Ramp Economics Lab और Revelio Labs के शोधकर्ताओं ने कंपनियों के वास्तव में देखे गए AI खर्च को — सर्वे के जवाब नहीं, बल्कि असली कार्ड और बिल-पे लेनदेन को — 21,559 अमेरिकी कंपनियों के कार्यबल रिकॉर्ड से जोड़ा। सबसे ऊँचे AI-निवेश स्तर वाली कंपनियों ने अपनाने के बाद के दो वर्षों में कुल कर्मचारी संख्या 10.2% और एंट्री-लेवल कर्मचारी संख्या 12% बढ़ाई। कम-तीव्रता वाले स्तर की कंपनियों में सांख्यिकीय रूप से कोई सार्थक बदलाव दिखा ही नहीं (Ramp Economics Lab, 2026)।
छोटा लाभ नहीं। शून्य।
यही अंतर वह निष्कर्ष है जो आपका ध्यान माँगता है, और यही वह निष्कर्ष नहीं है जिसे सुर्खियों ने उठाया। दिलचस्प नतीजा यह नहीं है कि AI अपनाना और एंट्री-लेवल भर्ती साथ-साथ बढ़ सकते हैं। दिलचस्प यह है कि अपनाने से अपने आप में कुछ भी स्पष्ट नहीं हुआ। सारा काम तीव्रता ने किया।
अध्ययन ने खर्च मापा, धारणा नहीं
AI अपनाने के बारे में एक Head of Operations जो कुछ पढ़ता है, उसका अधिकांश स्व-घोषित होता है। कोई अधिकारियों का सर्वे करता है, अधिकारी अपनी परिपक्वता खुद बताते हैं, और जो वक्र बनता है वह तैनाती जितना ही आत्मविश्वास भी दर्शाता है। यह मापन समस्या अब अच्छी तरह दर्ज है — आपने शायद अपने ही यहाँ देखी होगी, जहाँ नेतृत्व कंपनी की AI क्षमता को तैनाती के आँकड़ों से कहीं ऊपर आँकता है।
Ramp–Revelio की डिज़ाइन इस समस्या को किनारे कर देती है। AI खर्च Ramp के कॉरपोरेट कार्ड और बिल-पे रिकॉर्ड से लिया गया है — वह पैसा जो वाकई कंपनी से बाहर गया — और उन्हीं कंपनियों के लिए Revelio Labs के कार्यबल रिकॉर्ड से जोड़ा गया है। फिर कंपनियों को अपनाने के बाद पहले तीन महीनों में प्रति कर्मचारी AI खर्च के आधार पर उच्च या निम्न तीव्रता वाले अपनाने वालों में वर्गीकृत किया गया, और उनके रोज़गार को आगे ट्रैक किया गया (Revelio Labs, 2026)।
यह रचना इसलिए मायने रखती है कि नतीजा कितना भार उठा सकता है। नमूने में किसी से यह नहीं पूछा गया कि उसका AI कार्यक्रम कितना परिवर्तनकारी महसूस होता है। स्वतंत्र चर एक लेखा-प्रविष्टि है।
लेखकों के दावे के अनुसार यह पहला अध्ययन है जो फर्म-स्तरीय AI खर्च को इस पैमाने पर रोज़गार आँकड़ों से जोड़ता है (Ramp Economics Lab, 2026)। एक संचालन प्रमुख के लिए यही अंतर है उस आँकड़े में जिस पर योजना बनाई जा सकती है और उस आँकड़े में जिसे केवल उद्धृत किया जा सकता है।
तीव्रता ही चर है, और यह एक सीमा-रेखा जैसा व्यवहार करती है
दोनों स्तरों को साथ रखिए और नतीजे का आकार असामान्य दिखता है।
उच्च तीव्रता वाले अपनाने वाले: दो वर्षों में कुल कर्मचारी +10.2%, एंट्री-लेवल +12%, और यह लाभ धीरे-धीरे उभरता है तथा कार्यों में व्यापक रूप से फैलता है — इंजीनियरिंग, बिक्री, प्रशासन और ग्राहक सेवा (Ramp Economics Lab, 2026)। कम तीव्रता वाले अपनाने वाले: बिल्कुल न अपनाने से सांख्यिकीय रूप से अलग कुछ भी नहीं।
यदि AI निवेश खर्च के लगभग अनुपात में प्रतिफल देता, तो निम्न स्तर से एक छोटे सकारात्मक प्रभाव की अपेक्षा होती — दबा हुआ, शोरभरा, पर मौजूद। वैसा नहीं है। संबंध रैखिक नहीं है, और आधे-अधूरे उपाय आधा रास्ता भी तय नहीं करते।
इसे एक परिचालन बाध्यता की तरह पढ़िए। ग्यारह विभागों पर पतला-पतला फैला हुआ मामूली आवंटन किसी गंभीर कार्यक्रम का छोटा संस्करण नहीं है। इस साक्ष्य के अनुसार यह गतिविधि की एक अलग श्रेणी है, और रोज़गार आँकड़ों में यह दिखाई ही नहीं देती।
इससे बजट की बातचीत का ढाँचा बदलना चाहिए। मिड-मार्केट की सामान्य मुद्रा — हर कार्य में थोड़ा AI, ताकि कोई खुद को बाहर न समझे और कोई अकेला दाँव किसी को शर्मिंदा न कर सके — ठीक वही प्रोफ़ाइल है जिसे कम-तीव्रता स्तर वर्णित करता है। यह पछतावा घटाने के लिए बनाया गया पोर्टफोलियो है, और यह मापने योग्य कुछ भी नहीं लौटाता।
एंट्री-लेवल का आँकड़ा "कनारी" के विरुद्ध जाता है
12% का आँकड़ा एक जीवंत बहस के बीचों-बीच गिरता है, और यह स्पष्ट करना ज़रूरी है कि यह क्या तय करता है और क्या नहीं।
Stanford Digital Economy Lab ने ADP के पेरोल डेटा के साथ काम करते हुए, AI से सबसे अधिक प्रभावित व्यवसायों में करियर की शुरुआत वाले कर्मचारियों के रोज़गार में लगभग 13% की सापेक्ष गिरावट दर्ज की — वही "खदान में कनारी" नतीजा जिसने 2025–2026 की एंट्री-लेवल कथा का बड़ा हिस्सा गढ़ा (Stanford Digital Economy Lab, 2025)।
दोनों निष्कर्ष एक साथ सही हो सकते हैं, क्योंकि वे एक ही वस्तु को नहीं माप रहे। Stanford व्यवसायों को ट्रैक करता है: AI-प्रभावित व्यावसायिक श्रेणियों के भीतर युवा कर्मचारी पिछड़े। Ramp फर्मों को ट्रैक करता है: AI में भारी निवेश करने वाली कंपनियों के भीतर एंट्री-लेवल संख्या बढ़ी। कुछ भूमिकाएँ पूरी अर्थव्यवस्था में सिकुड़ रही हैं जबकि कुछ कंपनियाँ पहले से अधिक जूनियर लोगों को रख रही हैं। समग्र व्यावसायिक जोखिम और फर्म-स्तरीय निवेश तीव्रता अलग अक्ष हैं, और एक संचालक दूसरे अक्ष पर बैठा है।
व्यावहारिक रूप से उपयोगी पाठ यही है। आप यह नियंत्रित नहीं करते कि आपके उद्योग का कार्य-मिश्रण AI-प्रभावित है या नहीं। आप अपनी कंपनी की निवेश एकाग्रता नियंत्रित करते हैं — और फर्म-स्तरीय डेटा के अनुसार यही वह चर है जो हिला।
प्रलोभन यह है कि आप वही अध्ययन चुन लें जो आपकी पहले से बनी योजना की पुष्टि करता हो। इसका प्रतिरोध कीजिए। ईमानदार संश्लेषण अधिक संकीर्ण और अधिक उपयोगी है: जोखिम किसी भूमिका पर दबाव तय करता है, और निवेश की तीव्रता यह तय करती दिखती है कि आपका संगठन उस दबाव में बढ़ता है या उसके नीचे सिकुड़ता है।
प्रति-तर्क: यह चयन-पूर्वाग्रह हो सकता है
Ramp के नतीजे पर सबसे मज़बूत आपत्ति स्वयं अध्ययन से आती है, और वह दबाए जाने के बजाय स्पष्ट रूप से कही जाने योग्य है।
लेखक स्पष्ट हैं: AI अपनाने वाले कोई यादृच्छिक नमूना नहीं हैं। वे पहले से ही बड़ी, अधिक इंजीनियरिंग-गहन, वेंचर-समर्थित होने की अधिक संभावना वाली, और न अपनाने वालों से तेज़ी से बढ़ती कंपनियाँ हैं। क्षेत्रीय लाभ Information क्षेत्र में केंद्रित हैं (Ramp Economics Lab, 2026)।
सरल कारण-आधारित पाठ के लिए यह एक वास्तविक समस्या है। तेज़ी से बढ़ती, अच्छी पूँजी वाली सॉफ़्टवेयर कंपनियाँ AI पर भी बहुत खर्च करती हैं और भर्ती भी बहुत करती हैं, और साझा कारण बस यह हो सकता है कि वे जीत रही हैं। इस व्याख्या में ऊँचा AI खर्च विस्तार का लक्षण है, कारण नहीं — और अधिक लाइसेंस खरीदने वाली 220 लोगों की औद्योगिक सेवा कंपनी को वह 12% विरासत में नहीं मिलेगा।
इस छूट के बाद भी दो बातें नतीजे को उपयोगी बनाए रखती हैं। पहली, अध्ययन अपनाने से पहले और बाद में फर्मों के भीतर के परिवर्तनों को ट्रैक करता है, न कि अपनाने वालों और न अपनाने वालों की कच्ची तुलना — वृद्धि खर्च के बाद आती है, एक क्रमिक वक्र पर। दूसरी, और आपके उद्देश्य के लिए अधिक निर्णायक: कम-तीव्रता स्तर का शून्य नतीजा चयन-पूर्वाग्रह से नहीं समझाया जा सकता। उन फर्मों ने भी अपनाना चुना था। उनके पास भी बजट, प्रायोजन और इरादा था। उन्होंने प्रति कर्मचारी कम खर्च किया, और उन्हें सांख्यिकीय रूप से अभेद्य शून्य मिला।
इसलिए 12% को दिशासूचक और संदर्भ-बद्ध मानिए। और शून्य को हस्तांतरणीय सबक मानिए।
12% को शून्य से संभवतः क्या अलग करता है
यहाँ साक्ष्य पतला होता है, और मैं स्पष्ट रहना चाहती हूँ कि डेटा कहाँ समाप्त होता है।
Ramp का अध्ययन खर्च की तीव्रता और रोज़गार परिणाम मापता है। यह तंत्र की पहचान नहीं करता — यह नहीं बता सकता कि उच्च-तीव्रता वाली फर्मों ने पैसे से क्या किया जो कम-तीव्रता वाली फर्मों ने नहीं किया। जो कोई इसके विपरीत दावा करता है, वह अपनी व्याख्या जोड़ रहा है।
तंत्र पर उपलब्ध सर्वोत्तम साक्ष्य कहीं और से आता है। McKinsey की State of AI 2025 रिपोर्ट ने पाया कि यद्यपि संगठनों का बड़ा बहुमत AI उपयोग की सूचना देता है, केवल अल्पसंख्यक उद्यम स्तर पर सार्थक EBIT प्रभाव दर्ज करते हैं — और प्रतिफल पाने वाले संगठनों से सबसे अधिक जुड़ी प्रथा यह है कि तकनीक के इर्द-गिर्द कार्यप्रवाहों को मौलिक रूप से पुनर्रचित किया जाए, न कि मौजूदा प्रक्रियाओं के ऊपर तकनीक चढ़ा दी जाए (McKinsey, 2025)। यह स्व-घोषित सर्वेक्षण से निकला सहसंबंध है, कारणात्मक अनुमान नहीं, और इसे उसी अनुसार तौला जाना चाहिए।
उचित सावधानी के साथ दोनों को जोड़ने पर एक संभाव्य कहानी उभरती है: प्रति कर्मचारी लगातार ऊँचा खर्च ही वह रूप है जो कार्यप्रवाह पुनर्रचना बहीखाते में लेती है। किसी कार्य से होकर काम कैसे बहता है, इसे नए सिरे से डिज़ाइन करने में एकीकरण-श्रम, डेटा-कार्य और प्रक्रिया-समय लगता है — और यह एक बड़े, केंद्रित बिल के रूप में दिखता है। सीटें खरीदना और कार्यप्रवाह को अछूता छोड़ देना सस्ता है, और ठीक इसीलिए वह कम-तीव्रता वाला हस्ताक्षर और शून्य परिणाम पैदा करता है।
मैं इसे कार्यशील परिकल्पना मानूँगी, निष्कर्ष नहीं। जो मापा गया है वह यह है: खर्च की एकाग्रता कार्यबल वृद्धि का पूर्वानुमान देती है, बिखराव कुछ भी पूर्वानुमानित नहीं करता।
अगले बजट चक्र से पहले तीन कदम
अपनी तीव्रता मापिए, अपनाना नहीं
मिड-मार्केट की अधिकांश AI रिपोर्टिंग लाइसेंस, सक्रिय उपयोगकर्ता और छुए गए विभाग गिनती है। इनमें से कोई भी वह चर नहीं है जो इस अध्ययन में हिला। प्रति कर्मचारी AI खर्च निकालिए, और उसे कंपनी-स्तर के बजाय प्रति कार्य निकालिए — समग्र औसत यह छिपा देता है कि आप एक गंभीर कार्यक्रम चला रहे हैं या नौ दिखावटी। आम तौर पर आप पाएँगे कि कुल आँकड़ा सम्मानजनक लगता है जबकि हर अलग-अलग कार्य कम-तीव्रता स्तर में बैठा है।
बाँटने के बजाय केंद्रित कीजिए
यदि बिखराव कुछ नहीं लौटाता, तो आवंटन के लिए निहितार्थ असहज पर स्पष्ट है: एक या दो कार्यों में केंद्रित वही बजट, नौ कार्यों में फैले उसी बजट से मूलतः भिन्न दाँव है। उन कार्यों को चुनिए जहाँ आसपास की प्रक्रिया वास्तव में पुनर्निर्मित की जा सके — जहाँ प्रवाह पर आपका आद्योपांत स्वामित्व है और आप बदल सकते हैं कि काम कैसे रूट होता है, केवल यह नहीं कि वह कैसे लिखा जाता है। उन्हें ठीक से वित्तपोषित कीजिए और बाकी को जानबूझकर भूखा रखिए।
यह स्प्रेडशीट के सुझाव से राजनीतिक रूप से कठिन होगा। अब हर कार्य-प्रमुख के पास एक AI बजट-मद है, और एक को वापस लेना उस कार्य पर निर्णय की तरह पढ़ा जाता है। तर्क को साक्ष्य पर रखिए: आधा वित्तपोषित पायलट छोटी जीत नहीं है, वह बजट-पंक्ति चिपकाए हुए एक शून्य है।
AI के औचित्य को स्पष्ट रूप से भर्ती के औचित्य से जोड़िए
सहज ढाँचा — AI निवेश को भर्ती से बचने का उपाय मानना — वह नहीं है जो इस डेटासेट की उच्च-तीव्रता वाली फर्मों ने पैदा किया। वे बढ़ीं, एंट्री-लेवल पर भी (Ramp Economics Lab, 2026)। Information क्षेत्र में एकाग्रता को देखते हुए यह आपके क्षेत्र पर लागू होगा या नहीं, यह वाकई खुला प्रश्न है। पर अपनी बिज़नेस केस में इस मान्यता का नाम लेना सार्थक है, क्योंकि "यह तीन भर्तियों की जगह लेता है" और "यह हमें उसी टीम के साथ अधिक काम सँभालने देता है जिसे हम बना रहे हैं" — दोनों पहले दिन से ही भिन्न कार्यान्वयन विकल्प, भिन्न प्रशिक्षण निवेश और भिन्न आंतरिक राजनीति पैदा करते हैं।
एक निर्णय
पिछली चार तिमाहियों का अपना AI खर्च निकालिए और उसे कार्य तथा कर्मचारी संख्या से विभाजित कीजिए। फिर एक प्रश्न पूछिए: क्या इस कंपनी में कोई एक भी कार्य वास्तव में उच्च-तीव्रता स्तर में है, या हमने एक गंभीर बजट को नौ गैर-गंभीर कार्यक्रमों में बाँट दिया है?
यदि दूसरा है — और अधिकांश मिड-मार्केट संचालकों के लिए यही होगा — तो समाधान अधिक पैसा नहीं है। समाधान कम दाँव हैं।
इस डेटासेट में जिन फर्मों ने कर्मचारी संख्या बढ़ाई, एंट्री-लेवल भर्ती सहित, वे सबसे पहले या सबसे उत्साह से AI अपनाने वाली नहीं थीं। वे वे थीं जिन्होंने केंद्रित किया। और जिन्हें कुछ नहीं मिला, वे बाहर रह जाने वाली नहीं थीं — वे वे थीं जिन्होंने बहुत पतला फैलाया।
