AI-তে ৮০% কর্মী লাভ দেখেন, EBIT লাভে প্রতিষ্ঠান মাত্র ৩৭%

McKinsey & Company ২৫ আগস্ট প্রকাশিত বৈশ্বিক সমীক্ষায় AI ব্যবহারের দুই অসম ফল তুলে ধরেছে। McKinsey-এর ২০২৬ সালের সমীক্ষা অনুযায়ী, ৮০% উত্তরদাতা বলেছেন AI তাঁদের ব্যক্তিগত উৎপাদনশীলতা বাড়িয়েছে; বিপরীতে ৩৭% তাঁদের প্রতিষ্ঠানের EBIT-এ AI-এর অন্তত কিছু ইতিবাচক অবদান শনাক্ত করেছেন—যে হার ২০২৫ সালের তুলনায় কার্যত অপরিবর্তিত।

অর্থাৎ ব্যক্তির কাজে উপকারের অভিজ্ঞতা দ্রুত ছড়ালেও প্রতিষ্ঠানজুড়ে আর্থিক প্রভাব একই গতিতে বাড়েনি। ২৬ আগস্টের ITPro-র সংবাদ-ব্যাখ্যায় ৮০% ও ৩৭%-এর ব্যবধানের পাশাপাশি বলা হয়েছে, প্রায় ২০% উত্তরদাতার প্রতিষ্ঠানে পরিচালন ব্যয় AI ব্যবহার সীমিত করেছে; ২৮% প্রতিষ্ঠানে AI মোট তথ্য ও যোগাযোগপ্রযুক্তি বাজেটের ১০%-এর বেশি পাচ্ছে এবং ৬০% উত্তরদাতা আগামী বছরে বিনিয়োগ বাড়ার প্রত্যাশা করছেন।

৮০% ও ৩৭% একই ফলের দুই হিসাব নয়

প্রথম সংখ্যাটি উত্তরদাতার নিজের কাজ নিয়ে মূল্যায়ন: AI ব্যবহারে তাঁর উৎপাদনশীলতা বেড়েছে কি না। দ্বিতীয়টি প্রতিষ্ঠান-স্তরের আর্থিক মাপকাঠি—সুদ ও করের আগের মুনাফা বা EBIT-এ AI ইতিবাচক অবদান রেখেছে বলে উত্তরদাতা মনে করেন কি না। তাই দুটি হার পাশাপাশি ব্যবধানটি দেখালেও সরাসরি বিয়োগ করে প্রতিষ্ঠানের ‘হারানো উৎপাদনশীলতা’ হিসাব করা যাবে না।

সমীক্ষাটি ৪ মে থেকে ৮ জুন পর্যন্ত অনলাইনে চালানো হয়। Information & Data Manager-এর পদ্ধতিগত সারাংশ অনুযায়ী, ৯৭ দেশের ১,৭১৯ জন এতে অংশ নেন; তাঁদের ৩৬% বছরে ১০০ কোটি ডলারের বেশি আয় করা প্রতিষ্ঠানে কর্মরত এবং দেশভেদে সাড়ার পার্থক্য সামলাতে ফলাফল সংশ্লিষ্ট দেশের বৈশ্বিক GDP অবদান অনুযায়ী ওজন করা হয়েছে।

এগুলো audited financial statement থেকে সংগ্রহ করা প্রতিষ্ঠানের EBIT হিসাব নয়; উত্তরদাতাদের জানানো অভিজ্ঞতা ও তাঁদের প্রতিষ্ঠানের প্রভাব সম্পর্কে মূল্যায়ন। একইভাবে, দ্রুত খসড়া তৈরি, অনুসন্ধান বা সিদ্ধান্ত গ্রহণকে ব্যক্তিগত উৎপাদনশীলতা হিসেবে দেখা গেলেও সেই সাশ্রয় করা সময় অতিরিক্ত output, আয় বা কম ব্যয়ে রূপ নিয়েছে কি না—সমীক্ষার ৮০% হার একা তা বলে না।

ইতিবাচক EBIT অবদান আর উচ্চ আর্থিক সাফল্যও আলাদা

৩৭% হারটির অর্থ AI থেকে যেকোনো মাত্রার ইতিবাচক EBIT অবদান; এটি বড় বা তাৎপর্যপূর্ণ মুনাফা বৃদ্ধির সমার্থক নয়। সমীক্ষায় ‘AI high performer’ বলা হয়েছে সেই উত্তরদাতাদের প্রতিষ্ঠানকে, যারা AI-এর সঙ্গে অন্তত ৫% EBIT অবদান এবং ‘উল্লেখযোগ্য’ মূল্য—দুটিই জানিয়েছে।

২৭ আগস্টের ETNews-এর প্রতিবেদনে এই উচ্চ-সাফল্যের দলে মাত্র ৬% উত্তরদাতা থাকার কথা বলা হয়েছে; হারটি ২০২৫ সালের সমান। ওই দলের প্রায় তিন-চতুর্থাংশ AI ব্যবহারের সঙ্গে workflow মৌলিকভাবে পুনর্গঠনের কথা বলেছেন এবং তাঁরা অন্যদের তুলনায় আগামী তিন বছরে AI দিয়ে ব্যবসা রূপান্তরের লক্ষ্য নেওয়ার সম্ভাবনায় ৩.৩ গুণ এগিয়ে।

তবে এই সহাবস্থান থেকে workflow redesign-ই বেশি EBIT-এর একক কারণ—এমন সিদ্ধান্ত দেওয়া যায় না। উচ্চ-সাফল্যের প্রতিষ্ঠানগুলো একই সঙ্গে বেশি বিনিয়োগ, বিস্তৃত deployment, নেতৃত্বের অঙ্গীকার এবং প্রভাব পরিমাপের আনুষ্ঠানিক প্রক্রিয়াও বেশি জানিয়েছে। সমীক্ষাটি এসব বৈশিষ্ট্যের সম্পর্ক দেখায়, নিয়ন্ত্রিত পরীক্ষায় কারণ প্রমাণ করে না।

এজেন্ট বিস্তারে বড় প্রতিষ্ঠানের ব্যবধান বেড়েছে

Agent scaling-এর ক্ষেত্রে প্রতিষ্ঠানের আকারভেদে পার্থক্য স্পষ্ট। TechRadar-এর ২৮ আগস্টের প্রতিবেদনে বলা হয়েছে, ১০০ কোটি ডলারের বেশি বার্ষিক আয়ের প্রতিষ্ঠানের ৪০% উত্তরদাতা এক বা একাধিক কাজে AI agent scale করার কথা বলেছেন, যা আগের বছর ছিল ২৭%; ছোট প্রতিষ্ঠানে হারটি প্রায় অপরিবর্তিত ২২%। একই প্রতিবেদনে প্রায় ৩২% উত্তরদাতার অন্তত একটি software product বা feature না কিনে agentic coding tool দিয়ে ভেতরে প্রয়োজনীয় functionality তৈরির সিদ্ধান্তের কথাও এসেছে।

এখানে scaling বলতে শুধু pilot চালানো নয়; প্রতিষ্ঠানের এক বা একাধিক অংশে ব্যবহার বিস্তারের পর্যায় বোঝানো হয়েছে। তবু deployment-এর বিস্তার নিজে EBIT বৃদ্ধির প্রমাণ নয়। Coding agent দিয়ে software কেনা এড়ানোর সিদ্ধান্ত সম্ভাব্য procurement saving দেখাতে পারে, কিন্তু নিজস্ব নির্মাণ, রক্ষণাবেক্ষণ, যাচাই ও token ব্যয় বাদ দিয়ে নিট সাশ্রয় নির্ধারণ করা যায় না।

বিনিয়োগ বাড়লেও পরিচালন ব্যয় সীমা তৈরি করছে

সমীক্ষার খরচসংক্রান্ত ফল দুটি বিপরীত প্রবণতা একসঙ্গে দেখায়। একদিকে অধিকাংশ উত্তরদাতা বিনিয়োগ বাড়ার প্রত্যাশা করছেন; অন্যদিকে একটি উল্লেখযোগ্য অংশ ইতিমধ্যে token-সহ পরিচালন ব্যয়ের কারণে ব্যবহার সীমিত হওয়ার কথা জানিয়েছেন। অর্থাৎ বাজেটে AI-এর অংশ বাড়া আর সেই ব্যয় থেকে পরিমাপযোগ্য আর্থিক মূল্য পাওয়া একই মেট্রিক নয়।

Agent বহু ধাপে কাজ করলে, বাইরের tool ব্যবহার করলে বা ফল যাচাইয়ের জন্য মানুষের সময় লাগলে কেবল model বা subscription-এর দাম প্রকৃত unit cost দেখায় না। সমীক্ষা নির্দিষ্ট কোনো প্রতিষ্ঠানের পূর্ণ ব্যয় কাঠামো দেয়নি; ফলে খরচের চাপ EBIT ব্যবধানের কতটা ব্যাখ্যা করে, তা এই তথ্য থেকে আলাদা করে নির্ধারণ করা সম্ভব নয়।

ব্যবহার থেকে মূল্য—চার স্তরের ফল আলাদা থাকে

সমীক্ষার ফল বোঝার জন্য চারটি স্তর পৃথক: ব্যক্তির অনুভূত উৎপাদনশীলতা, workflow-এর মাপা output, AI-সহ প্রতি output-এর মোট খরচ এবং প্রতিষ্ঠান-স্তরের আর্থিক অবদান। প্রথম স্তরে সময় সাশ্রয় বা কাজের মান সম্পর্কে উত্তর থাকতে পারে; দ্বিতীয় স্তরে cycle time, error rate বা সম্পন্ন কাজ; তৃতীয় স্তরে software, token ও human review; চতুর্থ স্তরে আয়, সাশ্রয় ও EBIT।

এই স্তরগুলো মিশে গেলে ব্যবহার বৃদ্ধিকে আর্থিক মূল্য হিসেবে দেখানোর ঝুঁকি তৈরি হয়। কোনো দল দ্রুত নথি তৈরি করলেও পর্যালোচনার ব্যয় বাড়লে বা সাশ্রয় করা সময় অতিরিক্ত output-এ না গেলে ব্যক্তিগত উৎপাদনশীলতার অভিজ্ঞতা ইতিবাচক হতে পারে, অথচ unit economics ও EBIT অপরিবর্তিত থাকতে পারে। এটি সমীক্ষায় প্রমাণিত কোনো কারণ নয়; ৮০% ও ৩৭% যে ভিন্ন প্রশ্নের উত্তর, তার পরিমাপগত ব্যাখ্যা।

এখন পর্যন্ত নিশ্চিত চিত্র হলো, ব্যক্তিগত লাভ, agent deployment ও AI বিনিয়োগ বিস্তৃত হচ্ছে, কিন্তু ইতিবাচক EBIT অবদান জানানো উত্তরদাতার অংশ এক বছরে বাড়েনি। পরবর্তী সমীক্ষায় বোঝা যাবে workflow পুনর্গঠন ও আনুষ্ঠানিক impact measurement-এর সঙ্গে আর্থিক ফলও বিস্তৃত হয় কি না, এবং ছোট প্রতিষ্ঠানের agent-scaling হার স্থবিরতা কাটায় কি না।