स्थानीयकृत AI करियर: AI मंथन 2.0 भारत विश्लेषण

भीड़भाड़ वाले AI पोर्टफोलियो का अब एक पहचाना हुआ रूप बन गया है: एक चैटबॉट, एक PDF समराइज़र, एक प्रॉम्प्ट लाइब्रेरी, शायद मॉडल API से जुड़ा कोई डैशबोर्ड। उपयोगी, हाँ। अलग दिखने वाला, ज़्यादा समय तक नहीं। भारतीय डेटासेट पर प्रशिक्षित छोटे स्थानीय भाषा मॉडल के लिए AI Manthan 2.0 का आह्वान भारतीय बिल्डरों के लिए एक ज़्यादा स्पष्ट अवसर दिखाता है: शिक्षा, स्वास्थ्य सेवा, कृषि और शासन में ऐसे संकरे समस्याएँ हल करें जहाँ भाषा, संदर्भ और वर्कफ़्लो की समझ उतनी ही मायने रखती है जितना मॉडल का चुनाव। यह इसलिए महत्वपूर्ण है क्योंकि भारतीय AI श्रम बाज़ार में उत्साह की कमी नहीं है। कमी है इस विश्वसनीय प्रमाण की कि कोई learner AI को किसी वास्तविक सेटिंग के लिए काम करने वाली प्रणाली में बदल सकता है। करियर में बढ़त अब यह कहने से हट रही है कि आप generative AI जानते हैं, और इस ओर जा रही है कि आप गंदे स्थानीय डेटा, क्षेत्रीय भाषा के व्यवहार, त्रुटियों के लिए कम सहनशीलता, और उन domain rules को संभाल सकते हैं जिन्हें generic demos आमतौर पर छोड़ देते हैं।

मांग का संकेत वास्तविक है, लेकिन समान रूप से बँटा हुआ नहीं है

World Bank का पेपर AI and Services-Led Growth, जिसे International Monetary Fund, University of Oxford और World Bank के लेखकों के साथ प्रकाशित किया गया, भारत की सबसे बड़ी jobs website से online vacancies का उपयोग करते हुए दिखाता है कि 2016 से भारत के services sector में AI संबंधित skills की मांग लगभग exponential रूप से बढ़ी है। वही abstract non AI postings पर postings और wage offers के नकारात्मक प्रभावों की रिपोर्ट करता है, विशेष रूप से high skilled managerial और professional occupations तथा complex analytical और communication tasks वाले non routine work में। hype के भीतर यही उपयोगी चेतावनी है: AI demand बढ़ रही है, लेकिन यह हर उस learner के लिए समान अवसर नहीं बना रही जो resume में AI जोड़ देता है।

यहीं AI Manthan 2.0 का angle व्यावहारिक बनता है। भारतीय datasets पर trained छोटे local language models सिर्फ policy talking point नहीं हैं; वे ऐसे लोगों के लिए labor market का संकेत देते हैं जो data prepare कर सकें, outputs evaluate कर सकें, models adapt कर सकें, और Indian contexts में failures समझा सकें। कोई builder जो actual classroom language पर Marathi education assistant test कर सकता है, या district health office के लिए retrieval workflow design कर सकता है, उसका संकेत उस व्यक्ति से अधिक मजबूत है जिसने केवल एक general chatbot interface clone किया है।

नौकरी के शीर्षक शोर पैदा करते हैं, workflows असली screen हैं

Job boards पर title sprawl साफ दिखता है। LinkedIn का Artificial Intelligence Jobs in India page भारत में 11,000+ artificial intelligence jobs दिखाता है, जिनमें Gurugram में Oliver Wyman की Senior / Lead Data Scientist role और FICO की AI/ML Engineer role जैसे उदाहरण शामिल हैं। Indeed का Ai Builder jobs page 2,542 Ai Builder jobs दिखाता है और इसमें Web Designer / AI Website Builder जैसी विविध भूमिकाएँ शामिल हैं। ये एक जैसी नौकरी नहीं हैं, भले ही इनके साथ AI label जुड़ा हो।

इसी फैलाव के कारण learners को job descriptions को status badges की तरह नहीं, बल्कि workflow documents की तरह पढ़ना चाहिए। Data scientist role statistics, experimentation और data pipelines के लिए screen कर सकती है। AI/ML engineer role model deployment और software engineering के लिए screen कर सकती है। AI builder role का मतलब APIs के साथ automation, prompt configuration या product operations हो सकता है। अगर आपका portfolio workflow को दिखाई देने लायक नहीं बनाता, तो project का title उसे बचा नहीं पाएगा।

AIM Network का Point Break episode अपने description में hiring paradox को साफ शब्दों में रखता है: भारत AI, cloud computing और agentic workflows में लाखों students को train कर रहा है, जबकि employers specialized AI talent की तीखी कमी की रिपोर्ट कर रहे हैं। episode description यह भी कहता है कि enterprise teams leaner हो रही हैं, IT services traditional mass campus recruitment से दूर जा रही हैं, और global capability centers specialized high value skill sets के लिए selective hiring कर रहे हैं। यह घबराने की वजह नहीं है। यह generic AI literacy को finish line मानना बंद करने की वजह है।

Localized AI portfolios को domain evidence चाहिए

India AI Impact Summit 2026 से Businessworld का interview एक और hiring filter की ओर इशारा करता है: workforce intelligence LinkedIn के Economic Graph से बनाई जा रही है, जिसके description के अनुसार यह 1.3 billion members और 70 million companies के data से powered है। वही description कहता है कि LinkedIn यह देख रहा है कि कौन-सी jobs AI से disrupted, augmented या insulated हो सकती हैं, साथ ही cities में in demand AI skills और fast growing roles भी। आप technical हों या non technical, यह बताता है कि employers सिर्फ model names नहीं खोज रहे। वे skills को बदलते काम से map करने की कोशिश कर रहे हैं।

Localized AI portfolio के लिए evidence किसी toy app जैसा कम और एक छोटे implementation record जैसा अधिक दिखना चाहिए। dataset source और उसकी language limitations दिखाएँ। दिखाएँ कि आपने गलत जवाबों को कैसे evaluate किया। दिखाएँ कि system जोड़ने से पहले और बाद में एक teacher, nurse, agronomist या government caseworker वास्तव में क्या करेगा। अगर आप retrieval का उपयोग कर रहे हैं, तो document करें कि source material भरोसेमंद क्यों है और आप outdated या conflicting records को कैसे handle करते हैं।

यहीं 25 और 45 वर्ष के career switchers अलग constraints लेकिन समान hype का सामना करते हैं। एक युवा learner के पास public projects बनाने के लिए ज़्यादा समय हो सकता है, लेकिन domain credibility कम हो सकती है। एक mid career professional के पास coursework के लिए कम समय हो सकता है, लेकिन procurement, compliance, school operations, hospital intake, farm advisory या citizen services की ज़्यादा समझ हो सकती है। localized AI में यह domain memory consolation prize नहीं है। यह differentiator हो सकती है।

व्यावहारिक रास्ता संकरा है, और बेहतर भी

World Bank paper की यह finding कि AI demand non AI postings को affect करती है, याद दिलाती है कि upskilling का मतलब disconnected certificates जमा करना नहीं होना चाहिए। AIM Network के episode description में selective fresher hiring और technical AI skills के साथ domain expertise के लगातार महत्व की ओर संकेत है। मिलकर ये signals उन builders के पक्ष में जाते हैं जो machine learning basics को एक sector problem, local language constraint और deployable workflow के साथ जोड़ सकते हैं।

इसलिए अगला project कोई ऐसा assistant नहीं होना चाहिए जो किसी भी चीज़ का जवाब दे। ऐसा बनाइए जो एक Indian language, एक sector और एक user group के लिए सीमित सवालों के set का जवाब दे। Scope इतना छोटा रखें कि test किया जा सके, लेकिन इतना गंभीर भी कि data quality, latency, user trust और error handling से जुड़े tradeoffs सामने आएँ। यह ऐसा काम है जिसे hiring manager आपके resume पर AI Engineer का मतलब guess किए बिना inspect कर सकता है।

India AI hiring की अगली wave में उन roles पर नज़र रखें जो केवल prompt fluency के बजाय data localization, model adaptation, evaluation, workflow automation और sector AI का उल्लेख करती हैं। लाभ वे builders नहीं उठाएँगे जिनके पास सबसे ऊँचा certificate stack है। लाभ वे उठाएँगे जो साबित कर सकें कि वे भारत के data, भारत की languages और demo load होने के बाद होने वाले असली काम को समझते हैं।