पिछले सप्ताह काम पर AI का इस्तेमाल करने वाले छप्पन प्रतिशत अमेरिकी कर्मचारियों ने दो घंटे या उससे कम समय बचाया। तेरह प्रतिशत ने कुछ भी नहीं बचाया, या काम पूरा करने के लिए अतिरिक्त समय लगा (U.S. Census Bureau, 2026; Nextgov/FCW, 2026)।
यह काम पर AI से बचने वाले समय का पहला संघीय, विक्रेता-निरपेक्ष माप है। यह कोई लाइसेंस बेचने की प्रस्तुति नहीं है, न कस्टमर सक्सेस टेलीमेट्री का निर्यात, न ही सीट बेचने वाली कंपनी द्वारा कराया गया सर्वेक्षण। और 2026 का AI बिज़नेस केस बना रहे किसी Head of Operations के लिए यह वह प्रश्न सुलझा देता है जिसे विक्रेता का डेटा संरचनात्मक रूप से सुलझा ही नहीं सकता: औसत (मीडियन) उपयोगकर्ता को वास्तव में कितना वापस मिलता है।
उत्तर है: एक से दो घंटे। समस्या यह नहीं कि संख्या छोटी है। समस्या यह है कि बिखरे हुए एक-दो घंटे वह इकाई नहीं हैं जिसमें आपका बिज़नेस केस लिखा गया है।
काम पर AI से बचने वाले समय के बारे में जनगणना ब्यूरो ने वास्तव में क्या मापा
मार्च 2026 का Household Trends and Outlook Pulse Survey, जो 11 अगस्त को जारी हुआ, ने कामकाजी उत्तरदाताओं से पूछा कि क्या उन्होंने 11 विशिष्ट कार्य-गतिविधियों में से किसी के लिए AI का उपयोग किया। लगभग 55% ने हाँ कहा (Census Bureau, 2026)।
कार्यों की यह सूची ध्यान से पढ़ने योग्य है, क्योंकि यह वास्तविक अपनाने का आकार बताती है, किसी रोडमैप का नहीं:
- 37% — जानकारी या तकनीकी सहायता खोजना
- 32% — संवाद, दस्तावेज़ीकरण या निर्देश लिखना
- 32% — विचार उत्पन्न करना
- 31% — जानकारी की व्याख्या, अनुवाद या सारांश
- 27% — प्रशासनिक कार्य
इनमें से कुछ भी एजेंटिक नहीं है। यह खोज, प्रारूप-लेखन और संक्षेपण है — ज्ञान-कार्य का वह मध्य भाग जिसे प्रतिस्थापित किया जा सकता है, न कि आद्योपांत प्रक्रिया-स्वामित्व जिसके इर्द-गिर्द 2026 की अधिकांश तैनाती योजनाएँ लिखी गई हैं।
फिर समय का प्रश्न। पिछले सप्ताह AI का उपयोग करने वालों में वितरण इस प्रकार था: 25% ने एक घंटे से कम बचाया, 31% ने एक से दो घंटे, लगभग 30% ने तीन घंटे या अधिक (तीन घंटे और चार या अधिक के बीच लगभग बराबर बँटा हुआ), 10% ने कोई समय नहीं बचाया, और 3% ने कहा कि AI के साथ काम में उससे ज़्यादा समय लगा जितना बिना AI के लगता (Census Bureau, 2026; CBS News, 2026)।
एक पद्धतिगत टिप्पणी जो आंतरिक रूप से इसे उद्धृत करने के तरीके के लिए मायने रखती है: जनगणना का प्रश्न पिछले सप्ताह पूरे किए गए कार्यों पर आधारित है, प्रति व्यक्ति किसी स्वच्छ साप्ताहिक योग पर नहीं। यदि कुछ है, तो यह ढाँचा उदार ही है। उपयोग की सघनता भी अपनाने की सुर्ख़ियों से पतली है — संदर्भ सप्ताह में केवल 24% AI उपयोगकर्ताओं ने इसे रोज़ छुआ, जबकि 46% ने कम से कम एक दिन इस्तेमाल किया।
दो स्वतंत्र संघीय पाठ, एक ही संख्या: लगभग दो घंटे
इस डेटासेट की सबसे उपयोगी विशेषता यह है कि यह लगभग उसी बिंदु पर उतरने वाला दूसरा संघीय-मूल माप है।
बिक, ब्लैंडिन और डेमिंग का राष्ट्रीय स्तर पर प्रतिनिधि सर्वेक्षण — वही जिस पर St. Louis Fed का अपनाने संबंधी कार्य टिका है — ने जनरेटिव AI उपयोगकर्ताओं से पूछा कि उसके बिना पिछले सप्ताह का काम पूरा करने में उन्हें कितने अतिरिक्त घंटे लगते। उत्तर आया: कार्य-घंटों का 5.4%, यानी 40 घंटे के सप्ताह में लगभग 2.2 घंटे (St. Louis Fed, 2024)।
दो अलग उपकरण, दो अलग वर्ष, प्रश्न-रचना की दो अलग शैलियाँ। दोनों लगभग दो घंटे पर उतरते हैं।
और यहीं वह हिस्सा है जिसे अधिकतर लोग उल्टा पढ़ते हैं। विक्रेता भी इस संख्या से दूर नहीं हैं। Microsoft 365 Copilot पर Forrester का Total Economic Impact अध्ययन अपने मूल्य-इंजन को प्रति उपयोगकर्ता प्रति माह लगभग 9 घंटे की बचत पर खड़ा करता है — यानी लगभग 2.25 घंटे प्रति सप्ताह — और फिर भी अपने संयुक्त (कम्पोज़िट) संगठन के लिए 116% ROI तक पहुँचता है, तीन वर्षों में 1.71 करोड़ डॉलर की लागत के मुक़ाबले 3.68 करोड़ डॉलर का लाभ (Forrester, 2025)।
तो संघीय डेटा और विक्रेता मॉडल के बीच असहमति घंटों को लेकर नहीं है। वह इस बात को लेकर है कि एक घंटा कितने का है। और यह एक मॉडलिंग-धारणा है जो आपकी अपनी है — ऐसी नहीं जिसे विक्रेता आपके लिए सत्यापित कर सके।
आपका बिज़नेस केस घंटों के बारे में ग़लत नहीं है। वह इस बारे में ग़लत है कि ये घंटे हैं क्या।
मानक अंकगणित है: बचाए गए घंटे × पूर्ण-भारित प्रति घंटा लागत × कर्मचारी संख्या। यह साफ़ है, वित्त-समीक्षा से पार हो जाता है, और एक विशिष्ट तरीके से ग़लत है: यह मान लेता है कि वापस मिला समय ख़रीदे गए समय के बराबर विनिमेय है।
वह नहीं है। एक दर्जन बाधित कार्यों में बिखरे हुए हफ़्ते के दो घंटे स्लैक हैं। वे कार्यदिवस में समा जाते हैं — थोड़ा जल्दी ख़त्म होते दिन, थोड़ी लंबी समीक्षाएँ, सप्ताहांत पर थोड़ा कम दबाव। वे पुनः-आवंटन योग्य क्षमता की किसी इकाई में एकत्रित नहीं होते, क्योंकि परिचालन मॉडल में उन्हें बटोरने के लिए कुछ भी नहीं बना है। 200 FTE वाली कंपनी में ऐसा कोई तंत्र नहीं है जो चालीस लोगों के बिखरे नब्बे मिनट बटोरकर एक वित्त-पोषित परियोजना बना दे।
यह एक व्यापक-अर्थशास्त्रीय निष्कर्ष का मध्य-बाज़ार संस्करण है। AI के समग्र प्रभाव पर एसेमोग्लू का कार्य-स्तरीय लेखा — प्रभावित कार्यों का हिस्सा गुणा प्रति कार्य औसत लागत-बचत — दस वर्षों में कुल कारक उत्पादकता में अधिकतम 0.66% की वृद्धि देता है, ठीक इसलिए कि काम के एक मामूली हिस्से पर सार्थक प्रति-कार्य बचत उस तरह जुड़ती नहीं जैसा अंतर्ज्ञान माँगता है (Acemoglu, 2024)। आपका लाभ-हानि खाता वही अंकगणित छोटे पैमाने पर चलाता है — उसी परिणाम के साथ।
परिचालन कसौटी द्विआधारी और निर्मम है: क्या कोई पूरा कार्य किसी की मेज़ से हट गया?
अगर मासिक समाधान (रिकंसिलिएशन), पहला मसौदा चक्र, टियर-वन टिकटों की कोई श्रेणी, या रिपोर्ट-निर्माण अब पूरी तरह समा गया है — तो वह क्षमता है, और वह खाते में आती है। वह उस रिक्ति के रूप में दिखती है जिसे आप नहीं भरते, उस ठेकेदार के रूप में जिसे आप नवीनीकृत नहीं करते, उस क़तार के रूप में जो बिना ओवरटाइम के साफ़ हो जाती है। इसके विपरीत यदि हर कार्य में अब भी एक व्यक्ति चाहिए और हर कार्य बस थोड़ा तेज़ है, तो आपने आराम ख़रीदा है। आराम एक वैध ख़रीद है। पर वह लागत-पंक्ति नहीं है, और उसे कभी वैसा मॉडल किया ही नहीं जाना चाहिए था।
वे 13% जिनकी क़ीमत कोई नहीं लगाता
दस प्रतिशत AI उपयोगकर्ताओं ने कोई समय नहीं बचाया। तीन प्रतिशत को उससे ज़्यादा समय लगा जितना बिना AI के लगता (Nextgov/FCW, 2026)।
मैंने ऐसा कोई मध्य-बाज़ार बिज़नेस केस नहीं देखा जो ऋणात्मक पुच्छ (negative tail) को साथ लेकर चलता हो। जिन मॉडलों की मैं समीक्षा करती हूँ, वे सभी बचत को शून्य पर तल और उससे ऊपर वितरण मानकर चलते हैं। संघीय डेटा कहता है कि लगभग हर आठ में से एक उपयोगकर्ता शून्य पर या उससे नीचे है — और वे उपयोगकर्ता फिर भी एक लाइसेंस, एक प्रशिक्षण स्लॉट और प्रबंधक का ध्यान खपाते हैं।
इससे तैनाती की व्यापकता का प्रश्न बदल जाता है। प्रति सीट निश्चित मूल्य पर सार्वभौमिक रोलआउट आपको पूरा वितरण ख़रीदकर देता है, उसके निचले आठवें हिस्से सहित। वितरण के ऊपरी सिरे से मेल खाते कार्य-प्रोफ़ाइल पर लक्षित रोलआउट — उच्च-मात्रा वाला मसौदा-लेखन, संक्षेपण, सूचना-खोज-गहन भूमिकाएँ — आपको एक कटा-छँटा वितरण देता है। 500 सीटों पर इन दो वक्रों का अंतर ही पूरा ROI तर्क है, और इसका फ़ैसला ख़रीद के दायरे से होता है, तकनीक से नहीं।
आपत्ति: "हमारे पायलट ने इससे ज़्यादा दिखाया"
संभवतः दिखाया होगा। दो संरचनात्मक कारण हैं, और बाहर एक्सट्रापोलेट करने से पहले दोनों याद रखने योग्य हैं।
पायलट उत्साह के आधार पर चुनाव करते हैं। AI पायलट के स्वयंसेवक उसी वितरण के दाहिने सिरे से आते हैं जिसे जनगणना ब्यूरो ने अभी प्रकाशित किया — वे 30% जिन्हें तीन घंटे या अधिक मिलते हैं। पूरी आबादी तक विस्तार आपको माध्यिका की ओर ले जाता है, पायलट के औसत की ओर नहीं। जिस पायलट ने प्रति प्रतिभागी हफ़्ते में चार घंटे लौटाए, वह प्रति कर्मचारी हफ़्ते में चार घंटे का पूर्वानुमान नहीं देता; वह छत का पूर्वानुमान देता है।
स्व-रिपोर्ट की गई समय-बचत एक प्रति-तथ्यात्मक अनुमान है। जनगणना और St. Louis Fed दोनों के उपकरण लोगों से कल्पना कराते हैं कि AI के बिना काम में कितना समय लगता। यह एक कठिन संज्ञानात्मक कार्य है, और यह बिल्कुल स्पष्ट नहीं कि इसका पूर्वाग्रह नीचे की ओर है। यहाँ कुछ भी इस संभावना को सुधारता नहीं कि स्व-रिपोर्ट बढ़ा-चढ़ाकर बताती हों।
इनमें से कोई भी बिंदु यह नहीं कहता कि तकनीक कम प्रदर्शन कर रही है। दोनों परिचालन रूप से एक ही बात कहते हैं: आपका बिज़नेस केस पूरी आबादी की माध्यिका पर बनना चाहिए और निचले दशमक पर तनाव-परीक्षण होना चाहिए — पायलट समूह पर बनाकर आशा के सहारे आगे नहीं बढ़ाया जाना चाहिए।
तिमाही बंद होने से पहले तीन निर्णय
- मॉडल को घंटों में नहीं, कार्यों में पुनः अंकित करें। अपना मौजूदा AI बिज़नेस केस लें और हर वह पंक्ति चिह्नित करें जहाँ बचाए गए घंटे धन में बदले जाते हैं। हर पंक्ति के लिए वह विशिष्ट कार्य नाम से बताएँ जो किसी विशिष्ट व्यक्ति की मेज़ से हट गया। जो पंक्तियाँ टिकती हैं, वे रहती हैं। जो कार्य का नाम नहीं बता पातीं, उन्हें लागत-बचत से गुणवत्ता या अनुभव-लाभ में पुनर्वर्गीकृत करें — वास्तविक, वित्त-पोषण योग्य, पर अब ROI का भार वहन करने वाली नहीं।
- निचले आठवें हिस्से की क़ीमत स्पष्ट रूप से लगाएँ। उन लगभग 13% उपयोगकर्ताओं के लिए एक पंक्ति जोड़ें जिनका शुद्ध परिणाम शून्य या ऋणात्मक है। इसे पूर्ण-भारित सीट लागत और सक्षमीकरण लागत से गुणा करें। यदि वह पंक्ति आपकी पेबैक अवधि को सार्थक रूप से बदलती है, तो उत्तर है संकरी तैनाती — बेहतर प्रॉम्प्ट लाइब्रेरी नहीं।
- नवीनीकरण से पहले एक प्रक्रिया को आद्योपांत मापें। एक उच्च-मात्रा वाली, स्पष्ट सीमाओं वाली कार्यधारा चुनें। पहले और बाद में चक्र-समय और कितने हाथ लगे, यह मापें — प्रक्रिया स्तर पर, व्यक्ति स्तर पर नहीं। प्रक्रिया स्तर पर एक स्वच्छ माप, एक वर्ष की स्व-रिपोर्ट की गई घंटों से अधिक मूल्यवान है, और यही वह एकमात्र प्रमाण है जो स्लैक को क्षमता से अलग करता है।
नवीनीकरण से पहले पूछने योग्य प्रश्न
जनगणना ब्यूरो का योगदान यह नहीं है कि AI से बचने वाला समय कम है। 55% अपनाने वाली कार्यशक्ति के आधे से अधिक हिस्से के लिए हफ़्ते में दो घंटे एक वास्तविक और व्यापक लाभ है, और यह स्वतंत्र संघीय अनुमान से मेल खाता है।
योगदान यह है कि यह संख्या अब सार्वजनिक, ग़ैर-व्यावसायिक और इतनी स्थिर है कि उस पर योजना बनाई जा सके — जिससे उस बिज़नेस केस का आख़िरी बहाना ख़त्म हो जाता है जो बिखरे मिनटों को पूर्ण-भारित दर से गुणा करके परिणाम को क्षमता कहता है।
नवीनीकरण पर हस्ताक्षर करने से पहले अपनी टीम से एक प्रश्न पूछें और संख्या नहीं, एक नाम माँगें: कौन-सा कार्य अब किसी व्यक्ति की माँग नहीं करता? यदि कोई उत्तर न दे सके, तो इस वर्ष आपने क्षमता नहीं ख़रीदी। आपने थोड़ा हल्का सप्ताह ख़रीदा है — और यह जान लेना बेहतर है, इससे पहले कि वित्त विभाग इसे विचलन रिपोर्ट में खोज ले।
