मिड-मार्केट लीडर कहते हैं उनका कार्यबल AI के लिए तैयार है। असली नतीजे सिर्फ़ 20.2% को मिले।

69.9% मिड-मार्केट लीडर कहते हैं कि उनके कार्यबल के पास भविष्य की सफलता के लिए ज़रूरी कौशल पहले से मौजूद हैं। इसी सर्वे में, इन्हीं 722 संगठनों में, इसी महीने, 20.2% अपने AI और तकनीक निवेश से बेहद सकारात्मक प्रभाव की बात करते हैं (CLA, 2026)।

इन दोनों आँकड़ों को अगल-बगल रखकर देखिए, क्योंकि ज़्यादातर AI बजट इसी मान्यता पर बने हैं कि ये दोनों साथ-साथ चलते हैं।

वे साथ नहीं चलते। और इस उलटाव की दिशा उसके आकार से ज़्यादा मायने रखती है: अध्ययन के दायरे में आई आबादी ने, अपने ही कथन से, कौशल की कमी को खारिज कर दिया है। ये बाहर बैठकर मिड-मार्केट का निदान करने वाले विश्लेषक नहीं हैं। ये वे लोग हैं जो चालान पर हस्ताक्षर करते हैं — आपसे कहते हैं कि उनकी टीम सक्षम है, और फिर कहते हैं कि निवेश ज़्यादातर बेअसर रहा।

इसका मतलब यह है कि कार्यबल की AI-तैयारी का सवाल, जिस रूप में अधिकांश मिड-मार्केट ऑपरेशंस टीमों ने दो साल तक उसे रखा, निपट चुका है — और उसने वह रिटर्न नहीं खरीदा जिसे सब मान बैठे थे।

CLA Heartbeat Index ने वास्तव में क्या पाया

CLA Heartbeat Index, जो 18 अगस्त 2026 को जारी हुआ, अमेरिका के छोटे और मध्यम आकार के व्यवसायों, उद्यमियों, ग़ैर-लाभकारी और नागरिक संगठनों का सर्वेक्षण करता है। इस दौर में: 722 उत्तरदाता। यह साल में तीन बार होता है, जो इसे उन गिने-चुने उपकरणों में से एक बनाता है जहाँ नमूना स्वयं मिड-मार्केट है, न कि बड़े उद्यमों का डेटा घटाकर उम्मीद के भरोसे इस्तेमाल किया गया हो।

आत्मविश्वास के आँकड़े एक-समान रूप से ऊँचे हैं। 72.2% अगले बारह महीनों के लिए अपने संगठन की संभावनाओं को लेकर आशावादी हैं। 68.6% को विस्तार करने, बढ़ने या रणनीतिक प्राथमिकताओं में निवेश करने की क्षमता पर भरोसा है। 69.9% मानते हैं कि उनके कार्यबल के पास भविष्य की सफलता के लिए ज़रूरी कौशल हैं (CLA, 2026)।

फिर नतीजों के आँकड़े आते हैं। 49.5% ने हाल के तकनीक या AI निवेश से दक्षता या प्रदर्शन में सकारात्मक सुधार बताया। 20.2% ने बेहद सकारात्मक प्रभाव बताया।

यानी: लगभग आधों ने कुछ न कुछ देखा। पाँच में से एक ने ऐसा कुछ देखा जो पैसे के लायक था। और यह बताने वाले लीडर वही हैं जिन्होंने अभी-अभी कहा था कि उनके लोग तैयार हैं।

CLA के चीफ़ सॉल्यूशंस ऑफ़िसर जेम्स वॉटसन ने उन चिंताओं को गिनाया जो लीडर AI के बारे में वास्तव में उठाते हैं: कार्यान्वयन, गवर्नेंस, डेटा गुणवत्ता, सुरक्षा, अनुपालन, कार्यबल की तैयारी, बदलाव प्रबंधन और निवेश पर प्रतिफल। इस सूची के आकार पर ध्यान दीजिए। आठ में से सात मदें संगठन के गुण हैं। एक लोगों का गुण है।

कार्यबल की AI-तैयारी उस सवाल का जवाब है जो कोई पूछ ही नहीं रहा

कार्यबल की AI-तैयारी पर हुए ज़्यादातर शोध क्षमता की कमी दर्ज करते हैं और प्रशिक्षण का नुस्ख़ा देते हैं। यह एक आरामदेह निष्कर्ष है, क्योंकि प्रशिक्षण एक बजट मद है, एक वेंडर है, और एक पूर्णता दर है — ये सब वे चीज़ें हैं जो कोई ऑपरेशंस टीम वित्त वर्ष ख़त्म होने तक पेश कर सकती है।

CLA का डेटा इस चक्र को तोड़ता है। अगर लीडर स्वयं कह रहे हैं कि क्षमता मौजूद है, तो प्रशिक्षण को उस समस्या के समाधान के लिए वित्त-पोषित किया जा रहा है जिसे ख़रीदार पहले ही ख़ारिज कर चुके हैं।

यह कोई अकेली व्याख्या नहीं है। Deloitte की State of AI in the Enterprise 2026 रिपोर्ट, जिसमें 24 देशों के 3,235 लीडर शामिल थे, ने पाया कि कर्मचारियों के अपर्याप्त कौशल को AI एकीकरण की सबसे बड़ी बाधा बताया गया — और फिर पाया कि उसका जवाब बुरी तरह असंतुलित है। 53% AI-दक्षता बढ़ाने के लिए कार्यबल को प्रशिक्षित कर रहे हैं। केवल 30% संगठन को नए AI प्रतिरूपों के इर्द-गिर्द फिर से गढ़ रहे हैं, और 33% करियर पथ फिर से डिज़ाइन कर रहे हैं। महज़ 34% उत्पादों, प्रक्रियाओं या व्यापार मॉडलों को गहराई से बदलने के लिए AI का उपयोग कर रहे हैं; बाक़ी दो-तिहाई क्रमिक सुधार तक ही सीमित हैं (Deloitte, 2026)।

सब प्रशिक्षण देते हैं। ढाँचा लगभग कोई नहीं बदलता। फिर सबको हैरानी होती है कि काम वैसा का वैसा दिखता है।

Microsoft का 2026 Work Trend Index यह गिनकर बताता है कि इस जोड़ी का कौन-सा आधा हिस्सा वास्तव में फल देता है। 10 देशों के 20,000 AI-उपयोगकर्ता कर्मचारियों में, संगठनात्मक कारकों — संस्कृति, प्रबंधक का सहयोग, प्रतिभा-प्रबंधन प्रथाएँ — ने वास्तविक AI प्रभाव में मानसिकता और व्यवहार जैसे व्यक्तिगत कारकों से दोगुने से भी अधिक योगदान दिया: 67% बनाम 32% (Microsoft Work Trend Index, 2026)।

रिटर्न का दो-तिहाई हिस्सा संगठन-डिज़ाइन है। बजट का ज़्यादातर हिस्सा बचे हुए एक-तिहाई पर लक्षित है।

बचे हुए दो संदिग्ध

अगर कौशल अड़चन नहीं है, तो 69.9% और 20.2% के बीच का अंतर पैदा करने वाले सिर्फ़ दो उम्मीदवार बचते हैं। दोनों ही चमक-दमक से रहित। दोनों ही इसी तिमाही में आपके नियंत्रण में।

1. काम को कभी दोबारा डिज़ाइन ही नहीं किया गया

एक सक्षम व्यक्ति, एक सक्षम उपकरण के साथ, अपरिवर्तित प्रक्रिया के भीतर वही उत्पादन थोड़ा तेज़ी से करता है, और वह लाभ लाभ-हानि खाते की किसी पंक्ति तक पहुँचने से पहले ही आसपास के कार्यप्रवाह में बिखर जाता है।

ActivTrak की Productivity Lab ने इसे सर्वे के बजाय व्यवहार-टेलीमेट्री से परखा: 120,620 कर्मचारियों में से 27% शोध-सहायता तक पहुँचे, 14% कार्य-निष्पादन तक, और 2% वास्तविक कार्यप्रवाह एकीकरण तक (ActivTrak, 2026)। जारी किए गए लाइसेंसों का 2% नहीं। उन कर्मचारियों का 2% जिनके देखे गए काम का स्वरूप वास्तव में बदला।

स्व-रिपोर्ट कहती है तैयारी। टेलीमेट्री कहती है काम ज्यों का त्यों है। दोनों एक साथ सच हो सकते हैं — और ठीक इसी तरह आप एक आत्मविश्वासी कार्यबल और सपाट रिटर्न पर पहुँचते हैं।

2. कोई आधार-रेखा कभी थी ही नहीं

दूसरा संदिग्ध ज़्यादा ख़ामोश है और, मिड-मार्केट ऑपरेशंस टीमों के साथ मेरे अनुभव में, जितना कोई स्वीकार करता है उससे कहीं ज़्यादा आम है: उपकरण आने से पहले किसी ने प्रक्रिया को मापा ही नहीं।

तैनाती-पूर्व आधार-रेखा के बिना, "बेहद सकारात्मक प्रभाव" कोई अवलोकन नहीं है। वह प्रतिशत चिह्न लगा हुआ एक अहसास है। उन 49.5% में से कुछ लीडर वास्तविक दक्षता-लाभ बता रहे हैं। कुछ राहत, नयेपन या आपदा के न होने की बात बता रहे हैं। यह उपकरण उनमें फ़र्क़ नहीं कर सकता, और न ही आप कर सकते हैं — जिसका अर्थ है कि 20.2% का आँकड़ा सफल उपसमूह नहीं, बल्कि ईमानदार उपसमूह हो सकता है।

इस फ़र्क़ का सीधा बजटीय नतीजा है। अगर आप असली लाभ को एक विश्वसनीय कहानी से अलग नहीं कर सकते, तो आप किसी असफल पहल को बंद नहीं कर सकते, क्योंकि निर्णय को उचित ठहराने लायक़ पुख़्ता सबूत कभी बनते ही नहीं। सो वह एक और चक्र जी जाती है।

आपत्ति: स्व-घोषित आत्मविश्वास एक कमज़ोर उपकरण है

यह उपलब्ध सबसे मज़बूत प्रतिवाद है, और यह जायज़ है। 69.9% शायद क्षमता नहीं, आशावाद माप रहा हो। लीडर अपने ही कार्यबल के कौशल के ख़राब न्यायाधीश होते हैं, और वही सर्वे अगले बारह महीनों को लेकर 72.2% आशावाद दिखाता है — एक ऐसा मिज़ाज जो संभवतः हर पड़ोसी सवाल को रंग देता है।

आपत्ति को गंभीरता से लीजिए, और निष्कर्ष कमज़ोर नहीं, और तीखा हो जाता है।

अगर 69.9% बढ़ा-चढ़ाकर है, तो मिड-मार्केट लीडर एक साथ अपनी कौशल-स्थिति के बारे में ग़लत हैं और यह भाँप पाने में भी असमर्थ हैं कि वे ग़लत हैं। यह और प्रशिक्षण के पक्ष में तर्क नहीं है। यह इस बात का तर्क है कि संगठन के पास न अपनी क्षमता का, न अपने रिटर्न का कोई कारगर माप है — यानी वही अनुपस्थित माप-व्यवस्था, बस दूसरी दिशा से आती हुई।

या तो कौशल मौजूद हैं और समस्या कार्यप्रवाह है, या कौशल का आकलन अविश्वसनीय है और समस्या माप है। इस डेटा का ऐसा कोई पाठ नहीं है जिसमें जवाब हो "और सीटें ख़रीदिए और एक और प्रशिक्षण मॉड्यूल चलाइए।"

20% को 76% से क्या अलग करता है

पायलट-गवर्नेंस के शोध में एक उपयोगी तुलना मिलती है। Valliance ने 1,000 वरिष्ठ लीडरों का सर्वेक्षण किया और पाया कि 40% AI पहलें जानबूझकर पायलट बनी रहती हैं — न कभी बंद, न कभी विस्तारित — और परिपक्व, स्थापित AI कार्यक्रमों वाले संगठनों में यह बढ़कर 48% हो जाता है। पायलट चरण में अटकी कंपनियों को मूल्य दिखने में 6.6 महीने लगे, जबकि बाक़ियों को 5.9 महीने, और उनमें से केवल 20% ने मज़बूत ROI बताया। जिन कंपनियों ने अपने पायलट वास्तव में विस्तारित किए, उनमें यह आँकड़ा 76% रहा (Consultancy.uk, 2026)।

बीस प्रतिशत बनाम छिहत्तर प्रतिशत। यह फ़ासला न प्रतिभा का है, न औज़ार का। यह इस बात का है कि निर्णय-द्वार मौजूद है या नहीं।

यह भी ध्यान दीजिए कि कार्यक्रम की परिपक्वता के साथ पायलटों का जमाव बिगड़ता है। अधिक अनुभव अधिक स्थायी पायलट पैदा करता है, कम नहीं, क्योंकि परिपक्व कार्यक्रम में समानांतर पहलें ज़्यादा होती हैं और उनमें से किसी को समाप्त करने को बाध्य करने वाली व्यवस्था उतनी ही अनुपस्थित। यहाँ पैमाना ख़ुद को नहीं सुधारता। यह काम केवल एक द्वार करता है।

बजट बंद होने से पहले दो प्रक्रियाओं को मापने लायक़ बनाइए

इस तिमाही की चाल जितनी बड़ी सुनाई देती है उससे छोटी है, और इसके लिए कोई नया प्लेटफ़ॉर्म नहीं चाहिए।

दो या तीन मुख्य प्रक्रियाएँ चुनिए और अभी उनकी आधार-रेखा बनाइए। चक्र-समय, त्रुटि या पुनःकार्य दर, प्रति इकाई उत्पादन लागत, हस्तांतरणों की संख्या। अगला उपकरण आने से पहले माप ले लीजिए। अगर कोई उपकरण पहले से चल रहा है, तब भी मापिए — कम से कम अगले बारह महीनों के लिए एक शुरुआती रेखा तो होगी।

हर पहल के लिए एक तय मूल्यांकन-अवधि और पहले से तय सफलता-सीमा निर्धारित कीजिए। शुरू करने से पहले आँकड़ा लिख लीजिए। नतीजे आ जाने के बाद चुनी गई सीमा, सीमा नहीं होती; वह एक कथानक होती है।

द्वार पर फ़ैसला दो-टूक रखिए: विस्तार करो या बंद करो। कोई तीसरा विकल्प नहीं। "हम खोज जारी रखते हैं" वही रास्ता है जिससे कोई पायलट बिना मालिक के स्थायी ख़र्च बन जाता है।

प्रशिक्षण बजट का एक हिस्सा कार्यप्रवाह के पुनर्निर्माण में मोड़िए। और दक्षता-पाठ्यक्रम नहीं — एक नामित प्रक्रिया, जिसे उपकरण अब जो कर सकता है उसके इर्द-गिर्द सिरे से सिरे तक दोबारा खींचा जाए, जिसमें हस्तांतरण और अनुमोदन संरक्षित करने के बजाय दोबारा बनाए जाएँ। Deloitte का 53 बनाम 30 का बँटवारा बाज़ार का डिफ़ॉल्ट आवंटन है। कम से कम एक प्रक्रिया पर इसे जानबूझकर उलटकर देखना सार्थक है कि क्या होता है।

निष्कर्ष यही है कि कोई निष्कर्ष नहीं है

CLA के डेटा में सबसे उपयोगी चीज़ 20.2% नहीं है। सबसे उपयोगी यह है कि ठीक उसके ऊपर 49.5% बैठा है — संगठनों की एक चौड़ी पट्टी जो "कुछ सुधार" बताती है पर यह नहीं बता पाती कि कितना, किसकी तुलना में, या किस शुरुआती बिंदु से।

"हम रिटर्न माप नहीं सकते" को निष्कर्ष मानिए, बाद में ठीक कर लेने वाली रिपोर्टिंग की झंझट नहीं। यह सर्वे जो कुछ सामने लाता है उसमें यही सबसे अमल-योग्य है, क्योंकि यही वह इकलौती अड़चन है जिसे आप किसी को भर्ती किए बिना, कुछ ख़रीदे बिना, और बाज़ार के परिपक्व होने का इंतज़ार किए बिना हटा सकते हैं।

कार्यबल की AI-तैयारी कभी निर्णायक अड़चन थी ही नहीं, और ख़र्च के सबसे क़रीब बैठे लोगों ने अब यह ख़ुद कह दिया है। आपके लीडर आपसे पहले ही कह चुके हैं कि लोग तैयार हैं। उन पर भरोसा कीजिए — और फिर जाकर पता लगाइए कि काम ज़रा भी बदला है या नहीं। अगला बजट चक्र बंद होने से पहले, उन दो प्रक्रियाओं के नाम तय कीजिए जिनकी आधार-रेखा आप बनाएँगे, और वह तारीख़ भी जब आप नतीजा पढ़ेंगे।