55 वर्ष से अधिक आयु के प्रोग्रामर अब काम छोड़ने की उस अनुमानित दर पर बाहर जा रहे हैं जो ChatGPT से पहले की तुलना में 25% से अधिक ऊंची है। उसी एक्सपोज़र सूचकांक में सबसे नीचे मौजूद पेंटरों में यह बदलाव लगभग 2% रहा (Sanzenbacher, CRR Issue Brief 26-13, 2026)।
यही अनुभव का रिसाव है, और यह ऑटोमेशन की उन सभी कहानियों की उलटी दिशा में चलता है जो आपको सुनाई गई हैं। वेतन जितना ऊंचा, कौशल जितना ऊंचा, बाहर निकलना उतना ही तेज़।
मध्यम आकार की कंपनियों की अधिकांश ऑपरेशंस टीमों ने अठारह महीने प्रवेश-स्तर के रास्ते की चिंता में बिताए — क्या AI जूनियर एनालिस्ट की भूमिका खा रहा है, क्या 22 वर्ष के नए कर्मचारी के पास अब भी कोई रास्ता है। यह चिंता ठोस प्रमाणों पर टिकी है। लेकिन यह उस पाइपलाइन का केवल एक सिरा है जो अब दोनों सिरों से रिस रही है।
बोस्टन कॉलेज के अध्ययन ने वास्तव में क्या मापा
बोस्टन कॉलेज के Center for Retirement Research की जून 2026 की इश्यू ब्रीफ, जिसे अर्थशास्त्री Geoffrey T. Sanzenbacher ने लिखा है, ने Current Population Survey के दीर्घकालिक आंकड़ों को Tufts Digital Planet के AI एक्सपोज़र सूचकांक से मिलाया और फिर नवंबर 2022 में जनरेटिव AI के व्यापक प्रसार से पहले और बाद में 55 वर्ष तथा उससे अधिक आयु के कर्मचारियों के नौकरी छोड़ने के व्यवहार की तुलना की (Center for Retirement Research at Boston College, 2026)।
दो डिज़ाइन निर्णय आपके ध्यान के योग्य हैं।
पहला, यह अध्ययन घोषित सेवानिवृत्ति-इरादों के बजाय काम से बाहर जाने के वास्तविक, देखे गए संक्रमणों का उपयोग करता है। वरिष्ठ कर्मचारियों और AI पर किए गए सर्वेक्षण चिंता मापते हैं। यह अध्ययन प्रस्थान मापता है।
दूसरा, यह व्यवसायों को इस अनुमान के आधार पर नहीं, कि कौन-सा काम स्वचालित होने "जैसा लगता है", बल्कि मापे गए एक्सपोज़र के आधार पर क्रमबद्ध करता है (Digital Planet, Tufts University, 2026)। प्रोग्रामर, अकाउंटेंट और एनालिस्ट ऊपर हैं। पेंटर नीचे। यह ढाल ही निष्कर्ष है।
सबसे अधिक एक्सपोज़्ड व्हाइट-कॉलर व्यवसायों में काम से बाहर जाने की अनुमानित संभावना लगभग 8.7% से बढ़कर 11.1% हो गई — 25% से अधिक की सापेक्ष वृद्धि। कम एक्सपोज़र वाले सिरे पर वही गणना लगभग 2% देती है। प्रभाव अधिक वेतन वाली नौकरियों में सबसे बड़ा है, जो उस पैटर्न को उलट देता है जिसका ऑटोमेशन चार दशकों से अनुसरण कर रहा था।
दीर्घ करियर का वह लाभ जो अभी-अभी उलट गया
यह वह आंकड़ा है जिसे आपकी कार्यबल योजना को नए सिरे से गढ़ना चाहिए।
अध्ययन की पूरी अवधि में, उच्च एक्सपोज़र वाले वरिष्ठ कर्मचारियों की नौकरी छोड़ने की दर ऐतिहासिक रूप से कम एक्सपोज़र वाले समकक्षों से कम रही है: 11.7% बनाम 14.1% (Sanzenbacher, CRR Issue Brief 26-13, 2026)। कुशल डेस्क कार्य ही वह चीज़ थी जो लोगों को काम जारी रखने देती थी। अकाउंटेंट टिका रहता था; छत बनाने वाले का शरीर जवाब दे देता था।
यह लाभ क्षरित हो रहा है, और ब्रीफ बताती है कि इस बदलाव का एक बड़ा हिस्सा स्वैच्छिक सेवानिवृत्ति नहीं, बेरोज़गारी से जुड़ा है। यह आराम से जल्दी बाहर निकलने का चुनाव करने वाले लोगों की लहर नहीं है। यह वह समूह है जिसका करियर सबसे टिकाऊ था और अब कम टिकाऊ होता जा रहा है।
इसे नीचे मौजूद अपनाने की तस्वीर के साथ पढ़ें: 50 से 64 वर्ष के केवल लगभग 18% कर्मचारी जनरेटिव AI का उपयोग करने की बात कहते हैं। एक्सपोज़र ठीक उस वर्ग पर पड़ रहा है जिसके उस उपकरण को इस्तेमाल करने की संभावना सबसे कम है जो यह एक्सपोज़र पैदा करता है।
एक ऑपरेशंस लीडर के लिए यह संयोजन — उच्च एक्सपोज़र, कम अपनाना, बढ़ते अनैच्छिक निकास — एक विशिष्ट और संबोधित की जा सकने वाली स्थिति है। यह जनसांख्यिकीय अनिवार्यता नहीं है।
यहाँ "निकास" का अर्थ स्पष्ट करना भी ज़रूरी है। 58 की उम्र में काम से बाहर जाना 28 की उम्र वाली घटना जैसा नहीं है। वरिष्ठ कर्मचारी शायद ही कभी उसी स्तर पर वापस लौटता है; CRR का ढांचा यही कहता है कि ये करियर बीच में काट दिए गए हैं, रोके नहीं गए (Sanzenbacher, CRR, 2026)। आपकी तरफ़ से इसका अर्थ है कि जब AI पायलट अपेक्षा से कम देगा, तब दो तिमाही बाद उस व्यक्ति को दोबारा नियुक्त करने के लिए वह बाज़ार में उपलब्ध नहीं होगा। ज्ञान केवल पेरोल से नहीं, पूरे क्षेत्र से बाहर चला जाता है।
अनुभव का रिसाव उन्हीं भूमिकाओं पर चोट करता है जिन्हें आप सबसे धीरे भरते हैं
बोस्टन कॉलेज के निष्कर्ष को आयु-वितरण के दूसरे सिरे के सर्वोत्तम प्रमाण के साथ रखकर देखिए।
स्टैनफोर्ड की Digital Economy Lab ने लाखों अमेरिकी कर्मचारियों को कवर करने वाले उच्च-आवृत्ति पेरोल डेटा पर काम करते हुए पाया कि जनरेटिव AI अपनाए जाने के बाद सबसे अधिक AI-एक्सपोज़्ड व्यवसायों में 22 से 25 वर्ष के कर्मचारियों के रोज़गार में लगभग 13% की सापेक्ष गिरावट आई, जबकि उन्हीं व्यवसायों में अधिक आयु के कर्मचारियों का रोज़गार स्थिर रहा या बढ़ा (Stanford Digital Economy Lab, 2025)।
सतही तौर पर पढ़ें तो दोनों नतीजे एक-दूसरे का खंडन करते दिखते हैं। ऐसा नहीं है। स्टैनफोर्ड व्यवसाय में कुल संख्या मापता है; बोस्टन कॉलेज 55+ समूह के व्यक्तिगत निकास मापता है। एक भर्ती का संकेत है, दूसरा निकास का — और दोनों एक साथ सही हो सकते हैं। कोई व्यवसाय अपनी कुल संख्या बनाए रख सकता है, जबकि उसके वरिष्ठ सिरे पर मौजूद विशिष्ट लोग तेज़ी से बाहर जा रहे हों।
महत्व परिचालन परिणाम का है, और वह असहज है: फ़नल में कम जूनियर आ रहे हैं, वरिष्ठ तेज़ी से बाहर जा रहे हैं, और बीच में मध्यम बाज़ार की सबसे पतली परत है। 20,000 लोगों की कंपनी इसे सोख लेती है। उसके पास बेंच है, रोटेशन कार्यक्रम है, और किसी भी भूमिका को संभाल सकने वाले तीन लोग हैं।
200 लोगों पर, यह जानने वाला कि रिकंसिलिएशन लॉजिक में वह अपवाद क्यों है, केवल एक व्यक्ति होता है।
उनके साथ दरवाज़े से क्या बाहर चला जाता है
किसी वरिष्ठ के जाने की लागत वह वेतन-पंक्ति नहीं है जिसका भुगतान आप रोक देते हैं। वे दो चीज़ें हैं जो कभी किसी पंक्ति में थीं ही नहीं।
पहली है निहित प्रक्रिया-ज्ञान — वे अलिखित कारण कि कोई सिस्टम इसी तरह क्यों कॉन्फ़िगर किया गया है। हर मध्यम आकार की कंपनी इसी परत पर चलती है, और यह ठीक तब तक अदृश्य रहती है जब तक इसे धारण करने वाला व्यक्ति चला नहीं जाता। यह राजस्व-मान्यता तर्क में वह अपवाद है जो 2019 के एक अनुबंध के कारण मौजूद है; वह आपूर्तिकर्ता जिसे ईमेल नहीं, फ़ोन करना पड़ता है; वह क्वेरी जो अनावश्यक लगती है और है नहीं। इनमें से कुछ भी हैंडबुक में नहीं है। अधिकांश किसी दूसरे व्यक्ति के दिमाग़ में भी नहीं है।
इसका एक दूसरे क्रम का रूप भी है जिसे AI नरम करने के बजाय और तीखा बनाता है। डॉक्यूमेंटेशन और कोड सहायक यह बताने में अच्छे हैं कि सिस्टम क्या करता है। वे यह पुनर्प्राप्त करने में कमज़ोर हैं कि इसे इस तरह बनाया क्यों गया, क्योंकि वह तर्क कभी लिखा ही नहीं गया। जो उपकरण आपका एक्सपोज़र बढ़ाता है, वह उस अंतर को नहीं भरता जो वह स्वयं खोलता है।
दूसरी चीज़ मापने योग्य है, और अधिकांश परिचालन योजनाएँ इसी की अनदेखी करती हैं। अधिक कुशल सहकर्मियों के साथ काम करने से कम अनुभवी कर्मचारी को वास्तविक मानव-पूंजी लाभ मिलता है — प्रभाव इतने बड़े कि वे बाद के वेतन में दिखते हैं, और स्वतंत्र शोध समूहों में लगातार सामने आते हैं (Herkenhoff, Lise, Menzio & Phillips, Econometrica, 2024)। आपके वरिष्ठ केवल आउटपुट नहीं दे रहे। वे अपने आसपास के हर व्यक्ति के लिए एक प्रशिक्षण-निवेश हैं।
उस निवेश को खो दीजिए और साथ ही कम जूनियर भर्ती कीजिए, तो चक्रवृद्धि उल्टी दिशा में चलती है। आपके पास केवल एक व्यक्ति कम नहीं हुआ। आपने उस गति को घटा दिया जिससे बाकी टीम बेहतर होती है।
एक्सपोज़र कहाँ केंद्रित है
प्रोग्रामर, अकाउंटेंट, वित्तीय विश्लेषक और तकनीकी लेखक सबसे अधिक प्रभावित प्रोफ़ाइल हैं — 50 से 500 कर्मचारियों वाली कंपनी में इसका अर्थ है फ़ाइनेंस, इंजीनियरिंग और वह छोटा आंतरिक-सिस्टम फ़ंक्शन जो पूरे स्टैक को संगत रखता है। संयोग नहीं कि ये वही भूमिकाएँ हैं जिनमें प्रतिस्थापन के उत्पादक बनने में सबसे लंबा समय लगता है।
यह तर्क कहाँ ग़लत हो सकता है
तीन चेतावनियाँ, स्पष्ट शब्दों में, क्योंकि लेखक स्वयं इन्हें रखता है।
यह एक हालिया मोड़ का प्रारंभिक विश्लेषण है। ChatGPT के बाद की खिड़की छोटी है, और छोटी खिड़कियों पर अनुमान नाज़ुक होते हैं।
भ्रमित करने वाले कारक मौजूद हैं और ब्रीफ में उनका नाम लिया गया है: सरकारी अनुसंधान-विकास व्यय में कटौती और AI-नेटिव स्टार्टअप्स में असामान्य भर्ती गतिशीलता, दोनों ठीक उन्हीं उच्च-एक्सपोज़र व्यवसायों के अनुमानों को विकृत कर सकते हैं जिनका अध्ययन किया गया (Center for Retirement Research at Boston College, 2026)। मापे गए निकास का कुछ हिस्सा AI-विस्थापन के बजाय इन शक्तियों का हो सकता है।
और एक्सपोज़र प्रतिस्थापन नहीं है। एक्सपोज़र सूचकांक पर ऊंचा स्कोर इसका अर्थ है कि किसी भूमिका के कार्य मॉडल की क्षमता से ओवरलैप करते हैं। यह सिद्ध नहीं करता कि काम मॉडल ने किया।
तीनों के बाद जो बचता है: भार उठाने वाला दावा दिशा है, दशमलव नहीं। उच्च कुशल वरिष्ठ कर्मचारियों का दशकों से टिका दीर्घ-करियर लाभ सिकुड़ रहा है, और सबसे तेज़ी से वहीं सिकुड़ रहा है जहाँ एक्सपोज़र सबसे अधिक है। इस निष्कर्ष का काफ़ी कमज़ोर संस्करण भी आपके जोखिम को उसी वर्ग की ओर इंगित करता है।
50 से 500 कर्मचारियों वाली कंपनी में क्या बदलता है
तीन कदम। किसी के लिए बजट स्वीकृति की ज़रूरत नहीं।
एक बार एक्सपोज़र × सेवा-अवधि की क्रॉस-टैब बनाइए। अपनी कर्मचारी सूची लीजिए, ब्रीफ की व्यावसायिक श्रेणियों का उपयोग करके हर भूमिका को उच्च या निम्न AI-एक्सपोज़र के रूप में चिह्नित कीजिए, और उसे आयु या सेवा-अवधि से क्रॉस कीजिए। आप केवल एक संख्या ढूँढ रहे हैं: आपका सबसे एक्सपोज़्ड काम कितने हिस्से में उन लोगों के पास है जो अपने करियर के अंतिम दशक में हैं। अधिकांश ऑपरेशंस लीडर्स ने यह कभी नहीं निकाला और परिणाम से चौंक जाते हैं।
तात्कालिकता आने से पहले निकटता को दस्तावेज़ में बदलिए। सहकर्मी-से-सीखने का प्रभाव वास्तविक है लेकिन उपस्थिति माँगता है (Herkenhoff, Lise, Menzio & Phillips, Econometrica, 2024)। जहाँ आपकी क्रॉस-टैब संकेंद्रण दिखाए, वहाँ ज्ञान-निष्कर्षण को अभी वित्तपोषित कीजिए — एक दस्तावेज़ी रनबुक, एक रिकॉर्ड किया गया वॉकथ्रू, प्रक्रिया पर नामित दूसरा व्यक्ति। जब तक व्यक्ति कार्यरत है यह सस्ता है; उसके बाद असंभव।
अपनाने का अंतर ठीक इसी समूह में भरिए। 50–64 आयु वर्ग में जनरेटिव AI का उपयोग लगभग 18% होने के साथ, सबसे अधिक एक्सपोज़र उठाने वाला समूह उसी उपकरण में सबसे कम दक्ष है जो यह एक्सपोज़र बनाता है। आपके वरिष्ठ तकनीकी कर्मचारियों के लिए लक्षित सक्षमीकरण वह दुर्लभ हस्तक्षेप है जो विस्थापन जोखिम घटाता है और साथ ही आउटपुट बढ़ाता है — और उन्हें बदलने से काफ़ी सस्ता है।
इस तिमाही का एक निर्णय
अपने संगठन चार्ट को देखिए और वे भूमिकाएँ खोजिए जो एक साथ उच्च-एक्सपोज़र वाली हों और जिन पर ऐसा व्यक्ति हो जिसकी सेवानिवृत्ति में पाँच वर्ष से कम बचे हों। फिर एक प्रश्न का ईमानदारी से उत्तर दीजिए: अगर वह व्यक्ति शुक्रवार को इस्तीफ़ा दे दे, तो किसी और के वह काम कर पाने में कितना समय लगेगा — कार्य नहीं, वह काम?
अगर उत्तर तिमाहियों में मापा जाता है, तो आपके पास एक बिना कीमत आंकी गई देनदारी है, और बोस्टन कॉलेज के आंकड़े कहते हैं कि उससे जुड़ी संभावना अभी-अभी बढ़ी है।
इस वर्ष मध्यम बाज़ार में लिखी गई हर AI कार्यबल योजना प्रवेश-मार्ग की रक्षा करती है। लगभग कोई भी निकास-मार्ग की रक्षा नहीं करती। अनुभव का रिसाव कोई सेवानिवृत्ति समस्या नहीं है जिसे HR 2030 में संभालेगा — यह एक ऑपरेशंस समस्या है, और यह 2023 में शुरू हो चुकी थी।
उस निकास के लिए बजट रखिए जिसकी आप अपेक्षा नहीं कर रहे — उस व्यक्ति के निकास के लिए जिसे आप बदल नहीं सकते।
