- AI से सबसे ज़्यादा खतरा कम आय वाले नहीं बल्कि उच्च-शिक्षित और उच्च-वेतन वाले पेशों को है: AI का असर "आसान नौकरियों" पर नहीं बल्कि पहले "अच्छी नौकरियों" पर पड़ रहा है
- प्रोग्रामर सबसे अधिक exposed पेशा नंबर 1 हैं। 75% coverage के साथ यह सभी पेशों में शीर्ष पर है, लेकिन विडंबना यह है कि coding agents का सबसे ज़्यादा उपयोग भी खुद developers ही कर रहे हैं
- AI की वजह से अभी लोगों की छंटनी नहीं हो रही, लेकिन entry-level hiring के दरवाज़े चुपचाप बंद हो रहे हैं: मौजूदा कर्मचारियों को निकालने के बजाय AI लोगों की जगह नए hires न करके ले रहा है
- सिद्धांततः AI जिन ज़्यादातर कामों की जगह ले सकता है, वे अभी वास्तव में replace नहीं हुए हैं: Computer & Math पेशों में सैद्धांतिक coverage 94% है, लेकिन वास्तविक coverage केवल 33% है। यह चेतावनी है कि आगे भरने के लिए जगह अभी बहुत बड़ी है
- महिलाएँ और उच्च-शिक्षित लोग AI replacement risk के प्रति अधिक exposed हैं, और महिलाओं की हिस्सेदारी 16%p अधिक है। आम धारणा यह है कि AI "पुरुष blue-collar jobs" को खतरे में डालता है, लेकिन डेटा ठीक उलटा दिखाता है
प्रमुख निष्कर्ष (Key Findings)
- ‘observed exposure’ एक ऐसा संकेतक है जो LLM की सैद्धांतिक क्षमता और वास्तविक उपयोग डेटा को जोड़कर automation-केंद्रित कार्य उपयोग की मात्रा मापता है
- automated उपयोग और work-related उपयोग को अधिक weight दिया जाता है
- वास्तविक AI उपयोग, सैद्धांतिक क्षमता का केवल एक हिस्सा है, और AI जिन कार्यों को कर सकता है उनमें से वास्तव में उपयोग होने वाले कार्यों का अनुपात कम है
- जिन पेशों का exposure अधिक है, उनमें U.S. Bureau of Labor Statistics (BLS) की 2034 तक रोजगार वृद्धि दर का अनुमान कम दिखाई देता है
- उच्च-exposure पेशों में काम करने वाले लोग औसतन महिलाओं की अधिक हिस्सेदारी, अधिक शिक्षा, अधिक वेतन और अधिक आयु वाले हैं
- 2022 के अंत के बाद से बेरोज़गारी दर में व्यवस्थित वृद्धि का प्रमाण नहीं है, लेकिन युवाओं की नई hiring में सुस्ती देखी गई है
शोध की पृष्ठभूमि और उद्देश्य
- AI के श्रम बाज़ार पर प्रभाव को मापने और अनुमानित करने वाले शोध तेज़ी से बढ़ रहे हैं, लेकिन पिछले दृष्टिकोणों की पूर्वानुमान सटीकता की सीमाएँ रही हैं
- उदाहरण के लिए, offshoring के प्रति संवेदनशील मानी गई नौकरियों में से लगभग 25% ने 10 साल बाद भी मज़बूत रोजगार वृद्धि बनाए रखी
- industrial robots के रोजगार प्रभाव पर शोध परस्पर विरोधी निष्कर्ष देते हैं, और China trade shock से हुई नौकरी हानि का पैमाना भी अब तक विवादित है
- इस शोध का लक्ष्य AI के रोजगार प्रभाव को मापने का एक तरीका स्थापित करना है, और नया डेटा आते ही विश्लेषण को नियमित रूप से अपडेट करना है
- AI का प्रभाव पूरी तरह स्पष्ट होने से पहले framework बनाकर, बाद की समीक्षा की तुलना में आर्थिक अव्यवस्था को अधिक विश्वसनीय ढंग से पहचाना जा सकता है
कारणात्मक अनुमान और तुलना का आधार (Counterfactuals)
- COVID-19 जैसे बड़े और अचानक प्रभाव वाले मामलों में causal inference आसान होता है, लेकिन AI का प्रभाव इंटरनेट के प्रसार या China trade shock की तरह aggregate data में तुरंत न दिखे, ऐसा संभव है
- सामान्य तरीका यह है कि AI exposure अधिक और कम वाले पेशों के परिणामों की तुलना कर, मिश्रित कारकों से AI के प्रभाव को अलग किया जाए
- यह शोध भी task-based approach अपनाता है, जिसमें सैद्धांतिक AI क्षमता और वास्तविक उपयोग डेटा को मिलाकर occupation स्तर पर aggregate किया जाता है
exposure मापने की विधि
- तीन डेटा स्रोतों को जोड़ा गया:
- O*NET database: अमेरिका के लगभग 800 पेशों के कार्य-टास्क की सूची
- Anthropic Economic Index पर आधारित वास्तविक Claude उपयोग डेटा
- Eloundou et al.(2023) के task-स्तरीय सैद्धांतिक exposure estimates (β): यदि LLM किसी task की गति 2x या अधिक बढ़ा सकता है तो 1, अतिरिक्त tools चाहिए हों तो 0.5, और संभव न हो तो 0
- सैद्धांतिक रूप से संभव task भी वास्तविक उपयोग में न दिखने के कारणों में model limitations, कानूनी प्रतिबंध, software requirements और human verification steps शामिल हैं
- उदाहरण: "फार्मेसी को prescription जानकारी भेजना और दवा के refill को approve करना" का सैद्धांतिक exposure β=1 है, लेकिन वास्तविक Claude उपयोग में यह नहीं दिखता
- सैद्धांतिक exposure और वास्तविक उपयोग में उच्च सहसंबंध है, और पिछले 4 Economic Index reports में देखे गए tasks में से 97% β=0.5 या β=1 श्रेणी में आते हैं
observed exposure संकेतक
- observed exposure यह मापता है कि जिन tasks की गति LLM सैद्धांतिक रूप से बढ़ा सकता है, उनमें से वास्तविक कार्यस्थल वातावरण में automated रूप से उपयोग होने वाले हिस्से का कितना अनुपात है
- किसी पेशे का exposure बढ़ने की शर्तें:
- वह task सैद्धांतिक रूप से AI से संभव हो और Anthropic Economic Index में उसका उपयोग पर्याप्त आवृत्ति से दिखे
- उसका उपयोग कार्य-संबंधित संदर्भ में हो
- automation ratio अधिक हो या implementation API के रूप में हो (automation को full weight, augmentation को half weight)
- AI-प्रभावित tasks का कुल काम में हिस्सा बड़ा हो
- सैद्धांतिक coverage (नीला) और वास्तविक observed exposure (लाल) के बीच बड़ा अंतर है, यानी AI अभी अपनी सैद्धांतिक क्षमता से काफी पीछे है
- Computer & Math पेशे: सैद्धांतिक coverage 94%, वास्तविक coverage 33%
- Office & Admin पेशे: सैद्धांतिक coverage 90%
सबसे अधिक exposure वाले पेशे
- observed exposure के आधार पर शीर्ष 10 पेशों में शीर्ष 3:
- Computer Programmers: coverage 75% (coding में Claude का व्यापक उपयोग)
- Customer Service Representatives: 1st-party API traffic में प्रमुख tasks बढ़ते रुझान पर
- Data Entry Keyers: source documents पढ़कर data दर्ज करने वाले प्रमुख tasks में automation स्पष्ट है, और coverage 67% है
- कुल श्रमिकों में 30% की coverage 0 है, यानी उनके tasks न्यूनतम threshold तक नहीं पहुँचते
- इस समूह के उदाहरण: cooks, motorcycle mechanics, lifeguards, bartenders, dishwashers, locker room attendants
exposure और BLS रोजगार दृष्टिकोण का संबंध
- BLS के 2024~2034 occupation-wise employment growth outlook और observed exposure की तुलना में exposure जितना अधिक, growth outlook उतना कमज़ोर दिखा
- coverage में 10%p वृद्धि होने पर BLS growth outlook 0.6%p घटता है (employment-level weighted regression के आधार पर)
- Eloundou et al. के केवल सैद्धांतिक β संकेतक से यह सहसंबंध नहीं दिखता → इससे संकेत मिलता है कि observed exposure स्वतंत्र रूप से अधिक उपयोगी predictive indicator है
उच्च-exposure पेशों में काम करने वालों की जनसांख्यिकीय विशेषताएँ
- ChatGPT लॉन्च से ठीक पहले (अगस्त~अक्टूबर 2022), exposure के शीर्ष 25% और exposure 0% समूह की तुलना:
- उच्च-exposure समूह में महिला होने की संभावना 16%p अधिक
- श्वेत होने की संभावना 11%p अधिक, और एशियाई होने की संभावना लगभग 2 गुना
- औसत वेतन 47% अधिक
- postgraduate degree धारकों का अनुपात: non-exposed समूह 4.5% बनाम उच्च-exposure समूह 17.4% (लगभग 4 गुना अंतर)
बेरोज़गारी दर विश्लेषण के परिणाम
- विश्लेषण के प्राथमिक संकेतक के रूप में बेरोज़गारी दर चुनने का कारण: यह उन लोगों को सबसे सीधे पकड़ती है जो काम करना चाहते हैं लेकिन नौकरी नहीं पा रहे
- 2016 के बाद की बेरोज़गारी दर प्रवृत्तियों में, COVID-19 के दौरान non-exposed समूह (जहाँ in-person jobs का हिस्सा अधिक है) की बेरोज़गारी दर कहीं अधिक बढ़ी
- ChatGPT लॉन्च के बाद उच्च-exposure समूह की बेरोज़गारी दर में बदलाव सांख्यिकीय रूप से महत्वपूर्ण नहीं है (हल्की वृद्धि हुई, लेकिन 0 से अलग बताने लायक नहीं)
- इस framework से पकड़े जा सकने वाले scenarios के उदाहरण:
- यदि शीर्ष 10% सभी निकाल दिए जाएँ, तो उस समूह की बेरोज़गारी दर 3% → 43%, और कुल बेरोज़गारी दर 4% → 13%
- "white-collar recession" scenario, जिसमें शीर्ष 25% की बेरोज़गारी दर 3% → 6% हो जाती है, भी इस विश्लेषण से पकड़ी जा सकती है
युवाओं की hiring slowdown के संकेत
- Brynjolfsson et al.(2025) के अनुसार 22~25 वर्ष के श्रमिकों में उच्च-exposure पेशों में रोजगार 6~16% घटा, और इसका मुख्य कारण layoffs नहीं बल्कि hiring में कमी है
- इस शोध में उच्च-exposure पेशों के युवाओं की बेरोज़गारी दर स्वयं सपाट बनी रही
- hiring में कमी बेरोज़गारी दर में दिखाई न दे सकती है: कई युवा नए entrants CPS में किसी occupation को दर्ज नहीं करते या श्रम बाज़ार से ही बाहर हो जाते हैं
- CPS panel data का उपयोग कर 22~25 वर्ष आयु वर्ग की नई employment rate को उच्च-exposure/निम्न-exposure पेशों में अलग-अलग ट्रैक किया गया
- 2024 से उच्च-exposure पेशों में entry rate दृश्य रूप से गिरना शुरू हुआ
- निम्न-exposure पेशों की monthly employment rate 2% पर स्थिर रही, जबकि उच्च-exposure entry rate लगभग 0.5%p घटी
- ChatGPT के बाद की अवधि का औसत अनुमान: 2022 की तुलना में उच्च-exposure पेशों की employment rate 14% घटी (सांख्यिकीय रूप से बस मुश्किल से महत्वपूर्ण)
- 25 वर्ष से अधिक आयु के श्रमिकों में ऐसी गिरावट नहीं देखी गई
- हालांकि वैकल्पिक व्याख्याएँ भी संभव हैं: जिन युवाओं की hiring नहीं हुई वे मौजूदा नौकरी में टिके रहे हों, किसी अन्य पेशे में चले गए हों, या पढ़ाई में लौट गए हों
शोध की सीमाएँ और आगे की योजना
- वर्तमान में उपयोग किया गया Eloundou et al. संकेतक 2023 की शुरुआत के LLM capabilities पर आधारित है, इसलिए इसे अपडेट करने की आवश्यकता है
- आगे Claude उपयोग डेटा को लगातार शामिल करते हुए task और occupation-स्तर coverage trends अपडेट करने की योजना है
- उच्च-exposure क्षेत्रों की डिग्री रखने वाले हालिया graduates श्रम बाज़ार में कैसे प्रतिक्रिया देते हैं, इसका ट्रैक रखना प्रमुख अगला कार्य है
- यह framework अन्य उपयोग डेटा और अन्य देशों के संदर्भों तक भी विस्तारित किया जा सकता है
अभी कोई टिप्पणी नहीं है.