33 महीनों से AI मौजूद है — Yale की ताज़ा CPS अपडेट कहती है, श्रम बाज़ार अब भी टूटा नहीं है

ChatGPT को आम लोगों के लिए जारी हुए तैंतीस महीने हो गए हैं, और अमेरिकी श्रम बाज़ार अब भी AI से टूटा हुआ नहीं दिखता। यही Yale Budget Lab की जनवरी/फ़रवरी 2026 CPS अपडेट का मुख्य संदेश है, और यह अभी आपके दिमाग़ में रखने लायक सबसे महत्वपूर्ण डेटा बिंदुओं में से एक है [तथ्य].

यदि आपका मानसिक मॉडल अब भी कह रहा है — "AI चुपचाप श्रम बाज़ार को नष्ट कर रहा है," — तो प्रमाण लगातार सहयोग करने से इनकार कर रहे हैं। यहाँ है कि Yale की टीम ने वास्तव में क्या पाया, यह आपकी नौकरी के लिए क्या मायने रखता है और क्या नहीं, और एक ऐसा संकेत जो वास्तव में हिला है।

आँकड़े वास्तव में क्या कहते हैं

अपडेट का फ़ैसला सीधा है। व्यावसायिक असमानता, उद्योग असमानता, और एक्सपोज़र-व उपयोग मेट्रिक्स सभी सपाट रहती हैं, ऐतिहासिक रेंज के भीतर हैं, या पहले से दिखाए जा रहे रुझानों के साथ चल रही हैं [तथ्य, Yale Budget Lab].

टीम ने ठीक उस जगह को भी देखा जहाँ व्यवधान-कथा सबसे ज़ोरदार है — AI की मार-रेखा में आए हालिया कॉलेज स्नातक। बड़े और हालिया कॉलेज स्नातकों के बीच असमानता जनवरी 2021 से 30-33% रेंज से शायद ही बाहर निकलती है [तथ्य]. AI हालिया स्नातकों की भर्ती के साथ जो भी कर रहा हो, वह अभी 20-24 वर्ष के लोगों के व्यावसायिक मिश्रण को 25-34 वर्ष के लोगों से किसी ऐसे ढंग से दूर नहीं धकेल रहा जो ऐतिहासिक पैटर्न को तोड़े।

रिपोर्ट का सबसे स्पष्ट एकल वाक्य याद रखने लायक है — "वर्तमान में, एक्सपोज़र, ऑटोमेशन, और संवर्धन के माप रोज़गार या बेरोज़गारी में बदलाव से संबंधित होने का कोई संकेत नहीं दिखाते" [तथ्य, Yale Budget Lab उद्धरण].

यदि AI श्रम-व्यवधान पैदा कर रहा होता तो डेटा का तीसरा संभावित रूप यही दिखता। डेटा वैसा नहीं दिखता।

वह एक संकेत जो हिला है

रिपोर्ट जीत का जश्न नहीं है। ताज़ा डेटा में सबसे उल्लेखनीय अंतर है — बड़े और छोटे कॉलेज स्नातकों के बीच व्यावसायिक मिश्रण असमानता में मामूली वृद्धि — हालाँकि यह अब भी ऐतिहासिक रेंज के ऊपरी छोर पर बनी हुई है [तथ्य].

वह वृद्धि उस तरह की चीज़ है जिसे आप अति-प्रतिक्रिया किए बिना सावधानी से देखते हैं। यह तीन अलग-अलग कहानियों के साथ संगत है — AI स्नातक व्यावसायिक छँटाई को मोड़ने लगा है, या महामारी-के-बाद का रिमोट काम अब भी जम रहा है, या सामान्य श्रम-बाज़ार शोर इतना चौड़ा है कि एक संकेत जैसा दिखता है। Yale टीम की फ़्रेमिंग — "ऐतिहासिक रेंज का ऊपरी छोर" — सही है। अभी तक टूटा नहीं है। मासिक ट्रैक करने योग्य है।

श्रमिकों के लिए व्यावहारिक पाठ यह है — यदि आप हालिया कॉलेज स्नातक हैं, तो आपकी व्यावसायिक छँटाई अपने बड़े साथियों से थोड़ी अलग चल रही है, पर विनाशकारी रूप से नहीं। यदि आप हालिया स्नातक नहीं हैं, तो कोई भी मैक्रो संकेत लाल नहीं चमक रहा।

Anthropic उपयोग डेटा ऑटोमेशन की ओर झुकता है

अपडेट में दबा एक अधिक असुविधाजनक बिंदु है — AI वास्तव में अभी कैसे उपयोग हो रहा है, इसके बारे में। मार्च 2026 में Anthropic ने फ़रवरी 2026 के अनुरूप नए उपयोग डेटा जारी किए, और दोनों नमूने संकेत देते हैं कि अवलोकित उपयोग का संवर्धन की तुलना में ऑटोमेशन से जुड़ा होने की संभावना अधिक है [तथ्य, Yale Budget Lab].

यहीं वह अंतर है जिसके साथ बैठना है। श्रम-बाज़ार डेटा कहता है कि AI ने अभी तक देखने योग्य व्यवधान नहीं पैदा किया, जबकि उपयोग डेटा सुझाता है कि नियोक्ता और श्रमिक AI को "मेरी मदद करो" से ज़्यादा "मेरे लिए यह करो" की तरफ़ ताक रहे हैं। आर्थिक सिद्धांत में, यह आख़िरकार रोज़गार में दिखना चाहिए — विशेष रूप से सबसे अधिक उजागर व्यवसायों में। बस अभी तक नहीं दिखा।

दो व्याख्याएँ फ़िट होती हैं। या तो मैक्रो डेटा बहुत मोटा और धीमा है — फर्म-स्तर पर वास्तव में हो रहे विस्थापन को पकड़ने के लिए — एक मापन-विलंब कहानी। या AI सटीकता का उत्तल लागत-वक्र (हमारे द्वारा अलग से कवर किया गया MIT/IBM का आंशिक-ऑटोमेशन तर्क) का मतलब है कि ऑटोमेशन-झुका उपयोग भी परिनियोजन मात्रा के सुझाव से बहुत कम श्रमिक विस्थापन पैदा करता है।

दोनों कहानियाँ अगले 12 से 24 महीनों में परीक्षण योग्य हैं। दोनों आपसे माँग करती हैं कि बहस के किसी एक पक्ष में मूड पर बहने के बजाय वास्तव में डेटा देखें।

आपके करियर-योजना के तरीक़े में क्या बदलता है

Yale डेटा से तीन कार्य-नियम निकलते हैं।

पहला — मैक्रो डेटा द्वारा पुष्टि होने तक मज़बूत-व्यवधान कथा के इर्द-गिर्द अपना करियर मत बनाइए। डेटा को टूटने के लिए 33 महीने मिले, और टूटा नहीं। अगर आप करियर बदलने, फिर से प्रशिक्षण लेने, या स्थिर रहने के बीच निर्णय कर रहे हैं, तो आधार-दर यह है कि मैक्रो श्रम बाज़ार अभी सामान्य रूप से काम कर रहा है। आपका विशेष उद्योग अपवाद हो सकता है, पर साक्ष्य का बोझ दूसरी तरफ़ चला जाता है — आपको विश्वास करने का एक विशिष्ट कारण चाहिए कि आपका हिस्सा अलग है।

दूसरा — हालिया-स्नातक व्यावसायिक असमानता संख्या देखिए। यह सबसे संवेदनशील अग्र-संकेतक है, और यह वही है जो हिल रहा है। यदि आप अपने करियर के शुरू में हैं या उस पूल से भर्ती करते हैं, तो यह आपका मासिक संकेत है।

तीसरा — बढ़ते AI उपयोग और सपाट रोज़गार आँकड़ों के बीच का अंतर इस समय श्रम-अर्थशास्त्र का सबसे रोचक चर है। Anthropic उपयोग डेटा का ऑटोमेशन की ओर झुकाव, जबकि CPS डेटा सपाट रहता है — यह वह विरोधाभास है जो या तो विलंबित झटके से सुलझेगा (रोज़गार उपयोग के साथ नीचे आता है), या इस शांत रहस्योद्घाटन से कि ऑटोमेशन उतना विस्थापन पैदा नहीं करता जितना विमर्श मानता है।

अधिकांश श्रमिकों के लिए वर्तमान डेटा को देखते हुए दूसरा परिणाम अधिक संभावित दिखता है। पर डेटा को सहमत बने रहना होगा, ताकि वह सही पठन बना रहे।

अगली CPS अपडेट में क्या देखें

जब Yale की अगली अपडेट आए तो ट्रैक करने लायक तीन विशिष्ट संकेतक।

पहला — क्या हालिया-स्नातक व्यावसायिक असमानता 30-33% बैंड के बीच में लौटती है, या ऊपर से टूटती है। टूटना मायने रखेगा। लौटना कुछ खुले प्रश्नों में से एक को बंद करेगा।

दूसरा — क्या Anthropic उपयोग डेटा ऑटोमेशन की ओर झुकाव बनाए रखता है या संवर्धन उपयोग बढ़ता है। संवर्धन-भारी उपयोग व्यवहार में आंशिक-ऑटोमेशन संतुलन है; ऑटोमेशन-भारी उपयोग धीमी गति में विस्थापन परिदृश्य है।

तीसरा — क्या एक्सपोज़र सूचकांक जिन व्यवसायों को सबसे-AI-उजागर के रूप में चिह्नित करते हैं, वे कम-उजागर साथियों से अलग रोज़गार प्रभाव दिखाने लगते हैं। अब तक उन्होंने नहीं दिखाया है। यदि शुरू करते हैं, तो Yale टीम पहले देखेगी, और यह मानसिक मॉडल को अपडेट करने का क्षण होगा।

श्रम बाज़ार स्पष्ट तरीक़ों से टूटने से बहुत हठपूर्वक इनकार कर रहा है। वह हठ ही हमारे पास उपलब्ध सबसे महत्वपूर्ण डेटा-टुकड़ा है। उसका उपयोग करिए।

स्रोत

• Evaluating the Impact of AI on the Labor Market: January/February CPS Update — Yale Budget Lab (2026-03-15)

AI सहायता प्रकटीकरण

यह लेख मूल Yale Budget Lab रिपोर्ट और सहायक बाहरी कवरेज के AI-सहायक विश्लेषण से शोध किया गया है। स्रोत से प्रत्यक्ष उद्धरण स्पष्ट रूप से चिह्नित हैं। संपादकीय फ्रेमिंग, उपयोग और रोज़गार डेटा के बीच अंतर का विश्लेषण, और करियर-योजना निहितार्थ श्रमिक-दर्शकों के लिए संपादकीय निर्णय को दर्शाते हैं। 30-33% असमानता आँकड़ा, 33-महीने की समयरेखा, और "रोज़गार या बेरोज़गारी में बदलाव से संबंधित होने का कोई संकेत नहीं दिखाते" उद्धरण उद्धृत Yale Budget Lab अपडेट से हैं।