अमेरिका में कार्यरत बीस प्रतिशत वयस्क कहते हैं कि कम से कम एक ऐसा काम अब AI संभालता है जो वे या उनकी टीम पहले किसी सहकर्मी या बाहरी ठेकेदार को सौंपते थे (Epoch AI, 2026)। "जिसमें मदद ली" नहीं। संभालता है।
यह एक सोर्सिंग निर्णय है — वही किस्म का निर्णय जिसे आपका संगठन आमतौर पर एक खरीद अनुरोध, एक विक्रेता समीक्षा और एक बजट मद में लपेटकर रखता है। यह निर्णय अलग-अलग कर्मचारियों ने लिया, एक बार में एक काम, और यह आपके स्वामित्व वाली किसी भी प्रणाली में दर्ज नहीं है। इस तरह का AI को कार्य प्रत्यायोजन न कर्मचारी संख्या में दिखता है, न ठेकेदार व्यय के पूर्वानुमानों में, न किसी अपनाव डैशबोर्ड में — क्योंकि वे डैशबोर्ड काम के पुनर्वितरण को नहीं, उपकरण के उपयोग को गिनने के लिए बनाए गए थे।
असहज बात यह नहीं कि ऐसा हुआ। असहज बात यह है कि आपका क्षमता मॉडल अब गलत है, और ऐसी दिशा में गलत है जिसे आप देख नहीं सकते।
Epoch AI/Ipsos सर्वेक्षण ने वास्तव में क्या मापा
यह सर्वेक्षण Epoch AI की ओर से Ipsos ने प्रायिकता-आधारित KnowledgePanel का उपयोग करके किया, जो 10–19 जुलाई 2026 के बीच अमेरिका में कार्यरत 1,106 वयस्कों पर संचालित हुआ, और अनुमानों को अमेरिकी कार्यरत आबादी के अनुसार भारित किया गया (Ipsos, 2026)। यहाँ प्रायिकता प्रतिचयन मायने रखता है: यह स्वेच्छा से जुड़े AI उत्साहियों का कोई पैनल नहीं है जो आपको बताए कि उनके उपकरण कितने परिवर्तनकारी हैं।
सुर्खी का आँकड़ा 20% है। असली बुनावट कार्य-स्तरीय विभाजन में है। कर्मचारियों ने बताया कि पहले मनुष्यों को सौंपे जाने वाले काम को AI सबसे अधिक डेटा विश्लेषण (7.1%), कार्य दस्तावेज़ पढ़ने (5.7%) और रिकॉर्ड रखरखाव (5.3%) में अपने हाथ में ले रहा है (Epoch AI, 2026)।
उस सूची को एक बार फिर संचालन-प्रमुख की नज़र से पढ़िए। ये न रचनात्मक कार्य हैं, न किनारे के प्रयोग। ये ठीक वही श्रेणियाँ हैं जिन्हें 200 लोगों की कंपनी नियमित रूप से किसी कनिष्ठ विश्लेषक, किसी अस्थायी कर्मचारी, किसी ऑफशोर टीम या किसी फ्रीलांस शोधकर्ता को सौंप देती है। और लगभग बिना अपवाद, ये वे कार्य हैं जिनके परिणाम पर आगे की कड़ी में कोई और निर्भर करता है।
उसी सर्वेक्षण से एक और आँकड़ा, और यही वह है जिसे आपका ध्यान थामे रखना चाहिए: AI-सहायित कार्यों में कुल मिलाकर 66% परिणाम बिना किसी बदलाव के या केवल मामूली संपादन के साथ उपयोग किए गए, जबकि केवल 5% को बड़े पैमाने पर दोबारा गढ़ा गया या नए सिरे से बनाया गया।
बिना किसी खरीद अनुरोध के लिया गया मेक-ऑर-बाय निर्णय
हर संगठन के पास यह तय करने की एक प्रक्रिया होती है कि काम भीतर होगा या बाहर से खरीदा जाएगा। वह धीमी है, और उसका एक कारण है। कोई काम का दायरा तय करता है, कोई उसकी कीमत लगाता है, कोई जाँचता है कि विक्रेता किस लायक है, और कोई परिणाम का उत्तरदायी होता है।
Epoch का डेटा जिसका वर्णन करता है वह यही निर्णय है — बस व्यक्तिगत स्तर पर लिया गया, उतने समय में जितना एक चैट विंडो खोलने में लगता है।
कर्मचारी कुछ भी गलत नहीं कर रहा। जहाँ वह खड़ा है वहाँ से यह पहल है: वह रिपोर्ट जिसमें ठेकेदार के साथ चार दिन की आवाजाही लगती थी, अब एक दोपहर में बन जाती है। उसे पुरस्कृत ठीक इसी के लिए किया जा रहा है। किसी नीति ने उसे नहीं बताया कि किसी काम को मनुष्य से मॉडल को पुनः सौंपना, अपना काम करने का तेज़ तरीका चुनने से अलग श्रेणी का निर्णय है।
पर यह अलग श्रेणी है, और इसका एक संरचनात्मक कारण है। जब आप किसी व्यक्ति को काम सौंपते हैं, तो समस्या पर एक दूसरा दिमाग आपको मिलता है — चाहे आपने माँगा हो या नहीं। ठेकेदार स्पष्टीकरण के प्रश्न पूछते हैं। कनिष्ठ विश्लेषक उस डेटा को चिह्नित करते हैं जो गलत लगता है। सहकर्मी तब आपत्ति करते हैं जब कोई अनुरोध तर्कसंगत नहीं लगता। वह घर्षण मानवीय प्रत्यायोजन का दोष नहीं है — वह एक बिना कीमत वाला गुणवत्ता-नियंत्रण तंत्र है जो उसके साथ मुफ़्त आता था।
वही काम किसी मॉडल को सौंपिए और घर्षण गायब हो जाता है। मॉडल यह नहीं पूछता कि अनुरोध अजीब क्यों है। वह उत्तर देता है।
समीक्षा का द्वार ठीक उसी क्षण गायब हुआ जब काम खिसका
20% और 66% को अगल-बगल रखिए और जोखिम ठोस हो जाता है। काम मनुष्यों से मॉडलों की ओर खिसक रहा है और ठीक उसी समय मॉडल के दो-तिहाई परिणाम बिना किसी सार्थक संशोधन के आगे बढ़ रहे हैं। काम ने हाथ बदले और निरीक्षण का चरण पिछले मालिक के साथ चला गया।
यह कोई काल्पनिक क्षति नहीं है। Adaptavist के 2,500 ज्ञान-कर्मियों पर किए गए 2026 के अध्ययन में पाया गया कि 52% नियमित रूप से सहकर्मियों द्वारा तैयार AI-जनित काम को सुधारते हैं (Adaptavist, 2026)। सुधार हो रहा है — वह बस एक निर्धारित हस्तांतरण बिंदु से खिसककर उस व्यक्ति पर पहुँच गया है जो दुर्भाग्य से आगे की कड़ी में बैठा है।
BetterUp Labs और Stanford Social Media Lab के शोध ने इस खिसकाव को संख्या में बाँधा: अमेरिका के लगभग 40% डेस्क कर्मचारियों ने बताया कि पिछले महीने उन्हें AI-जनित "workslop" मिला, हर घटना को सुलझाने में लगभग दो घंटे लगे, जिसकी लागत शोधकर्ताओं ने प्रति कर्मचारी प्रति माह लगभग 186 डॉलर आँकी (BetterUp Labs, 2026)।
प्रति घटना दो घंटे, किसी सहकर्मी द्वारा सोखे गए, कहीं दर्ज नहीं।
एक वितरण संबंधी सिलवट है जिसका नाम लेना ज़रूरी है। जिन तीन कार्य-श्रेणियों में यह सबसे अधिक दिखता है — डेटा विश्लेषण, दस्तावेज़ पढ़ना, रिकॉर्ड रखरखाव — वे ठीक उन्हीं कार्यक्षेत्रों में केंद्रित हैं जिन्हें मध्यम आकार का संचालन सबसे पतला रखता है: वित्त सहायता, संचालन समन्वय, अनुपालन प्रशासन। ये वे भूमिकाएँ हैं जहाँ अक्सर एक अकेला व्यक्ति ही पूरी प्रक्रिया होता है, और जहाँ बाहरी ठेकेदार ऐतिहासिक रूप से दबाव निकालने का वाल्व रहा है। जब दबाव-वाल्व की जगह कोई मॉडल ले लेता है और कोई यह दोबारा तय नहीं करता कि परिणाम की समीक्षा कौन करेगा, तो विफलता धीरे-धीरे अपनी घोषणा नहीं करती। वह बोर्ड के लिए तैयार दस्तावेज़ में एक अकेले गलत आँकड़े के रूप में अपनी घोषणा करती है।
समस्या का आकार यही है। बचत उस व्यक्ति के हाथ लगती है जिसने मॉडल को काम सौंपा और उसे वह दिखती भी है। लागत वह व्यक्ति चुकाता है जो परिणाम प्राप्त करता है, और वह किसी को नहीं दिखती। शुद्ध उत्पादकता स्थिर या ऋणात्मक हो सकती है, जबकि इसमें शामिल हर व्यक्ति ईमानदारी से यह बताता है कि वह तेज़ हो गया है।
आपका क्षमता मॉडल अब किसी अदर्ज दिशा में गलत क्यों है
यहीं यह मामला शासन-व्यवस्था का प्रश्न होना बंद करके संचालन की समस्या बन जाता है।
यदि आपकी टीम के एक बड़े हिस्से ने चुपचाप काम को ठेकेदारों और सहकर्मियों से हटाकर दूसरी दिशा दे दी है, तो आपके कई नियोजन-इनपुट अब उससे कुछ और माप रहे हैं जो आप समझते हैं।
गिरता ठेकेदार व्यय अनुशासन जैसा पढ़ा जाता है। यह अनुशासन हो सकता है। यह बिना समीक्षा वाले काम का प्रतिस्थापन भी हो सकता है। लाभ-हानि खाते में दोनों के हस्ताक्षर एक जैसे हैं और जोखिम के लिए निहितार्थ विपरीत।
आंतरिक हस्तांतरण की मात्रा गिरती है। कम टिकट, टीमों के बीच कम अनुरोध, कागज़ पर तेज़ चक्र-समय। इसका कुछ हिस्सा वास्तविक है। कुछ हिस्सा वह काम है जिसका हस्तांतरण इसलिए रुक गया क्योंकि उसकी जाँच रुक गई।
कर्मचारी-संख्या के मॉडल बहक जाते हैं। यदि आप अगले वर्ष की भर्ती इस वर्ष के देखे गए कार्यभार पर नियोजित करते हैं, और इस वर्ष का कार्यभार 66% अपरिवर्तित-प्रेषण दर वाले मॉडलों ने चुपचाप सोख लिया है, तो आप एक ऐसी आधाररेखा से आगे का अनुमान लगा रहे हैं जिसमें पहले से ही अनमापा गुणवत्ता-ऋण मौजूद है।
50–500 कर्मचारियों के पैमाने पर यह बड़े उद्यमों की तुलना में अधिक तीखा काटता है। एक बड़े संगठन के पास खरीद के द्वार होते हैं, विक्रेता प्रबंधन का एक कार्यक्षेत्र होता है, और इतनी प्रक्रिया-माप व्यवस्था होती है कि काम की सोर्सिंग में आया बदलाव अंततः किसी न किसी की रिपोर्ट में सतह पर आ जाता है। मध्यम आकार के संचालन के पास एक Head of Operations, एक वित्त प्रमुख, और स्प्रेडशीट्स का एक ज़खीरा होता है जो इस मान्यता पर बना है कि काम संगठन-चार्ट पर मौजूद लोग ही करते हैं।
कोई भी स्पष्ट रूप से गलत कुछ नहीं कर रहा। ठीक इसीलिए यह बना रहता है।
यह प्रमाण क्या नहीं कहता
तीन सीमाएँ, साफ़ शब्दों में, क्योंकि इन आँकड़ों के अति-पाठ पर बनी योजना विफल होगी।
बीस प्रतिशत का अर्थ आपके कार्यभार का बीस प्रतिशत नहीं है। यह आँकड़ा उन कर्मचारियों का अनुपात है जिन्होंने कम से कम एक ऐसा काम बताया, न कि खिसके हुए कार्यों या घंटों का अनुपात। प्रति-कार्य संख्याएँ — 7.1%, 5.7%, 5.3% — मात्रा के लिए बेहतर मार्गदर्शक हैं, और वे इकाई अंक में हैं।
अपरिवर्तित भेजा जाना गलत होने के बराबर नहीं है। 66% का आँकड़ा आपको बताता है कि समीक्षा की सघनता घटी है, न कि परिणाम दोषपूर्ण है। किसी नियमित रिकॉर्ड अद्यतन के लिए अपरिवर्तित रहना पूरी तरह सही हो सकता है। चिंता यह है कि समीक्षा दर अब उन कार्य-प्रकारों में एकसमान है जहाँ त्रुटि की लागत बिल्कुल भी एकसमान नहीं है।
स्व-कथन की ज्ञात सीमाएँ हैं। कर्मचारियों को शायद ठीक-ठीक याद न हो कि कोई काम पहले ठेकेदार को जाता या नहीं। प्रायिकता प्रतिचयन यह नियंत्रित करता है कि किससे पूछा गया, यह नहीं कि लोग प्रति-तथ्यात्मक परिदृश्यों को कितनी अच्छी तरह याद रखते हैं।
इनमें से कुछ भी संचालनगत निष्कर्ष को नहीं बदलता। सबसे रूढ़िवादी पाठ पर भी, काम एक ऐसे तंत्र से जुटाया जा रहा है जिसे आपका क्षमता नियोजन देख नहीं पाता, और गुणवत्ता का जो द्वार पहले मुफ़्त मिलता था वह जा चुका है।
इस तिमाही में AI को कार्य प्रत्यायोजन को मापने योग्य बनाना
समाधान माप का अनुशासन है, कोई नीति-परिपत्र नहीं। चार कदम, जिनमें से किसी में नया खर्च नहीं।
सवाल सीधे पूछिए, एक बार। अपनी अगली टीम समीक्षा में हर कार्यक्षेत्र से एक ही प्रश्न पूछिए: पिछले छह महीनों में हमने कौन-से काम किसी ठेकेदार, किसी साझा सेवा या किसी दूसरी टीम को भेजना बंद किया, और वे कहाँ चले गए? उत्तर आपको एक दोपहर में मिल जाएगा। Epoch का डेटा कहता है कि आपके लगभग हर पाँच में से एक व्यक्ति के पास ऐसा एक काम है।
पुनर्वितरण को मापिए, लॉगिन को नहीं। सीट और सत्र गिनने वाले अपनाव-मापदंड संरचनात्मक रूप से इसे पकड़ ही नहीं सकते। उन चीज़ों को ट्रैक कीजिए जो काम के पुनः आवंटन पर हिलती हैं: श्रेणीवार ठेकेदार चालान की मात्रा, अंतर-टीम अनुरोधों की संख्या, और दोबारा काम करने की घटनाएँ। Stanford का Digital Economy Lab यही तर्क देता आ रहा है — AI को उपकरण के स्तर पर नहीं, कार्य के स्तर पर मापा जाए (Stanford Digital Economy Lab, 2026)।
समीक्षा का द्वार वहाँ दोबारा जोड़िए जहाँ सहकर्मी-प्रत्यायोजन उसे उपलब्ध कराता था। यह सबसे अधिक मूल्य वाली और सबसे सस्ती मद है। कार्यों का वर्गीकरण इस आधार पर कीजिए कि पकड़ में न आई त्रुटि की लागत क्या है, इस आधार पर नहीं कि उसमें AI शामिल है या नहीं। उच्च-लागत वाले समूह के लिए स्पष्ट रूप से एक समीक्षक नियुक्त कीजिए। मानवीय प्रत्यायोजन वह समीक्षक मुफ़्त देता था; मॉडल को प्रत्यायोजन नहीं देता, और उसे जान-बूझकर दोबारा बहाल करना होगा।
कार्य के पुनः आवंटन को एक घोषणीय घटना बनाइए। कोई अनुमोदन प्रक्रिया नहीं — बस एक सूचना। जब कोई किसी आवर्ती काम को व्यक्ति से मॉडल पर स्थानांतरित करे, तो वह ठीक उसी जगह दर्ज हो जहाँ कर्मचारी-संख्या या विक्रेता में बदलाव दर्ज होता। एक पंक्ति, बिना किसी औपचारिकता के। दृश्यता ही पूरा उद्देश्य है।
इस तिमाही आपके सामने जो निर्णय है वह संकरा और दो-टूक है। या तो आप उस AI को कार्य प्रत्यायोजन का नाम ले सकते हैं जो आपके संचालन में पहले ही हो चुका है — कौन-सा काम मनुष्य से मॉडल पर गया, और अब उसे जाँचता कौन है — या आप नहीं ले सकते। यदि नहीं ले सकते, तो आप कोई दुबला-पतला संचालन नहीं चला रहे। आप वह संचालन चला रहे हैं जिसकी असली लागत-संरचना और गुणवत्ता-जोखिम, एक-एक काम करके, वे लोग तय कर रहे हैं जिन्हें कभी बताया ही नहीं गया कि वे यह निर्णय ले रहे हैं।
