AI अपनाने के बाद भी उत्पादकता विस्फोटक रूप से क्यों नहीं बढ़ती [अनुवादित लेख]

1. ब्रिन्यॉल्फ्सन का उत्पादकता विरोधाभास, GenAI युग का संस्करण

• 1990 के दशक में IT·PC अपनाने के समय भी निवेश के मुकाबले उत्पादकता सूचकांक लगभग नहीं बढ़े थे, और ब्रिन्यॉल्फ्सन के उत्पादकता विरोधाभास का मूल यह है कि यदि संगठनात्मक पुनर्गठन, कार्य का पुनर्रचना और स्किल परिवर्तन जैसे पूरक तत्व न हों, तो केवल तकनीक से उत्पादकता नहीं बढ़ती।
• आज भी generative AI का विस्फोटक स्तर पर अपनाव हुआ है, लेकिन पूरी अर्थव्यवस्था की उत्पादकता या कंपनियों में संरचनात्मक बदलाव सीमित हैं, और यह लेख इसे “High Adoption, Low Transformation” के रूप में संक्षेपित करता है।

2. MIT NANDA: GenAI Divide (generative AI gap)

• MIT NANDA रिपोर्ट के अनुसार GenAI में अरबों डॉलर निवेश किए गए हैं, लेकिन “वास्तविक व्यावसायिक मूल्य (ROI) पैदा करने वाली कंपनियाँ केवल लगभग 5% हैं, जबकि बाकी 95% में राजस्व या उत्पादकता सुधार नहीं दिखता”, और इसी को GenAI Divide कहा गया है।
• यह अंतर तकनीकी क्षमता से अधिक इस बात पर निर्भर करता है कि “क्या कोई ऐसा agent-आधारित सिस्टम बनाया गया है जो सीख सके, याद रख सके, अनुकूलित हो सके, और क्या उसे वास्तविक कार्यप्रवाह में गहराई से एकीकृत कर परिणाम दिए जा रहे हैं”; फिलहाल अर्थपूर्ण संरचनात्मक परिवर्तन मुख्यतः tech·media जैसे सूचना-केंद्रित उद्योगों में केंद्रित हैं।

3. 95% क्यों विफल होते हैं

1. लर्निंग गैप (Learning Gap)

   • कई enterprise AI सिस्टम स्थिर टूल हैं, इसलिए वे यूज़र फ़ीडबैक को संचित करके सीख नहीं पाते, न संदर्भ के अनुसार अनुकूलित होते हैं और न ही समय के साथ बेहतर होते हैं; परिणामस्वरूप कर्मचारी साधारण कार्यों के लिए consumer AI का और महत्वपूर्ण जटिल कार्यों के लिए अब भी इंसानों का सहारा लेते हैं।

2. पायलट–प्रोडक्शन विच्छेद

   • बड़ी कंपनियाँ पायलट (POC) बहुत करती हैं, लेकिन वास्तविक कंपनी-व्यापी तैनाती तक पहुँचने का अनुपात बहुत कम है, और custom enterprise AI में से केवल लगभग 5% ही production में टिक पाते हैं।
   • मुख्य कारण यह है कि “टूल वास्तविक कामकाजी प्रक्रिया से मेल नहीं खाते”; यानी समस्या इन्फ्रास्ट्रक्चर या regulation की नहीं, बल्कि workflow integration और संगठनात्मक डिज़ाइन की है।

3. शैडो AI (Shadow AI) अर्थव्यवस्था

   • आधिकारिक आंतरिक टूल अप्रभावी होने या नियम बहुत सख्त होने के कारण कर्मचारी निजी subscription वाले LLM·copilot का छिपकर उपयोग करके वास्तविक काम निपटाते हैं, और इस तरह “Shadow AI” फैल रहा है।
   • इसे ऐसे “लचीले, सहज, व्यक्तिगत रूप से अनुकूलित, और वास्तविक workflow में घुलने-मिलने वाले टूल” की भारी छिपी मांग के संकेत के रूप में देखा जाता है।

4. Canaries पेपर: शुरुआती करियर वाली भर्ती में AI का पहला संकेत

• ब्रिन्यॉल्फ्सन टीम के “Canaries in the Coal Mine?” ने high-frequency वेतन और भर्ती डेटा का विश्लेषण करके दिखाया कि generative AI अपनाने के बाद उन पेशों में जिनकी AI exposure अधिक है (software development, call center/customer service आदि), 22–25 वर्ष के शुरुआती करियर वाले लोगों की भर्ती में महत्वपूर्ण गिरावट आई है।
• खासकर उन कार्यों में जहाँ AI का उपयोग “सहायक” के बजाय “automation” के रूप में अधिक हो रहा है, युवा श्रमिकों की भर्ती में गिरावट और अधिक दिखी, जो संकेत देता है कि शुरुआती चरण में AI कुछ entry-level भूमिकाओं को सीधे प्रतिस्थापित कर रहा है।

5. खास तौर पर नए कर्मचारियों पर ही असर क्यों पड़ता है

• मौजूदा LLM पाठ्यपुस्तकों और दस्तावेज़ों में अच्छी तरह लिखे गए औपचारिक ज्ञान (formal knowledge) और पैटर्न-आधारित दोहराव वाले कार्यों में मजबूत हैं, लेकिन फील्ड अनुभव और tacit knowledge पर आधारित वरिष्ठ विशेषज्ञों की व्यावहारिक समझ को वे अभी अच्छी तरह प्रतिस्थापित नहीं कर पाते।
• परंपरागत रूप से नए और junior कर्मचारियों की भूमिकाओं में “दस्तावेजीकृत नियमों और मैनुअल का पालन करने वाले काम” अधिक होते हैं; यही हिस्सा LLM+toolchain से तेज़ी से automate हो रहा है, इसलिए एक ही भूमिका में अनुभवी लोगों की तुलना में शुरुआती कर्मचारियों पर रोजगार का झटका अधिक पड़ रहा है।

6. श्रम के भविष्य के लिए निहितार्थ

• AI संक्रमण को केवल “कुल नौकरियों में कमी” के रूप में नहीं, बल्कि ऐसी पुनर्संरचना की प्रक्रिया के रूप में समझना चाहिए जिसमें कुछ कार्य AI अपने भीतर समाहित कर लेता है, कुछ नए कार्य पैदा होते हैं, और इंसानों की सापेक्ष ताकत tacit knowledge, समन्वय और निर्णय जैसे क्षेत्रों की ओर खिसकती है।
• इसलिए शिक्षा और करियर डिज़ाइन के स्तर पर, तय जवाब या रटने वाली क्षमताओं की तुलना में “मैदान-स्तरीय संदर्भ की समझ, समस्या को संरचित करना, हितधारकों का समन्वय, और domain-विशिष्ट बहुस्तरीय विशेषज्ञता” अधिक महत्वपूर्ण हो सकती है।

7. AI संस्थापकों के लिए कार्यनीतिक रणनीति

1. साधारण generation से सीखने वाले agents की ओर बदलाव

   • GenAI Divide का केंद्र मॉडल प्रदर्शन नहीं, बल्कि ऐसे agent सिस्टम हैं जिनमें “continuous learning, memory, adaptation, orchestration” संभव हो।
   • इस बात पर ज़ोर दिया गया है कि जो टीमें यूज़र फ़ीडबैक और वास्तविक उपयोग लॉग को संरचित करके ऐसे “जीवंत सिस्टम” बना सकें जो समय के साथ workflow को बेहतर समझें और स्वतः समायोजित हों, वे निर्णायक बढ़त हासिल करेंगी।

2. यूज़र (persona) नहीं, workflow के हिसाब से डिज़ाइन करें

   • कई enterprise AI उत्पादों की समस्या यह है कि “डेमो शानदार होता है, लेकिन टीम के वास्तविक काम करने के तरीके से मेल नहीं खाने के कारण उन्हें छोड़ दिया जाता है।”
   • सफल उत्पाद किसी विशेष उद्योग या भूमिका के सूक्ष्म कार्यप्रवाह, अधिकार संरचना और compliance आवश्यकताओं में गहराई से उतरते हैं और स्वाभाविक रूप से उनमें समा जाते हैं; चमकदार UX से अधिक प्राथमिकता इस बात को मिलती है कि “वह वास्तविक production में बना रहे।”

3. Shadow AI को research asset की तरह इस्तेमाल करें

   • यदि यह देखा जाए कि कर्मचारी निजी तौर पर कौन से prompt और टूल संयोजन उपयोग कर रहे हैं, तो उन वास्तविक ज़रूरतों (गति, लचीलापन, automation का स्तर) को समझा जा सकता है जिन्हें संगठन आधिकारिक टूल में शामिल नहीं कर पाए हैं।
   • startup के नज़रिए से यही “Shadow AI” पैटर्न बड़े पैमाने का यूज़र research चैनल और product positioning का संकेत बन सकता है।

4. चमकदार फ्रंट-एंड से अधिक अवसर back office में

   • कई कंपनियाँ marketing·sales जैसे दिखने वाले क्षेत्रों में पहले AI जोड़ती हैं, लेकिन MIT का कहना है कि वास्तविक ROI finance·procurement·operations जैसे process-केंद्रित बैक-एंड विभागों में अधिक बड़ा होता है।
   • इन क्षेत्रों में डेटा प्रचुर होता है और rule-based business logic भी काफी होता है, इसलिए अच्छी तरह डिज़ाइन किए गए agent/automation solutions सीधे लागत घटाने और त्रुटियाँ कम करने में बदल सकते हैं।

5. “software बेचने” के बजाय BPO partner के नज़रिए से सोचें

   • सफल enterprise ग्राहक AI vendor को लाइसेंस बेचने वाले के रूप में नहीं, बल्कि “business process outsourcing partner” की तरह देखते हैं, और वे गहरी customization, परिणाम-आधारित अनुबंध और निकट परिचालन सहयोग की अपेक्षा करते हैं।
   • इसलिए तर्क यह है कि यदि संस्थापक अपने उत्पाद को installed tool के बजाय “ऐसी service/partnership जो परिणाम की साझा ज़िम्मेदारी ले” के रूप में डिज़ाइन करें, तो वे बड़े enterprise deals और दीर्घकालिक entry barrier (moat) बना सकते हैं।

8. निष्कर्ष: बदला हुआ विरोधाभास, बदलते अवसर

• generative AI युग में भी उत्पादकता विरोधाभास अब भी लागू है, लेकिन “अपूर्ण पूरक तत्वों” की जगह बदल गई है, और अब वे पूरक तत्व उत्पाद के भीतर (learning·memory·orchestration) और कंपनी के भीतर (service-जैसी खरीद, वितरित ownership, परिणाम-केंद्रित KPI) दोनों स्तरों पर मौजूद हैं।
• संदेश यह है कि केवल वही संस्थापक जो इन दोनों स्तरों को साथ-साथ डिज़ाइन कर पाएँगे, “शानदार डेमो” को “सतत प्रतिस्पर्धात्मक बढ़त और आँकड़ों में दिखने वाली उत्पादकता वृद्धि” में बदल सकेंगे, और AI क्रांति को केवल तकनीकी घटना नहीं बल्कि संगठन और व्यक्तियों के साथ सह-विकसित होने वाले आर्थिक परिवर्तन के रूप में वास्तविकता बना सकेंगे।

[mhj5730]

AI डेवलप करते समय मैं 2, 3 और 4 बिंदुओं से बहुत गहराई से सहमत हूँ। अगर आप एक कंपनी हैं, तो मेरा मानना है कि automation पर फोकस करना, और back-office users के लिए शक्तिशाली automation फीचर्स का विश्लेषण करके उन्हें बनाना, कहीं ज़्यादा उपयोगी है।