27 अगस्त 2026 को अमेरिकी ब्यूरो ऑफ लेबर स्टैटिस्टिक्स (BLS) ने अपना पहला AI एक्सपोज़र वर्गीकरण प्रकाशित किया: चार श्रेणियाँ — निम्न, मध्यम, उच्च, बहुत उच्च — जो 2025-35 रोज़गार अनुमानों के सभी 831 विस्तृत व्यवसायों पर लागू हैं। उसी पृष्ठ पर BLS कहता है कि यह वर्गीकरण "रोज़गार वृद्धि या गिरावट का पूर्वानुमान नहीं है", "AI अपनाने की संभावना का आकलन नहीं है" और "श्रमिकों के प्रतिस्थापन का अनुमान नहीं है" (U.S. Bureau of Labor Statistics, 2026)।
कुछ ही दिनों में व्यापार प्रेस ने इसे "जोखिम वाली नौकरियों" और "सुरक्षित नौकरियों" की सूचियों में बदल दिया।
यही वह पठन है जिसे प्रकाशक संस्था स्पष्ट रूप से खारिज करती है — लिखित में, उसी पृष्ठ पर जिससे वे सूचियाँ बनाई गईं। और यह किसी नुक्ताचीनी से कहीं अधिक महत्व रखता है, क्योंकि BLS की AI एक्सपोज़र तालिका मध्यम-आकार की कंपनियों की 2027 कार्यबल योजनाओं में प्रस्तुति के सबसे आधिकारिक दिखने वाले इनपुट के रूप में आने वाली है। एक संघीय सांख्यिकी एजेंसी, हर व्यवसाय, चार साफ़ श्रेणियाँ। इसे छँटनी सूची की तरह पढ़ा जाएगा। यह वह निर्णय नहीं उठा सकती।
BLS का AI एक्सपोज़र वर्गीकरण असल में क्या कहता है
यह वर्गीकरण एक सापेक्ष रैंकिंग है, जो पाँच बाहरी एक्सपोज़र मापों पर एक क्लस्टरिंग एल्गोरिद्म चलाकर बनाई गई है। BLS सीमाओं के बारे में स्पष्ट है: श्रेणियाँ "अन्य व्यवसायों के सापेक्ष" हैं, वे "एक निरपेक्ष 'उच्च' या 'निम्न' एक्सपोज़र स्तर का संकेत नहीं देतीं", और वे "स्वचालन बनाम संवर्धन से होने वाले AI प्रभावों में अंतर नहीं करतीं" (U.S. Bureau of Labor Statistics, 2026)।
इस अंतिम बिंदु पर ठहरिए। इस तालिका में स्वचालन और संवर्धन एक ही श्रेणी हैं। "बहुत उच्च एक्सपोज़र" उतना ही संगत है काम के लुप्त हो जाने से, जितना इस बात से कि वही व्यक्ति तीन गुना उत्पादन के साथ वही काम करे, बस साथ में एक समीक्षा चरण जुड़ जाए। तालिका यह नहीं बताती कि कौन-सा — और यही दिशा किसी हेडकाउंट निर्णय की पूरी अंतर्वस्तु है।
आसपास के अनुमान वह संदर्भ हैं जिनसे रैंकिंग को आमतौर पर अलग कर लिया जाता है। BLS का अनुमान है कि अमेरिकी अर्थव्यवस्था 2025 से 2035 के बीच 59 लाख नौकरियाँ जोड़ेगी, रोज़गार 17.03 करोड़ से बढ़कर 17.62 करोड़ होगा — यानी 3.5 प्रतिशत की वृद्धि, जिसे एजेंसी "2015-25 दशक में दर्ज 10.9 प्रतिशत वृद्धि से धीमी" बताती है (U.S. Bureau of Labor Statistics, 2026)। धीमी वृद्धि, संकुचन नहीं। AI से जुड़े समायोजन कंप्यूटर और गणित व्यवसायों, कला और मीडिया, व्यवसाय प्रशासन तथा कानूनी सेवाओं में केंद्रित हैं।
वह निर्माण-विवरण जो छत तय करता है
पाँच इनपुट हैं: तीन सैद्धांतिक एक्सपोज़र माप और दो प्रेक्षित उपयोग डेटासेट — प्रेक्षित पक्ष Anthropic के Claude उपयोग डेटा और Microsoft के Copilot डेटा से लिया गया है। BLS प्रत्येक आयाम के भीतर माध्यिका पर्सेंटाइल रैंक लेता है, फिर क्लस्टरिंग करता है। 4,155 संभावित व्यवसाय-स्रोत संयोजनों में से 3,944 प्रेक्षित थे और 211 आरोपित, जिससे 75 व्यवसाय प्रभावित हुए (U.S. Bureau of Labor Statistics, 2026)।
और फिर वह पंक्ति जो तय करनी चाहिए कि आप इस तालिका को कितनी दूर तक जाने देंगे: "सैद्धांतिक स्रोत AI क्षमताओं की कल्पना उन क्षमताओं के रूप में करते हैं जो 2023 के मध्य तक उपलब्ध थीं।"
पाँच में से तीन इनपुट उस मॉडल-पीढ़ी का वर्णन करते हैं जो आपकी टीम द्वारा आज़माए गए हर एजेंटिक उत्पाद से पहले की है। BLS यह भी नोट करता है कि पाँचों स्रोत व्यवसायों को स्वतंत्र कार्यों के समूह के रूप में देखते हैं और "अवरोधों, पूरकताओं या व्यवसायों की अन्य गैर-स्वतंत्र विशेषताओं पर विचार नहीं करते"।
यह BLS के काम की खामी नहीं है — यह उपलब्ध शोध-साहित्य की घोषित विशेषता है, और उसे घोषित करना ही एक सांख्यिकी एजेंसी का काम है। खामी उपयोग में है। इस रैंकिंग पर बनी दस वर्षीय कार्यबल योजना तीन साल पुराने क्षमता-स्नैपशॉट को भीतर बैठा लेती है, और वह भी उस एकमात्र दस्तावेज़ के भीतर जिस पर सवाल उठाने की बात आपके CFO के मन में नहीं आएगी।
रैंकिंग असल में किसका नक्शा है: सत्यापन भार
यह रहा वह पठन जिसका बचाव किया जा सकता है, और यह लोकप्रिय पठन के ठीक उलट है।
यदि कोई व्यवसाय उच्च-एक्सपोज़र क्लस्टर में आता है, तो पाँचों अंतर्निहित स्रोत सामूहिक रूप से जो पकड़ रहे हैं वह यह है कि उसके कार्यों का बड़ा हिस्सा उस किस्म का है जिसे मौजूदा मॉडल करने की कोशिश करेंगे। मॉडल सही है या नहीं, यह अलग प्रश्न है जिसे एक्सपोज़र स्कोर छूता तक नहीं — क्योंकि, जैसा BLS कहता है, इनपुट कार्यों को स्वतंत्र मानते हैं और पूरकताओं की उपेक्षा करते हैं।
तो उच्च एक्सपोज़र उच्च ड्राफ़्ट-मात्रा का संकेत देता है। ड्राफ़्ट-मात्रा समीक्षा की माँग पैदा करती है। और समीक्षा की माँग ही वह जगह है जहाँ लागत वास्तव में बैठती है।
McKinsey QuantumBlack ने बैंकिंग वर्कफ़्लो के लिए इसकी सीधी कीमत लगाई: टोकन लागत एक AI एजेंट की परिवर्तनीय संचालन लागत का 20 से 25 प्रतिशत होती है, जबकि कार्यात्मक और जोखिम विशेषज्ञों द्वारा की जाने वाली मानवीय निगरानी 70 से 75 प्रतिशत (McKinsey QuantumBlack, 2026)। महँगी मद समीक्षा है, और समीक्षक को इतना वरिष्ठ होना ही होगा कि वह आउटपुट को खारिज कर सके।
MIT Technology Review Insights और Microsoft का 300 प्रौद्योगिकी अधिकारियों व व्यवसायियों पर किया अध्ययन, जिसने 101 एजेंटिक कार्यों को 0-100 विश्वास पैमाने पर क्रमित किया, उसी दिशा में इशारा करता है: विश्वास मॉडल की क्षमता का नहीं, बल्कि कार्य की सत्यापनीयता और व्यावसायिक संदर्भ की पूर्णता का अनुसरण करता था, और 59 प्रतिशत पहले से ही स्थायी मानवीय निगरानी की योजना बना रहे हैं (MIT Technology Review Insights, 2026)।
इस दृष्टि से पढ़ने पर BLS की तालिका सचमुच उपयोगी हो जाती है। आपके बहुत उच्च और उच्च एक्सपोज़र वाले व्यवसाय वही हैं जहाँ AI-जनित आउटपुट केंद्रित होगा, यानी जहाँ सत्यापन के घंटे केंद्रित होंगे, यानी जहाँ आपको ऐसे लोग चाहिए जिनकी विषय-क्षेत्र में इतनी साख हो कि वे खराब आउटपुट को अस्वीकार कर सकें। वहाँ पहले कटौती करने का अर्थ है समीक्षकों को ठीक उन्हीं कार्यों से हटा देना जहाँ समीक्षा करने को सबसे ज़्यादा है।
और वैसे भी पदनाम यह निर्णय क्यों नहीं उठा सकता
2023 के मध्य वाली छत से स्वतंत्र, एक दूसरी समस्या भी है, और वह संरचनात्मक है: एक्सपोज़र व्यवसाय-वार मापा जाता है, जबकि अपनाना व्यक्ति-वार होता है।
बिक, ब्लैंडिन, डेमिंग और शूमाखर ने एक राष्ट्रीय स्तर पर प्रतिनिधि सर्वेक्षण को विस्तृत O*NET कार्यों से जोड़कर पाया कि जनरेटिव AI के एक्सपोज़र माप श्रमिकों के बीच अपनाने की भिन्नता का केवल लगभग आधा हिस्सा ही समझा पाते हैं — समान काम करने वाले व्यक्ति व्यवस्थित रूप से अलग-अलग ढंग से अपनाते हैं (NBER Working Paper 35677, 2026)। वे यह भी पाते हैं कि अपनाना व्यापक है पर उथला: 80 प्रतिशत व्यवसायों और 40 प्रतिशत कार्यों में कम से कम हर पाँच में से एक श्रमिक जनरेटिव AI का उपयोग करता है, फिर भी अधिकांश मामलों में अपनाने की दर 50 प्रतिशत से नीचे रहती है।
आधी भिन्नता पदनाम के भीतर है, पदनामों के बीच नहीं। इसका अर्थ है कि व्यवसाय-कोड के आधार पर क्षमता-परिवर्तन बाँटने वाली योजना अधिक से अधिक आधी-सूचित है — और जो आधा हिस्सा उससे छूट रहा है, वही वह हिस्सा है जिस पर आप वास्तव में काम कर सकते थे, क्योंकि व्यक्ति-स्तरीय अपनाना सक्षमीकरण, उपकरणों और भूमिका-डिज़ाइन पर प्रतिक्रिया देता है।
BLS की AI एक्सपोज़र श्रेणियों का उपयोग वैसे कीजिए जैसे किसी राष्ट्रीय आँकड़े का किया जाना चाहिए: इस बारे में एक पूर्व-अनुमान के रूप में कि देखना कहाँ है। फिर देखना अपनी कंपनी के भीतर, अपनी स्वयं की कार्य-सूची के सामने। एक ही श्रेणी के दो व्यवसाय आपकी इमारत में एक जैसा व्यवहार नहीं करेंगे, और जो बचता है वह शोर नहीं है — वही समस्या का वह हिस्सा है जिस पर आपके पास लीवर है।
ईमानदार प्रतिपक्ष: यह अब भी सर्वश्रेष्ठ सार्वजनिक आधार है
मैं BLS ने जो किया उसके प्रति निष्पक्ष रहना चाहती हूँ, क्योंकि "इसे छँटनी सूची की तरह मत इस्तेमाल कीजिए" का अर्थ "इसे मत इस्तेमाल कीजिए" नहीं है।
यह पहला वर्गीकरण है जो हर अनुमानित व्यवसाय को एक सुसंगत पद्धति से कवर करता है, यह किसी एक खेमे को चुनने के बजाय सैद्धांतिक प्रमाण और प्रेक्षित उपयोग को मिलाता है, और यह अपनी सीमाओं को अधिकांश वेंडर शोध से कहीं अधिक खुलकर दर्ज करता है। अपने कार्यबल-मिश्रण की राष्ट्रीय वितरण से तुलना करने, यह तय करने कि किन कार्यों को पहले सक्षमीकरण बजट मिले, और ऐसे बोर्ड के सामने तर्क रखने के लिए जो उद्धृत करने योग्य स्रोत चाहता है — यह उपलब्ध सर्वश्रेष्ठ सार्वजनिक उपकरण है, और मध्यम-आकार की कोई कंपनी भीतर इससे बेहतर नहीं बना पाएगी।
खामी तालिका में नहीं है। खामी संपीड़न में है: चार श्रेणियाँ, एक कॉलम, और एक श्रेणी-लेबल जो फ़ैसले की तरह पढ़ा जाता है। यह प्रारूप एक ऐसे हेडकाउंट निष्कर्ष को आमंत्रित करता है जिसे अंतर्निहित पद्धति सहारा नहीं दे सकती, और BLS ने उसी पृष्ठ पर पहले ही ऐसा कह दिया था। आवश्यक अनुशासन छोटा है: जब भी यह संख्या किसी प्रस्तुति में आए, चेतावनियाँ उसके साथ ही चलें।
इस तिमाही में क्या तय करें
आपकी 2027 नियोजन प्रक्रिया में BLS की AI एक्सपोज़र रैंकिंग के प्रवेश के तरीके में चार बदलाव।
- कॉलम का नाम बदलिए। किसी नियोजन दस्तावेज़ में जहाँ भी एक्सपोज़र श्रेणी आए, शीर्षक "अपेक्षित समीक्षा भार" हो, "जोखिम" नहीं। वही डेटा, सही क्रिया। तालिका कैसे पढ़ी जाएगी, इसमें अधिकांश काम लेबल ही करता है।
- हर एक्सपोज़र स्कोर के साथ एक आंतरिक अपनाने का माप जोड़िए। एक्सपोज़र लगभग आधी भिन्नता समझाता है; बाकी आपका अपना उपयोग-डेटा समझाता है। यदि आप प्रति कर्मचारी अपनाना माप नहीं सकते, तो वह माप-व्यवस्था योजना की पूर्व-शर्त है, उसका परिणाम नहीं।
- सबसे अधिक एक्सपोज़र वाले कार्यों में समीक्षा की गहराई बचाइए। वही सबसे अधिक मशीन-आउटपुट पैदा करेंगे और उसे जाँचने के लिए सबसे अधिक वरिष्ठ विवेक माँगेंगे। बचत का मॉडल बनाने से पहले समीक्षा-घंटों का मॉडल बनाइए।
- क्षमता-धारणा पर तारीख लिखिए। तालिका के ठीक नीचे लिखिए: "सैद्धांतिक इनपुट 2023 के मध्य तक की AI क्षमताओं को दर्शाते हैं।" यह दावे को अगले पाठक की आँखों के सामने ही पुराना कर देता है — 2026 के स्नैपशॉट को 2035 तक के अनुमान पर चुपचाप राज करने से रोकने का यही एकमात्र बचाव है।
BLS ने आपको इसका नक्शा दिया कि काम कहाँ बदलेगा। उसने पाँच अलग-अलग बार, अपने ही शब्दों में कहा कि उसने आपको इसका नक्शा नहीं दिया कि श्रमिक कहाँ जाएँगे।
यदि आपकी योजना में 2027 का कोई हेडकाउंट आँकड़ा "बहुत उच्च एक्सपोज़र" लेबल तक जाता है, तो आपने कार्यबल-निर्णय नहीं लिया है। आपने एक ऐसी रैंकिंग उद्धृत की है जिसने ठीक उसी उपयोग को खारिज किया था जो आपने अभी किया — और जब वह आँकड़ा गलत निकलेगा, तो उसे प्रकाशित करने वाली एजेंसी उसका बचाव करने वाली नहीं होगी।
