बीस हज़ार ब्रिटिश सरकारी कर्मचारियों को Microsoft 365 Copilot का लाइसेंस दिया गया, और अंतर-विभागीय निष्कर्ष रिपोर्ट ने नतीजा प्रति व्यक्ति प्रतिदिन 26 मिनट की बचत पर तय किया (Government Digital Service, 2025)। तब से यह आँकड़ा खरीद-प्रस्तुतियों में घूम रहा है। उसी रिपोर्ट के दो विवरण बदल देते हैं कि यह आँकड़ा कितना वज़न उठा सकता है: प्रतिभागियों ने इसे अपनी दैनिक समय-बचत का अनुमान कई श्रेणियों के सेट से खुद लगाकर तैयार किया, और निष्कर्ष खंड कहता है कि "प्रायोगिक सीमाओं के कारण यह पहचानना संभव नहीं था कि बचाया गया समय कहाँ खर्च हुआ।"
इसके बाद Department for Work and Pensions — उसी ट्रायल के भीतर के विभागों में से एक — ने अपने समूह का मूल्यांकन उन सहकर्मियों के तुलना-समूह के सामने किया जिन्हें कभी लाइसेंस नहीं मिला। उसका अनुमान आठ नियमित कार्यों पर प्रतिदिन 19 मिनट रहा (DWP, 2026)।
एक ही रोलआउट के दो मापन, और दोनों एक ही सरकार ने प्रकाशित किए। इनके बीच की दूरी ठीक वही दूरी है जो समय-बचत की सुर्खी और AI पायलट के बिज़नेस केस के बीच है।
20,000 लाइसेंसों ने वास्तव में क्या मापा
यह अंतर-विभागीय प्रयोग 30 सितंबर से 31 दिसंबर 2024 तक चला, और हर भागीदार संगठन ने कम से कम 1,000 लाइसेंस देने की प्रतिबद्धता जताई (Government Digital Service, 2025)। AI उत्पादकता पर उपलब्ध बहुत से प्रमाणों के मानक से देखें तो यह एक अच्छा दस्तावेज़ है: बड़े पैमाने का, सार्वजनिक क्षेत्र का, अपनी कार्यप्रणाली के साथ प्रकाशित — और यह तीन चापलूस लोगो वाला कोई वेंडर केस स्टडी नहीं है।
जहाँ ऑपरेशंस प्रमुख को धीमा होना चाहिए, वह जगह है कार्यप्रणाली। प्रतिभागियों से कहा गया कि वे औसत दैनिक बचत का अनुमान "कुछ नहीं या 5 मिनट से कम" से "एक घंटे से अधिक" तक की श्रेणियों में से चुनकर लगाएँ। 26 मिनट का औसत उन श्रेणियों के मध्यबिंदुओं से निकाला गया, और सबसे ऊपरी श्रेणी को 60 मिनट माना गया। सत्रह प्रतिशत ने कोई स्पष्ट समय-बचत ही नहीं देखी। 70% से अधिक ने माना कि Copilot ने जानकारी खोजने में लगने वाला समय घटाया — और जैसा बाद के प्रमाण संकेत देते हैं, यही वह उपयोग है जहाँ यह औज़ार सबसे दिखने-भर उपयोगी और आर्थिक रूप से सबसे कम मायने रखने वाला है।
तो मापने का उपकरण एक स्मृति-आधारित सवाल है: आपको लगता है इसने आपका कितना समय बचाया? यह सवाल 20,000 लोगों से सस्ते में पूछा जा सकता है, इसीलिए पूछा जाता है। लेकिन यह वे दो आँकड़े नहीं दे सकता जिन पर बिज़नेस केस वास्तव में चलता है।
दो आँकड़े जो स्व-रिपोर्टिंग नहीं दे सकती
पहला है प्रति-तथ्य: उसी स्टाफ़, उसी तिमाही और बिना किसी लाइसेंस के उन कार्यों का क्या होता। दूसरा है गंतव्य: वापस मिले मिनट कहाँ गए।
पहले के बिना आप प्रभाव के साथ-साथ उत्साह भी माप रहे हैं। दूसरे के बिना आप एक इनपुट माप रहे हैं और उसे रिटर्न कह रहे हैं।
वही रोलआउट, उनके सामने जिनके पास यह नहीं था
DWP का मूल्यांकन इनमें से पहला आँकड़ा देता है। इसने गैर-उपयोगकर्ताओं के तुलना-समूह के सामने Seemingly Unrelated Regression का प्रयोग किया, जनसांख्यिकीय, व्यावसायिक और AI-रुचि संबंधी चरों को नियंत्रित किया, और आठ नियमित कार्यों पर प्रतिदिन 19 मिनट की बचत का अनुमान लगाया — सभी स्पेसिफिकेशनों में सांख्यिकीय रूप से सार्थक। प्रति-कार्य सबसे बड़ी कमी जानकारी खोजने (26 मिनट) और ईमेल लिखने (25 मिनट) में रही। नब्बे प्रतिशत उपयोगकर्ताओं ने कहा कि Copilot ने उनका समय बचाने में मदद की, और 65% ने काम में अधिक संतुष्टि महसूस करने की बात कही (DWP, 2026)।
DWP अपनी सीमा के बारे में भी उतना ही स्पष्ट है: यह रैंडमाइज़्ड कंट्रोल्ड ट्रायल नहीं था। लाइसेंस पहले-आओ-पहले-पाओ के आधार पर बाँटे गए, इसलिए स्व-चयन और उपचार-पश्चात पक्षपात वास्तविक चिंताएँ हैं। लाइसेंस सबसे उत्साही लोगों के पास गए।
यहाँ गणित करने की इच्छा को रोकें। दोनों आँकड़े समतुल्य नहीं हैं — भिन्न जनसंख्या, भिन्न कार्य-दायरा, भिन्न पद्धति — और एक को दूसरे से घटाने पर जो संख्या निकलती है, उसे कोई भी दस्तावेज़ समर्थन नहीं देता। निष्कर्ष संरचनात्मक है, संख्यात्मक नहीं: जिस विभाग ने तुलना-समूह जोड़ा, उसने स्व-अनुमान से छोटा आँकड़ा बताया — और यह उस कार्यक्रम में हुआ जहाँ उत्साही लोगों ने स्वयं को उपचार समूह में चुन लिया था। सुधार की दिशा यही है, और जब कोई वेंडर आपको ऐसा एक अकेला आँकड़ा थमाए जिसके आसपास कोई नियंत्रण समूह न हो, तो यही दिशा मायने रखती है।
वह वाक्य जिसे बजट बैठक रोक देनी चाहिए
पूरी अंतर-विभागीय रिपोर्ट में, निष्कर्षों की एक पंक्ति 26 मिनट के उपयोग को सबसे ज़्यादा चोट पहुँचाती है: "प्रायोगिक सीमाओं के कारण यह पहचानना संभव नहीं था कि बचाया गया समय कहाँ खर्च हुआ।"
वापस मिले एक मिनट के तीन संभावित अंजाम होते हैं। वह आउटपुट बन जाता है। वह किसी दूसरे कार्य में समा जाता है। या वह खाली समय बन जाता है। बिज़नेस केस में केवल पहला दिखता है, और ट्रायल इन तीनों में अंतर नहीं कर सका।
यह सार्वजनिक क्षेत्र की कोई विचित्रता नहीं है। इसी सवाल का पहला संघीय, वेंडर-स्वतंत्र मापन बताता है कि पिछले सप्ताह काम पर AI का उपयोग करने वाले अमेरिकी कर्मियों में 56% ने उसके बिना लगने वाले अतिरिक्त समय को सप्ताह में दो घंटे या उससे कम बताया; 10% ने कोई समय-बचत न होने की बात कही, और 3% ने कहा कि AI ने अधिक समय माँगा (अमेरिकी जनगणना ब्यूरो, 2026)।
सप्ताह में दो घंटे, जो बिखरे मिनटों के रूप में आते हैं, किसी पुनः-आवंटन योग्य पूर्णकालिक पद में एकत्र नहीं होते। परिचालन कसौटी सपाट है: क्या कोई पूरा कार्य किसी की मेज़ से हट रहा है? यदि उत्तर नहीं है, तो घंटों को लदी-लागत से गुणा करना एक अलंकार है, पूर्वानुमान नहीं।
प्रति-उपयोगकर्ता मिनट AI पायलट के बिज़नेस केस में क्यों नहीं जुड़ते
भागीदारी की समस्या गंतव्य की समस्या को और बढ़ा देती है। ECB का कंज़्यूमर एक्सपेक्टेशंस सर्वे वही नतीजा दो ऊँचाइयों पर बताता है: माध्यिका AI उपयोगकर्ता सप्ताह में लगभग तीन घंटे बचाता है, यानी माध्यिका कार्य-समय का करीब 7.7% — लेकिन केवल 48.8% कर्मी AI का उपयोग भी करते हैं और उससे समय भी बचाते हैं, जिससे अर्थव्यवस्था-स्तर पर कार्यक्षमता लाभ लगभग 3.8% रह जाता है (ECB, 2026)।
वही सर्वे, वही उत्तरदाता — और जैसे ही हर संख्या का भाजक "उपयोगकर्ता" से बदलकर "वे सब जिन्हें आप वेतन देते हैं" हो जाता है, आँकड़ा आधा रह जाता है।
ECB का डेटा उपयोग के पैटर्न को भी इस तरह उलट देता है कि किसी पायलट की प्राथमिकताएँ फिर से तय हो जानी चाहिए। कोड जनरेशन और डीबगिंग सप्ताह में लगभग आठ घंटे लौटाते हैं — और वहाँ AI लगाने वाले उपयोगकर्ता मात्र 8% हैं। शोध, जानकारी जुटाना, लेखन और संपादन सबसे आम उपयोग हैं और इनसे बचत काफ़ी कम होती है। अंतर-विभागीय ट्रायल का प्रमुख लाभ, यानी जानकारी खोजने में कम समय, ठीक उसी कम-प्रतिफल वाली पट्टी में बैठता है।
इसका अर्थ है कि बिज़नेस केस को तीन इनपुट चाहिए, जबकि बहुतेरी प्रस्तुतियों में एक ही होता है: भागीदारी दर, कार्य-स्तरीय प्रतिफल, और एक स्पष्ट रूपांतरण गुणक कि मुक्त हुए घंटे आउटपुट बनते हैं या खाली समय। इनमें से हर एक नवीनीकरण से पहले देखा जा सकता है। इनमें से कोई भी 26 मिनट के औसत में मौजूद नहीं है।
ईमानदार प्रति-तर्क
तीन सीमाएँ, साफ़ शब्दों में।
स्व-रिपोर्टिंग दोनों दिशाओं में गलत हो सकती है — लेकिन जो दिशा मापी गई वह उदार नहीं रही। अनुभवी ओपन-सोर्स डेवलपर्स पर METR के रैंडमाइज़्ड परीक्षण में पाया गया कि 2025 की शुरुआत के AI औज़ारों ने उन्हें 19% धीमा कर दिया, जबकि वे मानते रहे कि वे तेज़ हुए हैं; 349 तकनीकी कर्मियों पर उसके बाद के सर्वे के अनुसार उस अध्ययन के प्रतिभागियों ने कार्य-समय पर AI के असर को औसतन 40 प्रतिशत अंक अधिक आँका (METR, 2026)। यह एक संकीर्ण समूह है, जो अपने गहराई से जाने-पहचाने रिपॉज़िटरीज़ पर काम करता है, और यह परिमाण मिड-मार्केट बैक ऑफ़िस पर लागू नहीं होता। यह एक छोटी पर उपयोगी बात स्थापित करता है: स्वयं अनुमानित बचत कोई रूढ़िवादी इनपुट नहीं है।
ये मूल्यांकन असफलताएँ नहीं थे। दोनों ने वास्तविक और सांख्यिकीय रूप से सार्थक समय-बचत पाई, और DWP ने संतुष्टि के ऐसे प्रभाव पाए जो अपने आप में मूल्यवान हैं। यहाँ आलोचना ट्रायलों की नहीं है — वे प्रमाण के नाम पर बिकने वाली बहुत-सी चीज़ों से अधिक पारदर्शी हैं — बल्कि उस काम की है जो मुख्य आँकड़े से रिपोर्ट छोड़ने के बाद कराया जाता है।
सार्वजनिक क्षेत्र आपका क्षेत्र नहीं है। सिविल सेवा का कार्य-मिश्रण, खरीद की अड़चनें और बुनियादी औज़ार सब विशिष्ट हैं। हस्तांतरणीय संपत्ति मूल्यांकन का डिज़ाइन है, मिनट नहीं। 26 या 19 को अपने मॉडल में न ले जाएँ; उस सवाल को ले जाएँ जिसने दूसरा आँकड़ा पैदा किया।
अगले नवीनीकरण से पहले पायलट डिज़ाइन में क्या बदलें
चार कदम, और इनमें से किसी के लिए नई बजट मद की ज़रूरत नहीं।
- एक तुलना-समूह अलग रखें, और उत्साही लोगों को खुद को चुनने न दें। किसी पायलट के आँकड़े को बचाव-योग्य बनाने का सबसे सस्ता तरीका है उसी फ़ंक्शन के भीतर एक समूह, जिसे उन्हीं 90 दिनों में लाइसेंस न मिले। DWP ने जो सीमा स्वयं बताई — पहले-आओ-पहले-पाओ आवंटन — वही ठीक करने वाला हिस्सा है: लाइसेंस टीम के भीतर यादृच्छिक रूप से दें, न कि उन्हें जो पहले माँग लें।
- पायलट शुरू होने से पहले गंतव्य का नाम लें। हर पद के लिए लिख लें कि कौन-सा विशिष्ट कार्य किसकी मेज़ से हटना है, और उस जगह को क्या भरेगा। अगर जवाब है "लोगों के पास ज़्यादा समय होगा", तो पायलट संतुष्टि माप रहा है, और उसका बजट भी उसी तरह बनना चाहिए।
- पूरे रोलआउट को नहीं, एक कार्य को मापें। दो ऐसे कार्य चुनें जिनका साइकल टाइम सिस्टम से देखा जा सके, और उन्हें शुरू से अंत तक मापें। दो कार्यों पर एक बचाव-योग्य अंतर, चालीस कार्यों पर सर्वे-औसत से बेहतर है।
- हेडकाउंट को नहीं, पद को स्कोर करें। गंतव्य का सवाल पद के स्तर पर ही हल होना चाहिए, क्योंकि काम वास्तव में उसी स्तर पर खिसकता है। Scovai का ऑर्ग-चार्ट पर augmentability स्कोरिंग उस नतीजे का एक ठोस रूप है — हर पद को इस आधार पर 0 से 100% तक स्कोर किया जाता है कि वह कितना संवर्धनीय है, और बिना कवर वाली भूमिकाएँ तथा प्रति-पद योजना उसी चार्ट से निकलती हैं।
ब्रिटिश सरकार ने एक असामान्य काम किया: उसने चापलूस आँकड़ा और उसे कमज़ोर करने वाली पद्धति, दोनों प्रकाशित किए, और फिर अपने एक विभाग को तुलना-समूह के साथ अपनी ही कॉपी जाँचने दिया। यह प्रमाण का वह स्तर है जहाँ निजी कंपनियों के भीतर चलने वाले अधिकांश AI पायलट कभी पहुँचते ही नहीं।
इसलिए इस तिमाही में लाइसेंसों का कोई ब्लॉक नवीनीकृत करने से पहले एक पेज माँगें: कौन-से कार्य किन मेज़ों से हटे, और खाली हुई जगह में क्या आया। अगर वह पेज कोई नहीं लिख सकता, तो आपके हाथ में AI पायलट का बिज़नेस केस नहीं है। आपके हाथ में लाइसेंस शुल्क से जुड़ा एक संतुष्टि सर्वे है।
