नौकरियों के साथ क्या हो रहा है? AI hype और हक़ीक़त को अलग समझना

 (siepr.stanford.edu)
1 पॉइंट द्वारा GN⁺ 4 시간 전 | 1 टिप्पणियां | WhatsApp पर शेयर करें
  • मौजूदा डेटा में AI exposure वाले occupations में बड़े पैमाने पर रोजगार गिरावट की पुष्टि नहीं होती, लेकिन नए graduates और युवा white-collar workers की hiring सुस्ती पर AI का कुछ असर पड़ा हो सकता है
  • 2022 के बाद बेरोज़गारी दर AI exposure के शीर्ष 20% occupations में 0.77%p और निचले 20% occupations में 0.85%p बढ़ी, इसलिए यह AI-जनित layoffs से अधिक पूरे labor market की मंदी के करीब दिखता है
  • generative AI ने customer support, coding, writing और legal work जैसी गतिविधियों की रफ़्तार आम तौर पर बढ़ाई, लेकिन असर job role और skill level के अनुसार अलग रहा, और inaccuracy, गलत सलाह, और creativity का एकरूप होना भी दिखा
  • surveys के अनुसार कंपनियों में AI adoption rate लगभग 20% से 80%+ तक अलग-अलग है और तेज़ी से बढ़ा है, लेकिन ज़्यादातर अभी भी कुछ functions में experiment या pilot stage पर हैं, इसलिए रोजगार पर असर भी अभी छोटा है
  • शुरुआती सबूतों के आधार पर AI के long-term employment impact को तय नहीं किया जा सकता, और adoption की गति व organizational restructuring की अवधि labor market shock के आकार और policy response की गुंजाइश तय करेगी

बड़े पैमाने पर AI-जनित बेरोज़गारी के पक्ष में अभी पर्याप्त सबूत नहीं हैं

  • यह चिंता बढ़ी है कि AI निकट भविष्य में white-collar labor market को बहुत हिला सकता है, और Anthropic CEO Dario Amodei ने अनुमान लगाया है कि AI white-collar jobs का आधा हिस्सा खत्म कर सकता है और बेरोज़गारी दर को 20% तक बढ़ा सकता है
  • मौजूदा aggregated data में यह सबूत लगभग नहीं है कि AI ने पहले ही गंभीर नौकरी गिरावट पैदा कर दी है
    • 2022 के बाद बेरोज़गारी दर AI exposure के शीर्ष 20% occupations में 0.77%p और exposure के निचले 20% occupations में 0.85%p बढ़ी
    • यह AI-exposed occupations के लिए अलग झटके से ज़्यादा पूरे labor market की कमजोरी की ओर इशारा करता है
  • AI exposure अधिक वाले occupations में employment trends भी अपेक्षाकृत स्थिर हैं
    • coding share अधिक वाले occupations में employment growth धीमी हुई है, लेकिन अब भी positive है
    • इस बात का सबूत नहीं है कि AI adoption ने कंपनियों की job postings घटाई हैं
    • software developer job postings पिछले 1 साल में दूसरे occupations की तुलना में तेज़ी से बढ़ी हैं
  • enterprise AI अपनाने वाली कंपनियों में अगले 2 साल में employment 10% बढ़ा, और employee per AI spend सबसे अधिक रखने वाली कंपनियों ने इस बढ़त को lead किया
  • AI का हवाला देकर की गई layoff announcements के वास्तविक कारण अलग-अलग हैं
    • कुछ सीमित layoffs AI automation से जुड़े हो सकते हैं
    • दूसरे layoffs AI investment के लिए cash जुटाने या pandemic दौर की over-hiring को ठीक करने से जुड़े दिखते हैं
    • HR managers का मानना है कि सीधी layoffs की तुलना में job consolidation और automation योग्य roles में नई hiring से बचना, AI का अधिक स्पष्ट असर है
  • aggregated statistics में न दिखने वाला असर कुछ groups पर हो सकता है, और खासकर युवा white-collar workers की demand में नकारात्मक संकेत दिख रहे हैं

नए graduates की hiring में गिरावट और AI का संबंध

  • नए graduates की unemployment rate 2026 की शुरुआत में 5.6% तक पहुँच गई, जो 3 साल पहले की तुलना में 1.6%p अधिक है
  • entry-level roles में routine research, analysis और writing जैसे कई काम होते हैं जिन्हें AI काफी हद तक कर सकता है, इसलिए नई hiring demand कमजोर पड़ सकती है
  • Brynjolfsson·Chandar·Chen के अध्ययन में 2022 में ChatGPT के launch के बाद software developers और customer service workers जैसे AI-exposed occupations में early-career hiring में स्पष्ट गिरावट दिखी
    • उन्हीं occupations में अधिक उम्र के workers का employment अपेक्षाकृत स्थिर रहा या बढ़ता रहा
    • शोधकर्ताओं ने युवा workers की तुलना AI labor market shock का पहले सामना करने वाली “coal mine की canary” से की
    • अमेरिका और ब्रिटेन के follow-up studies में भी 2022 से युवा AI-exposed workers की hiring पर समान नकारात्मक असर दिखा
  • हालांकि, गिरावट का timing केवल AI से समझाना मुश्किल है
    • 2022 में AI models की capabilities बहुत सीमित थीं
    • US Federal Reserve ने inflation के जवाब में ChatGPT के public release से कुछ महीने पहले, मार्च 2022 से aggressively interest rates बढ़ाने शुरू कर दिए थे
    • दोनों studies का विश्लेषण है कि AI-exposed occupations में hiring गिरावट monetary policy shift के बाद और ChatGPT launch से पहले शुरू हुई
    • pandemic दौर की over-hiring और remote work expansion का भी असर हो सकता है
  • remote work on-the-job learning को धीमा कर सकता है, जिससे युवा workers की hiring का value कम हो सकता है, और pandemic के बाद remote-work-friendly occupations में hiring experienced workers की ओर झुकने लगी
  • confounding factors को control करने वाले अतिरिक्त analysis में entry-level workers के employment में गिरावट 2024 से अधिक स्पष्ट दिखती है
    • 2022 के आसपास की गिरावट में AI के अलावा दूसरे factors काम कर रहे थे, यह संभव है
    • 2024 में AI adoption और model capabilities दोनों काफी आगे बढ़े, इसलिए सीधे AI impact की संभावना बढ़ती है
  • 2022 के आसपास entry-level AI-exposed occupations में hiring का तेज़ी से घटना स्पष्ट है, लेकिन AI के causal impact को macroeconomic shocks से अलग करना अभी भी अनसुलझा है

productivity आम तौर पर बढ़ी, लेकिन असर समान नहीं है

  • experiments में chatbots और coding tools ने कम experience और कम performance वाले workers की productivity को अपेक्षाकृत अधिक बढ़ाया
  • बड़े call center में generative AI assistant ने कुल productivity 15% बढ़ाई
    • नए या low-skill agents द्वारा प्रति घंटे हल की गई समस्याओं की संख्या 30% बढ़ी
    • high-skill agents के लिए performance improvement नहीं दिखा, और response quality थोड़ी घटी
  • GitHub Copilot experiment में software development tasks 56% तेज़ हुए, और यह सुधार कम अनुभवी developers में केंद्रित था
    • अलग enterprise field experiments में कंपनी के अनुसार development productivity impact 10~30% रहा
  • ChatGPT ने सभी skill groups में writing time घटाया और कमजोर writing ability वाले workers के output quality को भी बेहतर किया
  • युवा lawyers की contract drafting जैसे legal tasks और medical documentation में भी speed gains देखे गए
    • medical AI documentation tools का असर छोटा था, और बीच-बीच में होने वाली inaccuracies के कारण doctor supervision ज़रूरी थी
  • हर study में task types और duration अलग हैं, और कुछ randomized experiments नहीं थे, इसलिए effect size की सीधे तुलना करना कठिन है

task के हिसाब से बदलती capabilities और judgment cost

  • AI performance लागू किए गए task के अनुसार बहुत सकारात्मक या नकारात्मक होने वाली jagged frontier दिखाती है
  • वास्तविक workplace में employees को तय करना पड़ता है कि AI का कब और कैसे उपयोग करें, और यह भी जाँचना पड़ता है कि output उपयोगी है या अतिरिक्त edits चाहिए
  • केन्या के entrepreneurs पर किए गए experiment में low-skill entrepreneurs की sales और profit उस group से कम थे जिसने AI के बिना business बढ़ाया
    • low-skill users अपने हालात के लिए उपयुक्त न होने वाली सामान्य AI सलाह को लागू करने की अधिक संभावना रखते थे
    • बेहतर प्रदर्शन करने वाले entrepreneurs ने business needs के लिए अधिक उपयुक्त सुझाव निकाले
  • AI व्यक्तिगत output quality बढ़ाते हुए group-level idea diversity घटा सकता है
    • creative writing में low-skill users की story quality सुधरी, लेकिन AI से लिखी गई stories, इंसानों द्वारा लिखी stories की तुलना में आपस में कहीं अधिक समान थीं
    • AI tools अपनाने वाले scientists ने अधिक papers publish किए, लेकिन कुल research topics की संख्या और scientists के बीच interaction घटा

individual tasks में सुधार पूरी economy की productivity में क्यों नहीं बदलता

  • AI जिन tasks को profitably छोटा कर सकता है, उनका हिस्सा पूरी economy में अभी छोटा हो सकता है
  • वे bottlenecks जिन processes को AI support नहीं कर पाता, कुल productivity improvement को सीमित कर सकते हैं
  • नई technology अपनाते समय कंपनियों को work functions को reorganize करना और complementary investments करना पड़ता है, इसलिए measured productivity शुरुआती चरण में उल्टा गिर भी सकती है
  • experiments में दिखे effects ज्यादातर specific tasks और short periods तक सीमित हैं, इसलिए वे पूरी economy की long-term productivity effects के बराबर नहीं हैं
  • AI अंततः productivity बढ़ा सकता है, लेकिन मौजूदा corporate adoption speed पर इसका असर अभी total productivity statistics में न दिखे, यह संभव है

तेज़ लेकिन असमान corporate adoption

  • AI transition 3 साल में होता है या 20 साल में, इससे policy issues बहुत बदल जाते हैं
    • तेज़ transition कई workers को एक साथ बाहर कर सकता है
    • धीमा transition workers और policymakers को adapt करने का समय देता है
  • corporate surveys सभी AI use के तेज़ी से बढ़ने की बात करते हैं, लेकिन adoption rate estimates में बड़ा अंतर है
    • US Census Bureau के nationally representative survey BTOS का अनुमान है कि लगभग 20% businesses AI का उपयोग कर रहे हैं
    • US corporate executives के survey में 80%+ employees के काम में AI उपयोग की बात सामने आई
    • Ramp के customers में 50%+ AI tools या vendors पर spending कर रहे हैं
    • nationally representative household survey में 40%+ employed respondents ने workplace में AI use की बात कही
  • संख्याओं का अंतर survey method और sample composition से आता है
    • बड़े enterprises में AI adoption अधिक होने के कारण employment-weighted ratios, केवल firms की संख्या पर आधारित ratios से ऊँचे होते हैं
    • Ramp sample पूरी business population का प्रतिनिधित्व नहीं करता और AI adoption अधिक वाले tech firms की ओर झुका है
    • Federal Reserve research का मानना है कि nationally sampled Census Bureau की कम estimate को प्राथमिकता देने के कारण हैं, और employment weights लगाने पर surveys के बीच का अंतर काफी घट जाता है
  • AI adoption tech firms और finance जैसे information-intensive industries में केंद्रित है
    • सबसे सामान्य use areas sales·marketing, IT, strategy, finance और accounting हैं
    • AI अपनाने वाली firms भी अक्सर इसे एक-दो business functions तक सीमित रखती हैं या कई tasks में कम frequency से उपयोग करती हैं
    • व्यापक AI integration अपवाद है; McKinsey survey में अधिकांश firms experiment·pilot stage में हैं और केवल कुछ बड़े enterprises scaled deployment को lead कर रहे हैं
  • अभी corporate AI adoption का employment पर असर छोटा है
    • Census Bureau data में employment impact होने की बात कहने वाली firms 5% थीं, और increase व decrease कहने वालों की संख्या बराबर थी
    • Atlanta Fed survey के 80% executives ने कहा कि AI investment ने अभी headcount या productivity नहीं बदली है
    • डेनमार्क के study में AI ने workers के tasks और time allocation को reorganize किया, लेकिन employment, working hours और income पर अभी असर नहीं पड़ा
    • यह research भी है कि AI अपनाने वाली firms में अगले 2 साल में employment 10% बढ़ा

शुरुआती सबूत long-term future तय नहीं करते

  • अतीत की technological innovations को firms और labor markets बदलने में कई साल से लेकर कई दशक लगे हैं
  • Robert Solow ने 1987 में कहा था, “computer age productivity statistics को छोड़कर हर जगह दिखती है”
    • 1980s में firms ने PCs में बड़े पैमाने पर निवेश किया, लेकिन लाभ पाने के लिए enterprise software, worker retraining और organizational restructuring की भी ज़रूरत पड़ी
    • इसी adoption friction के कारण computer revolution के measurable economic gains 1990s के आख़िर तक जाकर दिखे
  • AI को लेकर outlooks काफ़ी बँटे हुए हैं
    • normal technology मानने वाला पक्ष कहता है कि AI पिछली technologies की तरह transformative तो होगा, लेकिन धीरे-धीरे फैलेगा
    • दूसरा पक्ष मानता है कि दुनिया बदलने वाले effects 2027 तक भी दिख सकते हैं
  • normal technology view के समर्थन में मज़बूत आधार यह है कि अतीत की technology revolutions ने कुछ occupations की labor demand खत्म या कम की, लेकिन साथ ही नई jobs और industries भी बनाई
    • काम और economy की प्रकृति बदली, लेकिन total employment बढ़ा
  • AI को अतीत से अलग मानने वाला पक्ष तेज़ adoption speed, cognitive labor पर असमान प्रभाव, और केवल एक occupation नहीं बल्कि व्यापक white-collar work में इसके फैलाव को आधार बनाता है
  • चाहे जो outlook सही निकले, technology revolution व्यक्तियों के लिए बड़ा झटका बन सकती है, इसलिए labor market changes को जल्दी समझना और संभावित policy responses तैयार रखना ज़रूरी है

संबंधित पढ़ाई

1 टिप्पणियां

 
GN⁺ 4 시간 전
Hacker News की रायें

  • चर्चा खोलते ही ऊपर की दो टिप्पणियां एक-दूसरे के बिल्कुल उलट हैं। एक कहती है कि AI मौजूदा high performers की productivity और बढ़ाकर 80:20 को 99:1 बना देता है, जबकि दूसरी कहती है कि LLM औसत से नीचे वालों को ऊपर उठाता है लेकिन skilled लोगों को बाधित करके सबको औसत की ओर converge करा देता है

    • उलटी तरफ का अनुभव भी ईमानदार लगता है, लेकिन software की marginal cost लगभग 0 है, इसलिए efficient market में consumption उन top-tier products पर केंद्रित होगी जिन्हें AI इस्तेमाल करने वाले seniors बनाते हैं। भले ही output पर AI इस्तेमाल करने वाले juniors का दबदबा हो, अगर वह असल में इस्तेमाल ही नहीं होता तो क्या वह सचमुच productivity है—यह सवाल है। मैंने भी 3 juniors को निकालकर अकेले काम करना शुरू किया, और ऐसे कई मामले देखे हैं
      आसान काम खत्म हो जाएं तो सिर्फ कठिन काम बचते हैं, जिन पर juniors आगे नहीं बढ़ पाते। bureaucratic कंपनियां आसान कामों की भारी मात्रा बना देती हैं, इसलिए अगर Jira tickets के throughput को productivity माना जाए तो juniors की AI productivity gain बहुत बड़ी दिखेगी
    • कुछ हफ्ते पहले वास्तविक feature development में Codex इस्तेमाल करना शुरू करने से पहले मैं ChatGPT से सिर्फ छोटे-मोटे काम कराता था, और सोचता था कि गहरे problem solving के लिए Codex सही नहीं होगा—लेकिन मैं गलत था। मुझे अंदाज़ा नहीं था कि ये tools कितने smart हैं
      अब मुझे लगता है कि मेरे, 2 frontend developers, लगभग full-stack developer, tester, 2 product people और PM वाली बड़ी project team के काम को सिर्फ मैं और tester मिलकर ज्यादा efficiently कर सकते हैं। 20 साल बाद SQL फिर से लिखने पर भी मैं धीमा नहीं पड़ता, और CSS, features, tests तक अकेले तेज़ी से संभाल सकता हूं
      हमारी छोटी organization में आम तौर पर प्रति project 1–2 developers होते हैं, इसलिए बड़े projects का संचालन बहुत खराब है और communication में 80% मेहनत बर्बाद हो जाती है। शुरुआत में scope और UI/UX patterns के लिए product team उपयोगी थी, लेकिन उसके बाद उनसे सिर्फ specific design requests कराना और एक thorough tester का unusual edge cases पकड़ना काफी है
      मेरा मतलब यह नहीं कि मैं genius हूं; मैं बस कई क्षेत्रों में ठीक-ठाक competent हूं। फिर भी, अगर एक skilled full-stack developer के पास UX sense और stakeholder management ability भी हो और वह इन tools का इस्तेमाल करे, तो जो संभव है वह डराने वाला है
    • कुछ परतें हटाकर देखें तो यह जरूरी नहीं कि विरोधाभास हो। junior की 50% improvement, senior की 10% improvement से absolute terms में छोटी हो सकती है, इसलिए diminishing returns Pareto distribution के साथ compatible हो सकते हैं
      improvement juniors में केंद्रित दिखने का कारण assigned work का फर्क भी हो सकता है। अगर senior junior वाला काम करे तो वह 1,000% तेज हो सकता है, लेकिन असल कठिन काम seniors के पास आता है, और अब Claude से आसानी से हल न होने वाला काम ही कठिन काम की category में चला गया है
    • असर काम, भाषा और अनुभव पर बहुत निर्भर करता है। low performers ने सामान्य developer जैसी speed पकड़नी शुरू की, लेकिन उनका output rough था और ज्यादातर rework चाहिए था। हालांकि iteration speed बढ़ने से learning भी तेज लगती है, इसलिए long term में उनके productive होने की संभावना है
      high performers काम बेहद तेजी से खत्म करके quality और process पर focus करते हुए अच्छी तरह polished software बनाते हैं, लेकिन PMs ने यह नोटिस किया और sprint में लगातार और काम जोड़ना शुरू किया, जिससे हालात खराब होने लगे
      और भी चौंकाने वाली बात यह है कि अब domain-specific expert (SME) होना जरूरी नहीं रहा। Android experience बिल्कुल न रखने वाली छोटी team ने एक ऐसी product feature, जिसे port करना मुश्किल था, कुछ महीनों में लगभग bug-free release कर दी; AI न होता तो कम से कम आधे साल से ज्यादा लगता। पिछले दिन जिस चीज़ पर वे कहते थे “मुझे इसका मतलब भी समझ नहीं आ रहा”, वह अगले दिन पूरी हो जाती थी
    • सबसे absurd बात यह है कि लोग मानते हैं कि एक तेज़—बेहतर नहीं कहूंगा—code generator मानवता की समस्याएं हल कर देगा

  • ऐसी research की कठिनाई यह है कि Claude Code और OpenAI Codex जैसे coding agents नवंबर के आखिर में ही ठीक से काम करने लगे, और दिसंबर की छुट्टियों के कारण कई लोगों ने उन्हें वास्तव में जनवरी की शुरुआत में इस्तेमाल किया। OpenClaw, Anthropic Copilot, ChatGPT “Work” जैसे general-purpose agents इससे भी बाद में आए
    2022–2025 के conversational systems की तुलना में इनका काम पर असर कहीं बड़ा हो सकता है, इसलिए 2025 के आखिर तक ही cover करने वाली studies असली performance leap miss कर गई होंगी

    • जनवरी के अंत में एक बड़ी tech company में पूरी team निकाल दी गई और nominal reason AI था, लेकिन असल में मुझे लगता है कि वजह 2022 की over-hiring थी। ज्यादा कोशिश किए बिना अप्रैल में नई job मिल गई, और hiring company ने कहा कि वे अभी भी developers hire कर रहे हैं और मेरी qualifications वाले व्यक्ति को ढूंढने में उन्हें लंबा समय लगा
      मैं Claude इस्तेमाल करता हूं, लेकिन दूसरी जगहों पर दिखने वाले AI fanatics लगभग नहीं थे, और यह job search का एक महत्वपूर्ण filter भी था। jobs घटने वाली narrative काफी बढ़ा-चढ़ाकर बताई गई है और मुझे यह Anthropic और OpenAI तथा उनके spokespeople की doom marketing जैसी लगती है
    • “अब जाकर यह सचमुच अच्छी तरह काम करने लगा है” वाला साल 2026 है, 2025 है, 2024 है या 2023—पता नहीं; यह बात बहुत बार सुन चुका हूं
    • पिछले साल इसी समय की तुलना में recruiters का संपर्क काफी बढ़ा है, लेकिन यह technology खुद से ज्यादा hype cycle से जुड़ा दिखता है। founders VCs को समझाते हैं कि बड़े industries या products को agent-first alternatives में बदलकर बहुत पैसा कमाया जा सकता है, और उस funding से coding agents को manage, run और coordinate करने के लिए और लोग hire करते हैं
      पिछले साल माहौल था “उसी software को कम लोगों से बनाना”, लेकिन अब “अलग तरह का या अलग तरीके का software बनाना” जैसी expectations के साथ early-stage companies बढ़ रही हैं। हालांकि future headcount या success की कोई guarantee नहीं है
      non-startup companies में अब भी layoffs की धमकी और AI tools इस्तेमाल करने का दबाव है, और legacy code में लंबे समय तक चलने वाले agents बिना सावधानीपूर्वक supervision के बिना टूटे effective रहेंगे या नहीं—इस पर भरोसा मिला-जुला है
    • कंपनियां जनवरी 2026 से काफी पहले से AI को layoffs का बहाना बनाती रही हैं, इसलिए यह research conclusion से भी मेल खाता है (source). 2026 से वृद्धि दिखती है, लेकिन यह सचमुच AI-driven layoffs भी हो सकते हैं या फिर AI layoffs का बेहतर justification बन गया हो सकता है
    • असर मुख्य रूप से software development में केंद्रित रहा है; law, finance आदि में व्यापक automation और layoffs नहीं दिख रहे। LLM की memory, reliability और long-term planning में वास्तविक बाधाएं हैं, इसलिए progress incremental होगी
      भले ही software development पूरी तरह बदल गया हो, 2027 में developers की जरूरत खत्म हो जाएगी या उनकी संख्या 50% घट जाएगी—ऐसा मानने वाले लोग ज्यादा नहीं दिखते

  • उत्पादकता Pareto distribution का पालन करती है, और AI पहले से ही उत्पादक लोगों को अनुपातिक रूप से और अधिक उत्पादक बनाने वाला एक तेज़ औज़ार है। AI की बुद्धिमत्ता बढ़ने पर 80:20, 90:10, 95:5, 99:1 में बदल सकता है।
    कॉर्पोरेट bureaucracy धीरे बदलती है, लेकिन अगर शीर्ष प्रदर्शन करने वाले लोग बाहर आकर छोटे competitor बना लें, तो मध्यम और बड़ी कंपनियों की जगह छोटी कंपनियों के आने वाला बदलाव तेज़ होगा। कुशल कंपनियों के बीच प्रतिस्पर्धा consumer surplus बढ़ाएगी, लेकिन साथ ही बड़े पैमाने पर आर्थिक विस्थापन और tax base के ढहने को जन्म दे सकती है।
    AI हाल ही में ही इतना अच्छा हुआ है और competitor कंपनी बनाने में भी समय लगता है, इसलिए lagging indicators में यह अभी नहीं दिखेगा। मैं भी एक niche industry के top-tier software से बेहतर product लगभग मुफ्त में देकर बड़ा पैसा कमाने वाली commoditization पर काम कर रहा हूँ, और competitors को यह बताने की कोई वजह नहीं है। कई industries में यही होने लगे तो दुनिया पूरी तरह बदल सकती है।

    • मध्यम और बड़ी कंपनियों पर लागू असंख्य regulations और employee support systems को startup owners या employees के लिए संभालना मुश्किल है। जिस पल आप ऐसे कामों में चले जाते हैं, परिभाषा के हिसाब से आप startup नहीं रह जाते।
      multi-cloud, multi-region deployments से लेकर स्थानीय regulations, accounting, tax और legal तक bureaucracy संभालने के लिए बेहद smart robots चाहिए होंगे; अभी SAP जैसी कंपनियाँ यह भूमिका निभाती हैं। अगर ऐसी automation संभव हो जाए, तो हम जिस रूप में company को जानते हैं, उसकी ज़रूरत ही न रहने जैसी स्थिति बन जाएगी।

  • यह सवाल है कि unemployment rate का chart COVID शुरू होने से पहले ही एक साल से अधिक समय तक धीरे-धीरे क्यों बढ़ता दिखता है। BLS data में मार्च 2020 में अचानक तेज़ उछाल है (data)।
    साथ ही, 2015 की “AI exposure” क्या है, यह अस्पष्ट है। उस समय LLM नहीं थे, और cited paper की quintile classification असल में AI के बजाय computer usage के करीब है। chess खेलने वाले AI और वास्तविक काम करने वाले LLM में फर्क करना चाहिए; बाद वाला शायद सिर्फ करीब एक साल पहले ही आया है।

    • लगता है 16% वाले peak को काटकर time-delay smoothing लागू की गई है। point data खुद BLS के ज्यादा करीब है।

  • हाल ही में hiring market में अपनी qualifications जाँचीं। लगा था कि पिछले 18 महीनों में किसी संगठन के sole developer के रूप में मैं पर्याप्त रूप से latest trends के साथ बना रहा हूँ, लेकिन नतीजा कठोर था। कंपनियाँ agentic AI experience के 4 साल मांग रही थीं।
    आखिरकार हर कोई बातें गढ़ रहा है, और मूल सिद्धांत समझे बिना hype पर भरोसा करके ऐसे standards बना रहा है जिन्हें कोई पार नहीं कर सकता। AI-native क्षमताएँ बना लेने पर भी AI-native roles के लिए आप अयोग्य ठहरते हैं।

    • अगर आपने 2023 में Auto-GPT के साथ प्रयोग किया था, तो अगले साल आपके agent experience के 4 साल पूरे हो सकते हैं। बेशक उस समय का तरीका और आज का तरीका लगभग overlap नहीं करते, और पिछले साल व इस साल की तुलना में भी वैसा ही लगता है। Anthropic ने तो यह कहते हुए system prompt का बड़ा हिस्सा हटा दिया कि model में common sense आ गई है।
      फिर भी पुराने models या समान constraints वाले नए small models को आज़माने की value है। सावधानी से context management और अच्छे examples बनाने जैसी आदतें latest models पर भी काम करती हैं, performance बढ़ाती हैं और cost घटाती हैं। संभव हो तो बोलकर समझाने के बजाय दिखाना चाहिए।
      वे basic और text models, जो बेहद रोचक और मज़ेदार थे, गायब हो गए—यह अफसोस की बात है।
    • दूसरे applicants जिन recruiter और talent acquisition stages पर automatically reject हो जाते हैं, उन्हें पार करना होता है, इसलिए उलटे ढीले standards को अपने फायदे में इस्तेमाल करना चाहिए।
    • मौजूदा hype भी समस्या है, लेकिन 1999 में Java experience के 5 साल मांगने वाली कंपनियाँ याद आती हैं। शायद वे सिर्फ Gosling और उनके colleagues को ही hire करना चाहती थीं।
    • job postings की requirements असली अनिवार्य शर्तों के बजाय wish list के ज्यादा करीब होती हैं। अगर वे Y technology के X साल मांगते हैं, तो X-1 साल होने पर apply करने से पीछे हटने की जरूरत नहीं; company भी हर शर्त पूरी करने वाले व्यक्ति की उम्मीद नहीं कर रही हो सकती, या हर item को बहुत महत्व नहीं देती हो सकती।
      “X साल का experience” भी शब्दशः समयावधि के बजाय skill level का proxy indicator है। अगर आप वह काम X साल कर चुके औसत व्यक्ति जितना अच्छा कर सकते हैं और इसे साबित कर सकते हैं, तो काफी है।
    • HR हमेशा required experience बढ़ा-चढ़ाकर लिखता है। Java 1.0 release के समय भी 4–5 साल का experience मांग रहे थे, इसलिए जिस व्यक्ति को काम की समझ नहीं है उसके job posting लिखने की समस्या दशकों से चल रही है।

  • दो मुख्य बातें ध्यान देने लायक हैं। पहली, chart 3 में productivity studies का अधिकांश data 2023–2024 का है, इसलिए Copilot ने ऊँचे numbers दिखाए; उस समय यह शक्तिशाली autocomplete के स्तर पर था और coding agents के विस्फोटक रूप से फैलने से पहले की बात थी।
    दूसरी, 50% से अधिक Americans self-report करते हैं कि वे हर हफ्ते AI का इस्तेमाल करते हैं, लेकिन वास्तविक usage काम के समय का सिर्फ 6% है, जो Google study के शब्दों में “wide but shallow usage” है।
    उसी survey में बचाया गया समय working hours का 2% निकला, यानी AI usage के प्रति घंटे productivity improvement 30% से अधिक है, और यह कई industries तथा controlled studies के results से मेल खाता है। कुछ economists मानते हैं कि adoption की इतनी कम दर से भी national labor productivity statistics पर असर दिखने लगता है।
    6% बहुत कम है, इसलिए employment impact अभी बस शुरू हो सकता है। self-reporting और micro/macro numbers में usefulness दिख रही है, इसलिए users और tasks दोनों का दायरा बढ़ेगा; डर यह है कि impact धीरे-धीरे आगे बढ़े और फिर अचानक विस्फोटक रूप से बढ़ जाए।
    adoption tracker, Google study (discussion), St. Louis Fed data, productivity analysis

  • उत्पादकता में सुधार मुख्य रूप से कम-अनुभवी engineers तक सीमित रहता है और अधिक अनुभवी लोगों में गायब हो जाता है या negative हो जाता है—इसके बड़े संकेत हैं। यह उस अनुभव से मेल खाता है कि LLM baseline को औसत की ओर खिसका देता है: औसत से नीचे वालों की मदद करता है, लेकिन औसत से ऊपर वालों के लिए बाधा बनता है
    साथ ही, LLM से किया गया काम खुद करने की तुलना में याद कम रहता है। तो इसका मतलब है कि कम-अनुभवी engineers असल में अनुभव जमा नहीं कर पा रहे हैं। Tech कंपनियों के CEO शायद ऐसे कम-skilled workers चाहते हों जिन्हें कम वेतन दिया जा सके

    • मैं एक छोटी कंपनी चलाता हूं, लेकिन इसे बिल्कुल उल्टा देखता हूं। कम-skilled लोग LLM output की खामियां पकड़ नहीं पाते और बिना सोचे copy-paste ही करते हैं, इसलिए उनकी जगह कोई भी ले सकता है। अब junior hiring में रुचि नहीं है और senior engineers की value सबसे ज्यादा बढ़ गई है
    • Software development संगठनों और roles को दो वर्गों में बांटना उपयोगी है। जिन कंपनियों में software ही product है और revenue व differentiation का स्रोत है, वहां अच्छे developers अच्छे products और ज्यादा profit में बदलते हैं, इसलिए वे skilled लोगों को market price पर hire करती हैं; ऐसे roles चुनने चाहिए
      इसके उलट, जिन कंपनियों में software सिर्फ non-core component या internal IT system भर है, वे developers को revenue asset नहीं बल्कि घटाया जाने वाला cost मानती हैं। वे सबसे सस्ते और कम-अनुभवी लोगों को ढूंढती हैं, और outsourcing या LLM के जरिए अच्छे developers को hire करने से बचना चाहती हैं
      भले ही असल काम कठिन हो और skilled लोगों की जरूरत हो, जब तक कंपनी उसे cost मानती है, वह उसे सबसे सस्ते labour से निपटाने की कोशिश करेगी। अगर संभव हो तो उन products या IT system roles से बचना चाहिए जहां software quality और profitability का connection management को स्पष्ट नहीं है
    • मुझे जिज्ञासा है कि याद कम रहने की वजह काम में सीधे शामिल होने की मात्रा कम होना है, या फिर output और याद रखने वाली चीजें बढ़ जाने से absolute memory लगभग समान रहती है लेकिन proportion कम हो जाता है। दोनों हो सकते हैं, या कोई और वजह भी हो सकती है
    • Memory retention की समस्या को बहुत ज्यादा नजरअंदाज किया जा रहा है। यह कुछ वैसा हो जाता है जैसे managers जिनके पास overall overview तो होता है लेकिन details नहीं होतीं; सिर्फ review करने से आप काम में उतनी गहराई तक नहीं जाते जितना खुद करने पर जाते हैं
    • तो फिर CEO लोगों को जो चाहिए था वही हुआ। अगर agentic coding की वजह से सारे estimates बिगड़ने और vibe coding से भरे toxic environment से बचा जा सके, तो मैं salary cut भी स्वीकार करने को तैयार हूं

  • Workplace में AI का सबसे बड़ा असर developers के लिए LLM code generators हैं, लेकिन enterprise में जो संभव है उसकी बस सतह छुई गई है। हमारी company के पास business goals के लिए AI की असली ताकत इस्तेमाल करने की दिशा, इच्छा और technical capability नहीं है; वह सिर्फ external packaged solutions खरीदती है और environment में intelligence layer integrate नहीं कर पाती
    ऐसी companies दुर्लभ नहीं होंगी। Chatbots उपयोगी हैं, लेकिन AI को काम बदलने में कई साल, शायद दशकों लग सकते हैं, और रोजमर्रा की जिंदगी में उससे भी ज्यादा समय लग सकता है। कोई भी तकनीक कितनी भी गहरी हो, उसे real-world friction से जूझते हुए ही फैलना पड़ता है

    • Dot-com boom के बाद भी 10 साल से ज्यादा समय तक कई companies बिना online presence के अच्छी तरह चलती रहीं। अगर कोई heating/cooling HVAC service existing contracts पर काम करती है, तो website न होना भी ठीक था
      लेकिन AI, website की तुलना में कहीं ज्यादा व्यापक रूप से फैल रहा है, और क्योंकि सब पहले से mobile phones इस्तेमाल करते हैं, friction भी अपेक्षा से कम है। MS Copilot अगर पर्याप्त अच्छा हो गया, तो non-technical users भी AI से काम करवाएंगे
      किसी HVAC company का मालिक कह सकेगा: “Brentwood के Bob’s Burgers में बड़ी emergency है, दो employees को जितनी जल्दी हो सके भेजो और जरूरत पड़े तो दूसरे visits reschedule कर दो।” ऐसे कामों के लिए भारी tokens की जरूरत नहीं होगी, इसलिए वे सस्ते होंगे; और “schedule बनाना” या “X से Y के बारे में contact करना” जैसे सामान्य office commands 3–5 साल में बहुत practical हो जाने की संभावना है। मुख्य bottleneck agents को सही data तक पहुंच देने का काम होगा

  • आसपास सच में लोगों को jobs खोते देख रहा हूं, लेकिन सौभाग्य से अभी तक सीधे प्रभावित नहीं हुआ हूं। SaaS, iPaaS और serverless को मुख्य delivery technologies के रूप में अपनाने के साथ agency work पहले ही 10 साल पहले की तुलना में छोटी teams से हो रहा है
    AI की वजह से कम लोगों से ज्यादा काम किया जा सकता है, लेकिन सभी को busy रखने लायक project demand पर्याप्त नहीं है

  • Anthropic CEO Dario Amodei ने अनुमान लगाया है कि AI white-collar jobs के आधे हिस्से को खत्म कर सकता है और unemployment rate को 20% तक बढ़ा सकता है, और साथ ही कहा है कि कुछ models release करने के लिए बहुत खतरनाक हैं

    • Anthropic जल्द ही चाहेगा कि यह विश्वास फैले कि वही पूरी दुनिया का अकेला “technology” supplier बन जाएगा और सारी transactions उसकी subscription के भीतर होंगी। यह narrative—कि लोग AI-generated content बेचेंगे, दूसरे लोगों के agents उसे खरीदेंगे, और Anthropic पूरी world economy बन जाएगा—भविष्य के IPO में लगभग infinite company valuation पाने में मदद करेगा