पूंजी ने हमेशा श्रम पर अपनी निर्भरता कम करने की कोशिश की है। AI के साथ नया यह है कि यह project अब cognitive work के उन domains तक गहराई तक फैल गया है जिन्हें mechanise करना मुश्किल रहा था। लंबे समय तक, अत्यधिक असमान परिस्थितियों में भी, पूंजी judgment, interpretation, coordination, writing, coding और analysis से जुड़े कई तरह के कामों के लिए जीवित श्रमिकों पर निर्भर रही। वह निर्भरता महत्वपूर्ण थी। इसने श्रम को एक अवशिष्ट रणनीतिक महत्व दिया। जैसे-जैसे AI systems इन domains में अधिक सक्षम होते जा रहे हैं, वह संतुलन बदलना शुरू हो जाता है। श्रम गायब नहीं होता, लेकिन उत्पादन के भीतर इसे एक धीमे और अधिक प्रतिबंधात्मक तत्व के रूप में तेजी से पुनर्गठित किया जा रहा है।
AI का उभरता हुआ महत्व यही है।
यहां तर्क यह नहीं है कि मानव श्रम रातोंरात गायब हो जाता है। न ही यह कि हर benchmark result को तत्काल नौकरी के विनाश के प्रमाण के रूप में पढ़ा जाना चाहिए। बात अधिक structural है। जो बदल रहा है वह पूंजी और श्रम के बीच निर्भरता का संतुलन है। capitalism के शुरुआती चरणों में, firms श्रम को mechanise, fragment और discipline कर सकते थे, लेकिन वे फिर भी cognitive, interpretive, coordinative और communicative tasks की एक विस्तृत श्रृंखला के लिए जीवित श्रमिकों पर निर्भर रहते थे। वह निर्भरता महत्वपूर्ण थी। इसने श्रम को एक अवशिष्ट रणनीतिक महत्व दिया, यहां तक कि अत्यधिक असमान परिस्थितियों में भी। AI इस terrain को बदल देता है क्योंकि यह उन domains में उस निर्भरता को कम करने का एक रास्ता खोलता है — आंशिक, असमान, लेकिन तेजी से वास्तविक — जहां मानव intelligence को पहले bypass करना मुश्किल रहा था।
यहीं पर श्रम को bottleneck के रूप में देखने की भाषा उपयोगी हो जाती है, न कि तकनीकी प्रगति के उत्सव के रूप में, बल्कि यह बताने के तरीके के रूप में कि पूंजी नई परिस्थितियों में श्रम को कैसे देखना शुरू करती है। एक बार जब machine intelligence coding, writing, research, analysis और routine decision support में पर्याप्त रूप से सक्षम हो जाती है, तो मानव श्रमिक workflow के उस हिस्से के रूप में तेजी से दिखाई देता है जो धीमा, अधिक महंगा, अधिक परिवर्तनशील और कम scalable है। इसका मतलब यह नहीं है कि मानव श्रम को तुरंत हटा दिया जाता है। इसका मतलब है कि इसे पुनर्गठित किया जाता है।
AI पहले श्रम को खत्म नहीं करता। यह उसे संकीर्ण करता है और उसकी स्थिति बदलता है।
कई कार्यस्थलों में AI का पहला प्रभाव पूर्ण substitution नहीं है। यह श्रम का अधिक residual रूपों में पुनर्गठन है। अब काम का एक बढ़ता हुआ हिस्सा एक पहचानने योग्य sequence का पालन करता है: एक मानव prompt देता है, एक AI system output generate करता है या एक task करता है, और मानव परिणाम की समीक्षा करता है, उसे approve करता है, ठीक करता है, या reject करता है। यह pattern पहले से ही software development, writing, design, customer support, administrative work, legal drafting और research assistance में दिखाई दे रहा है। श्रमिक loop में रहता है, लेकिन तेजी से machine output के supervisor के रूप में, न कि उसके प्राथमिक producer के रूप में।
यह महत्वपूर्ण है क्योंकि यह काम के content को ही बदल देता है। मानव श्रम oversight, verification और exception handling में केंद्रित हो जाता है। श्रमिक को प्रक्रिया के उन हिस्सों के लिए बनाए रखा जाता है जिन्हें machine अभी भी असमान रूप से संभालती है, या उन हिस्सों के लिए जिनके लिए firms अभी भी एक मानव को औपचारिक रूप से जिम्मेदार बनाना चाहते हैं। इसका परिणाम एक नए प्रकार का narrowing है। श्रमिक गायब नहीं होता, बल्कि उसे उस चीज़ में reposition किया जाता है जिसे हम residual labour कह सकते हैं: वह श्रम जो आवश्यक तो रहता है, लेकिन बदली हुई और अक्सर कमजोर शर्तों पर।
यह बदलाव पहले से ही उस तरीके में दिखाई दे रहा है जिस तरह से firms और developers AI systems के बारे में बात करते हैं। समस्या को तेजी से इस रूप में नहीं देखा जा रहा है कि क्या एक model पर्याप्त output produce कर सकता है, बल्कि इस रूप में कि क्या मानव उस output की पर्याप्त तेजी से समीक्षा और validate कर सकते हैं। दूसरे शब्दों में, bottleneck हिलना शुरू हो जाता है। यह अब केवल text, code या analysis generate करने में नहीं रहता। यह मानव approval, quality control, compliance और responsibility में निहित है। यही कारण है कि “human-in-the-loop” model enterprise settings में फैल रहा है। machine अधिक production करती है; मानव को verifier, approver और downstream risk के वाहक के रूप में reposition किया जाता है।
क्षमता वृद्धि की गति राजनीतिक रूप से महत्वपूर्ण है
इस बदलाव का महत्व frontier model development की गति से और बढ़ जाता है। सबसे मजबूत models अब दशकों में नहीं, बल्कि महीनों में मापी जाने वाली cycle पर update किए जाते हैं। coding, tool use, long-context reasoning, multimodal processing और task orchestration में क्षमताएं इतनी तेजी से आगे बढ़ी हैं कि labour institutions के प्रतिक्रिया देने का समय मिलने से पहले ही production decisions को बदल दिया है। SWE-bench जैसे अधिक demanding coding evaluations से पता चलता है कि frontier systems अब केवल toy examples या isolated function completion के स्तर पर काम नहीं कर रहे हैं। वे कुछ domains में workflow design और staffing expectations को बदलने के लिए पहले से ही पर्याप्त सक्षम हैं।
बात यह नहीं है कि benchmark scores सीधे नौकरी के नुकसान में बदलते हैं। वे नहीं बदलते। लेकिन वे महत्वपूर्ण हैं क्योंकि वे practical competence की एक threshold का संकेत देते हैं। एक बार जब AI systems first-pass cognitive work का एक बड़ा हिस्सा करने के लिए पर्याप्त अच्छे हो जाते हैं, तो firms को श्रम की मांग बदलने के लिए पूर्ण automation की आवश्यकता नहीं होती। उन्हें routine drafting, coding, searching, organising और analysis के लिए श्रमिकों पर अपनी निर्भरता कम करने के लिए केवल पर्याप्त machine competence की आवश्यकता होती है। केवल यही entry-level work को कम करने, training pathways को संपीड़ित करने और उन लोगों के लिए output expectations को तेज करने के लिए पर्याप्त है जो बने रहते हैं।
यहीं पर temporal asymmetry राजनीतिक रूप से महत्वपूर्ण हो जाती है। मानव quarterly model updates की गति से अपने knowledge base, skills और adaptive capacity का विस्तार नहीं कर सकते। श्रमिक तेजी से बदलती model capabilities के साथ तालमेल बिठाने के लिए हर कुछ महीनों में re-skill नहीं कर सकते। Unions, regulatory institutions, education systems और professional norms और भी धीरे चलते हैं। पूंजी, इसके विपरीत, अपनी productive systems को machine speed पर upgrade कर सकती है, जब तक कि infrastructure, investment और ownership मौजूद हैं। इसका परिणाम एक बढ़ता हुआ mismatch है: machine capability तेज होती है, जबकि इन परिवर्तनों को समझने, उनका विरोध करने और उनके चारों ओर पुनर्गठित होने की श्रम की क्षमता सामाजिक और संस्थागत रूप से विलंबित रहती है।
मार्क्स यह स्पष्ट करने में मदद करते हैं कि ऐतिहासिक रूप से नया क्या है
मार्क्स का machinery का विश्लेषण यहां उपयोगी बना हुआ है क्योंकि यह कभी केवल मांसपेशियों को धातु से बदलने के बारे में नहीं था। गहरा मुद्दा हमेशा पूंजी का जीवित श्रम पर अपनी निर्भरता कम करने का प्रयास रहा है, जबकि श्रम प्रक्रिया पर नियंत्रण बढ़ाना भी। Machinery महत्वपूर्ण थी क्योंकि इसने पूंजी के स्वामित्व वाले रूपों में क्षमता को objectify किया और श्रमिकों को उनके लिए बाहरी चीज़ के रूप में सामना किया। AI इस logic को उन domains तक फैलाता है जो मानव cognition पर अधिक stubbornly निर्भर रहे थे।
यदि industrial machinery ने physical effort को mechanise किया, और digital platforms ने algorithmic management के माध्यम से fragmented labour को पुनर्गठित किया, तो AI agents स्वयं cognitive labour के कुछ हिस्सों को mechanise करना शुरू कर देते हैं। ऐतिहासिक रूप से महत्वपूर्ण केवल यह नहीं है कि AI “smart” है। यह है कि पूंजी के पास अब intelligence का एक तेजी से सक्षम, पूंजी-स्वामित्व वाला, non-agentic form है जो कई tasks को कर सकता है जिनके लिए वह पहले श्रमिकों पर निर्भर थी। श्रम के पास agency है। यह विरोध कर सकता है, मना कर सकता है, संगठित हो सकता है, सौदेबाजी कर सकता है, धीमा हो सकता है, या वापस ले सकता है। AI systems इनमें से कोई भी काम नहीं करते। उनके अपने हित नहीं होते। वे पूंजी के स्वामित्व और निर्देशन वाले productive systems हैं।
वह distinction केंद्रीय है। मुद्दा abstract में intelligence नहीं है। यह agency के बिना intelligence है। पूंजी के दृष्टिकोण से, यही ठीक वही है जो AI को इतना आकर्षक बनाता है। एक श्रमिक असुविधाजनक हो सकता है क्योंकि वह wages की मांग करता है, control का विरोध करता है, आराम की जरूरत होती है, धीरे सीखता है, और authority को चुनौती दे सकता है। एक model ऐसा नहीं करता। इसे केंद्रीय रूप से update किया जा सकता है, सस्ते में replicate किया जा सकता है, और लगातार deploy किया जा सकता है। इसका मतलब यह नहीं है कि पूंजी श्रमिकों को पूरी तरह से dispense कर सकती है। इसका मतलब है कि अधिक से अधिक क्षेत्रों में, पूंजी उन पर अपनी निर्भरता की degree को कम करना शुरू कर सकती है।
यह श्रम के leverage को बदल देता है।
पहले प्रभाव शांत हो सकते हैं, लेकिन वे वास्तविक हैं
यही कारण है कि labour-market के प्रमाण महत्वपूर्ण हैं, भले ही वे आंशिक बने रहें। अब तक का सबसे महत्वपूर्ण signal जरूरी नहीं कि mass unemployment हो। यह entry pathways का शांत deterioration है। Anthropic के labour-market analysis सहित हालिया शोध से पता चलता है कि अधिक AI-exposed occupations में युवा श्रमिकों को धीमी hiring का सामना करना पड़ रहा है, भले ही कुल unemployment effects कम रहे हों। यह महत्वपूर्ण है क्योंकि labour markets केवल दृश्यमान layoffs के माध्यम से ही deteriorate नहीं होते। वे तब भी deteriorate होते हैं जब कम नए श्रमिकों को लाया जाता है, जब skill ladders संकीर्ण होते हैं, और जब professions औपचारिक रूप से बरकरार रहते हुए भी भौतिक रूप से प्रवेश करना कठिन हो जाते हैं।
वह pattern विशेष रूप से cognitive और computer-mediated work के लिए महत्वपूर्ण है। यदि AI junior coding, drafting, research support, administrative या analytical labour के बढ़ते हिस्सों को absorb करता है, तो पहली casualties वे training grounds हो सकते हैं जिनके माध्यम से श्रमिक कभी कुशल बनते थे। यह एक कारण है कि bottleneck समस्या केवल productivity के बारे में नहीं है। यह काम में सामाजिक pathways के सिकुड़ने के बारे में है।
AI की global political economy इसे और भी तीव्र बनाती है। ILO–World Bank के काम से पता चलता है कि developing economies को productivity gains से पहले disruption का सामना करना पड़ सकता है, खासकर जहां digital divides और task structures AI adoption के लाभों को सीमित करते हैं। ऐसे संदर्भों में, AI के प्रति vulnerable jobs में ठीक वही अपेक्षाकृत बेहतर white-collar या administrative roles शामिल हो सकते हैं जिन्होंने अधिक स्थिर employment के pathways के रूप में काम किया है। इसका परिणाम एक प्रकार का white-collar bypass हो सकता है: disruption जल्दी आता है, जबकि productivity gains असमान और केंद्रित रहते हैं।
मानव बना रहता है, लेकिन अधिक अधीनस्थ शर्तों पर
इन सभी कारणों से, सबसे plausible निकट-अवधि का outcome श्रम के बिना दुनिया नहीं है। यह एक ऐसी दुनिया है जिसमें मानव श्रम तेजी से संकीर्ण भूमिकाओं में जीवित रहता है: prompt-giving, monitoring, verification, exception handling और responsibility-bearing। यह काम को कम substantial महसूस करा सकता है, भले ही श्रमिक औपचारिक रूप से कार्यरत रहें। यह control को भी तेज कर सकता है। यदि output तेजी से machine-generated है, तो श्रमिक को सीधे उसके द्वारा उत्पादित चीज़ों से कम और machine output को कितनी तेजी से validate, edit या manage करता है, उससे अधिक आंका जा सकता है। इसका परिणाम एक labour process है जो त्वरित और पतली दोनों है।
यही कारण है कि bottleneck की भाषा को गंभीरता से लिया जाना चाहिए, लेकिन शाब्दिक रूप से नहीं। मानव एक प्राकृतिक bottleneck नहीं है। श्रम machine-paced cognition, centralised updating और पूंजी-स्वामित्व वाली intelligence के चारों ओर पुनर्गठित एक production system के सापेक्ष एक bottleneck बन जाता है। तुलना neutral नहीं है। यह एक labour regime को दर्शाता है जिसमें गति, scalability और cost minimisation को अन्य सभी चीजों से ऊपर विशेषाधिकार दिया जाता है।
यही राजनीतिक बात है। AI केवल कार्यस्थल में एक नई technology का परिचय नहीं देता। यह पूंजी और श्रम के बीच निर्भरता की structure को बदलता है। यह उन tasks की सीमा को कम करके श्रम की strategic position को कमजोर करता है जिनके लिए पूंजी को जीवित श्रमिकों पर निर्भर रहना पड़ता है, जबकि responsibility, compliance और failure के management के लिए मनुष्यों को अभी भी बनाए रखता है। उस arrangement में, श्रम मौजूद रहता है, लेकिन तेजी से residual labour के रूप में।
तो, खतरा केवल यह नहीं है कि नौकरियां गायब हो जाती हैं। यह है कि श्रमिकों को अधिक subordinate terms पर बनाए रखा जाता है: कम autonomous, कम indispensable, और उस प्रक्रिया का contest करने में कम सक्षम जो उनके काम को व्यवस्थित करती है। यदि AI-mediated production इसी दिशा में बढ़ रहा है, तो असली सवाल यह नहीं है कि क्या श्रम intelligent machines के युग में जीवित रहता है। यह है कि किस तरह का श्रम जीवित रहता है — और कितनी शक्ति के साथ।
अभिनव कुमार platform labour, AI और labour, और technology की political economy पर काम करने वाले एक शोधकर्ता हैं, जिनका ध्यान भारत और Global South पर है। CISLS, JNU में उनके PhD शोध ने digital labour platforms और दिल्ली में Zomato श्रमिकों का अध्ययन किया।