मिड-मार्केट की दस प्रतिशत कंपनियों ने अपनी सभी AI पहलों को पायलट चरण से आगे स्केल किया है (IT Brief UK, 2026)। बाकी नब्बे प्रतिशत वही टूल्स खरीद रही हैं, उन्हीं विक्रेताओं से, लगभग उसी कीमत पर।
ठहरकर सोचने लायक बात यही है। अगर रिटर्न टूल से आता, तो रिटर्न इस तरह बिखरता नहीं।
NBER का एक नया वर्किंग पेपर इस बिखराव को नाम देता है। बाबिना, ही और जियांग AI के शुरुआती उत्पादकता लाभ का श्रेय तकनीक को नहीं, बल्कि संगठनात्मक पूंजी को देते हैं: वह टिकाऊ, फर्म-विशिष्ट ज्ञान जो कोई कंपनी करते-करते सीखने से संचित करती है (NBER, 2026)। टूल लाभ का अवसर है। वह परिसंपत्ति नहीं है।
वही निवेश, दो अलग दशक
"Canaries in the Gold Mine: Early Productivity Gains from Artificial Intelligence Creating Organization Capital" अगस्त 2026 में तानिया बाबिना, एलेक्स शी ही और रेनहाओ जियांग द्वारा प्रकाशित हुआ (NBER, 2026)।
दिलचस्प हिस्सा उनका मापन उपकरण है। लाइसेंस, विक्रेता खर्च या स्व-घोषित अपनाव गिनने के बजाय — ये सभी वितरण मापते हैं — लेखक फर्म-स्तर पर AI निवेश का एक माप AI-दक्ष रोजगार से बनाते हैं, जो मशीन लर्निंग से लेकर जेनरेटिव और एजेंटिक AI तक फैला है। कोई कंपनी किसे नियुक्त करती है, यह उससे कहीं कठिन है जो वह अपने बारे में कहती है।
इस माप पर चलाने पर मुख्य परिणाम एक गुणांक नहीं, एक विरोधाभास है:
हाल के वर्षों में AI निवेश उत्पादकता वृद्धि से जुड़ा है, पर पिछले दशक में नहीं।
वही माप। वही तकनीकी श्रेणी। दो अलग उत्तर।
इसके बाद लेखक वह काम करते हैं जिसे अपनाव पर होने वाला ज्यादातर शोध छोड़ देता है: वे पूछते हैं कि बदला क्या। उनका उत्तर है संगठनात्मक पूंजी का संचय — और इसे परखने के लिए वे कर्मचारियों के पद-विवरणों से बना एक दूसरा नया माप गढ़ते हैं, ताकि पहचाना जा सके कि वास्तव में कौन-सी भूमिकाएँ यह पूंजी बनाती हैं। वे पाते हैं कि उत्पादकता लाभ उन AI-दक्ष पदों से चलता है जो संगठनात्मक पूंजी बनाते हैं। सामान्य रूप से AI कर्मचारी-संख्या से नहीं। सामान्य रूप से टूलिंग से नहीं।
एक चेतावनी, इससे पहले कि कोई इस पर स्लाइड बनाए: वर्किंग पेपर का मुख्य पाठ प्रतिबंधित है, और मैंने अध्ययन-डिज़ाइन तथा निष्कर्षों की दिशा सत्यापित की है, प्रभाव-आकार नहीं। इस अध्ययन के साथ अभी किसी को कोई प्रतिशत नहीं जोड़ना चाहिए — मुझे भी नहीं।
पिछला दशक क्यों कुछ नहीं दे पाया, यह पेपर तय नहीं करता, और मैं अपने पाठ को निष्कर्ष नहीं, अनुमान के रूप में चिह्नित करती हूँ: मशीन लर्निंग की लहर ने मुख्यतः ऐसी भविष्यवाणी खरीदी जो कार्यप्रवाह के बगल में बैठी थी — एक स्कोर, एक पूर्वानुमान, एक डैशबोर्ड जिसे कोई देखता है। मौजूदा लहर कार्यप्रवाह के भीतर बैठती है, और यही एकमात्र स्थिति है जहाँ से कोई टूल यह सीख उत्पन्न कर सकता है कि काम वास्तव में कैसे होता है। प्रक्रिया के बगल में रखी भविष्यवाणी आपको वह प्रक्रिया नहीं सिखाती।
"संगठनात्मक पूंजी" का असल अर्थ क्या है
यह शब्द न नया है, न ढीला। आइसफेल्ट और पापानिकोलाऊ ने इसे Journal of Finance में औपचारिक रूप दिया: संगठनात्मक पूंजी एक उत्पादन कारक है जो फर्म की प्रमुख प्रतिभा में सन्निहित होती है, फर्म-विशिष्ट दक्षता रखती है, और फर्म के नकदी प्रवाह पर दावा रखती है। जिन फर्मों के पास यह अधिक थी, उनका औसत प्रतिफल कम वाली फर्मों से लगभग 4.6% अधिक रहा (Eisfeldt and Papanikolaou, 2013)।
परिचालन भाषा में: यह इस बारे में संचित ज्ञान है कि आपका काम कैसे होता है। कौन-से अपवाद मायने रखते हैं। ग्राहक के कौन-से संकेत छोड़ जाने की भविष्यवाणी करते हैं। आपकी क्लोजिंग प्रक्रिया का कौन-सा चरण वास्तव में टूटता है।
लाइसेंस आपको एक सामान्य-प्रयोजन क्षमता देता है। संगठनात्मक पूंजी तब बनती है जब उस क्षमता को बार-बार आपके विशिष्ट काम पर लक्षित किया जाए और परिणाम किसी एक व्यक्ति के दिमाग के अलावा कहीं संग्रहित हो।
पहला खरीदा जा सकता है। दूसरा नहीं।
आपके प्रतिस्पर्धी ने वही स्टैक क्यों खरीदा और संगठनात्मक पूंजी क्यों नहीं बनी
NBER के निष्कर्ष को मिड-मार्केट के साक्ष्य के सामने रखिए, और यह पैटर्न अमूर्त नहीं रहता।
क्लारस ने ब्रिटेन और आयरलैंड की उन कंपनियों के 500 वरिष्ठ निर्णयकर्ताओं का सर्वे किया जिनका राजस्व 200 मिलियन से 2 बिलियन पाउंड और कर्मचारी संख्या 300 से 3,000 के बीच थी। तिहत्तर प्रतिशत ने AI आंशिक या पूर्ण रूप से तैनात किया था। दस प्रतिशत ने सभी पहलों को पायलट से आगे स्केल किया था। नब्बे प्रतिशत अटकी हुई थीं या अब भी शुरुआती चरण में थीं (IT Brief UK, 2026)।
उसी सर्वे में एक उलटफेर है जिसे दो बार पढ़ना चाहिए: 91% ने अपनी आंतरिक AI विशेषज्ञता पर भरोसा जताया — जबकि 48% ने AI विशेषज्ञता की कमी को परियोजनाओं के आगे न बढ़ पाने का मुख्य कारण बताया। वही समूह एक साथ यह भी मानता है कि क्षमता मौजूद है और यह भी कि क्षमता नदारद है।
दोनों के नीचे: 83% ने खराब डेटा गुणवत्ता बताई, और 69% ने कहा कि खराब डेटा ने AI गतिविधि रोकी या विलंबित की।
CLA के हार्टबीट इंडेक्स ने अटलांटिक के दूसरी ओर वही आकृति पाई। 722 छोटे और मिड-मार्केट संगठनों में 69.9% का मानना था कि उनके कर्मचारियों के पास भविष्य के लिए आवश्यक कौशल हैं। केवल 49.5% ने हाल के तकनीक या AI निवेश से किसी भी तरह के दक्षता सुधार की सूचना दी, और मात्र 20.2% ने अत्यधिक सकारात्मक प्रभाव बताया (CLA, 2026)।
दो स्वतंत्र मिड-मार्केट नमूने। दोनों बताते हैं: क्षमता मौजूद, परिणाम अनुपस्थित।
यह संयोजन उस निदान को खारिज करता है जिस पर अधिकांश कंपनियाँ पैसा लगा रही हैं। अगर कौशल ही बाध्यकारी अड़चन होती, तो अध्ययन की आबादी कौशल की कमी बताती। वह उल्टा बताती है। जो कमी है वह उपयोग में प्रवीणता नहीं है — वह तंत्र है जो प्रवीणता को उस चीज़ में बदले जिसका स्वामित्व फर्म के पास हो।
पायलट असफल नहीं होते। वे कुछ जमा नहीं करते।
वैलियांस ने यूरोप की बड़ी कंपनियों के 1,000 वरिष्ठ नेताओं का सर्वे किया और पाया कि 40% AI पहलें डिज़ाइन से ही पायलट बनी रहती हैं — न कभी बंद, न कभी स्केल। परिपक्व, स्थापित AI कार्यक्रमों वाले संगठनों में यह आंकड़ा 48% तक पहुँच जाता है (Consultancy.uk, 2026)।
अधिक परिपक्वता, अधिक स्थायी पायलट। सीखने की वक्र रेखा ऐसी नहीं दिखती।
लागत उसी डेटासेट में है। पायलट में अटकी कंपनियाँ 20% मामलों में मजबूत ROI बताती हैं। स्केल करने वाली कंपनियाँ 76% में। अटका हुआ समूह मूल्य देखने के लिए अधिक प्रतीक्षा भी करता है: 5.9 के मुकाबले 6.6 महीने (Consultancy.uk, 2026)।
NBER के लेंस से पढ़ने पर यह अंतर स्पष्ट हो जाता है। ऐसा पायलट जो किसी प्रलेखित प्रक्रिया, पद-परिभाषा या निर्णय-नियम को बदले बिना खत्म होता है, उसने परिणाम तो दिया पर जमा कुछ नहीं किया। टीम ने सीखा। फर्म ने नहीं। इसे बारह बार कीजिए और आपके पास बारह अनुभव होंगे और शून्य संगठनात्मक पूंजी — ठीक वही संरचना जो AI निवेश दिखाती है पर साथ में उत्पादकता वृद्धि नहीं।
जमा परीक्षण
इसे अंकगणित बनाइए। 200 FTE वाली एक सेवा कंपनी साल में छह AI पायलट चलाती है, हर एक में लगभग दो महीने का अंशकालिक श्रम — व्यवहार में वरिष्ठ ध्यान का एक पूरा व्यक्ति-वर्ष, लाइसेंस से पहले। मानक रिपोर्टिंग पूछती है कि हर पायलट ने कितनी बचत की। इसके बजाय पूछिए कि कितनों ने एक टिकाऊ कृति पैदा की: एक पुनर्लिखित प्रक्रिया-दस्तावेज़, एक अनुरक्षित प्रॉम्प्ट-और-मूल्यांकन सेट, एक निर्णय-नियम जिसे अब वे लोग इस्तेमाल करते हैं जिन्होंने पायलट को कभी छुआ भी नहीं।
अगर उत्तर एक है, तो आपने उस साल के लगभग दो महीने संगठनात्मक पूंजी में बदले और बाकी शिक्षण-शुल्क में खर्च किए। पायलट विफलताएँ नहीं थे — उनमें से पाँच बस पूंजीकृत नहीं हुए। यह भेद किसी मानक ROI प्रस्तुति में कहीं नहीं दिखता, और ठीक इसी कारण उसे बार-बार वित्तपोषण मिलता रहता है।
वैलियांस का अपना ढांचा यह है कि समस्या प्रयोग करना नहीं, उसके बाद क्या होता है वह है। NBER का पेपर बताता है कि यह वाक्य नारा क्यों नहीं, एक लेखांकन कथन क्यों है। करते-करते सीखना तभी चक्रवृद्धि होता है जब सीख किसी टिकाऊ चीज़ में दर्ज हो।
ईमानदार प्रतिवाद
चार सीमाएँ, साफ-साफ।
सहसंबंध कार्य-कारण नहीं है। NBER का परिणाम AI निवेश और उत्पादकता वृद्धि के बीच एक सहसंबंध है, जिसकी मध्यस्थता संगठनात्मक पूंजी के एक निर्मित माप से होती है। यह संभव है कि जो फर्में संगठनात्मक पूंजी अच्छी तरह बनाती हैं वे अन्य तरीकों से भी बेहतर प्रबंधित हों, जो उन्हें बेहतर AI अपनाने वाला भी बनाता है। पेपर का डिज़ाइन सावधान है; यह यादृच्छिक परीक्षण नहीं है।
दोनों नए माप प्रतिनिधि चर हैं। AI-दक्ष भर्ती से निकाला गया AI निवेश उन फर्मों को कम आंकेगा जो क्षमता नियुक्त करने के बजाय खरीदती हैं। पद-विवरणों से निकाली गई संगठनात्मक पूंजी उन फर्मों को कम आंकेगी जिनका ज्ञान पद-पाठ में नहीं, सिस्टम में रहता है। इस तरह के प्रतिनिधि चर परिमाण की तुलना में दिशा अधिक भरोसे से पकड़ते हैं।
मिड-मार्केट की पुष्टि क्षेत्रीय और स्व-घोषित है। क्लारस ब्रिटेन और आयरलैंड है; CLA एक अमेरिकी ग्राहक पैनल है। दोनों स्व-घोषित हैं। वे आपस में सहमत हैं, जो सार्थक है, और दोनों में से कोई राष्ट्रीय प्रायिकता नमूना नहीं है, जो मायने रखता है।
संगठनात्मक पूंजी के पास बाहर जाने का दरवाज़ा है। यह सबसे तीखी आपत्ति है, और आइसफेल्ट व पापानिकोलाऊ ने इसे तेरह साल पहले उठाया था: संगठनात्मक पूंजी प्रमुख प्रतिभा में सन्निहित होती है, और उस प्रतिभा का उसके प्रतिफल पर दावा होता है। तीन वरिष्ठ लोगों में बसा ज्ञान फर्म-विशिष्ट रहता है — ठीक उस सप्ताह तक जब उनमें से एक इस्तीफा दे दे। यहाँ प्रलेखन नौकरशाही बोझ नहीं है — यह परिसंपत्ति और प्रतिधारण-जोखिम के बीच का अंतर है।
इस तिमाही क्या तय करना है
चार कदम। किसी में नया विक्रेता नहीं चाहिए।
- हर चालू पायलट को इस पर आँकिए कि उसने क्या छोड़ा, न कि उसने क्या तेज़ किया। प्रति पायलट एक प्रश्न: वह प्रक्रिया-दस्तावेज़, निर्णय-नियम या पद-परिभाषा बताइए जो उसकी वजह से बदली। अगर ईमानदार उत्तर है "टीम तेज़ हो गई", तो आपने एक अनुभव वित्तपोषित किया। वैलियांस के 40% पूरी तरह अनुभवों से बने हैं।
- एक AI पद-विवरण को प्रलेखन के इर्द-गिर्द फिर से लिखिए। NBER का परिणाम उन भूमिकाओं से होकर जाता है जो फर्म-विशिष्ट ज्ञान बनाती हैं। मिड-मार्केट में अधिकांश AI-संबंधी पद-विवरण टूल गिनाते हैं। इसके बजाय डिलीवरेबल निर्दिष्ट कीजिए: प्रलेखित कार्यप्रवाह, अनुरक्षित मूल्यांकन सेट, ऐसे निर्णय-नियम जिन्हें दूसरे चला सकें।
- अगली सीट से पहले डेटा नींव ठीक कीजिए। 83% खराब डेटा गुणवत्ता कोई हाशिये की टिप्पणी नहीं है, यही कारण है कि करते-करते सीखना संचित नहीं हो पाता — जो एजेंट आपके इतिहास तक पहुँच ही नहीं सकता, वह आपकी फर्म नहीं सीख सकता। यह चौथी तिमाही का एक बजट मद है जो सीधे लाइसेंस विस्तार से प्रतिस्पर्धा करता है, और जीतना इसे चाहिए।
- जाँचिए कि आपकी संगठनात्मक पूंजी कहाँ सन्निहित है। इस साल AI ने जिन पाँच प्रक्रियाओं में मापने योग्य सुधार किया, उन्हें सूचीबद्ध कीजिए, फिर बताइए कि हर सुधार कहाँ संग्रहित है। जो भी किसी कृति के बजाय किसी व्यक्ति पर आकर रुकता है, वह एक उत्पादकता लाभ है जिसके साथ इस्तीफा-पत्र नत्थी है।
आपका प्रतिस्पर्धी आपका स्टैक आज दोपहर खरीद सकता है। वह उन अठारह महीनों को नहीं खरीद सकता जो आपकी टीम ने यह सीखने में बिताए कि कौन-से अपवाद मायने रखते हैं — बशर्ते आपने उन्हें अप्रलेखित न छोड़ा हो, वरना वह उन्हें सीधे नियुक्त कर सकता है।
संगठनात्मक पूंजी आपके AI निवेश का इकलौता हिस्सा है जो वास्तव में आपका है। इस तिमाही तय कीजिए कि आप उसे बना रहे हैं, या केवल उसे बनाने का अवसर किराए पर ले रहे हैं।
