AI काम करता है, इसलिए लोग घटाने पर कंपनी धीमी हो सकती है: रिश्तों और जिम्मेदारियों से बनता संदर्भ

कार्यालय में एक सीट खाली होने पर वेतन लागत घटती है, लेकिन कंपनी उस व्यक्ति को मालूम काम का संदर्भ भी खो सकती है।

कंपनी में AI टूल आते ही एक वाक्य लगभग हमेशा निकलता है। “तो अब कितने लोग कम कर सकते हैं?” ऊपर से देखें तो सवाल तर्कसंगत लगता है। AI रिपोर्ट भी लिखता है, मीटिंग नोट्स भी बनाता है, रिसर्च भी करता है, कोड भी लिखता है, और योजना का ड्राफ्ट भी बना देता है। कुछ काम वह सचमुच इंसान से तेज़ करता है।

समस्या यह नहीं कि AI काम नहीं कर पाता। उलटा, AI उम्मीद से ज़्यादा काम कर सकता है। लेकिन कंपनी का काम output निकलते ही खत्म नहीं होता। यह देखना पड़ता है कि उस परिणाम को सचमुच इस्तेमाल किया जा सकता है या नहीं, कौन उसकी ज़िम्मेदारी ले सकता है, और वह संगठन के राजनीतिक और व्यावहारिक संदर्भ में बैठता है या नहीं। इस चरण को देखे बिना पहले लोग घटाएँगे, तो कंपनी तेज़ नहीं होती। उलटा धीमी हो जाती है।

AI काम कर ले, तब भी ज़िम्मेदारी और संदर्भ बचते हैं

AI किसी भूमिका के output का बड़ा हिस्सा बना सकता है। रिपोर्ट लिख सकता है, विश्लेषण कर सकता है, प्रस्तुति बना सकता है, कोड लिख सकता है। आगे यह और भी काम करेगा। पर कंपनी सिर्फ़ यह नहीं देखती कि AI output बना सकता है या नहीं।

क्या यह रिपोर्ट इस समय ऊपर भेजी जा सकती है। इस संख्या की ऐसी व्याख्या ठीक है या नहीं। ग्राहक यह वाक्य पढ़ेगा तो क्या समझेगा। यह भाषा दूसरे विभाग को चुभेगी या नहीं। legal team को इसमें दिक्कत दिखेगी या नहीं। वरिष्ठ व्यक्ति असल में किस दिशा में जाना चाहता है।

ये सवाल साधारण लेखन के सवाल नहीं हैं। ये इस बात के सवाल हैं कि कोई output वास्तविक संगठन के भीतर पास हो पाएगा या नहीं। AI output बना सकता है। लेकिन वह output कंपनी के भीतर टिक पाएगा या नहीं, यह इंसान को देखना पड़ता है।

ड्राफ्ट तेज़ हुआ, फिर भी काम कम क्यों नहीं होता

“ड्राफ्ट तो AI लिख देगा।” यह बात सही है। साधारण ड्राफ्ट, सारांश, formatting, दोहरावदार documentation जैसे काम सचमुच घटते हैं। इसे नकारने की जरूरत नहीं। लेकिन ड्राफ्ट जल्दी आ गया, इसका मतलब काम खत्म हो गया नहीं है।

किसी को वह ड्राफ्ट पढ़ना होगा। गलत संख्या की जाँच करनी होगी। छूटी हुई शर्त जोड़नी होगी। उसे कंपनी की अंदरूनी भाषा में बदलना होगा। ग्राहक को भेजा जा सकता है या नहीं, यह देखना होगा। सुरक्षा या कानूनी समस्या है या नहीं, यह भी देखना होगा।

आखिर में संदर्भ देखना ही पड़ता है।

AI का वाक्य अपने-आप में सही हो सकता है, फिर भी अभी के संगठन में गलत हो सकता है। दावा सही हो, लेकिन अभी कहने लायक न हो। संख्या सही हो, लेकिन उसकी व्याख्या खतरनाक हो। प्रस्ताव अच्छा हो, लेकिन बजट, अधिकार, समय-सारिणी और हितों की वजह से लागू न हो सके।

AI का दस्तावेज़ सिर्फ output नहीं है। वह ऐसा output है जिसे वास्तविकता में डालने से पहले जाँचना पड़ता है।

कंपनी के काम में सही जवाब से ज़्यादा राजनीतिक संदर्भ महत्वपूर्ण हो सकता है

कंपनी में काम केवल सही जवाब से नहीं चलता। तर्क सही हो, फिर भी मीटिंग में गिर सकता है। संख्या सही हो, लेकिन report order गलत हो तो वापस आ सकती है। ग्राहक के लिए लाभदायक प्रस्ताव हो, लेकिन अंदर किस विभाग की ज़िम्मेदारी बनेगी यह साफ न हो तो रुक सकता है। आजकल AI की साफ hallucination कम हुई है। लेकिन कंपनी में इससे भी ज़्यादा धुँधला और खतरनाक मामला बार-बार आता है।

दस्तावेज़ देखकर तर्क पूरा लगता है। संख्या सही है, वाक्य स्वाभाविक हैं, निष्कर्ष भी ठीक लगता है। पर वास्तविक कंपनी process से टकरा जाता है। रिपोर्टिंग क्रम गलत है, approval holder छूट गया है, पुराना असफल तरीका फिर सुझा दिया गया है, या किसी विभाग के लिए अस्वीकार्य मान्यता भीतर रख दी गई है।

ऐसी गलती साधारण तथ्य-गलती से पकड़ना कठिन है। AI गलत बात लिख रहा है इसलिए नहीं, बल्कि वास्तविकता को पूरा जाने बिना सही लगने वाला दस्तावेज़ बना रहा है इसलिए। इसलिए जाँच का मतलब typo या hallucination पकड़ना नहीं है। जाँच का मतलब है यह देखना कि यह दस्तावेज़ सचमुच संगठन के भीतर चल पाएगा या नहीं।

यही वजह है कि कंपनी के काम में राजनीतिक और व्यावहारिक संदर्भ जुड़ता है। इस प्रस्ताव को कौन नापसंद करेगा, ज़िम्मेदारी कौन लेगा, कहाँ तक बोलना है, अभी क्या नहीं कहना है, कौन-सा शब्द सामने वाले को defensive बना देगा। ये सब दस्तावेज़ में पूरी तरह नहीं लिखा होता। AI दी गई जानकारी के भीतर बहुत अच्छा करता है। लेकिन वास्तविक संगठन का माहौल, ज़िम्मेदारी की संरचना, अनकहे निषेध और अधिकार संबंध अपने-आप नहीं जानता।

आख़िरकार इंसान को देखना पड़ता है। केवल यह नहीं कि परिणाम सही है या नहीं। यह भी कि इस परिणाम को अभी, यहाँ इस्तेमाल किया जा सकता है या नहीं।

लोग घटाएँगे तो जाँचने वाले लोग गायब हो जाएँगे

AI अपनाने के बाद सबसे खतरनाक भ्रम यह है। “AI बना देता है, इसलिए लोग कम चाहिए।” अक्सर सच इसके उलट होता है। AI जितना ज़्यादा बनाता है, जाँचने वाले लोग उतने ही महत्वपूर्ण हो जाते हैं। output बढ़ता है तो जाँचने की चीज़ें भी बढ़ती हैं।

दिक्कत यह है कि कंपनी अक्सर उलटा चलती है। AI लाने के बाद लोग घटाती है, और बचे हुए लोगों से कहती है कि अब अधिक AI output देखो। तब बचे हुए लोग अपना काम नहीं करते। वे AI के output की सफ़ाई करने वाले बन जाते हैं। रणनीति देखने वाले senior ड्राफ्ट सुधारने वाले proofreader बन जाते हैं। संगठन का संदर्भ जानने वाले middle-level लोग हर दस्तावेज़ से जोखिम भरी पंक्तियाँ हटाते रह जाते हैं। बाहर से दस्तावेज़ बढ़ते हैं। मीटिंग सामग्री जल्दी आती है। लेकिन भीतर ज़िम्मेदारी लेने वाले लोग घटते हैं।

यह अंतर जितना बढ़ता है, गुणवत्ता दुर्घटना उतनी पास आती है।

संगठन का overload मिटता नहीं, छिप जाता है

AI गलत ढंग से अपनाने वाली कंपनी कुछ समय तक अच्छी दिखती है। दस्तावेज़ जल्दी आते हैं। सारांश बढ़ते हैं। मीटिंग नोट्स अपने-आप जमा होते हैं। लागत भी कम हुई लगती है। इसलिए ऊपर बैठे लोग महसूस करते हैं कि “AI transition सफल रहा।” लेकिन सच में काम गायब नहीं हुआ होता। वह केवल उन जगहों पर धकेला गया होता है जो दिखती नहीं।

कोई रात में फिर से पढ़ रहा है। कोई गलत संख्या सुधार रहा है। कोई AI की चिकनी बेवकूफी हटाता है। कोई ऐसे वाक्य को, जिसकी ज़िम्मेदारी नहीं ली जा सकती, ज़िम्मेदारी लेने लायक वाक्य में बदलता है। कोई तय करता है कि “बात सही है, लेकिन अभी नहीं कहनी।”

ये काम spreadsheet में अच्छी तरह नहीं दिखते। token cost दिखती है, इंसान के दोबारा पढ़ने का समय नहीं दिखता। output count दिखता है, जाँच का बोझ नहीं दिखता। इसलिए कंपनी समझती है कि लागत घट गई। लेकिन छिपा बोझ मिटता नहीं। कभी न कभी quality issue, delay या burnout बनकर लौटता है।

कटौती feedback को खराब करने वाला फैसला है

कटौती की डरावनी बात यह है कि feedback ऊपर ठीक से नहीं पहुँचता। नया tool असुविधाजनक हो तो कर्मचारी कह सकता है कि असुविधा है। नई प्रक्रिया inefficient हो तो कुछ हद तक समस्या उठाई जा सकती है। लेकिन यह कहना कि लोग घटाने का फैसला गलत था, कहीं कठिन है। “लोग कम हैं” यह बात CEO को आसानी से “तो तुम काम संभाल नहीं पा रहे?” जैसी सुनाई दे सकती है। बचे हुए कर्मचारी अगले round का निशाना बनने से डरते हैं। इसलिए अंदर काम टूट रहा हो तब भी ऊपर जाने वाली भाषा नरम हो जाती है।

बाहर से काम चलता है। दस्तावेज़ आते हैं, मीटिंग होती है, ग्राहक जवाब पाते हैं। इसलिए नेता को लगता है कि सब ठीक है। लेकिन भीतर जाँच रात में खिसकती है, ज़िम्मेदारी कुछ लोगों पर जमा होती है, छोटी गलतियाँ बढ़ती हैं, और लोग चुपचाप थकते जाते हैं। कटौती इसलिए शुरुआत में पूछा जाने वाला सवाल नहीं है। पहले pilot चलाना चाहिए, काम सच में कैसे बदला यह देखना चाहिए, और AI के साथ नई काम-रचना conceptually बन जाने के बाद ही अंत में पूछना चाहिए।

“क्या अब सचमुच लोग घटाए जा सकते हैं?” कटौती शुरुआत नहीं, आख़िरी सवाल होना चाहिए।

यदि आवश्यक ज्ञान कर्मचारियों को कम करने के बाद ही सामने आता है, तो कंपनी उस ज्ञान को फिर से बनाने की लागत वहन करती है।

बीच की परत हटाएँगे तो कंपनी की याददाश्त मिटेगी

लोग घटाते समय कंपनी अक्सर एक जगह पर हाथ डालती है। बीच की परत। junior अभी कच्चे हैं कहकर घटते हैं, senior महँगे हैं कहकर घटते हैं। बचे हुए लोगों से कहा जाता है, “AI इस्तेमाल कर लो।” लेकिन संगठन की असली स्मृति अक्सर इसी बीच की परत में रहती है।

कहाँ संख्या बार-बार गलत होती है, कौन-सा विभाग किस शब्द से चिढ़ता है, कौन ग्राहक किस बात को नापसंद करता है, किस पुराने निर्णय से पहले समस्या हुई थी। ये सब दस्तावेज़ में पूरा नहीं बचता। AI साफ-सुथरे दस्तावेज़ अच्छी तरह पढ़ता है। लेकिन कंपनी के भीतर लोगों के बीच जमा हुआ अनकहा ज्ञान आसानी से नहीं जानता। कोई व्यक्ति उस संदर्भ को जानता हो, तभी AI का output वास्तविकता के हिसाब से सुधरता है। बीच की परत हटाएँगे तो वह स्मृति भी साथ चली जाती है। तब AI output अधिक भटकता है, और बचे हुए लोगों को उसे ठीक करने में अधिक समय लगाना पड़ता है।

लोग घटाकर लागत घटाई, ऐसा लगता है। असल में कंपनी ने अपनी स्मृति गँवा दी होती है।

कटौती सबसे आगे नहीं, सबसे पीछे आनी चाहिए

AI अपनाने के बाद लोग घटाने हैं तो क्रम बदलना होगा। कटौती पहला सवाल नहीं, आख़िरी गणना होनी चाहिए। पहले काम को तोड़ना होगा। किसी व्यक्ति की नौकरी को एक ही चीज़ न मानें। उसके भीतर कौन-कौन से काम हैं, उन्हें अलग करें। फिर पूछें।

क्या यह काम AI बना सकता है। AI का परिणाम कौन जाँचेगा। इस परिणाम की ज़िम्मेदारी कौन लेगा।

संगठन के भीतर पास कराने के लिए कौन-सा संदर्भ-निर्णय चाहिए। AI की वजह से नई बनी जाँच और समन्वय की जिम्मेदारी कौन लेगा। और इसे सचमुच चलाकर देखना होगा। दो हफ्ते हो या चार, छोटा परीक्षण चाहिए। समय कितना घटा, गलती कितनी आई, जाँच का समय कितना बढ़ा, इसे संख्या में देखना होगा।

उसके बाद ही पूछा जा सकता है। “क्या सचमुच काम घटा?” “या बनाने का समय घटा और जाँच व ज़िम्मेदारी किसी और के पास चली गई?”

इस सवाल का जवाब दिए बिना की गई कटौती लागत घटाना नहीं, जुआ है।

AI transition अच्छा करने वाला नेता headcount से शुरू नहीं करता

अच्छा नेता “कितने लोग घट सकते हैं” से शुरू नहीं करता। वह पहले पूछता है। “कौन-सा काम घटा?”

“कौन-सी जाँच बढ़ी?” “गलती कहाँ पैदा होती है?” “ज़िम्मेदारी कौन ले सकता है?”

“संगठन का संदर्भ पढ़ने वाले लोग पर्याप्त बचे हैं?” “बचे हुए लोगों का काम सचमुच हल्का हुआ?” ये सवाल पूछे बिना AI adoption सही नहीं चलती।

AI लागत घटाने का tool होने से पहले काम की संरचना बदलने वाला tool है। संरचना बदले बिना लोग घटाएँगे तो बोझ बची हुई संरचना पर जमा होगा। कंपनी तेज़ नहीं होगी। वह नए bottleneck बनाएगी।

कर्मचारी विरोधी नहीं, मापने वाला बनना चाहिए

कर्मचारी की तरफ से भी प्रतिक्रिया की दिशा साफ़ करनी होगी। “AI यह नहीं कर सकता” कहना ही काफी नहीं। बात सही हो, तब भी यह बदलाव-विरोध जैसा दिख सकता है। इसके बजाय मजबूत व्यक्ति ऐसे बोलता है।

“AI कौन-से काम बना सकता है और कौन-से काम इंसान को जाँचना चाहिए, मैं अलग करूँगा। दो हफ्ते test चलाकर processing time, error rate, review burden और responsibility owner मापूँगा। फिर सुरक्षित रूप से कितना घटाया जा सकता है, उसकी सीमा निकालूँगा।” यह व्यक्ति विरोधी नहीं है। वह AI transition चलाने वाला व्यक्ति है। AI युग में महत्वपूर्ण व्यक्ति AI की अंधी तारीफ़ करने वाला भी नहीं, और अंधा विरोधी भी नहीं। महत्वपूर्ण वह है जो अलग कर सके कि कहाँ तक AI को सौंपना है और कहाँ से इंसान को ज़िम्मेदारी लेनी है।

असली काम गायब नहीं होता, जाँच और ज़िम्मेदारी में चला जाता है

AI कुछ काम हटाता है। साधारण ड्राफ्ट, सारांश, formatting, दोहरावदार documentation जैसे काम निश्चित रूप से घटते हैं। इसलिए AI adoption का अर्थ है। लेकिन इसे सीधे “लोग घटा सकते हैं” मानना गलत है। बनाने का समय घटेगा, पर जाँच इंसान का काम है। ड्राफ्ट का समय घटेगा, पर ज़िम्मेदारी इंसान की है। सामग्री ढूँढ़ने का समय घटेगा, पर संगठन का संदर्भ मिलाना अभी भी इंसान का काम है।

असली काम गायब नहीं होता। वह जाँच और ज़िम्मेदारी में खिसकता है। इस खिसकाव को देखे बिना लोग घटाएँगे तो कंपनी तेज़ नहीं होती। और धीमी हो जाती है। output बढ़ता है, लेकिन review अटकता है। दस्तावेज़ बढ़ते हैं, लेकिन निर्णय देर से होते हैं। लागत घटी दिखती है, लेकिन दुर्घटना की संभावना बढ़ती है। AI adoption का मकसद लोगों को जल्दी घटाना नहीं है। इंसानों द्वारा किए जा रहे काम को फिर से design करना है।

tool खरीदना आसान है। लोग घटाना भी आसान है। कठिन काम है इन दोनों के बीच बची ज़िम्मेदारी और संदर्भ को ध्यान में रखना।