AI-প্রভাবিত চাকরিতে তরুণদের ঘাটতি ১৯%: আসল সমস্যা নিয়োগে

AI entry-level চাকরি কমাচ্ছে—এমন একটি শক্তিশালী সংকেত যুক্তরাষ্ট্রের payroll data-তে দেখা যাচ্ছে, তবে ১৯% সংখ্যাটি সরাসরি চাকরি হারানোর হার নয়। Stanford Digital Economy Lab-এর সংশোধিত গবেষণা অনুযায়ী, বেশি AI-প্রভাবিত পেশায় ২২–২৫ বছর বয়সীদের কর্মসংস্থান জুন ২০২৬ পর্যন্ত সেই সম্ভাব্য স্তরের প্রায় ১৯% নিচে ছিল, যেখানে কম প্রভাবিত পেশার সমবয়সীদের গতিতে বাড়লে তা পৌঁছাত।

গবেষণায় পরিবর্তনটি প্রধানত কম নিয়োগে দেখা গেছে, বেশি separation বা অর্থনীতিজুড়ে ব্যাপক ছাঁটাইয়ে নয়। ফলটি একটি বর্ণনামূলক ব্যবধান—AI একাই এর কতটা ঘটিয়েছে, data থেকে তা নিশ্চিতভাবে নির্ধারণ করা যায় না।

১৯% আসলে কী মাপছে

এই শতাংশটি একটি counterfactual gap: বাস্তবে দেখা কর্মসংস্থানের সঙ্গে একটি তুলনামূলক সম্ভাব্য পথের ব্যবধান। প্রশ্নটি হলো, বেশি AI-প্রভাবিত কাজে তরুণদের কর্মসংস্থান যদি কম প্রভাবিত কাজে একই বয়সীদের সমান গতিতে বদলাত, তাহলে তার স্তর কোথায় থাকত? পর্যবেক্ষিত স্তর সেই তুলনামূলক অবস্থানের প্রায় ১৯% নিচে।

একটি শর্তসাপেক্ষ উদাহরণ ধরা যাক। দুই গোষ্ঠীর কর্মসংস্থান সূচক শুরুতে ১০০ এবং পরে কম AI-প্রভাবিত গোষ্ঠীর সূচক ১১০ হলো। বেশি প্রভাবিত গোষ্ঠীর তুলনামূলক লক্ষ্যও তখন ১১০; এর ১৯% নিচে পর্যবেক্ষিত সূচক হবে প্রায় ৮৯। এটি প্রতি ১০০ কর্মীর মধ্যে ১৯ জনকে ছাঁটাই করার হিসাব নয়—দুই গোষ্ঠীর কর্মসংস্থানের পথ আলাদা হয়ে যাওয়ার হিসাব।

তাই headline-এর শতাংশকে job-loss rate হিসেবে পড়লে দুটি ভিন্ন বিষয় মিশে যায়। নিয়োগ কমা, পদ খালি হলে তা আর পূরণ না করা এবং কর্মী বিদায়—সবই মোট কর্মসংস্থান বদলাতে পারে, কিন্তু এগুলোর অর্থ ও career-entry-তে প্রভাব এক নয়।

ছাঁটাইয়ের বদলে নিয়োগ কেন মূল বাধা

Entry-level বাজারের সংকোচন সব সময় বড় layoff announcement হিসেবে দৃশ্যমান হয় না। প্রতিষ্ঠান অভিজ্ঞ কর্মীদের রেখে junior cohort ছোট করতে পারে, খালি পদ পূরণ স্থগিত রাখতে পারে অথবা আগে নতুন কর্মী করতেন এমন কিছু প্রাথমিক কাজ AI-সহ বর্তমান দলের মধ্যে ভাগ করে দিতে পারে। এগুলো সম্ভাব্য প্রক্রিয়া; গবেষণাটি প্রতিটি প্রতিষ্ঠানের আলাদা সিদ্ধান্ত পর্যবেক্ষণ করেনি।

YourStory-র গবেষণা-সংক্ষিপ্তসার ও reduced hiring-কে ব্যবধানের প্রধান channel এবং increased separations-কে তুলনামূলকভাবে ছোট কারণ হিসেবে বর্ণনা করেছে। ফলে সামগ্রিক layoff data শান্ত থাকলেও নতুন স্নাতক কম interview, দীর্ঘ job search বা ছোট graduate intake-এর মুখে পড়তে পারেন।

এই পার্থক্য career ladder-এর জন্য গুরুত্বপূর্ণ। Junior কর্মী প্রথম চাকরিতে supervision, ভুল সংশোধন, client context এবং প্রতিষ্ঠানের অলিখিত নিয়ম শেখেন। শুরুতেই কম লোক ঢুকলে কয়েক বছর পরে অভিজ্ঞ কর্মীর pipeline দুর্বল হতে পারে—এটি বর্তমান pattern থেকে উদ্ভূত ঝুঁকি, গবেষণায় নিশ্চিত করা ভবিষ্যৎ ফল নয়।

Automation ও augmentation-এর ঝুঁকি এক নয়

AI exposure মানেই প্রতিটি কাজের সমান ঝুঁকি নয়। গবেষণায় তরুণদের দুর্বল কর্মসংস্থান বেশি কেন্দ্রীভূত ছিল এমন পেশায়, যেখানে AI মানুষের task automate বা প্রতিস্থাপনমুখীভাবে সম্পন্ন করে। AI যখন কর্মীকে সহায়তা বা augment করে, তখন কর্মসংস্থান স্থির বা বাড়ার pattern দেখা গেছে—বিশেষ করে অভিজ্ঞ কর্মীদের ক্ষেত্রে।

Job title-এর বদলে task দেখলে পার্থক্যটি স্পষ্ট হয়। নির্দিষ্ট template-এ প্রথম খসড়া তৈরি, documented rule থেকে উত্তর বের করা বা একই ধরনের input নিয়মিত process করা codified কাজ; এর পদ্ধতি লিখিত নিয়ম ও digital data-তে ধরা থাকে। অসম্পূর্ণ তথ্যের মধ্যে অগ্রাধিকার ঠিক করা, স্থানীয় পরিস্থিতি বুঝে client-এর আপত্তি সামলানো, ব্যতিক্রম চেনা এবং সিদ্ধান্তের দায় নেওয়া tacit knowledge-এর ওপর বেশি নির্ভর করে।

একই পেশায় দুই ধরনের task থাকতে পারে। তাই “এই চাকরি বিলুপ্ত হবে কি না” প্রশ্নের চেয়ে “junior স্তরের কোন কাজ standardised, আর কোন কাজে context, judgement ও accountability দরকার” প্রশ্নটি বেশি কার্যকর। Routine অংশ কমে গেলে পুরো পেশা অদৃশ্য না হয়েও নতুন কর্মীর চাহিদা কমতে পারে; বিপরীতে AI সহায়তায় উৎপাদন বা সেবার চাহিদা বাড়লে কাজের গঠনও বদলাতে পারে।

কেন ১৯%-কে AI-এর causal effect বলা যায় না

বেশি AI exposure এবং দুর্বল তরুণ কর্মসংস্থান একই সময়ে দেখা যাওয়া প্রমাণ করে না যে পুরো ব্যবধান AI ঘটিয়েছে। শিক্ষা, সুদের হার, remote work, শিল্পের গঠন এবং মহামারি-পরবর্তী hiring normalization-ও ফলকে প্রভাবিত করতে পারে। Technology firm ও computer occupation বাদ দেওয়া, interest-rate ও remote-work exposure নিয়ন্ত্রণ এবং বিকল্প AI-exposure measure ব্যবহারের পরও মূল pattern টিকে ছিল—এটি AI-সম্পর্কিত ব্যাখ্যাকে শক্তিশালী করে, চূড়ান্ত করে না।

সতর্কতার পক্ষে গুরুত্বপূর্ণ evidence-ও আছে। শিক্ষা বিবেচনায় নিলে gap ছোট হয়, generative AI ব্যাপক হওয়ার আগেও কিছু ভিন্ন trend দেখা যায় এবং ADP analysis sample-এ ব্যবধান national survey benchmark-এর তুলনায় বড়। সামগ্রিক firm hiring সমন্বয়ের পদ্ধতি বদলালে estimate specification-এর প্রতিও বেশি সংবেদনশীল হয়।

ভৌগোলিক সীমাও স্পষ্ট: এটি যুক্তরাষ্ট্রের ADP payroll sample, বাংলাদেশ বা ভারতের labour market নয়। দক্ষিণ এশিয়ায় outsourcing mix, informal employment, wage level, ভাষাভিত্তিক কাজ এবং AI adoption আলাদা। তাই ১৯% স্থানীয় forecast নয়; কোন ধরনের entry pathway আগে চাপের মুখে পড়তে পারে, তার একটি পরীক্ষাযোগ্য সতর্কসংকেত।

নতুন স্নাতকের দক্ষতা-পরিকল্পনা

শুধু আরও AI tool শেখা যথেষ্ট নয়, আবার AI এড়িয়ে চলাও বাস্তবসম্মত নয়। কার্যকর লক্ষ্য হলো AI দিয়ে codified task দ্রুত করা এবং পাশাপাশি এমন tacit capability-এর প্রমাণ তৈরি করা, যা শুধু prompt বা final output দিয়ে বোঝানো কঠিন।

• লক্ষ্য পদের task আলাদা করুন: routine production, verification, stakeholder interaction এবং judgement—এই ভাগে কাজগুলো সাজান। কোন অংশ automate হতে পারে বোঝা গেলে বাকি অংশের দক্ষতা সচেতনভাবে গড়া যায়।
• প্রক্রিয়াসহ portfolio তৈরি করুন: শুধু final output নয়; অসম্পূর্ণ brief কীভাবে পরিষ্কার করেছেন, AI-এর ভুল কীভাবে ধরেছেন এবং কোন সিদ্ধান্ত নিজে নিয়েছেন তা দেখান। বানানো ফল বা গোপন client data ব্যবহার করবেন না।
• Supervised practice নিন: internship, apprenticeship, campus service, supervised project বা স্বেচ্ছাসেবী কাজ বাস্তব constraint ও feedback-এর সুযোগ দেয়। Tacit knowledge সাধারণত mentorship এবং একই ধরনের বাস্তব পরিস্থিতির পুনরাবৃত্ত অভিজ্ঞতায় তৈরি হয়।
• AI output যাচাই করতে শিখুন: factual check, source tracing, edge case, privacy ও domain rule যাচাই করার ক্ষমতা augmentation-ভিত্তিক কাজে গুরুত্বপূর্ণ। দ্রুত output-এর পাশাপাশি ভুল শনাক্ত করা এবং সিদ্ধান্তের দায় বোঝাও মূল্যবান।

Career adviser ও শিক্ষাপ্রতিষ্ঠানের জন্যও বার্তাটি সরাসরি: training শুধু software tutorial-এ সীমাবদ্ধ থাকলে entry-level bottleneck মিটবে না। শিক্ষার্থীর প্রয়োজন বাস্তব stakeholder, তত্ত্বাবধানে কাজ এবং ভুল সংশোধনের সুযোগ। ১৯% সংখ্যাটি আতঙ্কের forecast নয়; এটি দেখায়, AI-প্রভাবিত বাজারে অভিজ্ঞতা অর্জনের প্রথম সুযোগই সবচেয়ে সংকীর্ণ হয়ে উঠতে পারে।