AI-संचालित स्वचालन वास्तव में नौकरियों को कैसे प्रभावित करेगा?

AI-संचालित स्वचालन वास्तव में नौकरियों को कैसे प्रभावित करेगा?

एलेक्स इमास और सौमित्र शुक्ला द्वारा इलेक्ट्रिसिटी के भूतों के माध्यम से लिखित,

AI नीति में सबसे व्यापक रूप से उद्धृत निष्कर्षों में से एक एलौंडौ, मैनिंग, मिश्किन और रॉक द्वारा 2023 के एक पेपर से आता है जिसका शीर्षक "GPTs are GPTs" है। शीर्षक एक अच्छा दोहरा अर्थ है: यह पेपर अध्ययन करता है कि बड़े भाषा मॉडल (GPTs भी) द्वारा संचालित सामान्य-उद्देश्य वाली प्रौद्योगिकियां (GPTs) श्रम बाजार को कैसे नया आकार दे सकती हैं। मुख्य निष्कर्ष यह है कि अमेरिका के लगभग 80% श्रमिकों के कम से कम 10% कार्यों को LLMs द्वारा प्रभावित किया जा सकता है, और लगभग 19% के आधे या अधिक कार्यों को प्रभावित किया जा सकता है। मोटे तौर पर, ये एक्सपोजर उपाय यह पकड़ने की कोशिश करते हैं कि पेशा AI के प्रति कितना "खुला" है, इस आधार पर कि क्या AI नौकरी में शामिल कार्यों को बढ़ा सकता है: प्रत्यक्ष एक्सपोजर को "यह है कि क्या LLM या LLM-संचालित प्रणाली तक पहुंच एक मानव द्वारा एक विशिष्ट DWA करने या 50% तक के कार्य को पूरा करने के लिए आवश्यक समय को कम कर देगी।" लेखक इस बात पर स्पष्ट हैं: एक्सपोजर AI की नौकरी में शामिल होने की क्षमता से मेल खाता है, न कि उस हद तक जिस हद तक नौकरी को स्वचालित किया जा सकता है। लेकिन "एक्सपोजर" शब्द अंततः विस्थापन के बारे में सभी प्रकार की चिंताओं को जन्म देता है। और शायद इसी कारण से, ये AI एक्सपोजर उपाय पिछले कुछ महीनों में सोशल मीडिया पर नियमित रूप से वायरल हुए हैं।

एक हालिया उदाहरण आंद्रेज कार्पाथी का है, जो OpenAI के सह-संस्थापकों में से एक हैं और सामान्य तौर पर AI के बारे में सोचने के तरीके में एक नेता हैं (उदाहरण के लिए, उन्होंने "जैगड इंटेलिजेंस" और "वाइब कोडिंग" दोनों शब्दों को गढ़ा है)। उनका डैशबोर्ड, जिसे उन्होंने "वाइब-कोडेड" वीकेंड प्रोजेक्ट के रूप में वर्णित किया, AI-संचालित स्वचालन के प्रति प्रमुख व्यवसायों के खुले होने का एक रैंकिंग था। यह X पर तेजी से वायरल हुआ, क्योंकि इसने AI के कारण तेजी से नौकरी छूटने के बारे में पहले से मौजूद सभी आख्यानों को बढ़ावा दिया।

डैशबोर्ड को सनसनीखेज और जंगल की आग की तरह फैलते हुए देखने के बाद, कार्पाथी ने स्पष्ट किया कि उनका "एक्सपोजर" स्कोरकार्ड एक त्वरित, LLM-जनित माप पर आधारित था कि नौकरी कितनी डिजिटल है, और इसका कभी भी यह भविष्यवाणी करने का इरादा नहीं था कि कौन से व्यवसाय सिकुड़ेंगे या गायब हो जाएंगे। जबकि उनके स्वयं के प्रोजेक्ट वेबसाइट ने वही चेतावनी दी थी, इसे X पर काफी हद तक नजरअंदाज कर दिया गया था। प्रसिद्ध वाक्यांश को बिगाड़ने के लिए: "एक वाइब कोडेड वीकेंड प्रोजेक्ट दुनिया भर में दो बार यात्रा करेगा, इससे पहले कि चेतावनी को अपने पैंट पहनने का समय मिले।"
हालांकि, यह हालिया प्रकरण दर्शाता है कि ऐसे एक्सपोजर उपायों ने जनता का ध्यान आकर्षित किया है लेकिन नियमित रूप से गलत पढ़े जाते हैं (कुछ लोग "एक्सपोजर" शब्द पर पूर्ण रोक लगाने का प्रस्ताव करते हैं)। जब लोग सुनते हैं कि कोई नौकरी AI के प्रति "80% उजागर" है, तो वे उस नौकरी के 80% गायब होने की कल्पना करते हैं। AI एक्सपोजर और नौकरी के नुकसान की वास्तविक अर्थशास्त्र उस लक्षण वर्णन से बहुत दूर हैं।

"नौकरी" क्या है?

एक नौकरी कार्यों का एक सेट है; एक व्यक्ति को आमतौर पर नौकरी से जुड़े सभी कार्यों को कितनी अच्छी तरह पूरा करता है, उसके आधार पर भुगतान किया जाता है। तो मान लीजिए कि आप एक परियोजना प्रबंधक हैं। आपकी नौकरी में विचारों को उत्पन्न करना, उन विचारों को संक्षेप में रेखांकित करना और टीम के सदस्यों से प्रतिक्रिया प्राप्त करना, प्रस्तुतियाँ तैयार करना और बहुत सारे नियमित काम (जैसे, समय पत्रक को मंजूरी देना, लॉजिस्टिक्स को संभालना) जैसे कई कार्य शामिल हैं। जैसे-जैसे AI मॉडल बेहतर होते जाते हैं, आपको एहसास होता है कि आप इनमें से कई चीजों को स्वचालित कर सकते हैं: AI आपके लिए बहुत सारा नियमित काम कर सकता है, और प्रस्तुतियों को तैयार करने में भी आपकी मदद कर सकता है। एक्सपोजर उपाय के अनुसार, आपकी नौकरी अब AI के प्रति "खुली" है। आपकी नौकरी का क्या होता है और आपके वेतन का क्या होता है? खैर, यदि कुछ कार्यों को स्वचालित करने से बेहतर विचार उत्पन्न करने के लिए समय मुक्त हो जाता है, तो आपकी समग्र उत्पादकता बढ़ जाती है - आप फर्म के लिए और भी अधिक मूल्यवान हो जाते हैं। मनुष्य अभी भी नियोजित हैं और यदि कुछ भी हो तो वेतन बढ़ जाता है।

दूसरी ओर, यदि AI सभी कार्यों को स्वचालित करता है - मान लीजिए कि आपकी नौकरी में केवल दो कार्य शामिल हैं और वे दोनों स्वचालित हो जाते हैं - तो हाँ, मानव श्रम विस्थापित हो जाएगा। महत्वपूर्ण बात यह है कि, कार्यों की संख्या जितनी कम होती है (जिसे हम नौकरी की आयामीता कहते हैं), कंपनी के लिए इसे पहले स्थान पर स्वचालित करने का प्रोत्साहन उतना ही अधिक होता है। यह वह हिस्सा है जिसे स्वचालन पर अधिकांश विश्लेषण चूक जाते हैं: एक मौजूदा संगठन में AI को अपनाना महंगा है, इसलिए फर्म निवेश करने की अधिक संभावना रखेगी यदि वह नौकरी को स्वचालित कर सकती है, न कि केवल कार्य को। "एक्सपोजर" और स्वचालन का जोखिम केवल मॉडल क्षमताओं का एक कार्य नहीं है, यह फर्म के प्रोत्साहनों पर भी निर्भर करता है। और यह काल्पनिक नहीं है: हमारे पास अब पर्याप्त सबूत हैं कि ऐसे प्रोत्साहन स्वचालन और कब के लिए बहुत मायने रखते हैं (उदाहरण के लिए, जब मानव श्रम की लागत बढ़ती है तो फर्मों द्वारा स्वचालित होने की अधिक संभावना होती है)।

अंत में, भले ही AI लोगों को अधिक उत्पादक बनाता है और उच्च वेतन देता है, फिर भी उस क्षेत्र में बड़े पैमाने पर छंटनी हो सकती है यदि उपभोक्ता बढ़ी हुई उत्पादकता को "अवशोषित" नहीं करते हैं: यदि उत्पादकता-संचालित मूल्य में गिरावट से उत्पाद की मांग नहीं बढ़ती है, तो उस क्षेत्र में कम श्रमिकों की आवश्यकता होगी।

अधिक सामान्य तौर पर, AI के प्रति उजागर कार्य - भले ही वह एक्सपोजर उस कार्य के पूर्ण स्वचालन के अनुरूप हो - संभावित रूप से उस व्यवसाय के लिए उच्च वेतन और अधिक भर्ती का कारण बन सकता है। या यह छंटनी और पूर्ण विस्थापन का कारण बन सकता है। चाहे एक्सपोजर श्रमिकों के लिए बेहतर या बदतर श्रम बाजार परिणामों की ओर ले जाता है, यह दो प्रमुख चर पर निर्भर करता है: उस क्षेत्र में उपभोक्ता मांग की लोच (कीमतें कम होने पर लोग उत्पाद का कितना अधिक खरीदते हैं), और नौकरी की आयामीता (उस नौकरी में कितने कार्य शामिल हैं)। जैसा कि हम आपको इस टुकड़े के अंत तक समझाने की उम्मीद करते हैं, हमें ट्रकिंग और वेयरहाउसिंग जैसी नौकरियों के बारे में वर्तमान में हम जितना चिंतित हैं, उससे कहीं अधिक चिंतित होना चाहिए।

स्वचालन के लिए मानक दृष्टिकोण

आइए स्वचालन के बारे में सोचने के "मानक" दृष्टिकोण से शुरू करें। सबसे पहले, हम O*NET जैसे वर्गीकरण का उपयोग करके नौकरियों को कार्यों में विभाजित करते हैं, फिर मूल्यांकन करते हैं कि उन कार्यों में से कितने को AI द्वारा स्वचालित या संवर्धित किया जा सकता है। नौकरी पर कुल प्रभाव प्रत्येक कार्य में सुधार की मात्रा का भारित औसत है, जिसका अर्थ है कि आप एक "एक्सपोजर इंडेक्स" बना सकते हैं - जिसे आमतौर पर नौकरी के कितने प्रतिशत कार्य AI कर सकता है? - और वह सूचकांक रैखिक रूप से प्रभावित नौकरी में मैप करता है (देखें, उदाहरण के लिए, माइकल वेब का पहले से ही क्लासिक पेपर)। यह दृष्टिकोण AI की संभावित पहुंच के परिदृश्य को मैप करने के लिए बहुत उपयोगी रहा है। लेकिन इसमें एक धारणा है जो अधिकांश वास्तविक दुनिया की नौकरियों के लिए लगभग निश्चित रूप से गलत है: यह मानता है कि कार्य अलग-अलग हैं। यानी, कार्य A को स्वचालित करने का कार्य B की उत्पादकता पर कोई प्रभाव नहीं पड़ता है, और समग्र प्रभाव केवल भागों का योग है।

आपके द्वारा जानी जाने वाली नौकरियों पर विचार करें। बहुत सारे हैं जहाँ आउटपुट कई अलग-अलग चीजें सही करने में से है, न कि केवल उनमें से कुछ। आप एक ऐसे रसोइए को नहीं रख सकते जो नुस्खा के अधिकांश चरणों का पालन करता है, एक ड्रमर जो ज्यादातर बीट पर है, एक प्रोग्रामर जिसका कोड केवल आंशिक रूप से काम करता है (या, उस मामले के लिए, एक प्रोफेसर जो नौकरी का केवल आधा शोध करता है... हालांकि कुछ ने इस आवश्यकता का परीक्षण किया है)। ये ऐसी नौकरियां हैं जहाँ आउटपुट स्वीकार्य होने के लिए प्रत्येक कार्य को सफलतापूर्वक पूरा किया जाना चाहिए।

दूसरे शब्दों में, कार्य अलग-अलग नहीं हैं; वे पूरक हैं, यानी, एक कार्य को सही या गलत करना इस बात को प्रभावित करता है कि आप इसे पूरा करने के लिए नौकरी में दूसरों को कितनी अच्छी तरह कर सकते हैं। यह कि नौकरी के भीतर कार्य पूरक के बजाय विकल्प हैं, अधिकांश वास्तविक दुनिया के उत्पादन के लिए काफी प्रशंसनीय लगता है। और इसके AI वास्तव में नौकरियों को कैसे प्रभावित करेगा, इस पर महत्वपूर्ण निहितार्थों की एक विस्तृत श्रृंखला है।

नौकरियों का ओ-रिंग मॉडल

यह विचार कि पूरक कार्य गैर-रैखिक उत्पादकता बनाते हैं, माइकल क्रेमर के क्लासिक 1993 के पेपर, "द ओ-रिंग थ्योरी ऑफ इकोनॉमिक डेवलपमेंट" से वापस जाता है। नाम दुखद चैलेंजर आपदा से आता है: एक एकल दोषपूर्ण ओ-रिंग ने पूरे सिस्टम की विनाशकारी विफलता का कारण बना। क्रेमर की अंतर्दृष्टि यह थी कि यदि उत्पादन के लिए कई चरणों की आवश्यकता होती है, और अंतिम उत्पाद का मूल्य होने के लिए प्रत्येक चरण को अच्छी तरह से किया जाना चाहिए, तो उत्पादकता कौशल का एक रैखिक कार्य होने के बजाय एक गुणक कार्य बन जाती है। एक कार्यकर्ता जो प्रति कार्य थोड़ा कम त्रुटियां करता है, वह समग्र रूप से काफी अधिक उत्पादक होगा, क्योंकि वे छोटी गुणवत्ता लाभ हर कदम पर जमा होते हैं।

नौकरियों के इस कार्य-आधारित मॉडल को जोशुआ गैंस और एव गोल्डफार्ब के हालिया पेपर, "ओ-रिंग ऑटोमेशन" के साथ नई प्रासंगिकता मिली है, जो क्रेमर के ढांचे को सीधे AI-संचालित स्वचालन पर लागू करता है। जबकि उनका मॉडल पहली नज़र में सरल लग सकता है, इसके निहितार्थ दूरगामी और गहरे हैं। कम से कम हम में से एक (एलेक्स) महीनों से इस पेपर के प्रति जुनूनी है (यहां, यहां और यहां देखें)।

गैंस और गोल्डफार्ब एक फर्म का मॉडल बनाते हैं जहाँ प्रत्येक कार्यकर्ता की नौकरी में n कार्य होते हैं। नौकरी का आउटपुट प्रत्येक कार्य की गुणवत्ता में गुणक है - यह ओ-रिंग उत्पादन फ़ंक्शन है:

एक कार्यकर्ता के पास h का समय अनुदान होता है और वह इसे n कार्यों में आवंटित करता है। यदि कार्य s मैन्युअल रूप से किया जाता है, तो कार्यकर्ता उस पर h_s घंटे खर्च करता है और गुणवत्ता उत्पन्न करता है:

जहाँ a श्रम उत्पादकता है, जिसे कार्यों में स्थिर माना जाता है (एक सरलीकरण धारणा)। कार्यकर्ता की समय सीमा है:

फर्म किसी भी कार्य को प्रति कार्य r लागत पर निश्चित गुणवत्ता θ प्रदान करने वाली पूंजी का एक टुकड़ा किराए पर लेकर स्वचालित करने का विकल्प भी चुन सकती है। यह ध्यान देने योग्य मुख्य भाग है: क्या फर्म किसी कार्य को स्वचालित करने में निवेश करती है, यह इस समस्या में निहित ट्रेड-ऑफ पर निर्भर करता है। एक बार जब कोई कार्य स्वचालित हो जाता है, तो कार्यकर्ता को उस पर कोई समय खर्च करने की आवश्यकता नहीं होती है।

अब तक सेटअप काफी सरल है। दिलचस्प हिस्सा यह है कि उत्पादन फ़ंक्शन की गुणक संरचना स्वचालन के तस्वीर में आने के बाद क्या दर्शाती है।

स्वचालन मजदूरी कैसे बढ़ा सकता है?

अब मान लीजिए कि एक फर्म n कार्यों में से k को स्वचालित करने का विकल्प चुनती है। कार्यकर्ता का क्या होता है, और यह मजदूरी को कैसे प्रभावित करता है?

स्वचालन से पहले, कार्यकर्ता सभी n कार्यों में समान रूप से समय आवंटित करता है, जो सममित संरचना को देखते हुए इष्टतम है। इसलिए प्रत्येक मैन्युअल कार्य h/n घंटे प्राप्त करता है और गुणवत्ता a · h/n उत्पन्न करता है। कुल आउटपुट है:

k कार्यों को गुणवत्ता θ पर स्वचालित करने के बाद, कार्यकर्ता के पास अब केवल n - k शेष मैन्युअल कार्यों में आवंटित करने के लिए सभी h घंटे हैं। प्रत्येक मैन्युअल कार्य अब h/(n-k) घंटे प्राप्त करता है, जो गुणवत्ता a · h/(n-k) उत्पन्न करता है। कुल आउटपुट बन जाता है:

इसलिए आउटपुट आंशिक स्वचालन के बाद तभी बढ़ता है जब:

यह एक महत्वपूर्ण शर्त है जो बताती है कि यदि स्वचालित कार्य गुणवत्ता θ कार्यकर्ता की मूल पूर्व-स्वचालन मैन्युअल गुणवत्ता के बराबर या उससे अधिक है, तो आउटपुट निश्चित रूप से बढ़ता है। आउटपुट केवल इसलिए नहीं बढ़ता क्योंकि कुछ कार्य स्वचालित हो जाते हैं; यह तब बढ़ता है जब स्वचालन की गुणवत्ता पर्याप्त रूप से उच्च होती है।

लेकिन यहाँ मुख्य अंतर्दृष्टि है: क्योंकि स्वचालन कार्यकर्ता को शेष कार्यों पर अधिक समय केंद्रित करने के लिए भी मुक्त करता है, आउटपुट बढ़ सकता है, भले ही स्वचालित कार्य कार्यकर्ता द्वारा स्वचालन से पहले मूल रूप से प्राप्त की गई गुणवत्ता से थोड़ी कम गुणवत्ता पर किए जाते हों। स्वचालन कार्यकर्ता को कम कार्यों पर ध्यान केंद्रित करने देता है, प्रत्येक की गुणवत्ता बढ़ाता है। यह "फोकस प्रभाव" है। उत्पादन फ़ंक्शन के कार्यात्मक रूप के कारण, शेष मैन्युअल कार्यों पर उच्च गुणवत्ता केवल आउटपुट में नहीं जुड़ती है - यह उत्पादन फ़ंक्शन के माध्यम से गुणा होती है। कार्यकर्ता ठीक इसलिए अधिक उत्पादक हो जाता है क्योंकि वे कम चीजें कर रहे हैं।

जब स्वचालन गुणवत्ता उन कार्यों पर कार्यकर्ता द्वारा मैन्युअल रूप से उत्पादित की जा रही गुणवत्ता की तुलना में पर्याप्त रूप से उच्च होती है, तो कार्यकर्ता का सीमांत उत्पाद बढ़ता है - और इसलिए (आम तौर पर) उनका वेतन बढ़ता है। ओ-रिंग की दुनिया में आंशिक स्वचालन अक्सर मानव श्रम का विकल्प होने के बजाय उसका पूरक होता है, जो कार्यकर्ता के वेतन को बढ़ाता है।

लेकिन यह जरूरी नहीं कि श्रम के लिए अच्छी खबर हो

उच्चतर कार्यकर्ता उत्पादकता मजदूरी के लिए अच्छी है, लेकिन क्या इससे अधिक या कम नौकरियां पैदा होती हैं? यह उपभोक्ता मांग पर निर्भर करता है। प्रत्येक कार्यकर्ता एक दिन में एक कैलकुलेटर बनाता है और फर्म के पास 10 कार्यकर्ता होते हैं। सभी कैलकुलेटर प्रचलित मूल्य पर बिकते हैं। अब कल्पना कीजिए कि प्रत्येक कार्यकर्ता बहुत अधिक उत्पादक हो जाता है ताकि प्रत्येक कार्यकर्ता 10 कैलकुलेटर बना सके। प्रत्येक कैलकुलेटर की कीमत गिर जाती है (लागत गिर जाती है), लेकिन उपभोक्ता अभी भी लगभग उतनी ही संख्या में कैलकुलेटर की मांग करते हैं। यह अकुशल मांग का मामला है - जो कीमतों पर ज्यादा प्रतिक्रिया नहीं करती है। अब फर्म 9 श्रमिकों को निकाल देगी। लेकिन क्या होगा यदि उपभोक्ता कम कीमतों पर बहुत अधिक कैलकुलेटर खरीदते हैं, यानी मांग बहुत लोचदार है। तो फर्म वास्तव में अधिक श्रमिकों को काम पर रखने का अंत करेगी ताकि इस नई मांग को पूरा किया जा सके, इस तथ्य के बावजूद कि वे अधिक उत्पादक हैं।

अधिक सामान्य तौर पर, यदि मांग लोचदार है (लोच > 1), तो मूल्य में कमी से मात्रा में मांग में आनुपातिक वृद्धि से अधिक वृद्धि होती है। आउटपुट बहुत बढ़ता है। फर्म को इस उच्च आउटपुट का उत्पादन करने के लिए अधिक श्रमिकों की आवश्यकता होती है, भले ही प्रत्येक कार्यकर्ता अब अधिक उत्पादक हो। शुद्ध प्रभाव: अधिक भर्ती।

यदि मांग अकुशल है (लोच

यह जेवन्स के विरोधाभास के रूप में लोकप्रिय विचार से निकटता से संबंधित है: जब कोई संसाधन उपयोग करने के लिए अधिक कुशल हो जाता है, तो उस संसाधन की कुल खपत अक्सर घटती नहीं बल्कि बढ़ती है। जब भाप इंजन ने कोयले को अधिक कुशल बना दिया, तो कोयले की खपत आसमान छू गई क्योंकि इतने सारे नए अनुप्रयोग आर्थिक रूप से व्यवहार्य हो गए। वही तर्क श्रम पर लागू होता है: यदि AI किसी कार्यकर्ता को काफी अधिक उत्पादक बनाता है, और उस उत्पाद की मांग लोचदार है, तो उस व्यवसाय में कम के बजाय अधिक श्रमिकों का अंत हो सकता है।

नौकरी की आयामीता क्यों मायने रखती है: फर्म के प्रोत्साहनों का मामला

कार्यों और उपभोक्ता मांग की लोच के बीच संबंध AI-संचालित विस्थापन की भविष्यवाणी के लिए एक महत्वपूर्ण आयाम है, लेकिन एक चर जिसे अक्सर अनदेखा किया जाता है वह नौकरी में कार्यों की संख्या है, यानी, इसकी आयामीता। नौकरी की आयामीता दो कारणों से मायने रखती है।

पहला, किसी कार्य के स्वचालित होने की शर्त पर, कम-आयामी नौकरी के पूरी तरह से विस्थापित होने की अधिक संभावना है। यदि किसी नौकरी में 20 कार्य हैं और एक स्वचालित हो जाता है, तो मानव कार्यकर्ता को अभी भी अन्य 19 कार्यों को करने की आवश्यकता है। लेकिन अगर किसी नौकरी में एक कार्य है और एक कार्य स्वचालित हो जाता है, तो वह नौकरी चली जाती है। दूसरा - और यह आयाम शायद सबसे अधिक अनदेखा किया गया है - संगठनों के पास कार्यों को स्वचालित करने का एक मजबूत प्रोत्साहन होता है, जितने कम गैर-स्वचालित कार्य नौकरी में बचे रहते हैं। कल्पना कीजिए कि किसी कार्य को स्वचालित करने के लिए $10 मिलियन डॉलर के निवेश की आवश्यकता होती है (सॉफ्टवेयर खरीदना, ऑनबोर्डिंग, इसे सिस्टम के बाकी हिस्सों से जोड़ना, आदि)। एक मामले में, यह कार्य नौकरी में बचा हुआ एकमात्र गैर-स्वचालित कार्य है; दूसरे मामले में, यदि यह कार्य स्वचालित हो जाता है, तो 19 अन्य गैर-स्वचालित कार्य बचे रहते हैं। फर्म के पास पहले मामले की तुलना में दूसरे मामले में कार्य को स्वचालित करने का कहीं अधिक प्रोत्साहन है क्योंकि यह तब कार्यकर्ता को बदल सकता है और इसमें शामिल लागत बचत का लाभ उठा सकता है।1

इसकी वजह से, फर्मों के पास कम आयामी नौकरियों को स्वचालित करने के लिए प्रौद्योगिकी में निवेश करने का एक मजबूत प्रोत्साहन होता है। कम आयामी नौकरी में, सभी या अधिकांश मुख्य कार्यों को स्वचालित करने से स्थिति और मजदूरी बिल पूरी तरह से समाप्त हो सकता है। इससे स्वचालन पर रिटर्न बहुत बड़ा हो जाता है। दूसरे शब्दों में, सभी "असुरक्षित" कार्य समान रूप से मायने नहीं रखते हैं: कुछ नौकरियों में शेष कार्य अभी भी मौजूदा कार्यकर्ता को फर्म में रखते हैं; दूसरों में वे नहीं करते।

यह एक स्पष्ट भविष्यवाणी देता है: भले ही कोई नौकरी वर्तमान में AI के प्रति "खुली" न हो, इस अर्थ में कि AI का उपयोग इसमें शामिल कार्यों के लिए नहीं किया जा रहा है, यदि यह कम आयामी है और प्रौद्योगिकी उन कार्यों को स्वचालित करने के करीब पहुंच रही है, तो इसे जोखिम में माना जाना चाहिए। फर्म उन कार्यों को स्वचालित करने के लिए कड़ी मेहनत करेगी और अधिक निवेश करेगी, उन मामलों की तुलना में जहां नौकरियों में कई गैर-स्वचालित कार्य होते हैं।

ट्रकिंग और वेयरहाउसिंग, अनदेखे कोयले की खान में कैनरी

यही कारण है कि हमें लगता है कि लोगों को ट्रकिंग और वेयरहाउसिंग जैसी नौकरियों के बारे में अधिक चिंतित होना चाहिए।

लगभग 3 मिलियन अमेरिकी जीवित रहने के लिए ट्रक चलाते हैं। कई 50 के दशक में हैं, दशकों से गाड़ी चला रहे हैं, और ऐसे समुदायों में रहते हैं जहाँ ट्रकिंग एक आर्थिक रीढ़ है। ट्रकिंग कॉलेज की डिग्री के बिना प्राप्त की जा सकने वाली सबसे अच्छी नौकरियों में से एक है। एक लंबी दूरी के ट्रक चालक के वास्तविक काम पर कुछ मुख्य कार्यों का प्रभुत्व होता है: ट्रक को सुरक्षित रूप से बिंदु ए से बिंदु बी तक ले जाना। लॉजिस्टिक्स, लोडिंग/अनलोडिंग, आदि सभी दूसरों द्वारा किए जाते हैं। यदि स्वायत्त ड्राइविंग लंबी दूरी के मार्गों पर विश्वसनीय हो जाती है, तो ट्रक चालक की नौकरी केवल संवर्धित नहीं हो रही है; यह मौलिक रूप से खतरे में है और पूरी तरह से विस्थापित भी हो सकती है। और वह संभावना अब सैद्धांतिक नहीं है। ऑरोरा इनोवेशन और कोडीक रोबोटिक्स जैसी कंपनियां पहले से ही सीमित मार्गों पर बड़े पैमाने पर स्वायत्त ट्रकिंग पायलट और वाणिज्यिक परिनियोजन चला रही हैं। वेयरहाउसिंग एक समान कहानी कहता है। वेयरहाउसिंग लाखों अमेरिकी श्रमिकों को रोजगार देता है, और कई वेयरहाउस नौकरियों - पिकिंग, पैकिंग, सॉर्टिंग, पैलेट मूवमेंट - अपेक्षाकृत संकीर्ण और तेजी से स्वचालित हैं। विदेश में, फर्म पहले से ही अत्यधिक स्वचालित "डार्क वेयरहाउस" संचालित कर रही हैं जो न्यूनतम मानव श्रम के साथ चौबीसों घंटे चलते हैं। ये वेयरहाउस आज हम जो देखते हैं उससे बिल्कुल अलग दिखते हैं: वे मशीनों द्वारा चलाए जाने के लिए जमीन से ऊपर डिजाइन किए गए हैं।

अब इसकी तुलना एक ज्ञान कार्यकर्ता से करें, जैसे, एक प्रबंधन सलाहकार। नौकरी में अनुसंधान, डेटा विश्लेषण, ग्राहक संचार, प्रस्तुति डिजाइन, रणनीतिक तर्क, टीम समन्वय और संबंध प्रबंधन शामिल है। यह कम से कम सात या आठ अलग-अलग पूरक कार्य हैं। क्लाउड या कोडेक्स डेटा विश्लेषण और स्लाइड डेक निर्माण पर पहला पास स्वचालित कर सकते हैं, लेकिन सलाहकार अभी भी हर चीज के लिए आवश्यक है। ओ-रिंग शब्दों में, कुछ कार्यों को स्वचालित करने से शेष कार्यों को अधिक मूल्यवान बनाया जा सकता है, जिससे कार्यकर्ता उन्हें अधिक समय आवंटित कर सकता है - सलाहकार ग्राहक से बात करने और उन्हें कार्यान्वयन के साथ सहज बनाने, विभिन्न इकाइयों से समर्थन प्राप्त करने, आदि पर अधिक समय व्यतीत कर सकता है। परिणामस्वरूप, मजदूरी बढ़ सकती है, और यदि बेहतर आउटपुट और कम कीमतों से ग्राहक की मांग बढ़ती है तो रोजगार भी बढ़ सकता है।

आप चिकित्सा और शिक्षा जैसे कई उच्च-दांव वाले व्यवसायों में समान तर्क देख सकते हैं। अब 870 से अधिक एफडीए-अनुमोदित रेडियोलॉजी AI उपकरण हैं, और 66% डॉक्टर कम से कम एक AI टूल का उपयोग करते हैं, मुख्य रूप से नोट डिक्टेशन और डायग्नोस्टिक सहायता के लिए। लेकिन ये उपकरण रेडियोलॉजिस्ट और चिकित्सकों को बदल नहीं रहे हैं, बल्कि उन्हें संवर्धित कर रहे हैं। AI आमतौर पर नौकरी के नियमित पैटर्न पहचान पहलू को संभालता है, जिससे डॉक्टरों को जटिल मामलों, रोगी संचार और नैदानिक ​​निर्णय पर ध्यान केंद्रित करने के लिए मुक्त किया जाता है। इसी तरह, शिक्षाविद इस बात पर बहस कर रहे हैं कि क्या AI में प्रगति अनुसंधान सहायकों को अधिक या कम मूल्यवान बनाती है। जैसे-जैसे AI नियमित विश्लेषणात्मक कार्यों को स्वचालित करता है, प्रोफेसर और RA दोनों विचारों और निर्णय पर अधिक ध्यान केंद्रित कर सकते हैं, जिससे कुशल अनुसंधान श्रम के लिए आउटपुट और मांग का विस्तार होता है। यह व्यवहार में ओ-रिंग फोकस प्रभाव का एक और उदाहरण है।

हमारे लैब में भी ऐसा ही है। प्रत्येक अतिरिक्त सदस्य बहुत कुछ कर सकता है, चुनौती यह है कि सभी को गति में लाया जाए, इन उपकरणों का उपयोग करने के सर्वोत्तम तरीकों पर खुली चर्चा हो बनाम न हो और एक ऐसी संस्कृति का निर्माण किया जाए जहां लोग कम नहीं बल्कि अधिक मूल्यवान महसूस करें। https://t.co/0nEwUadRPF
— अभिषेक नागरज 🗺️ (@abhishekn) मार्च 18, 2026
एक्सपोजर इंडेक्स क्या कैप्चर करते हैं?

आइए इसे एक्सपोजर फ्रेमवर्क पर वापस लाएं। मानक दृष्टिकोण में, एक प्रबंधन सलाहकार AI के प्रति अत्यधिक "खुला" है जबकि एक ट्रक चालक नहीं है। लेकिन क्या इसका मतलब यह है कि सलाहकार ट्रक चालक की तुलना में उच्च विस्थापन जोखिम में है? जरूरी नहीं। सलाहकार का उच्च एक्सपोजर वास्तव में अच्छी खबर हो सकती है क्योंकि इसका मतलब है कि AI उनके कई पूरक कार्यों को बढ़ाएगा, फोकस प्रभाव को ट्रिगर करेगा और संभावित रूप से मजदूरी बढ़ाएगा। दूसरी ओर, एक एकल महत्वपूर्ण कार्य पर ट्रक चालक का मध्यम एक्सपोजर बहुत अधिक खतरनाक है क्योंकि ट्रकिंग कंपनियों के पास ड्राइविंग के कार्य को स्वचालित करने का बहुत अधिक प्रोत्साहन है, और एक बार ऐसा हो जाने के बाद, नौकरी भी चली जाती है। ये प्रोत्साहन पहले से ही व्यवहार में चल रहे हैं:

समाचार: जेफ बेजोस नई फंड के लिए $100 बिलियन जुटाने की बातचीत कर रहे हैं जो विनिर्माण कंपनियों को खरीद लेगा और AI तकनीक का उपयोग करके स्वचालन के उनके मार्ग को तेज करेगा।
यह जेफ के प्रोजेक्ट प्रोमेथियस AI स्टार्टअप से जुड़ा है, जिसका लक्ष्य इंजीनियरिंग के लिए AI उत्पाद बनाना है… pic.twitter.com/6zlXRQHhOY
— सॉयर मेरिट (@SawyerMerritt) मार्च 19, 2026
इसलिए प्रासंगिक वस्तु औसत कार्य एक्सपोजर नहीं है, बल्कि बाधाओं की संरचना है और स्वचालन कार्यकर्ता के समय को उनके चारों ओर कैसे पुन: आकार देता है। समान एक्सपोजर स्कोर वाली दो नौकरियों में पूरी तरह से विपरीत विस्थापन जोखिम हो सकते हैं, यह इस बात पर निर्भर करता है कि उनके कार्य पूरक हैं या नहीं, उनके आउटपुट की मांग लोचदार या अकुशल है या नहीं, और फर्म के स्वचालन में निवेश करने के प्रोत्साहन। सबसे बड़े जोखिम वाले श्रमिक जरूरी नहीं कि उच्चतम औसत एक्सपोजर वाले हों, बल्कि वे जिनके काम कुछ मुख्य कार्यों के आसपास बने हैं जिन्हें AI स्वचालित कर सकता है।

1 उन मामलों में जहां नौकरियां पूरी तरह से स्वचालित नहीं होती हैं, सीमांत कार्य को स्वचालित करने से लागत बचत अन्य कार्यों के बीच पूरकता पर निर्भर करेगी। सटीक संबंध स्वचालन पेपर के ओ-रिंग मॉडल में काम किया गया है।

एलेक्स इमास यूशिकागो बूथ में एक प्रोफेसर हैं। अर्थशास्त्र और अनुप्रयुक्त AI पर शोध कर रहे हैं। यहाँ सबस्टैक।

टायलर डर्डन
शनि, 04/04/2026 - 09:20