1980 और 2016 के बीच, अमेरिकी फर्मों ने उन कर्मचारियों को ऑटोमेट करने के लिए वास्तविक पूंजी झोंक दी जो सबसे ऊँचा रेंट कमा रहे थे — कोऑर्डिनेटर्स, रिव्यूअर्स, मिड-लेवल एनालिस्ट जिनकी पगार उनके सीमांत उत्पाद से ऊपर थी — और परिणामस्वरूप ऑटोमेशन से जो प्रोडक्टिविटी गेन्स अन्यथा मिलते, उनका 60 से 90 प्रतिशत खो दिया। यह Daron Acemoglu और Pascual Restrepo के Quarterly Journal of Economics के पेपर Automation and Rent Dissipation: Implications for Wages, Inequality, and Productivity का केंद्रीय आँकड़ा है, जो मई 2026 अंक (वॉल्यूम 141, इश्यू 2, पृ. 1521) में प्रकाशित हुआ (Acemoglu & Restrepo, QJE, 2026)। उसी पेपर के अनुसार उस अवधि में अमेरिकी आय असमानता वृद्धि का 52 प्रतिशत इसी ग़लत आवंटन को आरोपित है, जिसमें लगभग 10 प्रतिशत अंक विशेष रूप से वेज-प्रीमियम प्रतिस्थापन से आते हैं (Acemoglu & Restrepo, NBER w32536, 2024)।
चार दशकों का इतिहास अंततः एक संख्या बन गया। 2026 में 200 FTE की कंपनी के Head of Operations के लिए सवाल यह है कि इस तिमाही मेज़ पर रखा agentic AI रोडमैप उच्च रिज़ॉल्यूशन पर वही गलती है — और साक्ष्य कहते हैं, डिफ़ॉल्ट रूप से, है।
Acemoglu–Restrepo तंत्र: रेंट डिसिपेशन, विस्थापन नहीं
अधिकांश पाठकों को पहले के Acemoglu साहित्य से जो प्रमुख निष्कर्ष पता है, वह यह है कि ऑटोमेशन ने रूटीन कर्मचारियों को विस्थापित किया और निचले पायदान पर वेतन को संकुचित किया। 2026 का QJE पेपर एक तीखा दावा है और स्वतंत्र रूप से पढ़ने योग्य है। लेखक अपने 2022 के टास्क-विस्थापन मॉडल को विस्तार देकर वर्कर रेंट्स — एक कर्मचारी को मिलने वाले भुगतान और उसके श्रम के सीमांत उत्पाद के बीच का अंतर — को शामिल करते हैं और दिखाते हैं कि जब फर्में ऑटोमेट करती हैं, तो वे प्राथमिकता से उन कार्यों को लक्षित करती हैं जहाँ रेंट सबसे अधिक हैं, उन कार्यों को नहीं जहाँ प्रोडक्टिविटी की सीमा सबसे अधिक है (Acemoglu & Restrepo, NBER w32536, 2024)।
तंत्र: एक कोऑर्डिनेटर जो अपने सीमांत उत्पाद से 25 प्रतिशत अधिक कमाता है, ऑटोमेशन पिच आते ही स्प्रेडशीट पर 25 प्रतिशत बचत जैसा दिखता है। उच्च-लीवरेज काम करने वाला फ्रंटलाइन कर्मचारी, जिसका पगार-से-आउटपुट अनुपात अधिक कसा हुआ है, छोटी बचत जैसा दिखता है। पूंजी बड़ी बचत की ओर बहती है। प्रोडक्टिविटी गेन — ऑटोमेशन क्या कर सकता है और जो किया जा रहा था उसके बीच का अंतर — पहले मामले में छोटा है, क्योंकि रेंट निकालने वाली भूमिकाएँ परिभाषा से वही हैं जहाँ पगार आउटपुट को बढ़ा-चढ़ाकर दिखाती है। शुद्ध परिणाम एक डिप्लॉयमेंट पैटर्न है जो दृश्य पेरोल राहत को अधिकतम और वास्तविक प्रोडक्टिविटी उत्थान को न्यूनतम करता है।
Acemoglu और Restrepo इसे रेंट डिसिपेशन के रूप में औपचारिक रूप देते हैं: पूंजी ऐसी पगार को हटाने पर ख़र्च की जाती है जिसे प्रोडक्टिविटी बढ़ाने के लिए घटाने की ज़रूरत नहीं थी, जबकि उस काम के ऑटोमेशन से मिलने वाले बहुत बड़े लाभ मेज़ पर छूट जाते हैं जहाँ आउटपुट सचमुच चलता है। BEA, ONET और जनगणना के 1980 से 2016 तक के डेटा का उपयोग करते हुए 49 उद्योगों और 500 जनसांख्यिकीय समूहों में मात्रात्मक विश्लेषण से वे पाते हैं कि प्रोडक्टिविटी डिविडेंड का दो-तिहाई से नौ-दसवाँ इसी गतिकी के कारण खो गया (Washington State University वर्किंग पेपर, 2024)। असमानता की ओर, यही ग़लत आवंटन वेतन-संरचना के बड़े हिस्से के बदलाव को समझाता है: "उच्च ऑटोमेशन एक्सपोज़र वाले रूटीन कार्यों में विशेषज्ञ कर्मचारियों के वेतन में गिरावट 1980 से 2016 के बीच अमेरिकी वेतन संरचना के बदलावों के 50 से 70 प्रतिशत को समझाती है" (WorkRise, 2021) — एक आँकड़ा जिसे QJE पेपर अब रेंट और प्रोडक्टिविटी घटकों में विभाजित करता है।
जो निष्कर्ष लेखकों ने पेपर में डाला, प्रेस रिलीज़ में नहीं: जब आप ऑटोमेशन को आउटपुट के बजाय लोगों पर लक्षित करते हैं, तो आप प्रोडक्टिविटी पकड़े बिना असमानता पकड़ सकते हैं। यह 1980 से 2016 तक अमेरिकी ऑटोमेशन का अनुभवजन्य पैटर्न है।
2026 का agentic AI रोलआउट यह पैटर्न क्यों दोहरा रहा है
ऑप्स रिव्यू में स्वाभाविक प्रतिक्रिया है कि 1980-2016 का इंडस्ट्रियल ऑटोमेशन 2026 का agentic AI नहीं है — अलग तकनीक, अलग यूनिट इकोनॉमिक्स, अलग टाइमलाइन। यूनिट इकोनॉमिक्स अलग हैं। टार्गेटिंग तर्क नहीं है।
इस तिमाही किसी भी मिड-मार्केट एजेंट डिप्लॉयमेंट रिव्यू में जाएँ और ROI गणित लगभग हमेशा उसी तरह प्रस्तुत किया जाता है: रोल X की लागत $Y प्रति वर्ष है; एजेंट रोल X के काम का 60 प्रतिशत कर सकता है; इसलिए एजेंट 0.6 × Y बचाता है। उन स्लाइडों में नामित भूमिकाएँ इस आधार पर नहीं चुनी जातीं कि AI का सीमांत प्रोडक्टिविटी उत्थान कहाँ सबसे बड़ा है। उन्हें इस आधार पर चुना जाता है कि पेरोल लाइन कहाँ सबसे बड़ी है और काम कहाँ इतना संरचित है कि एजेंट विश्वसनीय लगे — जो लक्ष्यीकरण को कोऑर्डिनेटर्स, रिव्यूअर्स, सीनियर एनालिस्ट और कस्टमर सक्सेस लीड्स की ओर झुकाता है। ये ठीक वही वेज-प्रीमियम भूमिकाएँ हैं Acemoglu और Restrepo के फ्रेमवर्क में: भूमिकाएँ जहाँ फ़र्म-आंतरिक रेंट्स (सूचना असममिति, मापने में कठिन निर्णय, आंतरिक मोलभाव की शक्ति) के कारण पगार सीमांत उत्पाद से अधिक होती है।
फिर एजेंट का मूल्यांकन उस पेरोल लाइन पर बचत के विरुद्ध किया जाता है, उस प्रोडक्टिविटी सीमा के विरुद्ध नहीं जिस तक डिप्लॉयमेंट कहीं और लक्षित होने पर पहुँच सकता था। दो प्रश्न — यह एजेंट क्या बचाता है? और यह एजेंट सबसे अधिक आउटपुट कहाँ उत्पन्न करेगा? — एक ही प्रश्न नहीं हैं, और मिड-मार्केट में लगभग कोई भी डिप्लॉयमेंट रिव्यू उन्हें अलग नहीं करता।
MIT Initiative on the Digital Economy दो साल से इस तर्क का एक संस्करण रख रहा है: AI का प्रोडक्टिविटी डिविडेंड उन कार्यों में केंद्रित है जहाँ मानव का वर्तमान आउटपुट संज्ञानात्मक थ्रूपुट से बाधित है, उन कार्यों में नहीं जहाँ मानव का वर्तमान भुगतान अधिक है (MIT IDE, 2024)। दोनों वितरण आपस में मिलते हैं, लेकिन एक ही वितरण नहीं हैं। Acemoglu–Restrepo पेपर पहला ऐतिहासिक साक्ष्य है जिसमें अंतर का परिमाण मापा गया है — और अंतर बड़ा है।
60-90% का आँकड़ा, दो तरह से पढ़ा हुआ
60-90 प्रतिशत प्रोडक्टिविटी टैक्स के दो परिचालन पाठ हैं, और 50–500 FTE के ऑप्स कार्य को दोनों रखने चाहिए।
रूढ़िवादी पाठ: इंडस्ट्रियल ऑटोमेशन पर लागू वेज-प्रीमियम-टार्गेटिंग जुर्माना agentic AI पर एक-के-एक स्थानांतरित नहीं हो सकता, क्योंकि एजेंट के निर्माण के बाद उसे अलग कार्य पर लगाने की सीमांत लागत, इंडस्ट्रियल मशीनरी को पुनः आबंटित करने की सीमांत लागत से बहुत कम है। सिद्धांत रूप में, खराब लक्षित एजेंट को एक स्प्रिंट में पुनः लक्षित किया जा सकता है, जबकि ग़लत आबंटित स्टैंपिंग प्रेस एक बहु-वर्षीय पूंजीगत राइट-ऑफ है। यह वर्तमान डिप्लॉयमेंट प्रथा का स्टील-मैन है: ग़लत लक्ष्य की लागत वसूल योग्य है।
आक्रामक पाठ: agentic मामले में वेज-प्रीमियम-टार्गेटिंग जुर्माना अधिक खराब है, बेहतर नहीं, क्योंकि लक्ष्यीकरण पूर्वाग्रह हटाने की संगठनात्मक राजनीति कठिन है। जब C-suite को डिप्लॉयमेंट पेरोल बचत के रूप में पिच की गई हो और बचत अगले वर्ष की योजना में दर्ज हो चुकी हो, तब एजेंट को किसी अलग (कम पेरोल, उच्च प्रोडक्टिविटी) कार्य की ओर पुनर्निर्देशित करना अब स्प्रिंट निर्णय नहीं — यह वित्तीय प्रतिबद्धता को पलटने, मूल फ्रेमिंग का बचाव करने, और यह समझाने की माँग करता है कि पहले से नामित भूमिका अब लक्ष्य क्यों नहीं है। पुनः-लक्ष्यीकरण की राजनीतिक लागत वही है जो 1980-2016 के पैटर्न को चालीस वर्षों तक टिकाए रखती है, दूसरे वर्ष में सुधारे जाने के बजाय।
दोनों पाठ एक ही परिचालन निहितार्थ पर मिलते हैं: पहली तिमाही में लक्ष्यीकरण निर्णय एजेंट की तकनीकी क्षमता से कहीं अधिक भार-वहन करता है। सही ढंग से लक्षित कमज़ोर एजेंट ग़लत ढंग से लक्षित मज़बूत एजेंट को मात देता है, क्योंकि मज़बूत एजेंट के लाभ ऐसी पगार के विरुद्ध फैल जाते हैं जिसे कम करने की ज़रूरत नहीं थी।
विरोधी तर्क: वेज-प्रीमियम भूमिकाएँ वही हैं जहाँ निर्णय रहता है
Head of Operations से सबसे मज़बूत प्रतिवाद यह है कि वेज-प्रीमियम भूमिकाएँ बिल्कुल वही हैं जहाँ सबसे लीवरेज वाला काम होता है — कि कोऑर्डिनेटर और सीनियर एनालिस्ट का उनके सीमांत उत्पाद से अधिक भुगतान पाने का कारण यह है कि वे संस्थागत संदर्भ रखते हैं जो 200 FTE की कंपनी को वास्तव में चलने देता है। एजेंट को उन भूमिकाओं पर लक्षित करना रेंट डिसिपेशन नहीं है; यह परिभाषा से सबसे लीवरेज वाला ऑटोमेशन लक्ष्य है।
विरोधी तर्क आंशिक रूप से सही है और Acemoglu–Restrepo निष्कर्ष से पूरी तरह संगत है। उन भूमिकाओं में वेज प्रीमियम क्यों है, इसका कारण ठीक निर्णय भार है — और निर्णय भार वही है जहाँ अधिकांश वर्तमान agentic प्रणालियाँ अब भी ऐसे तरीकों से विफल होती हैं जिन्हें डिप्लॉयमेंट पिच चिह्नित नहीं करती। उच्च निर्णय भार वाले कार्यों को संभालने वाले AI पर हाल के यादृच्छिक साक्ष्य दिखाते हैं कि एजेंट आउटपुट में विश्वास सटीकता से असंबद्ध है, विशेष रूप से जब मानव उपयोगकर्ता अब डोमेन विशेषज्ञ नहीं है (Bojinov et al., HBS वर्किंग पेपर, 2024)। तो डिप्लॉयमेंट स्लाइड में जो लक्ष्यीकरण सबसे लीवरेज वाला दिखता है, वही लक्ष्यीकरण उन मूक गुणवत्ता गिरावटों को उत्पन्न करने की सबसे अधिक संभावना रखता है जो दो तिमाही बाद तक प्रोडक्टिविटी डैशबोर्ड में दिखाई नहीं देतीं।
QJE पेपर इस बहस में जो जोड़ता है वह चार-दशकीय आधार दर है: जब फर्में वेज प्रीमियम को लक्षित करती हैं, तो प्रोडक्टिविटी गेन सिकुड़ता है। उन भूमिकाओं में निर्णय भार की उपस्थिति वही है क्यों लक्ष्यीकरण लुभावना है — लेकिन वही निर्णय भार वही है क्यों सीमांत प्रोडक्टिविटी उत्थान पेरोल बचत के सुझाव से छोटा है। सही फ्रेमिंग "वेज-प्रीमियम भूमिकाएँ खराब लक्ष्य हैं" नहीं है, बल्कि "वेज-प्रीमियम भूमिका पर बचत प्रोडक्टिविटी संख्या नहीं है, और उसे ऐसा मानना ही चार-दशकीय गलती है।"
मिड-मार्केट विशिष्टताएँ: 200 FTE के ऑप्स कार्य के लिए इस तिमाही क्या बदलता है
2026 के एजेंट लक्ष्यों को अंतिम रूप दे रहे Head of Operations के लिए, QJE पेपर डिप्लॉयमेंट रिव्यू में तीन ठोस परिवर्तनों में बदलता है। किसी को भी अलग वेंडर या अलग एजेंट की आवश्यकता नहीं है।
एक: पेरोल बचत रेखा को प्रोडक्टिविटी उत्थान रेखा से अलग करें। हर एजेंट डिप्लॉयमेंट प्रस्ताव को दो अलग संख्याओं को स्कोर करना चाहिए: डिप्लॉयमेंट जिस सकल पेरोल राहत को संभव बनाता है, और जिस मापे गए प्रोडक्टिविटी उत्थान (निर्णय-समय की प्रति इकाई आउटपुट) के उत्पादन की अपेक्षा है। दोनों संख्याएँ विनिमेय नहीं हैं। जब वे 2 गुना से अधिक अलग होती हैं, डिप्लॉयमेंट रेंट-डिसिपेशन क्षेत्र में है — एजेंट को बचत द्वारा उचित ठहराया जा रहा है, काम द्वारा नहीं। यही वह क्षण है जब पूछा जाए कि क्या कोई अलग लक्ष्य वेज-प्रीमियम निर्भरता के बिना वही प्रोडक्टिविटी उत्थान उत्पन्न करता है।
दो: लक्ष्यों को इस आधार पर स्कोर करें कि आउटपुट कहाँ बाधित है, इस आधार पर नहीं कि पेरोल कहाँ केंद्रित है। एक साप्ताहिक क्लोज़ जिसमें चार दिन लगते हैं क्योंकि रीकंसिलिएशन क्वेरीज़ हर चक्र पर छह घंटे लेती हैं — यह प्रोडक्टिविटी बाधा है। $180K कमाने वाला सीनियर एनालिस्ट पेरोल संकेंद्रण है। पहला उच्च-उत्थान एजेंट लक्ष्य है; दूसरा नहीं, भले ही दूसरा बड़ी नाममात्र बचत उत्पन्न करे। मिड-मार्केट ऑप्स कार्य लगभग कभी भी इस स्कोरिंग अभ्यास को स्पष्ट रूप से नहीं चलाते; डिप्लॉयमेंट रिव्यू डिफ़ॉल्ट रूप से पेरोल दृष्टि पर वापस आता है क्योंकि वही दृष्टि CFO एक बैठक में गणना कर सकता है।
तीन: पुनः-लक्ष्यीकरण प्रोटोकॉल पर पूर्व-प्रतिबद्ध हों। Acemoglu और Restrepo का निष्कर्ष आंशिक रूप से दृढ़ता के बारे में है — ग़लत आवंटन चार दशक तक चला क्योंकि किसी ने इसे ठीक नहीं किया। agentic समकक्ष कायम रहता है क्योंकि मूल डिप्लॉयमेंट पिच एक तिमाही के भीतर वित्तीय प्रतिबद्धता में कठोर हो जाता है। हेज यह है कि पुनः-लक्ष्यीकरण ट्रिगर को डिप्लॉयमेंट प्रस्ताव में ही लिखें: तीसरे और छठे महीने पर, एजेंट के प्रोडक्टिविटी उत्थान को मूल लक्ष्य के विरुद्ध मापा जाता है; यदि मापा गया उत्थान प्रक्षेपित उत्थान के 40 प्रतिशत से नीचे है, तो पुनः-लक्ष्यीकरण की राजनीतिक लागत निषेधात्मक बनने से पहले एजेंट को एक अलग कार्य की ओर पुनः निर्देशित किया जाता है। यही एकमात्र संरचनात्मक रक्षा है उस दृढ़ता के विरुद्ध जिसे Acemoglu और Restrepo मापते हैं।
ये तीनों कदम तकनीकी नहीं हैं; ये रिव्यू-प्रक्रिया कदम हैं। उन्हें अलग एजेंट खरीदने या अलग टीम भर्ती करने की आवश्यकता नहीं है। उन्हें डिप्लॉयमेंट रिव्यू को एक अलग रूप में चलाने की आवश्यकता है — एक ऐसा रूप जो प्रोडक्टिविटी और पेरोल को एक ही कॉलम में नहीं ढहाता।
इस तिमाही का विशिष्ट क़दम
Acemoglu–Restrepo का QJE पेपर चालीस वर्षों में पहला अनुभवजन्य कार्य है जो आउटपुट के बजाय पगार के विरुद्ध ऑटोमेट करने की लागत पर एक संख्या रखता है। यह संख्या — प्रोडक्टिविटी डिविडेंड का 60 से 90 प्रतिशत खोया, असमानता वृद्धि का 52 प्रतिशत उसी गतिकी से आरोपित — इतनी बड़ी है कि यदि गणित ठीक से किया जाए तो अधिकांश वर्तमान मिड-मार्केट एजेंट डिप्लॉयमेंट के ROI गणित को पलट दे।
इस तिमाही Head of Operations के सामने निर्णय संकीर्ण है। अगले एजेंट लक्ष्य पर हस्ताक्षर करने से पहले, डिप्लॉयमेंट प्रस्ताव को एक फ़िल्टर से गुज़ारें: क्या यह लक्ष्य इसलिए चुना गया है क्योंकि काम वहाँ है जहाँ प्रोडक्टिविटी बाधित है, या इसलिए क्योंकि पेरोल वहाँ है जहाँ बचत सबसे दृश्यमान है? यदि ईमानदार उत्तर दूसरा है, तो ऐतिहासिक आधार दर कहती है कि डिप्लॉयमेंट उस प्रोडक्टिविटी गेन का दो-तिहाई से नौ-दसवाँ हिस्सा फैला देगा जिसे वह पकड़ सकता था।
लक्ष्य को पुनः स्कोर करें। कॉलम अलग करें। पुनः-लक्ष्यीकरण ट्रिगर लिखें। पहली तिमाही में इसे करने की लागत एक बैठक और एक संशोधित टेम्पलेट है। न करने की लागत वही है जिसे Acemoglu और Restrepo ने अब एक कठोर संख्या में डाल दिया है — और जिस पर आपकी 2027 की प्रोडक्टिविटी रिव्यू लिखी जाएगी।
