- शब्द: BCG कंसल्टेंसी के शोधकर्ताओं के HBR अध्ययन (5 मार्च 2026) में AI टूल के ज़रूरत से ज़्यादा इस्तेमाल या निगरानी से होने वाली मानसिक थकान को „AI Brain Fry“ कहा गया है। यह कोई चिकित्सा निदान नहीं है।
- प्रसार: अमेरिका की बड़ी कंपनियों में 14 % AI इस्तेमाल करने वालों ने इसे कभी न कभी अनुभव किया है (1,488 उत्तरदाता, स्व-रिपोर्ट)। यह सभी कर्मचारियों का 14 % नहीं है, और पूछा गया था “कभी अनुभव किया”।
- प्रतिशत मान: निगरानी, थकावट, निर्णय थकान, गलतियों और बर्नआउट के मान स्केल मानों के सापेक्ष अंतर हैं, लोगों का अनुपात नहीं। उदाहरण: जो बहुत AI की निगरानी करता है, वह औसतन 14 % ज़्यादा मानसिक मेहनत बताता है।
- संदर्भ बदलना: प्रयोगशाला में यह साबित है कि बदलाव की कीमत होती है (Monsell 2003, Rubinstein et al. 2001)। अध्ययन में कार्य बदलने से जुड़े सवालों का संबंध सूचना के अधिभार से जुड़े संबंध की तुलना में कम स्पष्ट है।
- दूसरा पक्ष: AI से कम नियमित काम का संबंध बर्नआउट के 15 % कम मानों से था। एक फ़ील्ड अध्ययन में औसतन प्रति घंटे 15 % ज़्यादा मामले सुलझे (Brynjolfsson et al. 2025)।
- कार्य-लय: शुरू, फ़ोकस, कटाई, सूचनाएँ सिर्फ़ कटाई में पढ़ना और उतने ही रन जितने तुम जाँच सको। अलग-अलग हिस्सों के लिए दूसरे क्षेत्रों से संकेत हैं (इकट्ठा सूचनाओं पर Fitz 2019, Masicampo और Baumeister 2011), AI की निगरानी के लिए कोई भी जाँचा नहीं गया है।
कुछ दिनों में मेरे यहाँ 5 से 6 AI रन एक साथ चलते हैं। शुरू करने में मिनट लगते हैं। फिर नतीजे एक के बाद एक आते हैं, और हर एक को जाँचना, सुधारना या अनुमोदित करना होता है। मैं टेक्स्ट, रिसर्च और मसौदों के बीच कूदता रहता हूँ। क्या यह पहले से AI Brain Fry है, मैं नहीं कह सकता, क्योंकि इसका कोई निदान नहीं है।
जो AI एजेंट इस्तेमाल करता है या व्यवसाय में AI लाता है, वह कभी न कभी कई रन एक साथ चलाता है और उसके सामने वही सवाल आता है: मैं अब भी कितने रन समझदारी से जाँच सकता हूँ? यह लेख बताता है कि AI Brain Fry पर अध्ययन क्या साबित करता है, संदर्भ बदलने पर शोध का हवाला देता है, दूसरा पक्ष दिखाता है और मेरी काम की लय बताता है।
AI Brain Fry: परिभाषा और बर्नआउट से अंतर
Bedard, Kropp, Hsu, Karaman, Hawes और Rosen Kellerman ने 5 मार्च 2026 के HBR लेख “When Using AI Leads to ‘Brain Fry’” में “AI Brain Fry” शब्द पेश किया। ये सभी सलाहकार कंपनी BCG में काम करते हैं, और इनमें से 2 अतिरिक्त रूप से University of California, Riverside में पीएचडी कर रहे हैं। उनकी परिभाषा, भावार्थ अनुवाद में: AI टूल्स के अत्यधिक उपयोग या उनकी निगरानी से, अपनी संज्ञानात्मक क्षमता से आगे जाने पर होने वाली मानसिक थकान। जर्मन में कोई शब्द स्थापित नहीं हुआ है। मीडिया “AI-थकावट”, “AI-बर्नआउट” या “AI Fatigue” लिखता है, और एक विशेषज्ञ पोर्टल ने शीर्षक दिया “तला हुआ दिमाग”।
AI Brain Fry को बर्नआउट के बराबर नहीं माना जा सकता। लेखक बर्नआउट को भावनात्मक थकावट के साथ लगातार काम का तनाव बताते हैं। उनकी समझ में Brain Fry ध्यान, कार्यशील स्मृति और अपनी सोच के नियंत्रण पर अचानक पड़ा बोझ है। यह कोई चिकित्सीय निदान नहीं है।
स्रोत के बारे में एक बात: BCG खुद AI अपनाने की सलाहकारी बेचता है। लेख सुझाता है कि AI परियोजनाओं के 70 % प्रयास को लोगों और प्रक्रियाओं में लगाया जाए। इससे आँकड़े गलत नहीं हो जाते, लेकिन यह विषय में उसका अपना हित दिखाता है।
अध्ययन के आँकड़े और उन्हें कैसे पढ़ें
अमेरिका की बड़ी कंपनियों के 1,488 पूर्णकालिक कर्मचारियों से एक बार, स्वयं दी गई जानकारी के आधार पर पूछा गया। मुझे कोई प्रश्नावली या पद्धति वाला वर्किंग पेपर नहीं मिला। हर संख्या के लिए यह जानना ज़रूरी है कि वह असल में क्या मापती है:
| अध्ययन का निष्कर्ष | संख्या को ऐसे पढ़ो |
|---|---|
| AI इस्तेमाल करने वालों में से 14 % ने माना कि उन्होंने कभी Brain Fry का अनुभव किया है | लोगों का अनुपात, लेकिन सिर्फ़ अमेरिका की बड़ी कंपनियों के AI इस्तेमाल करने वालों में, और सवाल था „कभी अनुभव किया“। यह कहना ग़लत होगा: „हर सातवाँ इससे पीड़ित है।“ |
| AI पर कम की जगह ज़्यादा निगरानी: 14 % ज़्यादा मानसिक मेहनत, 12 % ज़्यादा मानसिक थकान, 19 % ज़्यादा सूचना की अधिकता | स्व-रिपोर्ट किए गए स्केल मानों के 2 समूहों के बीच सापेक्ष अंतर, लोगों का अनुपात नहीं। |
| Brain Fry के साथ: 33 % ज़्यादा निर्णय थकान, 11 % ज़्यादा छोटी और 39 % ज़्यादा बड़ी गलतियाँ | ये भी स्व-मूल्यांकन के पैमाने के मान हैं, गिनी हुई गलतियाँ नहीं। “Brain Fry से 39 % ज़्यादा गंभीर गलतियाँ होती हैं” कहना गलत होगा। |
| नौकरी छोड़ने का इरादा: Brain Fry के बिना 25 %, Brain Fry के साथ 34 % | लोगों के अनुपातों की तुलना। HBR जो सापेक्ष संख्या बताता है, उसे मैं बताए गए मानों से दोबारा नहीं निकाल सकता, इसलिए वह यहाँ नहीं है। |
| कार्य के अनुसार: मार्केटिंग कार्यों में 26 % कर्मचारियों और कानूनी कार्यों में 6 % ने बताया कि उन्होंने Brain Fry अनुभव किया है | बड़ी अमेरिकी कंपनियों के कार्य, उद्योग नहीं। |
| एक साथ इस्तेमाल किए गए AI टूल: महसूस की गई उत्पादकता 1 से 2 पर साफ़ बढ़ती है, उसके बाद कम बढ़ती है, और चौथे से हल्की घटती है | मापी गई चीज़ महसूस की गई उत्पादकता है। यह साफ़ नहीं है कि टूल गिने गए या एजेंट। इससे एजेंटों की कोई सीमा नहीं निकलती। |
रोज़मर्रा के लिए किसी भी प्रतिशत से ज़्यादा 2 निष्कर्ष अहम हैं। पहला: बोझ और मानसिक थकान से मुख्य रूप से AI के आउटपुट की लगातार निगरानी जुड़ी थी, साथ ही AI की वजह से बढ़ा काम का बोझ। अध्ययन का केंद्र निगरानी है। दूसरा संदर्भ बदलने से जुड़ा है: खुले टेक्स्ट वाले जवाब सूचना की अधिकता और काम बदलने को अहम कारक बताते हैं। लेकिन काम बदलने से जुड़े सवालों के साथ सांख्यिकीय संबंध सूचना की अधिकता वाले संबंध से कम स्पष्ट है। इस अध्ययन में संदर्भ बदलने को “मुख्य कारण” नहीं कहा जा सकता।
एक और सावधानी: लेखक लिखते हैं कि AI का इस्तेमाल थकावट का कारण “may be causing” हो सकता है, और निगरानी उसे “predicted” करती है। ये सावधानी भरे शब्द अच्छे कारण से हैं। क्रॉस-सेक्शन में उल्टी दिशा भी संभव है: जो वैसे ही ज़्यादा बोझ में है, उसे निगरानी शायद ज़्यादा बोझिल लगती है।
संदर्भ बदलना और निगरानी: इनमें इतना ध्यान क्यों लगता है
काम बदलने में समय और सटीकता की कीमत लगती है, यह मनोविज्ञान दशकों से जाँच रहा है, लेकिन AI के साथ काम पर नहीं। जानकारी अध्ययनों के सारांशों से ली गई है, Mark के मामले में लेखों से।
- स्विचिंग की लागत: किसी काम से दूसरे पर जाने के बाद प्रयोगशाला में लोग धीरे जवाब देते हैं और अक्सर ज़्यादा गलतियाँ करते हैं। तैयारी लागत घटाती है, खत्म नहीं करती (Monsell 2003, सरल कामों पर समीक्षा लेख)। नियमों की जटिलता बढ़ने पर यह बढ़ती है, संकेत मिलने पर घटती है और अपरिचित कामों में ज़्यादा होती है (Rubinstein, Meyer, Evans 2001)।
- ध्यान के अवशेष: ध्यान अधूरे कामों से मुश्किल से छूटता है, और अगले काम में प्रदर्शन घट जाता है। इसका तकनीकी नाम „Attention Residue“ है (Leroy 2009, 2 प्रयोग)।
- रुकावटें: एक कंपनी के 24 कर्मचारियों में (हर एक को 3.5 दिन देखा गया, अध्ययन की अवधि 13 महीने) काम की 57 % इकाइयाँ बीच में रुकीं। रुके हुए काम पर वे उसी दिन औसतन 25 मिनट 26 सेकंड बाद लौटे। फैलाव बहुत बड़ा है (मानक विचलन 54 मिनट 48 सेकंड), और 77 % काम उसी दिन दोबारा शुरू हुए (Mark, Gonzalez, Harris 2005)। प्रयोगशाला में रुकावट झेलने वाले लोगों ने तेज़ काम किया, लेकिन ज़्यादा तनाव और मेहनत के साथ (Mark, Gudith, Klocke 2008, 48 प्रतिभागी, ज़्यादातर छात्र)।
- ऑटोमेशन की निगरानी: जो स्वचालित सिस्टम की निगरानी करता है, वह एक साथ कई बोझ होने पर कम जाँच करता है (Complacency) और विशेषज्ञ होते हुए भी सुझावों को बहुत जल्दी मान लेता है (Automation Bias)। प्रशिक्षण इसे नहीं रोकता (Parasuraman और Manzey 2010, समीक्षा लेख)।
मेरी समझ: जो 5 रन चलाता है, वह 5 कार्यों के बीच बदलता है और साथ-साथ दूसरों के नतीजे जाँचता रहता है। दोनों मिलकर वही बैठते हैं जो अध्ययन और यह शोध बताते हैं। AI के साथ काम के लिए यह साबित नहीं है। प्रयोगशाला और दफ़्तर के अध्ययन AI एजेंटों से पहले के समय के हैं, और रुकावट वाले अध्ययनों में नमूने छोटे हैं।
दूसरा पक्ष: दिनचर्या सौंप देना राहत देता है
इसी अध्ययन का एक दूसरा संदेश भी है, जो बोझ के आँकड़ों के बीच आसानी से दब जाता है। जिन कर्मचारियों के पास AI की वजह से कम रूटीन काम था, उन्होंने 15 % कम बर्नआउट स्कोर बताए। मानसिक थकान के स्कोर कम नहीं थे। यह फिर से स्व-रिपोर्ट पर आधारित संबंध है, लेकिन यह AI के उपयोग को बिना भेद किए बोझ मानने के ख़िलाफ़ जाता है। कम थकान का संबंध इन बातों से भी था: जब प्रबंधन AI से जुड़े सवालों के जवाब देता था (15 % कम) और जब कर्मचारियों को लगता था कि उनकी कंपनी वर्क-लाइफ बैलेंस को महत्व देती है (28 % कम)।
एक फ़ील्ड अध्ययन उसी दिशा में संकेत देता है। Brynjolfsson, Li और Raymond ने “Generative AI at Work” (2025 में प्रकाशित) में 5,172 सपोर्ट कर्मचारियों का डेटा जाँचा, जिनके यहाँ 2020 और 2021 में चरणबद्ध तरीके से एक AI सहायक लागू किया गया था। औसतन उन्होंने प्रति घंटे 15 % ज़्यादा मामले सुलझाए। कम अनुभवी और कम योग्य कर्मचारियों को ज़्यादा फ़ायदा हुआ, जबकि सबसे अनुभवी लोगों में गति का लाभ और गुणवत्ता की हानि दोनों छोटे थे। कर्मचारियों की भलाई सीधे नहीं मापी गई, और 2020 के सहायक के साथ सपोर्ट का काम कई एजेंट चलाने से अलग है।
आँकड़ों में बोझ और राहत साथ-साथ दिखते हैं। मेरी समझ: यह इस पर निर्भर करता है कि अपनी क्षमता में कितनी निगरानी समाती है। इससे कम AI का नतीजा नहीं निकलता।
कार्य-लय: शुरू, फ़ोकस, कटाई
यहाँ से मैं अपने काम करने का तरीका बताता हूँ। यह एक अकेले उद्यमी का अनुभव है, कोई जाँची-परखी पद्धति नहीं। जहाँ किसी हिस्से के लिए दूसरे क्षेत्रों के प्रमाण हैं, वह साथ में लिखा है। ये हिस्से AI की निगरानी में भी उसी तरह काम करते हैं या नहीं, यह खुला सवाल है।
मूल विचार: मैं AI से अपने संपर्क के बिंदु सीमित रखता हूँ और रन की अवधि खुली छोड़ता हूँ। वे लंबे चल सकते हैं, बस मैं सिर्फ़ तय समय पर देखता हूँ। इससे 3 ब्लॉक बनते हैं:
| ब्लॉक | क्या होता है | अवधि |
|---|---|---|
| शुरुआत | सारे काम एक के बाद एक भेजना, हर एक का साफ़ नतीजा | 15 से 30 मिनट |
| फ़ोकस | एक अपना काम, जिसे सिर्फ़ मैं हल कर सकता हूँ। नतीजे पढ़ना नहीं, रन देखना नहीं | 90 से 120 मिनट |
| कटाई | नतीजे जाँचें, मंज़ूर करें, सुधारों को नए काम के रूप में शुरू करें (यही अगली शुरुआत भी है) | 30 से 45 मिनट |
शुरुआत: एक जैसे काम बैच के रूप में
शुरू में साफ़ आदेश मायने रखता है। एक जैसे काम मैं बैच में भेजता हूँ, 5 से 6 समानांतर। जो बैच में नहीं बैठता, वह अगली शुरुआत का इंतज़ार करता है। तैयारी और संकेत स्विच करने की लागत घटाते हैं (Rubinstein, Monsell)। इसलिए आदेश में एक वाक्य जोड़ना ठीक रहता है कि तुम तैयार नतीजे को कैसे पहचानोगे और उसका क्या करना चाहते हो। यह प्रयोगशाला से लिया गया स्थानांतरण है।
फ़ोकस: सूचनाएँ कटाई में ही पढ़ें
फ़ोकस ब्लॉक में मैं नतीजे नहीं पढ़ता और रन नहीं देखता। सूचनाएँ आ सकती हैं, पर पढ़ी कटाई में ही जाती हैं। यह बंडल करने से कम है: वे अब भी अलग-अलग आती रहती हैं, मैं बस उन्हें पड़ा रहने देता हूँ।
इकट्ठा करने के लिए एक स्मार्टफ़ोन फ़ील्ड प्रयोग है। Fitz और सहकर्मियों (2019) ने 237 लोगों को नोटिफ़िकेशन पहले की तरह, दिन में 3 बार इकट्ठा करके, या बिल्कुल नहीं मिलने दिए। इकट्ठा पाने वाले समूह ने ज़्यादा ध्यान, बेहतर मूड और कम तनाव बताया। बिल्कुल नोटिफ़िकेशन न पाने वाले समूह को शायद ही कोई फ़ायदा हुआ, उलटे ज़्यादा चिंता और कुछ छूट जाने का ज़्यादा डर रहा। यानी इकट्ठा करना बंद करने से बेहतर रहा। जो फ़ोकस ब्लॉक को इस तरह सहारा देना चाहता है, वह सूचनाएँ इकट्ठा करके आने देता है। सिर्फ़ उन्हें पड़ा रहने देना भी वही नतीजा देता है या नहीं, यह अध्ययन नहीं दिखाता। iPhone और Pixel की सेटिंग्स हमेशा उपलब्ध रहने वाले लेख में हैं।
कटाई: जाँचें, मंज़ूर करें, बदलाव नोट करें
कटाई में मैं नतीजे एक के बाद एक जाँचता हूँ, मंज़ूर करता हूँ और सुधारों को नए काम के रूप में भेजता हूँ। साथ ही अगली शुरुआत होती है। जो 2 नतीजों के बीच या वापस अपने काम में जाता है, वह 1 वाक्य में नोट कर सकता है कि वह कहाँ और कैसे आगे बढ़ेगा। Masicampo और Baumeister ने 2011 में प्रयोगशाला प्रयोगों में दिखाया कि कोई लक्ष्य कब और कैसे पूरा होगा, इसकी ठोस योजना अधूरे लक्ष्य के विघ्नकारी असर को खत्म कर देती है। क्या यह पड़े रह गए AI नतीजों पर भी लागू होता है, इस पर मुझे कोई अध्ययन नहीं मिला।
कटाई और नई शुरुआत के बाद, अगला फ़ोकस ब्लॉक शुरू होने से पहले, असली विराम मदद करता है। एक मेटा-विश्लेषण (22 नमूने, 2,335 लोग) में पाया गया कि माइक्रो-ब्रेक जीवन-शक्ति बढ़ाते हैं और थकान घटाते हैं, दोनों छोटे स्तर पर (Albulescu et al. 2022)। कठिन काम में प्रदर्शन के लिए असर पक्का नहीं है, सिफ़ारिश भलाई पर टिकी है।
उतने रन जितने तुम जाँच सकते हो
रुकावट जाँच में है, शुरू करने में नहीं। एक दिन तब भर जाता है जब कटाई कार्य-समय में नहीं समाती। यह अनुभव-रिपोर्टों से मेल खाता है। Addy Osmani एजेंटों की संख्या को अपनी समीक्षा की दर से जोड़ते हैं और लिखते हैं कि ज़्यादातर लोगों के लिए यह एक छोटी इकाई वाली संख्या है (The Orchestration Tax, 2026)। Simon Willison के अपने कथन के अनुसार वे एक समय में सिर्फ़ एक बड़े बदलाव को जाँचने और अपनाने पर ध्यान दे पाते हैं (2025)।
HBR अध्ययन की 3 टूल वाली सीमा रन के लिए पैमाना नहीं बन सकती, क्योंकि यह साफ़ नहीं कि क्या गिना गया था। टेस्ट के लिए एक सरल नियम काफ़ी है: उतने ही रन शुरू करो जितने तुम अगले कटाई ब्लॉक में अच्छी तरह जाँच सको। एक हफ़्ते बाद देखो कि कितने नतीजे पड़े रह गए।
अध्ययनों की उपलब्ध स्थिति की सीमाएँ
Brain Fry अध्ययन स्वयं दी गई जानकारी और एक क्रॉस-सेक्शन पर आधारित है, यह अमेरिका और बड़ी कंपनियों से आता है और एक मैनेजमेंट पत्रिका में बिना सहकर्मी समीक्षा के छपा है। Brain Fry का सवाल „कभी“ वाला एक अकेला हाँ-नहीं आइटम है, कोई जाँचा हुआ प्रश्नावली नहीं। निर्णय की थकान में 33 % ज़्यादा एक स्केल मान है। इसके पीछे का तंत्र (Ego Depletion) 2 बड़े दोहराव अध्ययनों में भरोसेमंद रूप से नहीं दिखाया जा सका (Hagger et al. 2016, Vohs et al. 2021)।
उपायों के मामले में तस्वीर कमज़ोर है। Fitz, Masicampo और Albulescu ने स्मार्टफ़ोन, प्रयोगशाला के कार्यों और ब्रेक का अध्ययन किया, AI की निगरानी का नहीं। अकेले व्यवसाय चलाने वालों के कई एजेंट चलाने पर मुझे कोई अध्ययन नहीं मिला। मेरा अनुभव एक अकेला डेटा बिंदु है। जो लोग इसी तरह के रन चलाते हैं, वे इस लय को परिकल्पना के रूप में परख सकते हैं और अपनी कटाई पर माप सकते हैं।
मैं रोज़मर्रा में AI रन कैसे चलाता हूँ और उसमें क्या गलत होता है, यह मैं न्यूज़लेटर AI Sync में दिखाता हूँ, जो हर रविवार आता है।
इस पेज की हर चीज़ मेरे बिना लागू की जा सकती है। नए टूल और बदलाव मैं यहाँ जोड़ता हूँ, और हर रविवार न्यूज़लेटर में इस पर एक टिप आती है।
AI Sync पर जाएँमैं आपके साथ ऐसी AI प्रक्रियाएँ सेट अप करता हूँ जो अपने नतीजे तय समय पर इकट्ठा करके मंज़ूरी के लिए देती हैं, और आपके साथ तय करता हूँ कि कौन क्या जाँचेगा। Eisenstadt से Mattersburg और Wiener Neustadt तक मौके पर, और पूरे जर्मन-भाषी क्षेत्र में ऑनलाइन।
और जानेंअक्सर पूछे जाने वाले सवाल
AI Brain Fry क्या है?
AI Brain Fry एक HBR अध्ययन का शब्द है, जो BCG कंसल्टेंसी के शोधकर्ताओं ने लिखा (5 मार्च 2026)। इसका अर्थ है AI टूल के अपनी क्षमता से ज़्यादा इस्तेमाल या निगरानी से होने वाली मानसिक थकान। यह शब्द कोई चिकित्सा निदान नहीं है। अध्ययन अमेरिका की बड़ी कंपनियों के 1,488 कर्मचारियों के स्वयं दिए गए जवाबों पर आधारित है।
AI Brain Fry कितना आम है?
अध्ययन में AI इस्तेमाल करने वालों में से 14 % ने इस सवाल पर हाँ कहा कि क्या उन्होंने इसे कभी अनुभव किया है। यह अमेरिकी बड़ी कंपनियों के AI उपयोगकर्ताओं पर लागू होता है, और सवाल “कभी अनुभव किया” के बारे में था। कार्य के अनुसार मान काफ़ी अलग थे: मार्केटिंग कार्यों में 26 % कर्मचारी, कानूनी कार्यों में 6 %। अकेले व्यवसाय चलाने वालों या ऑस्ट्रिया के KMU के लिए मुझे कोई संख्या नहीं पता।
क्या AI Brain Fry और बर्नआउट एक ही चीज़ है?
नहीं। लेखक बर्नआउट को भावनात्मक थकावट के साथ लगातार काम का तनाव बताते हैं, और Brain Fry को ध्यान और कार्यशील स्मृति पर अचानक पड़ा बोझ। अध्ययन में AI से नियमित काम कम होना 15 % कम बर्नआउट स्कोर से जुड़ा था, मानसिक थकान के स्कोर कम नहीं थे। फिर भी मीडिया अक्सर “AI बर्नआउट” लिखता है।
एक साथ कितने AI टूल या एजेंट ज़्यादा हैं?
कोई निश्चित संख्या मुझे किसी अध्ययन में नहीं मिली। अध्ययन में 1 से 2 एक साथ इस्तेमाल किए गए टूल पर महसूस की गई उत्पादकता साफ़ बढ़ी, उसके बाद कम बढ़ी, और चौथे से हल्की घटी। यह साफ़ नहीं है कि वास्तव में क्या गिना गया। डेवलपर Addy Osmani एजेंटों की संख्या को अपनी जाँच क्षमता से जोड़ते हैं और ज़्यादातर लोगों के लिए एक छोटी एकल अंक की संख्या बताते हैं। यह अनुभव पर आधारित मान है।
AI Brain Fry से क्या मदद मिलती है?
AI की निगरानी के लिए कोई जाँचा हुआ उपाय नहीं है। दूसरे क्षेत्रों से दिन में 3 बार बंडल की हुई सूचनाओं (Fitz et al. 2019, 237 लोग), अधूरे कामों के लिए ठोस योजना (Masicampo और Baumeister 2011) और थकान के ख़िलाफ़ छोटे ब्रेक (Albulescu et al. 2022) के संकेत मिलते हैं। अध्ययन खुद दिनचर्या सौंपना और निगरानी की सीमाएँ तय करना बताता है। क्या यह AI की निगरानी में काम करता है, यह खुला सवाल है।
क्या AI थकाती है या राहत देती है?
दोनों बातें आँकड़ों में मिलती हैं। AI पर कम की जगह ज़्यादा निगरानी रखने का संबंध 12 % अधिक मानसिक थकान से था (स्व-रिपोर्ट पर आधारित सापेक्ष अंतर)। कम रूटीन काम का संबंध 15 % कम बर्नआउट स्कोर से था। 5,172 सपोर्ट कर्मचारियों पर हुए एक फ़ील्ड अध्ययन में AI असिस्टेंट वाले कर्मचारियों ने औसतन प्रति घंटे 15 % अधिक मामले सुलझाए (Brynjolfsson et al. 2025)।
इस लेख में बदलाव
- 10 नवंबर 2026पहला संस्करण।
