সিস্টেম থিংকিং: AI যুগের সবচেয়ে গুরুত্বপূর্ণ দক্ষতা

একটি প্রতিষ্ঠান তাদের গ্রাহক সেবায় খরচ কমাতে একটি AI চ্যাটবট চালু করল। প্রথম মাসে ফলাফল দারুণ — সাড়া দেওয়ার সময় কমেছে, খরচ কমেছে। কিন্তু তিন মাস পর দেখা গেল, জটিল অভিযোগগুলো চ্যাটবট ঠিকভাবে বুঝতে না পেরে ভুল উত্তর দিচ্ছে, গ্রাহকরা হতাশ হয়ে প্রতিদ্বন্দ্বীর কাছে চলে যাচ্ছেন, আর কাস্টমার সাপোর্ট টিমের ওপর চাপ বেড়ে গেছে কারণ তাদের এখন চ্যাটবটের ভুল সিদ্ধান্তগুলো ঠিক করতে হচ্ছে। AI নিজের কাজটা "ঠিকভাবে" করেছিল — কিন্তু কেউ ভাবেনি এই একটি পরিবর্তন পুরো সিস্টেমে কী প্রভাব ফেলবে।

এটাই আজকের লেখার মূল বিষয়: AI প্রযুক্তি এখন প্রায় যেকোনো নির্দিষ্ট কাজ অবিশ্বাস্য দক্ষতায় করতে পারে, কিন্তু একটি সিদ্ধান্ত পুরো সিস্টেমে — মানুষ, প্রক্রিয়া, প্রযুক্তি এবং সময়ের সাথে সাথে — কী প্রভাব ফেলবে তা বোঝার ক্ষমতা এখনো একান্তই মানবিক। একেই বলা হয় সিস্টেম থিংকিং (Systems Thinking) — এবং আমার বিশ্বাস, AI যুগে এটিই সবচেয়ে মূল্যবান দক্ষতা হয়ে উঠছে।

১. সিস্টেম থিংকিং আসলে কী?

সিস্টেম থিংকিং মানে কোনো একটি সমস্যা বা কাজকে বিচ্ছিন্নভাবে না দেখে, তার চারপাশের সম্পূর্ণ পরিবেশের অংশ হিসেবে দেখা। একটি সিস্টেমের প্রতিটি অংশ একে অপরের সাথে সংযুক্ত — একটি জায়গায় পরিবর্তন আনলে তার প্রভাব অন্য জায়গাতেও গিয়ে পড়ে, প্রায়ই এমনভাবে যা প্রথমে চোখে পড়ে না। একজন সিস্টেম থিঙ্কার নিজেকে জিজ্ঞাসা করেন — "এই সিদ্ধান্তটি নেওয়ার পর পরবর্তীতে কী ঘটবে? এটি কাদের প্রভাবিত করবে? কোন অংশে নতুন চাপ তৈরি হবে?"

এটি প্রথাগত সমস্যা সমাধান (Problem Solving) থেকে ভিন্ন। সমস্যা সমাধান একটি নির্দিষ্ট, সীমাবদ্ধ সমস্যাকে দক্ষতার সাথে সমাধান করে। সিস্টেম থিংকিং প্রশ্ন করে — এই সমাধানটি বৃহত্তর প্রেক্ষাপটে কী প্রভাব ফেলবে, এবং তা কি দীর্ঘমেয়াদে টেকসই?

২. কেন AI যুগে এই দক্ষতা সবচেয়ে বেশি গুরুত্বপূর্ণ

আধুনিক AI মডেলগুলো অসাধারণ দক্ষতায় নির্দিষ্ট, সংজ্ঞায়িত কাজ সম্পন্ন করতে পারে — কোড লেখা, টেক্সট তৈরি করা, ডেটা বিশ্লেষণ করা। কিন্তু AI-এর একটি মৌলিক সীমাবদ্ধতা আছে: এটি যে কাজটি করতে বলা হয়েছে, শুধু সেটাই করে — তার আশেপাশে কী প্রভাব পড়বে তা নিয়ে ভাবে না, কারণ তার কাছে পুরো প্রেক্ষাপট নেই। AI একটি ফিচার তৈরি করে দিতে পারে, কিন্তু বুঝতে পারে না যে এই ফিচারটি অন্য একটি বিভাগের ওয়ার্কফ্লো ভেঙে দেবে, অথবা একটি নীতিগত ঝুঁকি তৈরি করবে।

এখানেই মানুষের ভূমিকা বদলে যাচ্ছে। যত বেশি কাজ AI করবে, মানুষের কাজ ততই সরে যাবে "কীভাবে করব" থেকে "কী করা উচিত, এবং তার ফলাফল কী হবে" ভাবার দিকে। যিনি সিস্টেম থিংকিংয়ে দক্ষ, তিনিই ঠিক করতে পারবেন AI-কে কোথায় ব্যবহার করা নিরাপদ, আর কোথায় মানুষের বিচার-বুদ্ধি অপরিহার্য।

৩. একটি বাস্তব উদাহরণ: ই-গভর্নমেন্ট সিস্টেমে সিস্টেম থিংকিংয়ের প্রয়োজনীয়তা

ই-জিপি (e-GP) ও সরকারি ডিজিটাল সিস্টেম নিয়ে কাজ করার অভিজ্ঞতা থেকে একটি সাধারণ উদাহরণ দিই। ধরা যাক, একটি সরকারি ক্রয় প্রক্রিয়ায় দ্রুততা আনতে AI দিয়ে টেন্ডার যাচাইকরণ স্বয়ংক্রিয় করা হলো। শুধু এই একটি অংশে মনোযোগ দিলে মনে হবে দারুণ সিদ্ধান্ত — সময় বাঁচছে, মানুষের ভুল কমছে। কিন্তু সিস্টেম থিংকিং প্রয়োগ করলে প্রশ্ন আসবে — এই স্বয়ংক্রিয়তা কি জবাবদিহিতার শৃঙ্খল (Audit Trail) দুর্বল করে দিচ্ছে? কোনো ভুল সিদ্ধান্তের জন্য দায়ী কে থাকবে — AI, নাকি যে কর্মকর্তা তা অনুমোদন করলেন? প্রান্তিক এলাকার সরবরাহকারীরা, যাদের ডিজিটাল প্রবেশাধিকার সীমিত, তারা কি এই পরিবর্তনে পিছিয়ে পড়বেন?

এই প্রশ্নগুলো কোনো AI মডেল নিজে থেকে তুলবে না — কারণ এগুলো টেকনিক্যাল সমস্যা নয়, সিস্টেমিক সমস্যা। একজন সিস্টেম থিঙ্কার হিসেবে দায়িত্ব হলো, প্রযুক্তিগত সমাধানের পাশাপাশি এর সামাজিক, প্রাতিষ্ঠানিক ও দীর্ঘমেয়াদী প্রভাবগুলো আগে থেকেই বিবেচনায় আনা — যাতে একটি অংশ উন্নত করতে গিয়ে অন্য অংশ ভেঙে না পড়ে।

৪. আমার অভিজ্ঞতা: একজন সিস্টেম আর্কিটেক্ট হিসেবে যা শিখেছি

AI ও সিস্টেমস আর্কিটেক্ট হিসেবে কাজ করার সময় আমি বারবার দেখেছি, একটি প্রকল্পের সবচেয়ে বড় ব্যর্থতাগুলো প্রযুক্তিগত ভুলের কারণে হয় না — হয় কারণ কেউ একটি পরিবর্তনের পুরো প্রভাব আগে থেকে বিবেচনা করেনি। একটি নতুন ফিচার যোগ করলে সার্ভারে চাপ বাড়ে, ডেটাবেসে নতুন নির্ভরতা তৈরি হয়, ব্যবহারকারীর অভ্যাস বদলাতে হয়, প্রশিক্ষণের প্রয়োজন হয় — এই সবকিছু একসাথে বিবেচনা না করলে, প্রতিটি "উন্নতি" আসলে নতুন সমস্যার জন্ম দেয়।

যারা শুধু নিজের নির্দিষ্ট কাজটুকু নিয়ে ভাবেন, তারা ভালো টাস্ক সম্পন্নকারী হতে পারেন। কিন্তু যারা প্রশ্ন করেন — "এই পরিবর্তনটি সম্পূর্ণ সিস্টেমে, ছয় মাস পরে, কী প্রভাব ফেলবে?" — তারাই দীর্ঘমেয়াদে টেকসই সমাধান তৈরি করেন। AI যত শক্তিশালী হচ্ছে, এই দূরদৃষ্টিসম্পন্ন চিন্তাভাবনার গুরুত্ব ততই বাড়ছে, কারণ AI নিজে থেকে এই ধরনের প্রশ্ন তোলে না — এটি তোলার দায়িত্ব মানুষের।

৫. সমস্যা সমাধান বনাম সিস্টেম থিংকিং

দুটো দক্ষতাই গুরুত্বপূর্ণ, কিন্তু তারা ভিন্ন স্তরে কাজ করে — একটি ছাড়া আরেকটি অসম্পূর্ণ:

বাস্তবে সফল হতে হলে দুটোই দরকার — কিন্তু যেহেতু AI ক্রমশ প্রথমটি (সমস্যা সমাধান) নিজেই করে ফেলছে, দ্বিতীয়টি (সিস্টেম থিংকিং) হয়ে উঠছে মানুষের সবচেয়ে বড় প্রতিযোগিতামূলক সুবিধা।

৬. সরু দৃষ্টিভঙ্গির কিছু সাধারণ লক্ষণ

সিস্টেম থিংকিংয়ের অভাব বোঝার সবচেয়ে সহজ উপায় হলো, তার বিপরীত — সরু দৃষ্টিভঙ্গি (Narrow Thinking) — কীভাবে প্রকাশ পায় তা লক্ষ্য করা। প্রতিষ্ঠান ও প্রকল্পে বারবার একই ধরনের প্যাটার্ন দেখা যায়:

• একটি মেট্রিক অপ্টিমাইজ করে অন্যগুলো উপেক্ষা করা — যেমন, শুধু গতির পেছনে ছুটে নির্ভুলতা বা নিরাপত্তাকে গুরুত্ব না দেওয়া।
• বিভাগগুলোকে বিচ্ছিন্ন দ্বীপ হিসেবে দেখা — একটি টিমের সিদ্ধান্ত আরেকটি টিমের কাজকে কীভাবে প্রভাবিত করবে তা বিবেচনায় না নেওয়া।
• স্বল্পমেয়াদী সাফল্যকে উদযাপন করা, অথচ তা দীর্ঘমেয়াদে কতটা প্রযুক্তিগত বা প্রাতিষ্ঠানিক ঋণ তৈরি করছে তা যাচাই না করা।
• দ্বিতীয়-স্তরের প্রভাব উপেক্ষা করা — একটি সিদ্ধান্তের সরাসরি ফলাফল দেখেই সন্তুষ্ট থাকা, তার ঘুরপথে আসা প্রভাব বিবেচনা না করা।
• প্রতিক্রিয়াশীল সিদ্ধান্ত নেওয়া — সমস্যা দেখা দেওয়ার পর সমাধান করা, তার বদলে আগে থেকে সম্ভাব্য ঝুঁকি চিহ্নিত করে প্রস্তুতি নেওয়া।

এই লক্ষণগুলো প্রায়ই স্বল্প মেয়াদে ভালো ফলাফল দেয় বলেই বিপজ্জনক — সমস্যাটা ধরা পড়ে অনেক পরে, যখন তা ঠিক করা অনেক বেশি ব্যয়বহুল হয়ে যায়।

৭. কীভাবে সিস্টেম থিংকিং দক্ষতা গড়ে তুলবেন?

• প্রতিটি সিদ্ধান্তের আগে থামুন: শুধু "এটা কি কাজ করবে?" নয়, বরং "এটা কাদের প্রভাবিত করবে, এবং কীভাবে?" প্রশ্ন করার অভ্যাস গড়ুন।
• বড় ব্যর্থতার গল্প পড়ুন: বড় প্রকল্প বা প্রতিষ্ঠান কেন ব্যর্থ হয়েছে, তার বিশ্লেষণ পড়লে বোঝা যায় কীভাবে ছোট একটি সিদ্ধান্ত পুরো সিস্টেমকে প্রভাবিত করতে পারে।
• বিভিন্ন বিষয়ে জ্ঞান রাখুন: শুধু নিজের কারিগরি ক্ষেত্রে সীমাবদ্ধ না থেকে ব্যবসা, মনোবিজ্ঞান, অর্থনীতি বা নীতিনির্ধারণ সম্পর্কে ধারণা রাখুন — সিস্টেম কখনো একক ক্ষেত্রে সীমাবদ্ধ থাকে না।
• ফিডব্যাক লুপ চিনুন: লক্ষ্য করুন, কোনো একটি পরিবর্তন কীভাবে ঘুরেফিরে আবার নিজের ওপর প্রভাব ফেলে — এটাই সিস্টেম থিংকিংয়ের মূল ভিত্তি।

যে দক্ষতা AI কখনো প্রতিস্থাপন করতে পারবে না

AI ক্রমশ আরও শক্তিশালী হবে, আরও বেশি কাজ নিজে সম্পন্ন করবে। কিন্তু একটি জিনিস বদলাবে না — পুরো সিস্টেমের প্রতি দায়বদ্ধতা, দূরদৃষ্টি এবং একাধিক দৃষ্টিকোণ থেকে প্রভাব বিচার করার ক্ষমতা এখনো, এবং সম্ভবত ভবিষ্যতেও, মানুষের হাতেই থাকবে। যারা এই দক্ষতায় এখন থেকে বিনিয়োগ করবেন, তারাই AI যুগে সবচেয়ে মূল্যবান ভূমিকা পালন করবেন — শুধু কাজ সম্পন্নকারী হিসেবে নয়, বরং দিকনির্দেশনাকারী হিসেবে।

তাই পরের বার কোনো সিদ্ধান্ত নেওয়ার আগে, শুধু "এটা কি কাজ করবে?" নয় — নিজেকে জিজ্ঞাসা করুন, "এটা পুরো সিস্টেমে কী প্রভাব ফেলবে?" এই একটি অভ্যাসই একজন টাস্ক-সম্পন্নকারীকে একজন প্রকৃত সিস্টেম থিঙ্কারে রূপান্তরিত করে।