AI की उपलब्धता ने परीक्षा के अंक 7.2 प्रतिशत अंक बढ़ाए, और टूल हटा लिए जाने के एक हफ़्ते बाद भी 3.9 अंक बचे रहे — लेकिन सिर्फ़ उन लोगों में जिन्होंने AI को ट्यूटर की तरह इस्तेमाल किया। जिन्होंने उससे अपनी जगह लिखवाया, उनकी बढ़त गायब हो चुकी थी (कॉन्ट्रैक्टर और रेयेस, 2026).
आपकी टीम के दो लोग एक ही मॉडल से एक ही काम कर सकते हैं और एक ही गुणवत्ता का नतीजा दे सकते हैं। एक हफ़्ते बाद, उनमें से एक उस काम में मापने योग्य रूप से बेहतर होता है और दूसरा वहीं वापस पहुँच जाता है जहाँ से शुरू किया था। आपके हाथ में जो डिलिवरेबल है, वह नहीं बताता कि कौन कौन है।
इन आंकड़ों के पीछे का प्रयोग एक आमने-सामने, निगरानी में कराया गया रैंडमाइज़्ड अध्ययन है: स्नातक छात्रों ने समय के दबाव में एक अपरिचित तकनीकी विषय पढ़ा और AI की उपलब्धता के साथ या उसके बिना एक विश्लेषणात्मक निबंध लिखा, फिर तुरंत और लगभग एक हफ़्ते बाद दोबारा, बिना किसी सहायता के मूल्यांकन दिया। इस विभाजन पर लेखकों का सारांश ही पूरा निष्कर्ष है — बढ़त उन छात्रों में टिकती है जो AI को ट्यूटर की तरह इस्तेमाल करते हैं और उन छात्रों में फीकी पड़ जाती है जो AI से अपनी जगह लिखवाते हैं।
डिज़ाइन ने व्यक्ति को मापा, डिलिवरेबल को नहीं
AI और उत्पादकता पर लगभग हर अध्ययन उत्पादन को तब मापता है जब टूल कमरे में मौजूद होता है। यह अध्ययन कुछ कठिन और निर्णय के लिहाज़ से अधिक प्रासंगिक करता है: टूल हटा देता है और मापता है कि व्यक्ति में क्या बचा।
256 पंजीकृत लोगों में से 211 पहले सत्र में आए और 205 औसतन 6.98 दिन बाद दूसरे सत्र में लौटे। विषय जानबूझकर अपरिचित रखे गए — ब्लॉकचेन, कार्बन कैप्चर, CRISPR। दूसरा सत्र सबके लिए निगरानी में और बिना सहायता था, प्रयोग समूह और नियंत्रण समूह दोनों के लिए समान। निबंधों का मूल्यांकन मास्टर्स या पीएचडी डिग्री रखने वाले 309 मूल्यांकनकर्ताओं ने किया, जिनमें से 23 को समझ-परीक्षण में विफल रहने पर बाहर रखा गया।
यही संरचना उधार के उत्पादन को बची हुई क्षमता से अलग करती है। तत्काल परीक्षा बताती है कि टूल से मदद मिली या नहीं। बिना सहायता वाला फ़ॉलो-अप बताता है कि व्यक्ति बदला या नहीं। ये अलग सवाल हैं, और एक मध्यम आकार की कंपनी में इस्तेमाल हो रहा लगभग हर अडॉप्शन डैशबोर्ड सिर्फ़ पहले का जवाब देता है — अगर वह दोनों में से किसी का जवाब देता भी है।
आंकड़े असल में क्या कहते हैं
| माप | परिणाम |
|---|---|
| तत्काल ज्ञान परीक्षा, AI उपलब्धता बनाम नियंत्रण | +7.2 प्रतिशत अंक, 0.28 SD (p = 0.021) |
| वही परीक्षा, treatment-on-treated | +10.4 प्रतिशत अंक, 0.41 SD |
| लगभग एक हफ़्ते बाद बिना सहायता परीक्षा | +3.9 प्रतिशत अंक, 0.21 SD |
| दूसरे सत्र के निबंध की गुणवत्ता, AI के बिना लिखा गया | +0.24 SD |
| क्रियाविधि | कुल समय वही; समय लिखने से पढ़ने और खोजने की ओर खिसका |
निबंध का नतीजा दूसरी नज़र का हक़दार है। टूल हटाए जाने के एक हफ़्ते बाद, निगरानी वाले कमरे में और बिना किसी सहायता के, जिन लोगों को पहले AI की उपलब्धता मिली थी उन्होंने मापने योग्य रूप से बेहतर निबंध लिखे — सबसे बड़ा असर प्रमाणों और उदाहरणों के उपयोग पर और शैली की स्पष्टता पर। कुछ व्यक्ति के भीतर पहुँचा था, सिर्फ़ दस्तावेज़ में नहीं।
ऑटोमेशन वाले पहला सत्र जीते और पूरा हफ़्ता हार गए
यहाँ वह हिस्सा है जिसे रोलआउट के बारे में आपकी सोच बदलनी चाहिए।
जिन प्रतिभागियों ने AI से अपनी जगह लिखवाया — लेखक इसे automation कहते हैं — उन्होंने पहले सत्र में अधिक अंक पाने वाले निबंध जमा किए। वे सबसे अच्छे प्रदर्शन करने वालों जैसे लग रहे थे। एक हफ़्ते बाद, बिना सहायता वाले सत्र में, वह बढ़त सीधे-सीधे गायब थी। जिन प्रतिभागियों ने AI को ट्यूटर की तरह इस्तेमाल किया, उससे उत्पादन की जगह व्याख्या मांगी, उन्होंने अपनी बढ़त बनाए रखी।
उपयोग के दो तरीके। डिलिवरेबल में अभेद्य। क्षमता पर असर में विपरीत। और क्रियाविधि साधारण है: दोनों समूहों ने कुल समय बराबर खर्च किया, लेकिन AI की उपलब्धता ने मिनट लिखने से हटाकर पढ़ने और जानकारी खोजने की ओर खिसका दिए। ट्यूटर-शैली वालों ने वे मिनट समझने में खर्च किए। घोस्टराइटर-शैली वालों ने उन्हें ऐसी चीज़ में खर्च किए जो टिकी नहीं।
इसीलिए "AI उपयोग" ग़लत अडॉप्शन मीट्रिक है। यह कमज़ोर या पिछड़ी मीट्रिक नहीं है। यह एक ऐसी मीट्रिक है जो आपकी प्रतिभा-पूंजी बनाने वाले व्यवहार और उसे भीतर से खोखला करने वाले व्यवहार — दोनों को समान मूल्य देती है।
आपका अडॉप्शन डैशबोर्ड ट्यूटर के रूप में AI को नहीं देख पाता
अगर उपयोग का तरीका ही निर्णायक चर है, तो स्पष्ट सवाल यह है कि कोई उसे माप रहा है या नहीं। मोटे तौर पर, नहीं।
ActivTrak के Productivity Lab ने AI अडॉप्शन के चरण 120,620 कर्मचारियों की व्यवहार-आधारित टेलीमेट्री से निकाले, लाइसेंस, लॉगिन या स्वयं-रिपोर्ट से नहीं। उसने शोध-सहायता पर 27%, कार्य-निष्पादन पर 14% और वास्तविक वर्कफ़्लो एकीकरण पर 2% पाया (ActivTrak Productivity Lab, 2026). सीट-गिनती और लॉगिन डैशबोर्ड वितरण मापते हैं। वे अडॉप्शन नहीं मापते, और तरीका तो निश्चित ही नहीं मापते।
इस बीच वह विकास-क्षमता सिकुड़ रही है जो बेहतर तरीका सिखाती। PwC के 2026 कार्यबल सर्वेक्षण में, 48 देशों के 49,364 कर्मचारियों पर, यह पाया गया कि जिन्हें अपनी ज़रूरत के सीखने और विकास के संसाधन उपलब्ध हैं, उनका अनुपात पिछले साल के 59% से घटकर 51% रह गया — जबकि जनरेटिव AI का दैनिक उपयोग 14% से 22% तक बढ़ गया (PwC, 2026). टूल तक पहुँच बढ़ रही है। उसे इस्तेमाल करने की शिक्षा तक पहुँच उलटी दिशा में जा रही है।
कर्मचारी इसे महसूस करते हैं। GoTo के 2026 कार्य-अध्ययन में 39% ने कहा कि AI पर उनकी निर्भरता उनके कौशल को क्षीण कर रही है, और 43% ने माना कि उन्होंने ऐसा AI आउटपुट सौंपा जिसकी गुणवत्ता पर उन्हें संदेह था (GoTo और Workplace Intelligence, 2026). स्वयं-रिपोर्ट अकेले कमज़ोर प्रमाण है। लेकिन उसी आकार का नतीजा देने वाले निगरानी-युक्त प्रयोग के साथ रखी जाए, तो वह शोर नहीं रह जाती।
वह असमानता जो इसे उत्तराधिकार की समस्या बना देती है
एक और नतीजा, और यही वह है जो मामले को प्रशिक्षण से निकालकर कार्यबल-नियोजन में ले जाता है।
पूर्व-पंजीकृत तीन महीने के एक फ़ील्ड प्रयोग ने ग्यारह अमेरिकी फ़र्मों के 133 कार्यरत पेटेंट वकीलों के हाथ में पेटेंट-लेखन का एक AI सहायक दिया, और हर जमा किए गए काम का मूल्यांकन ब्लाइंड विशेषज्ञ वकीलों ने किया। सहायता-युक्त कार्यों में नब्बे दिन पर गुणवत्ता 0.38 SD बढ़ी, और जूनियर वकीलों में बढ़त ज़्यादा थी। इसके बाद आया बिना सहायता का एक रेडलाइनिंग कार्य, जिसमें AI किसी को भी अनुमत नहीं था — यही कौशल का माप था। प्रयोग समूह के वकीलों ने कुल मिलाकर 0.32 SD अधिक अंक पाए, लेकिन यह बढ़त पूरी तरह वरिष्ठ वकीलों में केंद्रित थी, 0.45 SD पर। जूनियर वकीलों में कोई औसत बढ़त नहीं दिखी; उनके अंक दो हिस्सों में बँट गए — मध्यम नतीजे काफ़ी कम हो गए, जिसकी भरपाई अधिक कमज़ोर और अधिक अच्छे नतीजों से हुई (ऑटर आदि, NBER, 2026).
लेखकों का अपना वाक्य ही वह है जो आपकी अगली नियोजन बैठक में ले जाना चाहिए: AI से सबसे बड़ी बढ़त उन वकीलों को मिली जिन्होंने सबसे कम बचाकर रखा, और बुनियादी विशेषज्ञता AI-सहायता वाले अभ्यास से टिकाऊ कौशल निकालने की पूर्व-शर्त हो सकती है।
दोनों अध्ययनों को साथ पढ़िए। उपयोग का तरीका तय करता है कि क्षमता जमा होती है या नहीं, और पहले से मौजूद विशेषज्ञता तय करती दिखती है कि व्यक्ति डिफ़ॉल्ट रूप से कौन-सा तरीका चुनता है। आपके सबसे वरिष्ठ लोग जोड़ रहे हैं। आपके जूनियर दो समूहों में बँट रहे हैं, और दोनों का सहायता-युक्त आउटपुट ठीक दिखता है।
साफ़ कहना ज़रूरी है: पेटेंट अध्ययन का वित्तपोषण और लेखकत्व का एक हिस्सा टूल बनाने वाली कंपनी से जुड़ा है। उसकी विश्वसनीयता पूर्व-पंजीकरण और तीसरे पक्ष के ब्लाइंड मूल्यांकन से आती है, प्रायोजक से नहीं।
ईमानदार प्रतिपक्ष
चार सीमाएँ, इससे पहले कि कोई इस पर नीति बनाए।
ये एक घंटे के काम पर स्नातक छात्र हैं। एक तिमाही के वास्तविक काम पर कर्मचारी नहीं। क्रियाविधि — उत्पादन से समझ की ओर समय का पुनर्वितरण — विश्वसनीय रूप से लागू हो सकती है। लेकिन प्रभाव-आकार को कार्यस्थल के अनुमान के रूप में उद्धृत नहीं करना चाहिए, और मैं 7.2 अंक को किसी बिज़नेस केस में नहीं डालूँगी।
यह एक प्रीप्रिंट है। arXiv 2607.08849 जुलाई 2026 में प्रकाशित हुआ और अक्टूबर 2026 में संशोधित। इसकी पीयर रिव्यू पूरी नहीं हुई है।
मज़बूती-जाँच आंकड़े को हिला देती है। अध्ययन के नियम तोड़ने वाले प्रतिभागियों को हटाने पर पहले सत्र का सीखने का प्रभाव 0.24, 0.15 या 0.27 SD तक घट जाता है, यह इस पर निर्भर है कि कौन-सा माप लिया जाए। प्रभाव बचा रहता है; उसका आकार शीर्षक से नरम है।
तरीका देखा गया था, सौंपा नहीं गया था। ट्यूटर बनाम घोस्टराइटर का विभाजन पेपर का सबसे व्यावहारिक नतीजा है और प्रयोग के लिहाज़ से उसका सबसे कम साफ़ हिस्सा भी — प्रतिभागियों ने स्वयं चुना कि टूल कैसे इस्तेमाल करें। जो व्याख्या की ओर बढ़ते हैं, वे उत्पादन की ओर बढ़ने वालों से उन गुणों में भी भिन्न हो सकते हैं जो धारण-क्षमता की भविष्यवाणी करते हैं। पेटेंट अध्ययन की वरिष्ठता-असमानता ठीक इसी पाठ के अनुरूप है।
चारों के बाद जो बचता है: डिलिवरेबल इस बात का संकेत नहीं है कि व्यक्ति सीख रहा है या नहीं, और दोनों के बीच का अंतर एक मापन-समस्या है जिसे आप कुछ भी ख़रीदे बिना हल कर सकते हैं।
इस तिमाही में क्या बदलें
चार कदम। इनमें से कोई ख़रीद नहीं है।
- AI उपयोग को अडॉप्शन मीट्रिक के रूप में रिपोर्ट करना बंद करें। लाइसेंस, लॉगिन और सत्र-गिनती वितरण बताते हैं। मुख्य आंकड़े की जगह एक संख्या रखें: कितने लोगों ने AI का उपयोग किसी क्षमता को बनाने के लिए करने के बाद, उसे बिना सहायता प्रदर्शित किया।
- ट्यूटर-शैली के प्रॉम्प्टिंग को स्पष्ट रूप से सिखाया जाने वाला व्यवहार बनाइए। यह इतना ठोस है कि ऑनबोर्डिंग पथ और मैनेजर की वन-ऑन-वन स्क्रिप्ट में डाला जा सके: मॉडल से कहें कि वह अपना तर्क समझाए और आपका तर्क जाँचे, न कि कृति तैयार करे। यह पूरे समूह का सबसे सस्ता हस्तक्षेप है और कोई इसे नहीं कर रहा।
- जिन भूमिकाओं में निर्णय ही डिलिवरेबल है, उनके विकास-चक्र में एक बिना सहायता वाला कार्य जोड़िए। परीक्षा नहीं — एक वास्तविक कार्य, बिना सहायता किया गया, और सहायता-युक्त संस्करण के ठीक उसी रूब्रिक पर आँका गया। दोनों के बीच का अंतर ही आपका कौशल-धारण संकेत है, और वह किसी आउटपुट-गुणवत्ता रिपोर्ट में मौजूद नहीं है।
- जूनियर स्तर के विभाजन को अपनी उत्तराधिकार योजना में शामिल कीजिए। अगर सहायता-युक्त आउटपुट वरिष्ठता के पार सपाट है जबकि धारण की गई क्षमता नहीं, तो आपकी दो-साल की प्रतिभा-पूंजी आपके प्रदर्शन-आंकड़ों के दावे से पतली है, और त्रुटि केवल एक दिशा में जाती है।
यह चौथा कदम ही वह है जिसका ज़्यादातर कंपनियों में कोई स्पष्ट ठिकाना नहीं, क्योंकि इसके लिए दक्षता को हाल के डिलिवरेबल्स से अनुमानित करने के बजाय एक स्थिर फ़्रेमवर्क के सामने प्रति चक्र मापना पड़ता है। Scovai की प्रदर्शन और उत्तराधिकार परत इसी विभाजन पर बनी है — दक्षता Great Eight फ़्रेमवर्क पर, प्रति दक्षता और प्रति चक्र, नियतात्मक रूप से आँकी जाती है; 9-box मैनेजरों की धारणाओं के बजाय उसी दक्षता-डेटा से गणना होती है; और उत्तराधिकार-तैयारी हर महत्वपूर्ण पद के लिए अभी तैयार या बारह से चौबीस महीने में के रूप में बताई जाती है। यहाँ प्रासंगिकता संरचनात्मक है: अगर आपका संभावना-अक्ष सहायता-युक्त आउटपुट पढ़ रहा है, तो वह टूल पढ़ रहा है।
इस शोध का असुविधाजनक निष्कर्ष यह है कि आपके सबसे अच्छा प्रदर्शन करने वाले AI उपयोगकर्ता और सबसे तेज़ी से क्षीण हो रहे लोग एक ही हो सकते हैं, और जो कुछ आप आज मापते हैं उसमें से कुछ भी ट्यूटर के रूप में AI को घोस्टराइटर के रूप में AI से अलग नहीं करता।
तो इस तिमाही एक भूमिका चुनिए, सहायता-युक्त संस्करण के ठीक उसी रूब्रिक पर एक बिना सहायता वाला कार्य कराइए, और पता लगाइए कि अंतर किस दिशा में जाता है। व्यक्ति को मापिए, दस्तावेज़ को नहीं — जिस दिन टूल आया, दस्तावेज़ ने दोनों में से किसी के बारे में भी कुछ बताना बंद कर दिया।
