क्या AI Labor Economists की जगह ले लेगा? अपनी ही Disruption Study करने का Irony

58%। यह श्रम अर्थशास्त्रियों के लिए AI एक्सपोज़र का स्तर है — वही पेशेवर लोग जिनका काम यह अध्ययन करना है कि तकनीक कैसे कार्यबल को बाधित करती है। अगर आप एक श्रम अर्थशास्त्री हैं, तो आप अब अपने ही शोध में एक डेटा बिंदु बन गए हैं।

यह कोई अमूर्त बात नहीं है। वे उपकरण जो रोज़गार डेटाबेस को स्क्रैप कर सकते हैं, रिग्रेशन मॉडल चला सकते हैं, और प्रारंभिक शोध निष्कर्षों का मसौदा तैयार कर सकते हैं — पहले से ही यहाँ मौजूद हैं। सवाल यह है कि क्या वे श्रम अर्थशास्त्रियों को अप्रचलित बना देते हैं या उन्हें हमारे युग के सबसे महत्वपूर्ण सामाजिक वैज्ञानिकों में बदल देते हैं। आज किसी भी आधुनिक अर्थशास्त्र विभाग के अंदर बीस मिनट बिताइए और आप दो खेमे बनते हुए देखेंगे: एक खेमा जो बड़े भाषा मॉडल को एक बेहतरीन ऑटोकम्प्लीट से ज़्यादा कुछ नहीं मानता, और दूसरा खेमा जिसने चुपचाप अपने आधे कार्यप्रवाह को उनके इर्द-गिर्द पुनर्गठित कर लिया है। उन दोनों समूहों के बीच की दूरी हर तिमाही बढ़ रही है, और यह प्रकाशन संख्या, अनुदान उत्पादकता, और हर समूह जिन सवालों को विश्वसनीय रूप से उठा सकता है — उन सब में पहले से दिखाई दे रही है।

डेटा विशेषज्ञों पर डेटा

[तथ्य] श्रम अर्थशास्त्रियों का समग्र AI एक्सपोज़र 2025 तक 58% और स्वचालन जोखिम 46% है। एक्सपोज़र स्तर "उच्च" वर्गीकृत है और स्वचालन मोड "augment" है। यह श्रम अर्थशास्त्रियों को विज्ञान श्रेणी में सबसे अधिक AI-प्रभावित भूमिकाओं में रखता है, डेटा वैज्ञानिकों और सांख्यिकीविदों के साथ।

टास्क-स्तरीय विश्लेषण दिलचस्प है। श्रम बाज़ार डेटा का विश्लेषण 72% स्वचालन दर रखता है, जो इस भूमिका के लिए सबसे ऊँची है। AI अब श्रम सांख्यिकी ब्यूरो की रिलीज़ संसाधित कर सकता है, बड़े पैमाने पर नौकरी की पोस्टिंग स्क्रैप कर सकता है, गन्दे रोज़गार डेटासेट को साफ़ कर सकता है, और मानक सांख्यिकीय विश्लेषण किसी भी मानव शोधकर्ता से तेज़ चला सकता है। आर्थिक मॉडल का निर्माण 58% स्वचालन पर बैठा है। बड़े भाषा मॉडल द्वारा संचालित उपकरण प्रारंभिक मॉडल विनिर्देश उत्पन्न कर सकते हैं, प्रासंगिक चर पहचान सकते हैं, और मौजूदा साहित्य के आधार पर मॉडल संरचनाएँ भी सुझा सकते हैं। नीति शोध पत्र लिखना 65% स्वचालन दर रखता है। AI साहित्य समीक्षाओं का मसौदा तैयार कर सकता है, निष्कर्षों का सारांश दे सकता है, और कार्यप्रणाली अनुभागों के पहले मसौदे तैयार कर सकता है जो पहले हफ्तों लेते थे।

[तथ्य] सैद्धांतिक एक्सपोज़र 2025 में 78% तक चढ़ गया है, जबकि देखा गया एक्सपोज़र 39% पर है। यह अंतर बताता है कि पेशा अभी भी AI अपनाने के शुरुआती चरणों में है, लेकिन प्रक्षेपवक्र खड़ी है। आज श्रम अर्थशास्त्र पीएचडी कार्यक्रम में प्रवेश करने वाला पहले वर्ष का छात्र एक ऐसे शोध वातावरण में स्नातक होगा जो उनके सलाहकार के प्रशिक्षण से बहुत अलग दिखता है।

यह भूमिका अपेक्षा से अधिक उजागर क्यों है

श्रम अर्थशास्त्र मौलिक रूप से एक टेक्स्ट-और-डेटा पेशा है। आप पेपर पढ़ते हैं, डेटासेट का विश्लेषण करते हैं, मात्रात्मक मॉडल बनाते हैं, और रिपोर्ट लिखते हैं। उन सभी कार्यों में से हर एक AI के सबसे मज़बूत क्षेत्र के ठीक बीच में आता है। एक सर्जन या एक किंडरगार्टन शिक्षक के विपरीत, कोई शारीरिक घटक या गहरी भावनात्मक बातचीत नहीं है जो भूमिका को स्वचालन से बचाए।

[दावा] विडम्बना सतही संख्याओं से अधिक गहरी है। श्रम अर्थशास्त्रियों ने पिछले एक दशक में इस बारे में पेपर प्रकाशित किए हैं कि AI ब्लू-कॉलर और दिनचर्या के संज्ञानात्मक काम को कैसे प्रभावित करेगा। Frey और Osborne (2017) फ्रेमवर्क, जिसने सैकड़ों व्यवसायों के लिए स्वचालन जोखिम का अनुमान लगाया, यह पूरी तरह से नहीं समझ पाया कि AI शोधकर्ताओं तक खुद कितनी जल्दी आ जाएगा। उन पेपरों ने जो कार्यप्रणाली इस्तेमाल की — स्वचालनीयता का अनुमान लगाने के लिए O\*NET टास्क विवरण का टेक्स्ट विश्लेषण — अब उसी पेशे पर लागू की जा रही है जिसने उसे बनाया।

BLS व्यावसायिक दृष्टिकोण पुस्तिका के अनुसार, अर्थशास्त्रियों का रोज़गार 2024 से 2034 तक 1% बढ़ने का अनुमान है — सभी व्यवसायों के औसत से धीमा — दशक भर में हर साल लगभग 900 रिक्तियों के साथ और मई 2024 तक $115,440 की औसत वार्षिक मज़दूरी के साथ [तथ्य]। क्षेत्र छोटा है, और शीर्ष वृद्धि दर मामूली है, लेकिन रिक्तियाँ स्थिर प्रतिस्थापन माँग के साथ-साथ AI-बाधित अर्थव्यवस्था में कार्यबल विश्लेषण के लिए बढ़ती भूख को दर्शाती हैं — विरोधाभास का एक और प्रमाण। धीमी अनुमानित वृद्धि, उच्च AI एक्सपोज़र के साथ जुड़कर, ठीक वही दबाव है जो नौकरी के मूल्य को यांत्रिक विश्लेषण के बजाय व्याख्या की ओर धकेलता है।

AI आज वास्तव में श्रम अर्थशास्त्र कैसे करता है

यांत्रिकी को समझना ज़रूरी है क्योंकि वे यह आकार देती हैं कि तीन साल में आपका काम कैसा दिखेगा। 2026 में एक श्रम अर्थशास्त्री आमतौर पर अपने कार्यप्रवाह में तीन AI परतों के साथ काम करता है। पहली परत डेटा अधिग्रहण है। Indeed, LinkedIn, और सरकारी पोर्टलों से नौकरी की पोस्टिंग स्क्रैप करने वाले उपकरण पृष्ठभूमि में लगातार चलते हैं, वास्तविक समय के डेटासेट का निर्माण करते हैं जिनके लिए पहले महीनों का मैनुअल संग्रह आवश्यक था। दूसरी परत सफाई और संरचना है। बड़े भाषा मॉडल बेरोज़गारी बीमा प्रणाली से एक गन्दा CSV ले सकते हैं और दस्तावेजीकृत परिवर्तनों के साथ एक साफ़, विश्लेषण-तैयार तालिका कुछ ही मिनटों में तैयार कर सकते हैं। तीसरी परत स्वयं विश्लेषण है — रिग्रेशन विनिर्देश उत्पन्न करना, मज़बूती जाँच चलाना, साधन चर उम्मीदवारों की पहचान करना, और व्याख्यात्मक पैराग्राफ का मसौदा तैयार करना।

[तथ्य] 2025 के NBER वर्किंग पेपर ने दस्तावेजीकरण किया कि AI सहायकों का उपयोग करने वाले अर्थशास्त्रियों ने नियमित विश्लेषणात्मक कार्यों पर ख़र्च किए गए समय में 40-60% की कमी की सूचना दी, जिसमें सबसे बड़ा लाभ साहित्य समीक्षा और कोड डिबगिंग में था। उसी अध्ययन ने उल्लेख किया कि बचाया गया समय लगभग पूरी तरह से गहरे सैद्धांतिक काम और अधिक महत्वाकांक्षी शोध डिज़ाइनों में पुनः आबंटित किया गया था — कम घंटे काम करने में नहीं।

व्यावहारिक रूप से इसका क्या अर्थ है? न्यूनतम वेतन परिवर्तनों के प्रभाव का अध्ययन करने वाला एक श्रम अर्थशास्त्री राज्य-स्तरीय डेटा इकट्ठा करने, उसे साफ़ करने, और प्रारंभिक विनिर्देश चलाने में छह सप्ताह बिताता था, इससे पहले कि वे दिलचस्प सवाल पूछना शुरू कर पाते। आज, वही सेटअप काम एक लंबी दोपहर में होता है। दिलचस्प सवालों को अधिक समय मिलता है, और शोधकर्ता एक के बजाय पाँच वैकल्पिक मॉडल विनिर्देशों के विरुद्ध संवेदनशीलता विश्लेषण चला सकते हैं।

दो शोधकर्ता, दो प्रक्षेपवक्र

एक ही विभाग में दो श्रम अर्थशास्त्रियों की कल्पना कीजिए। दोनों मध्य-कैरियर हैं, दोनों के पास ठोस प्रकाशन रिकॉर्ड हैं, दोनों परिचयात्मक श्रम अर्थशास्त्र के एक अनुभाग को पढ़ाते हैं। शोधकर्ता A AI उपकरणों को संदेह की दृष्टि से देखते हैं। वे हलूसिनेशन की चिंता करते हैं, LLM-जनित कोड पर अविश्वास करते हैं, और हर चीज़ शुरू से लिखना पसंद करते हैं। उनका उत्पादन स्थिर है लेकिन पाँच साल पहले से अपरिवर्तित है।

शोधकर्ता B ने प्रॉम्प्ट इंजीनियरिंग सीखने में छह महीने बिताए हैं, उन्होंने एक कस्टम कार्यप्रवाह बनाया है जो Python नोटबुक को Claude और ChatGPT के साथ पेपर ड्राफ्टिंग के लिए जोड़ता है, और नियमित रूप से अनुदान प्रस्तावों के प्रारंभिक मसौदे तैयार करने के लिए AI का उपयोग करते हैं। शोधकर्ता B ने पिछले एक वर्ष में दोगुने पेपर प्रकाशित किए हैं, AI श्रम बाज़ार में एक शोध क्षेत्र के रूप में विस्तार किया है, और परामर्श कार्य के लिए थिंक टैंकों द्वारा भर्ती किए जा रहे हैं।

दोनों शोधकर्ता सक्षम हैं। एक के पास ऐसा भविष्य है जो तकनीक के साथ स्केल करता है; दूसरे के पास ऐसा भविष्य है जो उसके विरुद्ध प्रतिस्पर्धा करता है। डेटा यह नहीं बताता कि आप किस समूह में पहुँचेंगे — आपकी आदतें बताती हैं।

वास्तविक जगत के स्नैपशॉट

विचार करें कि 2026 में फेडरल रिज़र्व, BLS, और प्रमुख अर्थशास्त्र परामर्श कंपनियों में क्या हो रहा है। सेंट लुइस फेड ने अपने FRED डेटा उत्पाद में AI-सहायित शोध कार्यप्रवाह को एकीकृत किया है, जिससे अर्थशास्त्रियों को प्राकृतिक भाषा में डेटाबेस से प्रश्न पूछने और उचित रूप से स्वरूपित विश्लेषण प्राप्त करने की अनुमति मिलती है। BLS वर्तमान जनसंख्या सर्वेक्षण के लाखों उत्तरों को संसाधित करने में मदद के लिए AI उपकरणों का परीक्षण कर रहा है, जिससे डेटा संग्रह और प्रकाशन के बीच का अंतराल कम हो रहा है। Mathematica और अर्बन इंस्टीट्यूट जैसी प्रमुख परामर्श फर्मों ने श्रम अर्थशास्त्री पदों के लिए "AI धाराप्रवाहिता" को एक पसंदीदा योग्यता के रूप में सूचीबद्ध करना शुरू कर दिया है।

[अनुमान] उसी समय, सहकर्मी-समीक्षित जर्नल प्रकटीकरण आवश्यकताओं से जूझ रहे हैं। अमेरिकन इकोनॉमिक रिव्यू अब लेखकों से शोध विधियों में AI के उपयोग का खुलासा करने की आवश्यकता रखता है। Quarterly Journal of Economics ने "उपकरण के रूप में AI" (स्वीकार्य, दस्तावेजीकृत होना चाहिए) और "सह-लेखक के रूप में AI" (स्वीकार्य नहीं) के बीच भेद करने वाले मार्गदर्शन जारी किए हैं। जो श्रम अर्थशास्त्री इन मानदंडों को अच्छी तरह नेविगेट करते हैं, वे प्रतिक्रिया करने के बजाय कार्यप्रणाली बातचीत का नेतृत्व करने की स्थिति में हैं।

संवर्धन का लाभ

[अनुमान] 2028 तक, समग्र एक्सपोज़र 72% और स्वचालन जोखिम 60% तक पहुँचने का अनुमान है। लेकिन BLS की वृद्धि प्रक्षेपण अकेले जोखिम संख्याओं से अलग कहानी कहती है।

यहाँ क्यों। एक श्रम अर्थशास्त्री जो पहले अपने 60% समय को डेटा सफाई, साहित्य समीक्षा, और प्रारंभिक विश्लेषण पर ख़र्च करता था, अब उस काम को एक अंश समय में संकुचित कर सकता है। शेष 40%, जिस भाग में निर्णय, संदर्भगत समझ, नवीन परिकल्पना उत्पादन, और नीति व्याख्या की आवश्यकता होती है, पूरा काम बन जाता है।

और वह 40% बिल्कुल वही है जिसकी दुनिया को इस समय अधिक आवश्यकता है। हर सरकार, हर बहुराष्ट्रीय निगम, हर अंतरराष्ट्रीय संगठन यह समझने की कोशिश कर रहा है कि AI श्रम बाज़ार को कैसे बदल रहा है। उन्हें तेज़ डेटा स्क्रैपिंग की आवश्यकता नहीं है। उन्हें किसी ऐसे व्यक्ति की आवश्यकता है जो डेटा को देख सके और कह सके, "नीति के लिए वास्तव में इसका क्या अर्थ है।"

उपयोग डेटा स्वयं संवर्धन की व्याख्या का समर्थन करता है। Anthropic Economic Index (मार्च 2026) के अनुसार, सीखने, पुनरावृत्ति, और सत्यापन जैसे सहयोगात्मक पैटर्न — संवर्धन — अभी भी मापे गए कुल Claude उपयोग का 57% हिस्सा है, और लगभग 49% नौकरियों ने पहले ही इस उपकरण से अपने कम से कम एक चौथाई कार्यों को छुआ हुआ देखा है [तथ्य]। ऐसे पेशे के लिए जिसका पूरा उत्पादन पढ़ना, मॉडलिंग करना, और लिखना है, वह पैटर्न मृत्युदंड नहीं है; यह एक तेज़ सहयोगी के इर्द-गिर्द पुनर्निर्मित किए जा रहे कार्यप्रवाह का विवरण है। विश्व आर्थिक मंच की भविष्य की नौकरियाँ रिपोर्ट 2025 वृहद पक्ष से उसी निष्कर्ष पर पहुँचती है, यह नोट करते हुए कि GenAI का प्राथमिक प्रभाव "एकमुश्त प्रतिस्थापन के बजाय" मानव-मशीन सहयोग के माध्यम से मानवीय कौशल के संवर्धन में निहित है, और विश्लेषणात्मक सोच नियोक्ताओं द्वारा उद्धृत सबसे अधिक मूल्यवान मुख्य कौशल बनी हुई है [तथ्य]।

[दावा] जो अर्थशास्त्री इस परिवर्तन को करने में विफल रहते हैं वे कम पदों के लिए AI-संवर्धित सहकर्मियों के साथ प्रतिस्पर्धा करते हुए पाएँगे, जो व्यापक डेटासेट के साथ, अधिक प्रासंगिक सवालों पर, अधिक शोध करते हैं। जो अर्थशास्त्री परिवर्तन करते हैं, वे पाएँगे कि क्षेत्र की बौद्धिक सीमा संकुचित नहीं हुई — विस्तृत हुई है।

आम भ्रांतियाँ

"AI उद्धरणों का हलूसिनेशन करेगा और आर्थिक शोध को बर्बाद कर देगा।" आधा सच। शुरुआती मॉडलों ने उद्धरण गढ़े। वर्तमान मॉडल, जब उचित रूप से पुनर्प्राप्ति-संवर्धित सेटअप और सत्यापन कार्यप्रवाह के साथ उपयोग किए जाते हैं, तो सटीक साहित्य समीक्षाएँ उत्पन्न करते हैं। जोखिम वास्तविक है लेकिन उन शोधकर्ताओं के लिए प्रबंधनीय है जो अपनी प्रक्रिया में सत्यापन का निर्माण करते हैं। उन शोधकर्ताओं के लिए गंभीर है जो AI आउटपुट को अंतिम मानते हैं।

"असली अर्थशास्त्री AI का उपयोग नहीं करते।" तेज़ी से असत्य। 2026 तक, AI उपयोग शीर्ष-स्तरीय विभागों में आदर्श है, अपवाद नहीं। प्रश्न यह है कि क्या उपयोग स्वीकार किया गया है और कार्यप्रणाली रूप से कठोर है, यह नहीं कि क्या उपयोग होता है।

"मेरी विशेषज्ञता AI के लिए मदद करने के लिए बहुत संकीर्ण है।" आमतौर पर असत्य। अत्यधिक विशिष्ट उपक्षेत्रों — विकासशील अर्थव्यवस्थाओं में अनौपचारिक श्रम बाज़ार, स्वास्थ्य देखभाल में व्यावसायिक अलगाव, आप्रवासी वेतन अनुकूलन — को भी साहित्य समीक्षा, डेटा सफाई, और खोजपूर्ण विश्लेषण में AI सहायता से लाभ मिलता है। विशेषज्ञता जितनी संकीर्ण है, AI उतना अधिक समय उन नियमित कामों पर बचाता है जो आपको आपकी वास्तविक विशेषज्ञता से दूर खींचते थे।

श्रम अर्थशास्त्रियों को अभी क्या करना चाहिए

AI-जागरूक नहीं, AI-धाराप्रवाह बनें। आप इस परिवर्तन का अध्ययन करते हैं। आपको उपकरणों का उपयोग करना चाहिए, सिर्फ़ उनके बारे में लिखना नहीं। [दावा] श्रम अर्थशास्त्री जो पारंपरिक अर्थमितीय कठोरता को AI-संचालित डेटा प्रसंस्करण के साथ जोड़ सकते हैं, वे समृद्ध डेटासेट के साथ दोगुनी गति से शोध तैयार करेंगे।

डेटा प्रसंस्करण से व्याख्या की ओर बदलें। डेटा विश्लेषण पर 72% स्वचालन दर का अर्थ है कि आपकी नौकरी के यांत्रिक भाग जा रहे हैं। AI जो नहीं कर सकता उस पर झुकें: सही प्रश्न पूछना, नवीन शोध फ्रेमवर्क डिज़ाइन करना, और डेटा पैटर्न को वास्तविक दुनिया की नीति निहितार्थों से जोड़ना।

अनुवादक के रूप में स्वयं को स्थापित करें। नीति निर्माताओं, अधिकारियों, और जनता को किसी ऐसे व्यक्ति की आवश्यकता है जो यह समझा सके कि AI का नौकरियों के लिए क्या अर्थ है, ऐसी भाषा में जिसे वे समझ सकें। श्रम अर्थशास्त्री जो तकनीकी शोध और कार्रवाई योग्य अंतर्दृष्टि के बीच की खाई को पाट सकते हैं, उनकी माँग पहले से अधिक है।

AI श्रम प्रभावों में विशेषज्ञता प्राप्त करें। श्रम अर्थशास्त्र में सबसे तेज़ी से बढ़ने वाला उपक्षेत्र, अनुमान के अनुसार, AI काम को कैसे प्रभावित करता है इसका अध्ययन है। यहाँ गहरी विशेषज्ञता वाले शोधकर्ताओं को एक ऐसा लाभ है जो सामान्य अर्थशास्त्रियों के पास नहीं है।

कौशल रोडमैप

12-महीने का क्षितिज। साहित्य समीक्षा, डेटा अन्वेषण, और प्रारंभिक मसौदा लेखन के लिए एक सामान्य-उद्देश्य LLM कार्यप्रवाह (Claude या ChatGPT और एक नोटबुक वातावरण) के साथ सहज बनें। अपने प्रॉम्प्ट पैटर्न का दस्तावेजीकरण करें। जब AI आउटपुट ग़लत होता है तब पहचानना सीखें — वह निर्णय आपकी धार बन जाता है।

3-वर्ष का क्षितिज। AI श्रम बाज़ार विश्लेषण, AI उपकरणों का उपयोग करते हुए कार्यप्रणाली नवाचार, या AI नीति सलाह में विशेषज्ञता विकसित करें। नीति की दुनिया में संबंध बनाएँ — आपका मूल्य बढ़ती मात्रा में डेटा को निर्णयों में अनुवाद करने से आता है, स्वयं रिग्रेशन चलाने से नहीं।

अगर आप पिवट करना चाहते हैं तो आसन्न रास्ते। किसी संघीय एजेंसी में नीति विश्लेषक, श्रम-केंद्रित तकनीकी कंपनी में वरिष्ठ डेटा वैज्ञानिक, कार्यबल विकास गैर-लाभकारी संगठन में शोध निदेशक, या AI प्रभाव आकलनों पर केंद्रित स्वतंत्र श्रम सलाहकार। प्रत्येक पथ आपकी प्रशिक्षण का ऐसे तरीकों से उपयोग करता है जिन्हें अकेले AI दोहरा नहीं सकता।

पूर्ण डेटा विभाजन के लिए, श्रम अर्थशास्त्री व्यवसाय पृष्ठ पर जाएँ।

---

_Anthropic (2026) और BLS व्यावसायिक प्रक्षेपणों के डेटा पर आधारित AI-सहायित विश्लेषण। पूर्ण डेटा के लिए, श्रम अर्थशास्त्री पृष्ठ पर जाएँ।_