श्रम-बाज़ार के पूर्वानुमानों ने यह मान लिया है कि स्वचालन एक-एक करके कार्यों को हटाता है और व्यवसाय को खड़ा छोड़ देता है। एजेंटिक AI, जो संपूर्ण वर्कफ़्लो को पूरा करता है, उस धारणा को अमान्य कर देता है, और एक नया समग्र स्कोर, एजेंटिक टास्क एक्सपोज़र (ATE), यह मापने के लिए बनाया गया है जो पुराने ढाँचे नहीं माप सकते।
कार्यकारी सारांश
- स्वचालन के पहले के पूर्वानुमान, जिनमें ऑटर-लेवी-मर्नेन (Autor-Levy-Murnane) कार्य ढाँचे पर बने पूर्वानुमान शामिल हैं, एक धारणा साझा करते हैं: व्यवसाय शेष मानवीय कार्य के इर्द-गिर्द एक समन्वय आवरण के रूप में जीवित रहता है।
- एजेंटिक AI प्रणालियाँ चार मानदंडों को पूरा करती हैं: वे एक लक्ष्य विनिर्देश लेती हैं, स्वायत्त रूप से उपकरणों का चयन और आह्वान करती हैं, अनुमान चरणों (inference steps) में स्थिति (state) बनाए रखती हैं, और मध्यवर्ती चरणों में मानवीय हस्तक्षेप के बिना एक पूर्ण कार्य उत्पाद तैयार करती हैं।
- ATE स्कोर AI क्षमता स्कोर, वर्कफ़्लो कवरेज कारकों और लॉजिस्टिक अपनाने की गति को जोड़ता है। क्रेडिट विश्लेषक, न्यायाधीश और स्थिरता (sustainability) विशेषज्ञ 0.43-0.47 के ATE स्कोर तक पहुँचते हैं।
- शोधपत्र पाँच अमेरिकी प्रौद्योगिकी क्षेत्रों में छह प्रमुख व्यावसायिक समूहों में 236 SOC कोडों पर ATE लागू करता है, और खुद को विशेष रूप से एजेंटिक AI प्रणालियों को लक्षित करने वाले टास्क एक्सपोज़र ढाँचे के पहले बहु-क्षेत्रीय अनुभवजन्य अनुप्रयोग के रूप में वर्णित करता है।
- विस्थापन के साथ-साथ, शोधपत्र मानव-AI सहयोग, AI गवर्नेंस और डोमेन-विशिष्ट AI संचालन में केंद्रित सतरह उभरती हुई व्यावसायिक श्रेणियों की पहचान करता है।
वे पूर्वानुमान जो लक्ष्य से आगे निकल गए #
औद्योगिक रोबोटों ने विनिर्माण श्रमिकों को विस्थापित किया था। लेकिन उन्होंने यह उस समय-सीमा पर या उस पैमाने पर नहीं किया जिसका संकेत शुरुआती पूर्वानुमानों ने दिया था। यह वाक्य आजीविका के लिए श्रम-बाज़ार की भविष्यवाणियाँ पढ़ने वाले किसी भी व्यक्ति को थोड़ा सतर्क करने के लिए पर्याप्त होना चाहिए, क्योंकि यह एक पैटर्न का वर्णन करता है: दिशा सही थी और परिमाण गलत था।
इस साहित्य में सबसे प्रसिद्ध शीर्षक संख्या फ्रे और ऑस्बॉर्न (Frey and Osborne) से आती है, जिन्होंने विशेषज्ञों से समग्र "कम्प्यूटरीकरणीयता" (computerizability) पर 702 अमेरिकी व्यवसायों को स्कोर करने के लिए कहा था। उनका परिणाम यह था कि 47% व्यवसाय उच्च जोखिम में थे। यह एक चौंकाने वाला आँकड़ा है, और यह बहुत दूर तक गया।
आर्न्ट्ज़, ग्रेगरी और ज़िएराहन (Arntz, Gregory and Zierahn) ने फिर दिखाया कि क्या होता है जब विश्लेषण कार्य (task) स्तर पर उतरता है और नाममात्र रूप से प्रभावित व्यवसायों के भीतर कार्य विविधता (task heterogeneity) को ध्यान में रखता है। OECD देशों में उच्च-जोखिम के अनुमान गिरकर 9-14% रह जाते हैं। 47% और 9-14% के बीच की दूरी कोई पूर्णांकन (rounding) असहमति नहीं है। यह विश्लेषण की इकाई के बारे में एक विकल्प को दर्शाती है, और यह विकल्प उत्तर को तीन गुना या उससे अधिक से बदल देता है।
स्रोत इस बात को लेकर स्पष्ट है कि व्यवसाय-स्तरीय और कार्य-स्तरीय अनुमानों के बीच की बहस अनसुलझी है। यह क्षेत्र जिस व्यावहारिक सहमति पर पहुँचा वह यह है: कार्य-स्तरीय अपघटन (decomposition) आवश्यक है, और व्यवसाय-स्तरीय लेबल बहुत स्थूल (coarse) हैं। वह सहमति ही वह नींव है जिस पर बाकी तर्क टिका है। यह वह नींव भी है जिस पर एजेंटिक AI दबाव डालता है।
कार्य ढाँचे कैसे काम करते हैं #
यह देखने के लिए कि दबाव कहाँ से आता है, यह स्पष्ट करना मददगार होगा कि कार्य परंपरा (task tradition) क्या दावा करती है।
ऑटर, लेवी और मर्नेन ने व्यावसायिक कार्यों को दो अक्षों पर विभाजित किया: नियमित (routine) बनाम गैर-नियमित (non-routine), और संज्ञानात्मक (cognitive) बनाम शारीरिक (manual)। उनका तर्क था कि स्वचालन गैर-नियमित कार्यों का पूरक बनते हुए नियमित कार्यों का स्थान लेता है। यह एक स्पष्ट विचार है, और इसने बाद के कार्यों को इस बारे में बात करने के लिए एक शब्दावली दी कि किसी नौकरी के किन हिस्सों को एक मशीन अवशोषित कर सकती है।
एसेमोग्लू और रेस्ट्रेपो ने उसके ऊपर एक औपचारिक संरचना का निर्माण किया। वे आउटपुट को पूँजी और श्रम के बीच आवंटित कार्यों के एक सातत्य (continuum) के परिणाम के रूप में मॉडल करते हैं। उनके ढाँचे में, श्रम का हिस्सा बढ़ता या घटता है, यह इस बात पर निर्भर करता है कि नए-कार्य का सृजन, जिसे वे पुनर्स्थापन चैनल (reinstatement channel) कहते हैं, कार्य विस्थापन से आगे निकलता है या नहीं। उनके अनुसार, मूल्य वर्धित (value added) में श्रम का हिस्सा sL = W * L / Y = f(|NL| / |N|) लिखा जाता है, जहाँ W मजदूरी दर है, L रोजगार है और Y आउटपुट है। दो ताकतें एक-दूसरे के खिलाफ खींचती हैं, और कौन जीतता है यह तय करता है कि लाभ कौन हासिल करेगा।
यहाँ दो अन्य मापन प्रयास मायने रखते हैं क्योंकि उन्होंने इस ढाँचे को व्यवसाय-स्तरीय संख्याओं में बदल दिया। फेल्टन, राज और सीमैन्स (Felten, Raj and Seamans) ने प्रकाशित AI क्षमता की प्रगति को O*NET क्षमता वर्गीकरण (ability taxonomy) से जोड़कर AI ऑक्यूपेशनल एक्सपोज़र (AIOE) स्कोर बनाया। एलाउंडौ आदि (Eloundou et al.) ने कार्य स्तर पर GPT-4 स्व-मूल्यांकन के साथ क्राउड-वर्कर एनोटेशन को मिलाकर, GPT-4 पर केंद्रित एक समानांतर माप का निर्माण किया।
उनकी मुख्य खोज यह थी कि 80% अमेरिकी श्रमिक ऐसी नौकरियाँ करते हैं जहाँ कम से कम 10% कार्य LLM-प्रभावित (LLM-exposed) हैं। सबसे भारी प्रभाव उच्च-वेतन वाले, डिग्री की आवश्यकता वाले व्यवसायों के बीच केंद्रित था। यह परिणाम उस पुराने अंतर्ज्ञान के खिलाफ जाता है कि स्वचालन पहले नियमित, कम वेतन वाले काम को प्रभावित करता है, और यह बताता है कि व्हाइट-कॉलर प्रश्न इतना तात्कालिक क्यों हो गया है।
वह अंध बिंदु जो हर ढाँचा साझा करता है #
स्रोत इस सारे काम के बारे में एक तीखा दावा करता है। प्रत्येक उद्धृत ढाँचा एक वास्तुशिल्प अंध बिंदु (architectural blind spot) साझा करता है: वे स्वचालन को अलग-अलग कार्यों को चुनने के रूप में मॉडल करते हैं जबकि व्यवसाय बरकरार रहता है। लगभग सभी पूर्वानुमान, जिनमें ऑटर-लेवी-मर्नेन कार्य ढाँचे पर बने पूर्वानुमान भी शामिल हैं, यह धारणा साझा करते हैं कि स्वचालन एक समय में एक कार्य को हटाता है और व्यवसाय शेष मानवीय कार्य के इर्द-गिर्द एक समन्वय आवरण के रूप में जीवित रहता है।
यह संरचना के बारे में एक धारणा है, प्रौद्योगिकी के बारे में नहीं। यह इस संबंध में कुछ नहीं कहती कि मशीन कितनी सक्षम है। यह कहती है कि मशीन चाहे कितने भी कार्य ले ले, किसी को अभी भी शेष हिस्से को एक साथ जोड़े रखना होगा।
पैरालीगल (paralegal) का उदाहरण इस बात को ठोस बनाता है। एक टास्क-एक्सपोज़र विश्लेषण पैरालीगल के 80% कार्यों को LLM-प्रभावित के रूप में चिह्नित कर सकता है और फिर भी यह निष्कर्ष निकाल सकता है कि व्यवसाय सुरक्षित है, क्योंकि उन कार्यों के समन्वय के लिए मानवीय निर्णय की आवश्यकता होती है। यह निष्कर्ष आवरण धारणा (shell assumption) से निकलता है। कार्य प्रभावित हैं, लेकिन उनके बीच की सिलाई प्रभावित नहीं है, इसलिए नौकरी बनी रहती है।
फिर स्रोत का मुख्य कदम आता है: जिस समन्वय की अड़चन ने पैरालीगल की भूमिका की रक्षा की थी, वह अब एजेंट के प्लानिंग मॉड्यूल के अंदर है। यदि यह सही है, तो जिस तर्क ने पैरालीगल को सुरक्षित रखा था, वह काम करना बंद कर देता है। सुरक्षा समन्वय से मिली थी। और समन्वय ठीक वही है जो एक एजेंटिक प्रणाली करती है।
मुझे लगता है कि यह शोधपत्र में सबसे उपयोगी विचार है, और इसे इसकी अपनी शर्तों पर लिया जाना चाहिए। पुराने ढाँचे कार्यों के बारे में गलत नहीं हैं। वे इस बारे में गलत हैं कि कार्यों के चले जाने के बाद क्या बचता है। एक माप जो कार्यों को एक-एक करके स्कोर करता है, वह एक ऐसी प्रणाली को नहीं देख सकता जो पूरे अनुक्रम को एक इकाई के रूप में संभालती है।
एजेंटिक के रूप में क्या गिना जाता है #
यदि तर्क किसी अंतर पर निर्भर करता है, तो उस अंतर को एक परिभाषा की आवश्यकता होती है। स्रोत चार मानदंडों के साथ एक परिभाषा प्रदान करता है। एक एजेंटिक AI प्रणाली वह है जो:
- कार्य विनिर्देश (task specification) के बजाय एक लक्ष्य विनिर्देश (goal specification) प्राप्त करती है;
- लक्ष्य को प्राप्त करने के लिए स्वायत्त रूप से उपकरणों का चयन और आह्वान करती है;
- कई अनुमान चरणों (inference steps) में स्थिति (state) बनाए रखती है; और
- मध्यवर्ती चरणों में मानवीय हस्तक्षेप के बिना एक पूर्ण कार्य उत्पाद तैयार करती है।
यह एक ऐसी सूची है जिसे सूची के रूप में ही रखने लायक है, क्योंकि मानदंड अलग-अलग हैं और प्रत्येक की जाँच की जा सकती है। एक प्रणाली जो केवल प्रॉम्प्ट का उत्तर देती है, वह पहले मानदंड में विफल हो जाती है। एक प्रणाली जिसे प्रत्येक मध्यवर्ती चरण को मंजूरी देने के लिए किसी व्यक्ति की आवश्यकता होती है, वह चौथे में विफल हो जाती है।
सरल शब्दों में, एक एजेंट एक लक्ष्य प्राप्त करता है, उपकरणों का चयन करता है, एक बहु-चरणीय योजना निष्पादित करता है, अपने स्वयं के आउटपुट की जाँच करता है और एक तैयार कार्य उत्पाद वितरित करता है। एजेंटिक प्रणालियाँ टूल कॉल्स को श्रृंखलाबद्ध करती हैं, चरणों में स्थायी मेमोरी बनाए रखती हैं, बहु-क्रिया अनुक्रमों की योजना बनाती हैं और जब मध्यवर्ती आउटपुट गुणवत्ता जाँच में विफल होते हैं तो स्वयं-सुधार (self-correct) करती हैं।
स्वयं-सुधार का विवरण जितना पहली बार में दिखता है उससे कहीं अधिक मायने रखता है। एक पाइपलाइन जो एक चरण के विफल होने पर टूट जाती है, उसे अभी भी पास में एक इंसान की आवश्यकता होती है। एक प्रणाली जो विफल गुणवत्ता जाँच को नोटिस करती है और फिर से प्रयास करती है, उसने उस पर्यवेक्षण के कुछ हिस्से को अवशोषित कर लिया है जो पहले इंसान की उपस्थिति को उचित ठहराता था।
शोधपत्र अपने विषय को इस तरह परिभाषित करता है: स्वायत्त AI एजेंट जो अलग-अलग कार्यों के बजाय संपूर्ण व्यावसायिक वर्कफ़्लो को पूरा करने में सक्षम हैं। "संपूर्ण" (entire) शब्द ही सारा भार वहन करता है। पूरा तर्क एक अलग कार्य और एक पूर्ण वर्कफ़्लो के बीच के अंतर के बारे में है।
यह समय अभी क्यों है #
स्रोत दो प्रकार के साक्ष्य प्रस्तुत करता है कि यह प्रश्न काल्पनिक नहीं है। पहला क्षमता से संबंधित है। GPT-4-श्रेणी के मॉडल बार परीक्षा (bar exam) और यूएस मेडिकल लाइसेंसिंग परीक्षा (US Medical Licensing Exam) में उत्तीर्ण-स्कोर की दहलीज पर या उससे ऊपर पहुँच गए, और CFA लेवल I को पास करने के कुछ प्रतिशत अंकों के भीतर आ गए। ये उन व्यवसायों के लिए प्रमाणन परीक्षाएँ हैं जो ठीक इसलिए प्रवेश को प्रतिबंधित करते हैं क्योंकि काम कठिन है।
दूसरा परिनियोजन (deployment) से संबंधित है। अमेज़ॅन, माइक्रोसॉफ्ट, सेल्सफोर्स, सर्विसनाउ और वर्कडे (Amazon, Microsoft, Salesforce, ServiceNow and Workday) सहित प्रमुख एंटरप्राइज़ प्रौद्योगिकी विक्रेताओं ने अपनी 2024 की अर्निंग कॉल्स और निवेशक प्रस्तुतियों में व्हाइट-कॉलर वर्कफ़्लो को छूने वाले प्रोडक्शन एजेंटिक परिनियोजन का खुलासा किया। ये प्रोडक्शन परिनियोजन हैं, अनुसंधान डेमो नहीं, और इनकी घोषणा शिक्षाविदों के बजाय निवेशकों के सामने की गई थी।
स्रोत उन खुलासों को इस रूप में पढ़ता है जिन्हें कंपनियाँ केवल तभी करती हैं जब परिनियोजन पहले से ही कर्मचारियों की संख्या (headcount) की योजना को प्रभावित कर रहे होते हैं। स्रोत इसे एक माप के रूप में नहीं, बल्कि एक व्याख्या के रूप में प्रस्तुत करता है, और इसे इसी रूप में देखा जाना चाहिए। मुझे दिए गए रिकॉर्ड में कुछ भी सीधे कर्मचारियों की संख्या के आँकड़े रिपोर्ट नहीं करता है। लेकिन अनुमान तार्किक है: कंपनियाँ आमतौर पर निवेशकों के सामने किसी परिनियोजन को तब तक नहीं रखतीं जब तक कि वह लागत आधार के लिए मायने न रखता हो।
दोनों को एक साथ रखें तो एक नए माप का मामला सीधा है। अकेले क्षमता इस मुद्दे को मजबूर नहीं करेगी, और न ही कुछ पायलट प्रोजेक्ट। ऐसी क्षमता जो पहले से ही पेशेवर दहलीज को पार कर रही है, उन प्रणालियों में जो पहले से ही प्रोडक्शन में हैं, ऐसा करती है।
ATE स्कोर: यह क्या मापता है और क्या नहीं #
शोधपत्र की प्रतिक्रिया एजेंटिक टास्क एक्सपोज़र (ATE) स्कोर है। यह एक समग्र मीट्रिक (composite metric) है जो एंड-टू-एंड वर्कफ़्लो कवरेज, वर्तमान एजेंटिक AI क्षमता बेंचमार्क और एंटरप्राइज़ अपनाने की गति को ध्यान में रखने के लिए एसेमोग्लू-रेस्ट्रेपो कार्य विस्थापन ढाँचे का विस्तार करता है। यह स्कोर उस डिग्री को मापता है जिस तक कोई व्यवसाय o वर्तमान एजेंटिक AI प्रणालियों द्वारा एंड-टू-एंड विस्थापन के प्रति संवेदनशील (exposed) है।
इसमें तीन घटक शामिल होते हैं: AI क्षमता स्कोर, वर्कफ़्लो कवरेज कारक और लॉजिस्टिक अपनाने की गति। वर्कफ़्लो कवरेज कारक वह हिस्सा है जो सीधे अंध बिंदु को संबोधित करता है। स्रोत कहता है कि पहले के काम से जो चीज़ गायब है वह इस बात का माप है कि क्या किसी व्यवसाय की पूर्ण वर्कफ़्लो संरचना एजेंटिक AI के परिचालन दायरे (operational envelope) के भीतर बैठती है, और यह उसे वर्कफ़्लो कवरेज कारक के रूप में औपचारिक रूप देता है। पुराने स्कोर पूछते हैं कि क्या कोई कार्य प्रभावित है। यह स्कोर पूछता है कि क्या पूरा वर्कफ़्लो उस दायरे में फिट बैठता है जो एक एजेंट कर सकता है।
निर्माण के दो और हिस्से निर्दिष्ट किए गए हैं। पद wo,t व्यवसाय o में कार्य t की महत्व-भारित प्रासंगिकता (importance-weighted relevance) है, जिसे O*NET कार्य महत्व रेटिंग से लिया गया है। और CAP(t), क्षमता पद, का अनुमान AI बेंचमार्क साहित्य और व्यवसायी परिनियोजन रिपोर्टों से लगाया गया है। इसलिए कार्य का महत्व एक मानक व्यावसायिक डेटाबेस से आता है, जबकि क्षमता दो स्रोतों से आती है: बेंचमार्क और फील्ड रिपोर्ट।
शोधपत्र पद्धति के बारे में स्पष्ट है, और पाठक को इसे उसी पर परखना चाहिए। ATE स्कोर कैलिब्रेटेड अपनाने के मापदंडों का उपयोग करके O*NET कार्य डेटा से एल्गोरिदमिक रूप से गणना किए जाते हैं; वे प्रतिगमन अनुमान (regression estimates) नहीं हैं। इसके व्यावहारिक परिणाम हैं। एक प्रतिगमन अनुमान मानक त्रुटियों (standard errors) और पहचान तर्कों के सामान्य तंत्र के साथ आता है। एक कैलिब्रेटेड एल्गोरिदमिक समग्र स्कोर ऐसा नहीं करता है, और इसके आउटपुट मॉडल-व्युत्पन्न अनुमान (model-derived projections) होते हैं - एक ऐसा वाक्यांश जिसका उपयोग शोधपत्र स्वयं अपने विस्थापन आँकड़ों के लिए करता है। वे वर्णन करते हैं कि मॉडल अपने मापदंडों के तहत क्या संकेत देता है। वे यह रिपोर्ट नहीं करते कि वास्तव में क्या हुआ।
मेरा तर्क है कि यह एक ईमानदार प्रस्तुति है, और यह एक ऐसी पूर्वानुमान समस्या के लिए सही है जहाँ जिस चीज़ का पूर्वानुमान लगाया जा रहा है वह अभी तक घटित नहीं हुई है। घोषित इनपुट से बने समग्र स्कोर का निरीक्षण किया जा सकता है, उसे चुनौती दी जा सकती है और फिर से कैलिब्रेट किया जा सकता है। यदि कोई अपनाने की गति के बारे में असहमत है, तो वे जानते हैं कि किस डायल को घुमाना है।
मॉडल इसे कहाँ लागू करता है #
अनुभवजन्य अनुप्रयोग व्यापक है। शोधपत्र छह प्रमुख व्यावसायिक समूहों में फैले 236 मानक व्यावसायिक वर्गीकरण (SOC) कोडों पर ATE ढाँचे को लागू करता है, जो 2025-2030 की अवधि के लिए संयुक्त राज्य अमेरिका के पाँच प्रमुख प्रौद्योगिकी क्षेत्रों में मॉडल-व्युत्पन्न विस्थापन अनुमान उत्पन्न करता है। पाँच क्षेत्र सैन फ्रांसिस्को बे एरिया, सिएटल-टैकोमा-बेलव्यू, ऑस्टिन-राउंड रॉक, न्यूयॉर्क-नेवार्क और बोस्टन-कैम्ब्रिज हैं।
शोधपत्र इसे विशेष रूप से एजेंटिक AI प्रणालियों को लक्षित करने वाले टास्क एक्सपोज़र ढाँचे के पहले बहु-क्षेत्रीय अनुभवजन्य अनुप्रयोग के रूप में वर्णित करता है। यह लेखकों द्वारा किया गया प्राथमिकता का दावा है, और मैं अपने सामने मौजूद सामग्री से इसकी जाँच नहीं कर सकता। मैं जो कह सकता हूँ वह यह है कि क्षेत्रीय डिज़ाइन उस समस्या के प्रति एक समझदारी भरी प्रतिक्रिया है जिसे राष्ट्रीय-स्तरीय अध्ययन साझा करते हैं: एक्सपोज़र व्यवसायों का एक गुण है, लेकिन अपनाना (adoption) स्थानों और फर्मों का एक गुण है।
स्रोत द्वारा दिए गए परिणामों के अनुसार, क्रेडिट विश्लेषक, न्यायाधीश और स्थिरता विशेषज्ञ 0.43-0.47 के ATE स्कोर तक पहुँचते हैं। इस समूहीकरण पर दूसरी नज़र डालने लायक है। एक क्रेडिट विश्लेषक, एक न्यायाधीश और एक स्थिरता विशेषज्ञ प्रशिक्षण, वेतन या दिन-प्रतिदिन के काम में एक-दूसरे से मेल नहीं खाते हैं। शोधपत्र के विवरण के अनुसार, उनमें जो समानता है वह एक ही सीमा (range) में आने वाला स्कोर है। मैं इसे क्षेत्र या कथित रचनात्मकता के आधार पर नौकरियों को "सुरक्षित" और "जोखिम में" के रूप में आलसी ढंग से छाँटने के खिलाफ एक निशान के रूप में पढ़ूँगा।
मैं इस आँकड़े में स्रोत द्वारा समर्थित बात से अधिक पढ़ने का भी विरोध करूँगा। मेरे पास जो सामग्री है वह इन तीन व्यवसायों के लिए सीमा देती है और यह नहीं बताती कि बाकी 236 कोडों के साथ इसकी तुलना कैसी है। इसलिए संख्या दिखाती है कि शोधपत्र के पैमाने पर ये भूमिकाएँ काफी हद तक प्रभावित हैं। यह नहीं दिखाती कि वे सबसे अधिक प्रभावित हैं।
क्षेत्रीय निष्कर्ष एक ऐसी सावधानी के साथ आते हैं जिसे दोहराना उचित है। शोधपत्र कहता है कि 2026-2027 में सिएटल के कार्यबल प्रभाव इस बात का पूर्वावलोकन (preview) करते हैं कि व्यापक राष्ट्रीय गैर-तकनीकी कार्यबल 2028-2030 में क्या अनुभव करेगा। यह एक घोषित अंतराल (lag) के साथ की गई भविष्यवाणी है, और इसे सावधानी के साथ रखा गया है। यह एक ऐसी परिकल्पना के रूप में पढ़ा जाता है जिसे मॉडल उत्पन्न करता है, और इसे एक स्थापित तथ्य के रूप में नहीं लिया जाना चाहिए। लेकिन यह एक उपयोगी प्रकार का दावा है, क्योंकि यह गलत साबित होने के लिए पर्याप्त विशिष्ट है। यदि सिएटल का शुरुआती पैटर्न 2028 तक राष्ट्रीय गैर-तकनीकी कार्यबल में स्थानांतरित नहीं होता है, तो मॉडल में एक ऐसी समस्या है जिसे वह टाल नहीं सकता।
लेखा-जोखा का पुनर्स्थापन पक्ष #
अकेले एक विस्थापन स्कोर एसेमोग्लू-रेस्ट्रेपो की आधी कहानी बताता है। उनके ढाँचे में, श्रम का हिस्सा इस बात पर निर्भर करता है कि नए-कार्य का सृजन विस्थापन से आगे निकलता है या नहीं। एक शोधपत्र जो इस ढाँचे का विस्तार करता और केवल विस्थापन को मापता, वह इसके उस हिस्से को छोड़ देता जो इस ढाँचे को उसका तनाव (tension) देता है।
यह शोधपत्र ऐसा नहीं करता है। यह उन व्यावसायिक श्रेणियों की पहचान करता है जहाँ एजेंटिक AI पुनर्स्थापन प्रभाव पैदा करता है: नई भूमिकाएँ जो एजेंटिक परिनियोजन से पहले मौजूद नहीं थीं, वे बड़े पैमाने पर मानवीय देखरेख, गवर्नेंस और सहयोग की माँग पैदा करती हैं। कुल मिलाकर यह पुनर्स्थापन प्रभावों से लाभान्वित होने वाली सतरह उभरती हुई व्यावसायिक श्रेणियों की पहचान करता है। वे मानव-AI सहयोग, AI गवर्नेंस और डोमेन-विशिष्ट AI संचालन भूमिकाओं में केंद्रित हैं।
इसका तंत्र समझना आसान है। यदि एजेंट शुरू से अंत तक (end to end) वर्कफ़्लो को अंजाम देते हैं, तो किसी को उनकी देखरेख करनी होगी, वे जिन नियमों के तहत चलते हैं उन्हें तय करना होगा, और उनके साथ मिलकर काम करना होगा। वे ज़रूरतें नौकरियों के रूप में मौजूद नहीं थीं क्योंकि तब देखरेख करने के लिए कुछ भी नहीं था।
स्रोत मुझे यह नहीं बताता कि ये सतरह श्रेणियाँ कितने लोगों को रोजगार देंगी, या क्या उनकी वृद्धि ATE स्कोर द्वारा इंगित विस्थापन की भरपाई करेगी। इसलिए जिस डेटा का मैं उपयोग कर सकता हूँ वह केंद्रीय प्रश्न को खुला छोड़ देता है: क्या पुनर्स्थापन विस्थापन से आगे निकल जाता है। कोई भी व्यक्ति जो आत्मविश्वास से लिखता है कि ऐसा होता है, या ऐसा नहीं होता है, वह सत्यापित दावों से आगे जा रहा है। शोधपत्र का योगदान लेखा-जोखा के दोनों पक्षों को एक ही ढाँचे में रखना और यह नाम देना है कि नई भूमिकाएँ कहाँ प्रकट होती हैं।
इससे क्या सीख लें #
यहाँ एक पद्धतिगत (methodological) सबक है और एक व्यावहारिक सबक है।
पद्धतिगत सबक यह है कि विश्लेषण की इकाई ही उत्तर तय करती है। 47% से 9-14% तक की छलांग व्यवसायों से कार्यों की ओर बढ़ने से आई थी। शोधपत्र तर्क देता है कि अब एक और कदम बढ़ाने की आवश्यकता है - कार्यों से वर्कफ़्लो की ओर - क्योंकि जिस चीज़ को स्वचालित किया जा रहा है वह अब कोई एकल कार्य नहीं है। जितनी बार इकाई बदली, अनुमान बदल गए, और इस क्षेत्र का इतिहास बताता है कि इकाई के चुनाव की उतनी ही गहन जाँच होनी चाहिए जितनी डेटा के चुनाव की होती है।
व्यावहारिक सबक उन सभी के लिए है जो अगले पाँच वर्षों के इर्द-गिर्द कर्मचारियों की संख्या, प्रशिक्षण या उत्पादों की योजना बना रहे हैं। एक स्कोर जो आपको बताता है कि किसी भूमिका के 80% कार्य प्रभावित हैं, पर्याप्त नहीं है, क्योंकि यह नहीं बताता कि शेष 20% एक टिकाऊ मानवीय मूल (human core) है या केवल वह गोंद है जिसे एक एजेंट का प्लानिंग मॉड्यूल अब आपूर्ति कर सकता है। वर्कफ़्लो कवरेज कारक सीधे उस प्रश्न को पूछने के लिए मौजूद है।
ATE स्कोर कैलिब्रेटेड मापदंडों वाला एक समग्र स्कोर है, और इसके अनुमान मॉडल-व्युत्पन्न हैं। वे 2025-2030 के बारे में एक संरचित तर्क हैं, उसका रिकॉर्ड नहीं। यह उन्हें अनदेखा करने के बजाय उनका परीक्षण करने का एक कारण है। सिएटल परिकल्पना एक प्रारंभिक परीक्षण प्रदान करती है: यदि वहाँ 2026-2027 के प्रभाव वैसे ही दिखते हैं जैसा मॉडल संकेत देता है, तो 2028-2030 में राष्ट्रीय गैर-तकनीकी कार्यबल के लिए अंतराल अगली देखने लायक चीज़ बन जाता है। और सतरह पुनर्स्थापन श्रेणियाँ वह प्रश्न खड़ा करती हैं जिसे ये दावे तय नहीं कर सकते: क्या एजेंटों की देखरेख के लिए बनाई गई भूमिकाएँ इतनी संख्या में आएँगी जो श्रम के हिस्से के लिए मायने रखती हों।
अक्सर पूछे जाने वाले प्रश्न #
पहले के टास्क-एक्सपोज़र ढाँचे एजेंटिक AI के प्रभाव को कम क्यों आँकते हैं?
ऑटर-लेवी-मर्नेन परंपरा पर बने पहले के ढाँचे यह मानते हैं कि स्वचालन अलग-अलग कार्यों को हटाता है जबकि व्यवसाय एक मानवीय समन्वय आवरण के रूप में जीवित रहता है। एजेंटिक AI प्रणालियाँ योजना, टूल आह्वान, स्टेट प्रबंधन और मध्यवर्ती गुणवत्ता जाँचों को अवशोषित कर लेती हैं जिनके लिए पहले एक मानवीय समन्वयक की आवश्यकता होती थी, जिससे अलग-थलग कार्यों के बजाय पूरे वर्कफ़्लो प्रभावित होते हैं।
एजेंटिक टास्क एक्सपोज़र (ATE) स्कोर की गणना कैसे की जाती है?
ATE एक एल्गोरिदमिक समग्र स्कोर है जिसे O*NET कार्य महत्व रेटिंग (wo,t), AI क्षमता बेंचमार्क और व्यवसायी परिनियोजन रिपोर्ट (CAP(t)), एक वर्कफ़्लो कवरेज कारक (जो यह मापता है कि क्या किसी व्यवसाय का पूरा वर्कफ़्लो एजेंट के परिचालन दायरे के अंदर फिट बैठता है), और 236 SOC कोडों में कैलिब्रेटेड लॉजिस्टिक अपनाने की गति के मापदंडों से बनाया गया है।
नए रोजगार सृजन (पुनर्स्थापन प्रभाव) के संबंध में अध्ययन क्या पाता है?
एसेमोग्लू-रेस्ट्रेपो पुनर्स्थापन चैनल का विस्तार करते हुए, अध्ययन मानव-AI सहयोग, AI गवर्नेंस और डोमेन-विशिष्ट AI संचालन में केंद्रित सतरह उभरती हुई व्यावसायिक श्रेणियों की पहचान करता है। क्या उन श्रेणियों में वृद्धि वर्कफ़्लो-स्तरीय विस्थापन की भरपाई करती है, यह एक खुला अनुभवजन्य प्रश्न बना हुआ है।
संदर्भ #
- Ravish Gupta and Saket Kumar, (2026). Agentic AI and Occupational Displacement: A Multi-Regional Task Exposure Analysis of Emerging Labor Market Disruption ⧉. arXiv.
- Tyna Eloundou, Sam Manning, Pamela Mishkin, and Daniel Rock, (2023). GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models ⧉. arXiv.
- Daron Acemoglu and Pascual Restrepo, (2019). Automation and New Tasks: How Technology Displaces and Reinstates Labor ⧉. Journal of Economic Perspectives.
- National Center for O*NET Development, (2025). O*NET Resource Center ⧉. US Department of Labor.
अंतिम समीक्षा .
इस लेख को क्रॉस-पोस्ट करें
Medium के लिए प्रारूप कॉपी करें
# एजेंटिक AI हर टास्क-एक्सपोज़र पूर्वानुमान के पीछे की धारणा को तोड़ देता है — Sebastien Rousseau > Originally published at [https://sebastienrousseau.com/hi/2026-10-25-ejentik-ai-har-task-eksapojr-purvanuman/](https://sebastienrousseau.com/hi/2026-10-25-ejentik-ai-har-task-eksapojr-purvanuman/) टास्क-एक्सपोज़र ढाँचे किसी व्यवसाय को एक ऐसे आवरण के रूप में मानते हैं जो इंसानों द्वारा अभी भी किए जाने वाले काम के इर्द-गिर्द बचा रहता है। एजेंटिक प्रणालियाँ एक लक्ष्य का पीछा करती हैं और तैयार कार्य उत्पाद देती हैं। Read the full article on sebastienrousseau.com: https://sebastienrousseau.com/hi/2026-10-25-ejentik-ai-har-task-eksapojr-purvanuman/
Mastodon के लिए प्रारूप कॉपी करें
एजेंटिक AI हर टास्क-एक्सपोज़र पूर्वानुमान के पीछे की धारणा को तोड़ देता है — Sebastien Rousseau टास्क-एक्सपोज़र ढाँचे किसी व्यवसाय को एक ऐसे आवरण के रूप में मानते हैं जो इंसानों द्वारा अभी भी किए जाने वाले काम के इर्द-गिर्द बचा रहता है। एजेंटिक प्रणालियाँ एक लक्ष्य का पीछा करती हैं और तैयार कार्य उत्पाद देती हैं। https://sebastienrousseau.com/hi/2026-10-25-ejentik-ai-har-task-eksapojr-purvanuman/
LinkedIn के लिए फ़ॉर्मेट की गई कॉपी
एजेंटिक AI हर टास्क-एक्सपोज़र पूर्वानुमान के पीछे की धारणा को तोड़ देता है — Sebastien Rousseau टास्क-एक्सपोज़र ढाँचे किसी व्यवसाय को एक ऐसे आवरण के रूप में मानते हैं जो इंसानों द्वारा अभी भी किए जाने वाले काम के इर्द-गिर्द बचा रहता है। एजेंटिक प्रणालियाँ एक लक्ष्य का पीछा करती हैं और तैयार कार्य उत्पाद देती हैं।. यहाँ मुख्य रणनीतिक निष्कर्ष हैं: - वे पूर्वानुमान जो लक्ष्य से आगे निकल गए. औद्योगिक रोबोटों ने विनिर्माण श्रमिकों को विस्थापित किया था। लेकिन उन्होंने यह उस समय-सीमा पर या उस पैमाने पर नहीं किया जिसका संकेत शुरुआती पूर्वानुमानों ने दिया था। यह वाक्य आजीविका के लिए श्रम-बाज़ार की… - कार्य ढाँचे कैसे काम करते हैं. यह देखने के लिए कि दबाव कहाँ से आता है, यह स्पष्ट करना मददगार होगा कि कार्य परंपरा (task tradition) क्या दावा करती है।. - वह अंध बिंदु जो हर ढाँचा साझा करता है. स्रोत इस सारे काम के बारे में एक तीखा दावा करता है। प्रत्येक उद्धृत ढाँचा एक वास्तुशिल्प अंध बिंदु (architectural blind spot) साझा करता है: वे स्वचालन को अलग-अलग कार्यों को चुनने के रूप में मॉडल करते हैं जबकि व्यवसाय… - एजेंटिक के रूप में क्या गिना जाता है. यदि तर्क किसी अंतर पर निर्भर करता है, तो उस अंतर को एक परिभाषा की आवश्यकता होती है। स्रोत चार मानदंडों के साथ एक परिभाषा प्रदान करता है। एक एजेंटिक AI प्रणाली वह है जो:. इस लेख में उल्लिखित चुनौतियों के प्रति आपके संगठन का दृष्टिकोण क्या है? → https://sebastienrousseau.com/hi/2026-10-25-ejentik-ai-har-task-eksapojr-purvanuman/ #एजेंटिक #तोड़ता #धारणा #पीछे #टास्कएक्सपोज़र Sebastien Rousseau | CC-BY-4.0
इस लेख को उद्धृत करें
एजेंटिक AI हर टास्क-एक्सपोज़र पूर्वानुमान के पीछे की धारणा को तोड़ देता है — Sebastien Rousseau
टास्क-एक्सपोज़र ढाँचे किसी व्यवसाय को एक ऐसे आवरण के रूप में मानते हैं जो इंसानों द्वारा अभी भी किए जाने वाले काम के इर्द-गिर्द बचा रहता है। एजेंटिक प्रणालियाँ एक लक्ष्य का पीछा करती हैं और तैयार कार्य उत्पाद देती हैं।
BibTeX
@online{rousseau2026एज,
author = {Rousseau, Sebastien},
title = {{एजेंटिक AI हर टास्क-एक्सपोज़र पूर्वानुमान के पीछे की धारणा को तोड़ देता है — Sebastien Rousseau}},
year = {2026},
url = {https://sebastienrousseau.com/hi/2026-10-25-ejentik-ai-har-task-eksapojr-purvanuman/},
urldate = {2026}
}RIS
TY - GEN AU - Rousseau, Sebastien TI - एजेंटिक AI हर टास्क-एक्सपोज़र पूर्वानुमान के पीछे की धारणा को तोड़ देता है — Sebastien Rousseau PY - 2026 UR - https://sebastienrousseau.com/hi/2026-10-25-ejentik-ai-har-task-eksapojr-purvanuman/ ER -
Vancouver
Rousseau S. एजेंटिक AI हर टास्क-एक्सपोज़र पूर्वानुमान के पीछे की धारणा को तोड़ देता है — Sebastien Rousseau. sebastienrousseau.com. 2026 Oct 25. Available from: https://sebastienrousseau.com/hi/2026-10-25-ejentik-ai-har-task-eksapojr-purvanuman/
Chicago
Rousseau, Sebastien. "एजेंटिक AI हर टास्क-एक्सपोज़र पूर्वानुमान के पीछे की धारणा को तोड़ देता है — Sebastien Rousseau." sebastienrousseau.com. October 25, 2026. https://sebastienrousseau.com/hi/2026-10-25-ejentik-ai-har-task-eksapojr-purvanuman/.
APA
Rousseau, S. (2026, October 25). एजेंटिक AI हर टास्क-एक्सपोज़र पूर्वानुमान के पीछे की धारणा को तोड़ देता है — Sebastien Rousseau. sebastienrousseau.com. https://sebastienrousseau.com/hi/2026-10-25-ejentik-ai-har-task-eksapojr-purvanuman/
इस लेख को पुनः प्रकाशित करें
एजेंटिक AI हर टास्क-एक्सपोज़र पूर्वानुमान के पीछे की धारणा को तोड़ देता है — Sebastien Rousseau
टास्क-एक्सपोज़र ढाँचे किसी व्यवसाय को एक ऐसे आवरण के रूप में मानते हैं जो इंसानों द्वारा अभी भी किए जाने वाले काम के इर्द-गिर्द बचा रहता है। एजेंटिक प्रणालियाँ एक लक्ष्य का पीछा करती हैं और तैयार कार्य उत्पाद देती हैं।
यह लेख लाइसेंस के अंतर्गत है Creative Commons Attribution 4.0 International. पुनः प्रकाशन के लिए कैनोनिकल URL का श्रेय आवश्यक है।
एजेंटिक AI हर टास्क-एक्सपोज़र पूर्वानुमान के पीछे की धारणा को तोड़ देता है — Sebastien Rousseau टास्क-एक्सपोज़र ढाँचे किसी व्यवसाय को एक ऐसे आवरण के रूप में मानते हैं जो इंसानों द्वारा अभी भी किए जाने वाले काम के इर्द-गिर्द बचा रहता है। एजेंटिक प्रणालियाँ एक लक्ष्य का पीछा करती हैं और तैयार कार्य उत्पाद देती हैं। Originally published at https://sebastienrousseau.com/hi/2026-10-25-ejentik-ai-har-task-eksapojr-purvanuman/ by Sebastien Rousseau. Licensed under CC-BY-4.0.