کل کا AI آج کی دنیا سے نہیں ملے گا۔

تین سال پہلے، کینیا میں کارکنان نے OpenAI کے لیے ڈیٹا لیبل لگاتے ہوئے ان حالات کے لیے بین الاقوامی سرخیاں بنائیں۔ ان کارکنوں نے نفرت انگیز تقریر، جنسی زیادتی اور پرتشدد تصاویر کے ذریعے اپنے دن چھانٹنے میں گزارے — انٹرنیٹ پر کچھ انتہائی پریشان کن مواد — تقریباً 1.35 ڈالر فی گھنٹہ۔ اس کے بعد ان کے تیار کردہ لیبلز ChatGPT کو زہریلے یا نامنظور مواد کی شناخت کرنے میں مدد کرنے کے لیے استعمال کیے گئے۔

2023 میں، زیادہ تر غم و غصے کی توجہ – بجا طور پر – ان ڈیٹا لیبلرز کے کام کرنے کے حالات پر تھی۔ لیکن 2026 میں نظرثانی کی گئی، یہ کہانی ایک اور تاریک کاسٹ پر لے جاتی ہے۔

اے آئی کی بے چینی کی ایک نئی لہر کے درمیان، لوگوں کو یہ خوف ستانا شروع ہو گیا ہے کہ آئی ٹی سروس کی ملازمتوں کا وسیع زمرہ مکمل طور پر ختم ہو سکتا ہے۔ اس نظریے کے تحت، ChatGPT کو تربیت دینے میں مدد کر کے، یہ کارکن نادانستہ طور پر کینیا کی خوشحالی کے راستے کو تنگ کرتے ہوئے، اپنے انجام دیئے گئے قابلِ تجارت خدمت کے کام کو خودکار بنانے میں مدد کر رہے ہیں۔

لیکن اس بات کا کتنا ثبوت ہے کہ ترقی پذیر ممالک میں اے آئی سے متعلقہ نقل مکانی دراصل شروع ہوئی ہے؟ اور ہمیں کیسے پیشن گوئی کرنی چاہئے کہ آگے کیا ہوگا جب کارکنان، فرمیں اور AI سے متاثر ہونے والے ممالک جواب میں خود کو ڈھال لیں گے، اصلاح کریں گے اور تبدیلی لائیں گے؟

ترقی کی سیڑھی پر چڑھنا

تاریخی طور پر، مینوفیکچرنگ ترقی غربت سے باہر ممالک کے لئے راستہ رہا ہے. جاپان، جنوبی کوریا، تائیوان اور سب سے زیادہ شاندار طور پر، چین میں، برآمدی مینوفیکچرنگ کی توسیع نے لاکھوں لوگوں کو کھیتوں سے فیکٹریوں میں بہتر تنخواہ والی ملازمتوں کی طرف کھینچ لیا۔ بین الاقوامی مسابقت کے دباؤ کے تحت، مشرقی ایشیائی فرمیں تیزی سے تکنیکی محاذ پر آ گئیں۔

لیکن، ویتنام اور بنگلہ دیش جیسے چند روشن مقامات کے علاوہ، ترقی پذیر ممالک مشرقی ایشیا کی کامیابی کو نقل کرنے میں بڑی حد تک ناکام رہے ہیں۔ ہندوستان میں، جی ڈی پی میں مینوفیکچرنگ کا حصہ کبھی بھی 20% سے زیادہ نہیں ہوا اور 2010 سے اس میں کمی بھی آئی ہے۔ سب صحارا افریقہ میں، مینوفیکچرنگ جی ڈی پی کا تقریباً 10% بنتا ہے۔ نئے تجزیے سے پتہ چلتا ہے کہ پچھلے 30 سالوں میں، غریب ترین ممالک میں مینوفیکچرنگ کی پیداواری صلاحیت عالمی سرحد سے بہت نیچے رہ گئی ہے۔

آئی ٹی خدمات درج کریں۔

دنیا بھر میں سستے براڈ بینڈ کی آمد نے مغربی کمپنیوں کے لیے انفارمیشن ٹیکنالوجی کی خدمات کی آؤٹ سورسنگ کو قابل عمل بنا دیا، جس سے وہ ترقی پذیر ممالک میں سستی مزدوری کا فائدہ اٹھا سکیں۔ 1999 میں، ہندوستان نے اپنے ٹیلی کام سیکٹر کو بے ضابطگی سے ہٹا دیا، تیز رفتار انٹرنیٹ کو اپنانے میں تیزی لائی اور نئی فرموں جیسے Infosys اور Wipro کو انتہائی منافع بخش بننے کی اجازت دی۔ ایک نئے شعبے – ہندوستان میں، "بزنس پروسیس آؤٹ سورسنگ" (BPO) – نے جنم لیا۔

زمین سے ترقی حاصل کرنے کے لیے جدوجہد کرنے والے ممالک کے لیے، BPO ایک لائف لائن کی طرح لگتا تھا۔ پہلے کی برآمدی مینوفیکچرنگ ملازمتوں کی طرح، برآمدی خدمات نے اہم غیر ملکی زرمبادلہ کی آمدنی پیدا کرنے کے ساتھ ساتھ بڑی تعداد میں بہتر تنخواہ والی ملازمتیں پیدا کرنے کا وعدہ پورا کیا۔ 2021 میں، ورلڈ بینک نے "خدمات کی قیادت میں ترقی کے وعدے" کی تعریف کرتے ہوئے ایک رپورٹ شائع کی ، جس میں "مزدور کی پیداواری صلاحیت کو بہتر بنانے والی جدت طرازی" پر روشنی ڈالی گئی۔

پچھلی چند دہائیوں کے دوران، فلپائن اور برازیل جیسے ممالک نے آئی ٹی کے بڑے شعبے تیار کیے ہیں، جو ایک سال میں اربوں ڈالر کی خدمات برآمد کرتے ہیں اور تقریباً 20 لاکھ کارکنوں کو ملازمت دیتے ہیں۔ ¹ لیکن، عالمی سطح پر، اس پیک کا واضح رہنما بھارت تھا، جس کے آئی ٹی خدمات کے شعبے نے 5.8 ملین افراد کو ملازمت دی اور 2025 میں 200 بلین ڈالر برآمد کیے:

انسانی ملازمتوں کی جگہ اے آئی کا خوف اب ہر جگہ موجود ہے۔ امریکہ میں، سافٹ ویئر ڈویلپمنٹ اور کسٹمر سروس میں داخلے کی سطح کی ملازمتوں میں خلل پر توجہ مرکوز ہو گئی ہے – کوئلے کی کان میں محاورہ کینریز، وہ کام جو (کم از کم تھیوری میں) AI کوڈنگ ایجنٹوں کے ذریعے آسانی سے خودکار ہونا چاہیے۔ ماہرین اقتصادیات ایرک برائنجولفسن، بھرت چندر اور رویو چن کے ایک بااثر مقالے میں پتا چلا ہے کہ ابتدائی کیریئر ورکرز (22-25 سال کی عمر کے افراد، امریکہ میں) سب سے زیادہ AI سے ظاہر ہونے والے شعبوں میں 2022 کے بعد سے اپنی ملازمت میں 19 فیصد نسبتاً کمی دیکھی گئی ہے۔

قدرتی طور پر، کم اور درمیانی آمدنی والے ممالک میں رہنے والے 6.8 بلین لوگوں کے لیے AI کے مضمرات کی طرف توجہ مبذول ہونا شروع ہو گئی ہے۔ ابھی تک، AI کا 2.5 بلین لوگوں پر زیادہ اثر نہیں پڑا، مثبت یا منفی، جو اب بھی چھوٹے مالکان کاشتکاری پر انحصار کرتے ہیں۔ مینوفیکچرنگ میں، اثرات کے شواہد بھی محدود ہیں، حالانکہ صنعتی روبوٹکس میں شاید AI کی حوصلہ افزائی سے پیشرفت کم ہو رہی ہے۔ یہ سروس ایکسپورٹ میں ہے کہ AI سے متعلقہ ملازمت کی نقل مکانی کا خطرہ سب سے زیادہ ہے۔

کوئلے کی کان میں کینریز

اب ChatGPT کے آغاز کو چار سال ہو چکے ہیں۔ ایجنٹ کسٹمر سروس کا زیادہ تر کام کرنے کے قابل ہوتے ہیں۔ درحقیقت، کارپوریٹ سپورٹ لائنوں کو تیزی سے ChatGPT یا Claude wrapper سے تبدیل کر دیا گیا ہے۔ تو ترقی پذیر دنیا میں آٹومیشن سروس کی برآمدات کو پہلے ہی کتنا بے گھر کر رہی ہے؟

ہم Brynjolfsson et al کے ذریعہ AI سے بے نقاب نقل مکانی پر حالیہ تحقیق سے ایک صفحہ لے سکتے ہیں۔ US ²

شاید کسی بھی ترقی پذیر ملک سے دستیاب بہترین ڈیٹا ہندوستان کے متواتر لیبر فورس سروے (PLFS) سے آتا ہے، جو کہ روزگار اور اجرت کے رجحانات پر ایک اعلی تعدد نظر آتا ہے۔ ³ ہم AI کی نمائش کے اثر کی نشاندہی کرنے کے لیے اسے استعمال کر سکتے ہیں جسے ماہرین اقتصادیات "ٹرپل فرق" کہتے ہیں۔ سب سے پہلے، ہم نوجوان کارکنوں (جو 15-24 سال کی عمر کے) کے لیے AI سے ظاہر ہونے والی صنعتوں میں ملازمت لیتے ہیں اور انہی صنعتوں میں بڑی عمر کے کارکنوں (25-39 سال کی عمر کے) کے رجحان کو گھٹا دیتے ہیں۔ پھر ہم بڑی حد تک AI سے موصل صنعتوں میں جوان بمقابلہ بوڑھے کا وہی موازنہ کر سکتے ہیں۔ آخر میں، ان دو فرقوں کے درمیان فرق کو لے کر، ہم ان صنعتوں میں داخلے کی سطح کے کام کے جھٹکے کو الگ کر سکتے ہیں جو سب سے زیادہ AI کے سامنے ہیں۔

اوپر والا چارٹ ملازمت پر اس تین گنا فرق کو ظاہر کرتا ہے، اعتماد کے وقفوں کے ساتھ عمودی سلاخوں کے ذریعہ نشان زد کیا گیا ہے۔ ChatGPT سے پہلے کے تین سالوں تک، سب سے زیادہ AI سے بے نقاب اور غیر ظاہری صنعتوں میں داخلے کی سطح اور پرانے کارکنوں کے درمیان بہت کم فرق تھا۔ لیکن 2022 کے بعد – جس سال ChatGPT کو عوام کے لیے جاری کیا گیا تھا – سب سے کم عمر، AI سے بے نقاب کارکنوں کے لیے رشتہ دار ملازمت میں اچانک 32% کمی واقع ہوئی۔ رشتہ دار روزگار اس کے بعد سے بحال نہیں ہوا ہے، تازہ ترین 2025 کے سنیپ شاٹ میں 2022 کی بنیادی لائن سے تقریباً 20 فیصد کم ہے۔

ہمیں اس نتیجہ کو زیادہ پڑھنے کے بارے میں محتاط رہنا چاہئے۔ یہ ممکن ہے کہ انحطاط ان ساختی قوتوں کی عکاسی کرے جو تخلیقی AI کے عروج کے ساتھ ہی واقع ہو رہی تھیں۔ مثال کے طور پر، کچھ ہندوستانی آئی ٹی فرموں نے وبائی امراض کے دوران اوور ہائر کیا اور 2023 میں گریجویٹ کی بھرتی کو روک دیا۔

AI کو اپنانے میں اضافے کے بارے میں خود BPO کمپنیوں کی طرف سے بیان بازی کے درمیان – روزگار کی مضبوط بحالی کی عدم موجودگی اس بات کا اشارہ دیتی ہے کہ اثر حقیقی ہو سکتا ہے۔ اتفاق سے، یہ Brynjolfsson اور اس کے ساتھیوں کے کام کی تازہ ترین نظرثانی کے نتیجے کی بازگشت ہے، جہاں AI سے بے نقاب نوجوان کارکنوں کی ملازمت میں 19 فیصد کمی نے غائب ہونے کا کوئی نشان نہیں دکھایا ہے۔

لیکن ہمیں اسے اس علامت کے طور پر نہیں لینا چاہیے کہ تمام نوکریاں ختم ہو رہی ہیں۔ یہ ڈیٹا ایک شعبے سے ہے، ایک ملک میں، ان کارکنوں میں سے ہے جن کی ہم سب سے زیادہ متاثر ہونے کی توقع رکھتے ہیں۔ (ابھی تک) تمام عمر کے زمروں یا AI سے ظاہر ہونے والے شعبوں میں عمومی مندی کا کوئی ثبوت نہیں ہے۔ یہاں تک کہ یہ نتیجہ صفر سے بمشکل شماریاتی لحاظ سے ممتاز ہے۔

ہم کیسے اور کب واضح نتائج اخذ کر سکتے ہیں؟ یہ ہماری پسند سے زیادہ لمبا ہو سکتا ہے — زیادہ تر دوسرے ترقی پذیر ممالک میں، ڈیٹا بہت زیادہ وقفے کے ساتھ آتا ہے۔

ٹیک آف کے بعد سے فلائنگ بلائنڈ

"حضرات، آپ 60 دن کی دیر سے آئے ہیں، ڈپریشن ختم ہو گیا ہے." ہربرٹ ہوور، جون 1930 ⁴

1930 میں ڈپریشن بہت زیادہ ختم نہیں ہوا تھا۔ لیکن ہوور کو کیسے پتہ تھا؟ یہ 1934 میں کزنٹس کی "قومی آمدنی" کی رپورٹ پیش کرنے سے پہلے کی بات ہے، جو کہ جدید قومی آمدنی کے کھاتوں اور جی ڈی پی کا پیش خیمہ ہے۔ یہ ماہانہ بے روزگاری کے قابل اعتماد اعدادوشمار دستیاب ہونے سے پہلے بھی تھا، کیونکہ جدید گھریلو سروے 1940 تک شروع نہیں ہوا تھا۔

آج کے بہت سے رہنما، خاص طور پر کم اور درمیانی آمدنی والے ممالک میں، خود کو 1930 کی دہائی میں ہوور کی طرح کی پوزیشن میں پاتے ہیں – معاشی تبدیلی کے اس دور میں داخل ہو رہے ہیں کہ ان کی معیشتیں حقیقی وقت میں کس طرح تبدیل ہو رہی ہیں۔ ہندوستان کی PLFS ایک قابل ذکر کوشش ہے، اور ایک جس کے لیے دوسرے ممالک میں کوئی مساوی نہیں ہے جو IT برآمدات کے جھٹکے سے اسی طرح کمزور ہو سکتا ہے۔

فلپائن کو لے لیجئے، ایک اور ملک جس میں ایک اہم سروس ایکسپورٹ سیکٹر ہے۔ کاروبار اور صنعت کا ان کا سالانہ سروے اس کے مطالعہ کے ایک سال بعد جاری کیا جاتا ہے۔ یہ AI صلاحیتوں میں تبدیلیوں کے جواب میں اعلی تعدد لیبر فورس کی تبدیلیوں کا تجزیہ کرنے میں تقریباً بیکار بنا دیتا ہے۔ ممکن ہے جب تک Fable 8 جاری نہیں ہو جاتا کہ ہم فلپائن کے IT سیکٹر کی لیبر فورس پر Fable 5 (اور آج کے دوسرے فرنٹیئر ماڈلز) کے اثرات کو مکمل طور پر ختم کر سکتے ہیں۔ بس کوئی ریئل ٹائم ٹریکنگ ڈیٹا نہیں ہے۔ ⁵

اب AI معاشیات کی تحقیق کی طرف توجہ اور رقم کے بہاؤ کے ساتھ، ہم پر اپنے جیسے ہی تخمینوں کی بمباری کا امکان ہے، ہاٹ آف دی پریس ورکنگ پیپر خلاصہ سے جو ہمیں بتاتے ہیں کہ کس طرح AI نے کسی قسم کے کارکنان کو کسی دوسرے کی نسبت بے گھر کر دیا ہے یا کسی کمپنی میں کسی دوسری کمپنی میں پیداواری صلاحیت کو بڑھایا ہے۔

لہذا یہ ہمارے پاس موجود ڈیٹا کو اوورریڈ کرنے کے لیے بھی پرکشش ہو گا – ایک ایسے ٹویٹر تھریڈ کو ختم کرنے کے لیے جو ہندوستان کے نوجوان آئی ٹی کارکنوں کو درپیش آنے والے روزگار کے دور میں شروع ہوتا ہے۔ لیکن ہر نتیجہ پہیلی کا صرف ایک ٹکڑا ہے۔ یہ نتیجہ — اور اس جیسے دوسرے — ہمیں مجموعی اثرات کے بارے میں نہیں بتاتے ہیں۔

اور پھر، اس کو مستقبل میں پیش کرنے کا صرف ایک چھوٹا سا معاملہ ہے۔ یہاں تک کہ اگر ہم آج کی معیشتوں کو پوری طرح سے سمجھ سکتے ہیں، تو کل کے ماڈلز کی صلاحیتوں کو پورا کرنے کے لیے صرف اس کو بڑھانا ہمیں انتہائی گمراہ کن پیشین گوئیوں کی طرف لے جا سکتا ہے۔

ناٹ-سو-ڈمب کسان اور آبادی کا بم جو نہیں تھا۔

AI کے معاشی اثرات کے بارے میں بہت سے خدشات مستقبل کی ٹیکنالوجیز کے اثرات کو ایک ایسی دنیا پر پیش کرنے سے پیدا ہوتے ہیں جو وسیع پیمانے پر آج کی طرح نظر آتی ہے۔ لیکن اس قسم کے ایکسٹراپولیشنز کی ایک طویل اور چیکر تاریخ ہے، کیونکہ ہم انسان اس سے کہیں زیادہ موافقت پذیر ہوتے ہیں جس کا ہم خود کو کریڈٹ دیتے ہیں۔

شاید بین الاقوامی ترقی میں سب سے زیادہ بدنام زمانہ پیشین گوئی پال ایرلچ کے 1968 کے بیچنے والے "دی پاپولیشن بم" سے آتی ہے۔ آبادی میں اضافے اور خوراک کی پیداوار میں محدود پیش رفت کے مشاہدہ شدہ رجحانات کو باہر نکالتے ہوئے، ایرلچ زیادہ آبادی اور بڑے پیمانے پر فاقہ کشی کے امکان سے گھبرا گیا۔ "دی پاپولیشن بم" میں پیش کیا گیا سب سے زیادہ پر امید منظر نامہ، جس میں "امریکہ میں نقطہ نظر اور طرز عمل کی پختگی کی ضرورت ہے جس کے ترقی کا امکان نہیں ہے"، اس میں نصف بلین افراد (دنیا کی آبادی کا پانچواں حصہ) کی بھوک سے موت شامل تھی۔ ⁶

لیکن Ehrlich کے تخمینوں کی بنیاد انسانی رویے کے جامد ماخذ پر تھی۔ وہ سبز انقلاب کا اندازہ لگانے میں ناکام رہا، جس نے اناج کی پیداوار میں ڈرامائی طور پر بہتری لائی (خاص طور پر ہندوستان میں)، اور آبادیاتی تبدیلی، جس میں زرخیزی میں کمی آئی۔ غذائی قلت اور قحط سے ہونے والی اموات میں واقعی کمی آئی ہے۔ Ehrlich تیزی سے بڑھتی ہوئی آبادی کو مستقبل کی دنیا پر مسلط کر کے، جس کے پیداواری امکانات بہت آہستہ آہستہ تبدیل ہو چکے ہیں، اختراعات اور اپنانے کی ہماری انتہائی کم قابل تعریف صلاحیت کے خلاف شرط لگاتے ہیں۔

درحقیقت، Y2K ایپیسوڈ، ⁷ مانگ کا جھٹکا جس نے ہندوستان کے IT ایکسپورٹ سیکٹر کو سپرچارج کر دیا، یہ پیشین گوئیوں کی موافقت کو برقرار نہ رکھنے کی ایک اور مثال ہے۔ اس بار، 31 دسمبر 1999 کی آدھی رات کو گھڑی کے بجنے سے پہلے، موافقت ہندوستان میں کوڈرز کی شکل میں سامنے آئی جس نے تباہی سے بچنے کے لیے کوڈ کی لاکھوں لائنوں کا معائنہ اور ان میں ترمیم کی۔ آخر میں، پوری دنیا میں بیک وقت مالیاتی، حکومتی اور نقل و حمل کے نظاموں کے کریش ہونے کی apocalyptic پیشین گوئیاں کبھی پوری نہیں ہوئیں، جیسا کہ ہم نے اس بات کو یقینی بنانے کے لیے موافق بنایا کہ وہ ایسا نہیں ہوا۔

موسمیاتی معاشیات نے بھی حالیہ دہائیوں میں ایسا ہی سبق سیکھا ہے۔ آب و ہوا کی تبدیلی سے زرعی نقصان کے ابتدائی ماڈلز نے اکثر متوقع درجہ حرارت لیا، مختلف درجہ حرارت پر فصلوں کی پیداوار کی مساوات کے ذریعے انہیں چلایا اور نقصانات کا تخمینہ لگایا۔ پیشین گوئی کے مطابق، پیشین گوئیوں کی اس ابتدائی نسل میں موسمیاتی نقصانات کا تخمینہ بہت زیادہ تھا۔ لیکن ان ماڈلز نے اس اہم مفروضے میں پکایا کہ کسان بدلتی ہوئی آب و ہوا کے مطابق نہیں بنیں گے۔

اب بھی، یقیناً، موسمیاتی تبدیلی سے بڑے اخراجات ہوں گے۔ اور تمام موافقتیں کامیاب نہیں ہیں: امریکی زراعت میں، طویل عرصے کے دوران موافقت نے زیادہ سے زیادہ نصف کو کم کیا ہے، لیکن غالباً کوئی بھی نہیں ، موسمیاتی تبدیلی سے ہونے والے نقصانات۔ موافقت میں حقیقی رکاوٹیں ہیں – یہاں تک کہ جہاں اپنانے کی خواہش ہو، وہاں ایسا کرنے کا کوئی طریقہ ضروری نہیں ہے۔

AI ان پچھلے چیلنجوں کی طرح ہی چل سکتا ہے۔ موافقت سے نقصان اٹھانے کا امکان ہے۔ یہاں تک کہ ایسی حدیں بھی ہوسکتی ہیں جن پر موافقت کی صلاحیت ختم ہوجاتی ہے۔ لیکن اگر آپ اندازہ لگا رہے ہیں کہ پانچ یا 10 سال کے عرصے میں دنیا کیسی نظر آئے گی، تو ہو سکتا ہے کہ آپ بہت غلط ہو جائیں اگر آپ ہماری مستقبل کی خود کو اپنانے کی صلاحیت کو نظر انداز کر دیتے ہیں۔ کل کی AI کل کی دنیا سے ملے گی، آج کی نہیں۔

یہ ہمیں ماہرین اقتصادیات کے لیے ایک چھوٹی لیکن شاید تعمیری تجویز کی طرف اشارہ کرتا ہے۔ پچھلے 20 سالوں سے، وجہ کا اندازہ – وجہ اور اثر کو صاف طور پر الگ کرنے کی صلاحیت – علمی اقتصادی تحقیق کا بنیادی حصہ رہا ہے۔ اس کے برعکس، پیشن گوئی کو ثانوی یا ترتیری حیثیت، پالیسی لوگوں اور بینکاروں کے دائرہ کار میں ڈال دیا گیا ہے۔

محنت کی یہ تقسیم اس وقت معنی خیز تھی جب ہم معقول طور پر یہ توقع کر سکتے تھے کہ کل کی دنیا آج کی دنیا سے مشابہت رکھتی ہے۔ لیکن اگر AI واقعی ترقی کے راستوں کو نئی شکل دینے والا ہے تو ماہرین اقتصادیات جو سب سے مفید کام کر سکتے ہیں وہ یہ ہے کہ کل کے صدمے کو زیادہ درست طریقے سے ناپنا نہیں بلکہ اگلے کی پیشین گوئی کرنے میں بہتر ہونا ہے۔

ہمارے معاشی مستقبل کے زیادہ درست تصورات میں مشینوں کی صلاحیتوں اور انسانوں کی موافقت دونوں کا حساب ہونا چاہیے۔ جس طرح انسانیت بھوکے مرنے کے انتظار میں نہیں بیٹھی تھی، اسی طرح انفوسس کے بزنس ایگزیکٹیو بدلے جانے کے انتظار میں نہیں بیٹھے ہیں۔ آس پاس جانے کے لیے کم ملازمتیں ہو سکتی ہیں، یا مختلف قسم کی نوکریاں، لیکن اگر وہ اس کے بارے میں کچھ کر سکتے ہیں، تو بحران سے ڈھلنے سے پیدا ہونے والی صنعت ایک بار پھر اپنانے کی کوشش کرے گی۔

Oliver Kim Coefficient Giving's Global Growth Fund پر ریسرچ فیلو کے طور پر کام کرنے والے ایک ترقیاتی ماہر معاشیات ہیں۔ ⁸ وہ گلوبل ڈویلپمنٹ کے نام سے ایک سب اسٹیک لکھتے ہیں ۔ اولیور ہینی ان ڈویلپمنٹ میں معاون ایڈیٹر ہیں، اور ووکس ڈیو میں منیجنگ ایڈیٹر ہیں، جہاں وہ آئیڈیاز ان ڈیولپمنٹ پوڈ کاسٹ کی میزبانی کرتے ہیں۔

اگر آپ کے اس مضمون پر تبصرے ہیں، یا بحث میں حصہ ڈالنا چاہتے ہیں، تو براہ کرم انہیں letters@indevelopmentmag.com پر ای میل کریں۔ جوابات خطوط کے حصے میں دکھائے جائیں گے۔

1. اوپن اے آئی کی کہانی افریقی کارکنوں کو نمایاں کرنے میں نسبتاً غیر معمولی تھی۔ کینیا کے شعبے نے 2025 میں صرف 36,000 افراد کو ملازمت دی۔ ↩︎
2. یہ امکان ہے کہ پرانے تکنیکی کارکنوں نے مزید "نرم مہارت" اور زیادہ خصوصی تکنیکی مہارتیں حاصل کر لی ہیں، جس کی وجہ سے انہیں AI سے تبدیل کرنا مشکل ہو گیا ہے۔ ↩︎
3. PLFS کے طریقہ کار پر 2025 میں نظر ثانی کی گئی تھی، جس سے پیچھے کی طرف موازنہ کرنا مشکل تھا۔ بہر حال، یہ ہمارے پاس موجود بہترین ڈیٹا ہے۔ ↩︎
4. قطعی الفاظ غیر یقینی ہیں، لیکن غالباً اس نے ان سطروں کے ساتھ کچھ کہا تھا۔ ↩︎
5. تحقیق کا ایک بڑھتا ہوا ادارہ ہے جس میں پیمائش کی نئی شکلیں تلاش کی جا رہی ہیں، مثلاً مشین لرننگ قابل نو کاسٹنگ، سیٹلائٹ ڈیٹا، موبائل فون ڈیٹا اور خودکار درجہ بندی۔ یہ دیکھنا باقی ہے کہ آیا اس طرح کے نئے طریقے روایتی انتظامی اور سروے کے اعداد و شمار کے ذرائع کی ضرورت کو کم کر سکتے ہیں۔ ↩︎
6. پال ایرلچ، دی پاپولیشن بم (سیرا کلب بیلنٹائن کتب)، 80۔ ↩︎
7. اصل میں "ملینیم بگ" کے نام سے جانا جاتا ہے؛ بہت سے کمپیوٹر پروگراموں نے صرف دو ہندسوں کا استعمال کرتے ہوئے سالوں کو ذخیرہ کیا، جس سے بڑے پیمانے پر یہ خدشہ پیدا ہوا کہ سسٹمز 1900 کے لیے "00" کی غلطی کر دیں گے اور یکم جنوری 2000 کو بڑے پیمانے پر کریش ہو جائیں گے۔ ↩︎
8. Coefficient Giving کے اندر ایک اور ٹیم، Effective Giving & Careers ٹیم، In Development کی فنڈر ہے۔ انہوں نے اس تحریر کو کمیشن، ترمیم اور شائع کرنے کے ہمارے ادارتی فیصلے میں کوئی کردار ادا نہیں کیا، اور اولیور اپنی ذاتی حیثیت میں لکھ رہا ہے۔ ↩︎