AI असल में कौन-सी नौकरियाँ "सीख" सकता है? एक नया इंडेक्स जोखिम सूची फिर से लिख रहा है

आपको पता है, यह आँकड़ा आपको रुकने पर मजबूर कर देगा: AI नौकरी-जोखिम मापने के दो प्रमुख तरीके, जो नौकरियाँ असल में मायने रखती हैं, उन पर केवल 15% बार सहमत होते हैं। 95% नहीं। पंद्रह। सालों से जो "ऑटोमेशन जोखिम सूचियाँ" आपने सुर्खियों में देखी हैं, वे चुपचाप गलत व्यवसायों को शीर्ष के पास रख रही थीं — और एक नए अध्ययन ने अभी-अभी दिखाया कि वे कहाँ गलत हुईं।

फिलिप मोरेरा तोमेई और बूके क्लाइन टीसेलिंक का शोधपत्र, "What Jobs Can AI Learn? Measuring Exposure by Reinforcement Learning" (मई 2026), वह चीज़ पेश करता है जो इस क्षेत्र से गायब थी। "AI आज क्या कर सकता है?" पूछने के बजाय, यह एक तीखा सवाल पूछता है: "AI को क्या करना सिखाया जा सकता है?" यह एक बदलाव जोखिम सूची को उलट-पुलट कर देता है — और अगर आपकी नौकरी उस पर है, तो आपको जानने का हक़ है कि आप किस तरफ़ आते हैं।

हर AI जोखिम सूची की बुनियादी समस्या

अधिकांश AI एक्सपोज़र माप — जिसमें इतनी सारी खबरों के पीछे मौजूद व्यापक रूप से उद्धृत Eloundou et al. का काम भी शामिल है — नौकरियों को इस आधार पर स्कोर करते हैं कि आज के बड़े भाषा मॉडल (LLM) किसी नौकरी के कार्यों से कितना ओवरलैप करते हैं। यह उचित लगता है, जब तक आप खामी न देख लें। [तथ्य] LLM ज़्यादातर टेक्स्ट भविष्यवाणी पर प्रशिक्षित होते हैं, इसलिए वे हर उस चीज़ में "सक्षम" दिखते हैं जो लेखन जैसी पढ़ी जाती है और बाकी हर चीज़ में "अक्षम"।

तोमेई और क्लाइन टीसेलिंक तर्क देते हैं कि यह वर्तमान क्षमता और सीखने-योग्यता को गड्डमड्ड कर देता है। आधुनिक AI सिस्टम अधिकाधिक टेक्स्ट पढ़कर नहीं, बल्कि रीइन्फोर्समेंट लर्निंग के ज़रिए बेहतर होते हैं — किसी सत्यापन-योग्य लक्ष्य को हासिल करने पर बार-बार इनाम पाकर, जब तक वे उसमें महारत न पा लें। आपके करियर के लिए असली सवाल यह नहीं है कि कोई चैटबॉट पहले से आपका काम कर सकता है या नहीं। यह है कि आपकी नौकरी किस तरह का स्पष्ट, जाँचने-योग्य फ़ीडबैक संकेत पैदा करती है जो AI सिस्टम को इसे करना सीखने देता है। [दावा] ये दोनों बहुत अलग चीज़ें हैं।

RL फ़ीज़िबिलिटी इंडेक्स कैसे काम करता है

शोधकर्ताओं ने RL फ़ीज़िबिलिटी इंडेक्स, या RLFI, बनाया और 894 व्यवसायों में फैले सभी 17,951 O*NET कार्यों को इसमें से गुज़ारा। [तथ्य] हर कार्य पहले एक भौतिक-व्यवहार्यता द्वार से गुज़रता है: अगर इसके लिए हाथ, शरीर, या भौतिक दुनिया में मौजूदगी चाहिए, तो यह शून्य स्कोर करता है। यह एक ही द्वार सभी कार्यों के 40.7% को शून्य कर देता है — इस बात की रूखी याद कि कितना काम अब भी डेटा सेंटर के बाहर रहता है।

जो कार्य द्वार से बच जाते हैं, उन्हें आठ आयामों पर एक से दस तक स्कोर मिलता है, जो इससे जुड़े हैं कि रीइन्फोर्समेंट लर्निंग उन्हें कितनी अच्छी तरह सीख सकती है — मुख्यतः, कि सफलता स्पष्ट रूप से सत्यापन-योग्य है या नहीं और कोई इनाम संकेत मौजूद है या नहीं। स्कोर को एक साफ़ 0-से-100 दायरे में फिर से समायोजित किया जाता है। [तथ्य] सूची में शीर्ष पर आने वाले व्यवसाय भड़कीले नहीं पर खुलासा करने वाले हैं: डेटा एंट्री कीयर 71% पर, कॉरेस्पॉन्डेंस क्लर्क 69% पर, और प्रूफ़रीडर 69% पर। बिल्कुल तल पर, सपाट शून्य स्कोर करते हुए, बैठते हैं डिशवॉशर, पत्थर के कारीगर, और फ़र्श बिछाने वाले — भौतिक कारीगरी जिस तक AI बस पहुँच ही नहीं सकता।

वह विचलन जो सब कुछ बदल देता है

यहीं यह अध्ययन अपनी कीमत वसूल करता है। कुल मिलाकर, RLFI पुराने Eloundou एक्सपोज़र माप के साथ मज़बूती से — 0.88 — सहसंबंधित है। यह सहमति जैसा दिखता है। लेकिन एक बार जब आप केवल डिजिटल रूप से व्यवहार्य नौकरियों तक फ़िल्टर करते हैं, वे जहाँ ऑटोमेशन को लेकर असली लड़ाई होती है, तो सहसंबंध ढहकर 0.15 रह जाता है। [तथ्य] सीधे शब्दों में: दोनों इंडेक्स इस पर सहमत हैं कि AI किन नौकरियों तक नहीं पहुँच सकता, और इस पर गहरा मतभेद रखते हैं कि पहुँच-योग्य नौकरियों में से AI कौन-सी सीख सकता है।

यह मतभेद कुछ सचमुच अंतर्ज्ञान-विरोधी नतीजे पैदा करता है। तीन नौकरियों पर गौर करें जिन्हें पुराने माप कम-एक्सपोज़र आँकते हैं पर RLFI अत्यधिक सीखने-योग्य के रूप में चिह्नित करता है: पावर प्लांट ऑपरेटर, रेलरोड कंडक्टर, और एयरक्राफ़्ट कार्गो हैंडलिंग सुपरवाइज़र। ये संरचित, नियम-संचालित, भारी निगरानी वाली भूमिकाएँ हैं जहाँ सफलता स्पष्ट है और हर क्रिया एक सत्यापन-योग्य निशान छोड़ती है — ठीक वही परिस्थितियाँ जिनमें रीइन्फोर्समेंट लर्निंग फलती-फूलती है। अगर आप पावर प्लांट कंट्रोल रूम चलाते हैं, तो यह आरामदायक धारणा कि आपकी नौकरी "AI के लिए बहुत विशेषीकृत" है, शायद इस डेटा के सामने टिक न पाए। [अनुमान] जो कार्य-संरचना इन नौकरियों को टेक्स्ट-भविष्यवाणी करने वाले चैटबॉट से सुरक्षित रखती है, वही उन्हें इनाम-संचालित सिस्टम के लिए सीखने-योग्य बना देती है। पूरा विश्लेषण आप हमारे पावर प्लांट ऑपरेटर पेज और रेलरोड कंडक्टर पेज पर देख सकते हैं।

अब इसे उलटें। संगीतकार, डॉक्टर, और प्राकृतिक विज्ञान प्रबंधक पुराने एक्सपोज़र इंडेक्स पर ऊँचा स्कोर करते हैं पर RL फ़ीज़िबिलिटी पर कम। क्यों? क्योंकि उनका असली काम एक साफ़ इनाम संकेत का विरोध करता है। [दावा] किसी चलती हुई प्रस्तुति, अस्पष्टता के बीच सही निदान, या शोध टीम को दिशा देने के फ़ैसले के लिए कोई सरल, सत्यापन-योग्य स्कोर नहीं है। AI एक संभावित धुन या संभावित-लगने वाला निदान गढ़ सकता है, पर "संभावित" वही नहीं है जो "सत्यापन-योग्य रूप से सही", और रीइन्फोर्समेंट लर्निंग को बेहतर होने के लिए बाद वाला चाहिए। इन भूमिकाओं की विस्तृत तस्वीर हमारे संगीतकार पेज और प्राकृतिक विज्ञान प्रबंधक पेज पर मौजूद है।

असली विस्फोट-दायरे में कौन है

RLFI वेतन और अनुभव पर भी करीने से मैप होता है, इस तरह से जो श्रम बाज़ार के बीच वाले हिस्से को सबसे ज़्यादा चिंतित करे। [तथ्य] RL एक्सपोज़र वेतन वितरण में कूबड़-आकार का है — यह तल या शीर्ष पर नहीं, बल्कि ऊपरी-मध्य दशमांशों में चरम पर होता है, और लेखक अनुमान लगाते हैं कि वेतन में एक-लॉग-पॉइंट की वृद्धि RL फ़ीज़िबिलिटी में 12.2-पॉइंट की वृद्धि से जुड़ी है। वरिष्ठता के हिसाब से यह एक उलटा U बनाता है, करियर के मध्य में चरम पर। [दावा] प्रवेश-स्तर और कार्यकारी भूमिकाएँ अपेक्षाकृत सुरक्षित बैठती हैं; एक संरचित, मापने-योग्य नौकरी में जमा हुआ मध्य-करियर पेशेवर सबसे ज़्यादा एक्सपोज़्ड है।

और यह सिर्फ़ सिद्धांत नहीं है। ChatGPT के जारी होने के बाद नौकरी की पोस्टिंग के एक difference-in-differences विश्लेषण में पाया गया कि RL एक्सपोज़र में एक-मानक-विचलन की वृद्धि नौकरी के अवसरों में 2.9% की गिरावट से जुड़ी थी — हालाँकि लेखक इसे केवल सीमांत रूप से महत्वपूर्ण (p=0.085) बताने में सावधान हैं। [अनुमान] संकेत जल्दी और शोरगुल भरा है, पर यह उसी दिशा में इशारा करता है जो इंडेक्स भविष्यवाणी करता है।

आपके करियर के लिए इसका क्या मतलब है

अगर आप इस शोध से एक चीज़ लें, तो यह लें: यह पूछना बंद करें कि AI आज आपका काम कर सकता है या नहीं, और यह पूछना शुरू करें कि आपकी नौकरी एक साफ़, दोहराने-योग्य, सत्यापन-योग्य नतीजा पैदा करती है या नहीं। यही वह गुण है जिस पर रीइन्फोर्समेंट लर्निंग पलती है। अस्पष्ट फ़ैसलों, भौतिक मौजूदगी, या ऐसी जवाबदेही से भरी नौकरियाँ जिन्हें स्कोर में घटाया नहीं जा सकता, विरोधाभासी रूप से, ज़्यादा बचाव-योग्य हैं।

संरचित, मापने-योग्य भूमिकाओं वाले कामगारों के लिए — डेटा एंट्री, रिकॉर्ड प्रशासन, नियमित निगरानी और डिस्पैच — व्यावहारिक कदम अपने काम के उन हिस्सों की ओर झुकना है जो अस्पष्ट हैं: अपवाद-प्रबंधन, हितधारकों से संवाद, ऐसे फ़ैसले जिन्हें कोई इनाम फ़ंक्शन साफ़-साफ़ नहीं पकड़ता। जो लोग रचनात्मक, चिकित्सकीय, या नेतृत्व भूमिकाओं में हैं जिन्हें पुरानी सूचियों ने उच्च-जोखिम चिह्नित किया, उनके लिए यह अध्ययन एक शांत आश्वासन है, पर मुफ़्त छूट नहीं — "सत्यापन-योग्य" की सीमा लगातार खिसकती रहती है।

गहरा सबक ख़ुद सूचियों के बारे में है। जब अगला वायरल "ये नौकरियाँ ऑटोमेट हो जाएँगी" चार्ट आपकी फ़ीड में उतरे, तो पूछें कि उसने असल में क्या मापा। अगर उसने नौकरियों को इस आधार पर स्कोर किया कि AI आज क्या कर सकता है, न कि AI को क्या सीखना सिखाया जा सकता है, तो उसकी रैंकिंग को शक की नज़र से देखें। सबसे अहम जोखिम शायद वही हो जिसे पुराने माप कभी आते हुए देख ही नहीं पाए।

स्रोत

• फिलिप मोरेरा तोमेई, बूके क्लाइन टीसेलिंक, "What Jobs Can AI Learn? Measuring Exposure by Reinforcement Learning," arXiv:2605.02598 (मई 2026)। https://arxiv.org/abs/2605.02598

अपडेट इतिहास

• 2026-07-04: RL फ़ीज़िबिलिटी इंडेक्स (RLFI) और मौजूदा LLM-आधारित AI एक्सपोज़र मापों के बीच विचलन का 17,951 O*NET कार्यों में विश्लेषण करने वाला पहला प्रकाशन।

---

AI-सहायता प्राप्त विश्लेषण। यह लेख AI सहायता से तैयार किया गया और उद्धृत प्राथमिक स्रोत के विरुद्ध सटीकता के लिए समीक्षा की गई। व्यवसाय-स्तरीय जोखिम आँकड़े हमारे विस्तृत डेटा पेजों से जुड़ते हैं, जो Anthropic के श्रम-बाज़ार शोध और ONET कार्य डेटा पर आधारित हैं।*