AI डेवलपरों को कुछ काम तेज़ी से पूरे करने में मदद कर रहा है। इसका नतीजा ज़्यादा सॉफ़्टवेयर होगा, कम नौकरियाँ होंगी या इंजीनियरिंग वर्कफ़ोर्स का एक अलग रूप, यह कोडिंग माहौल से कहीं आगे लिए गए फ़ैसलों पर निर्भर करता है।
सोचिए कि आप 40 लोगों की सॉफ़्टवेयर इंजीनियरिंग टीम का नेतृत्व कर रहे हैं।
प्रोडक्ट रोडमैप लंबा है, ग्राहकों के अनुरोध ध्यान का इंतज़ार कर रहे हैं और पुराने सिस्टमों के रखरखाव की ज़रूरत है। टीम के पास उतने से ज़्यादा काम है जितना वह आराम से संभाल सकती है।
फिर AI कोडिंग टूल असर दिखाने लगते हैं। रोज़मर्रा के बदलावों में कम समय लगता है। डेवलपर टेस्ट तैयार कर सकते हैं, अनजाना कोड समझ सकते हैं और कुछ इम्प्लीमेंटेशन कार्य तेज़ी से पूरे कर सकते हैं।
शुरू में यह सुधार साफ़ फ़ायदे जैसा दिखता है।
फिर कोई एक सवाल पूछता है, जो बातचीत की दिशा बदल देता है।
अगर 40 इंजीनियर अब ज़्यादा काम कर सकते हैं, तो क्या कंपनी को अब भी सभी 40 की ज़रूरत है?
यह एक वाजिब कारोबारी सवाल है। कंपनियाँ हमेशा कार्यकुशलता बढ़ाने के लिए टेक्नोलॉजी में निवेश करती आई हैं, और कभी-कभी इसका मतलब श्रम लागत घटाना रहा है।
लेकिन मैं मुख्य रूप से कोडिंग उत्पादकता के किसी एक आँकड़े के आधार पर टीम घटाने के हर फ़ैसले को चुनौती दूँगा। इसलिए नहीं कि इंजीनियरिंग की नौकरियाँ ऑटोमेशन से सुरक्षित हैं, बल्कि इसलिए कि वह संख्या प्रबंधन को उस काम के बारे में बहुत कम बताती है जो कंपनी को अब भी पूरा करना है।
उत्पादकता के माप के पीछे एक बड़ा कारोबारी फ़ैसला छिपा है।
उत्पादकता के आँकड़ों को संदर्भ चाहिए
नवंबर 2026 में रिसर्च संगठन METR ने Anthropic में AI की मदद से हो रहे रिसर्च और डेवलपमेंट का एक स्वतंत्र आकलन प्रकाशित किया।
शोधकर्ताओं का अनुमान था कि AI क्षमता बेंचमार्क पर Anthropic के सुधार की रफ़्तार पहले की अवधि की तुलना में लगभग 1.9 गुना तेज़ हो गई थी। उन्होंने AI को इसका संभावित प्रमुख योगदानकर्ता माना, साथ ही कारणों को लेकर काफ़ी अनिश्चितता भी स्वीकार की। सहायक प्रमाणों के महत्वपूर्ण हिस्से गोपनीय या संपादित (redacted) ही रहे।
यह एक अहम नतीजा था, हालाँकि इसने AI क्षमताओं में प्रगति की रफ़्तार को मापा था, अलग-अलग इंजीनियरों की उत्पादकता को नहीं।
METR का नवंबर 2026 का आकलन माप और उसकी सीमाओं को समझाता है।
सॉफ़्टवेयर डेवलपरों पर हुए अध्ययन एक अलग नज़रिया देते हैं।
4,867 डेवलपरों को शामिल करने वाले तीन रैंडमाइज़्ड फ़ील्ड प्रयोगों में पाया गया कि AI कोडिंग सहायता से पूरे किए गए कार्य लगभग 26% बढ़ गए। METR के एक और रैंडमाइज़्ड अध्ययन में पाया गया कि अनुभवी ओपन-सोर्स डेवलपरों को early-2025 के AI टूल के साथ परखे गए खास कार्यों को पूरा करने में 19% ज़्यादा समय लगा।
ये निष्कर्ष अलग-अलग कामकाजी माहौल, टूल और कार्यों से आए थे। इन्हें किसी एक सार्वभौमिक सुधार के प्रतिस्पर्धी अनुमान नहीं मानना चाहिए।
स्रोत: डेवलपर फ़ील्ड प्रयोग और METR का अनुभवी डेवलपरों पर अध्ययन।
नीचे की तालिका दिखाती है कि हर अध्ययन ने क्या मापा, कहाँ मापा और क्या छोड़ दिया।
| अध्ययन | क्या मापा गया | सेटिंग | यह क्या नहीं दिखाता |
|---|---|---|---|
| Anthropic में AI की मदद से R&D का METR आकलन (5 नवंबर 2026) | AI क्षमता बेंचमार्क पर सुधार की रफ़्तार, पहले की अवधि से लगभग 1.9 गुना तेज़ (95% अंतराल 1.5 से 2.8 गुना), अच्छी तरह परिभाषित कार्यों के लिए | Anthropic का अपना AI रिसर्च और डेवलपमेंट। METR ने कहा कि Anthropic ने सबसे जानकारीपूर्ण लगे प्रमाणों का ज़्यादातर हिस्सा संपादित कर दिया | अलग-अलग इंजीनियर कितना तेज़ काम करते हैं। METR का कहना है कि व्यक्तिगत स्पीडअप अनुमान त्वरण दरों के अनुरूप नहीं होते |
| तीन रैंडमाइज़्ड फ़ील्ड प्रयोग (पेपर की तारीख़ जून 2025) | पूरे किए गए कार्य, AI कोडिंग असिस्टेंट इस्तेमाल करने वाले डेवलपरों के लिए लगभग 26% ज़्यादा (मानक त्रुटि 10.3%) | Microsoft, Accenture और एक Fortune 100 कंपनी के 4,867 डेवलपर, उनके सामान्य कामकाज के दौरान | डिलीवर किया गया प्रोडक्ट, ग्राहक मूल्य या headcount। पेपर कहता है कि हर प्रयोग में शोर (noise) है |
| METR का अनुभवी डेवलपर अध्ययन (जुलाई 2025) | असली issue पूरे करने में लगा समय। AI टूल की अनुमति होने पर कार्यों में 19% ज़्यादा समय लगा | 16 अनुभवी ओपन-सोर्स डेवलपर, 246 issue, early-2025 के AI टूल | आज के टूल। फ़रवरी 2026 में METR ने अपने नए डेटा को मौजूदा असर का अविश्वसनीय संकेत कहा और कहा कि डेवलपर अब early-2025 की तुलना में संभवतः ज़्यादा तेज़ हुए हैं |
| NBER Writing Code vs. Shipping Code (सितंबर 2026 संशोधन) | स्वायत्त कोडिंग एजेंट लगभग 240% ज़्यादा commit, 80% ज़्यादा प्रोजेक्ट और 30% ज़्यादा release से जुड़े पाए गए, matched event study में | 500,000 से ज़्यादा GitHub डेवलपर | ग्राहक मूल्य। जाँचे गए मार्केटप्लेस में कुल उपयोग नहीं बढ़ा, और अध्ययन यह स्थापित नहीं करता कि release, commit से कम क्यों बढ़े |
इन अध्ययनों की सूची और गहराई से पढ़ने वाले खंड में दी गई है। तीसरी पंक्ति के नोट का स्रोत METR का फ़रवरी 2026 का अपडेट है। पंक्तियाँ अलग-अलग चीज़ें मापती हैं, इसलिए प्रतिशतों की आपस में तुलना नहीं की जा सकती।
जब हम अलग-अलग कार्यों से आगे देखते हैं, तो एक और अंतर दिखाई देता है।
NBER वर्किंग पेपर Writing Code vs. Shipping Code के सितंबर 2026 के संशोधन ने 500,000 से ज़्यादा GitHub डेवलपरों की गतिविधि की जाँच की।
Matched event study डिज़ाइन का इस्तेमाल करते हुए शोधकर्ताओं ने अनुमान लगाया कि स्वायत्त कोडिंग एजेंटों को अपनाना लगभग 240% ज़्यादा commit और 30% ज़्यादा सॉफ़्टवेयर release से जुड़ा था।
ये सॉफ़्टवेयर उत्पादन के अलग-अलग माप हैं, उत्पादकता के आपस में बदले जा सकने वाले प्रतिशत नहीं। commit एक कोड बदलाव को दर्ज करता है, जबकि release सॉफ़्टवेयर डिलीवर करने के बाद के चरण को दर्शाता है। इनमें से कोई भी सीधे ग्राहक मूल्य को स्थापित नहीं करता।
फिर भी अनुमानित लाभों का अंतर जानकारी देने वाला है। यह दिखाता है कि कोडिंग गतिविधि बढ़ने के साथ पूरे किए गए release में कहीं छोटी बढ़ोतरी हुई।
अध्ययन ठीक-ठीक यह स्थापित नहीं करता कि ये बढ़ोतरियाँ अलग क्यों थीं। रिव्यू, टेस्टिंग, इंटीग्रेशन और release समन्वय संभावित बाधाएँ हैं, जिन्हें संगठनों को अपने-अपने माहौल में जाँचना होगा।
Writing Code vs. Shipping Code पढ़ें।
किसी इंजीनियरिंग लीडर के लिए यह बदल देता है कि क्या मापना सार्थक है। हो सकता है कि कोई टीम ज़्यादा कोड बना रही हो, पर ग्राहकों के असल में काम आने वाला उतना ही ज़्यादा काम पूरा न कर रही हो।
यह अंतर तब अहम हो जाता है जब उत्पादकता बजट और स्टाफ़िंग योजनाओं को प्रभावित करने लगती है।
छोटी टीम कभी-कभी सही कारोबारी फ़ैसला हो सकती है
एक ऐसे संगठन पर विचार कीजिए जो एक परिपक्व आंतरिक एप्लिकेशन चलाता है।
उसकी ज़रूरतें धीरे बदलती हैं। इंजीनियरिंग का ज़्यादातर प्रयास रखरखाव, नियमित सुधारों, कंप्लायंस अपडेट और कभी-कभार आने वाली प्रोडक्शन समस्याओं में जाता है। कारोबार की एप्लिकेशन को बढ़ाने की कोई ख़ास योजना नहीं है।
मान लीजिए AI इस काम के कुछ हिस्से में लगने वाला समय भरोसेमंद ढंग से घटा देता है।
समय के साथ संगठन कम इंजीनियरिंग घंटों में वही दायित्व पूरे कर पाए, ऐसा हो सकता है। प्रबंधन ठेकेदारों पर खर्च घटा सकता है, कर्मचारियों के जाने पर पद खाली छोड़ सकता है या ज़िम्मेदारियाँ एक साथ मिला सकता है।
टीम बिना किसी बड़े पुनर्गठन की घोषणा के छोटी हो सकती है।
इस संभावना को केवल इसलिए नज़रअंदाज़ नहीं करना चाहिए कि आर्किटेक्चर, सुरक्षा और संचालन संबंधी विवेक को अब भी इंसानी ध्यान चाहिए। ये ज़िम्मेदारियाँ तय करती हैं कि स्टाफ़िंग सुरक्षित रूप से कितनी घटाई जा सकती है, लेकिन ये इसकी गारंटी नहीं देतीं कि टीम का मूल आकार ज़रूरी बना रहेगा।
लागत घटाने की एक व्यावहारिक सीमा भी है। छोटी टीम को फिर भी अप्रत्याशित विफलताएँ, जटिल बदलाव, प्रोडक्शन की जवाबदेही और अनुभवी कर्मचारियों के जाने पर निरंतरता संभालनी होती है।
प्रबंधन को तय करना होता है कि क्या कार्यकुशलता का लाभ इतना भरोसेमंद है कि उन जोखिमों को स्वीकार करना उचित हो।
जिन संगठनों की ज़रूरतें स्थिर हैं और अतिरिक्त डेवलपमेंट की माँग सीमित है, उनके लिए श्रम की ज़रूरत घटाने का तर्क जायज़ हो सकता है।
कम डेवलपमेंट लागत यह भी बदल सकती है कि क्या बनाना सार्थक है
बढ़ते प्रोडक्ट रोडमैप वाली कंपनी के सामने एक अलग फ़ैसला होता है।
हो सकता है कि कई आशाजनक प्रोजेक्ट इसलिए रुके पड़े हों कि डेवलपमेंट बहुत महँगा था। ग्राहक ऐसी क्षमताएँ माँग रहे हैं जो टीम पर्याप्त तेज़ी से नहीं दे पा रही, और इंजीनियरों का एक और समूह रखने से अर्थशास्त्र आकर्षक नहीं रहेगा।
AI इन गणनाओं को बदल सकता है।
जिस फ़ीचर के लिए पहले महीनों का इम्प्लीमेंटेशन चाहिए था, वह किफ़ायती हो सकता है। छोटे प्रोडक्ट विचारों को आज़माने में उतनी इंजीनियरिंग क्षमता नहीं लगानी पड़ेगी। बार-बार टाले गए सुधार व्यावहारिक बन सकते हैं।
ऐसी स्थिति में इंजीनियरिंग टीम को बनाए रखना उसकी लागत घटाने से ज़्यादा मूल्य पैदा कर सकता है।
फिर भी एक शर्त है, और उसका इस बात से बहुत कम लेना-देना है कि AI टूल कितना सक्षम है।
अतिरिक्त सॉफ़्टवेयर को ऐसी समस्याएँ हल करनी चाहिए जिन्हें ग्राहक या कारोबार सचमुच महत्व देते हैं।
NBER शोध में पाया गया कि सॉफ़्टवेयर उत्पादन की ज़्यादा गतिविधि से, जाँचे गए एप्लिकेशन मार्केटप्लेस में कुल उपयोग में उसके अनुरूप बढ़ोतरी नहीं हुई। इससे यह स्थापित नहीं होता कि नई एप्लिकेशन बेकार थीं, लेकिन यह इस धारणा के प्रति सावधान करता है कि ज़्यादा आपूर्ति अपने बराबर की माँग पैदा कर देगी।
जिस कंपनी के पास ग्राहकों की मूल्यवान अनपूरी ज़रूरतें हैं, उसे डेवलपमेंट बढ़ाने से लाभ हो सकता है। किसी दूसरी कंपनी के पास और बनाने का व्यावसायिक कारण कम हो सकता है, भले ही इम्प्लीमेंटेशन सस्ता हो जाए।
फ़र्क़ उस अवसर में है जो कारोबार के पास उपलब्ध है।
रोज़गार पर पहला असर शायद कम खुले पद हो
कार्यबल में बदलावों को अक्सर छंटनी की घोषणाओं से आँका जाता है। वे संख्याएँ मायने रखती हैं, लेकिन इंजीनियरिंग संगठनों के भीतर जो कुछ हो रहा है, वे उस सबको नहीं पकड़तीं।
सोचिए कि कोई टीम सामान्यतः हर साल कई ग्रेजुएट भर्ती करती है। उसके मौजूदा इंजीनियर AI की मदद से ज़्यादा काम पूरा करने लगते हैं, और प्रबंधन अगले दौर की junior भर्ती टालने का फ़ैसला करता है।
किसी की मौजूदा नौकरी नहीं गई। टीम का headcount स्थिर रह सकता है।
लेकिन इस पेशे में प्रवेश करने की कोशिश कर रहे व्यक्ति के लिए अवसर ग़ायब हो गया है।
Indeed Hiring Lab का जुलाई 2026 का एक विश्लेषण प्रासंगिक संदर्भ देता है। अमेरिका में सॉफ़्टवेयर-डेवलपमेंट के जॉब पोस्टिंग फ़रवरी 2025 के अंत से लगभग 15% बढ़ी थीं, लेकिन मई 2025 और मई 2026 के बीच की बढ़ोतरी का 71% हिस्सा senior पदों से आया।
यह विज्ञापित अवसरों में बदलाव था, इस बात का प्रमाण नहीं कि AI के कारण नियोक्ता अनुभवी इंजीनियरों को तरजीह देने लगे।
Indeed Hiring Lab का विश्लेषण मूल आँकड़े और तुलना की अवधियाँ देता है।
Federal Reserve के शोधकर्ताओं ने भी ChatGPT के आने के बाद से कोडिंग-प्रधान व्यवसायों में रोज़गार वृद्धि के धीमे पड़ने का दस्तावेज़ीकरण किया है। कुल रोज़गार के बारे में अन्य प्रमाण ज़्यादा आश्वस्त करने वाले हैं। डेनमार्क के प्रशासनिक डेटा पर आधारित एक अध्ययन में ChatGPT के लॉन्च के दो साल बाद कमाई या दर्ज घंटों पर 2% से ज़्यादा कोई पता लगाने योग्य असर नहीं मिला, जबकि U.S. Bureau of Labor Statistics का अनुमान है कि 2035 तक सॉफ़्टवेयर-डेवलपमेंट से जुड़े रोज़गार में वृद्धि जारी रहेगी।
ये स्रोत अलग-अलग आबादी, समयावधि और परिणामों की जाँच करते हैं। इनमें से कोई भी AI-प्रेरित इंजीनियरिंग नौकरी हानि का सार्वभौमिक कारणात्मक अनुमान स्थापित नहीं करता।
स्रोत: Federal Reserve का रोज़गार शोध, डेनमार्क का श्रम-बाज़ार अध्ययन और BLS का व्यवसाय आउटलुक।
जिस पर ध्यान देना चाहिए, वह कार्यबल की बनावट में धीरे-धीरे आने वाले बदलाव की संभावना है।
कोई कंपनी अनुभवी इंजीनियरों को रोज़गार देती रह सकती है, जबकि करियर की शुरुआत कर रहे लोगों की भर्ती कम कर दे। उसका दर्ज headcount अपेक्षाकृत अपरिवर्तित रह सकता है, भले ही पेशे में प्रवेश के अवसर सिकुड़ते जाएँ।
उपलब्ध प्रमाण यह स्थापित नहीं करते कि यह नतीजा कितना व्यापक होगा। फिर भी यह अपनी भविष्य की इंजीनियरिंग क्षमता की योजना बना रहे लीडरों के लिए एक अहम संभावना है।
वह फ़ैसला जिसे मैं लीडरशिप मीटिंग में चुनौती दूँगा
वापस मूल 40 लोगों की टीम पर चलिए।
AI अपनाने के कई महीनों बाद उसका इंजीनियरिंग मैनेजर बताता है कि चुनिंदा इम्प्लीमेंटेशन कार्यों में अब 30% कम समय लगता है।
इसके बाद एक प्रस्ताव आता है: इंजीनियरिंग बजट में भी उतने ही प्रतिशत की कटौती कर दी जाए।
मैं उस गणना पर तुरंत सवाल उठाऊँगा।
मान लीजिए कि कोई फ़ीचर डिलीवर करने में लगने वाले प्रयास का आधा हिस्सा पहले इम्प्लीमेंटेशन में जाता था। अगर वही इम्प्लीमेंटेशन कार्य अब लगभग 30% कम समय लेता है, तो प्रत्यक्ष बचत मूल कुल प्रयास की लगभग 15% होगी, यह मानते हुए कि बाक़ी गतिविधियाँ अपरिवर्तित रहती हैं।
इस चित्र का सुलभ टेक्स्ट विकल्प
AI से पहले एक फ़ीचर डिलीवर करने का प्रयास 100 प्रतिशत की एक पट्टी के रूप में दिखाया गया है: इम्प्लीमेंटेशन उसका आधा है और बाक़ी सब दूसरा आधा।
AI के बाद इम्प्लीमेंटेशन में 30 प्रतिशत कम समय लगता है, इसलिए वह मूल कुल के 50 प्रतिशत से घटकर लगभग 35 प्रतिशत रह जाता है। बाक़ी सब 50 प्रतिशत ही रहता है, इसलिए पट्टी लगभग 85 प्रतिशत तक पहुँचती है और धारीदार खंड लगभग 15 प्रतिशत की बचत दिखाता है।
बाक़ी सब में टेस्टिंग, इंटीग्रेशन, आर्किटेक्चर निर्णय और संचालन समीक्षा शामिल हैं। इस उदाहरण में ये जस के तस रहते हैं और release कितनी तेज़ होती है, इसे सीमित कर सकते हैं। यह लेख के उदाहरण का चित्रण है, मापा गया डेटा नहीं।
यह पूरी टीम के कार्यभार में 30% की कमी से पहले ही बहुत अलग है।
और यह गणना अब भी हमें यह नहीं बताती कि संगठन release तेज़ी से डिलीवर कर सकता है या नहीं। टेस्टिंग, इंटीग्रेशन, आर्किटेक्चर निर्णय और संचालन समीक्षाएँ सुधार को सीमित कर सकती हैं।
अगली बातचीत प्रोडक्ट रोडमैप के बारे में होनी चाहिए।
क्या ऐसी ग्राहक समस्याएँ हैं जिन्हें टीम अब किफ़ायत से हल कर सकती है? क्या बची हुई क्षमता मेंटेनेंस बैकलॉग घटा सकती है या विश्वसनीयता सुधार सकती है? क्या महत्वपूर्ण फ़ीचर जल्दी release करने से कंपनी को ज़्यादा फ़ायदा होगा?
अगर जवाब हाँ है, तो टीम घटाने से वह अवसर हाथ से जा सकता है जो तत्काल वेतन बचत से ज़्यादा मूल्यवान है।
अगर रोडमैप में मूल्यवान अतिरिक्त काम बहुत कम है, तो गणना बदल जाती है। प्रबंधन के पास लागत घटाने का जायज़ कारण हो सकता है, बशर्ते बची हुई टीम उन सिस्टमों को सुरक्षित रूप से संभाल सके जिनकी वह मालिक है।
यहीं लीडरशिप का विवेक मायने रखता है।
वर्कफ़ोर्स का फ़ैसला डिलीवर किए गए आउटपुट, उपलब्ध माँग, संचालन जोखिम और दीर्घकालिक क्षमता के आकलन के बाद होना चाहिए। कोडिंग टूल का उत्पादकता डैशबोर्ड इन सवालों के जवाब नहीं दे सकता।
इंजीनियरों के लिए इसका नतीजा
अलग-अलग इंजीनियर यह तय नहीं करते कि उनके नियोक्ता अतिरिक्त क्षमता का इस्तेमाल विकास के लिए करेंगे या लागत घटाने के लिए।
लेकिन जो काम अब भी मूल्यवान है, उसमें वे कितना प्रभावी योगदान देते हैं, उसे वे प्रभावित ज़रूर करते हैं।
AI टूल का इस्तेमाल सीखना उस ज़िम्मेदारी का हिस्सा है। ज़रूरतों को समझने, जनरेट किए गए कोड का मूल्यांकन करने, आर्किटेक्चर निर्णय लेने और भरोसेमंद सिस्टम डिलीवर करने के लिए ज़रूरी विवेक विकसित करना भी उसी का हिस्सा है।
ये ज़िम्मेदारियाँ ऑटोमेशन से हमेशा के लिए सुरक्षित नहीं हैं। AI क्षमताओं के साथ यह बदलता रहेगा कि इनमें कितना मानवीय प्रयास लगता है।
इसलिए करियर के लिए उपयोगी जवाब यह नहीं है कि केवल इस पर प्रतिस्पर्धा की जाए कि कोड कितनी तेज़ी से बनाया जा सकता है। उपयोगी जवाब यह है कि उन इंजीनियरिंग निर्णयों में प्रभावी बना जाए जो तय करते हैं कि परिणामी सॉफ़्टवेयर काम करता है या नहीं और मूल्य पैदा करता है या नहीं।
यह पेशेवर विकास की एक दिशा है, रोज़गार की सुरक्षा का वादा नहीं।
उत्पादकता में बढ़ोतरी अभी वर्कफ़ोर्स रणनीति नहीं है
मैं नहीं मानता कि जब टेक्नोलॉजी सचमुच कंपनियों को ज़्यादा कुशलता से काम करने देती है, तब उन्हें इंजीनियरिंग लागत घटाने से बचना चाहिए।
लेकिन मैं यह भी नहीं मानता कि AI उत्पादकता का कोई प्रभावशाली नतीजा स्टाफ़िंग के फ़ैसले को उचित ठहराने के लिए काफ़ी है।
इस विकल्प के नतीजे अगले बजट चक्र से आगे तक जाते हैं। टीम घटाने से पैसे बच सकते हैं, पर साथ ही ज्ञान खो सकता है, भविष्य की क्षमता कमज़ोर हो सकती है या ऐसे प्रोडक्ट में देर हो सकती है जो अब बनाने में किफ़ायती हो गए हैं। काम की सार्थकता के बिना वही टीम रखना अपने आप बेहतर नहीं है।
लीडरों को यह समझौता खुलकर करना होगा।
ज़िम्मेदारी यह नहीं है कि हर मौजूदा इंजीनियरिंग पद को बचाया जाए या AI जितना भी समय बचा सके, उसका हर घंटा हटा दिया जाए। ज़िम्मेदारी यह तय करने की है कि कारोबार को कौन-सी इंजीनियरिंग क्षमता चाहिए, वह क्षमता अब क्या हासिल कर सकती है और क्या मूल्य उस निवेश को उचित ठहराता है।
यह वह फ़ैसला है जो उत्पादकता बेंचमार्क नहीं ले सकता।
और गहराई से पढ़ने के लिए
METR: Anthropic AI R&D Acceleration Assessment: AI क्षमता की प्रगति और उसके कारणों को लेकर अनिश्चितता का स्वतंत्र आकलन।
The Effects of Generative AI on High-Skilled Work: AI सहायता और सॉफ़्टवेयर डेवलपरों के कार्य पूरे करने का मूल्यांकन करने वाले रैंडमाइज़्ड फ़ील्ड प्रयोग।
METR: Experienced Developer Productivity Study: नियंत्रित प्रमाण, जो दिखाते हैं कि उत्पादकता कार्य और माहौल पर क्यों निर्भर करती है।
NBER: Writing Code vs. Shipping Code: कोडिंग गतिविधि की तुलना सॉफ़्टवेयर उत्पादन के बाद के चरणों से करने वाला शोध।
Indeed Hiring Lab: AI and Job Postings: सॉफ़्टवेयर-डेवलपमेंट जॉब पोस्टिंग का विश्लेषण, जिसमें वरिष्ठता के आधार पर बदलाव भी शामिल हैं।
Federal Reserve: AI and Coder Employment: कोडिंग-प्रधान व्यवसायों में रोज़गार के रुझानों और कारणात्मक अनिश्चितता पर शोध।
NBER: Still Waters, Rapid Currents: AI अपनाने, कमाई और काम के घंटों पर प्रशासनिक श्रम-बाज़ार प्रमाण।
U.S. Bureau of Labor Statistics: Software Developers: सॉफ़्टवेयर डेवलपरों और संबंधित व्यवसायों के लिए आधिकारिक रोज़गार अनुमान।
TechiesJournal के संबंधित लेख
AI की कीमत: टेक्नोलॉजी कंपनियां लोगों और कंप्यूटिंग पावर के बारे में कैसे नए सिरे से सोच रही हैं
जब जूनियर का काम AI करने लगे, तो पेशेवरों की अगली पीढ़ी को कौन तैयार करेगा?
AI कोड लिखता है। लेकिन प्रोडक्शन में क्या होता है, यह कौन समझता है?
शोध की अंतिम तारीख़: 16 नवंबर 2026। लेख में शोध के माप, रोज़गार संबंधी अवलोकन और लेखक की व्याख्याएँ अलग-अलग पहचानी जा सकें, इसका ध्यान रखा गया है।
