हज़ारों CEO ने माना कि AI का रोजगार या उत्पादकता पर कोई असर नहीं पड़ा

 (fortune.com)
17 पॉइंट द्वारा GN⁺ 2026-02-18 | 1 टिप्पणियां | WhatsApp पर शेयर करें
  • S&P 500 की 374 कंपनियों ने earnings calls में AI का ज़िक्र किया, लेकिन 6,000 executives पर किए गए सर्वे में लगभग 90% ने कहा कि पिछले 3 वर्षों में AI का रोजगार या उत्पादकता पर कोई असर नहीं पड़ा
  • 1987 के Nobel Economics Prize विजेता Robert Solow द्वारा प्रस्तुत productivity paradox AI युग में फिर दिख रहा है, और macroeconomic data में AI का प्रभाव नज़र नहीं आ रहा
  • executives का AI उपयोग समय हफ्ते में लगभग 1.5 घंटे ही है, और 25% respondents workplace में AI का बिल्कुल उपयोग नहीं करते
  • ManpowerGroup सर्वे में 2025 में AI का नियमित उपयोग 13% बढ़ा, लेकिन तकनीक पर भरोसा 18% गिर गया
  • 1970~80 के दशक का IT boom 1990 के दशक में उत्पादकता में तेज़ उछाल में बदला था, इसलिए AI में भी J-curve जैसी देरी के बाद वृद्धि की संभावना है

Solow का productivity paradox और AI

  • 1987 में अर्थशास्त्री Robert Solow ने देखा कि transistor, microprocessor, integrated circuit, memory chip आने के बाद भी productivity growth rate 1948~1973 के 2.9% से गिरकर 1973 के बाद 1.1% रह गया
  • उन्होंने मशहूर बात कही: "computer age हर जगह दिखता है, लेकिन productivity statistics में नहीं दिखता"
  • उस समय computer उल्टा ज़रूरत से ज़्यादा information पैदा कर रहे थे, जैसे अत्यधिक विस्तृत reports की बड़े पैमाने पर printing, जिससे उत्पादकता घट रही थी

CEO सर्वे परिणाम: AI का वास्तविक असर मामूली

  • सितंबर 2024~2025 के बीच S&P 500 की 374 कंपनियों ने earnings calls में AI का उल्लेख किया और उसके adoption का सकारात्मक आकलन दिया
    • लेकिन macro productivity indicators में इसका कोई स्पष्ट असर नहीं दिखा
  • NBER(National Bureau of Economic Research) ने इस महीने जारी शोध में अमेरिका, ब्रिटेन, जर्मनी और ऑस्ट्रेलिया के 6,000 executives पर सर्वे किया
  • लगभग दो-तिहाई ने कहा कि वे AI का उपयोग करते हैं, लेकिन उपयोग समय हफ्ते में लगभग 1.5 घंटे ही है
  • 25% respondents workplace में AI का बिल्कुल उपयोग नहीं करते
  • लगभग 90% कंपनियों ने जवाब दिया कि पिछले 3 वर्षों में AI का रोजगार या उत्पादकता पर कोई असर नहीं पड़ा
  • फिर भी executives का अनुमान है कि अगले 3 वर्षों में AI productivity को 1.4% और output को 0.8% बढ़ाएगा
  • कंपनियों ने रोजगार में 0.7% गिरावट का अनुमान लगाया, लेकिन individual workers ने उल्टा 0.5% रोजगार वृद्धि की उम्मीद जताई

academic research में अलग-अलग नतीजे

  • 2023 के MIT research ने दावा किया कि AI अपनाने पर workers की performance 40% तक बेहतर हो सकती है
  • लेकिन 2024 तक corporate AI investment 250 billion dollar से अधिक हो जाने के बावजूद वादा की गई productivity gains वास्तविकता में नहीं दिखीं
  • Apollo के chief economist Torsten Slok ने कहा, "AI employment data, productivity data, inflation data कहीं भी नज़र नहीं आता"
    • Magnificent Seven को छोड़ दें तो profit margins या earnings outlook में भी AI असर के संकेत नहीं हैं
  • St. Louis Federal Reserve ने कहा कि ChatGPT adoption के बाद cumulative productivity growth rate में 1.9% से अधिक की बढ़ोतरी हुई
  • दूसरी ओर 2024 के MIT research में Nobel laureate Daron Acemoglu ने अगले 10 वर्षों में सिर्फ 0.5% productivity increase का अधिक conservative अनुमान दिया
    • Acemoglu ने कहा, "0.5% को कम करके नहीं देखना चाहिए, लेकिन industry और media ने जो वादे किए थे, उसके मुकाबले यह निराशाजनक स्तर है"

workers का घटता भरोसा और कंपनियों की प्रतिक्रिया

  • ManpowerGroup के 2026 Global Talent Barometer सर्वे (19 देशों के लगभग 14,000 workers) में 2025 में AI का नियमित उपयोग 13% बढ़ा, लेकिन तकनीक की उपयोगिता पर भरोसा 18% गिरा
  • IBM की CHRO Nickle LaMoreaux ने पिछले हफ्ते entry-level hiring को 3 गुना बढ़ाने की घोषणा की
    • कंपनी का मानना है कि AI कुछ काम automate कर सकता है, लेकिन अगर entry-level talent को replace किया गया तो भविष्य में middle managers की कमी और leadership pipeline crisis पैदा हो सकता है

AI productivity का भविष्य

  • 1970~80 के दशक का IT boom, दशकों की सुस्ती के बाद, 1995~2005 में productivity growth rate में 1.5% बढ़ोतरी तक पहुंचा था
  • Stanford Digital Economy Lab के director Erik Brynjolfsson ने कहा कि चौथी तिमाही GDP ने 3.7% growth rate दर्ज की, जबकि job growth को घटाकर 181,000 किया गया, जिसे वे productivity surge का संकेत मानते हैं
    • उनके अपने analysis के अनुसार अमेरिका की पिछले साल की productivity 2.7% बढ़ी, और इसे वे AI investment से वास्तविक लाभ मिलने के चरण में प्रवेश के रूप में देखते हैं
  • पूर्व Pimco CEO Mohamed El-Erian ने भी कहा कि AI adoption के कारण job growth और GDP growth का decoupling चल रहा है, जो 1990 के दशक के office automation दौर जैसा है
  • Slok का विश्लेषण है कि AI का भविष्य प्रभाव शुरुआती धीमे प्रदर्शन के बाद तेज़ उछाल वाली J-curve का रूप ले सकता है
    • हालांकि 1980 के दशक के IT से अलग, आज AI tools में LLMs के बीच कड़ी प्रतिस्पर्धा है, जिससे कीमतें घट रही हैं और पहुंच आसान हुई है
    • इसलिए AI productivity का भविष्य खुद product की value पर नहीं, बल्कि अर्थव्यवस्था के हर सेक्टर में generative AI का उपयोग और implementation कैसे किया जाता है, इस पर निर्भर करेगा

संबंधित पढ़ाई

1 टिप्पणियां

 
GN⁺ 2026-02-18
Hacker News की राय

  • यह लेख AI productivity बहस की आलोचना नहीं करता, बल्कि Solow का productivity paradox(Productivity paradox) के आधार पर इसे ‘अपेक्षित घटना’ बताता है
    1970~80 के दशक में भी IT निवेश बहुत बड़ा था, लेकिन पूरी अर्थव्यवस्था में शुद्ध लाभ काफी बाद में, 1990 के दशक के मध्य और उत्तरार्ध में ही दिखाई दिया
    शुरुआती दौर में लागत बहुत अधिक थी और trial-and-error भी बहुत था। AI के साथ भी अभी यही स्थिति है: इसमें अभी बहुत पैसा और समय लग रहा है, लेकिन धीरे-धीरे integration और efficiency बढ़ने पर productivity भी बढ़ेगी

    • अभी बहुत से लोगों को AI का सही तरह से इस्तेमाल करना नहीं आता
      तकनीक-समझ रखने वाले Hacker News में भी बहुत लोग मानते हैं कि “AI code generate नहीं कर सकता”
      Amazon में काम कर चुका मेरा दोस्त भी यह नहीं जानता था कि ChatGPT का “thinking” feature चालू करने पर high-quality नतीजे मिलते हैं। जब तक लोग इसके इस्तेमाल के तरीके से परिचित नहीं होते, तब तक transformative impact की उम्मीद करना मुश्किल है
    • इस विषय पर क्लासिक जवाब के तौर पर Paul David की 『The Dynamo and the Computer』 की सिफारिश की गई
      PDF मूल लिंक
    • लागत के लिहाज़ से यह तुलना ठीक नहीं लगती
      उदाहरण के लिए Claude subscription प्रति कर्मचारी लगभग $20 प्रति माह है, जो Slack जैसे tools के समान है
      1970 के दशक के office workers की तरह computer सीखने वाली स्थिति नहीं है; onboarding बहुत आसान है, और short-term असर भी कुछ हद तक पहले से दिख रहा है
    • 1990 के दशक का IT productivity boom internet connectivity की वजह से था
      लाखों computers network से जुड़ने के बाद ही वास्तविक आर्थिक प्रभाव पैदा हुआ
    • हाल की Fortune रिपोर्ट में भी यह data दिया गया है कि AI अब ‘J-curve phase’ में प्रवेश कर चुका है
      संबंधित विश्लेषण FT लेख और Apollo Academy लेख में भी देखा जा सकता है

  • मैं बड़े enterprises को faulty hardware (इंसान) पर चलने वाले distributed systems की तरह देखता हूँ
    हर व्यक्ति (CPU) तेज़ हो सकता है, लेकिन meetings, approval waiting, और parallelize न हो पाने वाले कामों की वजह से latency बहुत होती है
    upgrade करने से पहले यह समझना चाहिए कि bottleneck I/O है या CPU

    • जब हमारी company ने AI adoption को push करना शुरू किया, तब एक senior developer ने कहा था कि समस्या coding speed नहीं, बल्कि I/O bottleneck है
      projects इतने ज़्यादा हैं कि focus नहीं बन पाता, इससे caching problems भी होती हैं, और अंत में bottleneck और गंभीर हो जाता है
    • skilled employees किसी तरह के L2 cache जैसे होते हैं
      उन्हें organization की memory जल्दी निकालकर इस्तेमाल करने में सक्षम होना चाहिए। cache न हो तो problem solving में बहुत समय लगता है, और अगर गलत जानकारी cache में चली जाए, तो सब लोग उसी पर भरोसा करके गलत दिशा में चले जाते हैं
    • नए startups शुरू से ही agent-first structure के साथ design किए जा सकते हैं, इसलिए उन्हें बढ़त मिल सकती है
      उनकी completeness कम हो सकती है, लेकिन वे कहीं अधिक agile और cost-efficient होते हैं
    • distributed systems और organizational dynamics की तुलना करने वाली यह उपमा दिलचस्प लगी
    • लेकिन अगर ऐसा है, तो फिर individual developers या छोटे businesses द्वारा AI से बनाए गए चौंकाने वाले open source projects अभी तक क्यों नहीं दिख रहे, यह सवाल बना रहता है

  • white-collar काम का ज़्यादातर हिस्सा सोचना और बोलना है
    coding में implementation का हिस्सा सोच से बड़ा हो सकता है, लेकिन दूसरे professions meetings, alignment, slide बनाना, market positioning जैसी चीज़ों से बनते हैं
    Cowork जैसे tools file exploration, tickets organize करना, और Excel formulas लिखने में मदद कर सकते हैं
    लेकिन code business decisions का output होता है, इसलिए LLM automation के लिए यह सबसे उपयुक्त रूप है
    वहीं दूसरे professions में अभी सिर्फ speed बढ़ सकती है; पूरी automation अभी दूर है

    • कौन-सी engineering roles meetings या coordination के बिना चल सकती हैं, मुझे समझ नहीं आता
      ज़्यादातर engineering में अंततः discussion और alignment ज़रूरी होते हैं
    • मेरे लिए सोचना ही सबसे बड़ा bottleneck है
      अच्छी quality का code लिखने के लिए coding से दोगुना सोचना पड़ता है
    • slide बनाना बहुत लोग पहले से LLM को दे रहे हैं, लेकिन productivity gains linear नहीं होते
      एक घंटा बचाने का मतलब यह नहीं कि उतना ही अधिक valuable काम हो जाएगा। उल्टा inaccurate slides बन जाएँ, तो किसी और को उन्हें ठीक करना पड़ता है और नुकसान होता है
    • मेरे लिए हमेशा सोच:coding अनुपात 80:20 रहा है
      LLM की वजह से बस इतना हुआ है कि अब उसी मात्रा की thinking से ज़्यादा code निकल जाता है
    • जिन domains में rules बहुत हैं और grammar अस्पष्ट है, वहाँ AI automation की संभावना ज़्यादा है
      उदाहरण के लिए Hazel.ai अमेरिका के 90% RIA से बेहतर tax और investment planning देता है
      इसकी वजह से RIA fees 1% से घटकर 0.1~0.2% तक आ सकती हैं

  • एक senior engineer के रूप में मुझे लगता है कि धीमा हिस्सा code लिखना नहीं, बल्कि review और approval process है
    code review, stakeholders की राय लेना, testing delays, documentation, presentations आदि
    इस तरह की review processes अंदर ही अंदर बार-बार दोहराई जाती हैं और bottleneck बनाती हैं

  • singularity के करीब जाते-जाते दुनिया अराजक और अप्रत्याशित होती जाती है
    तेज़ बदलाव के बीच सब कुछ noise जैसा लगता है
    अभी बस यह पूछने का समय है: “क्या दुनिया पहले से ज़्यादा predictable हुई है, या कम?”

  • NBER मूल शोधपत्र को देखें तो
    industry-wise AI adoption rate (A6), employment impact (A11), और productivity impact (A12) दिए गए हैं
    जिन industries में customer contact ज़्यादा है या जो physical products पर केंद्रित हैं (construction, retail), वहाँ AI का प्रभाव कम है
    दिलचस्प बात यह है कि hospitality और food service productivity impact में चौथे स्थान पर हैं

  • हमारी company में अभी भी AI adoption धीमा है
    आज यह दबाव मिला कि “AI usage बहुत कम होना ठीक नहीं हो सकता”
    शायद 6 महीने~1 साल बाद निष्कर्ष निकलेगा: “यह तो पैसों की बर्बादी थी”

    • आखिर में बात यही है कि management को दिशा नहीं पता और कर्मचारियों से कहा जा रहा है कि खुद पता लगाओ
      यह कुछ वैसा ही है जैसे अपना performance review भी खुद ही लिखो

  • Microsoft Copilot सहित Fortune 500 की AI pilot deployments को देखें,
    तो अब भी बहुत-सी बड़ी कंपनियाँ AI features को ठीक से समझती ही नहीं हैं
    senior executives आलस के कारण खुद इसे इस्तेमाल तक नहीं करते

    • LLM repetitive और well-defined tasks में उपयोगी है, लेकिन सामान्य office jobs के लिए इसे बढ़ा-चढ़ाकर पेश किया गया है
      email लिखना, slides बनाना, search करना जैसी चीज़ें पहले से काफी आसान हैं
      असली ताकत transcription, translation, image recognition, और API-based problem solving जैसे low-level tasks में है
      innovation ज़रूर है, लेकिन यह ‘universal accelerator’ नहीं है
    • जैसे कहते हैं, “अगर मछली पकड़ने की छड़ी दे भी दो, लेकिन reel चलाना न सिखाओ, तो मछली नहीं पकड़ी जा सकती”
      training की कमी productivity गिरने का कारण है
    • अभी AI से प्रभावित लोग ज़्यादातर developers हैं, और skeptical लोग non-developer roles में हैं
      खासकर Microsoft Copilot AI में सबसे खराब implementations में से एक लगता है, इसलिए निराशा होती है
      इसी वजह से बहुत कम लोगों को वास्तविक productivity gains महसूस हो रहे हैं

  • कर्मचारियों के नज़रिए से LLM हो सकता है homework cheat code जैसा लगे,
    लेकिन CEO के नज़रिए से यह review किए जाने वाले content की बाढ़ (DDoS) जैसा दिखता है
    जब 155-page का document WhatsApp पर आ जाए, या PR की बाढ़ आ जाए,
    तब सवाल उठता है: “आखिर यह सब review कौन करेगा?”

  • आखिरकार AI एक risk amplifier है
    अभी हम computing दुनिया की global warming-स्तर की घटना में आँख बंद करके प्रवेश कर रहे हैं