Markdown आवृत्ती

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

# कोडिंगपलीकडे AI वापर वाढतो; त्याची तीव्रता मोजणे कठीण

> सर्वेक्षणांत कामाच्या ठिकाणी AI चा वापर वाढल्याचे दिसते; प्रयोगांत विशिष्ट कामांत फायदे आणि अपयश दोन्ही आढळतात. इतर व्यवसायांतही कोडिंगइतक्या तीव्रतेने AI वापरला जाईल, हे वापराची आकडेवारी अजून दाखवत नाही.

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 च्या दुसऱ्या तिमाहीत, अमेरिकेतील नोकरदार प्रौढांपैकी जवळपास पाचपैकी दोन जणांनी मागील आठवड्यात कामासाठी जनरेटिव्ह AI वापरल्याचे सांगितले. तरी सर्व नोकरदार प्रौढांच्या कामाच्या तासांपैकी 6.3% तासांतच AI ची मदत होती. सेंट लुईस फेड, Vanderbilt आणि Harvard संशोधकांचा [राष्ट्रीय सर्वेक्षण ट्रॅकर](https://fredblog.stlouisfed.org/2026/08/does-generative-ai-save-time-at-work/) असे दाखवतो. पहिला आकडा वापरणाऱ्यांची संख्या, दुसरा त्यांचा कामातील वेळ मोजतो. काम चांगले झाले, कंपनीला अधिक नफा झाला किंवा नोकरी गेली का, हे दोन्ही सांगत नाहीत.

सॉफ्टवेअर विकसकांइतकीच तीव्रता इतर कामांतही येईल का, हे विचारताना हे फरक महत्त्वाचे आहेत. कायदा, विक्री आणि विपणनातही प्रयोग वाढल्याचे प्लॅटफॉर्म नोंदी सांगतात. प्रयोग काही कोडिंगबाहेरील कामांत फायदे दाखवतात; पण फक्त प्रवेश दिल्याने फारसा बदल होत नाही आणि नीटस उत्तर चुकीचे असू शकते.

## मोठा बदल

- **काय बदलले:** AI विक्रेते आता व्यवसायातील अधिक विभागांत वारंवार वापर आणि एजंटची हालचाल नोंदवतात; स्वतंत्र सर्वेक्षणांत अमेरिकन कामगारांत साप्ताहिक वापर व्यापक दिसतो.
- **हे महत्त्वाचे का:** साधने कामाच्या विद्यमान पद्धतींशी जुळली तर वापर वाढतो; फायदे मात्र कामाच्या संदर्भावर आणि तपासणीवर अवलंबून असतात. स्वीकाराच्या आकडेवारीसोबत परिणाम मोजणे खरेदीदार व कामगारांसाठी गरजेचे आहे.
- **कशाकडे लक्ष द्यावे:** वारंवार वापर, पडताळलेली गुणवत्ता आणि कोडिंगपलीकडील निव्वळ परतावा. इतर व्यवसाय कोडिंगच्या वापरपातळीला कधी पोहोचतील किंवा रोजगारावर काय परिणाम होईल, हे सध्याचे पुरावे सांगत नाहीत.

## वेगवेगळे आकडे वेगवेगळ्या गोष्टी मोजतात

अमेरिकेतील 18–64 वयोगटातील प्रौढांच्या प्रतिनिधिक ऑनलाइन नमुन्याला कामासाठी AI वापराविषयी विचारणारे [Real-Time Population Survey](https://fredblog.stlouisfed.org/2026/08/does-generative-ai-save-time-at-work/) हे सर्वेक्षण आहे. मागील आठवड्यात AI वापराचे प्रमाण 2024 च्या तिसऱ्या तिमाहीतील 28.2% वरून 2026 च्या दुसऱ्या तिमाहीत 39.2% झाले. AI-सहाय्यित एकूण कामाच्या तासांचा अंदाजित वाटा 4.1% वरून 6.3% झाला. नवीनतम तिमाहीत एकूण कामाच्या वेळेतील 2.2% वेळ वाचल्याचा प्रतिसादकर्त्यांचा अंदाज होता. ही आठवणीवरची वेळ-बचत आहे; प्रत्यक्ष मोजलेली उत्पादकता किंवा महसूलवाढ नाही.

OpenAI चे आकडे वेगळे आहेत: ते कंपनीच्या enterprise ग्राहकांतील वापर मोजतात. [ऑगस्टचा Enterprise Signals अहवाल](https://openai.com/signals/enterprise-data/) ानुसार, फेब्रुवारी–जून 2026 मध्ये साप्ताहिक Codex वापरकर्ते कायद्यात 108 पट, विक्री व भरतीत 41 पट, विपणनात 26 पट वाढले; अभियांत्रिकीतील वाढ पाच पट होती. सुरुवातीचे आधार-आकडे उघड नसल्याने किती वकील वा अभियंते AI वापरतात किंवा त्यांच्या कामातील किती भाग AI करतो, हे तुलना करता येत नाही. जूनमध्ये enterprise ग्राहकांकडील Codex व ChatGPT च्या एकूण output tokens पैकी 64% Codex चे होते. दीर्घ agent सत्रांत tokens अधिक निर्माण होतात; token वाटा कामगारांचा वाटा किंवा मूल्य मोजत नाही. OpenAI उत्पादने विकते आणि त्यांचा प्रसार दाखवण्यात तिचा व्यावसायिक हितसंबंध आहे.

OpenAI च्या स्वतंत्र [8 लाखांहून अधिक अमेरिकन ChatGPT संदेशांचा अभ्यास](https://cdn.openai.com/pdf/work-at-the-frontier-report.pdf), जुलैमध्ये प्रसिद्ध, कामाशी संबंधित संदेशांपैकी 16.8% संदेश वापरकर्त्याच्या स्वतःच्या व्यवसायापेक्षा वेगळ्या व्यवसायातील कामांशी संबंधित ठरवतो. व्यवसायाशी स्पष्टपणे जोडता येणाऱ्या संदेशांत वाटा 43.5% होता. [सप्टेंबरच्या पाठपुरावा अभ्यासात](https://cdn.openai.com/pdf/work-at-the-frontier-report-202609.pdf) काही कामगारांनी पुढच्या महिन्यात अशी कामे पुन्हा केल्याचे दिसले. हे नमुना वापरकर्त्यांमधील संदेशांचे प्रमाण आहे; व्यवसायाची ओळख onboarding माहितीवरून ठरवली. लोक काय विचारतात व पुन्हा करतात हे दिसते, काम पूर्ण झाले किंवा नोकरी बदलली हे नाही.

Anthropic चा [जूनचा Economic Index](https://www.anthropic.com/research/economic-index-june-2026-report) कंपनीच्या सेवांवरील वापर अभ्यासतो. सूक्ष्म नमुना कामाच्या दिवसांतील पद्धती टिपतो आणि chat, Cowork व पहिल्या-पक्षाच्या API वापरात फरक करतो. पूरक सर्वेक्षणात पाच किंवा अधिक सत्रे घेतलेल्या सुमारे 9,700 Claude वापरकर्त्यांचा समावेश होता. हे प्रतिसादकर्ते कामगारवर्गाचे प्रतिनिधिक नाहीत, असा इशारा Anthropic देते: संगणक व गणिती व्यवसायांतील लोक प्रतिसादकांपैकी सुमारे 30% पण अमेरिकेतील रोजगारात सुमारे 4% होते. प्रत्यक्ष कामकाजातील व्यवसाय कमी प्रतिनिधित्वात होते. आधीच्या [मार्च निर्देशांकाने](https://www.anthropic.com/research/economic-index-march-2026-report) फेब्रुवारीतील Claude.ai संभाषणांपैकी संगणक व गणिती कामे 35% असल्याचे मोजले. हे एका उत्पादनाच्या संभाषणांचे प्रमाण आहे, AI वापरणाऱ्या विकसकांचे नाही; कोडिंग API कडेही सरकत होते. विक्रेत्याचा ट्रॅफिक प्लॅटफॉर्मवरील कामे आणि वारंवारता दाखवतो, पण अर्थव्यवस्थेतील व्यवसायनिहाय वापराचे प्रमाण एकट्याने सांगत नाही.

## उत्पादकता काम आणि तपासणीवर अवलंबून असते

5,172 ग्राहक-समर्थन प्रतिनिधींना टप्प्याटप्प्याने AI दिलेल्या [प्रवेश-विस्तार प्रयोगात](https://doi.org/10.1093/qje/qjae044) AI संभाषण-सहाय्यकामुळे दर तासाला सोडवलेल्या समस्यांत सरासरी 15% वाढ झाली. कमी अनुभवी व कमी कौशल्याच्या प्रतिनिधींचा वेग आणि गुणवत्ता सुधारली; सर्वाधिक अनुभवी व कुशल प्रतिनिधींना थोडा वेग मिळाला पण गुणवत्ता किंचित घटली. ग्राहक अधिक नम्र झाले आणि व्यवस्थापक मागण्याची शक्यता कमी झाली. सोडवणे व पुढे पाठवणे मोजता येणाऱ्या एका कंपनीच्या समर्थन-कार्यातच हा अभ्यास झाला; इतर सेवा-केंद्रांचा परतावा मोजला नाही.

एका [66 कंपन्यांतील 7,137 ज्ञान-कर्मचाऱ्यांच्या प्रयोगात](https://www.nber.org/papers/w33795) ईमेल, बैठक व लेखन सॉफ्टवेअरमध्ये AI साधन यादृच्छिकरीत्या उपलब्ध केले. सहा महिन्यांच्या अभ्यासाच्या उत्तरार्धात, साधन वापरणाऱ्या उपचार-गटातील 80% लोकांनी ईमेलवर दर आठवड्याला दोन तास कमी घालवले व नियमित वेळेबाहेर कमी काम केले. वैयक्तिक प्रवेशामुळे कामांचे प्रमाण वा मिश्रण व्यापकपणे बदलल्याचे आढळले नाही. तीन लेखक Microsoft Research मध्ये होते; Microsoft ने प्रयोगाचे सह-आयोजन व उत्पादन टेलिमेट्री दिली. निष्कर्ष सहभागी कंपन्यांपुरता आहे, सर्व कार्यालयीन कामांबद्दल नाही.

एक [758 Boston Consulting Group सल्लागारांवरील क्षेत्रीय प्रयोग](https://www.hbs.edu/ris/Publication%20Files/dell-acqua-et-al-2026-navigating-the-jagged-technological-frontier_5c589c8c-fbb5-458f-b285-c944746cd717.pdf), 2023 मध्ये झाला व मार्च 2026 मध्ये प्रसिद्ध झाला. GPT-4 च्या ताकदींना जुळणाऱ्या निवडक कामांत वेग आणि गुणांकन सुधारले. मुलाखतींचा अर्थ लावण्याच्या वेगळ्या प्रकरणात AI वापरणाऱ्यांचे उत्तर चुकीचे असण्याची शक्यता वाढली. BCG ने अभ्यासात सहभाग घेतला; प्रत्यक्ष ग्राहक-निष्पत्तीऐवजी ठरावीक सराव-कार्ये तपासली.

या संदर्भात [METR च्या यादृच्छिक अभ्यासात](https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/) 246 समस्यांवर स्वतःला परिचित repositories वापरणाऱ्या 16 अनुभवी open-source विकसकांना 2025 च्या सुरुवातीची AI साधने दिल्याने काम पूर्ण होण्यास 19% अधिक वेळ लागला. तरी साधनांमुळे वेग वाढल्याचे विकसकांना वाटले. [METR च्या नंतरच्या प्रयत्नात](https://metr.org/blog/2026-02-24-uplift-update/) नव्या साधनांतून फायदा सूचित झाला; पण AI शिवाय काम नको असलेले विकसक बाहेर पडले आणि समांतर agent कामामुळे वेळ मोजणे गुंतागुंतीचे झाले. त्यामुळे संशोधकांनी अंदाज अविश्वसनीय मानला. वेगवेगळी साधने व वर्षे एकत्र करून कोडिंगच्या उत्पादकतेवर एकच परिणाम ठरवता येत नाही.

कोडमध्ये संदर्भ व बदल repositories मध्ये टिकतात; build, चाचण्या आणि पुनरावलोकन चुका उघड करू शकतात. तरी चाचणी उत्तीर्ण होणे म्हणजे संपूर्ण उत्पादन योग्य असे नाही. ग्राहक-समर्थनात समस्या सुटली का आणि ग्राहकांची प्रतिक्रिया काय हे इतर अभिप्राय देतात. ईमेलचा मसुदा वेळ वाचवू शकतो, पण कंपनीचे उत्पादन बदलणारच असे नाही. कायदेशीर, आर्थिक वा वैद्यकीय शिफारशींसाठी परिणामांशी सुसंगत तपासणी हवी; खरेदीदाराने साधनासह पुनरावलोकनाचा खर्चही मोजावा. मोजमापे वेगळी असल्याने फक्त वापरातून समान तीव्रता किंवा मूल्य सिद्ध होत नाही.

## पगारपत्रक बदलण्यापूर्वी काम बदलू शकते

डेन्मार्कमध्ये संशोधकांनी AI-संपर्कातील 11 व्यवसायांतील कामगारांचे सर्वेक्षण व 7,000 कार्यस्थळांची माहिती प्रशासकीय नोंदींशी जोडली. त्यांच्या [मार्च 2026 च्या सुधारित आवृत्तीत](https://www.nber.org/papers/w33777) नियोक्त्यांचे chatbot उपक्रम व नोंदवलेले कामबदल दिसतात; परंतु ChatGPT सुरू झाल्यानंतर दोन वर्षांनी कामगार किंवा कार्यस्थळ पातळीवरील उत्पन्न अथवा नोंदवलेल्या तासांत मोजता येण्याजोगा बदल नाही. त्यांच्या अंदाजातून 2% पेक्षा मोठा परिणाम नाकारता येतो. निष्कर्ष डेन्मार्क, अभ्यासलेले व्यवसाय व कालावधीपुरता आहे. पुढील वापरामुळे रोजगार बदलणार नाही असे यातून सिद्ध होत नाही.

कामगारासाठी वारंवार वापर म्हणजे अधिक प्रकारची कामे किंवा ईमेलसाठी कमी वेळ असू शकतो. खरेदीदाराला संपूर्ण प्रक्रियेत स्वीकारार्ह खर्चात विश्वासार्ह काम मिळते का हे जाणून घ्यायचे असते. ग्राहक वा व्यावसायिक सल्ल्यावर अवलंबून असणाऱ्यासाठी उत्तर योग्य आणि जबाबदारीचे असणे महत्त्वाचे. उपलब्ध पुरावे कोडिंगबाहेर वापर वाढल्याचे आणि निवडक कामांतील मोजता येणारे फायदे दाखवतात. पण इतर व्यवसाय सॉफ्टवेअर विकासाइतक्या खोलवर AI वापरतील याची वेळरेषा किंवा उत्पादकता व रोजगारावर सर्वत्र समान परिणाम सिद्ध करत नाहीत.

## स्रोत आणि पुढील वाचन

- [Real-Time Population Survey स्वीकार-ट्रॅकर, St. Louis Fed स्पष्टीकरण](https://fredblog.stlouisfed.org/2026/08/does-generative-ai-save-time-at-work/), 27 ऑगस्ट 2026: अमेरिकेतील आठवड्याचा वापर, AI-सहाय्यित कामाचे तास व स्वतः सांगितलेली वेळ-बचत. निष्पत्तीची गुणवत्ता किंवा महसूल मोजत नाही.
- [OpenAI Enterprise Signals](https://openai.com/signals/enterprise-data/), 12 ऑगस्ट 2026 रोजी अद्ययावत: OpenAI enterprise वापरकर्त्यांतील वापर, tokens व साप्ताहिक सक्रिय वापरकर्ते. वाढीची सुरुवातीची संख्या प्रकाशित नाही.
- [OpenAI, Work at the Frontier](https://cdn.openai.com/pdf/work-at-the-frontier-report.pdf), जुलै 2026, आणि [सप्टेंबरचा पाठपुरावा अभ्यास](https://cdn.openai.com/pdf/work-at-the-frontier-report-202609.pdf): नमुना व्यावसायिक वापरकर्त्यांतील ChatGPT संदेशांचे वर्गीकरण व पुनरावृत्ती; पूर्ण झालेल्या कामांचे परिणाम नाहीत.
- [Anthropic Economic Index, Cadences](https://www.anthropic.com/research/economic-index-june-2026-report), 26 जून 2026, आणि [Learning curves](https://www.anthropic.com/research/economic-index-march-2026-report), 24 मार्च 2026: Claude वापर, निष्पत्तीचे प्रकार व निवडक वापरकर्त्यांचे सर्वेक्षण. आधार Anthropic ट्रॅफिक व प्रतिसादकर्ते आहेत.
- [Brynjolfsson, Li आणि Raymond, Generative AI at Work](https://doi.org/10.1093/qje/qjae044), ऑनलाइन प्रसिद्ध 4 फेब्रुवारी 2025; May *Quarterly Journal of Economics*मध्ये: एका कंपनीतील टप्प्याटप्प्याच्या प्रयोगाने समर्थन-कर्मचाऱ्यांची उत्पादकता, कौशल्य-फरक व ग्राहक प्रतिक्रिया मोजली.
- [Dillon आणि सहकारी, Shifting Work Patterns with Generative AI](https://www.nber.org/papers/w33795), नोव्हेंबर 2025 मध्ये सुधारित: सहभागी कंपन्यांतील यादृच्छिक प्रवेश, ईमेल वेळ व कामांचे मिश्रण. तीन लेखक Microsoft Research मध्ये; Microsoft सह-आयोजक होते.
- [Dell Acqua आणि सहकारी, 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 मधील प्रयोग; 11 मार्च 2026 रोजी प्रसिद्ध: सल्लागारांच्या वेगवेगळ्या सराव-कार्यांतील वेग, गुणवत्ता व चुका.
- [METR चा विकसक-अभ्यास](https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/) आणि [फेब्रुवारी 2026 मधील अद्ययावत माहिती](https://metr.org/blog/2026-02-24-uplift-update/): कोडिंगवरील यादृच्छिक पुरावा व नंतरच्या अभ्यासातील निवड-संबंधी समस्या.
- [Humlum आणि Vestergaard, Still Waters, Rapid Currents](https://www.nber.org/papers/w33777), मार्च 2026 मध्ये सुधारित: डेन्मार्कमधील कामगार व कार्यस्थळ सर्वेक्षणे, प्रशासकीय तास आणि उत्पन्न नोंदी.

## Sources

- [Does generative AI save time at work?](https://fredblog.stlouisfed.org/2026/08/does-generative-ai-save-time-at-work/) — अमेरिकेतील प्रतिनिधिक ऑनलाइन सर्वेक्षण: आठवड्याचा वापर, AI-सहाय्यित तास व सांगितलेली बचत; पडताळलेली निष्पत्ती वा महसूल नाही.
- [Enterprise signals](https://openai.com/signals/enterprise-data/) — OpenAI enterprise टेलिमेट्री: विभागनिहाय Codex वापरकर्ते व token वाटा. सुरुवातीचे आकडे नसणे आणि agent चा जास्त token वापर अनुमान मर्यादित करतात.
- [Work at the Frontier: How AI is expanding what people do at work](https://cdn.openai.com/pdf/work-at-the-frontier-report.pdf) — 8 लाखांहून अधिक काम-संदेशांचे OpenAI वर्गीकरण; परव्यवसायातील कामांचा वाटा म्हणजे संदेश, पूर्ण केलेली कामे नव्हेत.
- [Work at the Frontier: How workers are unlocking new ways of working](https://cdn.openai.com/pdf/work-at-the-frontier-report-202609.pdf) — निवडक वापरकर्त्यांतील पुनरावृत्तीचा OpenAI अभ्यास; पुन्हा आलेल्या विनंत्या नोकरीची रचना बदलल्याचे सिद्ध करत नाहीत.
- [Anthropic Economic Index: Cadences](https://www.anthropic.com/research/economic-index-june-2026-report) — Claude वापराचे नमुने आणि निवडलेल्या सुमारे 9,700 लोकांचे गैर-प्रतिनिधिक सर्वेक्षण.
- [Anthropic Economic Index: Learning curves](https://www.anthropic.com/research/economic-index-march-2026-report) — फेब्रुवारी 2026 मधील Claude.ai व API नमुने. कोडिंग-संबंधित 35% हा Claude.ai संभाषणांचा वाटा.
- [Generative AI at Work](https://doi.org/10.1093/qje/qjae044) — QJE मे 2025 अंकातील प्रकाशित अभ्यास: एका कंपनीतील 5,172 प्रतिनिधींना तासाला सोडवलेल्या समस्यांत सरासरी 15% वाढ. नवशिक्यांना अधिक फायदा; सर्वोच्च-कौशल्याच्या गटात किंचित गुणवत्ता घट. ग्राहक अधिक नम्र व व्यवस्थापक मागण्याची शक्यता कमी. सर्वसाधारण परतावा वा रोजगार परिणाम नाही.
- [Shifting Work Patterns with Generative AI](https://www.nber.org/papers/w33795) — NBER मे 2025 अंकातील अभ्यास, नोव्हेंबर 2025 सुधारित: 66 कंपन्यांतील 7,137 कामगारांचा यादृच्छिक अभ्यास. तीन लेखक Microsoft Research मध्ये; Microsoft ने साधन बनवले, अभ्यास सह-आयोजित केला व टेलिमेट्री दिली.
- [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-संबंधित नियंत्रित सल्लागार सराव 2023 मध्ये; Organization Science मध्ये 11 मार्च 2026 रोजी प्रसिद्ध. कामानुसार फायदे व चुका; ग्राहक-निष्पत्ती नाही.
- [METR चा 2025 सुरुवातीचा विकसक-उत्पादकता अभ्यास](https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/) — यादृच्छिक अभ्यास: 16 विकसक, 246 समस्या. जुन्या साधनांसह मर्यादित नमुन्यात काम पूर्ण होण्यास 19% अधिक वेळ.
- [METR विकसक-उत्पादकता प्रयोगाची अद्ययावत माहिती](https://metr.org/blog/2026-02-24-uplift-update/) — निवड आणि वेळ मोजण्यातील अडचणींमुळे नंतरच्या वेगवाढीचे अंदाज अविश्वसनीय का आहेत, हे संशोधक सांगतात.
- [Still Waters, Rapid Currents](https://www.nber.org/papers/w33777) — NBER मे 2025 अंकातील अभ्यास, मार्च 2026 मध्ये सुधारित. डेन्मार्क सर्वेक्षण व प्रशासकीय नोंदी; उत्पन्न व नोंदवलेल्या तासांवरील आरंभीचा मर्यादित शून्य परिणाम.