जब कर्मचारी-प्रतिक्रिया से जुड़े किसी प्रश्न का उत्तर स्पष्ट और सत्यापन-योग्य होता है, तब अग्रणी AI मॉडल 64% से 82% तक अंक पाते हैं। लेकिन जब काम अधूरे, भावनात्मक रूप से भारी और संदर्भ-निर्भर संकेतों को तौलकर एक ऐसे निष्कर्ष तक पहुँचने का हो जिसका बचाव किया जा सके, तो उनमें से सर्वश्रेष्ठ भी गिरकर 33% पर आ जाते हैं (PYX Labs, 2026)।
उस दूसरी श्रेणी का आपकी कंपनी में एक नाम है। उसे कहते हैं — यह तय करना कि पदोन्नति किसे मिलेगी।
दस में से छह मैनेजर अपने प्रत्यक्ष अधीनस्थों के बारे में फ़ैसले लेने में पहले से ही AI का उपयोग कर रहे हैं — वेतनवृद्धि, पदोन्नति, छँटनी, सेवा-समाप्ति (Resume Builder, 2025)। क्षमता का वक्र और उपयोग का वक्र विपरीत दिशाओं में जा रहे हैं, और दोनों के बीच रेखा लगभग किसी ने नहीं खींची है।
PYX-Voice बेंचमार्क ने असल में क्या मापा
15 जुलाई 2026 को PYX Labs — Perceptyx द्वारा प्रायोजित एक शोध प्रयोगशाला — ने PYX-Voice जारी किया, जो विशेष रूप से यह आँकने के लिए बनाया गया पहला बेंचमार्क है कि अग्रणी AI मॉडल कर्मचारियों की प्रतिक्रिया को कितनी अच्छी तरह समझते हैं। OpenAI, Google, Anthropic और xAI के सात प्रमुख मॉडलों को कर्मचारी-श्रवण के 84 वास्तविक कार्यों से गुज़ारा गया और औद्योगिक-संगठनात्मक (I-O) मनोवैज्ञानिकों तथा संगठनात्मक व्यवहार विशेषज्ञों द्वारा तय 208 मानदंडों पर उनका मूल्यांकन किया गया (Perceptyx, 2026)।
असली बात मूल्यांकन के मानदंड हैं। किसी मॉडल को सर्वेक्षण उत्तरों की स्प्रेडशीट थमा देना मामूली काम है। उन आँकड़ों का सही पाठ कैसा दिखता है, यह परिभाषित करना — एक सक्षम I-O मनोवैज्ञानिक क्या निष्कर्ष निकालेगा और क्या निकालने से इनकार कर देगा — यही कठिन हिस्सा है, और यही वह हिस्सा है जिसे कोई भी सामान्य AI बेंचमार्क नहीं परखता।
मुख्य निष्कर्ष यह नहीं था कि मॉडल ख़राब हैं। वे ख़राब नहीं हैं। जैसे-जैसे कार्य का व्याख्यात्मक बोझ बढ़ा, विश्वसनीयता तीव्र और पूर्वानुमेय ढंग से गिरती गई (PYX Labs, 2026)। मैदान के सबसे मज़बूत मॉडल ने कुल मिलाकर 76% पार किया। और परखे गए हर मॉडल ने — बिना किसी अपवाद के — संश्लेषण को अपनी सबसे कमज़ोर क्षमता के रूप में दर्ज किया।
यह एकरूपता निरपेक्ष अंकों से अधिक मायने रखती है। चार अलग-अलग प्रयोगशालाओं के हर मॉडल में साझा कमज़ोरी कोई विक्रेता-संबंधी समस्या नहीं है जिसे ख़रीदकर हल किया जा सके। यह स्वयं उस कार्य का गुण है।
खाई ठीक वहीं है जहाँ दाँव सबसे ऊँचा है
बेंचमार्क का प्रदर्शन-चित्र लगभग पूरी तरह उस विभाजन से मेल खाता है जो अधिकांश परिचालन प्रमुख सहज रूप से पहले ही कर लेते हैं, पर अपने औज़ारों में शायद ही कभी लागू करते हैं।
मॉडल वहाँ सबसे अच्छे रहे जहाँ प्रतिक्रिया स्पष्ट रूप से सुपरिभाषित विषयों में बँट जाती है: लक्ष्यों, औज़ारों, मापदंडों और संसाधनों से जुड़े प्रदर्शन-सक्षमीकरण के प्रश्न। ये मानव-संसाधन की पोशाक पहने वर्गीकरण की समस्याएँ हैं। एक सही उत्तर होता है, वह उत्तर सत्यापन-योग्य होता है, और मॉडल उसे ढूँढ़ लेता है।
प्रदर्शन व्यापक और सूक्ष्म विषयों पर बिगड़ा — बदलाव, नवाचार, और टिप्पणियों की वह धुँधली श्रेणी जो कहती है कि कुछ ठीक नहीं है, पर यह नहीं कहती कि क्या। यहाँ मॉडल को एक साथ कई अधूरे, परस्पर-विरोधी संकेत थामकर एक निर्णय देना होता है। अंक गिरकर 33% तक आ गए (PYX Labs, 2026)।
इस विफलता का जो वर्णन स्वयं बेंचमार्क देता है, वह उद्धरण योग्य है, क्योंकि वह लक्षण नहीं, तंत्र का नाम लेता है: "टूटन ठीक तब होती है जब उन्हें अधूरे, भावनात्मक या संदर्भ-निर्भर संकेतों को तौलकर एक स्पष्ट निष्कर्ष में समेटना होता है" (HR Dive, 2026)।
उस वर्णन को दोबारा पढ़िए और पूछिए कि पदोन्नति का फ़ैसला क्या होता है। वह अधूरी सूचना है, भावनात्मक रूप से भारित, गहराई से संदर्भ-निर्भर, और एक स्पष्ट निष्कर्ष में समेटी हुई। बेंचमार्क ने प्रदर्शन-प्रबंधन को नहीं परखा। उसने ठीक वही संज्ञानात्मक क्रिया परखी जिससे प्रदर्शन-प्रबंधन बना होता है।
निर्णय के किसी कार्य पर 33% का अर्थ थोड़ा कमज़ोर सहायक नहीं है। वह आत्मविश्वासी आवाज़ के साथ उछाला गया सिक्का है।
और विफलता का तरीक़ा अंक से भी बुरा है, क्योंकि दोनों ही स्थितियों में आउटपुट एक जैसा दिखता है। कर्मचारी-प्रतिक्रिया का ख़राब संश्लेषण करने वाला मॉडल न कोई त्रुटि लौटाता है, न कम-विश्वास का संकेत देता है। वह टीम के मनोबल पर एक प्रवाहपूर्ण, सुगठित और पूरी तरह विश्वसनीय अनुच्छेद लौटाता है। समीक्षा करने वाले मैनेजर के पास 82% वाली स्थिति को 33% वाली स्थिति से अलग करने का कोई संकेत नहीं होता। PYX Labs ने ऐसे दुर्लभ पर सार्थक उदाहरण भी दर्ज किए जहाँ मॉडलों ने गढ़े हुए सांख्यिकीय परिणाम दिए, या अंतर्निहित डेटासेट की सीमाओं का कड़ाई से पालन नहीं किया — सारांश में ऐसा आँकड़ा जो डेटा में कभी था ही नहीं (HR Dive, 2026)।
प्रवाह अंशांकन नहीं है। जब तर्क कमज़ोर पड़ता है, तब प्रस्तुति की परत में कुछ भी कमज़ोर नहीं पड़ता।
AI-आधारित कार्मिक फ़ैसले पहले से कहाँ हो रहे हैं
अब इस क्षमता-चित्र को मैनेजरों के वास्तविक व्यवहार के बगल में रखिए।
Resume Builder ने जून 2025 के अंत में प्रत्यक्ष अधीनस्थों वाले 1,342 अमेरिकी मैनेजरों का सर्वेक्षण किया। साठ प्रतिशत अपने लोगों के बारे में फ़ैसले लेने के लिए AI औज़ारों का उपयोग करते हैं। जो करते हैं, उनमें से: 78% वेतनवृद्धि तय करने के लिए, 77% पदोन्नति के लिए, 66% छँटनी के लिए और 64% सेवा-समाप्ति के लिए इसका उपयोग करते हैं (Resume Builder, 2025)।
उसी सर्वेक्षण के तीन और आँकड़े शासन-व्यवस्था की समस्या को सटीक रूप से परिभाषित करते हैं।
पाँच में से एक से अधिक मैनेजर कहते हैं कि वे अक्सर बिना किसी मानवीय हस्तक्षेप के अंतिम निर्णय AI पर छोड़ देते हैं। लोगों के प्रबंधन में AI का उपयोग करने वाले दो-तिहाई मैनेजरों ने इसका कोई औपचारिक प्रशिक्षण नहीं लिया है। और केवल 32% बताते हैं कि उन्हें इन औज़ारों के नैतिक उपयोग पर कोई औपचारिक प्रशिक्षण मिला (HR Dive, 2025)।
जोख़िम भरोसे में है, उपयोग में नहीं
अपनी टीमों के प्रबंधन में AI का सहारा लेने वाले मैनेजरों में से दस में सात से अधिक ने भरोसा जताया कि यह तकनीक कर्मचारियों के बारे में निष्पक्ष और पूर्वाग्रह-रहित फ़ैसले करती है (HR Dive, 2025)।
सत्तर प्रतिशत से अधिक आश्वस्त। व्याख्यात्मक छोर पर तैंतीस प्रतिशत सक्षम। यही अंतर पूरा जोख़िम है, और यह बेहतर मॉडलों से नहीं पटता — यह बेहतर दायरा तय करने से पटता है।
ध्यान दीजिए कि यह क्या नहीं है। यह तर्क नहीं है कि मैनेजर लापरवाह हैं या प्रदर्शन-प्रबंधन में AI का कोई स्थान नहीं। 400 मुक्त-उत्तर प्रतिक्रियाओं से विषय निकालने का काम सौंपने वाले मैनेजर सही कर रहे हैं; वह 82% वाला काम है, और उसे हाथ से करना किसी वरिष्ठ व्यक्ति का पूरा सप्ताह बर्बाद करना है। समस्या यह है कि वही इंटरफ़ेस, वही प्रॉम्प्ट बॉक्स और वही संस्थागत अनुमति दोनों कामों को ढँक लेती है — और उनमें से केवल एक सुरक्षित है।
इसे ज़रूरत से ज़्यादा पढ़ने के ख़िलाफ़ तर्क
तीन चेतावनियाँ, साफ़-साफ़ कही गईं, क्योंकि दोनों स्रोतों को कम आँकने की प्रवृत्ति आंशिक रूप से जायज़ है।
PYX Labs को Perceptyx प्रायोजित करती है, जो कर्मचारी-श्रवण तकनीक बेचती है। यह निष्कर्ष देने वाला बेंचमार्क कि कर्मचारी-प्रतिक्रिया की व्याख्या दिखने से कठिन है — और उसके लिए I-O विशेषज्ञता चाहिए — व्यावसायिक रूप से उस कंपनी के लिए सुविधाजनक है जो I-O विशेषज्ञता बेचती है। इसे दर्ज कीजिए, फिर इस तथ्य से तौलिए कि बेंचमार्क की पद्धति, कार्यों की संख्या और मूल्यांकन मानदंड सार्वजनिक हैं और परिणाम पूरे प्रकाशित हुए — उन जगहों सहित जहाँ मॉडलों ने अच्छा किया।
Resume Builder बायोडाटा-सेवाओं की कंपनी है, और उसका अध्ययन स्व-रिपोर्टेड ऑनलाइन सर्वेक्षण है। "साठ प्रतिशत मैनेजर कार्मिक फ़ैसलों में AI का उपयोग करते हैं" यह मापता है कि मैनेजर क्या कहते हैं कि वे करते हैं — ऐसे सर्वेक्षण में जहाँ हाँ कहने की कोई क़ीमत नहीं। दिशा को ठोस मानिए और दशमलव को ढीला।
और PYX-Voice एक ही बेंचमार्क है, कुछ सप्ताह पहले जारी हुआ, जिसकी स्वतंत्र पुनरावृत्ति अभी नहीं हुई। अकेला बेंचमार्क साक्ष्य है, प्रमाण नहीं।
तीनों चेतावनियों के बाद जो बचता है, वह निष्कर्ष का आकार है: व्याख्यात्मक बोझ बढ़ने के साथ क्षमता गिरती है, सभी प्रयोगशालाओं में एक-सा; जबकि उपयोग ठीक वहीं चरम पर है जहाँ व्याख्यात्मक बोझ चरम पर है। इस उलटफेर को किसी व्यावसायिक प्रोत्साहन ने नहीं गढ़ा। प्रायोजक का पूर्वाग्रह और सर्वेक्षण का पूर्वाग्रह संयोग से एक ही दिशा में इशारा करें — इसके लिए बड़ी अजीब क़िस्मत चाहिए।
50 से 500 कर्मचारियों वाली कंपनी में इसका अर्थ
बड़े उद्यमों में इस समस्या को प्रक्रिया सोख लेती है। वहाँ मुआवज़ा समिति होती है, अंशांकन बैठक होती है, एक HR बिज़नेस पार्टनर होता है जो वही प्रतिक्रिया स्वतंत्र रूप से पढ़ता है, और एक विधि विभाग होता है जो पूछेगा कि सेवा-समाप्ति का फ़ैसला कैसे लिया गया।
200 लोगों पर एक मैनेजर, एक स्प्रेडशीट और एक समय-सीमा होती है।
यह मध्य-बाज़ार के परिचालन की आलोचना नहीं है — यह वह संरचनात्मक वास्तविकता है जो इस निष्कर्ष को यहाँ 20,000 लोगों की कंपनी से अधिक अत्यावश्यक बनाती है। मध्य-बाज़ार के पास AI तक वही पहुँच है, समीक्षा की परत पतली है, और अनुचित सेवा-समाप्ति के दावे को सहने की क्षमता काफ़ी कम। औज़ार आ गया; उसकी ग़लतियाँ पकड़ने वाली अंशांकन प्रक्रिया नहीं आई।
एक संचयी प्रभाव भी है जिसका नाम लेना ज़रूरी है। सूक्ष्म प्रतिक्रिया को कम पढ़ने वाला मॉडल बेतरतीब ग़लती नहीं करता। वह व्यवस्थित रूप से सुपाठ्य को सार्थक पर वरीयता देता है: स्पष्ट लिखी शिकायत को संकोच भरी शिकायत पर, वाक्पटु कर्मचारी को संकोची कर्मचारी पर, कीवर्ड वाले विषय को बिना कीवर्ड वाले विषय पर। इसे दो पदोन्नति-चक्रों तक चुपचाप चलने दीजिए और आपने कोई ग़लती नहीं की होगी। आपने दस्तावेज़ी निशान के साथ एक पूर्वाग्रह स्थापित कर दिया होगा।
इसी तिमाही में रेखा खींचिए
काम को औज़ार से नहीं, सत्यापन-योग्यता से बाँटिए
काम की सीमा यह नहीं है कि "HR के लिए AI, हाँ या ना"। सीमा यह है: क्या आउटपुट को स्रोत से एक मिनट के भीतर जाँचा जा सकता है? 300 टिप्पणियों को विषयों में समूहित करना — जाँचने योग्य, सौंप दीजिए। एक पदोन्नति के लिए दो उम्मीदवारों को उनकी प्रतिक्रिया के आधार पर क्रम देना — जाँचने योग्य नहीं, मनुष्य के पास रखिए। इस कसौटी को लिखकर मैनेजर-दिशानिर्देशों में डालिए, क्योंकि इस समय इन औज़ारों का उपयोग करने वाले आपके दो-तिहाई मैनेजरों ने कोई औपचारिक प्रशिक्षण लिया ही नहीं है (Resume Builder, 2025)।
उन चार फ़ैसलों का नाम लीजिए जिन्हें AI बंद नहीं कर सकता
वेतनवृद्धि, पदोन्नति, छँटनी, सेवा-समाप्ति। हर एक के लिए दस्तावेज़ी मानवीय तर्क अनिवार्य कीजिए, जो AI-सारांश को अपने साक्ष्य के रूप में उद्धृत न करे। इसमें कोई लागत नहीं है और यह सीधे उन पाँच में से एक को संबोधित करता है जो आज मॉडल को बिना निगरानी फ़ैसला करने देते हैं।
एक चक्र पीछे जाकर लेखा-जोखा कीजिए
पिछला प्रदर्शन या मुआवज़ा चक्र लीजिए। हर मैनेजर से एक प्रश्न पूछिए: इसमें AI ने कहाँ हाथ लगाया, और आपने क्या जाँचा? आप उल्लंघन नहीं ढूँढ़ रहे। आप उसका ईमानदार नक़्शा ढूँढ़ रहे हैं जो पहले से हो रहा है — और अधिकांश मध्य-बाज़ार कंपनियों में, जिन्हें मैंने देखा है, वह नेतृत्व टीम की धारणा से कहीं आगे निकल चुका है।
इस तिमाही का एक फ़ैसला
पिछले नब्बे दिनों में आपके मैनेजरों ने जो सबसे भारी कार्मिक फ़ैसला लिया, उसे चुनिए और पूछिए कि क्या उसकी साक्ष्य-शृंखला में कहीं भी AI-निर्मित सारांश मौजूद था। यदि था, तो दूसरा प्रश्न पूछिए: क्या कोई भी व्यक्ति केवल आउटपुट देखकर बता सकता था कि वह सारांश 82% वाली क़िस्म का था या 33% वाली?
यदि उत्तर नहीं है, तो आपके पास AI की समस्या नहीं है। आपके पास बिना दायरे का प्रत्यायोजन है — और इसका समाधान किसी बेहतर मॉडल में नहीं, नीति-दस्तावेज़ की एक पंक्ति में है।
दस में से छह मैनेजर वह रेखा पहले ही पार कर चुके हैं। उनमें से लगभग किसी को यह बताया ही नहीं गया कि वह रेखा कहाँ थी।
