जिस अवधि में कर्मचारी अपनी पेशेवर प्रोफ़ाइल अपडेट करते हैं, उस दौरान उनके नियोक्ता बदलने की संभावना 64% अधिक होती है (NBER, 2026)। बात उनकी मौजूदा भूमिका की नहीं, उनके कार्य-इतिहास की है। किसी ऐसे पद का शीर्षक जिसे वे बरसों पहले छोड़ चुके हैं, किसी ऐसे काम का विवरण जो बहुत पहले पूरा होकर बंद हो चुका था, इससे पहले कि किसी को उसे बदलने का ख़याल आता।
यही निकोलस ब्लूम, गिडियन मूर, लीसा साइमन और केलन विल्की-रॉजर्स के नए NBER वर्किंग पेपर का केंद्रीय निष्कर्ष है। 2020 से 2026 तक के Revelio Labs डेटा के मासिक संस्करणों का उपयोग करके वे दिखाते हैं कि अमेरिका के 19.7% स्थापित LinkedIn उपयोगकर्ता किसी ऐसी नौकरी का शीर्षक या विवरण पिछली तारीख़ से संपादित करते हैं जिसे वे पहले ही छोड़ चुके हैं, और यह माध्यिका संपादन व्यक्ति के नौकरी छोड़ने के चार साल से भी अधिक समय बाद होता है (NBER, 2026)।
इससे दो परिणाम निकलते हैं, और ज़्यादातर ऑपरेशंस टीमें दोनों के प्रति असुरक्षित हैं। पहला, कर्मचारी प्रतिधारण (रिटेंशन) का एक संकेत जो इस्तीफ़े के पत्र से महीनों पहले आता है। दूसरा, डेटा की एक समस्या जो प्रोफ़ाइल इतिहास पर बने हर कौशल बेंचमार्क के नीचे छिपी है।
NBER अध्ययन ने वास्तव में क्या मापा
प्रोफ़ाइल पर होने वाले ज़्यादातर शोध एक ही स्नैपशॉट लेते हैं और उसे रिकॉर्ड मान लेते हैं। यह अध्ययन कुछ ज़्यादा उपयोगी करता है: यह अमेरिका की लगभग 2.94 करोड़ प्रोफ़ाइलों में से हर प्रोफ़ाइल की तुलना, महीने-दर-महीने, उसके ही पुराने संस्करणों से करता है (TNW, 2026)। इससे यह देखा जा सकता है कि प्रोफ़ाइल क्या कहती है, और यह भी कि उसने ऐसा कहना कब से शुरू किया।
लेखक पिछली तारीख़ से किए गए संपादन को "टाइम ट्रैवल" कहते हैं, और यह पैटर्न मामूली नहीं है।
- स्थापित उपयोगकर्ताओं में से हर पाँच में से एक ने 2020 के बाद से कम से कम एक बार ऐसा किया है, और लेखक इसे निचली सीमा बताते हैं, क्योंकि उनकी अपडेट फ़ाइल 2020 से ही शुरू होती है।
- नौकरी छोड़ने और उसे दोबारा लिखने के बीच माध्यिका अंतर चार साल से अधिक है। ये वे लोग नहीं हैं जो जाते-जाते कोई टाइपो ठीक कर रहे हों।
- सैंपल अवधि के अंत तक टेक्नोलॉजी और इन्फ़ॉर्मेशन क्षेत्र के लगभग हर तीन में से एक कर्मचारी ने टाइम ट्रैवल किया, जो सभी उद्योगों में सबसे ऊँची दर है; अध्ययन की मीडिया कवरेज इसे 31.6% बताती है (TNW, 2026)। निर्माण और रियल एस्टेट दूसरे छोर पर हैं।
यह केंद्रीकरण मायने रखता है। सबसे ऊँची दरों वाले उद्योग वही हैं जहाँ मिड-मार्केट कंपनियों का ज्ञान-आधारित काम होता है, और जहाँ किसी को बदलना सबसे महँगा पड़ता है।
नौकरी छोड़ने का जोखिम इस्तीफ़े से महीनों पहले दिखता है
इस निष्कर्ष को महज़ एक दिलचस्प तथ्य से आगे ले जाने वाली चीज़ है इसका समय।
नौकरी न बदलने वालों की तुलना में, नियोक्ता बदलने वाले कर्मचारी अपने बदलाव से पूरे एक साल पहले ही टाइम ट्रैवल करने की दोगुनी से अधिक संभावना रखते हैं। लगभग छह महीने पहले से यह दर और बढ़ती है, और अंततः बारह महीने पहले के अपने स्तर की दोगुनी हो जाती है: 1.1% के मुक़ाबले 2.4%। बदलाव के लगभग तीन महीनों के भीतर यह वापस आधार-स्तर पर लौट आती है (NBER, 2026)।
इसे एक ऑपरेशंस लीडर की नज़र से पढ़िए। संकेत नौकरी छोड़ने से पहले आता है, बाद में नहीं। जब तक इस्तीफ़ा किसी मैनेजर तक पहुँचता है, प्रोफ़ाइल का संपादन अक्सर छह महीने पुराना हो चुका होता है।
यह अग्रिम समय क्यों मायने रखता है
स्वैच्छिक नौकरी छोड़ने पर Gallup का शोध इस अवसर को चूकने की क़ीमत बताता है। अपने संगठन को स्वेच्छा से छोड़ने वाले 42% कर्मचारी कहते हैं कि उनका मैनेजर या संगठन उन्हें रोकने के लिए कुछ कर सकता था। 45% बताते हैं कि जाने से पहले के तीन महीनों में न तो उनके मैनेजर ने और न ही किसी अन्य लीडर ने आगे बढ़कर उनसे उनकी नौकरी की संतुष्टि, प्रदर्शन या संगठन में उनके भविष्य पर बात की (Gallup, 2026)।
Gallup के अनुसार किसी को बदलने की लागत लीडर्स और मैनेजर्स के लिए उनके वेतन का लगभग 200%, तकनीकी पेशेवरों के लिए 80% और फ़्रंटलाइन कर्मचारियों के लिए 40% होती है। 150 लोगों की कंपनी में, कुछ टाले जा सकने वाले वरिष्ठ प्रस्थान ऐसा ख़र्च हैं जिस पर CFO का ध्यान जाता है।
तो कमी इरादों की जानकारी की नहीं है। कर्मचारी उसे सार्वजनिक रूप से प्रकाशित कर रहे हैं। कमी यह है कि उन महीनों में कोई बातचीत नहीं करता जब वह अब भी नतीजा बदल सकती थी।
आपका कार्य-इतिहास डेटा AI की दिशा में दोबारा लिखा जा रहा है
दूसरा परिणाम कम दिखाई देता है, और टैलेंट इंटेलिजेंस ख़रीदने वाले किसी भी व्यक्ति के लिए ज़्यादा महँगा है।
पिछली तारीख़ से किए गए संपादन बेतरतीब नहीं होते। 2022 के अंत में ChatGPT के लॉन्च के बाद AI से जुड़े शब्दों ("AI", "GPT", "LLM", "artificial intelligence") को पिछली तारीख़ से जोड़ने की घटनाएँ छह गुना से अधिक बढ़ गईं, और हाल के महीनों में धीमी पड़ी हैं। रिमोट वर्क और DEI से जुड़ी भाषा उलटी दिशा में गई। ChatGPT के बाद LLM से जुड़े लेखन-चिह्न भी तेज़ी से बढ़े, सबसे ज़्यादा कम शिक्षित समूहों और निचली रैंकिंग वाले कार्यक्रमों के MBA स्नातकों में (NBER, 2026)।
लेखक इस प्रक्रिया की एक विश्वसनीय व्याख्या देते हैं, जिसे वे सावधानी से एक निष्कर्ष नहीं, बल्कि व्याख्या के रूप में रखते हैं: कर्मचारी अपना रिज़्यूमे इस तरह बदलते हैं कि उसमें वह झलके जो उनके हिसाब से नियोक्ता सुनना चाहते हैं (NBER, 2026)।
मात्रात्मक परिणाम वही है जिसे आपको अपनी अगली वेंडर मीटिंग में ले जाना चाहिए। 2022 में AI कौशल की व्यापकता का अनुमान आज की प्रोफ़ाइलों से लगाना, न कि उस रूप से जैसी वे 2022 में थीं, AI कौशल को लगभग 30% बढ़ा-चढ़ाकर दिखाता है, और लेखक इसे भी निचली सीमा कहते हैं (NBER, 2026)।
कौशल-अंतर की बेसलाइन पर इसका असर
अगर आपकी वर्कफ़ोर्स योजना आपके लोगों की तुलना मौजूदा प्रोफ़ाइल डेटा से निकाली गई "बाज़ार" की AI कौशल व्यापकता से करती है, तो बाज़ार का इतिहास ऊपर की ओर संपादित हो चुका है। डेटा में ट्रेंड लाइन वास्तविकता से कहीं ज़्यादा खड़ी है। आपकी टीम जितनी पीछे है, उससे ज़्यादा पीछे दिखती है, और प्रशिक्षण बजट एक ऐसे अतीत के हिसाब से तय होता है जो कभी था ही नहीं।
आपकी भर्ती स्क्रीनिंग पर इसका असर
यही तर्क उम्मीदवारों पर भी लागू होता है। जैसा कि Human Resources Director ने अपनी कवरेज में लिखा, नियोक्ता अब किसी पुराने जॉब टाइटल को जस का तस नहीं मान सकते (Human Resources Director, 2026)। 2021 की कोई भूमिका जो आज "AI-आधारित प्रक्रिया ऑटोमेशन का नेतृत्व किया" कहती है, हो सकता है 2025 में लिखी गई हो। कोई भी स्क्रीनिंग, चाहे इंसानी हो या मॉडल-आधारित, जो कार्य-इतिहास को समकालीन रिकॉर्ड मानती है, वह असली अनुभव को नहीं, सबसे ताज़ा पुनर्लेखन को पुरस्कृत करती है।
आपत्ति: यह कुछ अतिरिक्त कदमों के साथ की गई निगरानी है
यह वह आपत्ति है जिसे गंभीरता से लेना चाहिए, और इसके तीन हिस्से हैं।
संकेत सहसंबंधात्मक है। लेखक स्पष्ट कहते हैं कि यह संबंध चयन (सेलेक्शन) हो सकता है, यानी लोग प्रोफ़ाइल इसलिए चमकाते हैं क्योंकि वे पहले से नौकरी ढूँढ रहे हैं, या उपचार प्रभाव (ट्रीटमेंट), यानी चमकाई गई प्रोफ़ाइल नौकरी मिलने की संभावना बढ़ाती है। प्रतिधारण के फ़ैसले के लिए यह अंतर लगभग मायने नहीं रखता: दोनों ही स्थितियों में संपादन यह जानकारी है कि कोई व्यक्ति पहले से ज़्यादा दरवाज़े के क़रीब है। लेकिन यह किसी संपादन को किसी भी बात का सबूत मानने की गुंजाइश ख़त्म कर देता है।
निरपेक्ष दरें कम हैं। कम आधार दर पर 64% की सापेक्ष बढ़ोतरी भी कम आधार दर ही रहती है। 2.4% की मासिक दर का मतलब है कि प्रोफ़ाइल के अधिकांश संपादनों के बाद कोई नौकरी नहीं छोड़ता। इसके आधार पर व्यक्तिगत निगरानी सूची बनाइए, और आप नौकरी छोड़ने के मामलों से कहीं ज़्यादा झूठे अलार्म पैदा करेंगे, और मैनेजरों का ध्यान ग़लत लोगों पर ख़र्च करेंगे।
निगरानी उसी चीज़ को नुक़सान पहुँचाती है जिसे वह मापती है। जिन कर्मचारियों को पता चलता है कि कोई उनकी सार्वजनिक प्रोफ़ाइल पर नज़र रख रहा है, वे उचित ही यह निष्कर्ष निकालेंगे कि उन पर भरोसा नहीं किया जाता। इससे ठीक वही प्रस्थान तेज़ होते हैं जिन्हें आप रोकना चाहते थे। क्षेत्राधिकार के अनुसार, इससे डेटा सुरक्षा के ऐसे सवाल भी उठ सकते हैं जिनका जवाब कुछ भी बनाने से पहले आपके क़ानूनी सलाहकार को देना चाहिए।
इस आपत्ति को गंभीरता से लें तो निष्कर्ष और पैना हो जाता है। प्रोफ़ाइल संपादन हस्तक्षेप नहीं है। यह इस बात का सबूत है कि असली हस्तक्षेप, यानी किसी के भविष्य पर नियमित और ठोस बातचीत, बहुत देर से हो रहा है या बिल्कुल नहीं हो रहा। यहाँ मायने रखने वाली संख्या Gallup का 45% है, 64% नहीं।
संकेत और निगरानी सूची में क्या फ़र्क़ है
व्यावहारिक रेखा सरल है: इस निष्कर्ष का उपयोग अपनी बातचीत की आवृत्ति बदलने के लिए करें, निगरानी तंत्र बनाने के लिए नहीं।
यह अध्ययन आपको तीन बातें बताता है जिन पर आप किसी एक भी कर्मचारी की प्रोफ़ाइल देखे बिना कार्रवाई कर सकते हैं:
- नौकरी छोड़ने का इरादा लगभग छह महीने पहले दिखने लगता है। अगर स्टे कन्वर्सेशन सिर्फ़ सालाना समीक्षा में होती हैं, तो आप ज़्यादातर प्रस्थानों के लिए संरचनात्मक रूप से देर से पहुँचते हैं।
- आपकी सबसे जोखिम वाली आबादी का अनुमान लगाया जा सकता है। तकनीकी और ज्ञान-आधारित भूमिकाएँ सबसे ज़्यादा टाइम ट्रैवल करती हैं और उन्हें बदलना सबसे महँगा है। बातचीत की आवृत्ति वहीं सबसे सघन होनी चाहिए।
- ऐतिहासिक प्रोफ़ाइल डेटा भरोसेमंद रिकॉर्ड नहीं है। उस पर बना कोई भी पीपल एनालिटिक्स मॉडल या कौशल बेंचमार्क उस चीज़ की ओर ऊपर की दिशा में झुकाव विरासत में पाता है जिसे बाज़ार अभी पुरस्कृत कर रहा है।
इस तिमाही कार्य-इतिहास डेटा के साथ क्या करें
यह कदम जितना लगता है उससे छोटा है और इसके लिए किसी नए सॉफ़्टवेयर की ज़रूरत नहीं।
हर तकनीकी और वरिष्ठ भूमिका के लिए तिमाही स्टे कन्वर्सेशन कैलेंडर में डालें। यह प्रदर्शन समीक्षा नहीं है। सवालों का एक ही सेट: तुम्हें क्या छोड़ने पर मजबूर करेगा, तुम्हें क्या रोके रखेगा, अठारह महीने बाद तुम क्या कर रहे होना चाहते हो। लक्ष्य है छह महीने की खिड़की खुलने से पहले Gallup के 45% अंतर को भरना।
हर टैलेंट इंटेलिजेंस वेंडर से एक ही सवाल पूछें। क्या आपके ऐतिहासिक कौशल बेंचमार्क समय-विशेष के प्रोफ़ाइल संस्करणों से बने हैं, या आज के स्नैपशॉट से दोबारा तैयार किए गए हैं? अगर जवाब दूसरा है, तो ऐतिहासिक ट्रेंड को छूट देकर देखें और सुधार गुणांक माँगें। AI कौशल के लिए लगभग 30% को न्यूनतम मानें।
किसी भी ऐसे कौशल-अंतर विश्लेषण की बेसलाइन फिर से बनाएँ जो आपकी टीम की तुलना "बाज़ार" से करता है। अगर बाज़ार की शृंखला मौजूदा प्रोफ़ाइलों से आई है, तो आपकी टीम का अंतर संभवतः बढ़ा-चढ़ाकर आँका गया है। प्रशिक्षण बजट को प्रतिबद्ध करने से पहले उसका आकार दोबारा तय करें।
स्क्रीनिंग में कार्य-इतिहास को सबूत मानना बंद करें। ज़रूरी अनुभव की पुष्टि वर्क सैंपल, संरचित इंटरव्यू और रेफ़रेंस से करें, न कि उन टाइटल से जो घटनाओं के चार साल बाद दोबारा लिखे गए हो सकते हैं।
रिकॉर्ड सबके सामने दोबारा लिखा जा रहा है
इस पेपर की सबसे उपयोगी बात 64% नहीं है। सबसे उपयोगी है यह एहसास कि कार्य-इतिहास, यानी वह डेटा जिसे हर वर्कफ़ोर्स योजना, कौशल बेंचमार्क और भर्ती स्क्रीनिंग चुपचाप स्थिर मान लेती है, एक जीवित दस्तावेज़ है, जिसे इस हिसाब से संपादित किया जाता है कि बाज़ार इस साल किस चीज़ को पुरस्कृत करता है।
आपके लोग आपको पहले से, महीनों पहले, बता रहे हैं कि वे कब यह दोबारा सोच रहे हैं कि उन्हें कहाँ काम करना है। ज़्यादातर संगठनों के पास इसे सुनने का कोई तंत्र नहीं है, क्योंकि कैलेंडर में तय एकमात्र बातचीत सालाना होती है।
तिमाही ख़त्म होने से पहले तय करें कि किन भूमिकाओं को हर नब्बे दिन में स्टे कन्वर्सेशन मिलेगी, और पहला दौर इसी महीने कैलेंडर में डालें।
