क्या रोबोट ब्लू-कॉलर नौकरियाँ छीन लेंगे? Anthropic का 2026 का अध्ययन वास्तव में क्या कहता है (Anthropic, Tesla, Nvidia, Jobbit)

एक दशक से ऑटोमेशन पर सार्वजनिक चर्चा एक ही संख्या के सहारे चलती रही है। 2013 में Oxford के Carl Benedikt Frey और Michael Osborne ने अनुमान लगाया था कि संयुक्त राज्य अमेरिका के 47% रोज़गार ऐसे पेशों में थे जिनमें दो दशकों के भीतर कंप्यूटरीकरण का ख़तरा अधिक था, और काम के भविष्य पर हर भाषण में यह आँकड़ा दोहराया जाता रहा है। तेरह साल बाद, जिन रोबोटों से गोदामों और निर्माण स्थलों को ख़ाली कर देने की उम्मीद थी, वे प्रदर्शनों में, कुछ हज़ार कारख़ानों में और गिनती की टैक्सियों में पहुँचे हैं, और जिन लोगों को बदला जाना था वे अब भी काम पर हैं, उनमें से कई ऐसे पेशों में जहाँ नियोक्ता पद भर ही नहीं पा रहे। मानक कहानी में कुछ ग़लत था, और हाल तक किसी ने यह नहीं मापा था कि क्या।

30 सितंबर 2026 को Anthropic की अर्थशास्त्र टीम ने Russell Legate-Yang और Maxim Massenkoff का लिखा "What work can robots do?" प्रकाशित किया। इस समीक्षा की जानकारी के अनुसार, अमेरिकी अर्थव्यवस्था के हर शारीरिक कार्य को वास्तव में मौजूद रोबोटों के विरुद्ध आँकने का यह पहला प्रयास है, और फिर वह सवाल पूछने का भी जो 47% वाले आँकड़े ने कभी नहीं पूछा: किस क़ीमत पर। इसका उत्तर बहस को नया रूप देता है। रोबोट आज भी अमेरिका के लगभग तीन-चौथाई शारीरिक कार्य कर सकते हैं, लेकिन हर हज़ार में से केवल तीन के लिए वे इंसान से सस्ते हैं। 1990 के दशक से रोबोट की क़ीमतें जिस रफ़्तार से गिरी हैं, उसी रफ़्तार से यह अंतर पाटने पर काम के दसवें हिस्से तक पहुँचने में लगभग चालीस साल लगेंगे, और आक्रामक परिदृश्य में भी आधा शारीरिक काम 2050 के बाद ही आता है। यह केस स्टडी पेपर को ध्यान से पढ़ती है, उसे इस साक्ष्य के साथ रखती है कि AI ऑफ़िस के काम के साथ पहले से क्या कर रहा है, आपत्तियों पर विचार करती है, और बताती है कि यह पैटर्न एक ब्रिटिश कारीगर, एक छोटे व्यवसाय के मालिक और Jobbit जैसी कंपनी के लिए क्या मायने रखता है, जो उसी आधार पर बनी है जिसे पेपर अब आँकड़ों में बाँधता है: मशीनों और इंसानों के बीच काम का हस्तांतरण अगले बीस वर्षों का केंद्रीय डिज़ाइन प्रश्न है।

निष्कर्षों का सारांश

पहला, अधिकांश शारीरिक काम के लिए क्षमता अब निर्णायक बाधा नहीं रही। Anthropic का अध्ययन पाता है कि रोबोट अमेरिका के 74% शारीरिक कार्य कर सकते हैं, जो कुल कार्य-घंटों का 34% बैठता है, और यह उन रोबोटों के आधार पर है जो बेचे, तैनात या प्रदर्शित किए जा चुके हैं, कल्पित रोबोटों के आधार पर नहीं।

दूसरा, बाधा लागत है। आज रोबोट केवल 0.3% जॉब टास्क के लिए कर्मचारी के मुक़ाबले लागत में प्रतिस्पर्धी हैं। सबसे अधिक एक्सपोज़्ड बड़े पेशे, यानी पैकर और पैकेजर, के लिए अनुमानित वार्षिक बचत लगभग $2,500 प्रति कर्मचारी है, जबकि श्रम लागत लगभग $49,000 है। टैक्सी चालकों के मामले में रोबोट अब भी इंसान से लगभग $7,000 महँगा पड़ता है।

तीसरा, यह अंतर धीरे-धीरे बंद होता है। 1990 के दशक से रोबोट की क़ीमतें लगभग 3% सालाना गिरी हैं। इस दर पर अमेरिका के 10% काम के लिए रोबोटों के लागत में प्रतिस्पर्धी बनने में 40 साल लगते हैं। पेपर के तेज़ परिदृश्य में, जहाँ लागतें चार गुना तेज़ी से गिरती हैं और क्षमताएँ दोगुनी तेज़ी से सुधरती हैं, रोबोट लगभग 2050 तक आधे शारीरिक काम के लिए इंसानों से सस्ते हो जाते हैं (ऐतिहासिक रुझान पर यह 2085 है), और उसके 90% को ऑटोमेट करने में फिर भी 53 साल लगते हैं।

चौथा, डिजिटल काम की तस्वीर इसके उलट है। अमेरिका का लगभग 50% काम केवल बड़े भाषा मॉडलों के संपर्क में है और 81% भाषा मॉडलों या रोबोटों, दोनों को मिलाकर। पेरोल डेटा से श्रम-बाज़ार के शुरुआती साक्ष्य बताते हैं कि सबसे अधिक AI-एक्सपोज़्ड पेशों में 22 से 25 वर्ष के लोगों का रोज़गार उनके कम एक्सपोज़्ड समकक्षों से लगभग 19% नीचे चल रहा है, जबकि अनुभवी कर्मचारियों या समूची अर्थव्यवस्था में अभी वैसी कोई हलचल नहीं दिखती।

पाँचवाँ, रोबोटों के सबसे अधिक संपर्क में आने वाले लोगों के पास सहारा सबसे कम है। अनएक्सपोज़्ड कर्मचारियों की तुलना में उनके पास डिग्री होने की संभावना 55 प्रतिशत अंक कम है, वे प्रति घंटा लगभग $30 कम कमाते हैं और उनकी बेरोज़गारी दर दोगुने से भी अधिक है।

छठा, जो बाधाएँ बची हैं वे विशिष्ट और मापने योग्य हैं। लगभग 70% शारीरिक कार्य क्षमता की वजह से रुके हैं, जिनमें से लगभग आधे हेरफेर (मैनिपुलेशन) और हाथ की कुशलता की वजह से; 14% मौजूदा नियमन से अवरुद्ध हैं और 25% इंसानी पसंद से। ये वही कार्य हैं जिनमें दशकों तक इंसान की ज़रूरत रहेगी, और जिनके लिए मशीनों को सिखाने वाला डेटा अभी मौजूद ही नहीं है।

केस: यह अध्ययन सही प्रयोगशाला क्यों है

ऑटोमेशन के पूर्वानुमान आम तौर पर दो में से किसी एक तरह से विफल होते रहे हैं। Frey और Osborne जैसे पेशा-स्तर के अध्ययनों ने पूरी नौकरियों को ऑटोमेट होने योग्य इकाई माना, जिससे 47% का आँकड़ा निकला। जब OECD के Melanie Arntz, Terry Gregory और Ulrich Zierahn ने 2016 में यही अभ्यास कार्य-स्तर पर दोहराया, 21 देशों में हर पेशे के भीतर काम के मिश्रण को ध्यान में रखते हुए, तो ऑटोमेट होने योग्य नौकरियों का हिस्सा घटकर 9% रह गया। दूसरी ओर, विशेषज्ञ-सर्वेक्षण वाले अध्ययनों ने विशेषज्ञों से पूछा कि मशीनें क्या कर पाएँगी, जो ऐसी तकनीकों पर दाँव है जो शायद कभी बाज़ार में आएँ ही नहीं।

Anthropic का पेपर जान-बूझकर दोनों जालों से बचता है। यह ONET में लगभग 900 पेशों के लगभग 19,000 कार्य-विवरणों से शुरू होता है (ONET अमेरिकी Department of Labor का पेशा-डेटाबेस है), और Bureau of Labor Statistics के रोज़गार और मज़दूरी के आँकड़े लेता है। यह Claude मॉडल से हर कार्य को उसकी शारीरिक, संज्ञानात्मक और अंतर-वैयक्तिक सामग्री पर अंक दिलवाता है, केवल वे शारीरिक कार्य रखता है जिन्हें साधारण सॉफ़्टवेयर से ऑटोमेट नहीं किया जा सकता था, और फिर वेब पर ऐसे विशिष्ट रोबोट खोजता है जिन्होंने हर कार्य को प्रमाणित रूप से किया है, साक्ष्य के रूप में व्यावसायिक तैनाती, बिक्री या महत्वपूर्ण प्रदर्शन अनिवार्य मानते हुए। हर कार्य को पर्यावरण-नियंत्रण के चार-स्तरीय पैमाने पर रखा जाता है: E0, कोई रोबोट इसे नहीं कर सकता; E1, रोबोट इसे विशेष रूप से बने वातावरण में कर सकता है, जैसे कारख़ाने की लाइन; E2, संरचित मानव सुविधा में, जैसे गोदाम; E3, असंरचित वातावरण में, जैसे शहर की सड़क। अधिकांश तैनात रोबोट इंजीनियर किए गए स्थानों में रहते हैं, इसीलिए लेखक इस स्तर को निकट भविष्य के जोखिम का अच्छा पैमाना मानते हैं।

लागत को मान नहीं लिया गया, मॉडल किया गया है। हर एक्सपोज़्ड कार्य के लिए मॉडल उद्धृत रोबोट की वार्षिक लागत का अनुमान लगाता है, जिसमें ख़रीद और स्थापना, रखरखाव, सॉफ़्टवेयर, ऊर्जा, निगरानी, बीमा और सेवामुक्ति शामिल हैं, और स्थिर लागतों को पूँजी की अनुमानित लागत पर वार्षिक रूप दिया जाता है। फिर इसकी तुलना कर्मचारी के कुल पारिश्रमिक से की जाती है, जिसे उस कार्य पर लगे उसके समय के अनुपात से घटाया गया है। कोई कार्य तभी लागत में प्रतिस्पर्धी गिना जाता है जब रोबोट की वार्षिक लागत उस श्रम से कम हो जिसकी वह जगह लेता है। फिर लेखक पूरे ढाँचे को पीछे की ओर परखते हैं: 1977 और उसके बाद के दशकों में मौजूद रोबोटों के विरुद्ध कार्यों को आँककर वे दिखाते हैं कि अपने समय के रोबोटों के अधिक संपर्क वाले पेशों में आगे चलकर मज़दूरी और रोज़गार अधिक घटे, और किसी एक्सपोज़र पैमाने को मूल्यवान होने के लिए यही करना चाहिए।

अध्ययन अमेरिकी है। पाठक को यही कमी याद रखनी चाहिए। ब्रिटेन की मज़दूरी, ऊर्जा क़ीमतें, नियमन और पेशों का मिश्रण अलग हैं, और अभी तक किसी ने यह पद्धति यूके के डेटा पर नहीं चलाई है। पर यहाँ दाँव, अगर कुछ है तो, और ऊँचे हैं। Construction Industry Training Board का जून 2026 का पूर्वानुमान कहता है कि माँग के साथ तालमेल बनाए रखने के लिए इस क्षेत्र को 2026 से 2030 के बीच औसतन 41,200 अतिरिक्त कर्मचारी सालाना चाहिए, यानी कुल 206,000 से अधिक, जबकि मौजूदा कार्यबल का 40% 45 वर्ष से ऊपर है और Brexit के बाद 200,000 से अधिक EU कर्मचारी जा चुके हैं। Department for Education की दिसंबर 2025 की Occupations in Demand रिलीज़ में 125 ऊँची माँग वाले पेशों में 10.9 मिलियन लोग गिने गए हैं, जो कार्यबल का 32.9% है, और उस सूची के सबसे बड़े कुशल कारीगरी के पेशों में इलेक्ट्रीशियन और इलेक्ट्रिकल फ़िटर (201,000 नौकरियाँ) तथा वाहन तकनीशियन और मैकेनिक (183,000) का नाम है। अगर रोबोट कारीगरी के पेशों की जगह लेने वाले होते, तो यह क़िल्लत एक क्षणिक समस्या होती। नीचे दिया साक्ष्य कहता है कि ऐसा नहीं है।

साक्ष्यों की समयरेखा, 2013 से 2026

निष्कर्ष 1: रोबोट अधिकांश शारीरिक काम कर सकते हैं और लगभग किसी में भी पैसे नहीं बचाते

पेपर की पहली संख्या वही है जिसे सबसे ज़्यादा उद्धृत किया जाएगा, और उसे सटीक रूप में कहा जाना चाहिए। अमेरिका के कुल कार्य-समय में 54% संज्ञानात्मक या अंतर-वैयक्तिक है और 46% शारीरिक। शारीरिक हिस्से में 12 प्रतिशत अंक ऐसे हैं जो लेखकों को मिले किसी भी रोबोट से नहीं हो सकते (E0), 23 विशेष रूप से बने वातावरण में हो सकते हैं (E1), 10 गोदामों जैसी संरचित मानव सुविधाओं में (E2), और 1 असंरचित वातावरण में (E3)। सब जोड़ने पर रोबोट 74% शारीरिक कार्य कर सकते हैं, जो कुल कार्य-घंटों का 34% है। उदाहरण ठोस हैं: शहर की सड़कों पर स्वायत्त टैक्सियाँ, गोदामों में माल ढोने वाले स्वायत्त मोबाइल रोबोट, फ़ैब्रिकेशन दुकानों में AI-निर्देशित वेल्डिंग सेल, और खाइयाँ खोदने वाले ऐसे एक्सकेवेटर जो बिना चालक के सीधी रेखा में खुदाई करते हैं।

दूसरी संख्या वह है जो मायने रखती है। जब मॉडल हर कार्य के लिए उद्धृत रोबोट की क़ीमत लगाता है और उसकी तुलना उस श्रम से करता है जिसकी वह जगह लेगा, तो रोबोट केवल 0.3% जॉब टास्क के लिए सस्ते निकलते हैं। लगभग 300,000 अमेरिकी कर्मचारी ऐसे पेशों में हैं जहाँ रोबोट 95% काम कर सकते हैं। सबसे बड़ा समूह, लगभग 560,000 पैकर और पैकेजर, लागत-समानता का सबसे साफ़ उदाहरण है, जहाँ रोबोट उस इंसान से सालाना लगभग $2,500 सस्ता आँका गया है जिसकी श्रम लागत लगभग $49,000 है। दूसरे छोर पर रोबोट टैक्सी है, जो डेटा में तकनीकी रूप से सबसे अधिक एक्सपोज़्ड पेशा है (एक्सपोज़र इंडेक्स 3 में से 2.2) और नियमन पर विचार करने से पहले ही उस चालक से सालाना लगभग $7,000 महँगी आँकी गई है जिसकी वह जगह लेती। सबसे अधिक एक्सपोज़्ड दस पेशों में से नौ वाहन संचालक हैं।

लेखक जो व्याख्या देते हैं, और जिसे यह समीक्षा सबसे अधिक टिकाऊ मानती है, वह यह है कि शारीरिक सीमा आर्थिक सीमा से कहीं आगे बढ़ चुकी है। पिछले 50 वर्षों में रोबोट हर साल लगभग 2% शारीरिक काम करने में सक्षम होते गए जो वे पहले नहीं कर सकते थे: 1977 में वे 62% शारीरिक कार्य नहीं कर सकते थे, आज उन्हीं कार्यों में से 24% नहीं कर सकते। क्षमता चक्रवृद्धि से बढ़ी है। लागत उसके पीछे नहीं चली, क्योंकि जो रोबोट डिब्बा उठा सकता है वह फिर भी एक पूँजीगत संपत्ति है जिसके साथ रखरखाव, ऊर्जा, निगरानी और बीमा जुड़े हैं, और उसे ऐसे कर्मचारी से होड़ करनी है जिसे केवल काम किए गए घंटों का पैसा मिलता है।

निष्कर्ष 2: आशावादी स्थिति में भी समयरेखा दशकों की है

पेपर का सबसे दूरगामी योगदान परिदृश्य-विश्लेषण है, क्योंकि वह "रोबोट महँगे हैं" को तारीख़ों में बदल देता है। Bank of Japan की श्रृंखलाओं और अन्य स्रोतों के आधार पर, रोबोट की क़ीमतें 1990 के दशक से लगभग 3% सालाना घटी हैं। यही दर बनी रहे तो अमेरिका के 10% काम के लिए रोबोटों के लागत में प्रतिस्पर्धी बनने में लगभग 40 साल लगते हैं। लागत में 20% की गिरावट, जो ऐतिहासिक दर पर लगभग सात साल में आती है, रोबोटों को लगभग 2.8 मिलियन कर्मचारियों के शारीरिक कार्यों के लिए प्रतिस्पर्धी बना देगी; कुल काम के 10% तक पहुँचने के लिए 70% की गिरावट चाहिए।

तेज़ परिदृश्य जान-बूझकर उदार रखा गया है। गुणवत्ता-समायोजित लागतें इतिहास से चार गुना तक तेज़ी से गिरती हैं, और रोबोट नए कार्य दोगुनी तेज़ी से सीखते हैं। तब भी रोबोट 50% शारीरिक काम के लिए लागत में प्रतिस्पर्धी केवल लगभग 2050 में बनते हैं (ऐतिहासिक रुझान पर 2085), और 90% शारीरिक काम को ऑटोमेट करने में 53 साल लगते हैं। लेखकों का एक वाक्य उद्धृत करने लायक़ है, क्योंकि अर्थशास्त्र के पेपर के हिसाब से वह असामान्य रूप से सीधा है: "Robots would need to sustain record rates of price declines and quality improvements over the coming decades to enable rapid physical automation."

यहाँ साक्ष्य को व्याख्या से अलग रखना चाहिए। ये तारीख़ें पूर्वानुमान नहीं हैं; ये हर कार्य पर एक समान लागू की गई मान्यताओं के परिणाम हैं, जो लेखकों के अनुसार शायद यह नहीं दर्शाते कि रोबोटिक्स कंपनियाँ वास्तव में प्राथमिकताएँ कैसे तय करती हैं। जो फ़र्म अपनी पूरी ताक़त किसी एक उच्च-मूल्य वाले कार्य में लगा दे, जैसे गोदाम में पिकिंग, वह उस कार्य की लागत 3% सालाना से कहीं तेज़ी से घटा सकती है, जबकि बाक़ी अर्थव्यवस्था जहाँ की तहाँ रहे। परिदृश्य जो स्थापित करते हैं वह समस्या का आकार है, उसका सटीक कैलेंडर नहीं: शारीरिक ऑटोमेशन हार्डवेयर के अर्थशास्त्र से संचालित एक लंबी, असमान प्रक्रिया है, जो सॉफ़्टवेयर से भिन्न है, जहाँ एक और कार्य की सीमांत लागत शून्य के क़रीब होती है।

पिछली तकनीक से तुलना इस पाठ का समर्थन करती है। औद्योगिक रोबोटों पर Acemoglu और Restrepo का 2020 का अध्ययन, जो इसी तकनीक की पिछली पीढ़ी थी, पाता है कि 1990 से 2007 के बीच प्रति 1,000 कर्मचारियों पर हर अतिरिक्त रोबोट ने प्रभावित अमेरिकी कम्यूटिंग ज़ोन में रोज़गार-जनसंख्या अनुपात को 0.2 प्रतिशत अंक और मज़दूरी को 0.42% घटाया। वास्तविक, मापने योग्य और धीमा: असर सत्रह वर्षों में उन क्षेत्रों में जमा हुआ जहाँ रोबोट पहले से सबसे सस्ते थे, और कहीं और नहीं।

निष्कर्ष 3: डिजिटल काम की कहानी इसके उलट है

वही शोध समूह दूसरी सीमा को भी मापता है, और यह विरोधाभास इस केस स्टडी का मर्म है। Anthropic का पहले का एक्सपोज़र कार्य और पेपर की अपनी तुलना अमेरिका के लगभग 50% काम को केवल बड़े भाषा मॉडलों की पहुँच में रखती है, और 81% को भाषा मॉडलों या रोबोटों, दोनों को मिलाकर, की पहुँच में। पेशे के अनुसार पैटर्न शिक्षाप्रद है। परिवहन और सामग्री-ढुलाई भाषा मॉडलों के लिए 15% से कम एक्सपोज़्ड है, पर रोबोटों को शामिल करने पर लगभग 90%; ऑफ़िस और प्रशासनिक सहायता पहले से भाषा मॉडलों के लिए बहुत एक्सपोज़्ड है और रोबोटों के साथ लगभग 100% तक पहुँचती है; व्यक्तिगत देखभाल और सेवा कार्य दोनों के तहत लगभग 40% पर है, क्योंकि वह इस तरह अंतर-वैयक्तिक है जिसे कोई भी तकनीक नहीं छूती।

भाषा-मॉडल अनुमानों की वंशावली लंबी है। 2023 में OpenAI और University of Pennsylvania के Tyna Eloundou, Sam Manning, Pamela Mishkin और Daniel Rock ने पाया कि 80% अमेरिकी कर्मचारी ऐसे पेशों में थे जिनके कम से कम 10% कार्य भाषा मॉडलों के लिए एक्सपोज़्ड थे और 19% ऐसे पेशों में जिनके आधे से अधिक कार्य एक्सपोज़्ड थे, जिनमें लेखन, प्रोग्रामिंग और डेटा विश्लेषण सबसे अधिक एक्सपोज़्ड थे और शारीरिक तथा बाहरी काम सबसे कम। Anthropic Economic Index, जो अनाम Claude बातचीत को O*NET कार्यों से जोड़ता है, दिखाता है कि लोग इन उपकरणों के साथ वास्तव में क्या करते हैं: 2026 की रिपोर्टों में ऑग्मेंटेशन ऑटोमेशन से थोड़ा आगे रहा, 52% बनाम 45%, और उपयोग में विविधता आई, नवंबर 2025 से फ़रवरी 2026 के बीच सबसे आम दस कार्य बातचीत के 24% से घटकर 19% रह गए। Index यह भी बताता है कि प्रति व्यक्ति GDP में 1% की वृद्धि प्रति व्यक्ति उपयोग में 0.7% की वृद्धि से जुड़ी है, जो याद दिलाती है कि अपनाया जाना संपन्नता के पीछे चलता है।

एक्सपोज़र विस्थापन बन चुका है या नहीं, इसका उत्तर पेरोल डेटा सावधानी से देता है। Stanford की Digital Economy Lab के Erik Brynjolfsson, Bharat Chandar और Ruyu Chen ने 25 मिलियन से अधिक अमेरिकी कर्मचारियों के ADP रिकॉर्ड का उपयोग करके 2025 में बताया कि सबसे अधिक AI-एक्सपोज़्ड पेशों में करियर की शुरुआत वाले कर्मचारियों के रोज़गार में सापेक्ष गिरावट आई, जबकि उन्हीं नौकरियों के अनुभवी कर्मचारियों में नहीं। उनका अगस्त 2026 का संशोधन, जिसमें साल के मध्य तक का डेटा है, इन पेशों में 22 से 25 वर्ष के लोगों का रोज़गार उस स्तर से लगभग 19% नीचे बताता है जहाँ वह कम एक्सपोज़्ड समकक्षों के पीछे चलने पर होता, और यह समायोजन वेतन के बजाय भर्ती के ज़रिए हो रहा है और वहाँ केंद्रित है जहाँ AI ऑग्मेंट करने के बजाय ऑटोमेट करता है। साथ ही, Anthropic के अपने अर्थशास्त्री Maxim Massenkoff और Peter McCrory, जैसा कि 1 अक्टूबर को Yahoo Finance ने रिपोर्ट किया, 2022 के अंत से अत्यधिक एक्सपोज़्ड कर्मचारियों की बेरोज़गारी में कोई व्यवस्थित वृद्धि नहीं पाते, और Anthropic के मुख्य कार्यकारी Dario Amodei की यह चेतावनी कि AI आधी एंट्री-लेवल व्हाइट-कॉलर नौकरियाँ हटा सकता है, अब तक के डेटा पर, एक चेतावनी ही है, अवलोकन नहीं।

ईमानदार निष्कर्ष यह है। AI की मौजूदा लहर का पहला मापने योग्य श्रम-बाज़ार प्रभाव गोदाम का रोबोट नहीं है; वह ऑफ़िस में न की गई ग्रेजुएट भर्ती है। शारीरिक काम को अर्थशास्त्र बचाता है; डेस्क का काम नहीं।

निष्कर्ष 4: कौन एक्सपोज़्ड है, और बाक़ी को क्या रोकता है

रोबोट-एक्सपोज़्ड काम की जनसांख्यिकीय रूपरेखा वह निष्कर्ष है जिसे नीति को आकार देना चाहिए। अनएक्सपोज़्ड पेशों के कर्मचारियों की तुलना में, अत्यधिक एक्सपोज़्ड पेशों में महिलाएँ होने की संभावना 20 प्रतिशत अंक कम है, हिस्पैनिक होने की संभावना 16 अंक अधिक, बैचलर डिग्री होने की संभावना 55 अंक कम, उन्हें प्रति घंटा लगभग $30 कम मिलता है, और उनके बेरोज़गार होने की संभावना दोगुने से अधिक है। उनके वज़न उठाने, अत्यधिक गर्मी में या ख़तरनाक पदार्थों के पास काम करने की संभावना भी कहीं अधिक है। जो कार्य रोबोट पहले से कर सकते हैं वे अनुपात से अधिक कठिन, ख़तरनाक और कम वेतन वाले हैं, जो उन्हें ऑटोमेट करने का सबसे मज़बूत तर्क भी है और यह कारण भी कि बदलाव अप्रबंधित रहा तो चोट पहुँचेगी।

बाक़ी को जो रोकता है वह भी उतना ही विशिष्ट है। जो शारीरिक कार्य रोबोट अभी नहीं कर सकते उनमें से लगभग 70% क्षमता से सीमित हैं, और उनमें से लगभग आधे हेरफेर और हाथ की कुशलता से: बालों में रंग लगाना, दबे पाइपों के आसपास हाथ से खुदाई, मचान खड़ा करना, तारों की उलझन सुलझाना। योजना और तर्क की कमियाँ 8% का कारण हैं। नियमन 14% शारीरिक कार्यों को रोकता है और इंसानी पसंद 25% को, और दोनों मिलकर उस अधिकांश काम को ढकते हैं जहाँ रोबोट कारख़ाने में सहन किया जाएगा पर शयनकक्ष या कक्षा में नहीं। पेपर के दो पेशे दिखाते हैं कि एक ही नौकरी के भीतर तस्वीर कितनी मिली-जुली है: ड्राईवॉल टेपर का एक्सपोज़र इंडेक्स पर स्कोर 1.6 है, जिसमें उनका 41% समय स्वायत्त स्प्रे रोबोट के लिए एक्सपोज़्ड है और 26% अनएक्सपोज़्ड, क्योंकि गंदा फ़िनिशिंग का काम उसके बस से बाहर है; रीसाइक्लिंग सॉर्टर का स्कोर 1.7 है, जिनका 75% से अधिक समय कन्वेयर बेल्ट पर कंप्यूटर-विज़न ग्रिपर के लिए एक्सपोज़्ड है और केवल 8% अनएक्सपोज़्ड।

लेखकों का सार वही है जिसे हर कारीगर को याद रखना चाहिए: अनएक्सपोज़्ड काम "highly interpersonal or requires physical skills that robots today don't have" है, और "if the past is any guide, taxi drivers and warehouse packers will see changes sooner than nurses and mechanics"।

तंत्र: पैटर्न ऐसा क्यों दिखता है

चार तंत्र निष्कर्षों की व्याख्या करते हैं और आगे क्या होगा, इसका अनुमान देते हैं।

तैनाती का फ़ैसला कार्य नहीं, वातावरण करते हैं। चार-स्तरीय पैमाना पेपर की ख़ामोश अंतर्दृष्टि है। जो रोबोट कारख़ाने की लाइन पर बेदाग़ वेल्डिंग करता है (E1) वह घर के एक्सटेंशन पर बेकार है, जहाँ हर कड़ी पिछली से थोड़ी अलग दूरी पर होती है। अधिकांश शारीरिक अर्थव्यवस्था, और लगभग सारी कारीगरी के पेशे, E3 परिस्थितियों में होते हैं: असंरचित, तात्कालिक, लोगों के आसपास। रोबोटों ने E1 जीत लिया है और E2 में आगे बढ़ रहे हैं; पचास साल बाद E3 में 1% कार्य हैं।

हार्डवेयर का अर्थशास्त्र सॉफ़्टवेयर का अर्थशास्त्र नहीं है। भाषा मॉडल, एक बार प्रशिक्षित होने के बाद, अपना अगला कार्य शून्य के क़रीब लागत पर करता है, इसीलिए डेस्क के काम में एक्सपोज़र कुछ ही वर्षों में विस्थापन बन गया। रोबोट एक घिसने वाली संपत्ति है जिसे हर उस साइट के लिए ख़रीदना, स्थापित करना, बीमा कराना, रखरखाव करना, बिजली देना और देखरेख करना पड़ता है जहाँ वह काम करता है। 3% की वार्षिक क़ीमत गिरावट उसी अंतर का हस्ताक्षर है, और पेपर के परिदृश्य दिखाते हैं कि चार गुना तेज़ी भी उस दशक को कितना कम बदलती है जिसमें समानता आती है।

क्षमता चक्रवृद्धि से बढ़ती है, पर डेटा के ज़रिए। रोबोट हर साल लगभग 2% शारीरिक काम हासिल करते हैं, और बचे कार्यों का वह आधा हिस्सा जिसमें हाथ की कुशलता चाहिए, ठीक वही है जिसके लिए प्रशिक्षण डेटा सबसे दुर्लभ है। मॉडल लिखित वेब से लिखना सीखता है; प्लंबर के हाथों का कोई समतुल्य कॉर्पस नहीं है। बचे 24% पर प्रगति असली जगहों पर, उन लोगों के साथ जो वह काम करते हैं, असली काम को दर्ज करने पर निर्भर है, जो स्वभाव से धीमा है और सहमति तथा स्वामित्व के वे प्रश्न उठाता है जिनका सामना सॉफ़्टवेयर की लहर ने कभी नहीं किया।

पसंद और नियम एक फ़र्श हैं, देरी नहीं। पसंद से सीमित 25% और नियमन से सीमित 14% कार्य किसी बेहतर रोबोट की प्रतीक्षा में नहीं हैं। मरीज़ की इस बात की तैयारी कि मशीन उसे उठाए, स्वायत्त वाहनों पर परिषद के नियम, और ग्राहक की यह इच्छा कि रसोई लगाने वाले व्यक्ति से ही बात करे, ये सब राजनीतिक और सांस्कृतिक समय-सीमाओं पर बदलते हैं, इसीलिए लेखक इन्हें क्षमता और लागत से अलग मानते हैं।

संशयवादी को इनके साथ तीन वैकल्पिक व्याख्याएँ भी रखनी चाहिए। एक्सपोज़र रेटिंग एक मॉडल देता है जो संक्षिप्त कार्य-विवरण पढ़ता है, जो, जैसा कि लेखक कहते हैं, "omit details that may be easy for humans but hard for robots", इसलिए कार्य-स्तर पर क्षमता बढ़ा-चढ़ाकर आँकी गई हो सकती है, भले ही पूरे पेशे के लिए कम आँकी गई हो। लागत अनुमान ऐसे बाज़ार के अनुमान हैं जिसमें सार्वजनिक क़ीमतें कम हैं; अगस्त 2026 के एक ह्यूमनॉइड मूल्य सर्वेक्षण ने पाया कि 58 व्यावसायिक ह्यूमनॉइड में से केवल 12 की कोई सत्यापित क़ीमत थी। और परिदृश्य हर कार्य के लिए एक जैसी गिरावट मानते हैं; सामान्य-उद्देश्य हेरफेर में कोई सफलता, जिस पर Nvidia और Tesla दाँव लगा रहे हैं, लेखकों के शब्दों में "leapfrog our scale" कर सकती है। तारीख़ें आकार में मज़बूत हैं और ब्योरे में नरम।

उद्योग की प्रतिक्रिया

प्रतिक्रिया उसी रेखा पर बँटी जो पेपर खींचता है। हार्डवेयर खेमे में, Nvidia के मुख्य कार्यकारी Jensen Huang ने जनवरी 2026 में CES में रोबोटिक्स के लिए "ChatGPT moment" की भविष्यवाणी की थी, और Elon Musk ने कहा है कि Tesla का Optimus ह्यूमनॉइड जल्द से जल्द 2027 में बिक्री पर आएगा और बड़े पैमाने पर दीर्घकालिक लक्ष्य क़ीमत $20,000 से कम होगी, हालाँकि कोई आधिकारिक क़ीमत मौजूद नहीं है; Morgan Stanley का 2025 का आउटलुक 2050 तक ह्यूमनॉइड बाज़ार को $5 ट्रिलियन से ऊपर रखता है, जिसमें 2030 के दशक के उत्तरार्ध से अपनाए जाने की गति बढ़ती है। Yahoo Finance ने Anthropic के पेपर को 2 अक्टूबर को उस प्रक्षेपण के रूप में पेश किया जिसकी परीक्षा ये दाँव लेंगे। बाज़ार में आने की वास्तविकता अधिक संयत है: Unitree का G1 $13,500 पर सूचीबद्ध है और कंपनी ने 2025 में 5,500 से अधिक ह्यूमनॉइड भेजे, जो सभी प्रतिद्वंद्वियों के कुल से अधिक है; Agility का Digit, जो अमेरिकी गोदामों में सबसे अधिक तैनात ह्यूमनॉइड है, प्रति यूनिट $250,000 से ऊपर या सेवा के रूप में लगभग $8,500 प्रति माह पर है; $39 billion मूल्यांकन वाली Figure बिना सार्वजनिक क़ीमत के उद्यमों को बेचती है।

अर्थशास्त्रियों ने अधिकांशतः समयरेखा स्वीकार की। Apollo के मुख्य अर्थशास्त्री Torsten Sløk ने, Yahoo Finance द्वारा उद्धृत, कहा कि आक्रामक प्रक्षेपणों के तहत भी व्यापक शारीरिक विस्थापन में दशक लगेंगे, और उन्होंने बारीक हेरफेर, नियमन और पसंद की अड़चनों का हवाला दिया। तीखी बहस डिजिटल पक्ष पर है, जहाँ Stanford का पेरोल साक्ष्य और Anthropic का अपना बेरोज़गारी विश्लेषण इस पर अलग दिशाओं में इशारा करते हैं कि कितना विस्थापन पहले ही हो चुका है, और जहाँ OpenAI, Anthropic, Google, Microsoft, Manus और Muse के साथ Meta ऐसे एजेंट भेज रहे हैं जो ब्राउज़ करते हैं, फ़ॉर्म भरते हैं और बहु-चरणीय ऑफ़िस कार्य पूरे करते हैं, यानी वह श्रेणी जहाँ एक्सपोज़र सबसे अधिक और लागत सबसे कम है।

इस परिदृश्य में Jobbit की स्थिति एक डिज़ाइन का चुनाव है, पूर्वानुमान नहीं, और पेपर संयोग से उसी का वर्णन करता है। कंपनी का AI एजेंट वह डिजिटल, समीक्षा-योग्य काम संभालता है जिसे साक्ष्य के अनुसार ऑटोमेट करना सस्ता है: रिसर्च, दस्तावेज़, वेबसाइट, ऑटोमेशन, इमेज और किसी काम के आसपास का एडमिन। जब किसी कार्य को हाथों, साइट पर निर्णय या किसी जवाबदेह व्यक्ति की ज़रूरत हो, जो पेपर की संख्याओं के अनुसार दशकों तक अधिकांश शारीरिक काम है, तो काम pro.jobbit.uk पर एक सत्यापित मानव पेशेवर को चला जाता है, जहाँ भुगतान एस्क्रो में रखा जाता है और ग्राहक एजेंट को देख सकता है और किसी भी समय नियंत्रण ले सकता है। Jobbit Labs, कंपनी का शोध प्रभाग, उस धीमी समस्या पर काम करता है जिसे पेपर अपने डेटा अंतर में पहचानता है: असली काम करते लोगों से, सहमति के साथ, वास्तविक दुनिया के कार्य-डेटा को दर्ज करना, ताकि फ़िज़िकल AI के लिए वर्ल्ड मॉडल को प्रशिक्षित और सत्यापित किया जा सके। Jobbit ने इस मॉडल के नतीजों पर कोई ट्रायल डेटा प्रकाशित नहीं किया है और यहाँ ऐसा कोई दावा नहीं करता; दावा संकरा है: जब तक लागत-समानता दशकों दूर है, एजेंट-प्लस-मानव-नेटवर्क वास्तुकला वही है जिसका साक्ष्य समर्थन करता है। इस विभाजन का व्यावहारिक पक्ष 12 Jobs an AI Agent Can Do for Your Business This Week और Should Your Next Hire Be an AI Agent? में दिया गया है, फ़्रीलांस साक्ष्य Do AI Agents Replace Freelancers? में, और कंपनी स्वयं What Is Jobbit? में।

इस साक्ष्य के साथ व्यवसाय को क्या करना चाहिए

साक्ष्य एक ऐसे प्रत्यायोजन नियम का समर्थन करता है जिसे छोटा व्यवसाय बिना किसी रणनीति सलाहकार के लागू कर सकता है।

पहले शारीरिक काम के आसपास की डिजिटल परत को ऑटोमेट करें, क्योंकि वहीं लागत और क्षमता पहले से मिलती हैं। प्लंबर के कोटेशन, इनवॉइस, वेबसाइट, रिव्यू के अनुरोध, सप्लायर रिसर्च और शेड्यूलिंग वही 50% काम हैं जो भाषा मॉडलों के लिए एक्सपोज़्ड हैं; पेपर की अपनी संख्याएँ कहती हैं कि फ़िटिंग, सीलन वाली अलमारी में निदान और मकान मालिक से बातचीत कहीं नहीं जा रहे। अगले दशक में कारीगरी के व्यवसाय का मार्जिन बचाए गए डेस्क घंटों को साइट के ज़्यादा घंटों में लगाने से आता है, किसी रोबोट की प्रतीक्षा से नहीं।

शारीरिक ऑटोमेशन को किसी कार्य पर ख़रीद का फ़ैसला मानें, किसी नौकरी पर कार्यबल का फ़ैसला नहीं। पेपर का लागत मॉडल ही ढाँचा है: रोबोट की पूरी वार्षिक लागत को उस एक कार्य के श्रम के सामने रखें, अपने वातावरण-स्तर में, और समानता केवल E1 और E2 परिस्थितियों में, यानी दोहराव वाली पैकिंग, ढुलाई, वेल्डिंग और छँटाई में, आने वाले वर्षों के लिए अपेक्षित रखें। ग्राहक के घर में होने वाली लगभग हर चीज़ के लिए समानता कैलेंडर पर है ही नहीं।

अनएक्सपोज़्ड मूल के लिए भर्ती और प्रशिक्षण करें। जिन 24% शारीरिक कार्यों को रोबोट नहीं कर सकते और जिन 25% को लोग नहीं चाहते कि रोबोट करें, वे कारीगरी के पेशे का टिकाऊ हिस्सा हैं: हाथ की कुशलता, असंरचित जगहों में निर्णय और मानवीय संबंध। 2030 तक CITB का 206,000 कर्मचारियों का अंतर कहता है कि बाज़ार इनके लिए भुगतान करेगा।

हस्तांतरण पर नज़र रखें, सुर्ख़ियों पर नहीं। किसी भी काम के लिए उपयोगी सवाल यह है कि मशीन को कहाँ रुकना चाहिए और इंसान को कहाँ से शुरू करना चाहिए, और वह रेखा कार्य-दर-कार्य खिसकती है। जो व्यवसाय इसे लिख लेता है, कि एजेंट के आउटपुट की समीक्षा कौन करता है, साइट के काम पर हस्ताक्षर कौन करता है, ग्राहक के प्रति जवाबदेह कौन है, वह विफलताओं के बिना लाभ पाता है।

अंत में, शुरुआती संकेतों को सही जगह पर पढ़ें। पेपर सुझाता है कि शारीरिक व्यवधान के पहले संकेतों के लिए एक्सपोज़्ड पेशों, चालकों और गोदाम के पैकरों, पर नज़र रखी जाए, और पेरोल डेटा कहता है कि डिजिटल व्यवधान ग्रेजुएट भर्ती में पहले से दिख रहा है। दूसरे की योजना अभी बनाएँ और पहले की बाद में।

सीमाएँ और खुले प्रश्न

अध्ययन अमेरिकी, मॉडल-रेटेड और स्थिर है। एक्सपोज़र और लागत रेटिंग Claude के कार्य-विवरण और रोबोटों के बारे में वेब साक्ष्य पढ़ने से आती हैं, जिन्हें इतिहास से जाँचा गया है पर फ़ील्ड ट्रायल से नहीं; मानव विशेषज्ञ पैनल हाथ की कुशलता को अलग तरह से आँक सकता है। लागत अनुमान उधारी की सीमाओं जैसे अपनाए जाने के घर्षणों को छोड़ देते हैं, और परिदृश्य फ़ीडबैक प्रभावों को अलग रखते हैं, जिनमें यह संभावना भी शामिल है कि एक्सपोज़्ड पेशों में गिरती मज़दूरी अपनाए जाने को और धीमा कर दे। पेपर यह नहीं जाँचता कि AI रोबोटों के बिना शारीरिक काम को कैसे बदल सकता है, उदाहरण के लिए प्रेडिक्टिव मेंटेनेंस के ज़रिए, और वह यूके का मॉडल नहीं बनाता, जहाँ ऊर्जा लागत, नियमन और कारीगरी के पेशों की संरचना अलग हैं।

डिजिटल साक्ष्य की अपनी सीमाएँ हैं। पेरोल डेटा एक्सपोज़्ड पेशों में युवा कर्मचारियों का सापेक्ष रोज़गार दिखाता है, कार्य-कारण नहीं, और Stanford के लेखक अपने निष्कर्षों को "no widespread displacement so far" के अनुरूप बताते हैं; Anthropic का बेरोज़गारी विश्लेषण और Stanford का भर्ती विश्लेषण, दोनों अलग-अलग किनारों के बारे में सही हो सकते हैं। एक असिस्टेंट का उपयोग डेटा पूरी अर्थव्यवस्था नहीं है। और ह्यूमनॉइड बाज़ार इतनी तेज़ी से बदल रहा है कि यहाँ उद्धृत हर क़ीमत अक्टूबर 2026 की शुरुआत की एक तस्वीर है।

खुले प्रश्न वही हैं जो अगला दशक तय करेंगे: क्या सामान्य-उद्देश्य हेरफेर 2% सालाना से तेज़ी से सुधरता है जब रोबोट इंजीनियर किए गए प्रदर्शनों के बजाय असली काम से सीखने लगें; क्या नियमन और पसंद के फ़र्श खिसकते हैं; और, जैसा कि लेखक कहते हैं, काम स्वयं कैसे बदलता है, "perhaps becoming more social and interpersonal as robots and AI advance"।

निष्कर्ष

क्या रोबोट ब्लू-कॉलर नौकरियाँ छीन लेंगे? उस तरह नहीं जैसा 47% ने सुझाया था, और किसी ऐसी समय-सारणी पर नहीं जिसके इर्द-गिर्द काम करने वाले कारीगर को योजना बनानी पड़े। Anthropic का अध्ययन दिखाता है कि रोबोट अधिकांश शारीरिक कार्य पहले ही कर सकते हैं और लगभग किसी का ख़र्च नहीं उठा सकते; कि अर्थशास्त्र सालाना कुछ प्रतिशत की रफ़्तार से बंद होता है; और कि रोबोट की रिकॉर्ड-तोड़ प्रगति वाली दुनिया में भी आधा शारीरिक काम 2050 के बाद तक इंसानी हाथों में रहता है। आज जो व्यवधान मापने योग्य है वह डिजिटल काम में है, जहाँ एक्सपोज़र सबसे अधिक है, लागत सबसे कम है और पहले ग्रेजुएट पेरोल से ग़ायब हो चुके हैं। किसी ब्रिटिश कारीगरी के व्यवसाय या छोटे व्यवसाय के लिए साक्ष्य एक ही रणनीति की ओर इशारा करता है: डेस्क को ऑटोमेट करें, हाथों को बचाएँ, और सोच-समझकर तय करें कि एक कहाँ दूसरे को सौंपता है। यही हस्तांतरण वह जगह है जहाँ Jobbit काम करता है, और यह पेपर अब तक का सबसे स्पष्ट कथन है कि जिस अंतर में उसे बनाया गया है, वह लंबे समय तक क्यों रहेगा।

अक्सर पूछे जाने वाले प्रश्न

क्या रोबोट ब्लू-कॉलर कर्मचारियों की जगह ले लेंगे?

Anthropic के सितंबर 2026 के अध्ययन के अनुसार, दशकों तक नहीं। रोबोट अमेरिका के लगभग 74% शारीरिक कार्य पहले ही कर सकते हैं, पर उनमें से केवल 0.3% के लिए कर्मचारी से सस्ते हैं, और रोबोट की क़ीमतों में ऐतिहासिक 3% सालाना गिरावट पर 10% काम पर लागत-समानता तक पहुँचने में लगभग 40 साल लगेंगे। आक्रामक परिदृश्य भी आधे शारीरिक काम को 2050 के बाद रखता है।

कौन से पेशे रोबोटों के सबसे अधिक एक्सपोज़्ड हैं?

वाहन संचालक और गोदाम के पैकर। टैक्सी चालक एक्सपोज़र इंडेक्स में 3 में से 2.2 के साथ शीर्ष पर हैं, सबसे अधिक एक्सपोज़्ड दस पेशों में से नौ चालक हैं, और पैकर तथा पैकेजर सबसे साफ़ उदाहरण हैं जहाँ रोबोट पहले से इंसान से थोड़ा सस्ता है। नर्स, मैकेनिक और अधिकांश कुशल कारीगरी के पेशे दूसरे छोर पर हैं, क्योंकि उनके काम में हाथ की कुशलता, असंरचित जगहों में निर्णय या मानवीय संपर्क चाहिए।

क्या AI व्हाइट-कॉलर नौकरियाँ रोबोटों के शारीरिक नौकरियाँ लेने से तेज़ी से ले रहा है?

शुरुआती साक्ष्य कहते हैं हाँ, एंट्री लेवल पर। 25 मिलियन से अधिक कर्मचारियों के पेरोल रिकॉर्ड का Stanford का विश्लेषण पाता है कि सबसे अधिक AI-एक्सपोज़्ड पेशों में 22 से 25 वर्ष के लोगों का रोज़गार कम एक्सपोज़्ड समकक्षों से लगभग 19% नीचे है, जबकि अनुभवी कर्मचारियों में वैसा कोई बदलाव नहीं, और Anthropic के अर्थशास्त्री कुल मिलाकर एक्सपोज़्ड कर्मचारियों की बेरोज़गारी में कोई व्यवस्थित वृद्धि नहीं पाते। मॉडल के मौजूद होने के बाद डिजिटल कार्यों को ऑटोमेट करने में लगभग कुछ ख़र्च नहीं होता; शारीरिक कार्यों के लिए ऐसा हार्डवेयर चाहिए जो अब भी महँगा है।

कारीगर को ऑटोमेशन के बारे में क्या करना चाहिए?

व्यवसाय के ऑफ़िस वाले हिस्से को ऑटोमेट करें, जहाँ AI पहले से सस्ता और सक्षम है, और उन कौशलों में निवेश करें जिनकी बराबरी रोबोट नहीं कर सकते: हाथ की कुशलता, असंरचित जगहों में निदान और ग्राहक संबंध। CITB के अनुसार अकेले यूके के निर्माण क्षेत्र को 2030 तक 206,000 से अधिक अतिरिक्त कर्मचारी चाहिए, इसलिए कारीगरी के पेशे का मानवीय हिस्सा क़िल्लत में है, अधिशेष में नहीं।

Jobbit किस अंतर के लिए बना है?

स्वचालित डिजिटल काम और मानवीय शारीरिक काम के बीच के हस्तांतरण के लिए। Jobbit का AI एजेंट रिसर्च, दस्तावेज़, वेबसाइट और एडमिन करता है जिन्हें साक्ष्य के अनुसार ऑटोमेट करना सस्ता है, और जिस काम में हाथ, साइट विज़िट या जवाबदेही चाहिए उसे pro.jobbit.uk पर एक सत्यापित पेशेवर को सौंप देता है, भुगतान एस्क्रो में रखा जाता है। Jobbit Labs उस वास्तविक-दुनिया कार्य-डेटा पर काम करता है जिसे अध्ययन फ़िज़िकल AI के लिए छूटी हुई सामग्री के रूप में पहचानता है।