पिछले साल 32 प्रतिशत उत्तरदाताओं ने McKinsey को बताया था कि उन्हें अपेक्षा है कि AI उनके संगठन का कार्यबल घटाएगा। इस साल, जब पूछा गया कि वास्तव में क्या हुआ, तो AI का उपयोग करने वाले संगठनों के 14 प्रतिशत उत्तरदाताओं ने बताया कि AI ने कार्यबल के आकार में गिरावट में योगदान दिया — "उन 32 प्रतिशत के आधे से भी कम, जिन्होंने पिछले साल के सर्वे में उसी अवधि के लिए कार्यबल कटौती की अपेक्षा की थी" (McKinsey, 2026)। दो-तिहाई ने कुल रोजगार में AI से जुड़ा बहुत कम या कोई बदलाव न होने की बात कही।
यह पहली बार है जब यह सर्वे अपने ही AI कार्यबल पूर्वानुमान को एक वास्तविक परिणाम के सामने रखकर परख सकता है। पूर्वानुमान लगभग दो गुने के कारक से चूका।
फिर पैनल ने उसे बढ़ा दिया। उनतालीस प्रतिशत अब आने वाले वर्ष में कुल रोजगार में AI से जुड़ी गिरावट की अपेक्षा करते हैं, जो पिछले साल के 32 प्रतिशत से ऊपर है। जिस आकलन ने 2 गुना अधिक बताया था, उसे नीचे नहीं, ऊपर संशोधित किया गया — और 2027 की बड़ी संख्या में परिचालन योजनाएँ चुपचाप उसी पर टिकी हैं।
सर्वे ने वास्तव में क्या मापा
The State of AI के 2026 संस्करण में 97 देशों के 1,719 प्रतिभागियों का सर्वे किया गया, जिसका सर्वेक्षण काल 4 मई से 8 जून 2026 तक रहा। छत्तीस प्रतिशत उत्तरदाता 1 अरब डॉलर से अधिक वार्षिक राजस्व वाले संगठनों में काम करते हैं, जिसका अर्थ है कि लगभग दो-तिहाई उससे नीचे हैं — मिड-मार्केट पाठक के लिए यह असामान्य रूप से प्रासंगिक है, हालाँकि पैनल अब भी 200 पूर्णकालिक कर्मचारियों वाले संचालन से बड़ा है।
संदर्भ मायने रखता है क्योंकि जो चर विफल हुआ, वह अपनाना नहीं था। नवासी प्रतिशत कम से कम एक व्यावसायिक कार्य में AI का नियमित उपयोग करते हैं। चवालीस प्रतिशत कहते हैं कि यह पूरे उद्यम स्तर पर स्केल कर रहा है, जो 38 प्रतिशत से ऊपर है। अस्सी प्रतिशत व्यक्तिगत उत्पादकता में सुधार की सूचना देते हैं (McKinsey, 2026)।
तो क्रम यह नहीं है कि "AI आया ही नहीं, इसलिए हेडकाउंट नहीं गिरा"। AI आया, उत्पादकता की सूचना दी गई, और हेडकाउंट फिर भी नहीं गिरा। इस बीच, AI उपयोग को कम से कम कुछ EBIT प्रभाव का श्रेय देने वाला हिस्सा साल-दर-साल 37 प्रतिशत पर स्थिर रहा, और वास्तविक उच्च-प्रदर्शनकर्ताओं की आबादी सभी उत्तरदाताओं के लगभग 6 प्रतिशत पर बनी रही।
प्रसार आगे बढ़ा। वास्तविक कार्यबल कटौती उसके पीछे नहीं आई।
वास्तविक आँकड़े 14 प्रतिशत से सहमत हैं
एक सर्वे जो खुद को परखे, वह दिलचस्प है। एक ही दिशा में इशारा करने वाले दो स्वतंत्र डेटासेट एक नियोजन इनपुट होते हैं।
National Bureau of Economic Research ने The CFO Survey पैनल के माध्यम से लगभग 750 कॉर्पोरेट अधिकारियों का सर्वे किया और पाया कि "AI के कारण निकट अवधि में कुल रोजगार में गिरावट के बहुत कम प्रमाण हैं, हालाँकि बड़ी कंपनियाँ AI-प्रेरित कार्यबल कटौती की आशंका रखती हैं, जबकि छोटी फर्में मामूली बढ़त की अपेक्षा करती हैं" (NBER, 2026)। समग्र प्रभाव शून्य के करीब है, और विचलन ही निष्कर्ष है: बड़ी फर्में अपेक्षा करती हैं कि AI 2026 में उनके रोजगार को लगभग 0.8 प्रतिशत घटाएगा, जबकि छोटी फर्में छोटी वृद्धि का अनुमान लगाती हैं। जो वास्तव में बदलता है, वह संरचना है — नियमित लिपिकीय भूमिकाएँ घटती हुईं, कुशल तकनीकी भूमिकाओं की सापेक्ष मांग बढ़ती हुई, फर्मों के भीतर भी और फर्मों के बीच भी।
घोषित छँटनी के आँकड़े तीसरे कोण से सहमत हैं। सितंबर 2026 तक अमेरिकी नियोक्ताओं ने 573,195 नौकरी कटौतियों की घोषणा की, जो 2025 के पहले नौ महीनों में घोषित 946,426 से 39 प्रतिशत कम है — 2022 के बाद जनवरी-सितंबर का सबसे कम योग। इस वर्ष अब तक AI को 120,136 घोषणाओं में कारण बताया गया, जो सभी कटौतियों का लगभग 21 प्रतिशत है, और इससे यह वास्तव में वर्ष का सर्वाधिक बताया गया कारण बन जाता है (Challenger, Gray & Christmas, 2026)।
इन दोनों संख्याओं को साथ पढ़िए, क्योंकि अकेले उद्धृत होने वाली दूसरी है। AI सिकुड़ते कुल योग के भीतर कारणों की तालिका में शीर्ष पर है। विशेष रूप से सितंबर में AI पाँचवाँ सर्वाधिक बताया गया कारण था — 3,961 कटौतियाँ, यानी महीने का लगभग 9 प्रतिशत। तीसरी तिमाही की कटौतियाँ दूसरी तिमाही से 43 प्रतिशत गिरीं।
गिरते हर में बढ़ता हिस्सा कोई लहर नहीं है। यह ठंडे पड़ते बाजार के भीतर संरचना का खिसकाव है।
AI कार्यबल पूर्वानुमान एक ही दिशा में क्यों चूकता है
लगातार अधिक आँकने वाली पूर्वानुमान त्रुटि आमतौर पर संरचनात्मक होती है, यादृच्छिक नहीं। Forrester की Predictions 2026: The Future of Work इस तंत्र को नाम देती है: उन AI क्षमताओं के बदले की गई कटौतियाँ जो अभी मौजूद ही नहीं हैं। पचपन प्रतिशत नियोक्ता AI के लिए की गई छँटनियों पर पछतावा जताते हैं, और Forrester का अनुमान है कि AI को श्रेय दी गई छँटनियों का आधा हिस्सा चुपचाप फिर भर्ती किया जाएगा — ऑफशोर या काफी कम वेतन पर (HR Executive, 2026)।
उस अंतिम वाक्यांश की विषमता पर ध्यान दें। यह उलटाव किसी की योजना में सुधार के रूप में प्रकट नहीं होता। यह ऑफशोर व्यय, ठेकेदार मदों और फिर से भर्ती की लागत के रूप में प्रकट होता है, और इनमें से कोई भी मूल हेडकाउंट बचत से मेल नहीं खाता। आंतरिक अभिलेख में पूर्वानुमान तब भी अखंडित बना रहता है, जब वह पहले ही विफल हो चुका होता है।
उसी शोध के दो और विवरण लागत को तेज करते हैं। Forrester जिन्हें "coasters" कहती है, उन अलगाव-ग्रस्त कर्मचारियों का हिस्सा 2024 में 27 प्रतिशत, 2025 में 25 प्रतिशत था, और 2026 में 28 प्रतिशत तक पहुँचने की अपेक्षा है — यह आँकड़ा तब हिलता है जब बचे हुए लोग समय से पहले की कटौतियाँ देखते हैं। और 2025 में केवल 16 प्रतिशत कर्मचारियों ने Forrester के AI-तैयारी माप पर उच्च अंक पाए, जिसमें सबसे अधिक तैयारी उसी समूह में केंद्रित है जिसकी प्रवेश-स्तरीय भूमिकाएँ पहले समाप्त की जा रही हैं।
नियोजन की गलती, सीधे शब्दों में
गलती AI के बारे में आशावाद नहीं है। गलती है अपेक्षित कार्यबल कटौती को एक वास्तविक आधार-रेखा के रूप में दर्ज कर लेना, पूरे एक साल पहले, और फिर उसके ऊपर बैकफिल फ्रीज खड़ा कर देना।
अपेक्षित परिवर्तन एक पूर्वानुमान है, जिसकी एक-वर्षीय त्रुटि दर अब प्रलेखित है। वास्तविक परिवर्तन एक माप है। वास्तविक धन प्रतिबद्ध करने वाली योजना में इनमें से केवल एक का स्थान है।
ईमानदार प्रति-तर्क
तीन सीमाएँ, किसी और के कहने से पहले कह दी गईं।
यह स्व-घोषित सर्वे डेटा है, पेरोल नहीं। किसी ने इन संगठनों के हेडकाउंट रजिस्टर का ऑडिट नहीं किया। उत्तरदाता-स्तर पर हेडकाउंट परिवर्तन को विशेष रूप से AI को श्रेय देना एक निर्णय है, और श्रेय-निर्धारण ठीक वही बिंदु है जहाँ स्व-घोषणा सबसे कमजोर होती है। यही चेतावनी NBER के आँकड़ों पर भी लागू होती है, जो अधिकारियों की अपेक्षाएँ हैं, वास्तविक पेरोल परिणाम नहीं।
पैनल साल-दर-साल एक समान नहीं है। McKinsey कहती है कि उसने उन उत्तरदाताओं की जाँच की जिन्होंने 2025 और 2026 दोनों चरण पूरे किए और निष्कर्ष समग्र नमूने को प्रतिबिंबित करते रहे; फिर भी बदलता पैनल 32 प्रतिशत और 14 प्रतिशत को "वही लोग स्वयं का खंडन कर रहे हैं" के रूप में पढ़ने पर एक वास्तविक सीमा है।
अपेक्षा गलत होने की जगह बस समय से पहले हो सकती है। क्षमता घोषणा से पीछे चलती है, और तैनाती क्षमता से पीछे। 2025 के लिए किया गया कटौती का पूर्वानुमान जो 2027 में साकार हो, वह समय-निर्धारण में चूका था, निर्णय में नहीं — और NBER के संरचना आँकड़े, जिनमें नियमित लिपिकीय हिस्सा 2028 तक और घटने की अपेक्षा है, उसी दिशा के धीमे और अधिक चयनात्मक संस्करण के अनुरूप हैं। बचाव-योग्य दावा समय-निश्चितता के बारे में है, दिशा के बारे में नहीं।
तीनों के बाद जो बचता है वह संकरा है और फिर भी क्रियान्वयन-योग्य: वास्तविक परिणामों का वितरण भारी रूप से "बहुत कम या कोई बदलाव नहीं" पर केंद्रित है, और जो योजना वितरण की पूँछ को आधार-स्थिति मान लेती है, उसका मूल्यांकन गलत है।
Q4 योजना बंद होने से पहले किसका आधार बदलें
चार कदम, और इनमें से कोई भी AI पर रणनीतिक रुख पलटने की मांग नहीं करता।
1. योजना दस्तावेज़ में अपेक्षित और वास्तविक को अलग करें। यदि आपके 2027 हेडकाउंट मॉडल में कोई मद AI-प्रेरित कटौती के आधार पर उचित ठहराई गई है, तो चिह्नित करें कि वह आपके ही संगठन में मापे गए परिवर्तन पर टिकी है या अपेक्षित परिवर्तन पर। यदि वह अपेक्षा है, तो उसे ऊपर बताई गई त्रुटि दर वहन करने वाले पूर्वानुमान के रूप में लेबल करें। यह पंद्रह मिनट का संपादन है, जो बदल देता है कि उस संख्या पर सवाल कैसे उठाए जाते हैं।
2. AI के व्यावसायिक औचित्य को FTE की जगह थ्रूपुट पर फिर से खड़ा करें। साइकिल टाइम, प्रति कर्मचारी राजस्व, त्रुटि दर, प्रति लेनदेन लागत। NBER का उत्पादकता निष्कर्ष उसी दिशा में इशारा करता है: लाभ राजस्व-आधारित कुल कारक उत्पादकता के रूप में प्रकट हुआ, जो नवाचार और मांग चैनलों से जुड़ा है, श्रम का स्थान लेने वाले पूँजी-गहनीकरण के रूप में नहीं। यदि मामला केवल हेडकाउंट कटौती पर बंद होता है, तो मामला बंद नहीं हुआ है।
3. AI को श्रेय दी गई हर कटौती को वादा की गई नहीं, प्रमाणित क्षमता की शर्त पर रखें। परीक्षण है एक नामित वर्कफ़्लो, जो एक निर्धारित अवधि में मापी गई त्रुटि दर के साथ लक्ष्य गुणवत्ता पर चल रहा हो — किसी विक्रेता का रोडमैप नहीं। यही एक द्वार 14 प्रतिशत को उन 55 प्रतिशत से अलग करता है जो पछताते हैं।
4. उस टीम के लिए योजना बनाएँ जो आपके पास फिर भी रहेगी। यही कदम ज्यादातर 2027 योजनाओं में अनुपस्थित है। यदि दो-तिहाई संगठनों ने AI से जुड़ा बहुत कम या कोई हेडकाउंट परिवर्तन देखा, तो आधार-स्थिति यह है कि आपका वर्तमान रोस्टर लगभग आपका 2027 रोस्टर ही है, और संरचना उसके नीचे खिसक रही है। इससे बाध्यकारी अड़चन लागत का प्रश्न नहीं, क्षमता का प्रश्न बन जाती है: कौन-सी दक्षताएँ किन पदों पर बैठी हैं, उत्तराधिकार कहाँ पतला है, और कौन-सी नियमित लिपिकीय क्षमता उस कुशल तकनीकी मांग की ओर पुनर्नियोजित की जा सकती है जिसे NBER के आँकड़े बढ़ता हुआ बताते हैं। उस नक्शे के बिना तय किया गया बैकफिल फ्रीज बचत नहीं है; वह एक अमापित क्षमता-हानि है। दक्षता और उत्तराधिकार का मापन ही वह उपकरण है जो उस निर्णय को बचाव-योग्य बनाता है — 9-box स्थिति, जो प्रबंधक की स्मृति के बजाय प्रति-दक्षता डेटा से गणना की जाती है, और उत्तराधिकार तैयारी, जो हर महत्वपूर्ण पद के लिए अलग आँकी जाती है। यदि आपको एक ठोस संदर्भ चाहिए, तो Scovai का परफॉर्मेंस और उत्तराधिकार मॉड्यूल प्रलेखित करता है कि वह मैपिंग किस तरह संरचित है।
इन आँकड़ों का असुविधाजनक हिस्सा यह नहीं है कि AI ने हेडकाउंट पर कम दिया। यह है कि एक संगठन एक सफल AI कार्यक्रम चला सकता है — 89 प्रतिशत अपनाना, 80 प्रतिशत उत्पादकता लाभ की सूचना — और अंत में उसके पास उतने ही लोग हो सकते हैं, जो सार्थक रूप से भिन्न काम कर रहे हों।
यह AI कार्यबल पूर्वानुमान का वेश धारण किए हुए एक कार्यबल-विकास की समस्या है।
Q4 योजना बंद होने से पहले वह हेडकाउंट मद खोजें जो मानती है कि AI टीम को छोटा करेगा, और उससे एक सवाल पूछें: क्या हम इसे माप रहे हैं, या अब भी इसकी अपेक्षा कर रहे हैं? यदि उत्तर "अपेक्षा कर रहे हैं" है, तो 2 गुना त्रुटि दर अब अभिलेख में है — और सबूत का बोझ पूर्वानुमान की ओर खिसक गया है।
