बावन प्रतिशत ज्ञान-कर्मी अब नियमित रूप से ऐसा AI-जनित काम सुधारते हैं जो किसी और ने तैयार किया है (Adaptavist, 2026)। अपना आउटपुट नहीं — किसी सहकर्मी का। पाँच देशों के 2,500 कर्मचारियों पर हुए इसी सर्वेक्षण में 42% कहते हैं कि वे AI आउटपुट जाँचने में उससे ज़्यादा समय लगाते हैं जितना उसके इस्तेमाल से बचाते हैं। इन दोनों आँकड़ों को साथ पढ़िए और वजह साफ़ हो जाती है कि AI का दोबारा-काम किसी बिज़नेस केस में क्यों नहीं दिखता: जो व्यक्ति बचत दर्ज करता है और जो लागत उठाता है, वे एक ही व्यक्ति नहीं हैं — और अक्सर एक ही टीम में भी नहीं।
यह तकनीक की समस्या से पहले लेखांकन की समस्या है।
अध्ययन, और इसे अलग क्या बनाता है
Adaptavist ने यह शोध मार्च 2026 में ब्रिटेन, अमेरिका, कनाडा, जर्मनी और स्पेन में किया — 2,500 ज्ञान-कर्मी; यह 2025 के डिजिटल ट्रांसफॉर्मेशन अध्ययन की अगली कड़ी है (Adaptavist, 2026)। रिपोर्ट एक उपयोगी शब्द गढ़ती है: सत्यापन कर।
मुख्य आँकड़े:
- 52% सहकर्मियों द्वारा तैयार AI-जनित काम नियमित रूप से सुधारते हैं
- 42% AI आउटपुट जाँचने में उससे ज़्यादा समय देते हैं जितना बचाते हैं
- 49% कहते हैं कि घटिया AI आउटपुट परियोजनाओं को सचमुच धीमा करता है
- 46% कहते हैं कि AI ने उनके काम को ज़्यादा दोहरावदार और कम सार्थक बना दिया है
आख़िरी आँकड़ा वही है जिसे अधिकांश लोग छोड़ जाते हैं। किसी और के मशीन-आउटपुट को सुधारना दिलचस्प काम नहीं है। यह विकास नहीं देता, मूल्यांकन में शायद ही गिना जाता है, और जिसने टूल मंज़ूर किया उसके लिए पूरी तरह अदृश्य रहता है।
यह भी देखिए कि अध्ययन क्या नहीं कहता। यह AI-विरोधी डेटा नहीं है: इन्हीं उत्तरदाताओं में से 67% चाहते हैं कि उनका संगठन AI का उपयोग बढ़ाए, 60% स्वयं को पर्याप्त प्रशिक्षित मानते हैं, और 66% कहते हैं कि अपनाने की प्रक्रिया पारदर्शिता से बताई गई (Adaptavist, 2026)। ये वे लोग हैं जो तकनीक चाहते हैं और वितरण की विफलता बता रहे हैं, क्षमता की नहीं।
आपका डैशबोर्ड "हाँ" क्यों कहता है जबकि साइकिल टाइम कुछ नहीं कहता
मध्य-बाज़ार में AI का माप लगभग हमेशा प्रति-सीट होता है: तैनात लाइसेंस, चले प्रॉम्प्ट, स्वयं बताए गए बचे घंटे, विभागवार अपनाने का प्रतिशत। ये सभी मापदंड उत्पादन के बिंदु पर एकत्र होते हैं।
दोबारा-काम कहीं एकत्र नहीं होता, क्योंकि वह प्राप्ति के बिंदु पर होता है।
मार्केटिंग नब्बे सेकंड में पहला मसौदा बनाती है और नब्बे मिनट की बचत दर्ज करती है। लीगल आत्मविश्वास से लिखे गए एक ग़लत संदर्भ को ठीक करने में चालीस मिनट लगाती है। मार्केटिंग का डैशबोर्ड ईमानदार है। लीगल के चालीस मिनट किसी सामान्य कार्यभार मद में गिर जाते हैं, और कोई दोनों का मिलान नहीं करता। इसे फ़ाइनेंस, ऑपरेशंस, सपोर्ट और प्रोडक्ट में दोहराइए और आपको मध्य-बाज़ार रिपोर्टिंग का लगभग सार्वभौमिक पैटर्न मिलेगा: बताई गई समय-बचत हर तिमाही बढ़ती है, और साइकिल टाइम ठीक वहीं रहता है जहाँ था।
तीन गुण जो इस लागत को दिखने नहीं देते
यह एक सीमा पार करती है। लागत लेखांकन टीम के हिसाब से बनता है। जो लागत एक टीम में जन्म लेकर दूसरी में गिरती है, उसका कोई स्वाभाविक स्वामी नहीं होता — इसलिए दोनों में से कोई उसे दर्ज नहीं करता।
यह बिना बिल वाली वरिष्ठता है। सुधार करने वाला आमतौर पर ज़्यादा वरिष्ठ पक्ष होता है — वह व्यक्ति जिसके पास ग़लती पकड़ने भर की विषय-समझ है। आप अपनी सबसे ऊँची प्रति-घंटा दरें उस आउटपुट की सफ़ाई पर ख़र्च कर रहे हैं जो सबसे नीची दर पर बना।
इसे बताना सामाजिक रूप से असहज है। "मैंने दोपहर सहकर्मी का AI मसौदा ठीक करने में बिताई" स्टेटस रिपोर्ट की सहज पंक्ति नहीं है, इसलिए इसे मूल कार्य के रूप में दर्ज कर दिया जाता है।
यह वह वापसी नहीं है जिसके बारे में आप पहले पढ़ चुके हैं
दो निकटवर्ती निष्कर्ष अक्सर इससे मिला दिए जाते हैं, और यही अंतर तय करता है कि आप कौन-सा लीवर खींचें।
Glean का Work AI Index — 6,000 डिजिटल कर्मी, Stanford, UC Berkeley और Harvard के शोधकर्ताओं के साथ तैयार — बताता है कि AI हफ़्ते में लगभग 11 घंटे बचाता है, जबकि कर्मी लगभग 6.4 घंटे "बॉटसिटिंग" में जलाते हैं: निगरानी, डिबगिंग और टूल बदलना (Glean, 2026)। वह उसी कर्मी पर लौटती लागत है। जो समय बचाता है वही उसे चुकाता है, और उपचार है संदर्भ तक पहुँच — आपके सिस्टम मॉडल को किस डेटा तक पहुँचने देते हैं।
METR के यादृच्छिक परीक्षण ने अलग विफलता दिखाई: 16 अनुभवी ओपन-सोर्स डेवलपर, उनके अपने रिपॉज़िटरी में 246 वास्तविक कार्य। उन्होंने 24% तेज़ी का अनुमान लगाया, बाद में माना कि 20% लाभ हुआ, और मापन में वे 19% धीमे निकले (METR, 2025)। वह धारणा की विफलता है — स्वयं बताई गई बचत अपने ही कोड पर काम करते विशेषज्ञों से भी अविश्वसनीय है।
Adaptavist तीसरी चीज़ बताता है: पार्श्विक हस्तांतरण। न वही कर्मी ख़ुद को चुकाता है, न कोई ग़लत समझा गया लाभ — बल्कि एक लागत जो एक कॉस्ट सेंटर छोड़कर दूसरे में पहुँचती है। संदर्भ-टूलिंग इसे ठीक नहीं करेगी। बेहतर स्व-रिपोर्टिंग भी नहीं। केवल सीमा पर मापन करेगा।
वैसे, ये तीनों निष्कर्ष जुड़ते हैं। यदि बचत स्रोत पर बढ़ा-चढ़ाकर बताई गई है (METR), कुछ हिस्सा उसी कर्मी द्वारा पुनः खप गया (Glean), और कुछ सहकर्मी को निर्यात हो गया (Adaptavist), तो एक सामान्य मध्य-बाज़ार वर्कफ़्लो में बचा शुद्ध लाभ किसी भी एकल अध्ययन के संकेत से कहीं छोटा है।
आकार तय कीजिए: 200 FTE पर सत्यापन कर कितना बैठता है
अध्ययन अनुपात बताता है, घंटे नहीं — इसलिए कोई भी रक़म आपका गणित है, Adaptavist का नहीं। फिर भी कीजिए: तर्क परिमाण के स्तर पर है।
200 लोगों की कंपनी लीजिए जहाँ 120 ज्ञान-कार्य करते हैं। यदि 52% नियमित रूप से सहकर्मियों का AI आउटपुट सुधारते हैं, तो यह लगभग 62 लोग हुए। मान लीजिए — रूढ़िवादी ढंग से, और यही वह मान्यता है जिसे मानने के बजाय परखना चाहिए — प्रति व्यक्ति सप्ताह में दो घंटे। यह हुआ 124 घंटे साप्ताहिक, लगभग 6,400 घंटे सालाना, यानी तीन पूर्णकालिक पदों के बराबर जिन्हें आपने कभी नियुक्त नहीं किया, बजट में नहीं रखा, चर्चा तक नहीं की।
अब देखिए ये घंटे किसके हैं। सुधार के लिए यह समझ चाहिए कि ग़लत क्या है, इसलिए भार आपके वरिष्ठ व्यक्तिगत योगदानकर्ताओं पर केंद्रित होता है — वही लोग जिनका नाम आप लेंगे यदि पूछा जाए कि किसे बदलना सबसे कठिन है। आप अपनी सबसे दुर्लभ समझ के तीन FTE ऐसी सफ़ाई पर ख़र्च कर रहे हैं जो किसी के लक्ष्यों में दर्ज नहीं है।
आँकड़ा उदाहरण भर है। अभ्यास नहीं: इसे अपनी संख्या और अपने अनुमान से दोहराइए, AI बजट के मालिक के सामने रखिए, और देखिए बातचीत कितनी तेज़ी से लाइसेंस-गिनती से प्रक्रिया-डिज़ाइन की ओर मुड़ती है।
अध्ययन आपको क्या नहीं बता सकता
तीन सीमाएँ, साफ़ शब्दों में। यह स्व-रिपोर्टेड है, इसलिए 42% शुद्ध समय की धारणा है, उसका मापन नहीं — और METR का काम सीधी चेतावनी है कि स्व-रिपोर्ट कितनी भटकती है। यह अनुप्रस्थ है: मार्च 2026 की तस्वीर देता है, यह नहीं बता सकता कि कर बढ़ रहा है या घट रहा। और यह पाँच देशों तथा हर आकार की कंपनियों के कर्मियों का सर्वे है, ख़ास तौर पर मध्य-बाज़ार ऑपरेशंस का नहीं; दिशा हस्तांतरित होनी चाहिए, परिमाण आपके संदर्भ में अनिश्चित है।
तीनों सीमाओं के बाद जो बचता है वह संरचनात्मक बिंदु है: सुधार एक ऐसी सीमा पार करता है जिसे मापन पार नहीं करता।
स्पष्ट आपत्ति, और वह कहाँ टिकती है
तार्किक जवाब: यह शुरुआती अपनाने का घर्षण है। आउटपुट की गुणवत्ता सुधरेगी, समीक्षा के मानक परिपक्व होंगे, और कर घटेगा। इसका कुछ हिस्सा निश्चित रूप से सही है। किसी भी टूल-श्रेणी का पहली पीढ़ी का उपयोग एक सुधार-प्रीमियम लाता है जो परिचय के साथ घटता है।
आशावाद को दो बातें सीमित करती हैं।
पहली, सुधार मुख्यतः मॉडल की गुणवत्ता का मामला नहीं है — यह जवाबदेही के स्थान का मामला है। जब तक बनाना सस्ता और जाँचना महँगा है, मात्रा उस स्तर तक बढ़ेगी जो बनाने वाले को सुविधाजनक लगे, और अंतर जाँचने वाला सोखेगा। बेहतर मॉडल मात्रा उतनी ही तेज़ी से बढ़ाते हैं जितनी गुणवत्ता।
दूसरी, संकेत हैं कि घर्षण घुलने के बजाय संस्थागत हो रहा है। BambooHR के 2026 कार्यबल शोध में 81% नेता AI से उत्पादकता लाभ का दावा करते हैं जबकि 49% कर्मचारी कहते हैं कि AI ने कोई मूल्य नहीं दिया (BambooHR, 2026)। जब असत्यापित लाभ पहले ही नेतृत्व की अपेक्षाओं में जुड़ चुके हों, तो सुधार-कार्य को संसाधन नहीं मिलते: उसे चुपचाप वही लोग सोखते हैं जिनका प्रदर्शन उसी दावा किए गए लाभ के विरुद्ध मापा जा रहा है।
तो: घर्षण का तर्क कर की मात्रा पर टिकता है। उसकी दिशा पर नहीं।
सौंपने की सीमा पर AI दोबारा-काम मापिए
चार क़दम। सभी मापन या नीति के बदलाव हैं; किसी में नया ख़र्च नहीं।
1. कीस्ट्रोक नहीं, हस्तांतरण को मापिए। अपने दो सबसे अधिक मात्रा वाले अंतर-टीम वर्कफ़्लो चुनिए और प्राप्तकर्ता पक्ष पर तीन चीज़ें दर्ज कीजिए: समीक्षा-घंटे, अस्वीकृत मसौदे, और स्वीकृति तक के चक्र। समीक्षा का चरण पहले से मौजूद है; आप बस उसका समय नहीं लेते। एक महीने का यह अभ्यास स्व-घोषित के बजाय शुद्ध घंटों का वास्तविक आँकड़ा देगा।
2. टूल लाइव होने से पहले समीक्षा का स्वामित्व तय कीजिए। टीम की सीमा पार करने वाले हर AI-सहायित वर्कफ़्लो को एक नामित समीक्षक और बजट में रखे घंटे चाहिए। यदि समीक्षा को कोई वित्त नहीं देता, तो वर्कफ़्लो तैयार नहीं है: आप एक बिना-बजट लागत को सहकर्मी के सप्ताह में भेजने का प्रस्ताव कर रहे हैं।
3. स्रोत बताना स्वीकारोक्ति नहीं, प्रथा बनाइए। सीमा पार जाने वाले AI-सहायित काम पर एक पंक्ति की टिप्पणी माँगना — क्या बनाया गया, क्या जाँचा गया, क्या नहीं — भेजने वाले के कुछ सेकंड लेता है और पाने वाले का पुनर्निर्माण बचाता है। यह चुपचाप मात्रा पर भी लगाम लगाता है, क्योंकि बिना समीक्षा का थोक आउटपुट स्पष्ट रूप से जवाबदेह हो जाता है।
4. जिनसे पूछते हैं, उस नमूने को संतुलित कीजिए। अपनाने के सर्वे लगभग हमेशा बनाने वालों से पूछते हैं। पाने वालों से पूछिए: आपका कितना सप्ताह ऐसा AI-सहायित काम सुधारने में जाता है जो आपने नहीं बनाया? यह अकेला प्रश्न, अपने वरिष्ठ व्यक्तिगत योगदानकर्ताओं से पूछा गया, आपके वास्तविक AI ROI के बारे में पूरे लाइसेंस-उपयोग डैशबोर्ड से ज़्यादा बताएगा।
चारों में साझा पैटर्न देखिए: कोई भी अपनाने को धीमा नहीं करता। ये सिर्फ़ मापन को वहाँ ले जाते हैं जहाँ लागत सचमुच गिरती है।
इस तिमाही के लिए एक निर्णय
आपका AI दोबारा-काम कोई राउंडिंग त्रुटि नहीं है, और यह छोटा होने के कारण अदृश्य नहीं है। यह इसलिए अदृश्य है क्योंकि आपका मापन उत्पादन के क्षण पर रुक जाता है, और लागत बग़ल की डेस्क से शुरू होती है।
तो सवाल यह नहीं कि आपका AI मूल्य दे रहा है या नहीं। सवाल संकरा और कहीं अधिक उत्तर-योग्य है: आपके दो सबसे अधिक मात्रा वाले अंतर-टीम वर्कफ़्लो में इस समय सुधार कौन कर रहा है — और क्या किसी ने कभी पूछा कि उसमें कितना समय लगता है?
यदि आप सप्ताह के अंत तक उस व्यक्ति का नाम नहीं बता सकते, तो आपकी समस्या AI ROI की नहीं है। आपकी समस्या ROI का लबादा ओढ़े मापन की है, और जब तक आप मीटर को हस्तांतरण के दूसरी ओर नहीं ले जाते, वह आपको ठीक वही बताती रहेगी जो आप सुनना चाहते हैं।
