हार्वर्ड बिज़नेस स्कूल के एक फील्ड प्रयोग में 228 मूल्यांकनकर्ताओं ने एक बड़े भाषा मॉडल की मदद से 48 वास्तविक आवेदनों की जाँच की। जब मॉडल ने सिर्फ़ सिफ़ारिश दी — स्वीकार या अस्वीकार, बिना तर्क के — तो स्वतंत्र विशेषज्ञ मानदंड के मुकाबले निर्णय की गुणवत्ता बेहतर हुई। जब वही सिफ़ारिश एक प्रभावशाली लिखित तर्क में लिपटकर आई, तो वह सुधार गायब हो गया, जबकि मूल्यांकनकर्ता AI का अनुसरण और ज़्यादा कर रहे थे (Lane et al., Harvard Business School, 2025)।
अनुपालन ज़्यादा। परिणाम बेहतर नहीं। अगर आप अपने संचालन में कहीं भी AI स्क्रीनर चला रहे हैं — उम्मीदवारों की शॉर्टलिस्ट, विक्रेता चयन, स्टेज-गेट समीक्षाएँ — तो यह जोड़ी आपको रोक देनी चाहिए, क्योंकि जिस सुविधा को अधिकांश विक्रेता सुरक्षा तंत्र बताकर बेचते हैं, वही वह सुविधा है जिसने इंसानों को कमज़ोर बना दिया।
वह प्रयोग जो व्याख्यात्मकता की धारणा को उलट देता है
अध्ययन — The Narrative AI Advantage?, HBS वर्किंग पेपर 25-001 — ने प्रारंभिक चरण के वास्तविक नवाचार आवेदनों पर तीन स्थितियाँ परखीं: केवल मानवीय मूल्यांकन; मानव के साथ मॉडल की ब्लैक-बॉक्स सिफ़ारिश; और मानव के साथ वही सिफ़ारिश एक कथात्मक स्पष्टीकरण सहित। हर निर्णय को स्वतंत्र विशेषज्ञ मानदंड के मुकाबले अंक दिए गए, इसलिए यहाँ "गुणवत्ता" स्व-घोषित आत्मविश्वास नहीं है। यह उस मानक के मुकाबले मापी गई सटीकता है जिसे मूल्यांकनकर्ता देख नहीं सकते थे।
ब्लैक-बॉक्स वाली शाखा जीती। स्पष्टीकरण वाली शाखा केवल-मानव प्रदर्शन से आगे नहीं निकली, हालाँकि उस स्थिति में मूल्यांकनकर्ता मॉडल पर ज़्यादा भरोसा कर रहे थे। शोधकर्ताओं का पाठ सीधा है: कथात्मक स्पष्टीकरण स्वतंत्र सत्यापन की जगह प्रभावशाली पाठ रखकर उपयोगी असहमति को दबा देते हैं।
इस वाक्य पर ठहरना चाहिए। निर्णय-सहायता में व्याख्यात्मक AI का पूरा औचित्य यही है कि तर्क इंसान को मशीन की जाँच करने देता है। इस प्रयोग ने पाया कि तर्क जाँच की जगह ले लेता है। सहज, सुगठित गद्य को प्रमाण की तरह पढ़ा जाता है, न कि ऐसे दावे की तरह जिसकी अभी पुष्टि बाकी है। मूल्यांकनकर्ता आवेदन का मूल्यांकन करना छोड़कर तर्क का मूल्यांकन करने लगता है — और उस तर्क को मॉडल पहले ही प्रभावशाली बनाने के लिए अनुकूलित कर चुका है।
पुरानेपन पर एक टिप्पणी, क्योंकि यह तय करती है कि आप इसे कितना वज़न दें: वर्किंग पेपर नया नहीं है। यह अगस्त 2026 की एक Harvard Business Review समीक्षा के ज़रिए परिचालन चर्चा में लौटा, जिसने इसे इस बात के व्यापक चार-चरणीय ढाँचे में रखा कि नवाचार शृंखला में AI कहाँ मदद करता है और कहाँ नुकसान (Harvard Business Review, 2026)। यह नई सुर्खी नहीं, बल्कि परिपक्व प्रमाण का नया अनुप्रयोग है। यह इसे कम नहीं, ज़्यादा गंभीरता से लेने का कारण है।
असममित अनुपालन: अस्वीकृति का रास्ता ही क्यों टूटता है
इस तंत्र का पेपर में एक नाम है — असममित अनुपालन — और परिचालन दृष्टि से यही सबसे अहम निष्कर्ष है।
मूल्यांकनकर्ताओं ने स्पष्टीकरण-सहित AI का अनुसरण एक-समान रूप से नहीं किया। जब उसने अस्वीकृति की सिफ़ारिश की, तब उन्होंने असमान रूप से ज़्यादा अनुसरण किया। स्वीकृति की सिफ़ारिशों पर अब भी सवाल उठते रहे; अस्वीकृति की सिफ़ारिशें बड़े पैमाने पर मान ली गईं। नतीजा — मिथ्या-नकारात्मक में उल्लेखनीय वृद्धि, ठीक उन्हीं सीमांत मामलों में केंद्रित जहाँ मानवीय निर्णय को अपनी लागत सिद्ध करनी चाहिए।
इस असमानता का एक सीधा मनोवैज्ञानिक कारण है, और इसके लिए मूल्यांकनकर्ताओं का लापरवाह होना ज़रूरी नहीं। किसी अस्वीकृति को पलटने का मतलब है अपना नाम उस उम्मीदवार के साथ जोड़ना जिसके विरुद्ध मशीन ने लिखित रूप में, कारणों सहित तर्क दिया है। किसी स्वीकृति को पलटने की कोई कीमत नहीं — प्रक्रिया आगे बढ़ती है और बाद में कोई और देख लेगा। यानी स्पष्टीकरण असहमति की एक दिशा की व्यक्तिगत कीमत बढ़ा देता है और दूसरी को अछूता छोड़ देता है। अनुपालन समान रूप से नहीं बँटता क्योंकि जोखिम समान रूप से नहीं बँटा है।
अब इसे 200 लोगों की कंपनी के भर्ती फ़नल पर रखिए। आपका AI स्क्रीनर एक पद के लिए 400 आवेदन संसाधित करता है और दो-पैराग्राफ़ के तर्कों के साथ अस्वीकृति की सिफ़ारिशें देता है। आपका रिक्रूटर, कतार को थोक में निपटाते हुए, लगभग सभी से सहमत हो जाता है — तर्क संगत है, विशिष्ट है और ऊपरी तौर पर जाँचने योग्य लगता है। स्क्रीनर ने केवल फ़नल छाना नहीं है। उसने चुपचाप स्वीकार/अस्वीकार का निर्णय आपके रिक्रूटर से एक मॉडल को सौंप दिया है, जबकि आपके प्रक्रिया दस्तावेज़ अब भी कहते हैं कि फ़ैसला इंसान ने लिया।
मिथ्या-नकारात्मक वह अकेली त्रुटि है जिसे आपका फ़नल देख नहीं सकता
यही कारण है कि यह विशेष विफलता प्रभाव के आकार से कहीं ज़्यादा गंभीर है।
स्क्रीनिंग की त्रुटियाँ दो प्रकार की होती हैं, और आपके मापदंड सिर्फ़ एक को देखते हैं। मिथ्या-सकारात्मक — कमज़ोर उम्मीदवार का आगे बढ़ना — अंततः ख़राब भर्ती, असफल परिवीक्षा या फिर से खुली रिक्ति के रूप में सामने आता है। यह कष्टदायक, दृश्य और जवाबदेह है। मिथ्या-नकारात्मक — मज़बूत उम्मीदवार की अस्वीकृति — कोई निशान ही नहीं छोड़ता। न मापने के लिए कोई समूह, न निकास साक्षात्कार, न लागत की कोई मद। वह व्यक्ति कहीं और चला जाता है, वहाँ अच्छा प्रदर्शन करता है, और आपको कभी पता नहीं चलता।
इसलिए जो AI स्क्रीनर आपकी त्रुटि-वितरण को मिथ्या-नकारात्मक की ओर खिसकाता है, वह आपके हर डैशबोर्ड पर काम करता हुआ दिखेगा। स्क्रीनिंग का समय घटेगा। रिक्रूटर की गति बढ़ेगी। भर्ती की गुणवत्ता स्थिर रहेगी, क्योंकि जिन्हें आपने वाकई रखा वे अब भी ठीक हैं। गिरावट वास्तविक है और संरचनात्मक रूप से अदृश्य।
यह असमानता उसी परत के एक अन्य सुप्रलेखित जोखिम के साथ एक ही दिशा में जुड़ती है। साझा एल्गोरिदमिक स्क्रीनर का उपयोग करने वाले नियोक्ताओं के लाखों आवेदनों का विश्लेषण करने वाले स्टैनफ़ोर्ड शोध ने पाया कि जब कई संगठन परस्पर-सहसंबद्ध मूल्यांकन तर्क पर निर्भर होते हैं, तो एक द्वारा अस्वीकृत उम्मीदवार दूसरों द्वारा भी व्यवस्थित रूप से अस्वीकृत होता है — एक एकल-संस्कृति प्रभाव जो किसी एक मॉडल के अंधे धब्बे को बाज़ार-व्यापी बहिष्कार में बदल देता है (Stanford HAI, 2026)। दोनों निष्कर्षों को जोड़िए तो तस्वीर साफ़ होती है: नियोक्ताओं के बीच सहसंबद्ध अस्वीकृति-तर्क, और भीतर अस्वीकृति की सिफ़ारिशें मान लेने का झुकाव — यानी अदृश्य और प्रणालीगत, दोनों नुकसान अस्वीकृति के रास्ते पर केंद्रित होते हैं।
स्पष्टीकरण के पक्ष में तर्क, और उसकी असली सीमा
स्पष्ट आपत्ति: आप स्पष्टीकरण हटा नहीं सकते। नियामक, लेखा-परीक्षक और बढ़ते हुए स्वयं उम्मीदवार भी एक कारण की अपेक्षा रखते हैं। प्रतिकूल-निर्णय सूचना की बाध्यताएँ, उभरते AI पारदर्शिता नियम और साधारण पेशेवर शालीनता — सब एक ही दिशा में इशारा करते हैं।
यह आपत्ति सही है और निष्कर्ष से टकराती नहीं — क्योंकि यह एक अलग श्रोता से संबंधित है।
स्पष्टीकरण दो बिल्कुल अलग काम करते हैं, जिन्हें विक्रेता एक ही सुविधा में बाँध देते हैं। पहला है जवाबदेही: निर्णय के कारण का एक लेखा-परीक्षण योग्य रिकॉर्ड, जिसे बाद में अनुपालन विभाग, नियामक या संबंधित व्यक्ति देखता है। दूसरा है निर्णय-सहायता: वह पाठ जो मानव मूल्यांकनकर्ता को निर्णय के क्षण दिखाया जाता है ताकि उसे तय करने में मदद मिले। हार्वर्ड का निष्कर्ष दूसरे उपयोग पर आरोप लगाता है, पहले पर नहीं।
आप मॉडल के तर्क को पूरा दर्ज कर सकते हैं, उसे लेखा-परीक्षा के लिए उपलब्ध रख सकते हैं और किसी भी प्रतिकूल-निर्णय सूचना के साथ संलग्न कर सकते हैं — बिना उसे मूल्यांकनकर्ता को अपनी राय बनाने से पहले दिखाए। किसी भी पारदर्शिता बाध्यता में यह नहीं लिखा कि तर्क वही पहली चीज़ हो जो आपका रिक्रूटर पढ़े। इन दोनों को एक साथ बाँधना उत्पाद-डिज़ाइन की डिफ़ॉल्ट सेटिंग है, कानूनी आवश्यकता नहीं।
स्पष्टीकरण के पक्ष में एक दूसरा, संकरा बचाव भी है जिसका नाम लेना चाहिए: वे तब मदद करते हैं जब इंसान दावों की स्वतंत्र रूप से पुष्टि कर सके। यदि तर्क कहता है "SOC 2 प्रमाणन नहीं है" और आपका समीक्षक इसे दस सेकंड में जाँच सकता है, तो स्पष्टीकरण एक तथ्य की ओर संकेत है। यदि वह कहता है "रणनीतिक स्वामित्व के सीमित प्रमाण", तो यह निष्कर्ष के भेस में एक व्याख्या है, और जाँचने को कुछ है ही नहीं। सत्यापन-योग्यता ही विभाजक रेखा है — वही अंतर जो यह तय करता है कि व्यवसायी किन कार्यों में एजेंट पर भरोसा करते हैं और किनमें नहीं, जहाँ भरोसा इस पर निर्भर करता है कि परिणाम का कोई वस्तुनिष्ठ मूल्यांकन-मापदंड है या नहीं, न कि अंतर्निहित मॉडल की क्षमता पर (MIT Technology Review, 2026)।
इस तिमाही अपने AI स्क्रीनर में क्या बदलें
लागत के क्रम में चार कदम।
1. जाँचिए कि स्पष्टीकरण डिफ़ॉल्ट रूप से कहाँ दिखते हैं। अधिकांश स्क्रीनिंग, सोर्सिंग और विक्रेता-मूल्यांकन उपकरण तर्क का पाठ सिफ़ारिश के साथ ही दिखाते हैं और कोई कॉन्फ़िगरेशन विकल्प नहीं देते। हर उपकरण के लिए पता कीजिए कि क्या तर्क को निर्णय-बिंदु पर छिपाया जा सकता है और लॉग में रखा जा सकता है। यदि उत्तर नहीं है, तो यह अगली नवीकरण-वार्ता का एक ठोस खरीद-प्रश्न है।
2. अस्वीकृति के रास्ते पर केवल-फैसला मोड आज़माइए। पूरे फ़नल पर नहीं — केवल अस्वीकृति के रास्ते पर। सिफ़ारिश और मूल दस्तावेज़ दिखाइए, कथा को तब तक रोकिए जब तक मूल्यांकनकर्ता अपना निर्णय दर्ज न कर दे, फिर उसे खोलिए। यह क्रम का बदलाव है, हटाना नहीं, और मॉडल-आउटपुट कॉन्फ़िगर न होने पर भी समीक्षा-इंटरफ़ेस में यह प्रायः संभव होता है।
3. दोनों दिशाओं में ओवरराइड दर मापिए। दर्ज कीजिए कि आपके मूल्यांकनकर्ता स्वीकृति की सिफ़ारिशों को कितनी बार पलटते हैं और अस्वीकृति की कितनी बार। स्वस्थ अनुपात लगभग सममित होता है। यदि आपकी टीम 15% स्वीकृतियाँ और 2% अस्वीकृतियाँ पलटती है, तो आपने असममित अनुपालन अपने ही संचालन में माप लिया है — और अब आपके पास वह एकमात्र आँकड़ा है जो बजट-धारक को यह समस्या दिखा सकता है।
4. अस्वीकृत ढेर का नमूना लीजिए। हर तिमाही 20 अस्वीकृत उम्मीदवार या विक्रेता निकालिए और दूसरे मूल्यांकनकर्ता से AI आउटपुट के बिना, गोपनीय रूप से उनका आकलन कराइए। यह छोटा और उबाऊ नियंत्रण ही मिथ्या-नकारात्मक का वह अकेला डेटा देगा जो आपको कभी मिलेगा। इसके बिना आप एक ऐसी त्रुटि-श्रेणी संभाल रहे हैं जिसके लिए आपके पास कोई मापक ही नहीं।
इन चारों के पीछे का निष्कर्ष बाज़ार की दिशा के लिए असुविधाजनक है। हर AI स्क्रीनर की रोडमैप और समृद्ध, और संवादी स्पष्टीकरण जोड़ रही है। उपलब्ध सर्वोत्तम क्षेत्रीय प्रमाण कहते हैं कि स्पष्टीकरण जितना समृद्ध होगा, वह उस निर्णय-क्षमता की जगह उतना ही लेगा जिसे लागू करने के लिए आप एक इंसान को वेतन देते हैं — और यह प्रतिस्थापन सबसे ज़्यादा उन्हीं फ़ैसलों पर चोट करता है जो कभी लौटकर यह नहीं बताते कि वे ग़लत थे।
अपने अगले स्क्रीनिंग-टूल नवीकरण से पहले विक्रेता से एक ही सवाल पूछिए: क्या मैं निर्णय-बिंदु पर स्पष्टीकरण बंद कर सकता हूँ और उसे ऑडिट लॉग में रख सकता हूँ? यदि उत्तर नहीं है, तो आप निर्णय-सहायता नहीं खरीद रहे। आप अनुपालन खरीद रहे हैं, और उस पर मुहर लगवाने के लिए एक मूल्यांकनकर्ता को भुगतान कर रहे हैं।
