Sridhar Vembu AI Warning: क्या एक व्यक्ति दस लोगों का काम करेगा?

Sridhar Vembu की AI warning का मुख्य संदेश है कि कंप्यूटर पर किए जाने वाले काम की लागत और तरीका बदल सकता है। उनके बयान को “90% कंप्यूटर कर्मचारी बेरोजगार होंगे” वाली निश्चित भविष्यवाणी बनाना गलत होगा। उन्होंने खुद इस निष्कर्ष से सावधान किया है। 29 अक्टूबर 2026 को चर्चा में आए पोस्ट में productivity बढ़ने, नए अवसर बनने और आर्थिक बदलाव की कठिनाई, तीनों का उल्लेख है।

इस खबर का उपयोगी सवाल केवल “AI नौकरी खाएगा या नहीं” नहीं है। सवाल यह है कि आपके रोज के किन tasks को बेहतर किया जा सकता है, उनकी जाँच कौन करेगा और नया कौशल सीखना कहाँ से शुरू करें। यहाँ पूरे बयान का संदर्भ, शोध की सीमा और कर्मचारियों, freelancers तथा छोटे कारोबार के लिए व्यावहारिक तैयारी दी गई है।

Sridhar Vembu ने AI और नौकरियों पर क्या कहा?

Vembu ने X पर कंप्यूटर आधारित कामों में यह जोखिम बताया कि AI का कुशल इस्तेमाल करने वाला व्यक्ति पहले अधिक लोगों द्वारा किया जाने वाला काम कर सके। उनका “दस लोगों का काम” वाला उदाहरण हर कंपनी और हर पेशे पर लागू मापा हुआ वैज्ञानिक अनुपात नहीं है। इसे रोजगार समाप्त होने की आधिकारिक गणना की तरह नहीं पढ़ना चाहिए। उनका जोर बदलाव की तैयारी पर है।

उसी पोस्ट में उन्होंने स्पष्ट किया कि इसका अर्थ यह नहीं कि कंप्यूटर पर काम करने वाले दस में नौ लोगों के पास कोई काम नहीं बचेगा। कम लागत के कारण ऐसे उद्योग software engineering और digital marketing जैसी सेवाएँ खरीद सकते हैं जो पहले उन्हें वहन नहीं कर पाते थे। इसलिए बयान में नए ग्राहकों और नई मांग की संभावना भी शामिल है।

उनका संकेत economy में rebalancing की ओर है। कुछ गतिविधियाँ कम मानव समय में होने लग सकती हैं, कुछ भूमिकाएँ बदल सकती हैं और दूसरी जरूरतें पैदा हो सकती हैं। यह प्रक्रिया सबके लिए एक गति से नहीं चलती। इससे किसी निश्चित तारीख तक निश्चित प्रतिशत छँटनी या किसी व्यक्तिगत कर्मचारी की नौकरी का भविष्य तय नहीं किया जा सकता।

Task तेज होना और पूरी नौकरी बदलना अलग क्यों है?

एक नौकरी आम तौर पर कई कामों का मिश्रण होती है। Digital marketer केवल caption नहीं लिखता। उसे ग्राहक का उद्देश्य समझना, campaign की जरूरत चुनना, बजट की सीमा जानना, नतीजे समझना और गलत प्रचार से बचना होता है। AI पहला draft तेज दे सकता है, लेकिन बाकी जिम्मेदारियाँ अपने आप पूरी नहीं हो जातीं। काम की गुणवत्ता के लिए सही निर्णय भी चाहिए।

Blogger के लिए AI outline, भाषा सुधार और formatting में सहायता कर सकता है। लेकिन घटना की तारीख, मूल स्रोत, फोटो का संदर्भ, quote और लेख में किया गया दावा जाँचना जरूरी है। यदि draft जल्दी बन गया और बाद में गलतियाँ सुधारने में ज्यादा समय लगा, तो कुल लाभ उतना नहीं रहा जितना पहली नजर में लगा था। तेज output और भरोसेमंद काम अलग माप हैं।

Developer का code चल जाना भी अंतिम गुणवत्ता की गारंटी नहीं है। आवश्यकताएँ पूरी होती हैं या नहीं, गलत input पर क्या होता है, सुरक्षा और रखरखाव कैसे होगा, यह देखना पड़ता है। AI generated output की संख्या को ही productivity समझना अधूरा मूल्यांकन है। Review, correction और बाद के उपयोग को भी समय और लागत में जोड़ना चाहिए।

अपने काम को तीन हिस्सों में बाँटें: कम जोखिम वाले दोहराव वाले tasks, विशेषज्ञ review वाले tasks और मानव जिम्मेदारी वाले निर्णय। पहले हिस्से में छोटे प्रयोग आसान हैं। दूसरे हिस्से में विषय की समझ जरूरी है। तीसरे हिस्से को सिर्फ AI उत्तर के आधार पर समाप्त करने से गलती की कीमत बढ़ सकती है। संस्था की प्रक्रिया भी ध्यान में रखें।

FACT: research वास्तव में क्या बताती है?

International Labour Organization की occupational exposure research बताती है कि अधिकतर पेशों में मानव योगदान वाले tasks बने रहते हैं। कई मामलों में पूरी नौकरी खत्म होने के बजाय उसका स्वरूप बदलना अधिक संभावित प्रभाव है। AI exposure का मतलब कुछ कार्यों का प्रभावित होना है; यह वास्तव में नौकरी खो चुके लोगों की संख्या नहीं है। दोनों को मिलाना गलत तस्वीर बना सकता है।

NBER के Generative AI at Work अध्ययन में customer support के खास संदर्भ में productivity improvement मिला। सभी कर्मचारियों का लाभ बराबर नहीं था और कम अनुभवी कर्मचारियों को अपेक्षाकृत अधिक सहायता मिली। इससे समझ आता है कि परिणाम task, अनुभव, tool और व्यवस्था पर निर्भर है। यह सभी भारतीय कार्यालयों में दस गुना उत्पादन का प्रमाण नहीं है।

Vembu का बयान और research अलग किस्म की जानकारी हैं। एक उद्योग के अनुभवी व्यक्ति का आकलन है; दूसरी विशेष तरीकों से मापा गया शोध है। दोनों साथ पढ़े जा सकते हैं, लेकिन एक को दूसरे के सार्वभौमिक प्रमाण की तरह पेश नहीं करना चाहिए। बड़ा प्रतिशत दिखे तो पूछें: किस देश, किस काम और किस sample का डेटा दिया गया है?

किन कामों में छोटे प्रयोग किए जा सकते हैं?

तय ढाँचे, बार-बार आने वाले input और आसानी से जाँचे जाने वाले output वाले tasks pilot के लिए सुविधाजनक हो सकते हैं। उदाहरण हैं meeting notes से action list बनाना, पहले से जाँचे गए दस्तावेज की संरचना सुधारना और code के लिए test ideas लेना। ये संभावित workflow उदाहरण हैं, किसी पेशे के समाप्त होने की निश्चित सूची नहीं। प्रयोग का परिणाम जाँचना जरूरी है।

स्थानीय अनुभव, भरोसा, बातचीत और जटिल अपवाद वाले कामों में सिर्फ text generation पर्याप्त नहीं है। ग्राहक की असली परेशानी समझना, जमीन पर जानकारी की पुष्टि करना और सही समस्या चुनना अलग क्षमताएँ हैं। इसलिए tool चलाना सीखने के साथ अपने क्षेत्र की समझ बढ़ाना भी आवश्यक है। नई तकनीक और अनुभव एक साथ उपयोग किए जा सकते हैं।

छोटे कारोबार के लिए सेवा की लागत घटने से अवसर बन सकता है। लेकिन subscription, training, review और गलत output की लागत जोड़नी होगी। Demo में दिखा अच्छा परिणाम नियमित व्यावसायिक लाभ की गारंटी नहीं है। पहले सीमित प्रयोग करें और देखें कि काम वास्तव में बेहतर हुआ या केवल मसौदा जल्दी बन गया। मापे गए परिणाम मिलने पर विस्तार करें।

कर्मचारी और freelancer के लिए 30 दिन की तैयारी

पहला सप्ताह: काम की सूची बनाएं। रोज किए जाने वाले मुख्य tasks, समय और आम गलतियाँ लिखें। ऐसा एक काम चुनें जिसमें private data न हो और जिसे आसानी से जाँचा जा सके। सार्वजनिक जानकारी से checklist बनाना शुरुआत हो सकती है। लक्ष्य किसी काल्पनिक प्रतिशत का पीछा करना नहीं, अपनी मौजूदा प्रक्रिया समझना और वास्तविक समस्या पहचानना है।

दूसरा सप्ताह: एक workflow सीखें। AI को उद्देश्य, input, सीमाएँ और अपेक्षित format बताएं। एक काम अलग inputs के साथ दोहराएं। जहाँ जानकारी अनिश्चित हो वहाँ अनुमान के बजाय अनिश्चितता दिखाने को कहें। Prompt बदलने से पहले यह देखें कि आपकी दी गई जानकारी सही और पर्याप्त थी या नहीं। गलत input का समाधान सिर्फ लंबा prompt नहीं है।

तीसरा सप्ताह: quality रिकॉर्ड करें। Draft बनने का समय ही नहीं, review और correction का समय भी जोड़ें। किन outputs में ज्यादा सुधार चाहिए और कौन-सी गलतियाँ दोहर रही हैं, यह लिखें। यदि परिणाम की जाँच बहुत कठिन है, तो उसे unattended automation में बदलने की जल्दी न करें। गलत नाम, गलत संख्या और गलत स्रोत अलग समस्याएँ हैं।

चौथा सप्ताह: काम का नमूना तैयार करें। पहले और बाद की प्रक्रिया लिखें। AI कहाँ मदद करता है, इंसान कहाँ जाँचता है और किस हालत में काम रोकना है, यह स्पष्ट करें। नौकरी या freelance pitch में “मुझे AI आता है” से ज्यादा उपयोगी बात है कि आप वास्तविक समस्या नापे जा सकने वाले, भरोसेमंद तरीके से हल कर सकते हैं।

Advice: domain knowledge और privacy को साथ रखें

ग्राहकों की private files, passwords, पहचान की जानकारी या unpublished business plans किसी tool में डालने से पहले संस्था की अनुमति और data policy देखें। अभ्यास के लिए काल्पनिक या anonymised input उपयोग किया जा सकता है। सुविधा के कारण संवेदनशील जानकारी साझा करना बाद में भरोसे और काम के लिए समस्या बन सकता है। केवल tool का लोकप्रिय होना हर डेटा की अनुमति नहीं है।

AI की गलत बात पहचानने की क्षमता अक्सर विषय की समझ से आती है। Accountant को हिसाब, शिक्षक को पाठ और developer को code समझना होगा। इसलिए पुराने कौशल छोड़कर सिर्फ prompts जमा करना टिकाऊ योजना नहीं है। साफ communication, अपने क्षेत्र की समझ और review प्रक्रिया को AI अभ्यास के साथ जोड़ें। यही संयोजन उपयोगी परिणाम देने में मदद करता है।

AI jobs warning: अक्सर पूछे जाने वाले सवाल

क्या Vembu ने 90% नौकरियाँ खत्म होने की घोषणा की? नहीं। उन्होंने अपने पोस्ट में ऐसा सीधा निष्कर्ष निकालने से सावधान किया और नई मांग बनने की संभावना भी बताई। पूरा संदर्भ पढ़ना जरूरी है।

क्या एक व्यक्ति हर काम दस गुना कर सकता है? यह हर task पर लागू प्रमाणित अनुपात नहीं है। Input, अनुभव, tool, जटिलता और review के अनुसार परिणाम बदलते हैं। एक demo को पूरे पेशे का नियम न समझें।

क्या केवल coding प्रभावित होगी? चर्चा कई computer-based tasks की है। फिर भी प्रभावित होना और नौकरी समाप्त होना समान नहीं हैं। अपनी भूमिका के वास्तविक कामों का आकलन करें।

क्या शुरुआत के लिए paid subscription जरूरी है? हर अभ्यास के लिए नहीं। पहले काम और जाँच का तरीका तय करें। Paid plan तभी लें जब उसकी जरूरत, बजट और data policy अनुकूल हों।

AI सीखने से नौकरी की गारंटी मिलेगी? नहीं। रोजगार कई कारणों पर निर्भर है। वास्तविक परिणाम दिखाना और पेशे की समझ बनाए रखना बेहतर तैयारी है। किसी course के दावे को सुनिश्चित नौकरी न मानें।

निष्कर्ष: इस AI warning को डर फैलाने वाली नौकरी-गणना के बजाय काम के बदलते तरीके का संकेत मानें। एक workflow चुनें, प्रयोग करें, गलतियाँ जाँचें और धीरे-धीरे क्षमता बढ़ाएं। लक्ष्य केवल अधिक output नहीं, भरोसेमंद और उपयोगी काम होना चाहिए।

स्रोत: Vembu का मूल पोस्ट, जिसका पाठ Indian Express की रिपोर्ट से cross-check किया गया; ILO research; NBER अध्ययन। प्रशिक्षण योजना संपादकीय सुझाव है, रोजगार की गारंटी नहीं। चित्र सांकेतिक AI illustrations हैं।

यह लेख तमिल में पढ़ें

Tech के फ्री टूल

सभी देखें →

🤖AI वर्क प्लानरAI टूल का बजट और प्लान›🧪AI ऑडिटAI आउटपुट की जांच›🧬JSON से TypeScriptJSON से TS/Zod टाइप›🔑JWT इंस्पेक्टरटोकन डिकोड करें›