Google ने 1,46,53,926 डी-आइडेंटिफ़ाइड Gemini संवादों को 800 से अधिक व्यवसायों और 4,000 O\*NET कार्यों पर मैप किया। AI 68% विस्तृत व्यवसायों में दिखाई दिया — यानी अमेरिका के लगभग 88% नियोजित नागरिक कामगार। लेकिन उनमें से किसी एक सामान्य व्यवसाय के भीतर, इसने केवल 21% कार्यों को छुआ (Google ATLAS v1.0, 2026)।
दो-तिहाई नौकरियाँ। काम का पाँचवाँ हिस्सा।
और जहाँ काम ग़ैर-नियमित और संज्ञानात्मक है — निर्णय, विश्लेषण, समस्या-समाधान, यानी वही श्रेणी जिसके लिए आप अपने सबसे महँगे लोगों को रखते हैं — वहाँ एंड-टू-एंड ऑटोमेशन 10% से कम संवादों का स्पष्ट इरादा है। बाक़ी 90% ड्राफ़्टिंग, समीक्षा, सूचना खोज और ऊँची आवाज़ में सोचना है।
अगर आपका AI बिज़नेस केस भूमिकाएँ हटाने पर टिका है, तो यही वह संख्या है जो उसे तोड़ती है। इसलिए नहीं कि उपकरण कमज़ोर हैं, बल्कि इसलिए कि गणित ग़लत इकाई पर बनाया गया था। किसी नौकरी का पाँचवाँ हिस्सा एक कर्मचारी का पाँचवाँ हिस्सा नहीं होता।
ATLAS ने क्या मापा, और यह अलग क्यों उतरता है
Google का AI & Economy ATLAS (Activity, Task, Landscape, and Adoption Study) ने 6 से 19 अप्रैल 2026 के बीच Gemini App, AI Mode और Gemini API पर हुए संवादों का नमूना लिया, फिर उन्हें 150 देशों और 140 भाषाओं में आधिकारिक व्यवसाय एवं कार्य वर्गीकरणों पर मैप किया। रिपोर्ट में डेम डायेन कॉयल (Cambridge) और डॉ. डेविड ऑटोर (MIT) का योगदान रहा — ऑटोर वही अर्थशास्त्री हैं जिन्होंने दो दशक यह तर्क देते हुए बिताए हैं कि तकनीक श्रम को नौकरी-दर-नौकरी नहीं, कार्य-दर-कार्य बदलती है (Google, 2026)।
AI अपनाने के जो अधिकांश आँकड़े आपने देखे हैं, वे स्व-घोषित हैं। एक सर्वेक्षण किसी प्रबंधक से पूछता है कि क्या उसकी टीम AI का उपयोग करती है, और प्रबंधक उस प्रश्न का उत्तर देता है जो वह पूछा जाना चाहता था। ATLAS व्यवहार-आधारित है: यह देखता है कि लोग वास्तव में मॉडल के पास क्या लाए, फिर कार्य को वर्गीकृत करता है। यह बदलाव मायने रखता है, क्योंकि घोषित अपनाव और देखा गया कार्य-कवरेज एक ही माप नहीं हैं और उन्होंने कभी एक ही संख्या नहीं दी।
वितरण 21% के माध्यक से कहीं अधिक विषम है। 29% विस्तृत व्यवसायों में ATLAS ने कोई कार्य-संतृप्ति दर्ज ही नहीं की — स्टॉकर और ऑर्डर भरने वाले, भोजन तैयार करने वाले कर्मी, कचरा संग्राहक, गश्ती पुलिसकर्मी। दूसरे छोर पर, केवल 3% व्यवसायों ने अपने तीन-चौथाई या अधिक कार्यों में AI उपयोग दिखाया: सॉफ़्टवेयर QA विश्लेषक और परीक्षक, मानव संसाधन विशेषज्ञ, और दस्तावेज़ प्रबंधन विशेषज्ञ (PPC Land, 2026)।
सौ में से तीन व्यवसाय गहराई से कवर हैं। यही आपकी ऑटोमेशन उम्मीदवार सूची है। यह आपकी स्लाइड के दावे से छोटी है।
Google द्वारा स्वयं की गई तुलना अंशांकन के लिए दर्ज करने योग्य है: Anthropic के Economic Index ने पाया कि लगभग 36% व्यवसाय अपने कम से कम एक-चौथाई कार्यों के लिए AI का उपयोग करते थे; Google का समकक्ष आँकड़ा लगभग 30% है, और लेखक इस अंतर को मुख्यतः सख़्त गोपनीयता सीमाओं को जिम्मेदार ठहराते हैं, न कि व्यवहार में वास्तविक भिन्नता को (PPC Land, 2026)। दो स्वतंत्र डेटासेट, दो अलग विक्रेता, एक ही आकृति: चौड़ी और उथली।
एंड-टू-एंड ऑटोमेशन 10% से नीचे क्यों रहता है
ATLAS ने संवाद समूहों को पाँच इरादों में वर्गीकृत किया: कार्य ऑटोमेशन, आंशिक ड्राफ़्टिंग और जनरेशन, समीक्षा और परिष्करण, विचार-सृजन और रणनीति, तथा सूचना खोज और अधिगम।
परिणाम प्रतिस्थापन की मानक कथा को उलट देता है। ग़ैर-नियमित संज्ञानात्मक-विश्लेषणात्मक कार्य O\*NET वर्गीकरण के सभी कार्यों का 35% हैं, लेकिन Gemini के कार्य-संवादों का 65%। लोग AI की ओर सबसे अधिक अपने काम के सबसे कठिन, सबसे कम मानकीकृत हिस्सों में बढ़ते हैं — और ठीक वहीं वे पूरा काम सबसे कम सौंपते हैं। उन संवादों में से 10% से कम एंड-टू-एंड ऑटोमेशन का इरादा दिखाते हैं। नियमित संज्ञानात्मक काम में, एक-चौथाई से अधिक दिखाते हैं (Google ATLAS v1.0, 2026)।
तंत्र रहस्यमय नहीं है। कोई कार्य पूरी तरह तभी सौंपा जाता है जब आउटपुट एक नज़र में जाँचा जा सके और ग़लती की लागत सीमित हो। डेटासेट को दोबारा फ़ॉर्मैट करना इस श्रेणी में आता है। किस आपूर्तिकर्ता को हटाना है, यह तय करना नहीं आता। ग़ैर-नियमित काम ठीक वही काम है जिसकी शुद्धता अधिकांश सोच दोहराए बिना पुष्ट नहीं की जा सकती — इसलिए इंसान लूप में बना रहता है, और बचा हुआ समय वास्तविक तो है, पर आंशिक।
Google निहितार्थ साफ़ कहता है: आँकड़े इस दावे का समर्थन नहीं करते कि AI श्वेत-कॉलर काम के बड़े पैमाने पर ऑटोमेशन और विस्थापन के कगार पर है। लेखक यह भी दर्ज करते हैं कि इरादा-वर्गीकरण प्रारंभिक है और क्षमताएँ बढ़ने पर व्यवहार बदल सकता है। इस वाक्य के दोनों हिस्से आपकी नियोजन धारणाओं में जाने चाहिए।
आपकी हेडकाउंट गणित एक ऐसी गहराई मान लेती है जो आपके पास नहीं है
यहीं यह एक दिलचस्प चार्ट से हटकर संचालन की समस्या बन जाता है।
मिड-मार्केट का मानक AI बिज़नेस केस प्रति-कार्य समय बचत को कार्य मात्रा से गुणा करता है, घंटों को FTE में बदलता है, और अंतर को दर्ज कर लेता है। यह गणितीय रूप से तभी चलता है जब बची हुई घड़ियाँ लगातार हों और ऐसी भूमिका की हों जिसका शेष काम कहीं और समाहित किया जा सके। ATLAS कहता है कि बचा हुआ समय कार्य-पोर्टफ़ोलियो के पाँचवें हिस्से में बिखरा है — नौकरी के उन्हीं हिस्सों में जो कभी अड़चन थे ही नहीं।
माध्यक स्थिति को शब्दशः लीजिए। AI किसी भूमिका के 21% कार्यों को कवर करता है। उदारता से मानिए कि हर कार्य में 40% समय की कमी आती है। यह भूमिका के कुल कार्य-समय में 8% की कमी है। आपने कोई व्यक्ति मुक्त नहीं किया। आपने सबका एक टुकड़ा मुक्त किया, जो सप्ताह भर में इतने छोटे हिस्सों में बँटा है कि न पुनः आवंटित हो सकता है, न टाइमशीट पर दिखता है।
यही कारण है कि इतने सारे पायलट एक साथ उत्साही उपयोगकर्ता और स्थिर परिचालन लागत दोनों बताते हैं। दोनों सच हैं। बचतें वास्तविक हैं और बचतें वसूलने योग्य नहीं हैं, क्योंकि उन्हें वसूलने के लिए कार्य-समेकन चाहिए — बाक़ी 79% को एक पुनर्रचित भूमिका में ले जाना — और यह काम किसी को सौंपा ही नहीं गया।
गहरा जाल 3% वाला है। जब बिज़नेस केस किसी प्रकाश-स्तंभ कार्यप्रणाली पर बनाया जाता है — QA परीक्षण, HR दस्तावेज़ प्रबंधन, उच्च-कवरेज प्रशासनिक काम — तो वहाँ देखी गई कवरेज दर चुपचाप बाक़ी संगठन पर बढ़ा दी जाती है। वह हस्तांतरित नहीं होती। सौ में से वे तीन व्यवसाय संरचनात्मक रूप से असामान्य हैं: उच्च कार्य-मानकीकरण, स्वाभाविक रूप से पाठ्य आउटपुट, तत्काल सत्यापनीयता। आपके वित्तीय विश्लेषकों और अकाउंट मैनेजरों में इनमें से एक भी गुण नहीं है।
विशेषज्ञता का वह उलटाव जिसकी किसी ने क़ीमत नहीं लगाई
आपकी मौजूदा योजना में जो निष्कर्ष सबसे अधिक ग़लत होने की संभावना रखता है, वह यह है कि लाभ किसे मिलता है।
प्रचलित धारणा यह है कि AI जूनियरों को खोखला करता है और सीनियरों को बढ़ाता है। ATLAS दोनों सिरों से इसे जटिल बनाता है। उपयोग की तीव्रता वेतन के साथ तेज़ी से बढ़ती है — किसी व्यवसाय की माध्यक कमाई में 1% वृद्धि उपयोग-तीव्रता में 2.5% से अधिक वृद्धि से जुड़ी है, और शैक्षिक स्तर को नियंत्रित करने पर यह गिरकर 1.86% हो जाती है। रोज़गार-भारित आधार पर नमूने में माध्यक वार्षिक आय 62,252 डॉलर है; Gemini संवादों से भारित करने पर 82,919 डॉलर; टोकन से भारित करने पर 86,157 डॉलर (PPC Land, 2026)।
यानी वरिष्ठ, अच्छा वेतन पाने वाले लोग ही भारी उपयोगकर्ता हैं। लेकिन ऑटोर और थॉम्पसन की पद्धति से हर कार्य का विशेषज्ञता-स्तर आँकने पर — जो कार्य-कथन की शब्दावली की दुर्लभता और क्षेत्र-विशिष्टता को मापती है — उपयोग सबसे अधिक सबसे कम विशेषज्ञता वाले संज्ञानात्मक कार्यों में अति-प्रतिनिधित्व पाता है। किसी रिपोर्ट को दूसरी भाषा में फिर से लिखना। उत्पाद विनिर्देश तैयार करना।
उच्च-विशेषज्ञता वाले कर्मचारी AI के पास अपना निम्न-विशेषज्ञता वाला काम ला रहे हैं।
यह उलटाव अध्ययन की सबसे कार्रवाई-योग्य बात है, और यह अधिकांश परिनियोजन योजनाओं के ठीक उलट दिशा दिखाता है। मूल्य इसमें केंद्रित नहीं है कि आप अपने वरिष्ठ लोगों को कठिन निर्णयों के लिए एक अधिक बुद्धिमान सोच-साथी दें; यह इसमें केंद्रित है कि महँगे कैलेंडरों से निम्न-विशेषज्ञता वाला अवशेष हटाया जाए। अगर आपका रोलआउट इस सिद्धांत पर जूनियर भूमिकाओं को लक्षित करता है कि उनका काम अधिक स्वचालित करने योग्य है, तो आप देखे गए ढाल के विरुद्ध तैनाती कर रहे हैं। अपनाव विवेकाधिकार का अनुसरण करता है, कार्य की सरलता का नहीं — लोग AI वहाँ इस्तेमाल करते हैं जहाँ उन्हें यह तय करने का अधिकार है कि उनका अपना काम कैसे हो।
यह प्रमाण कहाँ रुक जाता है
ईमानदार सीमाएँ, क्योंकि किसी Head of Operations को किसी विक्रेता की अपनी टेलीमेट्री पर उन्हें आँके बिना कार्रवाई नहीं करनी चाहिए।
ATLAS यानी Google द्वारा Google का मापन। यह केवल Gemini सतहों को देखता है, इसलिए किसी अन्य सहायक पर मानकीकृत कंपनी फ़्रेम से बाहर रह जाती है। यह तेज़ी से बदलते बाज़ार में दो सप्ताह का नमूना है। एंटरप्राइज़ प्लेटफ़ॉर्म — Workspace, Gemini Enterprise, एजेंटिक कोडिंग उपकरण — बड़े पैमाने पर विस्तृत डेटासेट से बाहर हैं, और ठीक वहीं गहरी, वर्कफ़्लो में अंतर्निहित ऑटोमेशन की सबसे अधिक संभावना है। 86% से अधिक संवाद काम से जुड़े नहीं हैं; कार्य-संवाद App और AI Mode ट्रैफ़िक का लगभग 13.5% हैं, इसलिए काम से जुड़ा उप-नमूना बड़ा होने पर भी एक हिस्सा भर है।
और सबसे महत्वपूर्ण, ATLAS व्यवहार मापता है, परिणाम नहीं। एक पूर्ण संवाद यह नहीं बताता कि व्यक्ति को जो चाहिए था वह मिला या नहीं, या एक मिनट भी बचा या नहीं (Forte Group, 2026)।
इनमें से कुछ भी हेडकाउंट बिज़नेस केस को नहीं बचाता। एंटरप्राइज़ एजेंटिक उपकरणों का कम मापन यह ऊपरी सीमा ज़रूर बढ़ाएगा कि ऑटोमेशन किस दिशा में जा रहा है; पर यह नहीं बदलता कि 21% की माध्यक कार्य-कवरेज उस संगठन के लिए क्या अर्थ रखती है जिसे आप इस तिमाही चला रहे हैं। और पूर्वाग्रह की दिशा का नाम लेना भी ज़रूरी है: यहाँ एक मॉडल विक्रेता ऐसा अध्ययन प्रकाशित कर रहा है जो उसी ऑटोमेशन कथा को कमज़ोर करता है जिससे उसका अपना व्यावसायिक हित सधता है। जो निष्कर्ष प्रकाशक के प्रोत्साहन के विरुद्ध जाते हैं, वे अधिक भार के हक़दार हैं, कम के नहीं।
वह ऑडिट जो अनुमान की जगह लेता है
अगली AI बजट समीक्षा से पहले एक ठोस क़दम: उपकरण गिनना बंद कीजिए और कार्य गिनना शुरू कीजिए।
उन तीन भूमिकाओं को चुनिए जिन पर आपका सबसे बड़ा AI निवेश टिका है। हर एक के लिए कार्य-पोर्टफ़ोलियो लिखिए — 15 से 25 अलग-अलग कार्य, सरल शब्दों में। हर कार्य को दो प्रश्नों पर आँकिए: क्या आउटपुट किसी योग्य व्यक्ति द्वारा एक मिनट से कम में जाँचा जा सकता है, और क्या ग़लत उत्तर की लागत उसे दोबारा करने से अधिक है। जिन कार्यों की जाँच सस्ती है और ग़लती भी सस्ती है, वही आपका असली ऑटोमेशन समुच्चय हैं। बाक़ी सब सहायता है, और सहायता गुणवत्ता तथा चक्र-समय में दिखती है, हेडकाउंट में कभी नहीं।
फिर मापिए कि वास्तव में आपकी कवरेज दर क्या है। यदि यह 21% के आसपास है, तो आप माध्यक पर हैं — सामान्य, न असफल, और न ही कोई बचत-मद। यदि कोई भूमिका 60% पार कर जाए, तो आपने उन 3% में से एक पा ली है: बचत के अपने-आप प्रकट होने का इंतज़ार करने के बजाय उस भूमिका को जानबूझकर पुनर्रचित कीजिए। यदि कोई भूमिका एक साल के लाइसेंस के बाद भी 10% से नीचे है, तो समस्या न उपकरण है, न लोग। काम का आकार ही इसके अनुकूल नहीं है, और वह लाइसेंस खर्च कहीं और का हक़ है।
इस निष्कर्ष का असहज संस्करण ही उपयोगी संस्करण भी है। AI आपकी कंपनी की लगभग हर नौकरी में है और लगभग किसी में गहराई तक नहीं, एंड-टू-एंड ऑटोमेशन योजना नहीं बल्कि अपवाद बना हुआ है, और प्रतिफल उसी निम्न-विशेषज्ञता वाले अवशेष में पड़ा है जो आपके सबसे महँगे कैलेंडरों को जाम कर रहा है। जाइए, उसे वापस लीजिए। यह सुर्ख़ी के वादे से छोटा है, और कहीं अधिक वसूलने योग्य।
