- AI अपनाने का अमेरिकी युवा नौकरी बाजार पर सीधा प्रभाव पड़ रहा है
- अध्ययन के अनुसार AI के प्रसार से युवा कामगारों की रोजगार दर में 13% कमी देखी गई
- AI तकनीक अब केवल ऑटोमेशन कार्यों तक सीमित नहीं, बल्कि जटिल कामों को भी प्रतिस्थापित कर रही है
- इसके चलते नए प्रवेशकर्ताओं और युवा कामगारों के लिए रोजगार के अवसर घट रहे हैं
- इस स्थिति से निपटने के लिए नीतिगत और औद्योगिक रणनीतियों की जरूरत तेज़ी से उभर रही है
AI अपनाने और अमेरिका के युवा रोजगार बाजार में बदलाव
हाल की Stanford रिसर्च के अनुसार generative AI के प्रसार का अमेरिका में युवा नौकरियों पर स्पष्ट प्रभाव पड़ रहा है
- AI अपनाने वाली कंपनियों में 25 वर्ष से कम आयु के युवा कामगारों की भर्ती में लगभग 13% कमी का विश्लेषण किया गया
- यह अध्ययन बताता है कि उन्नत ऑटोमेशन सिस्टम केवल साधारण दफ्तर के काम ही नहीं, बल्कि उच्च स्तर के संज्ञानात्मक और निर्णय-आधारित कार्यों को भी प्रतिस्थापित कर रहे हैं
- नतीजतन युवा नौकरी चाहने वालों के लिए श्रम बाजार में प्रवेश के अवसर घट रहे हैं, और यह सामाजिक व आर्थिक अस्थिरता का कारण बन सकता है
- यदि फोकस केवल उत्पादकता बढ़ाने पर रहेगा, तो असमानता की संरचना और गहरी होने की आशंका है
- विशेषज्ञ उद्योग और नीति स्तर पर सक्रिय प्रतिक्रिया के साथ, युवाओं के लिए re-skilling और skill enhancement programs की तैयारी के महत्व पर और ज़ोर दे रहे हैं
युवाओं की नौकरियों में कमी और सामाजिक असर
- AI तकनीक केवल साधारण दोहराए जाने वाले काम ही नहीं, बल्कि विभिन्न दफ्तरों के कार्यों को भी प्रतिस्थापित कर रही है, जिससे युवा रोजगार पर चोट अब वास्तविकता बन रही है
- कंपनियां दक्षता बढ़ाने और लागत घटाने के लिए लगातार AI solutions अपना रही हैं
- इसके कारण entry-level workers और career की शुरुआती अवस्था के कर्मचारियों के लिए प्रवेश और कठिन होता जा रहा है
- पूरे समाज में नौकरियों के पुनर्वितरण और शिक्षा व्यवस्था के पुनर्रचना की जरूरत उभर रही है
उद्योग और नीति की प्रतिक्रिया की दिशा
- AI अपनाने से युवाओं पर पड़ने वाले रोजगार झटके को कम करने के लिए सरकार और उद्योग के साझा प्रयास जरूरी हैं
- ज़मीनी जरूरतों के अनुसार re-skilling programs और नई तकनीक के अनुकूल माहौल तैयार करना प्रमुख समाधान हैं
- मध्यम और दीर्घ अवधि में श्रम बाजार के संरचनात्मक पुनर्गठन और पारदर्शी algorithm उपयोग दिशानिर्देशों की आवश्यकता है
- कंपनियों में सामाजिक जिम्मेदारी के हिस्से के रूप में युवाओं के लिए job transition support नीतियों के साथ सहयोग बढ़ाने की प्रवृत्ति फैल रही है
1 टिप्पणियां
Hacker News राय
वास्तविक अकाउंटिंग इंडस्ट्री में AI का अपनाना लगभग नहीं के बराबर है। हमारे पास काफ़ी जटिल enterprise Copilot, deep research, MS Office integration जैसे आधुनिक टूल हैं, लेकिन व्यावहारिक रूप से उनका उपयोग सिर्फ़ रोज़ global news summary निकालने तक सीमित है। जैसे ही इसे असली अकाउंटिंग काम में लागू करने की कोशिश करते हैं, AI अजीब जवाब देने लगता है और बहुत ख़तरनाक स्थिति बन जाती है। साधारण number comparison में भी अक्सर भरोसेमंद नतीजे नहीं मिलते, इसलिए आउटपुट पर भरोसा करके उसे सीधे इस्तेमाल ही नहीं किया जा सकता। यह वैसा है जैसे programming में
==operator 20% बार random error दे—ऐसी चीज़ पर भरोसा करके business नहीं चलाया जा सकता।मैंने व्यक्तिगत रूप से credit card statements की जाँच के लिए कई language models को 6 महीने तक आज़माया। उम्मीद थी कि वे मेरे खुद के household ledger app और card statements की तुलना करके गड़बड़ियाँ पकड़ेंगे, लेकिन वे एक बार भी समस्या सही से नहीं ढूँढ पाए। उल्टा, उन्होंने ग़लत तरीके से कहा कि "Starbucks payment entry है" या सिर्फ़ बेकार की तारीफ़ की। डेटा भी सिर्फ़ लगभग 40 entries का था, और ग़लती होने पर कोई वास्तविक नुकसान भी नहीं होना था, फिर भी model सही पहचान नहीं कर पाया। अगर कोई कंपनी ऐसी चीज़ों पर निर्भर हो, तो वह भरोसे लायक नहीं है—मेरा यही निष्कर्ष है।
Dan Toomey के मज़ेदार अकाउंटिंग-संबंधी वीडियो से पता चलता है कि अकाउंटिंग कितनी महत्वपूर्ण है, और यह क्षेत्र असल में उतना ग्लैमरस नहीं है। finance sector में अक्सर यह नज़रिया होता है कि "accountants गंभीर nerd होते हैं"। मुझे भी अकाउंटिंग से लगाव है, और पिछली कंपनी में मैंने audit datasets पर भी काम किया है। accountants जो कड़वी लेकिन ज़रूरी बातें बताते हैं, उन्हें कोई सुनना पसंद नहीं करता, लेकिन वास्तव में वे बिल्कुल अनिवार्य होते हैं। Enron जैसे मामले भी दिखाते हैं कि audit cost के ज़रिए गड़बड़ी पकड़ी जा सकती है, इसलिए accounting data business के केंद्र में हो सकता है। अगर मैं आगे चलकर programming छोड़ दूँ, तो शायद CPA की तैयारी करूँ।
अकाउंटिंग में AI की performance बेहद निराशाजनक है, और गणित वाले कामों में भी यह तभी कुछ हद तक उपयोगी होता है जब इसे calculator tools के साथ जोड़ा जाए।
बहुत से लोग "Tax AI software जो सारे taxes अपने-आप संभाल ले" का सपना देखते हैं, लेकिन वास्तविकता में AI ज़्यादा से ज़्यादा एक advanced text search engine जैसा है। LLM (Large Language Model) arithmetic या simple calculations भी ठीक से नहीं कर पाते।
LLM arithmetic खुद करने में कमज़ोर हैं, इसलिए उनसे सीधे calculation नहीं करानी चाहिए। ज़्यादातर models के लिए बेहतर तरीका यह है कि वे code लिखें, उसे चलाएँ, और उसके result के आधार पर computation करें।
अमेरिकी अकाउंटिंग इंडस्ट्री का offshore outsourcing भारत, फ़िलिपींस, Eastern Europe आदि की ओर बढ़ रहा है। इसके साथ ही अमेरिका में accountant qualification की शर्तों को ढीला करने की कोशिश भी तेज़ हो रही है—Big 4 partners manpower shortage दूर करने के लिए इसे आगे बढ़ा रहे हैं। इससे oversight quality में गिरावट, inaccurate financial statements जैसी चिंताएँ भी बढ़ रही हैं।
यह दिलचस्प है कि अमेरिकी programmers remote work का समर्थन करते हैं। समझ नहीं आता कि क्या वे सचमुच मानते हैं कि वही दुनिया के सबसे स्मार्ट लोग हैं। अगर काम remote से हो सकता है, तो फिर कोई वजह नहीं कि वही काम किसी सस्ते देश का व्यक्ति न करे।
प्रमुख offshoring क्षेत्रों की working conditions पर reports देखें तो हालात बहुत खराब हैं। सच कहें तो आज का AI और LLM उसी तरह के "simple repetitive work" जैसा है जो पहले outsourcing के दायरे में आता था। पहले जो काम भारत भेजे जाते थे, अब वैसा काम कुछ लोग सीधे Anthropic data center को दे रहे हैं।
सवाल यह भी है कि क्या इस offshoring की वजह सचमुच AI है। भाषा, संस्कृति और knowledge gap विदेश में काम करवाने में बड़ी बाधा रहे हैं, लेकिन AI में इन समस्याओं को कम करने की क्षमता है।
भारत के प्रतिष्ठित engineering colleges के graduates भी hiring slowdown झेल रहे हैं—इस पर रिपोर्ट भी है—लेकिन यह कहना कि AI-driven offshoring ही इसका मुख्य कारण है, बहुत मज़बूत तर्क नहीं लगता।
पिछले 1 साल में junior jobs चुपचाप ग़ायब हो रही हैं। लोगों को बहुत बड़े पैमाने पर निकाला नहीं जा रहा, लेकिन entry-level hiring ही बंद हो रही है। असली समस्या यह है कि करियर की शुरुआत में सीखने का मौका ही खत्म हो रहा है।
सच यह है कि junior jobs कभी बहुत ज़्यादा थीं भी नहीं। मेरे अनुभव में, अगर college students internship के बाद full-time में convert नहीं हो पाए, तो उसके बाद उन्हें नौकरी पाने में गंभीर मुश्किल होती थी। कंपनियाँ लगभग हमेशा mid/senior level hires ही करती हैं, और junior roles अक्सर interns, internal transfers या जान-पहचान वालों के लिए होते हैं।
यह घटना AI से ज़्यादा low-interest-rate era के बाद बिगड़ी economic conditions, revenue/profit pressure, और cost cutting जैसे structural factors से जुड़ी लगती है। juniors आम तौर पर 6–8 महीने तक कम productive होते हैं, और senior mentoring resources भी लगते हैं, इसलिए cost-benefit कमजोर रहता है। मेरी टीम के resources भी इतने तंग हैं कि extra hiring मुश्किल है। आज junior के रूप में नौकरी चाहिए, तो trending tech keywords पर ध्यान देना होगा या कम salary वाली छोटी कंपनी से शुरू करके आगे jump करना होगा।
यह समझना हमेशा मुश्किल है कि वजह recession है या AI। अगर existing staff बहुत महँगा हो जाए, तो कंपनियाँ juniors भी रखेंगी, लेकिन अभी तो experienced लोग भी कम salary पर नौकरी ढूँढ रहे हैं, इसलिए juniors को रखने की खास मजबूरी नहीं है।
हालात कठिन हुए हैं, लेकिन फिर भी अमेरिका के युवाओं के लिए अवसर मौजूद हैं। बहुत निराशावादी होने की ज़रूरत नहीं, हालाँकि आज की युवा पीढ़ी का TikTok और games में डूबे रहना भी एक कारक है।
कंपनियाँ AI को बहाना बनाकर लोगों को निकालती हैं, लेकिन जब यह सोचो कि वास्तव में कौन-सी नौकरियाँ replace हो रही हैं, तो कोई साफ़ जवाब नहीं दिखता।
हमारी कंपनी में भी कुछ ऐसे सहकर्मी हैं जिन्हें LLM replace कर सकता है। सच कहूँ तो मुझे लगता है कि वे जो ग़लतियाँ करते हैं, उनसे कम hallucinations AI करेगा। बल्कि LLM अपनाने से 5 लोगों के काम को 1 व्यक्ति के बराबर efficient बनाया जा सकता है।
video और graphic design roles में GenAI tools का उपयोग फैल रहा है। पहले जो काम in-house staff या freelancers करते थे, अब लोग AI की मदद से खुद करने लगे हैं।
AI को हर कर्मचारी को 1:1 replace करने की ज़रूरत नहीं; सिर्फ़ productivity gain भी headcount reduction का कारण बन सकता है। अगर developer 50% अधिक efficient हो जाएँ, तो गणितीय रूप से नीचे के 33% लोगों को कम करके भी वही output लिया जा सकता है।
blockchain boom से अलग, AI में वास्तविक productivity gains के उदाहरण हैं। जैसे, copywriter team को आधा करके भी team productivity बनाए रखी जा सकती है। मेरे business में copywriting का अधिकांश काम automate हो गया है, जिससे लोग high-value work पर ध्यान देकर अधिक ग्राहकों को संभाल पा रहे हैं। 100 junior copywriters जैसी टीम में भारी कटौती करना काफ़ी आसान होगा।
AI की वजह से शुरुआती job losses व्यक्तिगत कर्मचारियों की बढ़ी हुई productivity से आते हैं, और इसका परिणाम यह होता है कि छोटे teams भी वही काम कर लेते हैं।
कई organizations AI से productivity बढ़ाने के बजाय सीधे workforce कम करने की रणनीति चुनती हैं। वे productivity बढ़ाकर अतिरिक्त लाभ बाँटने के बजाय सीमित profit structure बनाए रखना चाहती हैं। Stanford paper दिखाता है कि organizations rent extraction mindset के तहत productive labor को asset नहीं बल्कि cost मानती हैं, और इस कारण वास्तविक productive capacity घटाकर भी inefficient structures बनाए रखती हैं। आगे क्या होगा, यह देखना दिलचस्प होगा।
अगर automation से बहुत सारे लोगों की ज़रूरत ही न रहे, तो युद्ध भी drones और automatic weapons से लड़े जाएँगे, revolutions की ज़रूरत भी घटेगी, और democracy भी अनावश्यक हो सकती है। अंततः ऐसा भविष्य आ सकता है जहाँ महँगी healthcare, food, water जैसी चीज़ें बड़ी आबादी के लिए उपलब्ध कराना भी ज़रूरी न समझा जाए।
paper में यह कहा गया है कि "employment decline उन roles में केंद्रित दिखती है जहाँ AI मानव श्रम को augment करने के बजाय automate करती है।" rent-seeking या economic short-termism का सीधा प्रमाण उसमें नहीं दिया गया है। कंपनी के नज़रिए से देखें तो कम लागत वाले AI से मानव श्रम को replace करना स्वाभाविक लाभ है, और यह मानने का भी कोई पक्का आधार नहीं कि बचे हुए कर्मचारियों से ज़रूर कोई अतिरिक्त revenue opportunity पैदा होगी।
उम्मीद है कि AI business software adoption/integration की लागत इतनी घटा दे कि skilled tradespeople, जैसे कोई veteran equipment technician, खुद अपनी कंपनी own और operate कर सके। AI era में शायद PE जैसे ढाँचों के लिए marketing और accounting को outsource करने की ज़रूरत कम हो जाए।
आगे चलकर यह व्यवस्था feudalism जैसी भी हो सकती है।
श्रम को value-creating asset के बजाय cost मानना वास्तविकता से पूरी तरह मेल नहीं खाता। कंपनियाँ असल में चाहती हैं कि labor उनकी value proposition के साथ aligned हो—यानी ग्राहक जिस कारण भुगतान करते हैं। अगर कर्मचारी अपने हिसाब से "meaningful" लगने वाला काम करते रहें लेकिन ग्राहक उसके लिए भुगतान न करें, तो केवल maintenance cost बढ़ेगी। लोगों को align करना, motivate करना, communicate करना सब कठिन है, और कंपनियाँ वास्तव में तभी jobs बनाती हैं जब उनकी अपरिहार्य ज़रूरत हो।
मेरे जैसे बहुत से लोग अब AI को "intern" कहकर इस्तेमाल करते हैं, और माहौल यह बनता जा रहा है कि intern/junior-level positions की अब ज़रूरत नहीं रही।
लेकिन जब seniors चले जाएँगे और उनकी जगह ऐसे नए senior लोग आएँगे जिन्हें existing projects और practices की जानकारी नहीं होगी, तब क्या risks होंगे—यह सोचने वाली बात है।
लगता है लोग internship के असली उद्देश्य को ग़लत समझ रहे हैं।
परंपरागत hiring से जिन्हें चुनना मुश्किल होता है, ऐसे talent को ढूँढने का सबसे भरोसेमंद तरीका internships ही रही हैं। अगर ऐसा भविष्य आ गया जहाँ interns की ज़रूरत न रहे, तो क्या तब भी अच्छे नए लोग pipeline में आते रहेंगे? 40 साल बाद जब मौजूदा workforce retire हो जाएगी, तब बाकी काम किससे कराया जाएगा?
मैं जब भी शहर में निकलता हूँ, यह देखकर हैरान होता हूँ कि AI से replace न हुई jobs अभी भी बहुत हैं। उदाहरण के लिए, cashier अब भी अपने हाथ से items scan करते हैं, पैसे लेते हैं और change संभालते हैं। सोचता हूँ कि इस स्तर की automation में आखिर मुश्किल क्या है कि यह अभी तक पूरी तरह नहीं हो पाई।
यह AI नहीं, offshoring के ज़रिए भी आज़माया जा चुका है। संबंधित लेख देखें।
cashier का काम अक्सर AI के बिना भी staffing कम करके और self-checkout लाकर replace किया जाता है।
जापान के 711 में counter staff होते हैं, लेकिन cash/change handling मशीन करती है। हालाँकि हाल में crime और theft की वजह से self-checkout घटाने और human monitoring बढ़ाने का रुझान भी दिख रहा है।
cashier automation में सबसे कठिन हिस्सा calculation नहीं, चोरी रोकना है।
rising interest rates और tariff pressure जैसी चीज़ें investment और jobs दोनों घटाती हैं, लेकिन माहौल ऐसा है कि हर चीज़ का दोष AI पर डाला जा रहा है।
वास्तव में Stanford paper अलग-अलग groups के data की तुलना करके बताता है कि AI exposure ज़्यादा वाले roles में 22–25 वर्ष आयु समूह के employment में statistically significant गिरावट देखी गई।
जब यह असर खास तौर पर AI-adopting industries में और मुख्यतः entry-level workers पर दिखता है, तो सिर्फ़ interest rates और tariffs से इसकी पूरी व्याख्या नहीं होती। paper के authors इन economic conditions से अनजान रहे होंगे, ऐसा मानना मुश्किल है।
investment बढ़े तो संदेश होता है "AI efficiency बढ़ा रही है इसलिए अच्छी है", investment घटे तो narrative बनता है "AI इंसानों को replace कर रही है"। कंप्यूटर कुछ अच्छा करे तो कहा जाता है "यह AI की वजह से है", और अगर अच्छा न करे तो कहा जाता है "हमें और AI चाहिए"।
कोई central authority तो यह निर्देश नहीं दे रही कि हर चीज़ का दोष AI पर मढ़ो। फिर ऐसा क्यों है कि सब लोग दूसरे स्पष्ट कारकों को नज़रअंदाज़ करके सिर्फ़ AI को ज़िम्मेदार ठहरा रहे हैं—यह समझना मुश्किल है।
AI का डर फैलाना workers को लंबे समय में बदतर employment conditions या compensation स्वीकार करने के लिए तैयार करने में मदद कर सकता है। इसके विपरीत, अगर economic outlook बेहतर दिखे, तो short term में लोग ज़्यादा हिस्सेदारी की माँग कर सकते हैं।
मेरे department में 1000 IT कर्मचारी हैं, लेकिन उनमें अमेरिकी मूल के लोग 5–10% भी नहीं हैं। अमेरिकियों को मेहनती नहीं माना जाता, वे अल्पसंख्यक हैं, और माहौल ऐसा है कि वे धीरे-धीरे निकलना चाहते हैं।
लोग कहते हैं AI customer service, accounting, और software development roles को replace कर देगी, लेकिन वास्तव में service quality बेहतर होने के बजाय कई जगह और खराब हो रही है। customer support 20 साल पुराने chatbot स्तर से बहुत आगे नहीं बढ़ी, accounting में अब भी talent shortage है और AI का प्रदर्शन भी खराब है, और development में code generation की barrier तो घटी है लेकिन उसी के साथ technical debt और ownerless code—जिसे कोई ठीक से समझता नहीं—तेज़ी से बढ़ रहे हैं, जो आगे गंभीर परिणाम दे सकते हैं।