एजेंटिक AI प्रत्येक टास्क-एक्सपोजर अंदाजामागील गृहीतक मोडून काढतो

कामगार-बाजारपेठेच्या अंदाजांनी असे गृहीत धरले आहे की ऑटोमेशन एका वेळी एक काम काढून टाकते आणि व्यवसाय तसाच उभा ठेवते. संपूर्ण वर्कफ्लो पूर्ण करणारा एजेंटिक AI हे गृहीतक बाद ठरवतो, आणि जुन्या चौकटी जे मोजू शकत नाहीत ते मोजण्यासाठी एजेंटिक टास्क एक्सपोजर (ATE) हा नवीन एकत्रित गुणांक तयार करण्यात आला आहे.

कार्यकारी सारांश

• ऑटोमेशनचे पूर्वीचे अंदाज, ज्यात ऑटर-लेव्ही-मर्नेन (Autor-Levy-Murnane) कार्य चौकटीवर आधारित अंदाजांचा समावेश आहे, एक गृहीतक सामायिक करतात: उरलेल्या मानवी कामाभोवती समन्वयाचे कवच म्हणून व्यवसाय टिकून राहतो.
• एजेंटिक AI प्रणाली चार निकष पूर्ण करतात: त्या ध्येयाचे स्वरूप स्वीकारतात, स्वायत्तपणे साधने निवडतात आणि वापरतात, अनुमान टप्प्यांमध्ये (inference steps) स्थिती (state) कायम राखतात, आणि मधल्या टप्प्यांवर मानवी हस्तक्षेपाशिवाय पूर्ण झालेले कामाचे उत्पादन तयार करतात.
• ATE गुणांक AI क्षमता गुण, वर्कफ्लो कव्हरेज घटक आणि लॉजिस्टिक स्वीकार वेग एकत्र करतो. क्रेडिट विश्लेषक, न्यायाधीश आणि शाश्वतता (sustainability) तज्ञ 0.43-0.47 च्या ATE गुणांकापर्यंत पोहोचतात.
• हा शोधनिबंध पाच अमेरिकी तंत्रज्ञान प्रदेशांमधील सहा प्रमुख व्यावसायिक गटांतील 236 SOC कोड्सवर ATE लागू करतो, आणि स्वतःचे वर्णन विशेषतः एजेंटिक AI प्रणालींना लक्ष्य करणाऱ्या टास्क एक्सपोजर चौकटीचा पहिला बहु-प्रादेशिक प्रायोगिक वापर असे करतो.
• विस्थापनासोबतच, शोधनिबंध मानव-AI सहयोग, AI गव्हर्नन्स आणि डोमेन-विशिष्ट AI ऑपरेशन्समध्ये केंद्रित असलेल्या सतरा उदयोन्मुख व्यावसायिक श्रेणी ओळखतो.

अंदाज जे लक्ष्यापेक्षा खूप पुढे गेले #

औद्योगिक रोबोट्सनी उत्पादन क्षेत्रातील कामगारांना विस्थापित केले हे खरे आहे. पण त्यांनी ते सुरुवातीच्या अंदाजांनी सुचवलेल्या वेळापत्रकानुसार किंवा त्या प्रमाणावर केले नाही. पोटापाण्यासाठी कामगार-बाजारपेठेचे अंदाज वाचणाऱ्या कोणालाही हे वाक्य थोडे सावध करण्यासाठी पुरेसे असावे, कारण ते एका पॅटर्नचे वर्णन करते: दिशा बरोबर होती आणि प्रमाण चुकीचे होते.

या साहित्यातील सर्वात प्रसिद्ध आकडा फ्रे आणि ऑस्बॉर्न (Frey and Osborne) यांच्याकडून आला आहे, ज्यांनी तज्ञांना एकूण "संगणकीकरणक्षमतेवर" (computerizability) 702 अमेरिकी व्यवसायांना गुण देण्यास सांगितले होते. त्यांचा निकाल असा होता की 47% व्यवसाय उच्च धोक्यात होते. हा एक लक्षवेधी आकडा आहे, आणि तो खूप दूरवर पोहोचला.

आर्न्ट्झ, ग्रेगरी आणि झिएराहन (Arntz, Gregory and Zierahn) यांनी नंतर दाखवून दिले की जेव्हा विश्लेषण कामाच्या (task) पातळीवर खाली येते आणि नावापुरत्या प्रभावित व्यवसायांमधील कामांच्या विविधतेचा (task heterogeneity) विचार करते तेव्हा काय होते. OECD देशांमध्ये उच्च-धोक्याचे अंदाज 9-14% पर्यंत खाली येतात. 47% आणि 9-14% मधील अंतर हा काही पूर्णांकात आकडे मोडण्याचा मतभेद नाही. तो विश्लेषणाच्या एककाबद्दलची निवड दर्शवतो, आणि ही निवड उत्तराला तीन किंवा अधिक पटीने बदलून टाकते.

मूळ स्रोत प्रांजळपणे सांगतो की व्यवसाय-पातळीवरील आणि काम-पातळीवरील अंदाजांमधील वाद अद्याप सुटलेला नाही. या क्षेत्रात ज्या व्यावहारिक एकमतापर्यंत पोहोचता आले ते असे आहे: काम-पातळीवरील विभाजन (decomposition) आवश्यक आहे, आणि व्यवसाय-पातळीवरील लेबल्स खूपच ढोबळ आहेत. ते एकमत हाच तो पाया आहे ज्यावर उर्वरित युक्तिवाद उभा आहे. आणि हाच तो पाया आहे ज्यावर एजेंटिक AI ताण निर्माण करतो.

कार्य चौकटी कशा काम करतात #

हा ताण कुठून येतो हे पाहण्यासाठी, कार्य परंपरा (task tradition) नेमका काय दावा करते हे अचूकपणे समजून घेणे उपयुक्त ठरते.

ऑटर, लेव्ही आणि मर्नेन यांनी व्यावसायिक कामांचे दोन अक्षांवर विभाजन केले: नित्य (routine) विरुद्ध अनित्य (non-routine), आणि बौद्धिक (cognitive) विरुद्ध शारीरिक (manual). त्यांचा युक्तिवाद असा होता की ऑटोमेशन अनित्य कामांना पूरक ठरत असताना नित्य कामांची जागा घेते. ही एक स्वच्छ कल्पना आहे, आणि तिने पुढील संशोधनाला नोकरीचे कोणते भाग मशीन शोषून घेऊ शकते याबद्दल बोलण्यासाठी एक शब्दसंग्रह दिला.

एसेमोग्लू आणि रेस्ट्रेपो यांनी त्यावर एक औपचारिक रचना उभारली. ते भांडवल आणि श्रम यांच्यात वाटून दिलेल्या कामांच्या अखंड मालिकेतून (continuum) उत्पादन मिळते असे मॉडेल मांडतात. त्यांच्या मांडणीत, नवीन-कामांची निर्मिती, ज्याला ते पुनर्संस्थापना मार्ग (reinstatement channel) म्हणतात, कामांच्या विस्थापनापेक्षा पुढे जाते की नाही यावर श्रमाचा वाटा वाढतो किंवा घटतो हे अवलंबून असते. त्यांच्यानुसार, मूल्यवर्धनातील (value added) श्रमाचा वाटा sL = W * L / Y = f(|NL| / |N|) असा लिहिला जातो, जिथे W हा वेतन दर आहे, L हा रोजगार आहे आणि Y हे उत्पादन आहे. दोन शक्ती एकमेकांच्या विरोधात ओढतात, आणि कोण जिंकते यावरून फायदे कोणाला मिळतात हे ठरते.

येथे इतर दोन मोजमापाचे प्रयत्न महत्त्वाचे आहेत कारण त्यांनी या चौकटीचे व्यवसाय-पातळीवरील आकड्यांमध्ये रूपांतर केले. फेल्टन, राज आणि सीमन्स (Felten, Raj and Seamans) यांनी प्रकाशित झालेल्या AI क्षमतेतील प्रगतीला O*NET क्षमता वर्गीकरणाशी (ability taxonomy) जोडून AI ऑक्युपेशनल एक्सपोजर (AIOE) गुणांक तयार केला. एलाउंडौ इत्यादींनी (Eloundou et al.) कामाच्या पातळीवर क्राउड-वर्कर नोंदी आणि GPT-4 स्वयं-मूल्यमापन एकत्र करून, GPT-4 वर केंद्रित एक समांतर मोजमाप तयार केले.

त्यांचा मुख्य निष्कर्ष असा होता की 80% अमेरिकी कामगार अशा नोकऱ्या करतात जिथे किमान 10% कामे LLM-प्रभावित (LLM-exposed) आहेत. सर्वात जास्त प्रभाव उच्च-वेतन असलेल्या, पदवीची आवश्यकता असलेल्या व्यवसायांमध्ये एकवटलेला होता. हा निकाल ऑटोमेशन आधी नित्य, कमी-वेतनाच्या कामावर आघात करते या जुन्या अंतर्ज्ञानाच्या विरोधात जातो, आणि व्हाईट-कॉलर प्रश्न इतका तातडीचा का झाला आहे याचे स्पष्टीकरण देतो.

प्रत्येक चौकटीत सामायिक असलेला अंध कोपरा #

मूळ स्रोत या सर्व कामाबद्दल एक टोकदार दावा करतो. उद्धृत केलेल्या प्रत्येक चौकटीत एक रचनात्मक अंध कोपरा (architectural blind spot) सामायिक आहे: त्या ऑटोमेशनचे मॉडेल तयार करताना व्यवसाय अबाधित राहून सुटी कामे बाजूला काढली जातात असे मानतात. ऑटर-लेव्ही-मर्नेन कार्य चौकटीवर आधारित अंदाजांसह जवळजवळ सर्वच अंदाज हे गृहीतक सामायिक करतात की ऑटोमेशन एका वेळी एक काम काढून घेते आणि उरलेल्या मानवी कामाभोवती समन्वयाचे कवच म्हणून व्यवसाय टिकून राहतो.

हे रचनेबद्दलचे गृहीतक आहे, तंत्रज्ञानाबद्दलचे नाही. मशीन किती सक्षम आहे याबद्दल ते काहीही सांगत नाही. ते म्हणते की मशीनने कितीही कामे घेतली तरीही, उरलेला भाग एकत्र धरून ठेवण्यासाठी कोणाची तरी गरज असतेच.

पॅरालीगलचे (paralegal) उदाहरण हा मुद्दा ठोस करते. टास्क-एक्सपोजर विश्लेषण पॅरालीगलच्या 80% कामांना LLM-प्रभावित म्हणून चिन्हांकित करू शकते आणि तरीही व्यवसाय सुरक्षित आहे असा निष्कर्ष काढू शकते, कारण त्या कामांचा समन्वय साधण्यासाठी मानवी निर्णयक्षमतेची गरज असते. हा निष्कर्ष कवच गृहीतकातून (shell assumption) निघतो. कामे प्रभावित आहेत, परंतु त्यांच्यामधील शिलाई प्रभावित नाही, म्हणून नोकरी टिकून राहते.

मग स्रोताची मुख्य चाल येते: ज्या समन्वयाच्या अडथळ्याने पॅरालीगलच्या भूमिकेचे रक्षण केले होते, तो आता एजंटच्या प्लॅनिंग मॉड्यूलच्या आत आला आहे. जर हे खरे ठरले, तर ज्या तर्काने पॅरालीगलला सुरक्षित ठेवले होते तो काम करणे थांबवतो. संरक्षण समन्वयातून मिळाले होते. आणि समन्वय हेच नेमके काम आहे जे एजेंटिक प्रणाली करते.

मला वाटते की ही या शोधनिबंधातील सर्वात उपयुक्त कल्पना आहे, आणि ती तिच्या स्वतःच्या अटींवर स्वीकारली गेली पाहिजे. जुन्या चौकटी कामांबद्दल चुकीच्या नाहीत. कामे निघून गेल्यानंतर काय उरते याबद्दल त्या चुकीच्या आहेत. जे मोजमाप एका वेळी एका कामाला गुण देते, ते संपूर्ण क्रम एक एकक म्हणून हाताळणारी प्रणाली पाहू शकत नाही.

एजेंटिक म्हणून काय मोजले जाते #

जर युक्तिवाद एखाद्या फरकावर अवलंबून असेल, तर त्या फरकाला व्याख्येची गरज असते. स्रोत चार निकषांसह एक व्याख्या पुरवतो. एजेंटिक AI प्रणाली ती असते जी:

1. कामाच्या तपशिलाऐवजी (task specification) ध्येयाचा तपशील (goal specification) स्वीकारते;
2. ध्येय गाठण्यासाठी स्वायत्तपणे साधने निवडते आणि वापरते;
3. अनेक अनुमान टप्प्यांमध्ये (inference steps) स्थिती (state) कायम राखते; आणि
4. मधल्या टप्प्यांवर मानवी हस्तक्षेपाशिवाय पूर्ण झालेले कामाचे उत्पादन तयार करते.

ही यादी यादी म्हणूनच ठेवण्यासारखी आहे, कारण हे निकष स्वतंत्र आहेत आणि प्रत्येकाची स्वतंत्रपणे पडताळणी केली जाऊ शकते. केवळ प्रॉम्प्टला उत्तर देणारी प्रणाली पहिल्या निकषात अपयशी ठरते. प्रत्येक मधल्या टप्प्याला मंजुरी देण्यासाठी माणसाची गरज असलेली प्रणाली चौथ्या निकषात अपयशी ठरते.

सोप्या शब्दांत सांगायचे तर, एक एजंट ध्येय स्वीकारतो, साधने निवडतो, बहु-टप्प्यांची योजना राबवतो, स्वतःचे आउटपुट तपासतो आणि पूर्ण झालेले कामाचे उत्पादन सुपूर्द करतो. एजेंटिक प्रणाली टूल कॉल्सची साखळी तयार करतात, टप्प्यांमध्ये कायमस्वरूपी मेमरी राखतात, बहु-कृती क्रमांचे नियोजन करतात आणि जेव्हा मधले आउटपुट गुणवत्ता तपासणीत अपयशी ठरतात तेव्हा स्वतःहून सुधारणा (self-correct) करतात.

स्वतःहून सुधारणा करण्याचा हा तपशील प्रथमदर्शनी दिसतो त्यापेक्षा जास्त महत्त्वाचा आहे. एक टप्पा फसल्यावर तुटणाऱ्या पाइपलाइनला अजूनही जवळपास एका माणसाची गरज असते. जी प्रणाली फसलेली गुणवत्ता तपासणी ओळखते आणि पुन्हा प्रयत्न करते, तिने पूर्वी माणसाच्या उपस्थितीचे समर्थन करणाऱ्या देखरेखीचा काही भाग स्वतःमध्ये शोषून घेतला आहे.

शोधनिबंध आपल्या विषयाची व्याख्या अशा प्रकारे करतो: सुट्या कामांऐवजी संपूर्ण व्यावसायिक वर्कफ्लो पूर्ण करण्यास सक्षम असलेले स्वायत्त AI एजंट्स. "संपूर्ण" (entire) हा शब्द सर्व भार पेलतो. संपूर्ण युक्तिवाद एका सुट्या कामात आणि पूर्ण वर्कफ्लोमध्ये असलेल्या अंतराबद्दल आहे.

ही वेळ आत्ताच का आली आहे #

हा प्रश्न काल्पनिक नाही याचे दोन प्रकारचे पुरावे स्रोत सादर करतो. पहिला पुरावा क्षमतेशी संबंधित आहे. GPT-4-दर्जाची मॉडेल्स बार परीक्षा (bar exam) आणि यूएस मेडिकल लायसन्सिंग परीक्षेत (US Medical Licensing Exam) उत्तीर्ण होण्याच्या उंबरठ्यावर किंवा त्याहून पुढे पोहोचली, आणि CFA लेव्हल I उत्तीर्ण होण्याच्या काही टक्केवारी गुणांच्या आत आली. या अशा व्यवसायांसाठीच्या प्रमाणपत्र परीक्षा आहेत जे केवळ काम कठीण असल्यामुळेच प्रवेशावर निर्बंध घालतात.

दुसरा पुरावा प्रत्यक्ष वापराशी (deployment) संबंधित आहे. अमेझॉन, मायक्रोसॉफ्ट, सेल्सफोर्स, सर्व्हिसनाउ आणि वर्कडे (Amazon, Microsoft, Salesforce, ServiceNow and Workday) यांसारख्या प्रमुख एंटरप्राइझ तंत्रज्ञान कंपन्यांनी त्यांच्या 2024 च्या कमाईच्या कॉल्समध्ये आणि गुंतवणूकदारांच्या सादरीकरणात व्हाईट-कॉलर वर्कफ्लोला स्पर्श करणाऱ्या प्रत्यक्ष एजेंटिक वापराचा खुलासा केला. हा प्रत्यक्ष कामातील वापर (production deployment) आहे, संशोधनाचे डेमो नाही, आणि याची घोषणा शिक्षणतज्ञांऐवजी गुंतवणूकदारांसमोर करण्यात आली होती.

जेव्हा प्रत्यक्ष वापर आधीच कर्मचारी संख्येच्या (headcount) नियोजनावर परिणाम करत असतो, तेव्हाच कंपन्या अशा प्रकारचे खुलासे करतात असा अर्थ स्रोत यातून काढतो. स्रोत याला मोजमाप म्हणून नाही तर एक अर्थ लावणे (interpretation) म्हणून मांडतो, आणि त्याकडे तसेच पाहिले पाहिजे. मला दिलेल्या नोंदीत कुठेही थेट कर्मचारी संख्येचे आकडे दिलेले नाहीत. परंतु हा तर्क रास्त आहे: जोपर्यंत खर्चाच्या पायावर त्याचा परिणाम होत नाही तोपर्यंत कंपन्या सहसा गुंतवणूकदारांसमोर असा वापर मांडत नाहीत.

या दोन्ही गोष्टी एकत्र ठेवल्यास नवीन मोजमापाची गरज स्पष्ट होते. केवळ क्षमतेने हा मुद्दा पुढे रेटला नसता, आणि काही पथदर्शी प्रकल्पांनीही (pilots) नाही. परंतु जी क्षमता आधीच व्यावसायिक उंबरठे ओलांडत आहे, आणि तीही आधीच प्रत्यक्ष वापरात असलेल्या प्रणालींमध्ये, ती हे नक्कीच करते.

ATE गुणांक: तो काय मोजतो आणि काय नाही #

यावर शोधनिबंधाचे उत्तर म्हणजे एजेंटिक टास्क एक्सपोजर (ATE) गुणांक. हे एक एकत्रित परिमाण (composite metric) आहे जे एंड-टू-एंड वर्कफ्लो कव्हरेज, सध्याचे एजेंटिक AI क्षमता बेंचमार्क आणि एंटरप्राइझ स्वीकारण्याच्या वेगाचा विचार करण्यासाठी एसेमोग्लू-रेस्ट्रेपो कार्य विस्थापन चौकटीचा विस्तार करते. हा गुणांक एखादा व्यवसाय o सध्याच्या एजेंटिक AI प्रणालींद्वारे एंड-टू-एंड विस्थापनासाठी किती प्रमाणात संवेदनशील (exposed) आहे हे मोजतो.

यात तीन घटक समाविष्ट होतात: AI क्षमता गुण, वर्कफ्लो कव्हरेज घटक आणि लॉजिस्टिक स्वीकार वेग. वर्कफ्लो कव्हरेज घटक हा तो भाग आहे जो थेट अंध कोपऱ्यावर भाष्य करतो. स्रोत म्हणतो की पूर्वीच्या कामातून जी गोष्ट गहाळ आहे ती म्हणजे एखाद्या व्यवसायाची पूर्ण वर्कफ्लो रचना एजेंटिक AI च्या कार्यात्मक कक्षेत (operational envelope) बसते की नाही याचे मोजमाप, आणि तो याला वर्कफ्लो कव्हरेज घटक म्हणून औपचारिक रूप देतो. जुने गुणांक विचारतात की एखादे काम प्रभावित आहे का. हा गुणांक विचारतो की संपूर्ण वर्कफ्लो एक एजंट जे करू शकतो त्याच्या आत बसतो का.

या रचनेचे आणखी दोन भाग स्पष्ट केले आहेत. wo,t हे पद व्यवसाय o मधील काम t ची महत्त्व-भारित सुसंगतता (importance-weighted relevance) आहे, जी O*NET कार्य महत्त्व रेटिंगमधून घेतली आहे. आणि CAP(t), म्हणजेच क्षमता पद, हे AI बेंचमार्क साहित्य आणि प्रत्यक्ष वापर करणाऱ्यांच्या अहवालांवरून अंदाजित केले आहे. त्यामुळे कामाचे महत्त्व एका प्रमाणित व्यावसायिक डेटाबेसमधून येते, तर क्षमता दोन स्रोतांमधून येते: बेंचमार्क आणि क्षेत्रीय अहवाल.

शोधनिबंध कार्यपद्धतीबद्दल स्पष्ट आहे, आणि वाचकाने त्याला त्यावरच धरले पाहिजे. ATE गुणांक कॅलिब्रेटेड स्वीकार मापदंडांचा वापर करून O*NET कार्य डेटावरून अल्गोरिदमिक पद्धतीने मोजले जातात; ते रिग्रेशन अंदाज (regression estimates) नाहीत. याचे व्यावहारिक परिणाम आहेत. रिग्रेशन अंदाज प्रमाणित त्रुटी (standard errors) आणि ओळख युक्तिवादांच्या नेहमीच्या यंत्रणेसह येतो. कॅलिब्रेटेड अल्गोरिदमिक एकत्रित गुणांकामध्ये तसे नसते, आणि त्याचे आउटपुट मॉडेल-व्युत्पन्न प्रक्षेपणे (model-derived projections) असतात - हा शब्दप्रयोग स्वतः शोधनिबंध आपल्या विस्थापनाच्या आकड्यांसाठी वापरतो. मॉडेल त्याच्या मापदंडांखाली काय सुचवते याचे ते वर्णन करतात. प्रत्यक्षात काय घडले याची ते नोंद करत नाहीत.

माझा असा युक्तिवाद असेल की ही एक प्रामाणिक मांडणी आहे, आणि ज्या गोष्टीचा अंदाज बांधला जात आहे ती अद्याप घडलेलीच नाही अशा अंदाजाच्या समस्येसाठी हीच योग्य पद्धत आहे. स्पष्ट केलेल्या इनपुटवरून तयार केलेल्या एकत्रित गुणांकाची तपासणी केली जाऊ शकते, त्याला आव्हान दिले जाऊ शकते आणि तो पुन्हा कॅलिब्रेट केला जाऊ शकतो. जर कोणाचे स्वीकारण्याच्या वेगाबद्दल दुमत असेल, तर कोणता डायल फिरवायचा हे त्यांना माहित असते.

मॉडेल हे कुठे लागू करते #

याचा प्रायोगिक वापर व्यापक आहे. शोधनिबंध सहा प्रमुख व्यावसायिक गटांमध्ये पसरलेल्या 236 स्टँडर्ड ऑक्युपेशनल क्लासिफिकेशन (SOC) कोड्सवर ATE चौकट लागू करतो, आणि 2025-2030 या कालावधीसाठी अमेरिकेतील पाच प्रमुख तंत्रज्ञान प्रदेशांमध्ये मॉडेल-व्युत्पन्न विस्थापन प्रक्षेपणे तयार करतो. हे पाच प्रदेश म्हणजे सॅन फ्रान्सिस्को बे एरिया, सिएटल-टाकोमा-बेलव्ह्यू, ऑस्टिन-राउंड रॉक, न्यूयॉर्क-नेवार्क आणि बोस्टन-केंब्रिज.

शोधनिबंध याचे वर्णन विशेषतः एजेंटिक AI प्रणालींना लक्ष्य करणाऱ्या टास्क एक्सपोजर चौकटीचा पहिला बहु-प्रादेशिक प्रायोगिक वापर असे करतो. हा लेखकांनी केलेला अग्रक्रमाचा दावा आहे, आणि माझ्यासमोर असलेल्या सामग्रीवरून मी त्याची पडताळणी करू शकत नाही. मी इतकेच म्हणू शकतो की राष्ट्रीय-पातळीवरील अभ्यासांमध्ये सामायिक असलेल्या एका समस्येवर प्रादेशिक रचना हा एक समंजस प्रतिसाद आहे: एक्सपोजर हा व्यवसायांचा गुणधर्म आहे, परंतु स्वीकार (adoption) हा ठिकाणांचा आणि कंपन्यांचा गुणधर्म आहे.

स्रोताने दिलेल्या निकालांनुसार, क्रेडिट विश्लेषक, न्यायाधीश आणि शाश्वतता तज्ञ 0.43-0.47 च्या ATE गुणांकापर्यंत पोहोचतात. या गटाकडे पुन्हा एकदा पाहण्यासारखे आहे. क्रेडिट विश्लेषक, न्यायाधीश आणि शाश्वतता तज्ञ प्रशिक्षण, वेतन किंवा दैनंदिन कामात एकमेकांसारखे दिसत नाहीत. शोधनिबंधाच्या म्हणण्यानुसार त्यांच्यात काय साम्य आहे, तर एकाच श्रेणीत येणारा गुणांक. क्षेत्रानुसार किंवा तथाकथित सर्जनशीलतेनुसार नोकऱ्यांची "सुरक्षित" आणि "धोक्यात" अशी आळशीपणे वर्गवारी करण्याच्या विरोधात जाणारी खूण म्हणून मी याकडे पाहीन.

स्रोत जेवढे समर्थन देतो त्यापेक्षा जास्त अर्थ या आकड्यातून काढण्यासही मी विरोध करीन. माझ्याकडे असलेली सामग्री या तीन व्यवसायांसाठीची श्रेणी देते आणि उर्वरित 236 कोड्सच्या तुलनेत ती कशी आहे हे सांगत नाही. त्यामुळे हा आकडा दाखवतो की शोधनिबंधाच्या मोजपट्टीवर या भूमिका बऱ्याच प्रमाणात प्रभावित आहेत. त्या सर्वात जास्त प्रभावित आहेत असे तो दाखवत नाही.

प्रादेशिक निष्कर्षांसोबत एक सावधगिरीची टीप येते जी पुन्हा सांगण्यासारखी आहे. शोधनिबंध नमूद करतो की 2026-2027 मधील सिएटलच्या कर्मचाऱ्यांवरील परिणाम हे व्यापक राष्ट्रीय गैर-तांत्रिक कर्मचारी वर्ग 2028-2030 मध्ये काय अनुभवेल याची चुणूक (preview) दाखवतात. हा एक स्पष्ट केलेल्या विलंबासह (lag) वर्तवलेला अंदाज आहे, आणि तो सावधगिरीने मांडला आहे. मॉडेलने तयार केलेले एक गृहीतक म्हणून तो वाचला जातो, आणि त्याला सिद्ध झालेली वस्तुस्थिती मानले जाऊ नये. परंतु हा एका उपयुक्त प्रकारचा दावा आहे, कारण तो चुकीचा ठरेल इतपत विशिष्ट आहे. जर सिएटलचा सुरुवातीचा पॅटर्न 2028 पर्यंत राष्ट्रीय गैर-तांत्रिक कर्मचारी वर्गाकडे संक्रमित झाला नाही, तर मॉडेलमध्ये अशी समस्या आहे जी ते झटकून टाकू शकत नाही.

लेखाजोख्याची पुनर्संस्थापना बाजू #

केवळ विस्थापन गुणांक एसेमोग्लू-रेस्ट्रेपो कथेचा अर्धाच भाग सांगतो. त्यांच्या चौकटीत, नवीन-कामांची निर्मिती विस्थापनापेक्षा पुढे जाते की नाही यावर श्रमाचा वाटा अवलंबून असतो. ज्या शोधनिबंधाने या चौकटीचा विस्तार केला आणि केवळ विस्थापनच मोजले, त्याने या चौकटीला तिचा ताण (tension) देणारा भागच सोडून दिला असता.

हा शोधनिबंध तसे करत नाही. तो अशा व्यावसायिक श्रेणी ओळखतो जिथे एजेंटिक AI पुनर्संस्थापना प्रभाव निर्माण करतो: अशा नवीन भूमिका ज्या एजेंटिक वापरापूर्वी अस्तित्वात नव्हत्या, त्या मोठ्या प्रमाणावर मानवी देखरेख, गव्हर्नन्स आणि सहयोगाची मागणी निर्माण करतात. एकूण मिळून तो पुनर्संस्थापना प्रभावांमुळे फायदा होणाऱ्या सतरा उदयोन्मुख व्यावसायिक श्रेणी ओळखतो. त्या मानव-AI सहयोग, AI गव्हर्नन्स आणि डोमेन-विशिष्ट AI ऑपरेशन्स भूमिकांमध्ये केंद्रित आहेत.

याची कार्यपद्धती समजण्यास सोपी आहे. जर एजंट्स सुरुवातीपासून शेवटपर्यंत (end to end) वर्कफ्लो पार पाडत असतील, तर कोणाला तरी त्यांच्यावर देखरेख ठेवावी लागेल, ते ज्या नियमांखाली चालतात ते नियम ठरवावे लागतील, आणि त्यांच्या सोबतीने काम करावे लागेल. या गरजा नोकऱ्या म्हणून अस्तित्वात नव्हत्या कारण तोपर्यंत देखरेख ठेवण्यासाठी काहीही नव्हते.

या सतरा श्रेणी किती लोकांना रोजगार देतील, किंवा त्यांची वाढ ATE गुणांकांनी सुचवलेल्या विस्थापनाची भरपाई करेल की नाही, हे स्रोत मला सांगत नाही. त्यामुळे मी वापरू शकत असलेला डेटा मध्यवर्ती प्रश्न अनुत्तरित ठेवतो: पुनर्संस्थापना विस्थापनापेक्षा पुढे जाते की नाही. जो कोणी आत्मविश्वासाने लिहितो की ती पुढे जाते, किंवा जात नाही, तो पडताळणी केलेल्या दाव्यांच्या पलीकडे जात आहे. लेखाजोख्याच्या दोन्ही बाजू एकाच चौकटीत ठेवणे आणि नवीन भूमिका कुठे दिसतात याला नाव देणे हे या शोधनिबंधाचे योगदान आहे.

यातून काय घ्यावे #

यात एक पद्धतीशास्त्रीय (methodological) धडा आहे आणि एक व्यावहारिक धडा आहे.

पद्धतीशास्त्रीय धडा असा आहे की विश्लेषणाचे एककच उत्तर ठरवते. 47% वरून 9-14% पर्यंतची उडी व्यवसायांवरून कामांकडे वळल्यामुळे आली होती. शोधनिबंध असा युक्तिवाद करतो की आता आणखी एक पाऊल पुढे टाकण्याची गरज आहे - कामांवरून वर्कफ्लोकडे - कारण जी गोष्ट ऑटोमेट केली जात आहे ती आता सुटे काम राहिलेली नाही. प्रत्येक वेळी जेव्हा एकक बदलले तेव्हा अंदाज बदलले, आणि या क्षेत्राचा इतिहास असे सुचवतो की डेटाच्या निवडीइतकीच एककाच्या निवडीचीही काटेकोर छाननी होणे गरजेचे आहे.

व्यावहारिक धडा अशा कोणासाठीही आहे जे पुढील पाच वर्षांच्या आसपास कर्मचारी संख्या, प्रशिक्षण किंवा उत्पादनांचे नियोजन करत आहेत. एखाद्या भूमिकेतील 80% कामे प्रभावित आहेत असे सांगणारा गुणांक पुरेसा नाही, कारण उरलेला 20% भाग हा टिकाऊ मानवी गाभा (human core) आहे की केवळ एजंटचे प्लॅनिंग मॉड्यूल आता पुरवू शकेल असा डिंक आहे, हे तो सांगत नाही. वर्कफ्लो कव्हरेज घटक हा प्रश्न थेट विचारण्यासाठीच अस्तित्वात आहे.

ATE गुणांक हा कॅलिब्रेटेड मापदंड असलेला एक एकत्रित गुणांक आहे, आणि त्याची प्रक्षेपणे मॉडेल-व्युत्पन्न आहेत. ती 2025-2030 बद्दलचा एक संरचित युक्तिवाद आहेत, त्याची नोंद नाहीत. त्यांच्याकडे दुर्लक्ष करण्याऐवजी त्यांची चाचणी घेण्याचे हेच एक कारण आहे. सिएटल गृहीतक एक सुरुवातीची चाचणी देते: जर तेथील 2026-2027 चे परिणाम मॉडेल सुचवते तसेच दिसले, तर 2028-2030 मध्ये राष्ट्रीय गैर-तांत्रिक कर्मचारी वर्गापर्यंतचा विलंब ही पुढे लक्ष ठेवण्यासारखी गोष्ट बनते. आणि सतरा पुनर्संस्थापना श्रेणी तो प्रश्न उभा करतात जो हे दावे सोडवू शकत नाहीत: एजंट्सवर देखरेख ठेवण्यासाठी निर्माण केलेल्या भूमिका श्रमाच्या वाट्याला फरक पडेल इतक्या संख्येने येतील का.

वारंवार विचारले जाणारे प्रश्न #

पूर्वीच्या टास्क-एक्सपोजर चौकटी एजेंटिक AI च्या प्रभावाचा कमी अंदाज का बांधतात?

ऑटर-लेव्ही-मर्नेन परंपरेवर उभारलेल्या पूर्वीच्या चौकटी असे गृहीत धरतात की ऑटोमेशन सुटी कामे काढून टाकते तर व्यवसाय मानवी समन्वयाचे कवच म्हणून टिकून राहतो. एजेंटिक AI प्रणाली नियोजन, टूल वापर, स्थिती व्यवस्थापन आणि मधल्या गुणवत्ता तपासण्या स्वतःमध्ये शोषून घेतात ज्यासाठी पूर्वी मानवी समन्वयकाची गरज होती, ज्यामुळे सुट्या कामांऐवजी संपूर्ण वर्कफ्लो प्रभावित होतात.

एजेंटिक टास्क एक्सपोजर (ATE) गुणांक कसा मोजला जातो?

ATE हा एक अल्गोरिदमिक एकत्रित गुणांक आहे जो O*NET कार्य महत्त्व रेटिंग (wo,t), AI क्षमता बेंचमार्क आणि प्रत्यक्ष वापर अहवाल (CAP(t)), व्यवसायाचा पूर्ण वर्कफ्लो एजंटच्या कार्यात्मक कक्षेत बसतो की नाही हे मोजणारा वर्कफ्लो कव्हरेज घटक, आणि 236 SOC कोड्समधील कॅलिब्रेटेड लॉजिस्टिक स्वीकार वेग मापदंड यांच्यावरून तयार केला जातो.

नवीन रोजगार निर्मितीबाबत (पुनर्संस्थापना प्रभाव) या अभ्यासाला काय आढळले?

एसेमोग्लू-रेस्ट्रेपो पुनर्संस्थापना मार्गाचा विस्तार करत, हा अभ्यास मानव-AI सहयोग, AI गव्हर्नन्स आणि डोमेन-विशिष्ट AI ऑपरेशन्समध्ये केंद्रित असलेल्या सतरा उदयोन्मुख व्यावसायिक श्रेणी ओळखतो. त्या श्रेणींमधील वाढ वर्कफ्लो-पातळीवरील विस्थापनाची भरपाई करते की नाही, हा एक खुला प्रायोगिक प्रश्न राहिलेला आहे.

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.

शेवटचे पुनरावलोकन 2026-11-01.

# एजेंटिक AI प्रत्येक टास्क-एक्सपोजर अंदाजामागील गृहीतक मोडून काढतो — Sebastien Rousseau

> Originally published at [https://sebastienrousseau.com/mr/2026-10-25-ejentik-ai-pratyek-task-eksapojar-andajamagil/](https://sebastienrousseau.com/mr/2026-10-25-ejentik-ai-pratyek-task-eksapojar-andajamagil/)

टास्क-एक्सपोजर चौकटी व्यवसायाला एका अशा कवचासारखे मानतात जे माणसे अजूनही करत असलेल्या कामाभोवती टिकून राहते. एजेंटिक प्रणाली एक ध्येय गाठतात आणि पूर्ण झालेले कामाचे उत्पादन देतात.

Read the full article on sebastienrousseau.com: https://sebastienrousseau.com/mr/2026-10-25-ejentik-ai-pratyek-task-eksapojar-andajamagil/

एजेंटिक AI प्रत्येक टास्क-एक्सपोजर अंदाजामागील गृहीतक मोडून काढतो — Sebastien Rousseau

टास्क-एक्सपोजर चौकटी व्यवसायाला एका अशा कवचासारखे मानतात जे माणसे अजूनही करत असलेल्या कामाभोवती टिकून राहते. एजेंटिक प्रणाली एक ध्येय गाठतात आणि पूर्ण झालेले कामाचे उत्पादन देतात.

https://sebastienrousseau.com/mr/2026-10-25-ejentik-ai-pratyek-task-eksapojar-andajamagil/

एजेंटिक AI प्रत्येक टास्क-एक्सपोजर अंदाजामागील गृहीतक मोडून काढतो — Sebastien Rousseau

टास्क-एक्सपोजर चौकटी व्यवसायाला एका अशा कवचासारखे मानतात जे माणसे अजूनही करत असलेल्या कामाभोवती टिकून राहते. एजेंटिक प्रणाली एक ध्येय गाठतात आणि पूर्ण झालेले कामाचे उत्पादन देतात.

येथे मुख्य धोरणात्मक मुद्दे आहेत:

- अंदाज जे लक्ष्यापेक्षा खूप पुढे गेले. औद्योगिक रोबोट्सनी उत्पादन क्षेत्रातील कामगारांना विस्थापित केले हे खरे आहे.
- कार्य चौकटी कशा काम करतात. हा ताण कुठून येतो हे पाहण्यासाठी, कार्य परंपरा (task tradition) नेमका काय दावा करते हे अचूकपणे समजून घेणे उपयुक्त ठरते.
- प्रत्येक चौकटीत सामायिक असलेला अंध कोपरा. मूळ स्रोत या सर्व कामाबद्दल एक टोकदार दावा करतो.
- एजेंटिक म्हणून काय मोजले जाते. जर युक्तिवाद एखाद्या फरकावर अवलंबून असेल, तर त्या फरकाला व्याख्येची गरज असते.

या लेखात मांडलेल्या आव्हानांसाठी तुमच्या संस्थेचा दृष्टिकोन काय आहे?

→ https://sebastienrousseau.com/mr/2026-10-25-ejentik-ai-pratyek-task-eksapojar-andajamagil/

#एजेंटिक #मोडतो #गृहीतक #मागील #टास्कएक्सपोजर

Sebastien Rousseau | CC-BY-4.0

@online{rousseau2026एज,
  author  = {Rousseau, Sebastien},
  title   = {{एजेंटिक AI प्रत्येक टास्क-एक्सपोजर अंदाजामागील गृहीतक मोडून काढतो — Sebastien Rousseau}},
  year    = {2026},
  url     = {https://sebastienrousseau.com/mr/2026-10-25-ejentik-ai-pratyek-task-eksapojar-andajamagil/},
  urldate = {2026}
}

TY  - GEN
AU  - Rousseau, Sebastien
TI  - एजेंटिक AI प्रत्येक टास्क-एक्सपोजर अंदाजामागील गृहीतक मोडून काढतो — Sebastien Rousseau
PY  - 2026
UR  - https://sebastienrousseau.com/mr/2026-10-25-ejentik-ai-pratyek-task-eksapojar-andajamagil/
ER  -

Rousseau S. एजेंटिक AI प्रत्येक टास्क-एक्सपोजर अंदाजामागील गृहीतक मोडून काढतो — Sebastien Rousseau. sebastienrousseau.com. 2026 Oct 25. Available from: https://sebastienrousseau.com/mr/2026-10-25-ejentik-ai-pratyek-task-eksapojar-andajamagil/

Rousseau, Sebastien. "एजेंटिक AI प्रत्येक टास्क-एक्सपोजर अंदाजामागील गृहीतक मोडून काढतो — Sebastien Rousseau." sebastienrousseau.com. October 25, 2026. https://sebastienrousseau.com/mr/2026-10-25-ejentik-ai-pratyek-task-eksapojar-andajamagil/.

Rousseau, S. (2026, October 25). एजेंटिक AI प्रत्येक टास्क-एक्सपोजर अंदाजामागील गृहीतक मोडून काढतो — Sebastien Rousseau. sebastienrousseau.com. https://sebastienrousseau.com/mr/2026-10-25-ejentik-ai-pratyek-task-eksapojar-andajamagil/

एजेंटिक AI प्रत्येक टास्क-एक्सपोजर अंदाजामागील गृहीतक मोडून काढतो — Sebastien Rousseau

टास्क-एक्सपोजर चौकटी व्यवसायाला एका अशा कवचासारखे मानतात जे माणसे अजूनही करत असलेल्या कामाभोवती टिकून राहते. एजेंटिक प्रणाली एक ध्येय गाठतात आणि पूर्ण झालेले कामाचे उत्पादन देतात.

Originally published at https://sebastienrousseau.com/mr/2026-10-25-ejentik-ai-pratyek-task-eksapojar-andajamagil/ by Sebastien Rousseau.
Licensed under CC-BY-4.0.

SEBASTIEN ROUSSEAU · FOUNDER · ENGINEER