AI-exposed شعبوں میں نوجوانوں کا روزگار 19٪ پیچھے، مگر سبب قطعی نہیں
Stanford کے امریکی payroll data میں جون 2026 تک زیادہ AI-exposed پیشوں کے 22–25 سالہ کارکنوں کا روزگار اس سطح سے تقریباً 19٪ کم تھا جہاں وہ کم exposed پیشوں میں اپنے ہم عمر کارکنوں کی رفتار برقرار رکھنے پر پہنچتا۔ Stanford Digital Economy Lab کی تحقیقی اپ ڈیٹ میں پوری معیشت پر وسیع job displacement نہیں ملا، تجربہ کار کارکنوں میں ایسا تقابلی خلا نہیں تھا اور مصنفین نے نتائج کو descriptive pattern قرار دیا، AI کا causal estimate نہیں۔
اس لیے 19٪ کو ہر پانچ میں سے تقریباً ایک ملازمت ختم ہونے، نوجوانوں کی بے روزگاری کی شرح یا پاکستان کی پیش گوئی سمجھنا غلط ہوگا۔ نتیجہ ایک محدود مگر سنجیدہ اشارہ دیتا ہے: AI exposure سے وابستہ بعض پیشوں میں career کے ابتدائی مواقع، خصوصاً نئی hiring، باقی نوجوان کارکنوں کی نسبت کمزور ہو سکتے ہیں۔
19٪ کا عدد اصل میں کیا ناپتا ہے؟
یہ relative employment gap ہے، job-loss rate نہیں۔ موازنہ زیادہ AI-exposed پیشوں کے 22–25 سالہ کارکنوں اور اسی عمر کے کم exposed پیشوں میں کام کرنے والوں کی روزگار کی رفتار کے درمیان ہے۔ 19٪ اس مفروضاتی سطح سے کمی ہے جو پہلے گروپ کا روزگار دوسرے گروپ کی رفتار سے بڑھتا تو بنتی۔
یہ عدد کسی فرد کے ملازمت کھونے کا امکان بھی نہیں بتاتا۔ روزگار کی سطح hiring، ملازمت چھوڑنے، برطرفی اور sample میں شامل کمپنیوں کی ساخت سے بدل سکتی ہے۔ تحقیق میں فرق بنیادی طور پر نوجوانوں کی کم hiring سے ظاہر ہوا، نہ کہ موجودہ ملازمین کی separations میں اچانک اضافے سے؛ اسی لیے مرکزی تشویش نوکریوں کا مجموعی خاتمہ نہیں بلکہ ابتدائی دروازے کا نسبتاً تنگ ہونا ہے۔
روزگار اور AI exposure کو کیسے ملایا گیا؟
تحلیل میں ADP کے anonymized، high-frequency administrative payroll records استعمال ہوئے، جو لاکھوں امریکی کارکنوں پر مشتمل تھے۔ Ars Technica کی طریقۂ کار کی وضاحت کے مطابق occupations کو ایک عمومی potential AI-impact پیمانے اور Anthropic Economic Index دونوں سے جانچا گیا؛ مؤخر الذکر Claude کے مشاہدہ شدہ استعمال میں انسانی کام کو خودکار بنانے اور انسان کی مدد کرنے والے استعمال کے درمیان فرق دکھاتا ہے۔
یہاں exposure کسی مخصوص ملازم کے روزانہ AI استعمال کی پیمائش نہیں بلکہ occupation-level درجہ بندی ہے۔ ایک ہی job title میں routine reports، standard drafts یا classification کرنے والا کارکن اور مبہم حالات میں requirements طے کرنے، exceptions سنبھالنے اور نتیجے کی ذمہ داری لینے والا کارکن مختلف خطرات رکھ سکتے ہیں۔ پیشے کی اوسط درجہ بندی ہر فرد یا ہر task پر یکساں طور پر لاگو نہیں ہوتی۔
یہ فرق automation اور augmentation کو الگ رکھنے کی وجہ بھی واضح کرتا ہے۔ ایسا task جس کا input اور قابلِ جانچ output دونوں digital اور معیاری ہوں، نسبتاً آسانی سے خودکار ہو سکتا ہے۔ اس کے برعکس domain context، انسانی رابطے، غیر معمولی صورتِ حال اور جواب دہ منظوری والے کام میں AI عموماً کسی تجربہ کار کارکن کی صلاحیت بڑھاتا ہے، اس کی پوری ذمہ داری نہیں سنبھالتا۔
سبب قطعی کیوں نہیں کہا جا سکتا؟
تحقیق randomized experiment نہیں تھی: کمپنیوں یا پیشوں کو AI exposure تصادفی طور پر نہیں ملا۔ 2022 کے بعد hiring کو شرحِ سود، شعبہ جاتی طلب، وبا کے بعد معمول کی طرف واپسی، remote work، تعلیم اور کمپنیوں کی تنظیمِ نو بھی متاثر کر سکتی تھی۔ وقت اور عمر کے لحاظ سے سامنے آنے والا pattern AI کے ممکنہ کردار سے مطابقت رکھتا ہے، لیکن مطابقت بذاتِ خود سبب ثابت نہیں کرتی۔
اصل working paper کے خلاصے کے مطابق technology firms اور computer occupations نکالنے، interest-rate exposure اور remote work کو شامل کرنے اور متبادل exposure measures آزمانے کے بعد بھی تعلق برقرار رہا؛ تاہم تعلیم کو شامل کرنے پر gap سکڑتا ہے، کچھ مختلف رجحانات generative AI کے وسیع استعمال سے پہلے بھی نظر آتے ہیں اور ADP sample کا تخمینہ قومی survey benchmarks سے بڑا ہے۔ یہ robustness checks چند متبادل توضیحات کو کمزور کرتے ہیں، مگر causal certainty فراہم نہیں کرتے۔
چنانچہ دونوں انتہائی دعوے شواہد سے آگے جاتے ہیں۔ تحقیق نے نہ AI کو بے اثر ثابت کیا اور نہ یہ ناپا کہ AI نے 19٪ entry-level jobs ختم کر دیں۔ اس نے ایک ایسا تقابلی تعلق دکھایا ہے جو عمر، occupational exposure اور hiring کے مرحلے پر مرکوز ہے اور جسے مزید data سے آزمانا ضروری ہے۔
پاکستانی graduates کے لیے entry-level risk matrix
یہ امریکی payroll evidence ہے؛ پاکستان میں informal work، outsourcing، freelancing، اجرتوں، زبانوں، firm size اور payroll coverage کی صورت مختلف ہے۔ اس لیے مقامی career planning میں 19٪ منتقل کرنے کے بجائے job title کے اندر موجود tasks کو تین خانوں میں تقسیم کرنا زیادہ معقول ہے۔ یہ matrix Stanford کا پاکستانی نتیجہ نہیں بلکہ اس کی automation اور augmentation والی تمیز سے اخذ کردہ عملی فریم ورک ہے۔
- زیادہ automatable tasks: ایسے کام جن کا input اور output digital، بار بار دہرایا جانے والا، واضح قواعد میں بند اور آسانی سے جانچا جا سکے؛ مثلاً standard summary، مقررہ template کی report، routine classification یا ابتدائی boilerplate code۔ اگر junior role کا بیشتر حصہ انہی کاموں پر مشتمل ہو تو نئی hiring میں دباؤ کا امکان زیادہ قابلِ نگرانی ہے۔
- زیادہ augmentative skills: مسئلے کی درست تعریف، domain context، source verification، exceptions سنبھالنا، client communication، privacy اور safety judgment، اور AI output کی جواب دہ منظوری۔ ان کاموں میں AI رفتار بڑھا سکتا ہے، مگر قابلِ اعتماد نتیجے کے لیے انسانی سیاق اور ذمہ داری برقرار رہتی ہے۔
- experience-building routes: supervised apprenticeship، senior یا faculty mentor کے ساتھ حقیقی project، internship میں measurable deliverable، open-source contribution اور ایسا portfolio جس میں assumptions، checks، revisions اور فیصلے کی منطق دکھائی دے۔ مقصد AI سے دور رہنا نہیں بلکہ وہ tacit knowledge بنانا ہے جو صرف final output یا prompt سے ثابت نہیں ہوتی۔
کسی مطلوبہ entry-level job کے پانچ سے دس بنیادی tasks لکھ کر ہر ایک کو ان خانوں میں رکھا جا سکتا ہے: AI اسے مکمل کر سکتا ہے، صرف تیز کرتا ہے، یا انسانی context اور accountability کے بغیر قابلِ اعتماد نہیں۔ تیاری میں پہلے خانے کے tools استعمال کرنا سیکھنا ضروری ہے، مگر portfolio اور عملی تجربے کا وزن دوسرے اور تیسرے خانے کی مہارتوں پر ہونا چاہیے۔
مثلاً ایک junior analyst کے لیے spreadsheet صاف کرنا یا ابتدائی summary بنانا نسبتاً automatable ہو سکتا ہے، جبکہ سوال منتخب کرنا، ناقص data پہچاننا، مقامی market context سمجھنا اور سفارش کی حد واضح کرنا augmentative کام ہیں۔ مضبوط portfolio صرف dashboard نہیں دکھائے گا بلکہ data provenance، غلطیوں کی جانچ، revisions اور نتیجے تک پہنچنے کی منطق بھی واضح کرے گا۔
پاکستانی نتیجے کے لیے کون سا ثبوت درکار ہے؟
پاکستان میں اسی نوعیت کا دعویٰ جانچنے کے لیے کم از کم entry-level vacancies اور نئی hiring، موجودہ ملازمین کی separations، اجرت یا کام کے گھنٹے، اور occupation کے اندر task-level AI use کو الگ ناپنا ہوگا۔ اگر صرف hiring کم ہو تو مسئلہ career entry کا ہوگا؛ اگر separations بھی بڑھیں تو displacement کی تعبیر نسبتاً مضبوط ہوگی؛ اور اگر ملازمت برقرار مگر اجرت یا گھنٹے بدلیں تو adjustment کی نوعیت مختلف ہوگی۔
Job-posting data اکیلا کافی نہیں، کیونکہ اشتہار ملازمت یا payroll کی ضمانت نہیں۔ Graduate tracer surveys، employers کے hiring records، payroll یا social-security data اور informal یا freelance کام کی پیمائش کو ساتھ ملانا ہوگا۔ تب تک 19٪ ایک امریکی relative gap ہے: پاکستانی graduates کے لیے تنبیہی سوال اور task-level planning کا نقطۂ آغاز، مقامی شرح یا قطعی پیش گوئی نہیں۔
یہ بھی پڑھیں:
ہمارا نیوز لیٹر سبسکرائب کریں
ویب 3، AI اور کرپٹو کی تازہ خبریں براہ راست اپنے اِن باکس میں پائیں۔