जब जूनियर का काम AI करने लगे, तो पेशेवरों की अगली पीढ़ी को कौन तैयार करेगा?

एक छोटा-सा काम क्या सिखा सकता है

मान लीजिए, एक ग्राहक शिकायत करता है कि उसका एक ही ऑर्डर कभी-कभी दो बार दिखाई देता है। यह टिकट एक जूनियर इंजीनियर को मिलता है। पहला सवाल यह है कि क्या ग्राहक ने सचमुच दो ऑर्डर दिए थे, या सिस्टम ने एक ही अनुरोध को दो बार प्रोसेस कर दिया।

इंजीनियर रिकॉर्ड जाँचता है, समस्या को दोबारा पैदा करने की कोशिश करता है और एक सहकर्मी से मदद माँगता है। साथ मिलकर वे पाते हैं कि कनेक्शन टूटने पर एक अनुरोध दोबारा भेजा जा सकता है। सुधार ऐसा होना चाहिए कि डुप्लिकेट ऑर्डर रुके, लेकिन कोई असली नया ऑर्डर न रुके। बदलाव ग्राहकों तक पहुँचने से पहले किसी को दोनों संभावनाओं की जाँच करनी होगी।

दिखने वाला नतीजा एक छोटा-सा सुधार है। लेकिन इस दौरान इंजीनियर ने सबूत जुटाने, किसी धारणा पर सवाल उठाने, अनिश्चितता को समझाने और यह तय करने का अभ्यास किया है कि मदद कब माँगनी है।

अब मान लीजिए कि इंजीनियर के कारण तक पहुँचने से पहले ही AI उपलब्ध रिकॉर्ड की जाँच कर लेता है, संभावित दोहराए गए अनुरोध की पहचान कर लेता है, सुधार का ड्राफ़्ट बना देता है और टेस्ट भी तैयार कर देता है। टीम शायद जल्दी काम पूरा कर ले। लेकिन क्या वह इंजीनियर किसी दूसरे सिस्टम में यही समस्या पहचान पाएगा, या सुझाए गए सुधार में कोई गलती पकड़ पाएगा?

मेरा मानना है कि जो संगठन ऐसे काम को ऑटोमेट करता है जिससे शुरुआती लोगों का विकास होता था, उसे उस काम की जगह लेने वाले अभ्यास, फ़ीडबैक और निगरानी का ख़र्च उठाना चाहिए। वरना उसका हिसाब बचत तो दर्ज कर लेता है, लेकिन यह सवाल अनुत्तरित छोड़ देता है कि जो विकास हटाया गया काम पहले देता था, उसकी क़ीमत कौन चुकाएगा।

ग्राहक की एक समस्या। इंजीनियर क्या सीखता है?

डुप्लिकेट ऑर्डर की जाँच का एक उदाहरण, जिसमें AI के सुझाए सुधार की तुलना इंजीनियर के उस काम से की गई है जिसमें वह कारण की पुष्टि करता है, अपवादों की जाँच करता है और अपना तर्क एक सहकर्मी को समझाता है।

“मैंने एक ही ऑर्डर दिया था। दो ऑर्डर क्यों दिख रहे हैं?”ग्राहक का टिकट · उदाहरण के लिए बनाया गया वर्कस्पेस और रिकॉर्ड

ऑर्डर रिकॉर्ड

10:42:01

अनुरोध मिला

10:42:02

ऑर्डर सेव हुआ

10:42:03

कनेक्शन टूटा

10:42:05

अनुरोध दोबारा आया

इंजीनियर जाँच करता है
देखें कि ये अनुरोध एक ख़रीद के हैं या दो के।

AI का सुझाव · समीक्षा ज़रूरी

संभावित कारण: दोहराया गया अनुरोध।सुधार का ड्राफ़्ट: पहले से प्रोसेस हो चुके अनुरोध को पहचानें।

टेस्ट का ड्राफ़्टदोहराया गया अनुरोध → एक ऑर्डर
असली नई ख़रीद → एक और ऑर्डर

इंजीनियर टेस्ट करता है और समझाता है
गड़बड़ी को दोबारा पैदा करें। जाँचें कि असली दूसरी ख़रीद अब भी सफल होती है।

सहकर्मी तर्क और सुधार, दोनों की समीक्षा करता है
“मुझे दिखाओ कि यह किस वजह से हुआ, तुमने क्या टेस्ट किया और अभी क्या अनिश्चित है।”

सुधार और टेस्ट के नतीजे समीक्षा के लिए तैयार
एक पूरा हुआ काम; इस व्यू में इंजीनियर की समझ का आकलन नहीं किया गया है।

टेस्ट के पीछे का सवाल

क्या टेस्ट यह दिखाता है कि असली दूसरा ऑर्डर अब भी सफल होता है—या सिर्फ़ यह कि डुप्लिकेट दिखना बंद हो गए?

काम पूरा करना और उसे समझना एक बात नहीं है

यहाँ समझ का मतलब है कारण समझा पाना, प्रस्तावित समाधान को टेस्ट कर पाना, उसकी सीमाएँ पहचान पाना और उसी तर्क को किसी नए मामले पर लागू कर पाना।

जनवरी 2026 में प्रकाशित एक छोटे रैंडमाइज़्ड अध्ययन में, Anthropic के शोधकर्ताओं ने सॉफ़्टवेयर इंजीनियरों से, जिनमें ज़्यादातर जूनियर थे, एक अनजान Python लाइब्रेरी के साथ काम करवाया। बाद में हुए ज्ञान-परीक्षण में, जिन्हें AI की मदद मिली थी उनके औसत अंक उन लोगों से कम रहे जिन्होंने बिना AI के काम किया था। सबसे बड़ा अंतर डीबगिंग में था। AI वाले समूह ने काम थोड़ा जल्दी पूरा किया, लेकिन अध्ययन भरोसे के साथ यह नहीं कह सका कि यह अंतर संयोग से अलग है।^[1]

अध्ययन ने समझ को काम के कुछ ही समय बाद परखा, सालों बाद की पेशेवर क्षमता को नहीं। फिर भी यह एक व्यावहारिक चिंता उठाता है: पूरा हुआ काम शायद अब किसी मैनेजर को कर्मचारी की समझ के बारे में उतना नहीं बताता जितना पहले बताता था।

दूसरी दिशा में भी सबूत हैं। ग्राहक-सहायता एजेंटों पर हुए एक अध्ययन में पाया गया कि AI की मदद से उत्पादकता बढ़ी, ख़ासकर कम अनुभवी कर्मचारियों की। शोधकर्ताओं को सीखने के सबूत भी मिले: जब बीच-बीच में AI के सुझाव उपलब्ध नहीं थे, तब भी सुधार बना रहा।^[2]

इन अध्ययनों में अलग-अलग काम और अलग-अलग टूल परखे गए। हमारे इंजीनियर के मामले में सवाल यह है कि AI के सुधार देने के बाद क्या होता है। क्या इंजीनियर उसे जमा करने से पहले यह जाँचता है कि वह क्यों काम करता है और कहाँ विफल हो सकता है?

सबूत क्या दिखाते हैं—और क्या नहीं

अध्ययन	शोधकर्ताओं ने क्या पाया	इससे क्या साबित नहीं होता
एक अनजान प्रोग्रामिंग लाइब्रेरी सीखना: 52 सॉफ़्टवेयर इंजीनियर, ज़्यादातर जूनियर। Anthropic, जनवरी 2026। [1]	ज्ञान-परीक्षण में औसत अंक AI की मदद के साथ 50% और उसके बिना 67% रहे। काम पूरा करने के समय का अंतर सांख्यिकीय रूप से महत्वपूर्ण नहीं था।	एक छोटा, तुरंत किया गया आकलन लंबे समय की पेशेवर क्षमता को साबित नहीं करता।
5,172 ग्राहक-सहायता एजेंटों के लिए AI की मदद। प्रकाशित अध्ययन, 2025। [2]	औसतन प्रति घंटे 15% ज़्यादा मामले सुलझाए गए, और कम अनुभवी कर्मचारियों को ज़्यादा फ़ायदा हुआ। AI के बीच-बीच में बंद रहने के दौरान दिखे सुधार सीखने से मेल खाने वाले सबूत देते हैं।	एक कार्यस्थल के नतीजे यह नहीं दिखाते कि हर AI टूल या काम करने का हर तरीक़ा सीखने को बेहतर बनाता है।
AI के दायरे में बहुत ज़्यादा आने वाले पेशों में 22–25 साल के कर्मचारियों का रोज़गार। Stanford अपडेट, अगस्त 2026। [4]	जून 2026 तक रोज़गार उस स्तर से लगभग 19% नीचे था, जहाँ वह होता अगर वह उसी उम्र के उन साथियों की रफ़्तार से चलता जिनके पेशे AI के दायरे में कम आते हैं।	यह रोज़गार का एक सापेक्ष अंतर है, इस बात का सबूत नहीं कि AI की वजह से सभी जूनियर नौकरियों में 19% की कमी आई। यह सीधे तौर पर सीखने को नहीं मापता।

सब कुछ हाथ से करना भी सीखने की गारंटी नहीं है। बिना फ़ीडबैक के कोई काम दोहराते रहना सिर्फ़ दोहराव बनकर रह सकता है। हमें काम करने के तरीक़े को बेहतर बनाते हुए जाँच करने, समझने और ज़िम्मेदारी लेने के मौक़ों को बचाए रखना चाहिए।

शिक्षा हमें किस चीज़ के लिए तैयार कर सकती है

इंजीनियर ने पढ़ाई और पहले के अभ्यास से किसी नतीजे पर सवाल उठाना सीखना शुरू कर दिया है। शिक्षा को इस क्षमता को मज़बूत करना चाहिए—यह सिखाकर कि विषय कैसे काम करता है, किसे सबूत माना जाता है और कमज़ोर व्याख्या को कैसे पहचाना जाए। AI का इस्तेमाल सीखना इन्हीं बुनियादों पर टिका होना चाहिए।

आकलन ऐसा होना चाहिए कि समझ दिखाई दे। हमारे उदाहरण में, सीखने वाला यह समझा सकता है कि डुप्लिकेट क्यों बना, दिखा सकता है कि प्रस्तावित सुधार कब विफल होता है और किसी दूसरे तरीक़े का तर्क के साथ बचाव कर सकता है। सिर्फ़ एक चमकदार सबमिशन इन सवालों को अनुत्तरित छोड़ देगा।

कोई विश्वविद्यालय इस घटना का सिमुलेशन करके प्रतिक्रिया का आकलन कर सकता है। लेकिन असली ग्राहकों द्वारा इस्तेमाल किए जा रहे लाइव सिस्टम को बदलने की ज़िम्मेदारी ऐसे नतीजे जोड़ती है, जिन्हें कक्षा का कोई अभ्यास पूरी तरह दोहरा नहीं सकता। नियोक्ताओं को शिक्षकों को वास्तविक प्रोजेक्ट और पेड प्लेसमेंट देने में मदद करनी चाहिए, और फिर निगरानी में होने वाले काम के ज़रिए विकास जारी रखना चाहिए। अभ्यास के मौक़े वापस लेते हुए यह उम्मीद करना कि ग्रैजुएट जटिल ज़िम्मेदारी के लिए तैयार होकर आएँगे, एक ऐसी समस्या पैदा करता है जिसे कोई और सर्टिफ़िकेट ज़रूरी नहीं कि हल कर पाए।

World Economic Forum का 2026 का फ़्रेमवर्क, जिसे PwC के साथ मिलकर बनाया गया है, इस बात को देखता है कि लोग काम की दुनिया में कैसे प्रवेश करते हैं, उनकी नौकरियों में क्या शामिल होता है, उनका विकास कैसे होता है और शिक्षा उन्हें कैसे तैयार करती है।^[3] शिक्षकों और नियोक्ताओं को इस पर सहमत होना होगा कि कौन-सा अनुभव कौन देगा, उसकी निगरानी कौन करेगा और वे कैसे जाँचेंगे कि लोगों ने क्या सीखा।

फ़ायदा किसे होता है—और सीखने की क़ीमत कौन चुकाता है?

फिर से डुप्लिकेट ऑर्डर वाली टीम पर लौटते हैं। मान लीजिए, AI का इस्तेमाल करने वाला एक अनुभवी इंजीनियर अब वह काम निपटा सकता है जिसमें पहले एक जूनियर सहकर्मी शामिल होता था। इस बदलाव पर विचार करने का एक कारोबारी कारण है। लेकिन इसके भीतर पैसे से जुड़ा एक फ़ैसला भी छिपा है।

ज़्यादा उत्पादन अपने आप यह तय नहीं करता कि फ़ायदा किसे मिलेगा। यह लाभ और ज़्यादा ऑटोमेशन, ऊँची तनख़्वाह, कम क़ीमतों, मुनाफ़े या मालिकों को मिलने वाले रिटर्न में जा सकता है। जब हटाया गया काम लोगों के विकास में मदद करता था, तब यह पेड अभ्यास, निगरानी और सीखने के लिए सुरक्षित समय का ख़र्च भी उठा सकता है।

मान लीजिए, टीम जूनियर इंजीनियर को बनाए रखती है, लेकिन उम्मीद करती है कि एक अनुभवी सहकर्मी अपने बिना बदले काम के बोझ के साथ-साथ उसे सिखाए भी। ऐसे में टीम ने मेंटर का नाम तो तय कर दिया, लेकिन मेंटरिंग के लिए समय नहीं दिया। योजना में टूल के लिए पैसे के साथ-साथ सिखाने और अभ्यास के लिए काम का समय भी अलग रखना होगा।

अगर कोई नियोक्ता उम्मीद करता है कि लोग वही अनुभव कहीं और से हासिल करें, तो किसी और को वह अनुभव देना होगा और उसका ख़र्च उठाना होगा। वह कोई दूसरा नियोक्ता, कोई कॉलेज, कोई सरकारी कार्यक्रम या ख़ुद सीखने वाला हो सकता है। बिना भुगतान वाली तैयारी की शर्त रखने से यह सवाल भी उठेगा कि इस पेशे में प्रवेश का ख़र्च कौन उठा सकता है।

ट्रेनिंग पर पैसा लगता है, और प्रशिक्षित कर्मचारी नौकरी छोड़ भी सकता है। ट्रेनिंग का कोई भी भरोसेमंद प्रस्ताव इस बात को स्वीकार करेगा। टूल ख़रीदने और अनुभवी लोगों को भर्ती करने पर भी पैसा लगता है। तुलना में यह भी शामिल होना चाहिए कि संगठन उन कौशलों को कैसे बनाए रखेगा जिनकी उसे आगे ज़रूरत पड़ने की उम्मीद है।

अगला अनुभवी कर्मचारी कहाँ से आएगा?

लेकिन अभ्यास पर पैसा लगाना तभी काम आता है, जब लोगों को पेशे में प्रवेश का मौक़ा ही मिले। इसलिए ट्रेनिंग का सवाल भर्ती का सवाल बन जाता है।

ADP के पेरोल डेटा का इस्तेमाल करने वाले Stanford के शोधकर्ताओं ने बताया कि जून 2026 तक, AI के दायरे में बहुत ज़्यादा आने वाले पेशों में 22–25 साल के कर्मचारियों का रोज़गार उस स्तर से नीचे था जहाँ वह होता, अगर वह AI के दायरे में कम आने वाले पेशों में उसी उम्र के कर्मचारियों की रफ़्तार से चलता (सबूत वाली तालिका में रोज़गार वाली पंक्ति देखें)। उनका विश्लेषण बताता है कि यह बदलाव मुख्य रूप से कम युवा कर्मचारियों की भर्ती को दर्शाता है, न कि नौकरी छोड़ने वाले कर्मचारियों की संख्या में बढ़ोतरी को।^[4]

ये नतीजे रोज़गार में एक अंतर दिखाते हैं; ये यह साबित नहीं करते कि इसमें से कितना AI की वजह से हुआ। अध्ययन कर्मचारियों को उम्र के आधार पर समूहों में बाँटता है, और उम्र से ज़रूरी नहीं कि यह पता चले कि वे कितने अनुभवी हैं।

यह नतीजा भविष्य में लीडरों की कमी को भी साबित नहीं करता। यह एक जोखिम है, जिस पर विचार करना चाहिए। अगर किसी पेशे में कम लोग आते हैं, या आने वालों को कम उपयोगी अभ्यास मिलता है, तो संगठनों को जाँचना होगा कि उनकी भविष्य की भर्ती और प्रमोशन की योजनाएँ कैसे काम करेंगी।

किसी एक संगठन के लिए कहीं और प्रशिक्षित अनुभवी लोगों को भर्ती करना उचित हो सकता है। मुश्किल सवाल तब उठता है जब कई नियोक्ता यह उम्मीद करें कि वह ट्रेनिंग कोई और देगा। तब अनुभव कहाँ से आएगा, और उसे हासिल करने का मौक़ा किसे मिलेगा?

काम बदलने पर भी क्या बचा रहना चाहिए

हमारा जूनियर इंजीनियर AI का इस्तेमाल करते हुए भी डुप्लिकेट ऑर्डर वाली समस्या से सीख सकता है। उससे कहें कि वह कारण की जाँच करे, सुझाए गए सुधार को समझाए और टेस्ट करे कि असली दूसरा ऑर्डर अब भी सफल होता है या नहीं। किसी अनुभवी सहकर्मी से कोड के साथ-साथ तर्क की भी समीक्षा करवाएँ। समय के साथ, जैसे-जैसे इंजीनियर अपनी समझ दिखाए, उसे ज़्यादा ज़िम्मेदारी दें।

इसके लिए दोनों लोगों का समय चाहिए। कोई मैनेजर सावधानी से विकास की माँग करते हुए सिर्फ़ सबसे तेज़ी से टिकट बंद करने को इनाम नहीं दे सकता। अनुभवी सहकर्मियों को भी यह मानना होगा कि किसी का मार्गदर्शन करने में ख़ुद काम पूरा करने से ज़्यादा समय लग सकता है।

जूनियर काम में हर बड़े बदलाव के लिए, मैं नियोक्ता से कहूँगा कि वह पहचाने कि लोग पहले क्या सीखते थे, अब वे उसका अभ्यास कहाँ करेंगे, उनका मार्गदर्शन कौन करेगा और उस व्यक्ति के समय का ख़र्च कैसे उठाया जाएगा। शिक्षकों को सीखने वालों को ऐसे कामों के लिए तैयार करने में मदद करनी चाहिए। सीखने वालों से उम्मीद की जानी चाहिए कि वे जो काम जमा करते हैं, उसे समझा सकें और उस पर सवाल उठा सकें, जिसमें AI की मदद से बना काम भी शामिल है।

ग्राहक को डुप्लिकेट ऑर्डर की समस्या का समाधान चाहिए। कारोबार को ऐसे व्यक्ति की भी ज़रूरत है जो अगली अनजान गड़बड़ी की जाँच कर सके। ऑटोमेशन के किसी भी फ़ैसले में इन दोनों का ध्यान रखा जाना चाहिए।

स्रोत और सबूत

स्रोतों की समीक्षा 27 सितंबर 2026 को की गई। शुरुआत की स्थिति एक उदाहरण है, किसी ख़ास प्रोजेक्ट की रिपोर्ट नहीं। सुझाव और भविष्य के संभावित नतीजे लेखक की व्याख्या हैं; नीचे दिए गए अध्ययन पेशेवरों की लंबे समय तक चलने वाली कमी को साबित नहीं करते।

1. Anthropic — “How AI assistance impacts the formation of coding skills,” 29 जनवरी 2026। एक छोटा रैंडमाइज़्ड प्रयोग, जो एक अनजान प्रोग्रामिंग लाइब्रेरी की तुरंत की समझ को मापता है। यह करियर पर लंबे समय के असर को साबित नहीं करता। ↩
2. Erik Brynjolfsson, Danielle Li और Lindsey Raymond — “Generative AI at Work,” The Quarterly Journal of Economics, मई 2025। 5,172 ग्राहक-सहायता एजेंटों पर एक अध्ययन, जिसमें AI के इस्तेमाल के दौरान सीखने से मेल खाने वाले सबूत शामिल हैं। नतीजे एक ही कार्यस्थल से आए हैं। ↩
3. World Economic Forum, PwC के सहयोग से — “Artificial Intelligence and the Future of Entry-Level Work: A Framework for Safeguarding and Reinventing Early Career Pathways,” 22 जून 2026। एक फ़्रेमवर्क, जो नौकरी तक पहुँच, नौकरी की बनावट, प्रतिभा के विकास और शिक्षा को आपस में जोड़ता है। यह सुझाव देता है, इस बात का सबूत नहीं कि कोई ख़ास ट्रेनिंग कार्यक्रम काम करता है। ↩
4. Erik Brynjolfsson, Bharat Chandar और Ruyu Chen — “No Widespread Displacement, but the AI Employment Gap for Young Workers Has Widened to 19%,” Stanford Digital Economy Lab, 12 अगस्त 2026। जून 2026 तक के संशोधित रोज़गार शोध का लेखकों द्वारा दिया गया सारांश। यह सापेक्ष अंतर, विश्लेषण की सीमाओं और इस बात को समझाता है कि इन नतीजों को कारण-परिणाम के अनुमान क्यों नहीं माना जाना चाहिए। ↩