OpenAI की 15% से अधिक चैट "Edit written materials or documents" के रूप में वर्गीकृत होती हैं। और O*NET में केवल 2.4% कर्मी ऐसे पेशे में हैं जिसमें यह कार्य शामिल है (Bick, Blandin, Deming & Schumacher, NBER, 2026)। यह अंतर उसी AI उपयोग बेंचमार्क के भीतर बैठा है जिस पर 2027 की अधिकांश परिचालन योजनाएँ टिकी हैं।
अब दूसरी दिशा से। राष्ट्रीय स्तर पर प्रतिनिधि सर्वेक्षण में जेनरेटिव AI उपयोग का सबसे बड़ा हिस्सा जिस एकल कार्य के पास है, वह है "Direct organizational operations, activities, or procedures" — सभी रिपोर्ट किए गए उपयोगों का 4.1%, और यह 43% कर्मियों द्वारा किया जाता है। OpenAI के डेटा में इसका हिस्सा 0.0% है। Microsoft के डेटा में 0.0%। Anthropic के डेटा में 0.2%।
ऑपरेशंस का सबसे विशिष्ट काम ठीक वही काम है जिसे चैट लॉग बिल्कुल नहीं देख पाते। यदि आपकी 2027 की AI योजना इन्हीं में से किसी विक्रेता उपयोग अध्ययन के आधार पर आकार दी गई थी — और अधिकांश मिड-मार्केट योजनाएँ ऐसी ही हैं, क्योंकि वे अध्ययन मुफ़्त, ताज़ा और विशाल हैं — तो आप एक ऐसा नक्शा पढ़ रहे हैं जिसमें से आपका अपना क्षेत्र ही हटा दिया गया है।
इस सर्वेक्षण ने क्या किया जो चैट अध्ययन नहीं कर सकते
अलेक्ज़ेंडर बिक (Federal Reserve Bank of St. Louis), एडम ब्लैंडिन (Vanderbilt), डेविड डेमिंग (Harvard Kennedy School) और टायलर शूमाकर (Vanderbilt) ने प्लेटफ़ॉर्म टेलीमेट्री के बजाय एक राष्ट्रीय प्रतिनिधि सर्वेक्षण से कार्य-स्तरीय जेनरेटिव AI अपनाव सूचकांक तैयार किया (NBER Working Paper 35677, 2026)।
तंत्र मायने रखता है। उन्होंने Real-Time Population Survey की चार लहरें मिलाईं — 18 से 64 वर्ष के 13,920 कार्यरत उत्तरदाता — और हर व्यक्ति के बताए गए जेनरेटिव AI उपयोग को उसके विस्तृत पेशे और उन विशिष्ट ONET कार्य-गतिविधियों से जोड़ा जो वह पेशा वास्तव में समेटे हुए है। क्योंकि वे उत्तरदाता का पेशा जानते हैं, वे किसी उपयोग को एक ज्ञात भूमिका-संरचना के भीतर* किसी कार्य से जोड़ सकते हैं।
एक चैट वर्गीकारक यह नहीं कर सकता। वह बातचीत का पाठ पढ़ता है और आमतौर पर उसे पता ही नहीं होता कि उपयोगकर्ता क्या काम करता है। इसलिए वह एकमात्र उपलब्ध काम करता है: चैट को उस कार्य-शीर्षक से जोड़ देता है जो दिखाई देने वाली क्रिया का वर्णन करता है। संपादन करना। जानकारी जुटाना। एक सिस्टम डिज़ाइन करना।
यह किसी के वर्गीकारक की खामी नहीं है। यह इनपुट की संरचनात्मक सीमा है, और शोधपत्र इसे साफ़ शब्दों में नाम देता है: चैट वर्गीकारक "चैट को बुनियादी, सामान्य क्रियाओं का वर्णन करने वाले कार्य-शीर्षकों से जोड़ने के लिए पूर्वप्रवृत्त हो सकते हैं"।
AI उपयोग बेंचमार्क कितनी दूर भटकता है
परिणाम है अत्यधिक संकेंद्रण। 332 में से दस कार्य OpenAI डेटा के 53.0% उपयोग, Anthropic के 46.0% और Microsoft के 60.8% का हिस्सा हैं — जबकि सर्वेक्षण में यह 22.2% है (Bick et al., NBER, 2026)। सबसे बड़ा एकल कार्य तीनों चैट डेटासेट में क्रमशः 15.1%, 16.7% और 23.2% लेता है, जबकि सर्वेक्षण में 4.1%।
फिर वह संख्या जिसे यह बहस ख़त्म कर देनी चाहिए कि क्या ये एक ही वास्तविकता के दो दृश्य हैं। सर्वेक्षण के कार्य-हिस्सों और चैट डेटासेट के कार्य-हिस्सों के बीच सहसंबंध है OpenAI के लिए 0.11, Anthropic के लिए 0.34, और Microsoft के लिए 0.10। तीन में से दो सांख्यिकीय रूप से लगभग असंबद्ध हैं इस बात से कि कर्मी अपने वास्तविक कार्यों में औज़ारों का उपयोग कैसे बताते हैं।
दूसरे क्रम की त्रुटि वही है जो आपकी योजना में बैठी है
सीधा उपयोग-हिस्सा आमतौर पर बिज़नेस केस में नहीं पहुँचता। शृंखला लंबी है, और शोधपत्र उसका पीछा करता है: चैट-कार्य वर्गीकरण पेशे के अनुसार जेनरेटिव AI हिस्सों में जोड़े जाते हैं, और फिर वे पेशा-हिस्से भूमिका के अनुसार AI एक्सपोज़र के प्रतिनिधि माप के रूप में प्रसारित होते हैं — रोलआउट क्रम, प्रशिक्षण बजट और हेडकाउंट पूर्वानुमान के पीछे का इनपुट। लेखक इस तरह बने चार प्रकाशित मापों के नाम लेते हैं और निष्कर्ष देते हैं कि ये प्रतिनिधि माप "संभवतः अशुद्ध हैं और एक विकृत दृश्य प्रस्तुत करते हैं"।
इसलिए जब कोई प्रस्तुति आपको बताए कि आपकी कौन-सी फ़ंक्शन सबसे अधिक AI-एक्सपोज़्ड हैं, तो पूछिए कि यह क्रम आया कहाँ से। यदि वह चैट लॉग तक जाता है, तो वह एक ऐसा वर्गीकारक विरासत में लेता है जिसे कभी पता ही नहीं था कि कोई क्या काम करता है — और उसकी विशिष्ट त्रुटि है उस काम को अधिक ऊँचा आँकना जो प्रतिलेख में सामान्य दिखता है।
आपका दूसरा इनपुट भी दिखने से कमज़ोर है
स्पष्ट सुधार यह है कि उपयोग बेंचमार्क छोड़कर एक ढंग का व्यावसायिक एक्सपोज़र स्कोर इस्तेमाल किया जाए। शोधपत्र ने वह भी परखा, साहित्य के दो सर्वाधिक उद्धृत सूचकांकों के सामने।
वास्तविक अपनाव पर प्रतिगमन करने पर Eloundou आदि (2024) का माप 0.081 और Felten आदि (2021) का 0.086 समायोजित R² देता है — यानी पेशा-स्तर पर व्याख्या-योग्य विचरण का लगभग आधा (Bick et al., NBER, 2026)। ये स्कोर सचमुच पूर्वानुमानी हैं। पर्याप्त होने के आसपास भी नहीं।
और इसके नीचे एक कठोर बाध्यता है। पेशा स्वयं कर्मी-स्तरीय अपनाव के विचरण का 20% से भी कम समझाता है (Bick et al., NBER, 2026)। कौन वास्तव में अपनाता है, यह तय करने वाली बात अधिकतर पद-नाम के भीतर बैठी है, पद-नामों के बीच नहीं। एक ही टीम के दो विश्लेषक, वही औज़ार, वही कार्य — एक ने अपना पूरा सप्ताह औज़ार के इर्द-गिर्द फिर से गढ़ लिया है, दूसरा उसे महीने में दो बार खोलता है।
यह एक निश्चित आकार वाली नियोजन समस्या है। भूमिका के अनुसार किया गया हर आवंटन — सीटें, प्रशिक्षण घंटे, इनेबलमेंट क्रम — ऐसे चर पर टिका है जो आपके इच्छित परिणाम का पाँचवाँ हिस्सा भी नहीं समझाता।
यह उस पैटर्न को भी समझाता है जिसे अधिकांश ऑपरेशंस नेता पहले ही देख चुके हैं और किसी और शीर्षक के नीचे रख चुके हैं। एक ही इनेबलमेंट सत्र से कोई फ़ंक्शन बेहद असमान परिणामों के साथ लौटती है; सहज पाठ होता है प्रेरणा, या प्रबंधक की गुणवत्ता, या बदलाव का प्रतिरोध। अपनाव का डेटा कहता है कि उस बिखराव का बड़ा हिस्सा वैसे भी रहता, क्योंकि वह व्यक्ति-स्तर पर है जबकि हस्तक्षेप भूमिका-स्तर पर था। सत्र को और ज़ोर लगाकर दोहराना उस कारण को नहीं छूता।
"व्यापक पर उथला" एक सटीक दावा है, कोई बचाव नहीं
सर्वेक्षण जो अपनाव-चित्र देता है, उसे दोनों दिशाओं में ग़लत उद्धृत करना आसान है। सटीक रूप:
- मई 2026 तक 45% कर्मी काम के लिए जेनरेटिव AI का उपयोग करते हैं; लेखक इसे निचली सीमा मानते हैं, क्योंकि अंतर्निहित और निष्क्रिय उपयोग अक्सर रिपोर्ट नहीं होते।
- 80% से अधिक पेशों और 40% कार्यों में अपनाव 20% से ऊपर है।
- लेकिन केवल 2.8% कार्य 50% अपनाव पार करते हैं, और कोई भी 70% पार नहीं करता।
इन्हें साथ पढ़िए। अमेरिकी अर्थव्यवस्था में ऐसा कोई कार्य नहीं है जहाँ जेनरेटिव AI का उपयोग लगभग सार्वभौमिक हो। जिन पेशों में अपनाव बहुत ऊँचा है — लगभग 15% पेशे 70% पार करते हैं — वे वहाँ किसी एक संतृप्त कार्य से नहीं, बल्कि मध्यम अपनाव वाले कार्यों के एक समूह से पहुँचते हैं।
स्वतंत्र आँकड़े आकार पर सहमत हैं। Google का ATLAS अध्ययन, जो स्व-रिपोर्ट के बजाय 1.465 करोड़ पहचान-रहित अंतःक्रियाओं पर बना है, पाता है कि मध्यमान पेशा अपने लगभग 21% कार्यों में Gemini का उपयोग करता है, और ग़ैर-नियमित संज्ञानात्मक बातचीतों में एंड-टू-एंड स्वचालन की मंशा 10% से कम है (Google ATLAS v1.0, 2026)। 120,620 कर्मियों की व्यवहारगत टेलीमेट्री केवल 2% को वर्कफ़्लो-एकीकरण परिपक्वता पर रखती है — यानी AI को पुनर्रचित प्रक्रिया के भीतर उपयोग करना, बग़ल की खोज के रूप में नहीं (ActivTrak Productivity Lab, 2026)।
तीन विधियाँ, तीन डेटासेट, एक निष्कर्ष: विस्तृत कवरेज, पतली पैठ। अर्थात् जो योजना AI-एक्सपोज़्ड भूमिका को AI-रूपांतरित भूमिका मानकर गढ़ती है, वह लगभग पूरी दूरी से चूक जाती है।
ईमानदार प्रतिवाद
तीन सीमाएँ, जिन्हें थामे रखना चाहिए।
2.4% का आँकड़ा आंशिक रूप से ONET की रचना-कृति है, और लेखक स्वयं यह कहते हैं। उनके ठीक शब्द: "संपादन करने वाले कर्मियों का हिस्सा स्पष्ट रूप से 2.4% से कहीं बड़ा है"। ONET संपादन को उच्चतर कार्यों के भीतर समाहित कर देता है, जैसे रिपोर्ट तैयार करना या क़ानूनी दस्तावेज़ बनाना। इसलिए 15% और 2.4% के बीच का अंतर विशुद्ध वर्गीकारक-त्रुटि नहीं है — उसका एक हिस्सा वह संदर्भ-वर्गीकरण है जो सचमुच सर्वव्यापी गतिविधि को अलग से नाम देने से इनकार करता है। विकृति की दिशा पक्की है; किसी एक संख्या-युग्म का परिमाण दिखने से नरम है।
स्व-रिपोर्ट की अपनी विफलता-शैलियाँ हैं। सर्वेक्षण जानता है कि लोग औज़ारों के साथ क्या करने का दावा करते हैं। चैट लॉग जानते हैं कि उस खिड़की से वास्तव में क्या गुज़रा, ऐसे पैमाने पर जो किसी सर्वेक्षण की पहुँच में कभी नहीं आएगा। दोनों में कोई भी आधार-सत्य नहीं है; वे अलग सवालों के जवाब दे रहे हैं, और शोधपत्र का योगदान यह दिखाना है कि उत्तर कितनी दूर हैं — किसी एक को झूठा घोषित करना नहीं।
एक राष्ट्रीय सर्वेक्षण आपकी कंपनी नहीं है। RPS अमेरिकी कार्यबल का वर्णन करता है। आपकी कार्य-सूची, आपका टूल स्टैक और आपकी भूमिका-रचना राष्ट्रीय औसत नहीं हैं, और यहाँ कुछ भी आपको नहीं बताता कि आपकी कौन-सी भूमिकाएँ अपनाएँगी।
यही आख़िरी सीमा असल में मायने रखती है — और वह एक ही दिशा में इशारा करती है। इस क्षेत्र का हर बाहरी बेंचमार्क, चाहे चैट लॉग से हो या सर्वेक्षण से, एक पूर्वानुमान भर है। उनमें से कोई भी आपके संगठन का मापन नहीं है।
इस तिमाही क्या तय करना है
चार क़दम। किसी में नया ख़र्च नहीं।
- अपनी योजना के हर AI उपयोग बेंचमार्क को उसके स्रोत तक ट्रेस कीजिए। यदि कोई आँकड़ा प्लेटफ़ॉर्म चैट लॉग से आया है, तो उसे दिशासूचक पूर्वानुमान के रूप में चिह्नित कीजिए, हेडकाउंट या बजट मॉडल के इनपुट के रूप में नहीं। यह उस दस्तावेज़ का तीस मिनट का ऑडिट है जो आप पहले ही लिख चुके हैं।
- एक फ़ंक्शन के लिए एक कार्य-सूची बनाइए। एक ही टीम की बीस-तीस वास्तविक गतिविधियाँ, आपकी अपनी भाषा में लिखी हुई, O*NET की भाषा में नहीं। यही एकमात्र रचना है जो आपको "क्या औज़ार इसे छूता है?" पूछने देती है, बजाय "क्या यह भूमिका एक्सपोज़्ड है?" के — और यह विक्रेता बेंचमार्क के हर संशोधन को झेल जाती है, क्योंकि यह आपके काम का वर्णन करती है, किसी और के ट्रैफ़िक का नहीं। टीम लीड के साथ एक दोपहर रखिए, कोई कंसल्टिंग असाइनमेंट नहीं।
- इनेबलमेंट को भूमिका के हिसाब से बाँटना बंद कीजिए। यदि पेशा व्यक्ति-स्तरीय अपनाव का 20% से कम समझाता है, तो भूमिका-आधारित रोलआउट सिक्का उछालने के क़रीब है। इसके बजाय देखे गए उपयोग के अनुसार आवंटन कीजिए, और पहली कोहॉर्ट वही हो जो आपकी अपनी टेलीमेट्री में पहले से आगे है।
- लक्ष्य सीट पर नहीं, कार्य पर रखिए। उस सूची से एक कार्य चुनिए और उसे 50% अपनाव के पार ले जाइए। राष्ट्रीय स्तर पर सौ में से तीन से भी कम कार्य उस रेखा को पार कर पाए हैं — और ठीक इसीलिए उसे जानबूझकर पार करना एक ऐसा परिणाम है जिसे रिपोर्ट में बचाया जा सकता है।
आपके AI उपयोग बेंचमार्क ने उस सवाल का जवाब दिया जो आपने कभी पूछा ही नहीं: चैट कैसी दिखती हैं। आपकी मेज़ पर रखा सवाल यह है कि आपके लोग दिन भर करते क्या हैं, और औज़ार उसके किसी हिस्से तक पहुँचा भी है या नहीं।
इन दो सवालों में से एक का प्रकाशित उत्तर मौजूद है। दूसरे का उत्तर केवल आपके पास है।
