सेंट लुइस फ़ेड के तीन अर्थशास्त्रियों ने 5,198 अमेरिकी सूचीबद्ध कंपनियों की लगभग 4,90,000 अर्निंग्स कॉल ट्रांसक्रिप्ट एक भाषा मॉडल से गुज़ारीं, उत्पादकता से जुड़े 9,10,955 वाक्यों को टैग किया और उन्हें काल के आधार पर छाँटा। AI से जुड़े उत्पादकता कथनों में से लगभग 95% ऐसे लाभों की बात कर रहे थे जो अभी हुए ही नहीं थे। गैर-AI उत्पादकता चर्चा में यह आँकड़ा लगभग 75% था (सेंट लुइस फ़ेड, 2026)।
इसी अवधि में, अमेरिका की उपयोग-समायोजित कुल कारक उत्पादकता 2026 की पहली तिमाही तक के चार तिमाहियों में मात्र 0.07% बढ़ी।
पूरी समस्या इन्हीं दो आँकड़ों में है। AI उत्पादकता का सार्वजनिक रिकॉर्ड लगभग पूरी तरह अपेक्षाओं का रिकॉर्ड है, और आपका AI बिज़नेस केस उसी के आधार पर स्वीकृत हो रहा है — मानो वह परिणामों का रिकॉर्ड हो।
आप जिस बेंचमार्क का इस्तेमाल कर रहे हैं वह एक काल है, कोई संख्या नहीं
शुरुआत इससे करें कि अध्ययन ने वास्तव में किया क्या, क्योंकि पद्धति ही इस निष्कर्ष को टालना कठिन बनाती है।
सर्दार ओज़कान, आकाश कल्याणी और निकोलस सुलिवन ने 2000 से 2025 तक के S&P Global ट्रांसक्रिप्ट लिए, कीवर्ड से संभावित वाक्य छाँटे, फिर Qwen3-3B क्लासिफ़ायर से हर वाक्य को तीन अक्षों पर टैग किया: क्या यह AI के बारे में है; उत्पादकता को बढ़ता, घटता या अपरिवर्तित बताया गया है; और वाक्य भूत, वर्तमान या भविष्य काल में है। उत्पादकता से असंबद्ध वाक्य हटा दिए गए। बचे 9,10,955 टैग किए गए कथन (सेंट लुइस फ़ेड, 2026)।
इससे दो वितरण निकले, और दोनों एक ही दिशा में झुके हुए हैं।
काल के हिसाब से: AI उत्पादकता वाले लगभग 95% वाक्य भविष्योन्मुखी हैं, जबकि उत्पादकता की सामान्य चर्चा में यह लगभग 75% है। दिशा के हिसाब से: AI से जुड़े लगभग 95% वाक्य उत्पादकता को बढ़ता हुआ बताते हैं, गैर-AI में यह लगभग 75% है। AI के कारण उत्पादकता में गिरावट बताने वाला हिस्सा नगण्य है।
स्पष्ट आपत्ति यह है कि यह शुरुआती उत्साह का असर है — ज़ाहिर है 2023 आकांक्षा का साल था, उपकरण नए थे। आँकड़े इस पाठ का समर्थन नहीं करते। भविष्य काल का हिस्सा 2023 और 2025 दोनों में स्थिर है, जबकि पूरी उत्पादकता चर्चा में AI का हिस्सा ChatGPT से पहले लगभग शून्य से बढ़कर 2025 के अंत तक करीब 15% हो गया (Fortune, 2026)। तैनाती के दो पूरे साल भी बातचीत को हम करेंगे से हमने किया तक नहीं ले जा सके।
इसलिए जब किसी समकक्ष कंपनी का AI उत्पादकता दावा आप तक पहुँचता है — किसी मुख्य वक्तव्य में, किसी वेंडर केस स्टडी में, किसी प्रतिस्पर्धी के निवेशक प्रस्तुतिकरण में — तो आधार दर कहती है कि वह एक पूर्वानुमान है। झूठ नहीं, ज़रूरी नहीं कि ग़लत भी हो। बस बेंचमार्क का लबादा ओढ़े एक पूर्वानुमान।
यही अंतर कंपनी के भीतर भी दिखता है
अगर अर्निंग्स कॉल वाला निष्कर्ष केवल निवेशकों को संबोधित भाषा तक सीमित होता, तो आप इसे पूँजी बाज़ार का नाटक कहकर टाल सकते थे। ऐसा नहीं है। अटलांटा और रिचमंड फ़ेड के CFO सर्वे ने ठीक यही अंतर निजी, ग़ैर-प्रचारात्मक उत्तरों में पाया।
मार्च 2026 में 700 से अधिक कॉर्पोरेट अधिकारियों के सर्वेक्षण में शोधकर्ताओं ने कंपनियों से पूछा कि प्रति कर्मचारी उत्पादन पर AI का असर कितना रहा: उत्तर था 2025 के लिए 1.8%, और 2026 के लिए अपेक्षित 3.0%। इसके बाद टीम ने गणना की कि उन्हीं कंपनियों के अपने आँकड़े क्या संकेत देते हैं — AI को दिया गया राजस्व बनाम AI-जनित रोज़गार परिवर्तन — और परिणाम मिला विनिर्माण, निर्माण तथा कम-कौशल सेवाओं में 0.4% से 0.8%, और वित्त में लगभग 2.2% तक (अटलांटा फ़ेड, 2026)।
अधिकारियों ने अपने ही हासिल लाभ को दो से चार गुना बढ़ाकर आँका — अपने ही आँकड़ों से, एक गोपनीय सर्वेक्षण में, बिना किसी ऐसे दर्शक के जिसे प्रभावित करना हो।
यह अर्निंग्स कॉल वाले निष्कर्ष को नए सिरे से परिभाषित करता है। यह मुख्यतः प्रकटीकरण की समस्या नहीं है, न ही निवेशक-संबंध अनुशासन की। यह मापन की समस्या है, और यह हर एक परिचालन अधिकारी के स्तर पर मौजूद है। लेखक सोलो के 1987 के उस कथन का सहारा लेते हैं कि कंप्यूटर युग हर जगह दिखता है सिवाय उत्पादकता के आँकड़ों के — और यह तुलना उचित है: फ़ेड के दो स्वतंत्र मापन — एक 5,198 कंपनियों पर पाठ-आधारित, दूसरा 700 से अधिक अधिकारियों पर सर्वेक्षण-आधारित — विपरीत पद्धतिगत दिशाओं से एक ही निष्कर्ष पर पहुँचते हैं।
मध्यम-बाज़ार में पूर्वानुमान का संदूषण अधिक भारी क्यों पड़ता है
50 से 500 कर्मचारियों वाला परिचालन विभाग इस असंतुलन के प्रति बड़ी कंपनी से अधिक संवेदनशील होता है, और इसका कारण संरचनात्मक है — परिपक्वता से इसका कोई लेना-देना नहीं।
CFO सर्वे में आकार के अनुसार विभाजन स्पष्ट है। लगभग 60% कंपनियों ने 2025 में AI में निवेश किया — बड़ी कंपनियों में करीब 80%, छोटी में लगभग आधी — और 80% से अधिक 2026 में निवेश की उम्मीद रखती हैं। लेकिन राशियाँ कई गुना अंतर पर हैं: लगभग 60% छोटी कंपनियाँ 2026 में AI पर 20,000 डॉलर से कम खर्च करने की योजना बना रही हैं, जबकि बड़ी कंपनियों में यह अनुपात 14% है; वहीं करीब 30% बड़ी कंपनियाँ 10 लाख डॉलर से अधिक खर्च करने की योजना बना रही हैं, जबकि छोटी में यह मात्र 1% है (रिचमंड फ़ेड, 2026)।
7,00,000 डॉलर खर्च करने वाली कंपनी तैनाती को मापने की व्यवस्था कर सकती है: प्रक्रिया की आधाररेखा, नियंत्रण समूह, पहले और बाद का चक्र-समय। 18,000 डॉलर खर्च करने वाली कंपनी यह नहीं कर सकती, और करती भी नहीं। वह लाइसेंस ख़रीदती है और परिणाम इससे अनुमानित करती है कि टीम को उपकरण कैसा लगा।
यानी मध्यम-बाज़ार बाहरी बेंचमार्क पर असंगत रूप से निर्भर है, ठीक इसीलिए कि वह आंतरिक बेंचमार्क बना नहीं सकता। और बाहरी बेंचमार्क का 95% हिस्सा पूर्वानुमान है। आपकी मापन क्षमता जितनी कम होगी, आप उपलब्ध सबसे कम भरोसेमंद साक्ष्य-श्रेणी को उतना ही अधिक भार देंगे। यही जाल है, और बजट घटने के साथ यह और कसता जाता है।
एक द्वितीयक प्रभाव का नाम लेना ज़रूरी है। जब समकक्षों के दावे आशावादी हों और आपका अपना मापन कमज़ोर हो, तो आपके देखे गए परिणाम और बेंचमार्क के बीच का अंतर आपकी क्रियान्वयन विफलता की तरह पढ़ा जाता है। परिचालन प्रमुख तब और उपकरण ख़रीदकर या तैनाती को पुनर्गठित करके प्रतिक्रिया देते हैं, जबकि ईमानदार निदान यह है कि तुलना कभी वैध थी ही नहीं। आप पीछे नहीं हैं। आप मापे गए हैं, वे अनुमानित हैं।
कर्मचारी संख्या का पूर्वानुमान भी उसी आकार का है
CFO सर्वे के रोज़गार आँकड़े अलग ध्यान के हक़दार हैं, क्योंकि सबसे अधिक संभावना यही है कि वे आपकी योजना में तय बात की तरह बैठे हैं।
AI का कुल रोज़गार प्रभाव शून्य के क़रीब रहा। बड़ी कंपनियाँ 2026 में 0.8% कर्मचारी कटौती की उम्मीद करती हैं; सबसे छोटी कंपनियाँ लगभग 1% वृद्धि की। संरचना के स्तर पर, अधिकारी अनुमान लगाते हैं कि नियमित लिपिकीय कार्य का हिस्सा 2026 तक 0.76% और 2028 तक 2.19% घटेगा, जिसकी आंशिक भरपाई कुशल तकनीकी भूमिकाओं की वृद्धि से होगी — और छोटी कंपनियों में कहीं भी कटौती करने की तुलना में तकनीकी कर्मचारी बढ़ाने की संभावना अधिक है (रिचमंड फ़ेड, 2026)।
काल पर फिर ध्यान दीजिए। इनमें से हर आँकड़ा 2026 और 2028 के बारे में एक अपेक्षा है, और वह उन्हीं अधिकारियों ने दी है जिन्होंने 2025 के अपने हासिल उत्पादकता लाभ को दो से चार गुना बढ़ाकर आँका। यह पूर्वाग्रह शिष्टता से केवल उत्पादकता के प्रश्न तक सीमित नहीं रहता। अगर आपकी 2027 की परिचालन योजना लिपिकीय कटौती मान लेती है क्योंकि सर्वेक्षण के आँकड़े यही दिखाते हैं, तो आपने एक ऐसे समूह से पूर्वानुमान आयात किया है जिसकी आशावाद की समस्या प्रलेखित और मापी हुई है — और उसे नियोजन की मान्यता के रूप में दर्ज कर लिया है।
साक्ष्य कहाँ समाप्त होता है
तीन सीमाएँ, क्योंकि इस अध्ययन के ग़लत पाठ पर बना बिज़नेस केस उसी तरह विफल होता है जैसे उत्साह पर बना केस।
भविष्योन्मुखी होना झूठा होना नहीं है। भविष्य काल का वाक्य इरादे और अपेक्षा का कथन है, गढ़ी हुई बात नहीं। उनमें से कुछ पूर्वानुमान सच होंगे। यह निष्कर्ष दावे की साक्ष्य-श्रेणी के बारे में है, उसके सत्य-मूल्य के बारे में नहीं — और सही प्रतिक्रिया है भार बदलना, न कि खारिज करना।
समग्र TFP एक भोथरा उपकरण है। 0.07% का आँकड़ा पूरी अर्थव्यवस्था का है और धीमे चलता है; ऐतिहासिक रूप से मापी गई उत्पादकता सामान्य-प्रयोजन तकनीकों से वर्षों पीछे रहती है, और राष्ट्रीय आँकड़ा सपाट रहते हुए भी कंपनी-स्तर पर लाभ वास्तविक हो सकता है। TFP का आँकड़ा पूर्वानुमान असंतुलन का संदर्भ है, यह प्रमाण नहीं कि किसी को कुछ नहीं मिल रहा।
वर्गीकरण अपूर्ण है। लगभग दस लाख वाक्यों पर एक छोटे भाषा मॉडल से काल-टैगिंग में त्रुटि रहती है, और अर्निंग्स कॉल की भाषा अपनी बनावट में ही सतर्क होती है: क़ानूनी समीक्षा अधिकारियों को हर अनिश्चित विषय पर भविष्योन्मुखी शब्दावली की ओर धकेलती है। उन 95% का कुछ हिस्सा परिणामों की अनुपस्थिति नहीं, बल्कि प्रकटीकरण की एक कलाकृति है।
इनमें से कोई भी बेंचमार्किंग की प्रथा को नहीं बचाता। बल्कि CFO सर्वे तर्क को और मज़बूत करता है: वकीलों, विश्लेषकों और प्रभावित करने की प्रेरणा को हटा दीजिए, फिर भी अधिकारी अपने ही आँकड़ों की तुलना में हासिल लाभ को दो से चार गुना बढ़ाकर बताते हैं। यह असंतुलन हर उचित छूट के बाद भी बचा रहता है।
वे तीन कॉलम जो आपके AI बिज़नेस केस को ठीक करते हैं
यह प्रलेखन का बदलाव है, रणनीति का नहीं, और इसमें एक दोपहर लगती है।
अपने बजट या पाइपलाइन में मौजूद हर AI पहल को लीजिए। आगे बढ़ने से पहले हर एक के लिए तीन कॉलम अनिवार्य कीजिए:
एक हासिल मीट्रिक। कोई अनुमानित बचत नहीं, वेंडर द्वारा दिया गया प्रति-सीट समय आकलन नहीं। एक ठोस परिचालन संख्या: औसत निपटान समय, पहली बार में सही निकलने की दर, बंद करने में लगे दिन, प्रति कर्मचारी हल किए गए टिकट। अगर कोई एक भी नाम न बता सके, तो वह पहल एक परिकल्पना है और उसे प्रतिफल की तरह नहीं, प्रयोग की तरह वित्तपोषित और समीक्षित किया जाना चाहिए।
उसकी AI-पूर्व आधाररेखा। उपकरण आने से पहले उस मीट्रिक का मान, मापन अवधि स्पष्ट रूप से बताई हुई। आधाररेखा का न होना सबसे आम विफलता है — टीमें उसी दिन मापना शुरू करती हैं जिस दिन पायलट शुरू होता है, जिससे बाद का हर आँकड़ा अर्थहीन हो जाता है। अगर आधाररेखा खो चुकी है, तो एक और तिमाही खर्च करने से पहले उसे ऐतिहासिक आँकड़ों से पुनर्निर्मित कीजिए।
मापन की तिथि। हासिल परिणामों के साथ मापन की तिथि जुड़ी होती है। पूर्वानुमानों के साथ नहीं। अकेला यह कॉलम आपके पोर्टफ़ोलियो को किसी भी ढाँचे से तेज़ी से छाँट देता है, क्योंकि जो दावा तिथि नहीं बता सकता वह परिणाम नहीं है।
फिर यही परीक्षा हर उस बाहरी आँकड़े पर लागू कीजिए जिससे आप ख़ुद को तौल रहे हैं। वेंडर केस स्टडी, समकक्ष का वक्तव्य, प्रतिस्पर्धी की प्रस्तुति: क्या वह एक हासिल मीट्रिक, एक आधाररेखा और एक तिथि बताता है? सेंट लुइस फ़ेड का निष्कर्ष कहता है कि बीस में से लगभग उन्नीस कम से कम एक कसौटी पर विफल होंगे। वे अपेक्षाएँ नाम के फ़ोल्डर में जाएँगे, और बजट को प्रभावित करना बंद कर देंगे।
यह अनुशासन चमकदार नहीं है, और इस तिमाही यह आपके AI कार्यक्रम को काग़ज़ पर बदतर दिखाएगा। बात यही है। इस समय आप अपने मापे गए परिणामों की तुलना बाक़ी सबके अनुमानों से कर रहे हैं और उस अंतर को कमज़ोर प्रदर्शन कह रहे हैं। तुलना ठीक कीजिए और पाएँगे कि आप पीछे नहीं हैं — आप बस उन गिने-चुने लोगों में हैं जो वाक़ई गिनती कर रहे हैं।
अपने अगले AI निवेश निर्णय से पहले कमरे के हर आँकड़े से — आंतरिक हो या बाहरी — एक सवाल पूछिए: यह कब मापा गया था? जो भी उत्तर न दे सके वह पूर्वानुमान है, और पूर्वानुमानों की जगह किसी बिज़नेस केस के साक्ष्य कॉलम में नहीं होती।
