରୁତ ଗତିରେ କିମ୍ବା କମ୍ ଲୋକଙ୍କ ଦ୍ୱାରା ସମ୍ପନ୍ନ ହୋଇପାରେ।
• AI କ’ଣ ଭାରତୀୟ IT ରେ ଚାକିରି କମାଇଦେବ? — ନିୟମିତ ଏଣ୍ଟ୍ରି-ଲେଭଲ୍ ଭୂମିକାଗୁଡ଼ିକ ସଙ୍କୁଚିତ ହେବାର ସମ୍ଭାବନା ଅଛି, ଯେତେବେଳେ କି AI, କ୍ଲାଉଡ୍, ସିକ୍ୟୁରିଟି ଏବଂ ଆର୍କିଟେକ୍ଚର ଦକ୍ଷତା ଥିବା ଇଞ୍ଜିନିୟରମାନଙ୍କ ଚାହିଦା ବୃଦ୍ଧି ପାଉଛି।
• ସମସ୍ତ TCS ଚୁକ୍ତିର ମୂଲ୍ୟ କ’ଣ କମୁଛି? — ନା। CEO କହିଛନ୍ତି ଯେ ବଡ଼ ଏବଂ ଜଟିଳ AI ଏନଗେଜମେଣ୍ଟଗୁଡ଼ିକ ନିଜର ଚୁକ୍ତି ମୂଲ୍ୟ ବଜାୟ ରଖିଛନ୍ତି।
• IT କମ୍ପାନୀଗୁଡ଼ିକ କମ୍ ମୂଲ୍ୟର ଭରଣା କିପରି କରିବେ? — net new AI ପ୍ରୋଜେକ୍ଟଗୁଡ଼ିକ ମାଧ୍ୟମରେ, ଯାହା ମୂଲ୍ୟ ହ୍ରାସ (deflation) କୁ ଭରଣା କରିବ ବୋଲି CEO ଆଶା କରୁଛନ୍ତି, ଏବଂ ଉଚ୍ଚ ଉତ୍ପାଦନଶୀଳତାରୁ ମିଳୁଥିବା ଉନ୍ନତ ମାର୍ଜିନ୍ ମାଧ୍ୟମରେ।
• ଭାରତୀୟ IT ପ୍ରଫେସନାଲମାନେ ଏବେ କେଉଁ ଦକ୍ଷତାଗୁଡ଼ିକ ଶିଖିବା ଉଚିତ? — LLMs ଏବଂ RAG ସହିତ AI engineering, platform engineering ଏବଂ MLOps, AI security ଏବଂ compliance, system design, ଏବଂ AI-assisted development।
• ଏହା ଭାରତ ପାଇଁ ଭଲ ଖବର ନା ଖରାପ ଖବର? — ଉଭୟ: ଏହା ପୁରୁଣା ବିଲିଂ ମଡେଲ ଏବଂ ନିୟମିତ ଚାକିରି ଉପରେ ଚାପ ପକାଉଛି, କିନ୍ତୁ ଉଚ୍ଚ ମୂଲ୍ୟର କାର୍ଯ୍ୟ ଏବଂ ଅଧିକ ଷ୍ଟାର୍ଟଅପ୍ ପାଇଁ ଏକ ନୂଆ ମାର୍ଗ ଖୋଲୁଛି।

ଟ୍ୟାଗ୍ସ

#TCS #IndianIT #ArtificialIntelligence #AIDeflation #ITJobs #CareerGrowth #FutureOfWork #AIEngineering #DevOps #Upskilling