अर्थशास्त्री चेतावनी दे रहे हैं कि AI नौकरी के पूर्वानुमान गलत डेटा पर आधारित हैं

AI नौकरियों पर बहस शायद अपने साक्ष्य से आगे निकल रही है

टेक्नोलॉजी क्षेत्र में, AI-प्रेरित नौकरी हानि को लेकर अनुमान लगातार अधिक नाटकीय होते जा रहे हैं। MIT Technology Review इस माहौल को स्पष्ट रूप से पकड़ता है: कार्यकारी और शोधकर्ता खुले तौर पर मंदी के जोखिम, शुरुआती करियर सीढ़ियों के टूटने, और AI के व्यापक श्रम-प्रतिस्थापक बनने की संभावना पर चर्चा कर रहे हैं। लेकिन प्रकाशन शिकागो विश्वविद्यालय के अर्थशास्त्री Alex Imas की एक अधिक संयमित टिप्पणी भी सामने लाता है: श्रम में व्यवधान का अनुमान लगाने के लिए सामान्यतः उपयोग किए जाने वाले डेटा उपकरण बहुत अपर्याप्त हो सकते हैं।

मुख्य आलोचना यह है कि अर्थशास्त्री और नीति-निर्माता task exposure पर बहुत अधिक निर्भर हैं। यदि किसी नौकरी में ऐसे कार्य हैं जिन्हें AI संभावित रूप से कर सकता है, तो उस नौकरी को अक्सर जोखिम में माना जाता है। Imas का तर्क है कि यह पर्याप्त नहीं है। स्रोत पाठ में उद्धृत उनके शब्दों में, exposure अपने आप में displacement का अर्थपूर्ण पूर्वानुमानक नहीं है।

Task exposure इतना मोटा पैमाना क्यों है

लेख एक परिचित उदाहरण के माध्यम से तर्क समझाता है। नौकरियां कई कार्यों के बंडल होती हैं, जिनमें से कुछ स्वचालित किए जा सकते हैं और कुछ नहीं। शोधकर्ताओं ने 1998 में पहली बार शुरू किए गए और नियमित रूप से अपडेट होने वाले एक सरकारी task catalog का उपयोग यह अनुमान लगाने के लिए किया है कि व्यवसाय AI के प्रति कितने exposed हैं। OpenAI ने दिसंबर में इस तरह के डेटा का उपयोग व्यावसायिक exposure का आकलन करने के लिए किया, और बाद में Anthropic ने उन task lists की तुलना Claude conversations की लाखों प्रविष्टियों से की ताकि देखा जा सके कि उपयोगकर्ता वास्तव में AI के साथ कौन से कार्य कर रहे थे।

यह सुनने में कठोर लगता है, लेकिन समस्या संरचनात्मक है। एक नौकरी केवल अपने स्वचालित किए जा सकने वाले कार्यों का योग नहीं होती। कुछ कार्य केंद्रीय होते हैं, कुछ गौण, और कुछ भरोसे, विनियमन, या प्रत्यक्ष-उपस्थिति वाले निर्णय से गहराई से जुड़े होते हैं। एक कार्य को बदलने या बढ़ाने से उसके आसपास की भूमिका अपने आप समाप्त नहीं हो जाती। इसलिए exposure data हमें यह बता सकती है कि AI काम को कहाँ छूता है, लेकिन यह नहीं कि रोजगार कैसे बदलेगा।

जो डेटा गायब है, वह श्रमिक-स्तर की वास्तविकता है

MIT Technology Review के अनुसार, Imas अर्थशास्त्रियों से एक अलग तरह के साक्ष्य जुटाने की मांग कर रहे हैं: ऐसा डेटा जो यह पकड़ सके कि AI टूल्स के श्रम बाजार में आने के साथ श्रमिकों के साथ वास्तव में क्या हो रहा है। यह मांग इसलिए महत्वपूर्ण है क्योंकि सार्वजनिक बहस का अधिकांश हिस्सा अब भी अनुमानों, किस्सों, या कंपनी-स्तरीय बयानबाजी से संचालित है, न कि वेतन, घंटे, भर्ती, करियर प्रगति, और प्रतिस्थापन पर दीर्घकालिक साक्ष्यों से।

व्यावहारिक रूप से, इसका अर्थ है कि बहस गलत क्रम में हो रही है। समाज समस्या के पैमाने और स्वरूप को समझने के लिए आवश्यक मापन प्रणाली बनाए बिना नीति प्रतिक्रियाओं पर बहस कर रहा है। यदि AI श्रम बाजारों को असमान रूप से प्रभावित करता है, और उम्र, क्षेत्र, वरिष्ठता, और भूगोल के अनुसार बड़े अंतर दिखते हैं, तो मोटे occupation-level exposure scores वास्तविकता को उजागर करने के बजाय उसे छिपा सकते हैं।

यह अभी क्यों मायने रखता है

तत्कालता केवल शैक्षणिक नहीं है। लेख बताता है कि श्रमिक पहले से घबराए हुए हैं और विधायकों ने यह नहीं बताया है कि आगे क्या किया जाए। यह एक खतरनाक संयोजन है। जब सार्वजनिक भय ऊंचा हो और साक्ष्य कमजोर, तब नीति प्रतिक्रियात्मक, प्रतीकात्मक, या सबसे अधिक मुखर कथा द्वारा कब्जा की जा सकती है।

जो अर्थशास्त्री पहले AI के श्रम प्रभाव को जरूरत से ज्यादा पढ़ने के खिलाफ चेतावनी देते थे, वे भी, लेख के अनुसार, इस राय के करीब आ रहे हैं कि यह तकनीक काम पर अभूतपूर्व प्रभाव डाल सकती है। यह हर प्रलयकारी दावे को सही नहीं ठहराता। लेकिन यह संकेत देता है कि बेहतर डेटा के अपने आप सामने आने की निष्क्रिय प्रतीक्षा करना एक गलती हो सकती है।

मापन की कमी नीति विफलता बन सकती है

इस लेख में सबसे महत्वपूर्ण विचार यह है कि खराब मापन केवल अकादमिक भ्रम नहीं पैदा करता। यह सीधे नीति क्षमता को कमजोर कर सकता है। यदि सरकारों को यह नहीं पता कि कौन से श्रमिक विस्थापित हो रहे हैं, कौन सी भूमिकाएं बदल रही हैं, या शुरुआती करियर सीढ़ियाँ कहाँ टूटने लगी हैं, तो वे लक्षित प्रतिक्रियाएं नहीं बना सकतीं। प्रशिक्षण नीति, सुरक्षा-जाल योजना, शिक्षा सुधार, और यहां तक कि कर बहसें भी इस बात को समझने पर निर्भर करती हैं कि AI वास्तव में फर्मों और व्यवसायों के भीतर क्या कर रहा है।

इसीलिए लेख में वर्णित आह्वान एक आर्थिक चुनौती जितना ही एक संस्थागत चुनौती भी है। AI के आसपास बेहतर श्रम-बाजार डेटा बनाने के लिए शोधकर्ताओं, नियोक्ताओं, और सार्वजनिक एजेंसियों के बीच समन्वय की जरूरत पड़ सकती है। इसके लिए श्रम सांख्यिकी की सामान्य गति से तेज चलना भी आवश्यक हो सकता है, क्योंकि वे अक्सर काम के संगठन में वास्तविक बदलावों से पीछे रह जाती हैं।

भविष्य के काम पर बहस को बेहतर उपकरणों की जरूरत है

AI और श्रम पर बहस इतनी ध्रुवीकृत होने का एक कारण यह है कि यह बातचीत कमजोर instrumentation के साथ हो रही है। एक पक्ष पर यह व्यापक दावा है कि AI जल्द ही लगभग सभी नौकरियां कर लेगा। दूसरे पक्ष पर यह याद दिलाया जाता है कि व्यापक नौकरी हानियां अब तक समग्र डेटा में स्पष्ट रूप से नहीं दिखी हैं। सीमित अर्थों में दोनों बातें सही हो सकती हैं, फिर भी सतह के नीचे क्या हो रहा है, उसे पकड़ने में असफल रह सकती हैं।

MIT Technology Review का योगदान exposure और displacement के बीच के अंतर को प्रमुख विश्लेषणात्मक fault line के रूप में पहचानना है। यह अंतर अधिक ध्यान मांगता है। कोई नौकरी AI के प्रति अत्यधिक exposed हो सकती है, फिर भी वर्षों तक टिकाऊ रह सकती है। दूसरी नौकरी आंशिक रूप से exposed हो सकती है, लेकिन इसलिए कमजोर पड़ सकती है क्योंकि जूनियर कार्य पहले गायब हो जाते हैं, जिससे भविष्य के विशेषज्ञों को तैयार करने वाली पाइपलाइन कट जाती है।

अगली गंभीर AI श्रम कहानी शायद बयानबाजी नहीं, सांख्यिकी होगी

इस लेख से सबसे मजबूत निष्कर्ष यह है कि समाज को कम नाटक और बेहतर साक्ष्य की जरूरत है। कुल श्रम-प्रतिस्थापन के बड़े पूर्वानुमान सुर्खियां बटोर सकते हैं, लेकिन वे अनुशासित मापन का विकल्प नहीं हैं। यदि अर्थशास्त्री सही हैं कि मौजूदा उपकरण बेहद खराब हैं, तो अगला अहम कदम यह नहीं है कि AI काम नष्ट करेगा या नहीं, इस पर एक और बहस-मंच हो। असली बदलाव क्या है, यह देखने के लिए आवश्यक worker-level data इकट्ठा करने का एक सतत प्रयास होना चाहिए।

तब तक, आशावाद और घबराहट दोनों ही अधूरे प्रमाणित रहेंगे। भविष्य के काम पर बहस अब इतनी बड़ी हो चुकी है कि बेहतर साक्ष्य की अनुपस्थिति स्वयं AI के बारे में सबसे महत्वपूर्ण तथ्यों में से एक बन रही है।

यह लेख MIT Technology Review की रिपोर्टिंग पर आधारित है। मूल लेख पढ़ें।