2026 সালের দ্বিতীয় প্রান্তিকে যুক্তরাষ্ট্রের কর্মরত প্রাপ্তবয়স্কদের প্রায় প্রতি পাঁচজনে দুজন বলেছিলেন, আগের সপ্তাহে কাজে generative AI ব্যবহার করেছেন। তবু সব কর্মরত প্রাপ্তবয়স্কের কাজের সময়ের মাত্র 6.3%-এ AI সহায়তা করেছে বলে জানানো হয়, জাতীয় জরিপের tracker-এ, যা St. Louis Fed, Vanderbilt এবং Harvard-এর গবেষকেরা তৈরি করেছেন। প্রথম সংখ্যাটি মানুষ গোনে; দ্বিতীয়টি তাদের সময়। কোনোটিই বলে না কাজের মান কেমন ছিল, কোনো প্রতিষ্ঠান বেশি আয় করেছে কি না, কিংবা কোনো চাকরি বিলুপ্ত হয়েছে কি না।

কোড-লেখকদের মতো তীব্রভাবে কর্মক্ষেত্রের বাকি অংশও AI ব্যবহার করবে কি না—এ প্রশ্নে এই পার্থক্যগুলো গুরুত্বপূর্ণ। platform-এর record-এ আইনি সেবা, বিক্রয় ও বিপণনসহ আরও ক্ষেত্রে পরীক্ষা-নিরীক্ষা দেখা যায়। পরীক্ষায় কিছু noncoding কাজে প্রকৃত উন্নতিও পাওয়া গেছে। আবার দেখা গেছে, শুধু access দিলেই তেমন পরিবর্তন নাও হতে পারে এবং পরিপাটি উত্তরও ভুল হতে পারে।

মূল পরিবর্তন

  • কী বদলেছে: AI vendor-রা এখন ব্যবসার আরও বিভাগে নিয়মিত ব্যবহার ও agent-এর কার্যকলাপ জানাচ্ছে; স্বাধীন জরিপে যুক্তরাষ্ট্রের কর্মীদের মধ্যে সপ্তাহে AI ব্যবহারের বিস্তারও দেখা যাচ্ছে।
  • কেন গুরুত্বপূর্ণ: tools বিদ্যমান workflow-এ মানিয়ে গেলে ব্যবহার ছড়ায়, কিন্তু লাভ নির্ভর করে কাজের প্রেক্ষাপট ও যাচাইয়ের ওপর। ক্রেতা ও কর্মীদের adoption-এর সংখ্যার পাশাপাশি ফলাফলের মাপকাঠিও দরকার।
  • কী নজরে রাখবেন: বারবার একই কাজে ব্যবহার, যাচাই করা output-এর গুণমান এবং কোডিংয়ের বাইরের নিট লাভ। অন্য পেশা কখন কোডিংয়ের ব্যবহার-স্তরে পৌঁছাবে বা কর্মসংস্থানে কী ঘটবে—বর্তমান প্রমাণ তা প্রতিষ্ঠা করে না।

সংখ্যাগুলো ভিন্ন ভিন্ন বিষয় মাপে

এই Real-Time Population Survey-তে যুক্তরাষ্ট্রের 18 থেকে 64 বছর বয়সী প্রাপ্তবয়স্কদের একটি জাতীয় প্রতিনিধিত্বশীল online sample-কে কর্মক্ষেত্রে AI ব্যবহারের বিষয়ে জিজ্ঞাসা করা হয়। আগের সপ্তাহে AI ব্যবহারের হার 2024 সালের তৃতীয় প্রান্তিকের 28.2% থেকে 2026 সালের দ্বিতীয় প্রান্তিকে 39.2%-এ উঠেছে। সব কাজের সময়ের মধ্যে AI সহায়তায় করা সময়ের আনুমানিক ভাগ 4.1% থেকে বেড়ে 6.3% হয়েছে। সর্বশেষ প্রান্তিকে উত্তরদাতারা আরও অনুমান করেছেন, AI তাঁদের মোট কাজের সময়ের 2.2% বাঁচিয়েছে। শেষ সংখ্যাটি স্মৃতি থেকে বলা সময়-সাশ্রয়, পর্যবেক্ষণ করা উৎপাদনশীলতা বা আয়বৃদ্ধি নয়।

OpenAI অন্য বিষয় দেখে: তাদের নিজস্ব enterprise customer-দের মধ্যে কার্যকলাপ। তাদের August Enterprise Signals report বলছে, 2026 সালের ফেব্রুয়ারি থেকে জুনে legal-এ সাপ্তাহিক সক্রিয় Codex ব্যবহারকারী 108 গুণ, sales ও recruiting-এ 41 গুণ এবং marketing-এ 26 গুণ বেড়েছে; engineering-এ বেড়েছে 5 গুণ। শুরুর সংখ্যা প্রকাশ করা হয়নি, তাই এ হার দিয়ে কতজন lawyer ও engineer AI ব্যবহার করেন, বা কোনো পেশার কাজের কত ভাগ AI করে—তা তুলনা করা যায় না। জুনে enterprise customer-দের Codex ও ChatGPT মিলিয়ে মোট output token-এর 64% Codex তৈরি করেছে। দীর্ঘ agent run-এ token বেশি লাগে; token-এর ভাগ কর্মীর অনুপাতও নয়, মূল্যের মাপও নয়। OpenAI এই পণ্য বিক্রি করে এবং এগুলোর বিস্তার দেখানোর বাণিজ্যিক স্বার্থ রয়েছে।

OpenAI-র আলাদা 800,000-এর বেশি US ChatGPT message নিয়ে গবেষণা, জুলাইয়ে প্রকাশিত, কাজ-সম্পর্কিত message-এর 16.8%-কে ব্যবহারকারীর নিজের পেশার বাইরের কোনো পেশার সঙ্গে যুক্ত কাজ হিসেবে শ্রেণিবদ্ধ করেছে। পেশার সঙ্গে মেলানোর মতো যথেষ্ট নির্দিষ্ট message-গুলোর মধ্যে ভাগটি ছিল 43.5%। সেপ্টেম্বরের অনুসরণী গবেষণায় দেখা গেছে, কিছু কর্মী পরের মাসেও এমন কাজে ফিরেছেন। এগুলো নমুনায় থাকা ব্যবহারকারীদের message-এর ভাগ; onboarding-এ দেওয়া ব্যবসা-সংক্রান্ত তথ্য থেকে তাঁদের পেশা অনুমান করা হয়েছে। মানুষ কী কাজের অনুরোধ করে এবং পরে আবার করে, এগুলো তা দেখায়; কাজটি সম্পন্ন হয়েছে বা চাকরি বদলেছে—তা নয়।

Anthropic-এর June Economic Index-ও vendor-এর নিজস্ব service-এ কার্যকলাপ পরীক্ষা করে। সূক্ষ্ম নমুনা কর্মদিবসের ধরন ধরে এবং chat, Cowork ও first-party API ব্যবহার আলাদা করে। এর সঙ্গে থাকা জরিপে অন্তত পাঁচটি session করা প্রায় 9,700 Claude উত্তরদাতার ব্যবহার যুক্ত করা হয়েছে। Anthropic সতর্ক করেছে, তাঁরা কর্মশক্তির প্রতিনিধিত্বশীল নন: উত্তরদাতাদের প্রায় 30% computer ও mathematical পেশার, অথচ যুক্তরাষ্ট্রের কর্মসংস্থানে এ পেশার ভাগ প্রায় 4%। শারীরিক শ্রমের পেশাগুলোও কম প্রতিনিধিত্ব পেয়েছে। এর আগের March index বলেছিল, ফেব্রুয়ারিতে Claude.ai কথোপকথনের 35% computer ও mathematical কাজ নিয়ে ছিল। এটি একটি পণ্যের কথোপকথনের ভাগ; AI ব্যবহারকারী developer-দের ভাগ নয়, আর coding-এর কিছু কাজ তখন API-তেও যাচ্ছিল। vendor-এর traffic একটি platform-এ কাজের ধরন ও ব্যবহারের ঘনত্ব দেখাতে পারে; একা এটি গোটা অর্থনীতির পেশাভিত্তিক adoption rate দিতে পারে না।

উৎপাদনশীলতা নির্ভর করে কাজ ও তার যাচাইয়ের ওপর

একটি ধাপে ধাপে চালু করা পরীক্ষায় 5,172 জন customer-support agent-কে নিয়ে AI conversation assistant-এর access গড়ে ঘণ্টায় সমাধান হওয়া issue 15% বাড়িয়েছিল। কম অভিজ্ঞ ও কম দক্ষ agent-দের গতি ও গুণমান—দুটিই বেড়েছে; সবচেয়ে অভিজ্ঞ ও দক্ষদের গতি সামান্য বাড়লেও গুণমানে ছোট অবনতি ছিল। গ্রাহকেরা বেশি ভদ্র হয়েছেন এবং manager চাইবার প্রবণতা কমেছে। গবেষণায় একটি প্রতিষ্ঠানের support operation মাপা হয়েছিল, যেখানে সমাধান ও escalation গোনা যায়। অন্য service desk-এ বিনিয়োগের লাভ হিসাব করা হয়নি।

66টি প্রতিষ্ঠানের 7,137 জন knowledge worker-কে নিয়ে পরীক্ষায়, email, meeting ও writing software-এর ভেতরে কিছু কর্মীকে এলোমেলোভাবে AI tool দেওয়া হয়েছিল। ছয় মাসের গবেষণার দ্বিতীয়ার্ধে tool পাওয়া কর্মীদের 80%, যারা সেটি ব্যবহার করেছেন, তাঁরা সপ্তাহে email-এ দুই ঘণ্টা কম দিয়েছেন এবং নিয়মিত সময়ের বাইরে কম কাজ করেছেন। ব্যক্তিগত access থেকে কাজের পরিমাণ বা ধরনে বৃহত্তর পরিবর্তন গবেষকেরা শনাক্ত করতে পারেননি। তিনজন লেখক Microsoft Research-এ কাজ করতেন; tool-টি নির্মাতা Microsoft পরীক্ষাটি সহ-আয়োজন করেছে এবং product telemetry দিয়েছে। ফলটি অংশ নেওয়া প্রতিষ্ঠানগুলোর জন্য প্রযোজ্য, সব office কাজের জন্য নয়।

758 জন Boston Consulting Group consultant-কে নিয়ে একটি field experiment, যা 2023 সালে করা এবং 2026 সালের মার্চে প্রকাশিত হয়েছিল। এতে GPT-4-এর শক্তির সঙ্গে ইচ্ছাকৃতভাবে মানানসই কাজে দ্রুততর এবং বেশি ভালোভাবে মূল্যায়িত ফল পাওয়া গেছে। interview-এর প্রমাণ ব্যাখ্যা করতে হতো—এমন ভিন্ন case-এ AI ব্যবহারকারীদের ভুল উত্তর দেওয়ার সম্ভাবনা বেশি ছিল। BCG গবেষণায় সহযোগিতা করেছিল; এতে নির্দিষ্ট exercise পরীক্ষা করা হয়েছিল, সরবরাহ করা client-এর ফল নয়।

একটি পরিচিত repository-তে 246টি issue নিয়ে কাজ করা 16 জন অভিজ্ঞ open-source developer-কে নিয়ে METR-এর randomized study-তে 2025 সালের শুরুর AI tool ব্যবহারের সুযোগ দিলে কাজ শেষ করতে 19% বেশি সময় লেগেছিল। তবু developer-রা মনে করেছিলেন tool তাঁদের গতি বাড়িয়েছে। METR-এর পরের চেষ্টা নতুন tool-এ উন্নতির ইঙ্গিত দিলেও গবেষকেরা অনুমানটিকে অবিশ্বস্ত বলেছেন: AI ছাড়া কাজ করতে না চাওয়া developer-রা অংশ নেননি, আর একই সময়ে agent চালানোর কারণে কাজের সময় হিসাব জটিল হয়েছিল। তাই ভিন্ন বছর ও tool মিলিয়ে coding-এ উৎপাদনশীলতার একক প্রভাব এসব গবেষণা প্রতিষ্ঠা করতে পারে না।

Code-এর ক্ষেত্রে প্রতিক্রিয়া পাওয়া তুলনামূলক সহজ: repository-তে প্রেক্ষাপট ও পরিবর্তনের রেকর্ড থাকে; build, test এবং review-তে ব্যর্থতা ধরা পড়তে পারে। তবু test পাস করলেই পুরো product ভালো—তা নয়। customer support-এ issue সমাধান ও গ্রাহকের প্রতিক্রিয়া অন্য ধরনের যাচাই দেয়। email-এর খসড়া সময় বাঁচাতে পারে, অথচ প্রতিষ্ঠানের output বদলায় না। legal, financial বা medical পরামর্শের পরিণতির উপযোগী যাচাই দরকার; আর ক্রেতার tool-এর খরচের পাশাপাশি review-তে লাগা শ্রমও হিসাব করা উচিত। মাপার সমস্যাগুলো আলাদা, তাই শুধু ব্যবহার দেখে সমান মাত্রার ব্যবহার বা মূল্য প্রমাণ হয় না।

বেতন-তালিকার আগেই কাজ বদলাতে পারে

Denmark-এ গবেষকেরা 11টি প্রভাবিত পেশার কর্মী-জরিপ ও 7,000টি কর্মস্থলের তথ্য প্রশাসনিক রেকর্ডের সঙ্গে মিলিয়েছেন। তাঁদের 2026 সালের মার্চের সংশোধিত সংস্করণে employer-এর chatbot উদ্যোগ ও জানানো task-পরিবর্তন দেখা যায়, কিন্তু ChatGPT চালুর দুই বছর পর কর্মী বা কর্মস্থল—কোনো স্তরেই আয় বা নথিভুক্ত কর্মঘণ্টায় শনাক্তযোগ্য প্রভাব নেই; তাঁদের অনুমান 2%-এর বেশি প্রভাব হওয়ার সম্ভাবনা বাদ দেয়। ফলটি Denmark, গবেষণায় থাকা পেশা এবং সময়সীমার মধ্যে সীমাবদ্ধ। পরের adoption-এ কর্মসংস্থান অপরিবর্তিত থাকবে—এটি তা প্রতিষ্ঠা করে না।

কর্মীর জন্য নিয়মিত ব্যবহার মানে কাজের ধরন বাড়া বা email-এ কম সময় লাগা হতে পারে। ক্রেতার প্রশ্ন হলো, পুরো workflow গ্রহণযোগ্য খরচে নির্ভরযোগ্য কাজ দিচ্ছে কি না। support-এর উত্তর পাওয়া ব্যক্তি বা পেশাগত পরামর্শের ওপর নির্ভরশীল মানুষের কাছে ফল হলো—উত্তরটি সঠিক ও জবাবদিহিমূলক কি না। বর্তমান প্রমাণ কোডিংয়ের বাইরে AI ব্যবহারের বিস্তার এবং নির্বাচিত কাজে মাপা লাভের সমর্থন দেয়। অন্য কাজ কবে software development-এর মতো গভীরভাবে AI ব্যবহার করবে, অথবা সব পেশায় উৎপাদনশীলতা ও কর্মসংস্থানের একক প্রভাব কী হবে—এখনো তা বলে না।

সূত্র ও আরও পাঠ

  • Real-Time Population Survey adoption tracker, St. Louis Fed-এর ব্যাখ্যাসহ, 27 আগস্ট 2026: যুক্তরাষ্ট্রে আগের সপ্তাহের ব্যবহার, AI-সহায়তায় কাজের ঘণ্টা এবং নিজের বলা সময়-সাশ্রয়। output-এর গুণমান বা আয় এতে পর্যবেক্ষণ করা হয় না।
  • OpenAI Enterprise Signals, 12 আগস্ট 2026-এ হালনাগাদ: OpenAI-র enterprise customer-দের মধ্যে ব্যবহার, token ও সাপ্তাহিক সক্রিয় ব্যবহারকারীর মাপকাঠিসহ। বৃদ্ধির হারের শুরুর সংখ্যা প্রকাশিত হয়নি।
  • OpenAI, Work at the Frontier, জুলাই 2026, এবং এর সেপ্টেম্বরের অনুসরণী গবেষণা: শ্রেণিবদ্ধ ChatGPT message এবং নমুনায় থাকা business user-দের মধ্যে পুনরায় ব্যবহার; কাজ সম্পন্ন হওয়ার ফল নয়।
  • Anthropic Economic Index, Cadences, 26 জুন 2026, এবং Learning curves, 24 মার্চ 2026: Claude-এর কার্যকলাপ, output-এর ধরন এবং বাছাই করা ব্যবহারকারীর জরিপ। হিসাবের ভিত্তি Anthropic-এর traffic ও উত্তরদাতা।
  • Brynjolfsson, Li এবং Raymond, Generative AI at Work, 4 ফেব্রুয়ারি 2025-এ অনলাইনে প্রকাশিত, মে মাসের Quarterly Journal of Economics সংখ্যায়: একটি প্রতিষ্ঠানে ধাপে ধাপে rollout-এর সময় support agent-এর উৎপাদনশীলতা, কর্মীদের দক্ষতার পার্থক্য ও গ্রাহকের প্রতিক্রিয়ার মাপ।
  • Dillon ও সহলেখকেরা, Shifting Work Patterns with Generative AI, 2025 সালের নভেম্বরের সংশোধিত সংস্করণ: অংশগ্রহণকারী প্রতিষ্ঠানগুলোতে randomized workplace access, email-এ সময় এবং task-এর ধরন। তিনজন লেখক Microsoft Research-এ কাজ করতেন; Microsoft পরীক্ষাটি সহ-আয়োজন করেছে।
  • Dell'Acqua ও সহলেখকেরা, Navigating the Jagged Technological Frontier, 2023 সালে করা, 11 মার্চ 2026-এ প্রকাশিত: আলাদা consulting exercise-এ গতি, মূল্যায়িত গুণমান ও ভুলের মাপ।
  • METR-এর developer experiment এবং ফেব্রুয়ারি 2026-এর update: randomized coding-এর প্রমাণ এবং পরের গবেষণার নমুনা বাছাইয়ের সমস্যা।
  • Humlum ও Vestergaard, Still Waters, Rapid Currents, মার্চ 2026-এর সংশোধিত সংস্করণ: Danish কর্মী ও কর্মস্থলের জরিপের সঙ্গে প্রশাসনিক কর্মঘণ্টা ও আয়ের রেকর্ড মিলিয়ে দেখা।