Markdown ایڈیشن

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

# کوڈنگ سے آگے بھی AI کا استعمال پھیل رہا ہے، مگر اس کی شدت ثابت کرنا مشکل ہے

> سروے کام کی جگہ پر AI کے وسیع تر استعمال کا اشارہ دیتے ہیں، جبکہ تجربات مخصوص کاموں میں فائدے اور ناکامیاں دونوں دکھاتے ہیں۔ استعمال کے اعداد و شمار ابھی یہ نہیں بتا سکتے کہ دوسرے پیشے بھی کوڈنگ جتنی شدت سے AI اپنائیں گے یا نہیں۔

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 کی دوسری سہ ماہی تک تقریباً پانچ میں سے دو ملازمت پیشہ امریکی بالغوں نے کہا کہ انہوں نے گزشتہ ہفتے کام کے لیے generative AI استعمال کیا تھا۔ لیکن تمام ملازمت پیشہ بالغوں کے کام کے اوقات میں AI کی مدد سے ہونے والا کام 6.3% تھا، یہ اعداد [قومی سروے ٹریکر](https://fredblog.stlouisfed.org/2026/08/does-generative-ai-save-time-at-work/) میں درج ہیں جسے St. Louis Fed، Vanderbilt اور Harvard کے محققین چلاتے ہیں۔ پہلی شرح لوگوں کو گنتی ہے؛ دوسری ان کے وقت کو۔ ان میں سے کوئی یہ نہیں بتاتی کہ کام اچھا تھا یا نہیں، کمپنی نے زیادہ کمائی یا نہیں، یا کوئی ملازمت ختم ہوئی یا نہیں۔

یہ فرق اس سوال میں اہم ہیں کہ کیا باقی شعبوں میں بھی AI اتنی شدت سے استعمال ہوگا جتنا سافٹ ویئر ڈویلپرز کے کام میں۔ پلیٹ فارم کے ریکارڈ قانونی خدمات، فروخت اور مارکیٹنگ سمیت وسیع تر تجربات دکھاتے ہیں۔ تجربات کوڈنگ سے باہر بعض کاموں میں حقیقی فائدے بھی دکھاتے ہیں۔ وہ یہ بھی دکھاتے ہیں کہ صرف رسائی دینے سے شاید ہی کچھ بدلے، اور بظاہر سنوارا ہوا جواب بھی غلط ہو سکتا ہے۔

## بڑی تبدیلی

- **کیا بدلا:** AI فراہم کرنے والے اب کاروبار کے مزید شعبوں میں بار بار استعمال اور agent کی سرگرمی رپورٹ کرتے ہیں، جبکہ آزاد سروے امریکی کارکنوں میں ہفتہ وار وسیع تر استعمال دکھاتے ہیں۔
- **یہ کیوں اہم ہے:** استعمال اس وقت پھیلتا ہے جب ٹول موجودہ طریقۂ کار میں فٹ ہو، مگر فائدہ کام کے سیاق اور جانچ پر منحصر ہے۔ خریداروں اور کارکنوں کو اپنانے کے اعداد کے ساتھ نتائج بھی ناپنے چاہییں۔
- **کس بات پر نظر رکھیں:** کاموں میں بار بار استعمال، تصدیق شدہ نتائج کا معیار، اور کوڈنگ سے باہر خالص فائدہ۔ موجودہ شواہد یہ ثابت نہیں کرتے کہ دوسرے پیشے کب استعمال کی شدت میں کوڈنگ کی سطح تک پہنچیں گے یا روزگار پر کیا اثر پڑے گا۔

## اعداد مختلف چیزیں ناپتے ہیں

یہ [Real-Time Population Survey](https://fredblog.stlouisfed.org/2026/08/does-generative-ai-save-time-at-work/) نامی سروے 18 سے 64 سال کے امریکی بالغوں کے قومی نمائندہ آن لائن نمونے سے پوچھتا ہے کہ انہوں نے کام میں AI استعمال کیا یا نہیں۔ گزشتہ ہفتے استعمال کی شرح 2024 کی تیسری سہ ماہی کے 28.2% سے بڑھ کر 2026 کی دوسری سہ ماہی میں 39.2% ہوئی۔ کام کے تمام گھنٹوں میں AI کی مدد سے ہونے والے کام کا تخمینہ 4.1% سے بڑھ کر 6.3% ہوا۔ جواب دہندگان نے یہ بھی اندازہ لگایا کہ تازہ ترین سہ ماہی میں AI نے ان کے کل کام کے اوقات میں سے 2.2% بچائے۔ یہ یادداشت پر مبنی وقت کی بچت ہے، دیکھی گئی پیداواری صلاحیت یا آمدنی میں اضافہ نہیں۔

OpenAI کا مشاہدہ مختلف ہے: اس کے اپنے انٹرپرائز صارفین کے اندر سرگرمی۔ اس کی [اگست کی Enterprise Signals رپورٹ](https://openai.com/signals/enterprise-data/) کے مطابق فروری سے جون 2026 کے دوران قانونی خدمات میں ہفتہ وار فعال Codex صارفین 108 گنا، فروخت اور بھرتی میں 41 گنا، اور مارکیٹنگ میں 26 گنا بڑھے؛ انجینئرنگ میں یہ اضافہ پانچ گنا تھا۔ ابتدائی تعداد ظاہر نہیں کی گئی، اس لیے ان شرحوں سے یہ درجہ بندی نہیں کی جا سکتی کہ کتنے وکیل اور انجینئر AI استعمال کرتے ہیں یا یہ ان کے کام کا کتنا حصہ انجام دیتا ہے۔ جون میں انٹرپرائز صارفین کے Codex اور ChatGPT کے مشترکہ output tokens میں سے 64% Codex نے پیدا کیے۔ طویل agent کارروائیوں میں زیادہ tokens بنتے ہیں؛ tokens کا یہ حصہ نہ کارکنوں کا تناسب ہے نہ قدر کا پیمانہ۔ OpenAI یہ مصنوعات فروخت کرتا ہے اور ان کے پھیلاؤ کو نمایاں کرنے میں اس کا مفاد ہے۔

OpenAI کی الگ [800,000 سے زیادہ امریکی ChatGPT پیغامات کا مطالعہ](https://cdn.openai.com/pdf/work-at-the-frontier-report.pdf)، جو جولائی میں شائع ہوا، نے کام سے متعلق پیغامات میں سے 16.8% کو ایسے کاموں سے منسلک قرار دیا جو صارف کے اپنے پیشے سے مختلف تھے۔ صرف ان پیغامات میں جنہیں کسی پیشے سے واضح طور پر جوڑا جا سکتا تھا، یہ تناسب 43.5% تھا۔ [ستمبر کی پیروی کرنے والی تحقیق](https://cdn.openai.com/pdf/work-at-the-frontier-report-202609.pdf) میں کچھ کارکن اگلے مہینے بھی ان کاموں کی طرف واپس آئے۔ یہ نمونے میں شامل صارفین کے پیغامات کا تناسب ہے، جس میں کاروباری onboarding کی معلومات سے پیشہ اخذ کیا گیا تھا۔ یہ بتاتا ہے کہ لوگ کیا مانگتے اور دوبارہ کرتے ہیں، نہ کہ انہوں نے کام مکمل کیا یا اپنی ملازمت بدلی۔

Anthropic کا [جون کا Economic Index](https://www.anthropic.com/research/economic-index-june-2026-report) بھی کمپنی کی اپنی خدمات پر سرگرمی کا مطالعہ کرتا ہے۔ اس کے باریک تر نمونے میں کام کے دن کے معمولات اور chat، Cowork اور فرسٹ پارٹی API کے استعمال میں فرق شامل ہے۔ ساتھ کیے گئے سروے نے سرگرمی کو Claude کے تقریباً 9,700 ایسے جواب دہندگان سے جوڑا جن کے کم از کم پانچ سیشن تھے۔ Anthropic خبردار کرتا ہے کہ یہ لوگ افرادی قوت کے نمائندہ نہیں ہیں: جواب دہندگان میں کمپیوٹر اور ریاضی کے شعبے کے کارکن تقریباً 30% تھے، جبکہ امریکی روزگار میں ان کا حصہ تقریباً 4% ہے۔ جسمانی محنت والے پیشے کم نمائندگی رکھتے تھے۔ اس سے پہلے کے [مارچ کے اشاریے](https://www.anthropic.com/research/economic-index-march-2026-report) نے بتایا تھا کہ فروری میں Claude.ai کی گفتگوؤں میں کمپیوٹر اور ریاضی کے کام 35% تھے۔ یہ ایک پروڈکٹ کی گفتگوؤں کا حصہ ہے، AI استعمال کرنے والے ڈویلپرز کا تناسب نہیں؛ کوڈنگ کی سرگرمی API میں بھی منتقل ہو رہی تھی۔ کسی پلیٹ فارم کی ٹریفک وہاں کیے جانے والے کام اور ان کی تکرار دکھا سکتی ہے؛ صرف اسی سے پوری معیشت میں پیشہ وارانہ اپنانے کی شرح معلوم نہیں ہوتی۔

## پیداواری صلاحیت کام اور اس کی جانچ پر منحصر ہے

ایک [مرحلہ وار اجرا](https://doi.org/10.1093/qje/qjae044) میں 5,172 صارف معاونت کے کارکنوں کو AI گفتگو معاون تک رسائی دینے سے فی گھنٹہ حل ہونے والے مسائل میں اوسطاً 15% اضافہ ہوا۔ کم تجربہ کار اور کم ہنر مند کارکنوں کی رفتار اور معیار دونوں بہتر ہوئے؛ سب سے زیادہ تجربہ کار اور اعلیٰ ہنر مند کارکن کچھ تیز ہوئے مگر ان کے معیار میں معمولی کمی آئی۔ صارفین زیادہ مؤدب ہوئے اور کم بار مینیجر مانگا۔ اس مطالعے نے ایک کمپنی کے معاونت کے شعبے کو ناپا، جہاں مسئلہ حل ہونے اور آگے بھیجے جانے کو شمار کیا جا سکتا ہے۔ اس نے دوسری سروس ٹیموں کے فائدے کا حساب نہیں لگایا۔

ایک [ایسے تجربے میں جس میں 66 کمپنیوں کے 7,137 علمی کارکن شریک تھے](https://www.nber.org/papers/w33795) شرکاء کو ای میل، میٹنگ اور تحریری سافٹ ویئر کے اندر AI ٹول تک رسائی اتفاقی طور پر دی گئی۔ چھ ماہ کے مطالعے کے دوسرے نصف میں، ٹول استعمال کرنے والے آزمائشی کارکنوں کے 80% نے ہفتے میں ای میل پر دو گھنٹے کم صرف کیے اور معمول کے اوقات سے باہر بھی کم کام کیا۔ محققین نے انفرادی رسائی سے کاموں کی مقدار یا نوعیت میں کوئی وسیع تر تبدیلی نہیں دیکھی۔ تین مصنفین Microsoft Research کے ملازم تھے، اور ٹول بنانے والی Microsoft نے تجربہ مشترکہ طور پر منظم کیا اور مصنوعات کے استعمال کا ڈیٹا فراہم کیا۔ نتیجہ شریک کمپنیوں تک محدود ہے، تمام دفتری کام تک نہیں۔

ایک [Boston Consulting Group کے 758 مشیروں پر کیا گیا میدانی تجربہ](https://www.hbs.edu/ris/Publication%20Files/dell-acqua-et-al-2026-navigating-the-jagged-technological-frontier_5c589c8c-fbb5-458f-b285-c944746cd717.pdf)، جو 2023 میں کیا گیا اور مارچ 2026 میں شائع ہوا، نے ان کاموں پر تیز اور بہتر درجہ بندی والا کام دکھایا جنہیں خاص طور پر GPT-4 کی صلاحیتوں سے میل کھانے کے لیے چنا گیا تھا۔ انٹرویو کے شواہد کی تشریح والے ایک دوسرے معاملے میں AI استعمال کرنے والوں کے غلط جواب دینے کا امکان زیادہ تھا۔ BCG نے مطالعے میں تعاون کیا؛ اس نے طے شدہ مشقیں جانچیں، گاہکوں کو دیے گئے نتائج نہیں۔

METR کے [بے ترتیب آزمائشی مطالعے](https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/) میں 16 تجربہ کار اوپن سورس ڈویلپرز نے اپنے مانوس repositories میں 246 مسائل حل کیے۔ 2025 کے اوائل کے AI ٹولز کی اجازت دینے سے کام مکمل کرنے کا وقت 19% بڑھ گیا۔ اس کے باوجود ڈویلپرز کا خیال تھا کہ ٹولز نے انہیں تیز کیا۔ [METR کی بعد کی کوشش](https://metr.org/blog/2026-02-24-uplift-update/) میں نئے ٹولز سے فائدے کا اشارہ ملا، لیکن محققین نے تخمینہ ناقابلِ اعتبار قرار دیا: AI کے بغیر کام نہ کرنے والے بعض ڈویلپرز نے شرکت چھوڑ دی، اور ایک ہی وقت میں agent کا کام ہونے سے دورانیہ ناپنا پیچیدہ ہوا۔ لہٰذا یہ مطالعات مختلف ٹولز اور برسوں میں کوڈنگ کی پیداواری صلاحیت پر ایک ہی اثر ثابت نہیں کرتیں۔

کوڈ میں جانچ کے اشارے غیر معمولی طور پر دستیاب ہوتے ہیں: repositories سیاق اور تبدیلیاں محفوظ رکھتے ہیں، جبکہ builds، tests اور review ناکامیوں کو سامنے لا سکتے ہیں۔ وہاں بھی test پاس ہونا پوری پروڈکٹ کی ضمانت نہیں۔ صارف معاونت میں مسئلہ حل ہونا اور گاہکوں کا ردعمل دوسرے اشارے دیتے ہیں۔ ای میل کا مسودہ کمپنی کی پیداوار بدلے بغیر وقت بچا سکتا ہے۔ قانونی، مالی یا طبی سفارش کے لیے اس کے ممکنہ نتائج کے مطابق جانچ درکار ہے، اور خریدار کو ٹول کی قیمت کے ساتھ جائزے کے کام کا خرچ بھی دیکھنا ہوتا ہے۔ پیمائش کے مسائل مختلف ہیں، اس لیے صرف استعمال سے یکساں شدت یا قدر ثابت نہیں ہوتی۔

## تنخواہوں سے پہلے کام بدل سکتا ہے

ڈنمارک میں محققین نے 11 متاثرہ پیشوں کے کارکنوں اور 7,000 کام کی جگہوں کے سروے کو انتظامی ریکارڈ سے جوڑا۔ ان کی [مارچ 2026 کی نظرثانی](https://www.nber.org/papers/w33777) میں آجر کی chatbot مہموں اور رپورٹ کردہ کام کی تبدیلیوں کا ذکر ہے، مگر ChatGPT کے آغاز کے دو سال بعد کارکن یا کام کی جگہ کی سطح پر کمائی یا ریکارڈ شدہ اوقات میں قابلِ شناخت اثر نہیں ملا؛ ان کے تخمینے 2% سے زیادہ اثرات کو خارج کرتے ہیں۔ یہ نتیجہ ڈنمارک، زیر مطالعہ پیشوں اور اسی مدت تک محدود ہے۔ اس سے یہ ثابت نہیں ہوتا کہ بعد کے برسوں میں زیادہ اپنانے سے روزگار بدستور غیر متاثر رہے گا۔

کسی کارکن کے لیے بار بار استعمال کا مطلب کاموں کی وسیع تر اقسام یا ای میل پر کم وقت ہو سکتا ہے۔ خریدار کے لیے سوال یہ ہے کہ کیا پورا طریقۂ کار قابلِ اعتماد کام مناسب لاگت پر فراہم کرتا ہے۔ معاونت کا جواب پانے والے یا پیشہ ورانہ مشورے پر انحصار کرنے والے شخص کے لیے نتیجہ یہ ہے کہ جواب درست اور جواب دہ ہے یا نہیں۔ دستیاب شواہد کوڈنگ سے باہر وسیع تر استعمال اور منتخب کاموں میں قابلِ پیمائش فائدے کی تائید کرتے ہیں۔ وہ ابھی یہ مدت طے نہیں کرتے کہ دوسرے پیشوں میں استعمال کی گہرائی سافٹ ویئر ڈویلپمنٹ جیسی کب ہوگی، یا ان میں پیداواری صلاحیت اور روزگار پر ایک ہی طرح کا اثر پڑے گا۔

## ذرائع اور مزید مطالعہ

- [Real-Time Population Survey کے استعمال کے اشاریے کی وضاحت، St. Louis Fed](https://fredblog.stlouisfed.org/2026/08/does-generative-ai-save-time-at-work/)، 27 اگست 2026: امریکہ میں گزشتہ ہفتے کا استعمال، AI کی مدد سے کام کے گھنٹے اور خود بتائی گئی وقت کی بچت۔ یہ کام کے معیار یا آمدنی کا مشاہدہ نہیں کرتا۔
- [OpenAI Enterprise Signals](https://openai.com/signals/enterprise-data/)، 12 اگست 2026 کو تازہ کردہ: OpenAI کے انٹرپرائز صارفین کے اندر استعمال، جس میں tokens اور ہفتہ وار فعال صارفین کے پیمانے شامل ہیں۔ نمو کی شرحوں کے ابتدائی اعداد شائع نہیں ہوئے۔
- [OpenAI، Work at the Frontier](https://cdn.openai.com/pdf/work-at-the-frontier-report.pdf)، جولائی 2026، اور اس کی [ستمبر کی پیروی](https://cdn.openai.com/pdf/work-at-the-frontier-report-202609.pdf): درجہ بند ChatGPT پیغامات اور نمونے میں شامل کاروباری صارفین میں تکرار؛ مکمل شدہ ملازمت کے نتائج نہیں۔
- [Anthropic Economic Index، Cadences](https://www.anthropic.com/research/economic-index-june-2026-report)، 26 جون 2026، اور [Learning curves](https://www.anthropic.com/research/economic-index-march-2026-report)، 24 مارچ 2026: Claude کی سرگرمی، نتائج کی اقسام اور منتخب صارفین کا سروے۔ ان کے شمار Anthropic کی ٹریفک اور جواب دہندگان تک محدود ہیں۔
- [Brynjolfsson، Li اور Raymond، Generative AI at Work](https://doi.org/10.1093/qje/qjae044)، 4 فروری 2025 کو آن لائن شائع؛ مئی کے *Quarterly Journal of Economics* میں: ایک کمپنی میں مرحلہ وار اجرا کے دوران معاونت کارکنوں کی پیداواری صلاحیت، مہارت کے فرق اور صارفین کے ردعمل کی پیمائش۔
- [Dillon اور ساتھی، Shifting Work Patterns with Generative AI](https://www.nber.org/papers/w33795)، نومبر 2025 میں نظرثانی شدہ: شریک کمپنیوں میں بے ترتیب طور پر کام کی جگہ AI تک رسائی، ای میل کا وقت اور کاموں کی نوعیت۔ تین مصنفین Microsoft Research میں کام کرتے تھے اور Microsoft نے تجربہ مشترکہ طور پر منظم کیا۔
- [Dell'Acqua اور ساتھی، 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)، تجربہ 2023 میں ہوا اور 11 مارچ 2026 کو شائع ہوا: مشاورت کی الگ الگ مشقوں میں رفتار، معیار کی درجہ بندی اور غلطیوں کی پیمائش۔
- [METR کا ڈویلپر تجربہ](https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/) اور [فروری 2026 کی تازہ کاری](https://metr.org/blog/2026-02-24-uplift-update/): کوڈنگ کے بے ترتیب آزمائشی شواہد اور بعد کے مطالعے میں انتخاب سے پیدا ہونے والے مسائل۔
- [Humlum اور Vestergaard، Still Waters, Rapid Currents](https://www.nber.org/papers/w33777)، مارچ 2026 میں نظرثانی شدہ: ڈنمارک کے کارکنوں اور کام کی جگہوں کے سروے جو انتظامی اوقات اور آمدنی کے اعداد سے جوڑے گئے۔

## Sources

- [کیا generative AI کام میں وقت بچاتا ہے؟](https://fredblog.stlouisfed.org/2026/08/does-generative-ai-save-time-at-work/) — نمائندہ امریکی آن لائن سروے: گزشتہ ہفتے کا استعمال، مدد یافتہ اوقات اور خود بتائی گئی بچت؛ کام کے تصدیق شدہ نتائج یا آمدنی نہیں۔
- [انٹرپرائز سرگرمی کے اشارے](https://openai.com/signals/enterprise-data/) — OpenAI کے انٹرپرائز ڈیٹا میں شعبے کے لحاظ سے Codex صارفین اور tokens کا امتزاج۔ ابتدائی تعداد شائع نہیں ہوئی اور زیادہ tokens بنانے والے agents سے نتیجہ اخذ کرنا محدود ہوتا ہے۔
- [Work at the Frontier: لوگ کام میں AI کے دائرۂ کار کو کیسے بڑھا رہے ہیں](https://cdn.openai.com/pdf/work-at-the-frontier-report.pdf) — OpenAI کی 800,000 سے زیادہ کام سے متعلق پیغامات کی درجہ بندی؛ اپنے پیشے سے باہر کام کا تناسب پیغامات کا ہے، مکمل کاموں کا نہیں۔
- [Work at the Frontier: کارکن کام کے نئے طریقے کیسے اپنا رہے ہیں](https://cdn.openai.com/pdf/work-at-the-frontier-report-202609.pdf) — منتخب صارفین میں OpenAI کا تکرار کا مطالعہ؛ دوبارہ درخواستیں ملازمت کی نئی ساخت ثابت نہیں کرتیں۔
- [Anthropic Economic Index: Cadences](https://www.anthropic.com/research/economic-index-june-2026-report) — Claude کے استعمال کے انداز اور تقریباً 9,700 منتخب صارفین کا غیر نمائندہ سروے۔
- [Anthropic Economic Index: Learning curves](https://www.anthropic.com/research/economic-index-march-2026-report) — فروری 2026 کے Claude.ai اور API نمونے۔ کوڈنگ سے متعلق 35%، Claude.ai گفتگوؤں کا حصہ ہے۔
- [Generative AI at Work](https://doi.org/10.1093/qje/qjae044) — QJE میں شائع شدہ مطالعہ (مئی 2025 کے شمارے میں): ایک کمپنی کے 5,172 معاونتی کارکنوں پر 15% زیادہ اوسط حل شدہ مسائل فی گھنٹہ۔ فائدے نئے کارکنوں میں مرتکز تھے؛ اعلیٰ ترین مہارت والوں کے معیار میں معمولی کمی آئی۔ صارفین زیادہ مؤدب ہوئے اور کم بار مینیجر مانگا۔ عمومی سرمایہ کاری منافع یا روزگار پر اثر کا ثبوت نہیں۔
- [Shifting Work Patterns with Generative AI](https://www.nber.org/papers/w33795) — NBER کے مئی 2025 کے شمارے میں؛ نومبر 2025 میں نظرثانی شدہ۔ 66 کمپنیوں میں 7,137 کارکنوں کا بے ترتیب مطالعہ۔ تین مصنفین Microsoft Research میں کام کرتے تھے؛ Microsoft نے ٹول بنایا، تجربہ مشترکہ طور پر منظم کیا اور استعمال کا ڈیٹا دیا۔
- [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 سے منسلک مشیروں کی نگرانی شدہ مشقیں 2023 میں ہوئیں اور 11 مارچ 2026 کو Organization Science میں شائع ہوئیں؛ کام کے لحاظ سے فائدے اور غلطیاں، گاہکوں کے لیے نتائج نہیں۔
- [METR کا 2025 کے اوائل کا ڈویلپر پیداواری صلاحیت مطالعہ](https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/) — 16 ڈویلپرز اور 246 مسائل پر بے ترتیب مطالعہ؛ محدود نمونے میں پرانے ٹولز کے ساتھ کام 19% زیادہ وقت لیتا تھا۔
- [METR ڈویلپر پیداواری صلاحیت تجربے کی تازہ کاری](https://metr.org/blog/2026-02-24-uplift-update/) — محققین بتاتے ہیں کہ انتخاب اور وقت ناپنے کے مسائل کے سبب بعد کے تیزی کے تخمینے ناقابلِ اعتبار کیوں ہیں۔
- [Still Waters, Rapid Currents](https://www.nber.org/papers/w33777) — NBER کے مئی 2025 کے شمارے میں؛ مارچ 2026 میں نظرثانی شدہ، دن درج نہیں۔ ڈنمارک میں سروے اور انتظامی اعداد کا مطالعہ کمائی اور درج شدہ اوقات پر ابتدائی، محدود صفر اثر دکھاتا ہے۔