तीन Nobel-स्तरीय Economists का कहना है कि AI Workers के लिए गलत रास्ते पर है
Acemoglu, Autor और Johnson का तर्क है कि मौजूदा AI Development automation की ओर झुका हुआ है — और वे Pro-Worker नतीजों के लिए 9 Policies प्रस्तावित करते हैं।
जब Daron Acemoglu, David Autor और Simon Johnson मिलकर कोई paper publish करते हैं, तो पूरी economics दुनिया ध्यान देती है। ये कोई छोटे-मोटे नाम नहीं हैं। Acemoglu ने 2024 का Nobel Prize in Economics जीता। [Fact] Autor ने "tasks framework" बनाया जिसने technology और labor markets के बारे में हमारी सोच को नया आकार दिया। [Fact] Johnson, IMF के former chief economist और MIT Sloan professor, ने यह किताब लिखी कि कैसे power का केंद्रीकरण economic outcomes को shape करता है। [Fact]
फरवरी 2026 में Brookings Institution के Hamilton Project के ज़रिए publish हुआ उनका नया paper एक सीधा संदेश देता है: जिस तरह हम अभी AI बना रहे हैं, वह workers की मदद के लिए design नहीं किया गया है। [Claim] और जब तक हम जानबूझकर दिशा नहीं बदलते, जो technology आधुनिक labor history में सबसे बड़ा force-multiplier बन सकती है, वह inequality का एक और engine बन जाएगी।
मूल समस्या: AI Augment नहीं, Automate कर रहा है
Authors एक महत्वपूर्ण अंतर बताते हैं जिसे ज़्यादातर AI चर्चाएं नज़रअंदाज़ करती हैं। वे technologies को पांच categories में बांटते हैं: labor-augmenting (workers को ज़्यादा effective बनाना), capital-augmenting (machines को बेहतर बनाना), automating (इंसानी tasks को machines से replace करना), expertise-leveling (नए workers को specialized tasks करने में सक्षम बनाना), और new task-creating (पूरी तरह नए किस्म का इंसानी काम पैदा करना)। [Fact]
इन पांच में से सिर्फ "new task-creating" technologies ही workers को स्पष्ट रूप से फ़ायदा पहुंचाती हैं। [Fact] बाकी सब में trade-offs हैं — और मौजूदा AI investment का रुख automation की तरफ भारी झुका हुआ है।
Authors के शब्दों में: "मौजूदा AI का ज़्यादातर focus task automation और artificial general intelligence के level की high-level capabilities develop करने पर है, जबकि pro-worker AI development की तरफ कम energy और investment बह रहा है।" [Fact] वजह सीधी economics है: leading firms को expertise automate करने में, इंसानों के लिए नए tasks बनाने से ज़्यादा return दिखता है। [Claim]
यह framing हर उस शख्स के लिए मायने रखता है जो अपने occupation के AI exposure numbers देख रहा है। जब हम report करते हैं कि software developers का AI exposure ज़्यादा है, तो स्वाभाविक सवाल यह है: exactly किस चीज़ का exposure? काम replace करने वाला automation, या काम amplify करने वाला augmentation? Acemoglu, Autor और Johnson कहते हैं कि जवाब उन policy choices पर निर्भर है जो हम अभी कर रहे हैं।
"Pro-Worker AI" असल में कैसा दिखता है
Paper "pro-worker technology" को ऐसी technology define करता है जो इंसानी skills और expertise को कम नहीं, बल्कि ज़्यादा valuable बनाती है। [Fact] एक diagnostic AI tool की कल्पना करें जो nurse practitioner को ऐसी conditions पकड़ने में मदद करता है जो वे miss कर सकते थे — बजाय एक ऐसे AI system के जो practitioner की ज़रूरत ही खत्म कर दे। Code-completion tools की कल्पना करें जो software developer को features तेज़ी से build करने देते हैं — बजाय fully autonomous coding agents के जो developer को redundant बना दें।
यह अंतर specific occupations के लिए बहुत मायने रखता है। Customer service representatives के लिए pro-worker AI का मतलब है ऐसे tools जो complex calls के दौरान relevant information तुरंत सामने लाते हैं, agents को issues तेज़ी से solve करने में मदद करते हैं। विकल्प — chatbots जो ज़्यादातर queries बिना किसी human involvement के handle करते हैं — वह automation है, और यह अभी investment race जीत रहा है।
Accountants के लिए, यह routine compliance checks automate करने वाले AI (accountants को advisory work के लिए free करने वाले) और advisory work भी handle कर लेने वाले AI — जो profession की पूरी value chain collapse कर दे — के बीच का फ़र्क है।
Administrative assistants के लिए सवाल यह है कि AI scheduling और email tools उन्हें complex workflows का indispensable coordinator बनाते हैं, या वही tools बस उस role को unnecessary बना देते हैं।
नौ Policy Recommendations
Paper diagnosis पर नहीं रुकता। यह AI development को pro-worker दिशा में मोड़ने के लिए नौ concrete interventions propose करता है। [Fact]
सबसे striking recommendation U.S. tax code को target करती है। [Fact] मौजूदा tax policy — Section 168 bonus depreciation जैसे provisions के ज़रिए — companies के लिए hiring या training में invest करने से ज़्यादा सस्ता बनाती है equipment और software में invest करना। [Fact] Authors का कहना है कि यह automation की तरफ systematic bias create करता है: जब किसी worker को software से replace करना tax-advantaged हो लेकिन उसी worker को train करना नहीं, तो economic incentives displacement की तरफ push करते हैं।
दूसरी recommendations में federal grant-making को pro-worker AI research की तरफ direct करना, DARPA-style competitive prizes establish करना, antitrust enforcement strengthen करना, और workers की expertise को AI systems द्वारा extract होने से बचाने के legal frameworks बनाना शामिल है — जिसे authors "expertise theft" prevention कहते हैं। [Fact]
दो recommendations specific sectors पर focus करती हैं: healthcare और education। [Fact] Authors इन्हें ऐसे क्षेत्र मानते हैं जहां pro-worker AI का बहुत बड़ा positive impact हो सकता है — जहां AI-augmented professionals सिर्फ costs काटने के बजाय services तक पहुंच dramatically expand कर सकते हैं।
आखिरी set power dynamics address करता है: AI deployment decisions में worker voice के mechanisms, और licensing restrictions को ढीला करना जो newly AI-empowered workers को अपनी expanded capabilities के top पर practice करने से रोकते हैं। [Fact]
हम जो पहले से जानते हैं उससे कैसे जुड़ता है
यह paper बढ़ती evidence में एक important policy dimension जोड़ता है। हमने cover किया है कि AI-exposed jobs ChatGPT launch से पहले ही decline हो रहे थे, कि firms measurably AI से human labor substitute कर रहे हैं, और कि Brookings ने पाया कि 60 लाख U.S. workers high AI risk और low adaptation capacity face कर रहे हैं।
Acemoglu, Autor और Johnson बताते हैं कि ये trends inevitable क्यों नहीं हैं। Displacement इसलिए नहीं हो रहा क्योंकि AI inherently anti-worker है — बल्कि इसलिए क्योंकि incentive structure augmentation से ज़्यादा automation को favor करता है। [Claim] Incentives बदलो, और technology redirect हो सकती है।
यह जितना दिखता है उससे ज़्यादा optimistic framing है। इसका मतलब है outcome pre-determined नहीं है। लेकिन इसका यह भी मतलब है कि market अपने आप pro-worker AI produce कर देगा, यह सोचकर बैठे रहना, authors की नज़र में, भोलापन है। Simon Johnson ने सीधे कहा है: "हम currently pro-worker AI path पर नहीं हैं।" [Fact]
आपके Career के लिए इसका क्या मतलब है
अगर आप software developer, accountant, customer service representative, या administrative assistant हैं, तो यह paper simple automation risk scores से आगे सोचने का framework देता है।
सवाल सिर्फ यह नहीं है कि "क्या AI मेरी job affect करेगा?" — लगभग तय है कि करेगा। असल सवाल यह है कि आपका employer, आपकी industry और आपकी government ऐसे AI में invest कर रहे हैं जो आपको ज़्यादा valuable बनाए या ऐसे AI में जो आपको replaceable बनाए। [Claim]
Practically इसके तीन मतलब हैं। पहला, ऐसे roles और organizations खोजें जहां AI आपकी position का replacement नहीं बल्कि आपके हाथ का tool है। दूसरा, अपने काम के judgment-intensive हिस्सों में expertise develop करें — वे areas जहां AI automate नहीं बल्कि augment करता है। तीसरा, policy conversation पर ध्यान दें। Tax code, antitrust enforcement और labor regulations तय करेंगे कि AI आपका co-pilot बनेगा या successor।
Full paper Brookings Hamilton Project पर उपलब्ध है।
यह analysis Acemoglu, Autor और Johnson (2026) की original research पर आधारित AI की सहायता से तैयार किया गया है। Specific occupations का detailed AI exposure data हमारे occupation pages पर देखें।