न्यू यॉर्क फेड के अगस्त 2026 पैनल में इकसठ प्रतिशत सेवा कंपनियाँ AI का इस्तेमाल करती हैं। और जो करती हैं, उनमें वास्तव में AI इस्तेमाल करने वाले कर्मचारियों का औसत (मीडियन) हिस्सा है 17% (New York Fed, 2026)। विनिर्माण क्षेत्र के लिए ये दोनों आँकड़े हैं 51% और 7%।
इनमें से एक आँकड़ा बोर्ड की स्लाइड पर पहुँचता है। दूसरा आपका असली रोलआउट है।
अपनाना कंपनी-स्तर का एक टिक-मार्क है: कहीं कोई कुछ इस्तेमाल कर रहा है। पैठ वह हिस्सा है जिसके कर्मचारियों का कार्यदिवस अब उस टूल से होकर गुज़रता है। 2026 की जो भी AI योजना मैं पढ़ती हूँ, वह लगभग हमेशा पहले आँकड़े पर लिखी जाती है और दूसरे पर लागू होती है — और इन दोनों के बीच की खाई ही वह जगह है जहाँ बिज़नेस केस चुपचाप दम तोड़ देता है।
वह पैनल जिसे अगले रिन्यूअल से पहले पढ़ना चाहिए
ये आँकड़े Federal Reserve Bank of New York के अगस्त 2026 के Empire State Manufacturing Survey और Business Leaders Survey से आते हैं — न्यू यॉर्क और उत्तरी न्यू जर्सी की कंपनियों से पूछे गए AI प्रश्नों की तीसरी वार्षिक लहर, जिसे 1 सितंबर को Jaison R. Abel, Richard Deitz, Natalia Emanuel और Nick Montalbano ने प्रकाशित किया (New York Fed, 2026)।
जिस हिस्से को उद्धृत किया जाता है, वह है अपनाने का वक्र:
- AI इस्तेमाल करने वाली सेवा कंपनियाँ: 25% (2024) → 40% (2025) → 61% (2026)
- AI इस्तेमाल करने वाली विनिर्माण कंपनियाँ: 16% (2024) → 26% (2025) → 51% (2026)
दो वर्षों में सेवाओं में अपनाना लगभग दोगुना और विनिर्माण में तिगुना हो गया। सिर्फ़ इसी साक्ष्य के आधार पर, रोलआउट पूरा हो चुका है।
उसी पैनल के दो और निष्कर्ष कहते हैं कि यह मुश्किल से शुरू ही हुआ है।
पैठ। अपनाने वालों में, औसत सेवा कंपनी में 17% कर्मचारी AI टूल्स पर हैं। औसत विनिर्माण कंपनी में 7%।
तीव्रता। तीन-चौथाई सेवा कंपनियाँ और 90% से अधिक विनिर्माण कंपनियाँ अपने AI निवेश को न्यूनतम से मामूली बताती हैं। लगभग 5% सेवा कंपनियाँ इसे एक बड़ा रणनीतिक निवेश कहती हैं।
तीनों तथ्यों को एक साथ पकड़िए। अपनाना लगभग सार्वभौमिक है, खर्च अब भी न्यूनतम से मामूली है, और लगभग हर छह में से एक कर्मचारी टूल्स पर है। ये तथ्य केवल तभी विरोधाभासी लगते हैं जब आप अपनाने को तैनाती का पर्याय मानते रहे हों।
17% आपके बिज़नेस केस के साथ क्या करता है
इसे मिड-मार्केट पैमाने पर चलाइए। 200 पूर्णकालिक कर्मचारियों वाली एक सेवा कंपनी आराम से अपनाने वालों के खाने में आती है। यदि मीडियन टिकता है, तो लगभग 34 लोग ऐसे हैं जिनके काम को AI छूता है — 200 नहीं।
अब मानक ROI गणना लीजिए: प्रति नॉलेज वर्कर X घंटे की बचत, कर्मचारियों की संख्या से गुणा। जब दायरे में 34 लोग हों और आप इसे 200 पर लागू करें, तो अकेला भागीदारी वाला पद ही रिटर्न को लगभग छह गुना बढ़ा-चढ़ाकर दिखाता है। और यह तब है जब किसी ने यह बहस शुरू भी नहीं की कि बचे हुए घंटे असली हैं या नहीं, और जब आपकी टीम आउटपुट सुधारने में जो समय लगाती है उसे घटाया भी नहीं गया है।
यह सुधार निराशावाद नहीं है। यह एक हर (denominator) है। आपके द्वारा मापी गई पैठ पर बना बिज़नेस केस एक छोटा आँकड़ा है जो वित्त विभाग के संपर्क में टिक जाता है; कर्मचारी-संख्या पर बना केस नहीं टिकता।
लागत आपकी बाधा नहीं है — न अपनाने वाले इसे साबित करते हैं
फेड की रिलीज़ का सबसे उपयोगी अनुच्छेद वह है जो उन कंपनियों के बारे में है जिन्होंने AI नहीं अपनाया। कारण पूछे जाने पर लगभग आधी ने कहा कि उनका काम AI के लिए उपयुक्त नहीं है। लगभग एक-चौथाई ने कहा कि तकनीक अभी पर्याप्त अच्छी नहीं है। एक-तिहाई से अधिक ने डेटा गोपनीयता और सुरक्षा का हवाला दिया। लगभग एक-तिहाई ने कहा कि उनके पास तकनीकी रूप से दक्ष कर्मचारी नहीं हैं।
लागत सबसे कम उल्लेखित बाधाओं में से थी (New York Fed, 2026)।
इस निष्कर्ष को एक खास किस्म की आंतरिक बहस समाप्त कर देनी चाहिए। यदि कीमत ही बाध्यकारी बाधा होती, तो समाधान एक बड़ा बजट मद होता और अपनाना ही पूरा खेल होता। ऐसा नहीं है। घोषित बाधाएँ हैं — कार्य-उपयुक्तता, आउटपुट की विश्वसनीयता, डेटा गवर्नेंस और आंतरिक क्षमता। ये चार समस्याएँ हैं जिन्हें कोई लाइसेंस छूता तक नहीं।
यही तीव्रता वाले आँकड़े की भी व्याख्या करता है। कंपनियाँ न्यूनतम-से-मामूली इसलिए नहीं खरीद रहीं कि उनके पास पैसे नहीं हैं। वे इसलिए खरीद रही हैं क्योंकि उन्हें अभी तक वह काम नहीं मिला जिस पर इसे लक्षित किया जाए।
एक दूसरा उपकरण AI की पैठ मापता है, अपनाना नहीं
कंपनी की स्व-घोषणा एक कमज़ोर मापक है, और फेड का पैनल पूरी तरह स्व-घोषणा पर टिका है। इसलिए यह मायने रखता है कि एक ऐसी पद्धति, जो किसी से कुछ पूछती ही नहीं, उसी नतीजे पर पहुँचती है।
ActivTrak की Productivity Lab ने 120,620 कर्मचारियों की व्यवहारगत टेलीमेट्री से AI अपनाने की परिपक्वता वर्गीकृत की — देखी गई गतिविधि के आधार पर, न कि लाइसेंस, लॉगिन या सर्वेक्षणों के। उसने पाया कि 27% कर्मचारी शोध-सहायता चरण पर हैं, 14% कार्य-निष्पादन पर, और 2% वर्कफ़्लो एकीकरण पर — वह चरण जहाँ AI इस बात में गुँथा होता है कि काम वास्तव में कैसे होता है (ActivTrak, 2026)।
दोनों उपकरण परिमाण पर असहमत हैं और आकार पर सहमत: पहुँच बढ़ रही है, एकीकरण नहीं। ध्यान देने योग्य बात यह है कि ActivTrak के 2% प्रकाशित करने से ठीक एक दिन पहले Gallup ने "संगठनात्मक AI अपनाना छह अंक उछला" शीर्षक छापा था। वही सप्ताह, वही अर्थव्यवस्था, दो कहानियाँ — क्योंकि एक वितरण माप रहा था और दूसरा बदला हुआ काम।
पुनर्प्रशिक्षण ही एकमात्र कार्यबल लीवर है जो सचमुच हिल रहा है
यहीं फेड का डेटा दूसरे प्रभुत्वशाली आख्यान को तोड़ता है।
AI इस्तेमाल करने वाली सेवा कंपनियों में: 4% ने AI के कारण छँटनी की (2025 में 1% थी), 15% ने कम भर्ती की, 13% ने अधिक भर्ती की। किसी भी विनिर्माण कंपनी ने 2025 या 2026 में AI-जनित छँटनी की सूचना नहीं दी (New York Fed, 2026)।
"अधिक भर्ती" लगभग "कम भर्ती" को काट देती है। छँटनियाँ सीमांत और केंद्रित हैं। AI इन कंपनियों के साथ जो भी कर रहा हो, पुनर्गठन उसका तंत्र नहीं है।
पुनर्प्रशिक्षण है। AI इस्तेमाल करने वाली सेवा कंपनियों में से एक-तिहाई से कुछ अधिक ने AI के जवाब में कर्मचारियों को पुनर्प्रशिक्षित किया; विनिर्माण कंपनियों में से एक-पाँचवें से अधिक ने ऐसा किया। इससे पुनर्प्रशिक्षण पूरे पैनल का सबसे बड़ा एकल कार्यबल समायोजन बन जाता है — और इसका अर्थ है कि अपनाने वालों में से आधे से भी कम उस इकलौते लीवर को खींच रहे हैं जो हिला है।
समस्या यह है कि वह पुनर्प्रशिक्षण सिखाता क्या है
फेड के लेखक सामग्री को साफ़-साफ़ बताते हैं: यह भारी बहुमत में कर्मचारियों को उनका मौजूदा काम बेहतर करने में मदद करने के बारे में है, न कि उन्हें पूरी तरह नई भूमिकाओं के लिए तैयार करने के बारे में — AI साक्षरता, टूल प्रशिक्षण, प्रॉम्प्ट तकनीक, कार्य-विशिष्ट अनुप्रयोग, साथ ही आउटपुट सत्यापन और डेटा प्रबंधन पर ज़िम्मेदार उपयोग का प्रशिक्षण।
उपयोगी। और समस्या का सस्ता आधा हिस्सा भी।
Deloitte की State of AI in the Enterprise 2026 — 24 देशों के 3,235 नेता — ने वैश्विक पैमाने पर वही असंतुलन पाया: 53% AI दक्षता बढ़ाने के लिए कार्यबल को प्रशिक्षित कर रहे हैं, लेकिन केवल 30% नए AI पैटर्न के इर्द-गिर्द संगठन को पुनर्कल्पित कर रहे हैं और 33% करियर पथ पुनर्रचित कर रहे हैं (Deloitte, 2026)।
और Microsoft का 2026 Work Trend Index, जो 10 देशों के 20,000 कर्मचारियों पर किया गया, बताता है कि कौन-सा आधा हिस्सा भुगतान करता है। संगठनात्मक कारक — संस्कृति, प्रबंधकीय समर्थन, प्रतिभा प्रथाएँ — व्यक्तिगत कारकों की तुलना में वास्तविक AI प्रभाव का दोगुने से अधिक हिस्सा चलाते हैं: 67% बनाम 32% (Microsoft, 2026)।
एक व्यक्ति को प्रशिक्षित कीजिए और आप उसकी दक्षता बढ़ाते हैं। वास्तविक प्रभाव का दो-तिहाई उसके चारों ओर के कार्य-डिज़ाइन में बैठा है। फेड का पैनल दिखाता है कि अधिकांश कंपनियाँ दक्षता खरीद रही हैं, और केवल एक-तिहाई तो वह भी खरीद रही है।
ईमानदार प्रति-तर्क
चार सीमाएँ, स्पष्ट शब्दों में।
नमूना क्षेत्रीय और स्व-घोषित है। यह न्यू यॉर्क और उत्तरी न्यू जर्सी की बात है, जिसका उत्तर कंपनी प्रतिनिधियों ने दिया — कर्मचारियों का राष्ट्रीय प्रायिकता नमूना नहीं। क्षेत्र का क्षेत्रीय मिश्रण और वित्त व व्यावसायिक सेवाओं का भार अपनाने के आँकड़े को आकार देते हैं। पैनल को दिशा और संरचना के लिए पढ़िए, राष्ट्रीय बिंदु-अनुमान के रूप में नहीं।
17% टूटा हुआ नहीं, सही भी हो सकता है। न अपनाने वालों में से आधों ने कहा कि उनका काम AI के लिए उपयुक्त नहीं है — सेवा और परिचालन कार्य के बड़े हिस्सों में यह एक बचाव-योग्य स्थिति है। कम पैठ केवल उस बिज़नेस केस के सापेक्ष विफलता है जिसने कुछ और मान लिया था। यदि आपके केस ने 100% मान लिया था और आपने 17% के लिए बनाया, तो त्रुटि धारणा में है।
मीडियन आपकी कंपनी नहीं है। फेड औसत (मीडियन) अपनाने वाले की रिपोर्ट करता है; वितरण प्रकाशित नहीं है। उस पैनल की कुछ कंपनियाँ 17% से कहीं ऊपर हैं और कुछ 2% पर। जिस आँकड़े पर कार्रवाई करनी है वह आपका अपना है — इसीलिए नीचे की पहली सिफ़ारिश एक माप है, निर्णय नहीं।
समुच्चय की शांति केंद्रित क्षति को छिपा सकती है। फेड की पोस्ट स्वयं Stanford Digital Economy Lab के काम की ओर इशारा करती है, जिसके अनुसार प्रवेश-स्तर के कर्मचारी वहाँ भी उल्लेखनीय रूप से प्रभावित हो सकते हैं जहाँ कंपनी-स्तर के प्रभाव छोटे दिखते हैं। "केवल 4% ने किसी को निकाला" कंपनी-स्तर का आँकड़ा है, 23 वर्षीय विश्लेषक के लिए आश्वासन नहीं।
इस तिमाही क्या तय करना है
चार कदम। इनमें से एक मुफ़्त है।
- अपनी पैठ का आँकड़ा निकालिए और उसे लाइसेंस-संख्या के बगल में छापिए। जारी किए गए लाइसेंस नहीं — आपके कार्यबल का वह हिस्सा जिसका साप्ताहिक आउटपुट प्रमाणित रूप से बदला है। एक पंक्ति में दो आँकड़े पूरे रिन्यूअल संवाद को नए सिरे से गढ़ देते हैं, और इन्हें निकालने का डेटा आपके पास पहले से है।
- बिज़नेस केस को कर्मचारी-संख्या पर नहीं, पैठ पर दोबारा लिखिए। कर्मचारी-संख्या वाले गुणक को अपनी मापी गई दायरे-भीतर की आबादी से बदलिए। यदि केस फिर भी पास होता है, तो आपके पास एक असली केस है। यदि वह केवल 200 कर्मचारियों पर पास होता था, तो कभी था ही नहीं।
- सौ लोगों के बजाय एक वर्कफ़्लो हिलाइए। ActivTrak का 2% ही वह चरण है जो रिटर्न देता है। एक ही एंड-टू-एंड वर्कफ़्लो चुनिए, उसके हैंडऑफ़ पुनः डिज़ाइन कीजिए, और आगे किसी भी लाइसेंस विस्तार को वहाँ एकीकरण तक पहुँचने की शर्त से बाँधिए। विस्तार सस्ती धुरी है और वही सबने खरीदी है।
- वह पुनर्प्रशिक्षण वित्तपोषित कीजिए जो आपके दो-तिहाई प्रतिस्पर्धी नहीं करते — और उसे दक्षता से नहीं, पुनर्रचना से आँकिए। अपनाने वालों में से आधे से भी कम पुनर्प्रशिक्षण करते हैं, जिससे यह ज़मीन सस्ते में जीती जा सकती है। कार्यक्रम को इस आधार पर परखिए कि कोई भूमिका या प्रक्रिया आकार बदली या नहीं — इस आधार पर नहीं कि कितने लोगों ने प्रॉम्प्टिंग मॉड्यूल पूरा किया।
61% अपनाना आपको बताता है कि बाज़ार हिल चुका है। 17% पैठ आपको बताती है कि अभी कोई पहुँचा नहीं है।
यही खाई इस तकनीक में वह इकलौता प्रतिस्पर्धी लाभ है जो अब भी मिड-मार्केट कीमतों पर उपलब्ध है — और यह उसी तिमाही बंद हो जाएगी जिसमें आपके क्षेत्र का कोई व्यक्ति लाइसेंस गिनना बंद करके बदला हुआ काम गिनना शुरू कर देगा।
