આ અંગ્રેજી મૂળ લેખનો અનુવાદ છે. સંદર્ભ માટે અંગ્રેજી આવૃત્તિ માન્ય છે. અંગ્રેજીમાં વાંચો
સાર (Abstract)
વેપારમાં AIના મૂલ્ય વિશેના ઘણા પ્રકાશિત આંકડા અંદાજ હોય છે: દરેક કામમાં બચેલી ધારેલી મિનિટો, તેને જથ્થા અને પગાર વડે ગુણેલી. આ ઇનપુટ સંબંધિત વેપારમાં ભાગ્યે જ માપવામાં આવે છે, અને વાચક તેને ચકાસી શકતો નથી. આ પેપર વેપારના પોતાના રેકૉર્ડ પર બનેલી વધુ કડક પદ્ધતિ રજૂ કરે છે. તે દાવાનાં ત્રણ સ્તર અલગ પાડે છે: AIના પગલા પછી જણાવેલી સમયમર્યાદા (window)માં આવેલું પરિણામ; વેપારના પોતાના ઇતિહાસથી સામાન્ય ઊંચ-નીચ કરતાં વધુ જુદું પડતું પરિણામ; અને રૅન્ડમ રીતે નક્કી કરેલા સરખામણી જૂથ દ્વારા AIના પગલાને કારણે થયું હોવાનું સાબિત થયેલું પરિણામ. દરેક સ્તર માટે તે કસોટી, જરૂરી નમૂનાનું કદ અને નિષ્કર્ષ સામેનાં મુખ્ય જોખમો આપે છે. તે બચેલો સમય વેપારમાં લીધેલાં સમય-માપ પરથી ગણે છે, સમીક્ષા અને રિવર્ક સહિત. તે દરેક આંકડા પાસે તેનું સ્તર, તે કયા રેકૉર્ડમાંથી આવે છે અને તે શું નથી બતાવતો, તે જણાવવાની માગ કરે છે. પછી પેપર MatruOSના પોતાના આંકડાની આ પદ્ધતિ સાથે સરખામણી કરે છે.
Section 1AI મૂલ્યના સામાન્ય આંકડા ક્યાં ખોટા પડે છે
સામાન્ય દાવો આવો હોય છે: "તમારી AI ટીમે આ મહિને 120 કલાક બચાવ્યા." તેની પાછળ એક ગણતરી હોય છે: AIએ 1,800 કામ પૂરાં કર્યાં, દરેકમાં વ્યક્તિને ચાર મિનિટ લાગત, અને 1,800 × 4 મિનિટ એટલે 120 કલાક. દરેક પગલા સામે સવાલ ઉઠાવી શકાય.
- કામ દીઠ મિનિટ ધારેલી છે
- ચાર મિનિટ એક વેપાર માટે સાચી હોય અને બીજા માટે ત્રણ ગણી ખોટી હોય તેવું બને.
- કદાચ તે કામ કરવાની જરૂર જ ન હતી
- જ્યાં વ્યક્તિએ 300 રિમાઇન્ડર મોકલ્યા હોત ત્યાં AI 1,800 રિમાઇન્ડરનો ડ્રાફ્ટ બનાવે, તો બચત 1,800 રિમાઇન્ડર જેટલા સમયની નથી.
- સમીક્ષા અને રિવર્ક ગણતરીમાં નથી
- વ્યક્તિ હજી દરેક ડ્રાફ્ટ વાંચે છે, કેટલાક સુધારે છે અને નકારેલા ફરીથી કરે છે.
- છૂટા થયેલા કલાક કદાચ વપરાય નહીં
- બચેલા સમયની કિંમત ત્યારે જ છે જ્યારે તે ખર્ચ ઘટાડે અથવા બીજા મૂલ્યવાન કામમાં જાય.
આવકના દાવામાં એક વધુ સમસ્યા છે. "તમારા AI કલેક્શન અધિકારીએ આ મહિને ₹42 લાખ ઉઘરાવ્યા" નો અર્થ સામાન્ય રીતે એવો થાય છે કે AI રિમાઇન્ડર ગયું હોય તેવાં ઇન્વૉઇસ પર ₹42 લાખ ચૂકવાયા. તેમાંના કેટલાક ગ્રાહકો રિમાઇન્ડર વગર પણ એ જ દિવસે ચૂકવત. આ આંકડો રિમાઇન્ડર પછી આવેલાં પેમેન્ટ ગણે છે; તેમાંથી કેટલા ગ્રાહકો આમ પણ ચૂકવત તે બતાવતો નથી.
Section 2સંબંધિત અભ્યાસ
કાર્યકારણ અનુમાન (causal inference)
પોટેન્શિયલ આઉટકમ્સ ફ્રેમવર્ક, જે Neyman (1923) સુધી જાય છે અને જેને Rubin (1974)એ રૅન્ડમ ન હોય તેવા અભ્યાસો સુધી વિસ્તાર્યું, કોઈ કેસ પર પગલાની અસરને પગલું લેવાય ત્યારે શું થાય અને ન લેવાય ત્યારે શું થયું હોત, તે બેના ફરક તરીકે વ્યાખ્યાયિત કરે છે. Holland (1986)એ સમજાવ્યું કે એક કેસ માટે આ બેમાંથી ફક્ત એક જ ક્યારેય જોઈ શકાય, તેથી અસરનો અંદાજ જૂથોમાં કાઢવો પડે. Kohavi, Tang અને Xu (2020) ઑનલાઇન સિસ્ટમમાં નિયંત્રિત પ્રયોગો (controlled experiments)ની પ્રથા વર્ણવે છે.
અર્ધ-પ્રાયોગિક ડિઝાઇન (quasi-experimental designs)
જ્યાં રૅન્ડમ ફાળવણી શક્ય ન હોય, ત્યાં ઇન્ટરપ્ટેડ ટાઇમ સિરીઝ અને ડિફરન્સ-ઇન-ડિફરન્સિસ ડિઝાઇન ફેરફાર પહેલાં અને પછી કોઈ માપના માર્ગની સરખામણી તેના પોતાના વલણ સામે અથવા ફેરફાર ન થયો હોય તેવા જૂથ સામે કરે છે (Shadish, Cook and Campbell, 2002; Bernal, Cummins and Gasparrini, 2017). આ પેપરના સ્તર 2નો આધાર આ છે.
કામના સ્થળે જનરેટિવ AIની માપેલી અસરો
Brynjolfsson, Li અને Raymond (2025)એ એક સૉફ્ટવેર કંપનીના આશરે 5,000 કસ્ટમર સપોર્ટ એજન્ટને તબક્કાવાર અપાયેલા AI સહાયકનો અભ્યાસ કંપનીના પોતાના રેકૉર્ડથી કર્યો. કલાક દીઠ ઉકેલાયેલા પ્રશ્નો સરેરાશ આશરે 15 ટકા વધ્યા (2023ના વર્કિંગ પેપરમાં 14 ટકા), ઓછા અનુભવી એજન્ટમાં મોટો વધારો અને સૌથી અનુભવીમાં નજીવો વધારો થયો. Noy અને Zhang (2023)એ બિઝનેસ દસ્તાવેજો લખતા 453 પ્રોફેશનલ્સ સાથેના રૅન્ડમ પ્રયોગમાં જોયું કે લાગતો સમય 40 ટકા ઘટ્યો અને ગુણવત્તાનું રેટિંગ 18 ટકા વધ્યું. Dell'Acqua અને સાથીઓ (2023)એ 758 કન્સલ્ટન્ટ સાથેના ફીલ્ડ પ્રયોગમાં જોયું કે AIની ક્ષમતાની અંદરનાં કામોમાં મોટો ફાયદો થયો અને તેની બરાબર બહારના એક કામમાં પરિણામ ખરાબ આવ્યાં. આ અભ્યાસો રેકૉર્ડ કે પ્રયોગમાંથી માપે છે, અને બતાવે છે કે અસર કામ અને વ્યક્તિ મુજબ ઘણી બદલાય છે. એક પરિસ્થિતિનો આંકડો બીજી પરિસ્થિતિમાં લઈ જવો ન જોઈએ.
સમય અભ્યાસ (time study)
વિભાગ 5 International Labour Officeના Introduction to Work Study (ચોથી આવૃત્તિ, 1992)માં વર્ણવેલી વર્ક મેઝરમેન્ટની પાયાની પ્રથા અનુસરે છે.
Section 3દાવાનાં ત્રણ સ્તર
વૅલ્યુ રિપોર્ટનો દરેક આંકડો જણાવે છે કે તે કયા સ્તરનો છે.
| સ્તર | દાવો | શું જરૂરી છે | ઉદાહરણ (સમજૂતી માટે) |
|---|---|---|---|
| 1. નોંધાયેલું | AIના પગલા પછી જણાવેલી સમયમર્યાદામાં પરિણામ આવ્યું | AIનું પગલું, પરિણામ અને તેમના સમયક્રમના રેકૉર્ડ | ઑક્ટોબરમાં AI રિમાઇન્ડરના 14 દિવસની અંદરનાં ઇન્વૉઇસ પર ₹18 લાખ ચૂકવાયા |
| 2. બેઝલાઇન સાથે સરખાવેલું | AI શરૂ થયા પછી માપ તેની સામાન્ય રેન્જની બહાર ગયું | વેપારનો પોતાનો 12 મહિનાનો ઇતિહાસ, સામાન્ય ઊંચ-નીચ સામે કસોટી, અને બીજા ફેરફારોની નોંધ | સતત ત્રણ મહિના DSO બેઝલાઇનની નીચલી મર્યાદાથી નીચે |
| 3. કારણરૂપ | AIના પગલાએ પરિણામ બદલ્યું | રૅન્ડમ રીતે નક્કી કરેલું, અસર પકડી શકાય તેટલું મોટું સરખામણી જૂથ | રિમાઇન્ડર મેળવનાર ગ્રાહકોએ અલગ રાખેલા જૂથ કરતાં સરેરાશ 9 દિવસ વહેલું ચૂકવ્યું |
રિપોર્ટ સ્તર જણાવે ત્યારે દરેક સ્તર ઉપયોગી આંકડો આપે છે. ભૂલ ત્યાં છે જ્યાં સ્તર 1ના આંકડાને સ્તર 3ના દાવા તરીકે રજૂ કરાય.
3.1 સ્તર 1: નોંધાયેલું
સ્તર 1ના આંકડા માટે રેકૉર્ડમાંથી ચાર હકીકત જોઈએ: AIનું પગલું થયું, પરિણામ આવ્યું, પગલું પહેલાં થયું, અને બંને વચ્ચેનો ગાળો અગાઉથી જણાવેલી સમયમર્યાદાની અંદર હતો. ઉઘરાણી માટે: કોઈ ચોક્કસ ઇન્વૉઇસ વિશેનું રિમાઇન્ડર પહોંચ્યું, તે ઇન્વૉઇસ સામે પેમેન્ટ નોંધાયું, અને પેમેન્ટ છેલ્લા રિમાઇન્ડરના, ધારો કે, 14 દિવસની અંદર આવ્યું.
સમયમર્યાદા વગર, પેમેન્ટના દસ મહિના પહેલાં ગયેલું રિમાઇન્ડર પણ ગણાય, અને ઇતિહાસના દરેક મહિના સાથે આંકડો વધતો જાય. આંકડા સાથે સમયમર્યાદા જણાવો. 7, 14 અને 30 દિવસ પર આંકડો બતાવવાથી વાચક જોઈ શકે છે કે પસંદગી પર કેટલું આધાર રાખે છે.
સ્તર 1ના આંકડા સસ્તા અને ચકાસવામાં સરળ છે: કોઈ પણ ઇન્વૉઇસ ખોલી, રિમાઇન્ડર અને પેમેન્ટ જોઈ શકે. AI વગર શું થયું હોત તે વિશે તે કંઈ કહેતા નથી.
3.2 સ્તર 2: વેપારની પોતાની બેઝલાઇન સાથે સરખામણી
સ્તર 2નો આંકડો AI શરૂ થયા પછીના માપને એ જ વેપારમાં તે પહેલાંના એ જ માપ સાથે સરખાવે છે. DSO, ડ્યૂ તારીખ સુધીમાં ચૂકવાયેલાં ઇન્વૉઇસનો હિસ્સો, સપ્લાયર બિલ પોસ્ટ કરવામાં લાગતો સમય અને સ્ટૉક-આઉટના દિવસ, આ બધાં યોગ્ય માપ છે.
સામાન્ય ઊંચ-નીચ સામે કસોટી. AI શરૂ થયા પહેલાંનાં ઓછામાં ઓછાં 12 માસિક મૂલ્ય લો અને સામાન્ય રેન્જ નક્કી કરો, દાખલા તરીકે સરેરાશ વત્તા-ઓછા બે સ્ટાન્ડર્ડ ડેવિએશન, અથવા કંટ્રોલ ચાર્ટની મર્યાદાઓ. અગાઉથી એક મુખ્ય માપ પસંદ કરો. ફેરફાર ત્યારે જ જણાવો જ્યારે તે સતત ત્રણ મહિના મર્યાદાની બહાર રહે, અથવા સતત આઠ મહિના સરેરાશની એક બાજુ રહે; બે સ્ટાન્ડર્ડ ડેવિએશન બહારનો એક મહિનો સંયોગથી આશરે 22માંથી એક વાર બને છે. DSO જેવાં માસિક માપ ઘણી વાર એક મહિનાથી બીજા મહિના સુધી સહસંબંધિત હોય છે, જેનાથી 12 બિંદુ પરથી કાઢેલી મર્યાદાઓ બહુ સાંકડી બને છે; પૂરતો ઇતિહાસ હોય ત્યાં વલણ અને ઑટોકોરિલેશન ધ્યાનમાં લેતી ઇન્ટરપ્ટેડ ટાઇમ સિરીઝ વધુ મજબૂત છે (Bernal, Cummins and Gasparrini, 2017).
ઉદાહરણ. રિમાઇન્ડર શરૂ થયા પહેલાંના 12 મહિનામાં એક વેપારનો માસિક DSO સરેરાશ 74 દિવસ હતો અને સ્ટાન્ડર્ડ ડેવિએશન 4 દિવસ, એટલે સામાન્ય રેન્જ 66થી 82 દિવસ. રિમાઇન્ડર શરૂ થયા પછીના પહેલા મહિને 70 દિવસ થવું રેન્જની અંદર છે અને સ્તર 2નું તારણ નથી. સતત ત્રણ મહિના 64થી 65 દિવસ હોય તો તે ગણાય.
રિપોર્ટમાં જણાવવાનાં જોખમો.
- મોસમી અસર
- કોઈ મહિનાને પાછલા વર્ષના એ જ મહિના સાથે સરખાવો. કાપડના વેપારીની તહેવારોની સીઝનની ઉઘરાણી ચોમાસા સાથે સરખાવી શકાય નહીં.
- સરેરાશ તરફ પાછા ફરવું (regression to the mean)
- વેપારો ઘણી વાર ખરાબ ત્રિમાસિક પછી ઉઘરાણીનું ટૂલ અપનાવે છે. અસાધારણ સમયગાળા પછી, કંઈ પણ કરો, માપ સામાન્ય તરફ પાછાં વળવાનું વલણ ધરાવે છે, એટલે ખરાબ ગાળામાં પૂરી થતી બેઝલાઇન પછીના સમયગાળાને વધુ સારો દેખાડે છે.
- નવીનતાની અસર
- ગ્રાહકો નવા પ્રકારના રિમાઇન્ડરને થોડા મહિના પ્રતિભાવ આપે અને પછી ઓછો આપે તેવું બને.
- બીજા ફેરફારો
- જો વેપારે સાથે સાથે ક્રેડિટની શરતો કડક કરી હોય, ઉઘરાણી માટે ક્લાર્ક રાખ્યો હોય, અથવા મોટો ધીમું ચૂકવનાર ગ્રાહક ગુમાવ્યો હોય, તો રિપોર્ટમાં તે લખવું જ પડે.
સ્તર 2ના આંકડા માલિકને જેની ચિંતા છે તે વેપારની પોતાની ભાષામાં માપે છે. તે કારણ સાબિત કરતા નથી.
3.3 સ્તર 3: કારણરૂપ, સરખામણી જૂથથી સાબિત
AIના પગલાએ પરિણામ બદલ્યું તે બતાવવાની સૌથી સીધી રીત છે રૅન્ડમ રીતે ફાળવેલા, પગલું મેળવનારા અને ન મેળવનારા, સમાન કેસોની સરખામણી.
- કોઈ સમયગાળામાં ડ્યૂ થતાં ઇન્વૉઇસ વાળા ગ્રાહકો લો.
- તેમાંથી અમુક હિસ્સો રૅન્ડમ રીતે એવા અલગ રાખેલા (held-out) જૂથમાં મૂકો, જેને વેપારનું સામાન્ય ફૉલો-અપ મળે પણ AI રિમાઇન્ડર ન મળે.
- બંને જૂથ નીચેના નમૂનાના કદ સુધી પહોંચે ત્યાં સુધી ચલાવો.
- ગ્રાહક સ્તરે વિશ્લેષણ કરો, દરેક ગ્રાહકના પેમેન્ટ સુધીના સરેરાશ દિવસ વાપરીને, કારણ કે ઘણાં ઇન્વૉઇસ વાળો ગ્રાહક એક એકમ છે. કસોટી પૂરી થાય ત્યારે હજી ન ચૂકવાયેલાં ઇન્વૉઇસ પડતાં મૂકવાં નહીં: નક્કી દિવસ, જેમ કે દિવસ 30, સુધીમાં ચૂકવાયેલો હિસ્સો સરખાવો, અથવા સર્વાઇવલ કર્વ વાપરો.
નમૂનાનું કદ. પેમેન્ટ સુધીના સરેરાશ દિવસમાં δ જેટલો ફરક પકડવા, સ્ટાન્ડર્ડ ડેવિએશન σ, 80 ટકા પાવર અને 5 ટકા પર બે બાજુની કસોટી સાથે, દરેક જૂથને આશરે n = 2 × (1.96 + 0.84)² × σ² ÷ δ², એટલે આશરે 15.7 × σ² ÷ δ² ગ્રાહકો જોઈએ.
| પકડવાનો ફરક | જૂથ દીઠ ગ્રાહકો, σ = 15 દિવસ | જૂથ દીઠ ગ્રાહકો, σ = 20 દિવસ |
|---|---|---|
| 5 દિવસ | 142 | 252 |
| 7 દિવસ | 73 | 129 |
| 10 દિવસ | 36 | 63 |
આ સમાન જૂથ ધારે છે. નાના અલગ રાખેલા જૂથ માટે કુલ વધુ ગ્રાહકો જોઈએ: પાંચમાંથી એક ગ્રાહક અલગ રાખો તો કુલ સંખ્યા આશરે 56 ટકા વધે, એટલે σ = 20 પર 5 દિવસ પકડવા આશરે 790 ગ્રાહકો જોઈએ, જેમાંથી 158 અલગ રાખેલા. વેપારના પોતાના પેમેન્ટ સુધીના દિવસનું સ્ટાન્ડર્ડ ડેવિએશન વાપરો.
સ્તર 3ની કસોટીની એક કિંમત છે: અલગ રાખેલા ગ્રાહકોને એવા રિમાઇન્ડર મળતા નથી જે કદાચ મદદરૂપ થાત. નમૂનો મંજૂરી આપે તેટલો અલગ રાખેલો હિસ્સો નાનો રાખો, કસોટીને સમયમાં મર્યાદિત રાખો, અને વેપાર એ કિંમત સ્વીકારે ત્યાં જ ચલાવો. મોટા ભાગના નાના અને મધ્યમ વેપારો પાસે પૂરતા ગ્રાહકો નહીં હોય, અને તેમના માટે, યોગ્ય લેબલ સાથેના સ્તર 1 અને સ્તર 2ના આંકડા જ ટોચમર્યાદા છે.
Section 4પૈસાની ગણતરી
4.1 રિમાઇન્ડર પછી ઉઘરાવેલી રકમ (સ્તર 1)
વ્યાખ્યા. કોઈ સમયગાળામાં એવાં ઇન્વૉઇસ સામે નોંધાયેલી રકમ, જેમાં પેમેન્ટ પહેલાંની જણાવેલી સમયમર્યાદામાં AI ટીમે તૈયાર કરેલું રિમાઇન્ડર પહોંચ્યું હોય.
નિયમો.
- કેટલાં પણ રિમાઇન્ડર ગયાં હોય, દરેક પેમેન્ટ એક જ વાર ગણો.
- ફક્ત પહોંચ્યાની પુષ્ટિ થયેલાં રિમાઇન્ડર ગણો, અને ફક્ત AI ટીમે તૈયાર કરેલાં.
- રિમાઇન્ડર ગયેલા ઇન્વૉઇસને ફાળવેલી રકમ જ, તેના બાકી બૅલેન્સ સુધી, ગણો. ઘણાં ઇન્વૉઇસ આવરી લેતું પેમેન્ટ ફક્ત રિમાઇન્ડર ગયેલાં ઇન્વૉઇસ માટે જ ગણાય.
- તેને "રિમાઇન્ડર પછી ઉઘરાવેલી રકમ" તરીકે, સમયમર્યાદા સાથે, જણાવો.
સમયગાળામાં ઉઘરાવેલી કુલ રકમ સાથે વાંચતાં, તે બતાવે છે કે વેપારના ઉઘરાણીના કામમાં AI ટીમ કેટલી સામેલ છે.
4.2 DSO (સ્તર 2)
વ્યાખ્યા
ગ્રાહકો પાસે લેણી રકમ ÷ સમયગાળાનું ઉધાર વેચાણ × સમયગાળાના દિવસ. વેચાણ વધતું હોય કે મોસમી હોય ત્યાં સમયગાળાની સરેરાશ લેણી રકમ વાપરો, અથવા કાઉન્ટ-બૅક પદ્ધતિ, જે અંતનું બૅલેન્સ સમજાઈ જાય ત્યાં સુધી તાજેતરના મહિનાઓના વેચાણમાં પાછળ જાય છે. કઈ પદ્ધતિ વાપરી છે તે જણાવો.
રોકડ મૂલ્ય
DSOમાં દરેક દિવસના ઘટાડે આશરે એક દિવસનું ઉધાર વેચાણ છૂટું થાય છે. છૂટી થયેલી રોકડ × વાર્ષિક ઉધારનો દર = વર્ષે બચેલું વ્યાજ. ઉદાહરણ: ₹30 કરોડના વાર્ષિક ઉધાર વેચાણ પર 8 દિવસનો ઘટાડો આશરે ₹66 લાખ છૂટા કરે છે (₹30 કરોડ ÷ 365 × 8); 10.5 ટકાના કૅશ-ક્રેડિટ દરે તે વર્ષે આશરે ₹6.9 લાખ બચાવે છે. વેપારનો પોતાનો દર વાપરો.
4.3 ઑર્ડર અને વેચાણ (સ્તર 1)
ગ્રાહકના સંદેશ પરથી AI સભ્યે લીધેલા અને બિલ થયેલા ઑર્ડરને "AIએ સંભાળેલી વાતચીતમાંથી બિલ થયેલા ઑર્ડર" તરીકે ગણી શકાય. સરખામણી વગર ખબર નથી કે ગ્રાહકે આમ પણ ઑર્ડર આપ્યો હોત કે નહીં.
4.4 દાવ પરની રકમ
થોડું મૂલ્ય પકડાયેલી ભૂલોમાંથી આવે છે: ડુપ્લિકેટ સપ્લાયર બિલ, જોખમમાં રહેલી ઇનપુટ ટેક્સ ક્રેડિટ, અટકાવેલો સ્ટૉક-આઉટ. આને ત્યારે જ ગણો જ્યારે રેકૉર્ડ બતાવે કે AIએ કેસ ચિહ્નિત કર્યો અને વ્યક્તિએ તેના પર પગલું લીધું. ઇનપુટ ટેક્સ ક્રેડિટ માટે, ફક્ત ત્યાં જ ગણો જ્યાં ચિહ્નિત થયેલા GSTR-2B ફરકને કારણે રિટર્નમાં ક્રેડિટ લેવાઈ કે સુરક્ષિત રહી. કુલ રકમને "દાવ પરની રકમ" તરીકે જણાવો; વેપાર બતાવી શકે કે નહીં તો ભૂલ પસાર થઈ ગઈ હોત, ત્યારે જ તેને બચત કહો.
Section 5સમયની ગણતરી
5.1 વેપારમાં જ માપો
કોઈ વેન્ડર, અભ્યાસ કે બીજા વેપારની કામ દીઠ મિનિટ ન વાપરો. તેને માપો.
- AI ટીમ જે કામ સંભાળે તે પસંદ કરો, જેમ કે સપ્લાયર બિલ પોસ્ટ કરવાં કે બૅન્ક લાઇનો મેળવવી.
- AI શરૂ થાય તે પહેલાં, સામાન્ય દિવસોમાં દરેક કામ કરતા લોકોનો સમય માપો. શક્ય હોય ત્યાં એ જ લોકોનો પહેલાં અને પછી સમય માપો, અને નિરીક્ષણના પહેલા દિવસો ગણતરીમાંથી કાઢી નાખો, કારણ કે ત્યારે કોઈ જોઈ રહ્યું છે એટલે લોકો જુદી રીતે કામ કરે છે. કામ દીઠ ત્રીસ કેસ વ્યવહારુ લઘુતમ છે; સરેરાશ સાથે ઇન્ટરવલ પણ જણાવો.
- AI શરૂ થયા પછી, AIએ તૈયાર કરેલા કામની સમીક્ષાનો સમય માપો, અને કેટલા ટકા ડ્રાફ્ટ સુધારાય છે અને કેટલા ટકા નકારાય છે તે નોંધો.
5.2 સમીક્ષા અને રિવર્ક સામેલ કરો
નકારેલા ડ્રાફ્ટ માટે વ્યક્તિ સમીક્ષાનો સમય આપે છે અને પછી કામ હાથે કરે છે. સુધારેલા ડ્રાફ્ટ માટે સમીક્ષાનો સમય અને સુધારાનો સમય આપે છે. તેથી:
AI સાથે કેસ દીઠ સમય = સમીક્ષાનો સમય + (નકારેલાનો હિસ્સો × હાથે લાગતો સમય) + (સુધારેલાનો હિસ્સો × સુધારાનો સમય)કુલ માટે સરેરાશ (mean) વાપરો: કુલ એટલે સંખ્યા ગુણ્યા સરેરાશ. સામાન્ય કેસ તરીકે મધ્યક (median) અલગથી જણાવો, અને સરેરાશ માટે ઇન્ટરવલ આપો, દાખલા તરીકે બૂટસ્ટ્રૅપથી.
ઉદાહરણ. સપ્લાયર બિલ હાથે પોસ્ટ કરવામાં સરેરાશ 6.2 મિનિટ લાગે છે. AI ડ્રાફ્ટની સમીક્ષામાં 1.4 મિનિટ લાગે છે; 8 ટકા ડ્રાફ્ટ નકારાય છે અને 15 ટકા સુધારાય છે, સુધારામાં 2 મિનિટ લાગે છે. AI સાથેનો સમય 1.4 + (0.08 × 6.2) + (0.15 × 2) = 2.2 મિનિટ, એટલે બિલ દીઠ 4.0 મિનિટની બચત. વ્યક્તિએ આમ પણ પોસ્ટ કર્યાં હોત તેવાં મહિને 1,500 બિલ પર બચત આશરે 100 કલાક મહિને થાય.
5.3 જે કામ થયું જ હોત તે જ ગણો
વ્યક્તિએ ખરેખર સંભાળ્યા હોત તેટલા કેસ વડે ગુણો. જો AI દરેક ઓવરડ્યૂ ઇન્વૉઇસ માટે રિમાઇન્ડર બનાવે પણ ટીમ પહેલાં ફક્ત મોટાં ઇન્વૉઇસ માટે જ રિમાઇન્ડર મોકલતી હતી, તો વધારાના કેસ અલગથી વધારાના કવરેજ તરીકે જણાવો.
5.4 સમયને સમય તરીકે જ જણાવો
છૂટા થયેલા કલાક કલાક તરીકે જણાવો. પૈસામાં ત્યારે જ ફેરવો જ્યારે વેપારે ખર્ચ ઘટાડ્યો હોય કે લોકોને આવક આપતા કામમાં ખસેડ્યા હોય, અને કયું થયું તે જણાવો.
Section 6રિપોર્ટિંગ
દરેક આંકડા સાથે ચાર વાત હોય: એકમ અને સમયગાળા સાથેનો આંકડો; તેનું સ્તર; તેનો આધાર (રેકૉર્ડ અને વ્યાખ્યા, સમયમર્યાદા સહિત); અને તે શું નથી બતાવતો.
ઑક્ટોબરમાં રિમાઇન્ડર પછી ₹18.4 લાખ ઉઘરાવ્યા (સ્તર 1, 14 દિવસની સમયમર્યાદા). એવાં ઇન્વૉઇસને ફાળવેલી રકમ જ્યાં પહોંચેલું AI રિમાઇન્ડર પેમેન્ટના 14 કે તેથી ઓછા દિવસ પહેલાં ગયું હતું. કેટલાક ગ્રાહકોએ રિમાઇન્ડર વગર પણ ચૂકવ્યું હોત.
પદ્ધતિને અનુરૂપ ન હોય તેવી લાઇન:
તમારી AI ટીમે ઑક્ટોબરમાં તમને ₹18.4 લાખ કમાવી આપ્યા.
Section 7MatruOSના આંકડા આ પદ્ધતિ સામે કેવા છે
MatruOS એક બિઝનેસ સિસ્ટમ છે જેમાં AI સભ્યો વેપારના લોકોની સાથે કામ કરે છે. તેની Home સ્ક્રીન બતાવે છે કે AI ટીમે શું કર્યું અને તેના કામ પછી કેટલી રકમ નોંધાઈ, વેપારના રેકૉર્ડ પરથી ગણીને. આ લખાય છે ત્યારે આ સ્તર 1ના આંકડા છે.
7.1 પ્રોડક્ટ શું બતાવે છે
- રિમાઇન્ડર પછી ઉઘરાવેલી રકમ
- આ મહિને એવાં ઇન્વૉઇસ પરનાં પેમેન્ટ, જેમાં પેમેન્ટ પહેલાં તે ઇન્વૉઇસ વિશે આપમેળે "જલદી ડ્યૂ" કે "ઓવરડ્યૂ" સંદેશ ગયો હતો.
- વાતચીતમાંથી બિલ થયેલા ઑર્ડર
- આ મહિને બનેલા અને ત્યાર પછી બિલ થયેલા ચૅટ ઑર્ડરનો સરવાળો.
- થયેલું કામ
- AI ટીમે પૂરાં કરેલાં કામ, અમલમાં આવેલા કે વ્યક્તિએ મંજૂર કરેલા AI ફેરફારો, અને મોકલેલા સંદેશ.
- ઍક્ટિવિટી ટ્રેલ
- AI ટીમે જે કર્યું કે કરવા માટે પૂછ્યું તે બધાની યાદી, સૌથી નવું પહેલું, દરેક સભ્યના કારણ સાથે અને વ્યક્તિએ મંજૂર કર્યું કે નામંજૂર, તે સાથે.
- Auto mode Home
- "Auto" મોડ પસંદ કરનાર વેપાર લૂપ્સનાં નોંધાયેલાં પરિણામોનો "Worth this month" સરવાળો જુએ છે.
- સભ્ય દીઠ કામગીરી
- દરેક AI સભ્ય માટે, ડિફૉલ્ટ રીતે છેલ્લા 30 દિવસનું, પૂરું થયેલું અને નિષ્ફળ ગયેલું કામ, મંજૂર અને નામંજૂર ફેરફારો, લોકોએ આપેલાં રેટિંગ અને વપરાયેલો AI.
7.2 પ્રોડક્ટ હજી ક્યાં આ પદ્ધતિ અનુસરતી નથી
- કોઈ સમયમર્યાદા નથી
- પેમેન્ટ પહેલાં ક્યારેય પણ ઇન્વૉઇસ વિશે કોઈ આપમેળે રિમાઇન્ડર ગયું હોય તો પેમેન્ટ ગણાય છે.
- મોકલેલા સંદેશ ગણે છે
- પહોંચ્યાની કે વંચાયાની પુષ્ટિ થયેલા સંદેશની સાથે, "sent" તરીકે ચિહ્નિત સંદેશ પણ ગણાય છે.
- શેડ્યૂલ કરેલાં રિમાઇન્ડર ગણે છે
- AI સભ્યે લખેલા સંદેશની સાથે શેડ્યૂલ કરેલા રિમાઇન્ડર ટેમ્પ્લેટ પણ ગણાય છે. વ્યક્તિએ લખેલા સંદેશ ગણાતા નથી.
- ઑર્ડર અને સંદેશમાં એવું કામ પણ આવે છે જે કોઈ AIએ કર્યું નથી
- ઑર્ડરનો આંકડો બિલ થયેલો દરેક ચૅટ ઑર્ડર ગણે છે, જેમાં એવા ઑર્ડર પણ આવે છે જેની લાઇનો MatruOSએ નિયમ (rule) આધારે વાંચી અને વ્યક્તિએ બિલ કરી. સંદેશની સંખ્યામાં શેડ્યૂલ કરેલાં રિમાઇન્ડર પણ આવે છે.
- વિગતમાં ઊતરી શકાતું નથી
- Home પરનો આંકડો હજી તેની પાછળનાં પેમેન્ટ અને સંદેશની યાદીમાં ખૂલતો નથી; તે રેકૉર્ડ વેપારના ચોપડા અને વાતચીતમાં છે.
- Auto mode સરવાળો જુદી જુદી વસ્તુઓ ઉમેરે છે. તે રિમાઇન્ડર પછી ચૂકવાયેલી રકમ, બનેલાં ઇન્વૉઇસ અને જીતેલાં ક્વોટેશનનું મૂલ્ય, અને મૂકેલા પર્ચેઝ ઑર્ડરનું મૂલ્ય ઉમેરે છે, અને વ્યક્તિએ પગલું મંજૂર કર્યું હોય ત્યારે પણ લૂપને શ્રેય આપે છે. તેમાંથી ફક્ત રિમાઇન્ડર પછી ચૂકવાયેલો ભાગ જ સ્તર 1નો પૈસાનો આંકડો છે, જે પગલાના 14 દિવસની અંદર ગણાય છે. બનેલાં ઇન્વૉઇસ અને જીતેલાં ક્વોટેશન વેચાણ છે, અને પર્ચેઝ ઑર્ડર ખર્ચ છે; તેમાંથી કોઈ પણ AI ટીમે કમાયેલી રકમ નથી.
અમે આને પ્રોડક્ટના કામ તરીકે નોંધ્યું છે. સ્તર 2ની સરખામણી અને સ્તર 3નાં સરખામણી જૂથ પ્રોડક્ટમાં ઉપલબ્ધ નથી, અને અહીં તેનો દાવો કરાતો નથી.
AI ભૂલ કરી શકે છે. Home પરના આંકડા રેકૉર્ડ ગણે છે; તે બતાવતા નથી કે પરિણામ AI ટીમને કારણે આવ્યાં.
Section 8પદ્ધતિની મર્યાદાઓ
- સ્તર 1 ખોટું સમજાઈ શકે
- સ્તર 1નો આંકડો જણાવ્યા મુજબ સાચો છે, પણ વાચક તેને "ને કારણે" સમજી શકે. લેબલ અને સમયમર્યાદા આ ઘટાડે છે; સંપૂર્ણ દૂર કરતાં નથી.
- બેઝલાઇન ગેરમાર્ગે દોરી શકે
- ઝડપી વૃદ્ધિ, મંદી કે ગ્રાહકોના મિશ્રણમાં ફેરફાર વખતે AI અપનાવનાર વેપારને AI સાથે સંબંધ ન હોય તેવા ફેરફારો દેખાઈ શકે. સામાન્ય રેન્જની કસોટી આમાંથી થોડું પકડે છે.
- નાના વેપારના નમૂના નાના હોય છે
- 40 ઉધાર ગ્રાહકો હોય, દરેક જૂથમાં 20, તો સ્તર 3ની કસોટી પકડી શકે તેવો સૌથી નાનો ફરક σ = 15 પર આશરે 13 દિવસ અને σ = 20 પર 18 દિવસ છે, અને માસિક DSO ઘણાં કારણોસર બદલાય છે. સ્તર 1ના આંકડા અને લાંબા ગાળાનો સ્તર 2નો વ્યૂ જ ટોચમર્યાદા છે.
- સમય અભ્યાસમાં મહેનત લાગે છે
- જે વેપાર કામ દીઠ 30 કેસનો સમય ન માપી શકે, તેણે AI ટીમનું કામ કામની સંખ્યા તરીકે જણાવવું જોઈએ.
- થોડું મૂલ્ય ગણતરીમાં આવતું નથી
- ગ્રાહકોને ઝડપી જવાબ અને મહિનાના અંતે ઓછો ઓવરટાઇમ વાસ્તવિક છે અને તેની કિંમત આંકવી મુશ્કેલ છે. પદ્ધતિ તેને સંખ્યા તરીકે જણાવે છે અને નિર્ણય માલિક પર છોડે છે.
Section 9પદ્ધતિ માટેનું ટૂલ
વિભાગ 6નાં ચાર રિપોર્ટિંગ ક્ષેત્રો અને વિભાગ 5.2નું સમયનું સૂત્ર લાગુ કરતું, અને પરિણામ os.matruos.com પરની Home સ્ક્રીનમાં લઈ જતું વૅલ્યુ-લાઇન બિલ્ડર રિસોર્સ લાઇબ્રેરી માટે આયોજિત છે.
Section 10નિષ્કર્ષ
આ આંકડા મોટા ભાગના પ્રકાશિત AI મૂલ્યના દાવા કરતાં નાના છે. દરેક તેના સ્રોત રેકૉર્ડ, તેની વ્યાખ્યા અને તેનું સ્તર જણાવે છે, જેથી માલિક કે ઑડિટર તેની ફરી ગણતરી કરી શકે.
સ્રોત
31 ઑક્ટોબર 2026ના રોજ ચકાસેલ.
- Neyman, J. (1923). On the application of probability theory to agricultural experiments. Translated in Statistical Science, 5(4), 465–472 (1990).
- Rubin, D. B. (1974). Estimating causal effects of treatments in randomized and nonrandomized studies. Journal of Educational Psychology, 66(5), 688–701.
- Holland, P. W. (1986). Statistics and causal inference. Journal of the American Statistical Association, 81(396), 945–960.
- Shadish, W. R., Cook, T. D. and Campbell, D. T. (2002). Experimental and Quasi-Experimental Designs for Generalized Causal Inference. Houghton Mifflin.
- Bernal, J. L., Cummins, S. and Gasparrini, A. (2017). Interrupted time series regression for the evaluation of public health interventions: a tutorial. International Journal of Epidemiology, 46(1), 348–355.
- Kohavi, R., Tang, D. and Xu, Y. (2020). Trustworthy Online Controlled Experiments: A Practical Guide to A/B Testing. Cambridge University Press.
- Brynjolfsson, E., Li, D. and Raymond, L. (2025). Generative AI at work. Quarterly Journal of Economics, 140(2), 889–942.
- Noy, S. and Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192.
- Dell'Acqua, F. et al. (2023). Navigating the jagged technological frontier: field experimental evidence of the effects of AI on knowledge worker productivity and quality. Harvard Business School Working Paper 24-013.
- International Labour Office (1992). Introduction to Work Study, fourth edition. Geneva.
ફેરફારોની નોંધ
- 1.2 (31 ઑક્ટોબર 2026): પ્રોડક્ટની ખામીઓ સુધારી (ઑર્ડર અને સંદેશ; ફાળવણી પહેલેથી ઇન્વૉઇસ દીઠ); સ્તર 2નો નિયમ એકસરખો કર્યો; સ્તર 3માં સેન્સરિંગ અને ક્લસ્ટરિંગ ઉમેર્યાં.
- 1.1 (31 ઑક્ટોબર 2026): એટ્રિબ્યુશન સમયમર્યાદા, ડિલિવરી અને ફાળવણીના નિયમો ઉમેર્યા; સ્તર 2 માટે સામાન્ય રેન્જની કસોટી અને જોખમો; સ્તર 3 માટે નમૂનાનું કદ; સમયનું સૂત્ર સરેરાશ અને રિવર્ક મુજબ સુધાર્યું; સંબંધિત અભ્યાસ ઉમેર્યો; ખામીઓ જણાવવા પ્રોડક્ટ વિભાગ ફરી લખ્યો.
- 1.0 (ઑક્ટોબર 2026): પહેલી આવૃત્તિ.