Markdown সংস্করণ

AI-translated from English; not yet reviewed by a fluent editor.

# কোডিংয়ের বাইরেও AI ব্যবহার ছড়াচ্ছে; তবে ব্যবহারের গভীরতা প্রমাণ করা কঠিন

> জরিপে কর্মক্ষেত্রে AI ব্যবহারের বিস্তার দেখা যায়, আর পরীক্ষায় নির্দিষ্ট কিছু কাজে লাভ ও ব্যর্থতা—দুটিই ধরা পড়ে। ব্যবহার-সংক্রান্ত তথ্য এখনো প্রমাণ করে না, অন্য পেশার কাজেও কোডিংয়ের মতো গভীরভাবে AI ব্যবহৃত হবে।

By BIG CHANGE Editorial

Published: 2026-10-02T04:10:34.217Z
Updated: 2026-10-02T04:10:34.217Z
Canonical: https://bigchange.ai/blog/ai-use-beyond-coding-workplace-evidence

![A seated person works at a laptop while holding a blank sheet of paper at a wooden table.](https://bigchange.ai/api/media/file/ai-work-beyond-coding-hero-v2-1.png)
AI-generated by OpenAI; BIG CHANGE conceptual editorial illustration.

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](https://fredblog.stlouisfed.org/2026/08/does-generative-ai-save-time-at-work/), 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](https://fredblog.stlouisfed.org/2026/08/does-generative-ai-save-time-at-work/)-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](https://openai.com/signals/enterprise-data/) 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](https://cdn.openai.com/pdf/work-at-the-frontier-report.pdf), 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](https://cdn.openai.com/pdf/work-at-the-frontier-report-202609.pdf) 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](https://www.anthropic.com/research/economic-index-june-2026-report)-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](https://www.anthropic.com/research/economic-index-march-2026-report) 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](https://doi.org/10.1093/qje/qjae044) 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](https://www.nber.org/papers/w33795), 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](https://www.hbs.edu/ris/Publication%20Files/dell-acqua-et-al-2026-navigating-the-jagged-technological-frontier_5c589c8c-fbb5-458f-b285-c944746cd717.pdf), 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](https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-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](https://metr.org/blog/2026-02-24-uplift-update/) 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](https://www.nber.org/papers/w33777) 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](https://fredblog.stlouisfed.org/2026/08/does-generative-ai-save-time-at-work/), 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](https://openai.com/signals/enterprise-data/), 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](https://cdn.openai.com/pdf/work-at-the-frontier-report.pdf), জুলাই 2026, এবং এর [সেপ্টেম্বরের অনুসরণী গবেষণা](https://cdn.openai.com/pdf/work-at-the-frontier-report-202609.pdf): শ্রেণিবদ্ধ ChatGPT message এবং নমুনায় থাকা business user-দের মধ্যে পুনরায় ব্যবহার; কাজ সম্পন্ন হওয়ার ফল নয়।
- [Anthropic Economic Index, Cadences](https://www.anthropic.com/research/economic-index-june-2026-report), 26 জুন 2026, এবং [Learning curves](https://www.anthropic.com/research/economic-index-march-2026-report), 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](https://doi.org/10.1093/qje/qjae044), 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](https://www.nber.org/papers/w33795), 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](https://www.hbs.edu/ris/Publication%20Files/dell-acqua-et-al-2026-navigating-the-jagged-technological-frontier_5c589c8c-fbb5-458f-b285-c944746cd717.pdf), 2023 সালে করা, 11 মার্চ 2026-এ প্রকাশিত: আলাদা consulting exercise-এ গতি, মূল্যায়িত গুণমান ও ভুলের মাপ।
- [METR-এর developer experiment](https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/) এবং [ফেব্রুয়ারি 2026-এর update](https://metr.org/blog/2026-02-24-uplift-update/): randomized coding-এর প্রমাণ এবং পরের গবেষণার নমুনা বাছাইয়ের সমস্যা।
- [Humlum ও Vestergaard, Still Waters, Rapid Currents](https://www.nber.org/papers/w33777), মার্চ 2026-এর সংশোধিত সংস্করণ: Danish কর্মী ও কর্মস্থলের জরিপের সঙ্গে প্রশাসনিক কর্মঘণ্টা ও আয়ের রেকর্ড মিলিয়ে দেখা।

## Sources

- [Does generative AI save time at work?](https://fredblog.stlouisfed.org/2026/08/does-generative-ai-save-time-at-work/) — যুক্তরাষ্ট্রের প্রতিনিধিত্বশীল online জরিপ: আগের সপ্তাহে AI ব্যবহার, সহায়তায় কাজের ঘণ্টা ও নিজের বলা সাশ্রয়; যাচাইকৃত output বা আয়ের তথ্য নেই।
- [Enterprise signals](https://openai.com/signals/enterprise-data/) — OpenAI enterprise telemetry: Codex ব্যবহারকারী পেশাভিত্তিক এবং token-এর মিশ্রণ। শুরুর সংখ্যা প্রকাশিত নয়; agent-এ বেশি token লাগায় অনুমান সীমিত।
- [Work at the Frontier: How AI is expanding what people do at work](https://cdn.openai.com/pdf/work-at-the-frontier-report.pdf) — 800,000-এর বেশি কাজ-সম্পর্কিত message-কে OpenAI-র শ্রেণিবিন্যাস; নিজের পেশার বাইরের কাজের ভাগ message-এর অনুপাত, সম্পন্ন কাজ নয়।
- [Work at the Frontier: How workers are unlocking new ways of working](https://cdn.openai.com/pdf/work-at-the-frontier-report-202609.pdf) — OpenAI-র বাছাই করা ব্যবহারকারীদের মধ্যে পুনরাবৃত্ত কাজের জরিপ; আবার অনুরোধ মানেই চাকরির ধরন বদল নয়।
- [Anthropic Economic Index: Cadences](https://www.anthropic.com/research/economic-index-june-2026-report) — Claude ব্যবহারের ধরন ও প্রতিনিধিত্বশীল নয়—এমন প্রায় 9,700 বাছাই করা ব্যবহারকারীর জরিপ।
- [Anthropic Economic Index: Learning curves](https://www.anthropic.com/research/economic-index-march-2026-report) — 2026 সালের ফেব্রুয়ারিতে Claude.ai ও API-এর নমুনা। coding-সংক্রান্ত 35% হলো Claude.ai কথোপকথনের ভাগ।
- [Generative AI at Work](https://doi.org/10.1093/qje/qjae044) — 2025 সালের মে সংখ্যার QJE গবেষণা: একটি প্রতিষ্ঠানের 5,172 support agent; ঘণ্টায় গড়ে 15% বেশি issue সমাধান। উন্নতি বেশি ছিল নতুন কর্মীদের; শীর্ষ দক্ষ কর্মীদের গুণমানে সামান্য অবনতি হয়েছিল। গ্রাহকেরা বেশি ভদ্র হন এবং manager কম চান। সাধারণ ROI বা কর্মসংস্থানের প্রভাবের হিসাব নেই।
- [Shifting Work Patterns with Generative AI](https://www.nber.org/papers/w33795) — NBER-এর মে 2025 সংখ্যার, নভেম্বর 2025-এ সংশোধিত (দিন উল্লেখ নেই)। 66টি প্রতিষ্ঠানের 7,137 কর্মীকে নিয়ে randomized গবেষণা। তিনজন লেখক Microsoft Research-এ কাজ করতেন; Microsoft tool তৈরি করে, পরীক্ষা সহ-আয়োজন করে ও telemetry দেয়।
- [Navigating the Jagged Technological Frontier](https://www.hbs.edu/ris/Publication%20Files/dell-acqua-et-al-2026-navigating-the-jagged-technological-frontier_5c589c8c-fbb5-458f-b285-c944746cd717.pdf) — BCG-সংশ্লিষ্ট consultant-দের নিয়ন্ত্রিত exercise, 2023 সালে করা এবং 11 মার্চ 2026-এ Organization Science-এ প্রকাশিত; কাজভেদে উন্নতি ও ভুলের মাপ, client-এর ফল নয়।
- [METR early-2025 developer productivity study](https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/) — এলোমেলোভাবে ভাগ করা 16 developer ও 246 issue-এর গবেষণা; পুরোনো tool-এ সময় 19% বেশি লেগেছে, তবে নমুনা সীমিত।
- [METR developer productivity experiment update](https://metr.org/blog/2026-02-24-uplift-update/) — গবেষকেরা ব্যাখ্যা করেছেন, অংশগ্রহণ বাছাই ও সময় মাপার জটিলতার কারণে পরের speedup estimate কেন অবিশ্বস্ত।
- [Still Waters, Rapid Currents](https://www.nber.org/papers/w33777) — NBER-এর মে 2025 সংখ্যার, মার্চ 2026-এ সংশোধিত (দিন উল্লেখ নেই)। Denmark-এ কর্মী ও কর্মস্থলের জরিপের সঙ্গে প্রশাসনিক ঘণ্টা ও আয়ের রেকর্ড মিলিয়ে প্রাথমিক পর্যায়ের সীমাবদ্ধ null effect পাওয়া গেছে।