भारत में AI से नौकरी का जोखिम: गोल्डमैन ने पूर्वानुमानों की सीमाएँ दिखाईं

AI से जुड़े श्रम जोखिम का आसान लेकिन अधूरा संस्करण वैश्विक लगता है: अगर कोई मॉडल लिख सकता है, सारांश बना सकता है, कोड कर सकता है या फोन कॉल का जवाब दे सकता है, तो दुनिया भर का हर ऑफिस कर्मचारी अगला निशाना है। Goldman Sachs अब भारत के मामले में एक उपयोगी जटिलता जोड़ रहा है। The Economic Times की रिपोर्ट के अनुसार, फर्म का कहना है कि भारत दूसरों की तुलना में AI नौकरी जोखिमों के प्रति कम exposed है, लेकिन इसका मतलब यह नहीं है कि भारत सुरक्षित या immune है। यह फर्क सीखने वालों के लिए महत्वपूर्ण है। अगर आप AI जोखिम को एक ही वैश्विक भविष्यवाणी की तरह मानेंगे, तो आप या तो घबरा जाएंगे या उसे हल्के में ले लेंगे, और दोनों ही खराब करियर रणनीतियाँ हैं। उपयोगी सवाल अधिक संकीर्ण है: आपकी नौकरी में कौन-से कार्य दोहराए जाने वाले, टेक्स्ट-प्रधान, नियम-आधारित और इतने मापने योग्य हैं कि सॉफ्टवेयर उन्हें deadline पर थके हुए इंसान से बेहतर संभाल सके?

दावा असल में कार्यों के मिश्रण

के बारे में है 14 अगस्त 2026 को Business Standard की रिपोर्ट ने Goldman Sachs के दृष्टिकोण को इस बात के इर्द-गिर्द रखा कि भारत दूसरों की तुलना में AI नौकरी जोखिमों के प्रति कम exposed है। कर्मचारियों के लिए महत्वपूर्ण शब्द AI नहीं, बल्कि exposed है। जिस श्रम बाजार में शारीरिक और यांत्रिक काम का हिस्सा बड़ा होता है, वह automation के दबाव को उसी तरह नहीं झेलता जैसे screen-based administrative काम पर अधिक निर्भर बाजार झेलता है। इसका मतलब है कि कोई वैश्विक भविष्यवाणी दिशा के स्तर पर रोचक हो सकती है, लेकिन अगर वह यह नजरअंदाज करती है कि आप सच में पूरे दिन क्या करते हैं, तो वह व्यक्तिगत रूप से बेकार हो सकती है।

Storyboard18 ने इस mechanism को और ठोस बनाया, यह रिपोर्ट करते हुए कि Goldman Sachs ने भारत में physical और mechanical occupations में काम करने वालों की बड़ी हिस्सेदारी को एक वजह बताया कि निकट अवधि में AI displacement सीमित रह सकता है। यह श्रम संरचना का तर्क है, कोई जादुई सुरक्षा कवच नहीं। एक warehouse supervisor, field technician, nurse, construction worker, या shop-floor manager documentation या scheduling के लिए AI का उपयोग कर सकता है, लेकिन core work अब भी physical context, human judgment, और local coordination पर निर्भर रहता है। सीख यह नहीं है कि ये भूमिकाएँ बदलाव से बच जाती हैं, बल्कि यह है कि इनके automation का रास्ता अलग दिखता है।

सुरक्षित बाजार में भी जोखिम वाले हिस्से होते हैं

Storyboard18 ने यह भी रिपोर्ट किया कि services के कुछ हिस्से, जिनमें IT और call centres शामिल हैं, अधिक exposed बने हुए हैं। यही वह जगह है जहाँ blanket optimism टूट जाता है। scripted answers, ticket triage, और standard escalation पर आधारित customer support role उसी risk category में नहीं आता जिसमें relationship repair, regulated judgment, या messy field operations शामिल हों। title में support, analyst, associate, या engineer लिखा हो सकता है, लेकिन hiring managers चुपचाप task mix ही देखेंगे।

यहीं title sprawl खतरनाक हो जाता है। एक AI Engineer job का मतलब model training हो सकता है, दूसरी का मतलब API integration, और तीसरी का मतलब किसी और द्वारा design किए गए workflow पर chatbot चिपकाना हो सकता है। यही समस्या AI risk labels पर भी लागू होती है: यह कहना कि IT exposed है, आपको उतनी जानकारी नहीं देता जितना यह पूछना कि आपका काम मुख्य रूप से code review, systems debugging, client translation, data cleanup, documentation, या production support है। इनमें से कुछ tasks automatable हैं, जबकि कुछ तब अधिक मूल्यवान हो जाते हैं जब AI verify करने के लिए अधिक output बनाता है।

अपना खुद का जोखिम audit करें

The Economic Times की रिपोर्ट उपयोगी है क्योंकि यह इस विचार को चुनौती देती है कि AI हर labor market को एक ही तरह प्रभावित करेगा। किसी individual worker के लिए practical audit के तीन हिस्से हैं: task mix, sector, और leverage। Task mix पूछता है कि आपके सप्ताह का कितना हिस्सा repetitive language या data handling में जाता है; sector पूछता है कि आपका employer कानूनी, operational, या customer trust से जुड़ी समस्याओं के बिना सच में AI deploy कर सकता है या नहीं; leverage पूछता है कि क्या आप AI का उपयोग सिर्फ तेज drafts बनाने के लिए नहीं, बल्कि बेहतर काम करने के लिए कर सकते हैं।

अगर आपका जवाब अस्पष्ट है, तो अभी एक और certificate न खरीदें; पहले workflow map करें। Goldman Sachs के दृष्टिकोण पर Business Standard की coverage learners को credential theater से भी दूर ले जानी चाहिए। generative AI लिखे course badge की तुलना में एक छोटा portfolio ज्यादा उपयोगी है, जो दिखाए कि आपने ticket backlog कैसे घटाया, internal search कैसे सुधारी, safer customer responses कैसे draft किए, या AI output के लिए review checklist कैसे बनाई। Hiring managers आमतौर पर ऐसे व्यक्ति की तलाश में नहीं होते जो model names सुना सके। वे ऐसे व्यक्ति को ढूँढते हैं जो tools को messy process में लगा सके, बिना mess को और बड़ा किए।

आगे क्या सीखें

Storyboard18 की रिपोर्ट workers को simple fear की बजाय अधिक constructive path देती है। अगर आप अधिक exposed service function में हैं, तो prompting को केवल surface layer के रूप में सीखें, फिर workflow design, quality control, escalation rules, और domain-specific review सीखें। अगर आप physical या mechanical work में हैं, तब भी AI literacy मायने रखती है, लेकिन payoff maintenance logs, inventory forecasting, training materials, safety documentation, या customer communication के जरिए आ सकता है। Different exposure का मतलब different stakes नहीं है; इसका मतलब different learning priorities है।

अब देखने लायक अगला उपयोगी signal यह है कि क्या भारत में employers job descriptions को tasks के आधार पर बदलते हैं, न कि सिर्फ titles में AI जोड़ते हैं। अगर job posts support agents से AI responses supervise करने, developers से AI-assisted codebases maintain करने, या operations managers से AI dashboards interpret करने को कहने लगें, तो यह एक और broad forecast की तुलना में मजबूत hiring signal होगा। जो readers यह तय कर रहे हैं कि अपना समय कहाँ लगाना है, उनके लिए Goldman का India claim याद दिलाता है कि abstract रूप में यह पूछना बंद करें कि AI आपकी नौकरी को प्रभावित करेगा या नहीं। पूछें कि आपके काम के कौन-से हिस्सों को AI छू सकता है, कौन-से हिस्सों में अब भी आपकी जरूरत है, और आप कहाँ वह व्यक्ति बन सकते हैं जो tool को सच में useful बनाता है।