स्वायत्त कोडिंग एजेंटों ने डेवलपरों की कमिट गतिविधि में संचयी रूप से 240% की बढ़त दी। रिलीज़ — वह चरण जहाँ सॉफ़्टवेयर ग्राहक तक पहुँचता है — केवल 30% बढ़े (Demirer, Musolff & Yang, NBER, 2026)। वही डेवलपर, वही औज़ार, वही अध्ययन, वही समय-खिड़की। मापी गई बढ़त का आठ-दसवाँ हिस्सा कंपनी की चारदीवारी से बाहर कभी निकला ही नहीं।
यही अंतर इस साल लिखे गए अधिकांश AI बिज़नेस केस का आकार है। पायलट उस चरण को मापता है जिसे औज़ार तेज़ करता है। उस चरण को कोई नहीं मापता जो डिलीवरी को नियंत्रित करता है, क्योंकि उस चरण से कोई लाइसेंस शुल्क नहीं जुड़ा होता।
पेपर का शीर्षक है Writing Code vs. Shipping Code, और शीर्षक में मौजूद यही भेद पूरा निष्कर्ष है। AI उत्पादकता बढ़त वास्तविक है, बड़ी है, और कार्य-स्तर पर मापी गई है। ग्राहक तक वह भारी छूट के साथ पहुँचती है।
5,00,000 डेवलपर का अध्ययन वह देखता है जो पायलट नहीं देख सकता
मर्ट डेमिरर (MIT Sloan), लियोन मुज़ॉल्फ़ और लियुआन यांग ने AI उपयोग टेलीमेट्री को 5,00,000 से अधिक GitHub डेवलपरों से मिलान-आधारित इवेंट स्टडी डिज़ाइन में जोड़ा, फिर औज़ारों की क्रमिक पीढ़ियों में प्रभाव का पीछा किया (NBER Working Paper 35275, 2026)।
पीढ़ी-वार परिणामों को अलग रखना उचित है, क्योंकि अधिकांश पाठक यही हिस्सा उद्धृत करना चाहेंगे:
- ऑटोकम्प्लीट: कमिट पर +30% संचयी प्रभाव
- इंटरैक्टिव कोडिंग एजेंट: +180%
- स्वायत्त कोडिंग एजेंट: +240%
हर पीढ़ी एक वास्तविक छलांग है। जो यह तर्क दे कि एजेंटिक औज़ार कार्य-स्तरीय थ्रूपुट नहीं हिलाते, वह एक बहुत बड़े नमूने से बहस कर रहा है।
फिर आती है क्षीणता। कमिट पर वह 240% का प्रभाव परियोजनाओं की संख्या पर घटकर 80% और वास्तविक रिलीज़ पर 30% रह जाता है। और जब लेखक GitHub से बाहर निकलकर चार बड़े सॉफ़्टवेयर मार्केटप्लेस तक गए, तो उन्होंने नए ऐप्स की संख्या में तीव्र वृद्धि पाई और कुल उपयोग में कोई वृद्धि नहीं।
अधिक कोड लिखा गया। थोड़ी अधिक परियोजनाएँ शुरू हुईं। थोड़ा अधिक भेजा गया। उपयोग में कुछ भी अधिक नहीं हुआ।
मार्केटप्लेस वाला परिणाम अलग भार का हक़दार है, क्योंकि यह एक सुविधाजनक व्याख्या को ख़ारिज करता है। केवल अवरोध की कहानी एक बैकलॉग की भविष्यवाणी करती — उत्पादन जो द्वार के पीछे प्रतीक्षा कर रहा हो और द्वार चौड़ा होते ही वापस मिल जाए। पर नए ऐप्स बढ़े जबकि कुल उपयोग नहीं बढ़ा, और यह रिलीज़ चरण से परे किसी चीज़ की ओर इशारा करता है: बाज़ार ने अधिक आपूर्ति सोख ली, पर अधिक माँग पैदा नहीं की। लुप्त बढ़त का एक हिस्सा मानवीय समीक्षा के पीछे कतार में है। एक हिस्सा वैसे भी कभी मूल्य नहीं बनता, क्योंकि जिस चीज़ की किसी ने माँग ही नहीं की, उसका अधिक उत्पादन उत्पादन नहीं है। दोनों व्याख्याएँ किसी संचालन प्रमुख को ऐसे बिज़नेस केस के प्रति सतर्क करेंगी जो कार्य-स्तरीय गति को सीधे राजस्व में बदल देता है।
AI उत्पादकता बढ़त अंतिम चरण से पहले क्यों मर जाती है
लेखकों की व्याख्या कमज़ोर-कड़ी परिकल्पना है, और यह AI से जुड़ी किसी भी बात से पुरानी और अधिक स्थापित है: बहु-चरणीय उत्पादन शृंखला में कुल उत्पादन औसत चरण से नहीं, बल्कि सबसे कम सुधरे चरण से तय होता है।
कोड लिखना एक चरण है। समीक्षा, इंटीग्रेशन परीक्षण, सुरक्षा स्वीकृति, रिलीज़ अनुमोदन और परिनियोजन बाकी चरण हैं — और कोडिंग औज़ारों की किसी पीढ़ी ने उन्हें छुआ तक नहीं। इसलिए बाधा खिसक गई। वह ग़ायब नहीं हुई; वह त्वरण के ठीक बाद वाले पहले मानवीय द्वार पर चली गई।
लोच का आँकड़ा ही तर्क है
पेपर इस पर एक गुणांक रखता है: AI और मानव श्रम के बीच अनुमानित 0.23 की प्रतिस्थापन लोच (Demirer et al., NBER, 2026)।
सीधे पढ़िए। कम लोच का अर्थ है मज़बूत पूरकता। AI और उसके बाद वाले मनुष्य एक ही काम के लिए लड़ रहे विकल्प नहीं हैं — वे ऐसे आगत हैं जिन्हें मोटे तौर पर अनुपात में एक-दूसरे की ज़रूरत है। एक को तिगुना कर दीजिए और दूसरे को न छुइए, तो तिगुना उत्पादन नहीं मिलेगा। कतार मिलेगी।
यह वही आँकड़ा है जो हर उस व्यक्ति के सामने रखा जाना चाहिए जिसकी योजना चुपचाप यह मान लेती है कि पर्याप्त अच्छा एजेंट अंततः समीक्षक को भी सोख लेगा। उपलब्ध सर्वोत्तम अनुमान इसका उल्टा कहता है, और दशमलव के साथ कहता है।
आपकी पाइपलाइन का आकार भी यही है
सॉफ़्टवेयर परिदृश्य है, दायरा नहीं। जिस संरचना ने यह परिणाम दिया — क्रमिक चरण, आगे मशीन से तेज़ किया जा सकने वाला काम, पीछे मानवीय निर्णय के द्वार — वही संरचना 50 से 500 पूर्णकालिक कर्मचारियों वाली कंपनी की लगभग हर संचालन प्रक्रिया की है।
ऑर्डर-टू-कैश: कोटेशन बनाना स्वचालित हो सकता है; क्रेडिट स्वीकृति और अपवाद प्रबंधन नहीं। हायर-टू-ऑनबोर्ड: सोर्सिंग और स्क्रीनिंग स्वचालित हो सकती है; ऑफ़र का निर्णय और पहले सप्ताह के हस्तांतरण नहीं। टिकट-टू-रेज़ोल्यूशन: ट्राइएज और मसौदा स्वचालित हो सकता है; एस्केलेशन का निर्णय नहीं।
हर मामले में AI का बजट आगे वाले चरण पर बैठता है और क्षमता की छत पीछे वाले चरण पर टिकी होती है।
एक दोपहर में अपनी कमज़ोर कड़ी कैसे ढूँढें
इस निदान के लिए नए औज़ार नहीं चाहिए। एक प्रक्रिया लीजिए और उसके चरण शुरू से अंत तक लिख डालिए — छह या सात सामान्य है। हर चरण के लिए दो बातें अंकित कीजिए: पिछले बारह महीनों में AI ने उसे छुआ या नहीं, और आज उसके आगे कतार कैसी दिखती है।
कमज़ोर कड़ी लगभग हमेशा वह पहला चरण होती है जो पहले प्रश्न का उत्तर नहीं और दूसरे का बढ़ रही है देता है। आम तौर पर यह ऐसा चरण होगा जिसे एक या दो वरिष्ठ लोग सँभालते हैं, जो यह सब शुरू होने से पहले ही एस्केलेशन बिंदु थे — ठीक इसीलिए किसी ने उसके स्वचालन का प्रस्ताव नहीं रखा, और ठीक इसीलिए वह अधिक मात्रा नहीं सोख सकता।
फिर वह प्रश्न पूछिए जो बजट की बातचीत का ढाँचा बदल देता है: यदि यह चरण प्रति सप्ताह 20% अधिक इकाइयाँ संसाधित करे, तो उसका मूल्य कितना होगा? इसकी तुलना ऊपरी सिरे के लाइसेंसों की अगली किश्त की लागत से कीजिए। मध्य-बाज़ार की अधिकांश पाइपलाइनों में तुलना पास-पास भी नहीं है।
स्वतंत्र प्रमाण कहते हैं कि यह असंतुलन लगभग सार्वभौमिक है। 1,20,620 कर्मचारियों पर व्यवहारगत टेलीमेट्री ने पाया कि केवल 2% ही वर्कफ़्लो-एकीकरण परिपक्वता पर हैं — यानी AI का उपयोग किसी पुनर्रचित प्रक्रिया के भीतर, न कि किनारे की खोज के रूप में; 27% अब भी साधारण शोध-सहायता पर टिके हैं (ActivTrak Productivity Lab, 2026)। यदि 98% अपनाव प्रक्रिया के इर्द-गिर्द हो रहा है, उसके भीतर नहीं, तो बाद वाले चरण कभी दायरे में थे ही नहीं।
उत्पादन डेटा दूसरे सिरे से वही इशारा करता है। एजेंट बनाम सर्च उपयोग के एक अध्ययन में मिलान किए गए कार्य 269 मिनट के मुक़ाबले 36 मिनट में पूरे हुए, यानी 87% समय की कटौती — जबकि आगे का काम ग़ायब होने के बजाय ऊपर, सत्यापन और विस्तार की ओर खिसक गया (Perplexity & HBS, arXiv, 2026)। मानवीय काम गया नहीं। वह उस चरण पर चला गया जिसे आप माप नहीं रहे थे।
जिस द्वार को आपने बजट नहीं दिया, वही महँगा भी है
दो और निष्कर्ष बाद वाले चरण को साधारण कतार-समस्या से कहीं अधिक अनदेखा करने योग्य नहीं रहने देते।
पहला, वह औज़ार से महँगा है। एजेंटों की इकाई-अर्थव्यवस्था पर McKinsey QuantumBlack के विश्लेषण ने पाया कि बैंकिंग ग्राहक-सेवा एजेंट के लिए टोकन लागत परिवर्तनीय संचालन लागत का केवल 20–25% है, जबकि मानवीय पर्यवेक्षण 70–75% है (McKinsey QuantumBlack, 2026)। जिस चरण को आपका बिज़नेस केस मुफ़्त ओवरहेड मानता है, वही संचालन लागत का अधिकांश हिस्सा है।
दूसरा, वह भार के नीचे बिगड़ता है। 2,500 ज्ञान-कर्मियों के एक सर्वेक्षण में पाया गया कि 42% AI के आउटपुट को जाँचने में उससे अधिक समय लगाते हैं जितना उसके उपयोग से बचाते हैं, और 52% नियमित रूप से सहकर्मियों द्वारा तैयार AI-जनित काम को सुधारते हैं (Adaptavist, 2026)। अपरिवर्तित समीक्षा चरण से अधिक मात्रा धकेलिए और समीक्षक उसे पुनः-कार्य के रूप में सोख लेंगे — ठीक इसी तरह ऊपरी सिरे की 240% बढ़त निचले सिरे पर 30% बन जाती है।
तो कमज़ोर कड़ी केवल धीमी नहीं है। वह लागत-केंद्र है, और वह पहले से संतृप्त है।
ईमानदार प्रतिवाद
तीन सीमाएँ, किसी और के कहने से पहले कही गईं।
लेखकों का एक विक्रेता के साथ घोषित संबंध है। डेमिरर और मुज़ॉल्फ़ दोनों पहले Microsoft में पोस्टडॉक्टोरल शोध पदों पर रहे और आज कंपनी के लिए वेतनभोगी शोध सलाहकार हैं — यह वर्किंग पेपर पर ही घोषित है। निष्कर्ष व्यावसायिक हित के विरुद्ध जाता है (यह कोडिंग औज़ारों के दावा-योग्य आउटपुट प्रभाव पर सीमा लगाता है), और यही वह दिशा है जो हितों के टकराव को कम चिंताजनक बनाती है। फिर भी इसे दर्ज कीजिए।
अनुमान मसौदों के बीच बदले हैं, और यह उद्धरण के तरीक़े के लिए मायने रखता है। मई 2026 के संस्करण ने छोटा नमूना और अलग गुणांक बताए थे; सितंबर 2026 का संशोधन 5,00,000 से अधिक डेवलपर, 30/180/240% के पीढ़ीगत प्रभाव और 0.23 की लोच बताता है। क्षीणता का पैटर्न दोनों में टिका रहा। यदि आप इस पेपर का कोई आँकड़ा बोर्ड प्रस्तुति में उद्धृत करें, तो वर्तमान संशोधन उद्धृत कीजिए और तारीख़ डालिए — वर्किंग पेपर अंतिम परिणाम नहीं होते, और उद्धरण योग्य वही होते हैं जिनका स्वरूप संशोधन से बच निकलता है।
एक उद्योग सभी उद्योग नहीं है। सॉफ़्टवेयर में चरणों की सीमाएँ असामान्य रूप से साफ़ हैं और टेलीमेट्री असामान्य रूप से अच्छी। आपके वित्तीय क्लोज़ या आपकी फ़ुलफ़िलमेंट शृंखला में हर चरण पर मानवीय भागीदारी अधिक गहरी हो सकती है, जो ऊपरी बढ़त और क्षीणता दोनों को दबा देगी। दिशा हस्तांतरित होती है। परिमाण तब तक आपके नहीं जब तक आप उन्हें माप न लें।
इस तिमाही में क्या तय करना है
चार क़दम। तीन में ध्यान के अलावा कोई लागत नहीं।
- किसी एक प्रक्रिया के अंतिम मानवीय द्वार का नाम लीजिए। प्रक्रिया-स्वामी नहीं — वह विशिष्ट अनुमोदन, समीक्षा या हस्ताक्षर चरण जिससे हर कार्य-इकाई को "पहुँचा दिया गया" गिने जाने से पहले गुज़रना पड़ता है। यदि आप उसे एक वाक्य में नाम नहीं दे सकते, तो वही निष्कर्ष है।
- दोनों चरणों को अलग-अलग मापिए। आपका मौजूदा मापदंड लगभग निश्चित रूप से त्वरित चरण की गतिविधि गिनता है: तैयार मसौदे, छाँटे गए टिकट, बनाए गए कोटेशन। डिलीवरी चरण पर एक काउंटर जोड़िए। दोनों का अनुपात ही आपकी क्षीणता है, और इस लेख में यही एकमात्र आँकड़ा है जो सचमुच आपकी कंपनी के बारे में है।
- AI बजट की अगली वृद्धि को नीचे की ओर ले जाइए। यदि कमज़ोर-कड़ी वाला निष्कर्ष आपकी पाइपलाइन में टिकता है, तो ऊपरी सिरे की एक और सीट का सीमांत प्रतिफल शून्य के क़रीब है, और द्वार खोलने का सीमांत प्रतिफल वह सब है जो यह द्वार अभी रोके हुए है। यह पुनर्आवंटन है, नया ख़र्च नहीं।
- फ़नल चौड़ा करने से पहले द्वार को फिर से डिज़ाइन कीजिए। अपरिवर्तित समीक्षा चरण के सामने ऊपरी मात्रा बढ़ाना कतार और पुनः-कार्य पैदा करता है, उत्पादन नहीं। क्रम उलट दीजिए: पहले द्वार ठीक कीजिए, फिर मात्रा जाने दीजिए।
आपकी AI उत्पादकता बढ़त वास्तविक है। अध्ययन यह ऐसे पैमाने पर कहता है जहाँ कोई आंतरिक पायलट कभी नहीं पहुँचेगा।
और वह उस व्यक्ति के पीछे कतार में भी खड़ी है जिसे किसी ने बजट में नहीं रखा। इस तिमाही का सवाल यह नहीं है कि आपकी टीम कितनी तेज़ी से काम पैदा कर सकती है। सवाल यह है कि उस काम में से कितना आपका संगठन अब भी पूरा कर पाता है।
