AI कौशल असंगति: विशेषज्ञ या सामान्य-उद्देश्य वाला नर्ड

AI नौकरी के विज्ञापन को देख रहा नया स्नातक सलाह की कमी से नहीं जूझ रहा। वह सलाह में डूब रहा है। एक विज्ञापन AI fluency मांग सकता है, दूसरा automation experience मांग सकता है, और तीसरा शीर्षक में Artificial Intelligence डालकर उसी पैराग्राफ में तीन अलग-अलग नौकरियों का वर्णन कर सकता है। करियर का सवाल अब यह नहीं है कि AI सीखना है या नहीं। सवाल यह है कि क्या आपकी सीख ऐसी संकेत-भाषा बनती है जिसे नियोक्ता सच में पढ़ सके।

असंगति नारे की नहीं, पोज़िशनिंग

की समस्या है Fortune ने मौजूदा Gen Z दुविधा को specialist बनने और "general-purpose nerd" बनने के चुनाव के रूप में रखा, क्योंकि AI skills mismatch पैदा कर रहा है। यह phrasing उपयोगी है क्योंकि यह learn AI सलाह के आसपास का धुंधलापन हटाती है। Specialist का मतलब है कि आप किसी domain, tool chain, या technical lane में इतनी गहराई तक जाते हैं कि आपका judgment नकली बनाना मुश्किल हो। General-purpose nerd का मतलब है कि आप वह व्यक्ति बनते हैं जो tools जल्दी सीख सकता है, functions को जोड़ सकता है, और अस्पष्टता को काम करने वाली process में बदल सकता है।

जाल यह है कि इन रास्तों को personality types मान लिया जाए। असल में ये evidence strategies हैं। अगर आप specialist route चुनते हैं, तो आपके portfolio में depth दिखनी चाहिए: model evaluation, data workflow, compliance review process, या constraints वाला domain project। अगर आप range चुनते हैं, तो आपके proof में handoffs दिखने चाहिए: आप user problem से prototype और measurement तक कैसे पहुंचे, बिना हर step में senior engineer होने का दिखावा किए।

Forbes दिखाता है कि दोनों अनुमान सही हो सकते हैं

Forbes ने Gen Z labor market को competing forecasts के बीच बंटा हुआ बताया: कुछ experts aging workforce और skills mismatch से जुड़ी labor shortages की उम्मीद करते हैं, जबकि दूसरे automation से jobs कम होने की उम्मीद करते हैं। यही वजह है कि early-career advice इतनी contradictory लगती है। कोई कहता है कि market tight होने से पहले specialize करो। दूसरा कहता है flexible रहो क्योंकि काम बदलता रहता है।

दोनों labor market के अलग-अलग हिस्सों में सही हो सकते हैं। एक narrow technical team अभी भी specific skills के लिए screen कर सकती है, क्योंकि vague adaptability data pipelines ship नहीं करती या model failure evaluate नहीं करती। एक leaner product, marketing, या operations team उस व्यक्ति को value दे सकती है जो AI tools का इस्तेमाल prototype बनाने, analyze करने, document करने, और functions के बीच coordinate करने में कर सकता है। Practical move यह नहीं है कि पहले label चुनें। पहले चुनें कि आप किन problems के लिए trusted होना चाहते हैं, फिर उन्हीं problems के आसपास proof बनाएं।

LinkedIn Economic Graph काम को ध्यान से देखने की याद दिलाता है

LinkedIn Economic Graph कहता है कि उसके workforce data resources labor market insights, workforce confidence, और companies AI के साथ कैसे adapt कर रही हैं, इस पर reports track करते हैं। यह मायने रखता है क्योंकि AI hiring सिर्फ नए titles की list नहीं है। यह tasks का messy reallocation है, जिसमें familiar jobs नए workflows absorb कर रही हैं और newer titles अभी भी आकार ले रहे हैं।

यहीं credential inflation महंगी पड़ती है। कोई certificate जो कहता है कि आप AI समझते हैं, आपकी study organize करने में मदद कर सकता है, लेकिन अगर वह badge पर खत्म हो जाए और कोई artifact न हो, तो वह कमजोर है। Hiring managers vibes के लिए screen नहीं करते। वे इस evidence के लिए screen करते हैं कि आप constraints के तहत defined job कर सकते हैं: messy dataset साफ करना, outputs compare करना, risks document करना, customer workflow improve करना, या यह समझाना कि किसी given step में automation का इस्तेमाल क्यों नहीं होना चाहिए।

इसलिए job descriptions को fan की तरह नहीं, mechanic की तरह पढ़ें। AI Engineer के तहत पूछें कि काम model building है, application development, data plumbing, MLOps, evaluation, या internal automation। AI Strategist के तहत पूछें कि काम market research है, process redesign, vendor selection, या executive slideware। Title sprawl आपकी गलती नहीं है, लेकिन अगर आपका resume गलत job का जवाब देता है, तो यह आपकी समस्या है।

उपयोगी योजना learn

AI से छोटी और कठिन है Fortune का specialist बनाम general-purpose nerd framing learners को अगला समय खर्च करने का साफ तरीका देता है। अगर आप अपने career की शुरुआत में हैं, तो एक anchor skill और एक adjacent workflow चुनें। इसका मतलब analytics plus AI-assisted reporting, marketing operations plus experimentation, software development plus evaluation, या healthcare administration plus documentation automation हो सकता है।

Forbes का uncertainty वाला वर्णन false urgency को भी शांत करना चाहिए। आपको अपने पूरे career को एक forecast पर दांव पर लगाने की जरूरत नहीं है। आपको ऐसा portfolio चाहिए जो आपकी current bet को visible बनाए। 25 साल की उम्र में, इसका मतलब projects, internships, और public work का इस्तेमाल करके short job history की भरपाई करना हो सकता है। 45 साल की उम्र में, इसका मतलब domain judgment को AI-enabled workflows में translate करना हो सकता है, क्योंकि advantage अक्सर यह जानने में होता है कि सबसे पहले कौन-सी problem automate करने लायक है।

AI hiring का अगला चरण उन लोगों को reward करेगा जो अपनी skills को बढ़ा-चढ़ाकर बताए बिना legible बना सकते हैं। ऐसे job posts पर ध्यान दें जो tool use को ownership से अलग करते हैं, और उसी हिसाब से build करें। अगर role को depth चाहिए, तो depth दिखाएं। अगर उसे range चाहिए, तो workflow दिखाएं। learn AI का vague instruction अब काफी नहीं है, और यह शायद अच्छी बात है।