← नवीनतम पेपर
📈 economics

Who Uses AI? Platform Selection and the Measurement of Occupational AI Exposure

यह शोध पत्र यह प्रदर्शित करता है कि व्यावसायिक एआई एक्सपोज़र को मापने के लिए एआई प्लेटफॉर्म लॉग का उपयोग करने से गैर-प्रतिनिधि उपयोगकर्ता आधारों के कारण महत्वपूर्ण चयन पूर्वाग्रह (सिलेक्शन बायस) उत्पन्न होता है, जिससे रोजगार प्रभाव के अनुमान विभिन्न प्लेटफार्मों और चैनलों में नाटकीय रूप से भिन्न होते हैं, जिसे आधिकारिक कार्यबल जनसांख्यिकी से डेटा को पुन: भारित (रीवेटिंग) करके काफी हद तक सुधारा जा सकता है।

मूल लेखक: Michelle Yin, Burhan Ogut

प्रकाशित 2026-05-28
📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें
CC BY 4.0

मूल लेखक: Michelle Yin, Burhan Ogut

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ "Who Uses AI? Platform Selection and the Measurement of Occupational AI Exposure" नामक शोध पत्र का सरल, रोज़मर्रा की भाषा में विवरण दिया गया है।

मुख्य विचार: "इको चैंबर" (Echo Chamber) की समस्या

कल्पना कीजिए कि आप यह जानना चाहते हैं कि AI अमेरिकी कार्यबल (workforce) को कितना बदल रहा है। ऐसा करने के लिए, शोधकर्ता उन लोगों के चैट लॉग देखते हैं जो ChatGPT, Claude, या Microsoft Copilot जैसे AI टूल्स का उपयोग कर रहे हैं। वे यह मान लेते हैं: "यदि किसी विशेष नौकरी के लोग AI के साथ बहुत अधिक चैट कर रहे हैं, तो उस नौकरी पर AI का गहरा प्रभाव पड़ रहा होगा।"

यह शोध पत्र तर्क देता है कि यह तरीका एक शहर की पूरी आबादी को समझने के लिए केवल सबसे महंगे, हाई-टेक मोहल्ले में रहने वाले लोगों का इंटरव्यू लेने जैसा है।

शोधकर्ता मिशेल यिन और बुर्हान ओगुट बताते हैं कि इन AI प्लेटफॉर्म्स का उपयोग करने वाले लोग सभी श्रमिकों का एक रैंडम सैंपल नहीं हैं। वे एक विशिष्ट, पक्षपाती समूह हैं। इस कारण, यह डेटा हमें यह बताने के बजाय कि वास्तव में कौन सी नौकरियाँ AI से बदल रही हैं, यह अधिक बताता है कि कौन सा व्यक्ति ऐप का उपयोग कर रहा है।

मुख्य उपमा (Analogy): "गॉरमेट फूड" (Gourmet Food) का सर्वेक्षण

कल्पना कीजिए कि आप जानना चाहते हैं कि औसत अमेरिकी कितना गॉरमेट (उच्च श्रेणी का) भोजन खाता है।

  • दोषपूर्ण तरीका: आप एक उच्च श्रेणी के, मिशलिन-स्टार रेस्तरां में जाते हैं और वहां बैठे ग्राहकों से पूछते हैं, "आप कितनी बार गॉरमेट भोजन खाते हैं?"
  • परिणाम: आपको एक रिपोर्ट मिलती है जिसमें लिखा होता है, "वाह, अमेरिकी हर दिन गॉरमेट भोजन खाते हैं!"
  • वास्तविकता: आपने उन लाखों लोगों को छोड़ दिया जो फास्ट-फूड खाते हैं, घर पर खाना बनाते हैं, या जो महंगे रेस्तरां का खर्च नहीं उठा सकते। आपका डेटा पक्षपाती है क्योंकि आपने केवल "गॉरमेट भीड़" को देखा।

इस शोध पत्र में:

  • "गॉरमेट भीड़" = AI प्लेटफॉर्म्स के उपयोगकर्ता (मुख्य रूप से कंप्यूटर वैज्ञानिक, ऑफिस वर्कर और तकनीक-प्रेमी पेशेवर)।
  • "फास्ट-फूड भीड़" = ट्रक ड्राइवर, खाद्य preparer (भोजन तैयार करने वाले), निर्माण श्रमिक और सेवा कर्मचारी।
  • गलती: शोधकर्ता पूरे शहर (संपूर्ण कार्यबल) के बारे में निष्कर्ष निकालने के लिए "गॉरमेट" डेटा का उपयोग कर रहे हैं।

शोधकर्ताओं ने क्या पाया

लेखकों ने यह देखने के लिए कई परीक्षण किए कि जब आप अपने डेटा के "स्रोत" को बदलते हैं तो क्या होता है। उनकी मुख्य खोजें यहाँ दी गई हैं:

1. परिणाम पूरी तरह बदल जाते हैं (Flip-Flop)
यदि आप Claude (Consumer) के डेटा का उपयोग करते हैं, तो आप यह निष्कर्ष निकाल सकते हैं कि AI कुछ नौकरियों में रोजगार को नुकसान पहुँचा रहा है। लेकिन यदि आप Claude (Enterprise/Business) या Microsoft Copilot पर स्विच करते हैं, तो परिणाम पूरी तरह बदल सकते हैं, जिससे यह संकेत मिलता है कि AI मदद कर रहा है या इसका कोई प्रभाव नहीं है।

  • उपमा: यह कॉफी प्रेमियों से यह पूछने जैसा है कि क्या कॉफी सेहत के लिए अच्छी है (वे कहते हैं हाँ), फिर चाय पीने वालों से पूछना कि क्या कॉफी अच्छी है (वे कहते हैं नहीं)। यदि आप दोनों समूहों को मिला देते हैं या उनके बीच स्विच करते हैं, तो आपका उत्तर नाटकीय रूप से बदल जाता है, भले ही "कॉफी" खुद न बदली हो।

2. "क्या" से अधिक "कौन" महत्वपूर्ण है
शोध पत्र दिखाता है कि परिणामों को बदलने वाला सबसे बड़ा कारक यह नहीं है कि AI कितना सक्षम है, बल्कि यह है कि कौन सी व्यवसाय (occupations) इसका उपयोग कर रही हैं।

  • कंप्यूटर और गणित की नौकरियाँ कुल अमेरिकी नौकरियों का केवल 3.4% हिस्सा हैं, लेकिन वे कंज्यूमर AI प्लेटफॉर्म्स पर होने वाली सभी बातचीत का 32% हिस्सा बनाती हैं।
  • खाद्य तैयारी (Food Preparation) की नौकरियाँ कुल अमेरिकी नौकरियों का 8.8% हिस्सा हैं, लेकिन वे बातचीत का केवल 0.7% हिस्सा उत्पन्न करती हैं।
  • निष्कर्ष: डेटा उन नौकरियों के बारे में चिल्ला रहा है जो पहले से ही तकनीक-प्रधान हैं, जबकि उन नौकरियों के बारे में फुसफुसा रहा है जो तकनीक-प्रधान नहीं हैं।

3. "रीवेटिंग" (Reweighting) समाधान
लेखकों ने इस पूर्वाग्रह को ठीक करने के लिए एक गणितीय "सुधार" (एक फिल्टर की तरह) विकसित किया। उन्होंने AI चैट डेटा लिया और उसे वास्तविक अमेरिकी कार्यबल की तरह दिखने के लिए मजबूर किया (ट्रक ड्राइवरों, नर्सों और शिक्षकों की वास्तविक संख्या से मेल खाते हुए)।

  • परिणाम: जब उन्होंने यह सुधार लागू किया, तो नौकरियों को नष्ट करने वाली डरावनी भविष्यवाणियाँ भारी मात्रा में कम हो गईं (42% से 93% तक)।
  • उपमा: यह अरबपतियों से भरे कमरे की फोटो लेने के बाद उसमें हजारों आम लोगों को डिजिटल रूप से जोड़ने जैसा है। अचानक, कमरे की "औसत संपत्ति" एक वास्तविक संख्या पर गिर जाती है।

यह नीति निर्धारण (Policy) के लिए क्यों महत्वपूर्ण है

यह शोध पत्र चेतावनी देता है कि यदि सरकारें या कंपनियाँ यह तय करने के लिए अनियंत्रित AI चैट लॉग का उपयोग करती हैं कि किसे पुनः प्रशिक्षण (retraining) या मदद की आवश्यकता है, तो वे एक बड़ी गलती करेंगी।

  • वर्तमान योजना: यदि आप कच्चे डेटा का पालन करते हैं, तो आप अरबों डॉलर कंप्यूटर प्रोग्रामर और वित्तीय विश्लेषकों (क्योंकि डेटा कहता है कि वे AI का सबसे अधिक उपयोग कर रहे हैं) की मदद के लिए भेज देंगे।
  • वास्तविकता: आप कैशियर, ट्रक ड्राइवर और खाद्य तैयारी करने वाले श्रमिकों की अनदेखी कर सकते हैं। ये समूह AI व्यवधान (disruption) के उच्च जोखिम पर हो सकते हैं, लेकिन क्योंकि वे अभी तक AI टूल्स के साथ चैट नहीं कर रहे हैं, डेटा कहता है कि वे "सुरक्षित" हैं।

निचोड़ (The Bottom Line)

यह शोध पत्र यह नहीं कहता कि AI नौकरियों को नहीं बदल रहा है। यह कहता है कि हमारा मापने का पैमाना (measuring stick) टूटा हुआ है।

  • प्लेटफ़ॉर्म डेटा यह देखने के लिए बेहतरीन है कि AI क्या कर सकता है और तकनीक-प्रेमी लोग इसका उपयोग कैसे कर रहे हैं।
  • प्लेटफ़ॉर्म डेटा यह अनुमान लगाने के लिए बहुत खराब है कि AI औसत कार्यकर्ता को कैसे प्रभावित करेगा क्योंकि इसमें वे श्रमिक छूट जाते हैं जो अभी तक टूल्स का उपयोग नहीं कर रहे हैं।

समाधान: शोधकर्ताओं और नीति निर्माताओं को AI चैट लॉग को कार्यबल के एक पूर्ण दर्पण के रूप में मानना बंद कर देना चाहिए। उन्हें डेटा को "रीवेट" (reweight) करने की आवश्यकता है ताकि इसमें वे लोग भी शामिल हों जो प्लेटफॉर्म पर नहीं हैं, अन्यथा वे गलत लोगों के लिए गलत समस्याओं को हल करेंगे।

अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?

आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।

Digest आज़माएँ →

इसी तरह के और पेपर

इस विषय के सभी पेपर देखें 📈 econ →